Poszukiwanie rozpadu B± → φπ w eksperymencie Belle
Transkrypt
Poszukiwanie rozpadu B± → φπ w eksperymencie Belle
U NIWERSYTET JAGIELLO ŃSKI Karol Adamczyk Poszukiwanie rozpadu B ± → φπ ± w eksperymencie Belle Praca Magisterska wykonana w Instytucie Fizyki Jadrowej ˛ im. H. Niewodniczańskiego Polskiej Akademii Nauk w Krakowie pod kierunkiem dr Andrzeja Bożka Kraków 2008 Chciałbym bardzo serdecznie podzi˛ekować Panu dr Andrzejowi Bożkowi za pomoc i opiek˛e naukowa˛ w trakcie pisania tej pracy. Spis treści 1 Wst˛ep teoretyczny 1.1 Łamanie symetrii dyskretnych . . . . . . . . . . . . . . . . . . . . . . . 1.2 Łamanie CP w sektorze mezonów B . . . . . . . . . . . . . . . . . . . . 1.3 Rozpad B ± → φπ ± . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 3 5 7 2 Eksperyment Belle 2.1 Akcelerator KEKB . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.2 Detektor Belle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.3 Zbieranie, przetwarzanie i przygotowanie danych do analizy . . . . . . . 9 9 10 11 3 Rekonstrukcja i selekcja przypadków 3.1 Identyfikacja czastek ˛ . . . . . . . . . . . . . . . . . . . . . . . . 3.2 Preselekcja . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.3 MC sygnału . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.4 MC tła . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.4.1 Continuum . . . . . . . . . . . . . . . . . . . . . . . . . 3.4.2 Współczynnik wiarygodności dla sygnału i tła continuum 3.4.3 Tło od rozpadów rzadkich . . . . . . . . . . . . . . . . . 3.5 Konkluzje . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 14 15 17 18 18 22 26 30 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 Podsumowanie 31 A Dyskryminanta Fishera 32 B Warsztat 34 Rozdział 1 Wst˛ep teoretyczny Rzadkie rozpady mezonów B stanowia˛ dogodne miejsce do testowania poprawności opisu fizyki przez Model Standardowy (MS). Jest to miejsce potencjalnych obserwacji faktów wykraczajacych ˛ poza MS, określanych jako efekty Nowej Fizyki. Testy MS w sektorze mezonów B nastawione sa˛ na poszukiwanie efektów łamania symetrii CP, badanie rzadkich rozpadów (cz˛estość rozpadu ∼ 10−4 − 10−7 ) oraz precyzyjny pomiar parametrów trójkata ˛ unitarności. W naszym przypadku głównym celem pracy było wyznaczenie lub znalezienia ograniczenia na współczynnik rozgał˛ezienia rozpadu B ± → φ π ± . W pracy ograniczono si˛e do przedstawienia metodyki i analizy na danych Monte Carlo (MC). 1.1 Łamanie symetrii dyskretnych W fizyce każde prawo zachowania wia˛że si˛e z niezmienniczościa˛ równań, opisujacych ˛ dany układ fizyczny, wzgl˛edem przekształceń odpowiedniej symetrii. Zachowanie p˛edu odpowiada niezmienniczości wobec translacji w przestrzeni, zachowanie momentu p˛edu niezmienniczości wobec obrotów, a zachowanie energii oznacza symetri˛e równań ze wzgl˛edu na przesuni˛ecia w czasie. Znane z fizyki klasycznej transformacje ciagłe ˛ (translacje w przestrzeni, obroty, przesuni˛ecia w czasie) i dyskretne (inwersja wzgl˛edem środka układu współrz˛ednych, zmiana znaku ładunku na przeciwny, odbicie w czasie) maja˛ również podstawowe znaczenie w fizyce czastek ˛ elementarnych. Transformacje dyskretne wobec których oddziaływania moga˛ wykazywać niezmienniczość to: P(= inwersja przestrzenna), C(= sprz˛eżenia ładunkowego), T (= odbicie w czasie). Niezmienniczość oddziaływań wzgl˛edem transformacji dyskretnych określa si˛e jako zachowanie parzystości. Parzystość definiuje si˛e jako wartość własna˛ operatora powiazanego ˛ z dana˛ transformacja˛ dyskretna.˛ Fizyczne znaczenie maja˛ tylko wartości własne operatorów Ĉ i P̂. Operator Ĉ działajac ˛ na pole fizyczne (stowarzyszone z czastk ˛ a) ˛ zamienia liczby kwantowe pola na przeciwne. W obrazie czastek ˛ odpowiada to zamianie czastek ˛ na ich antyczastki ˛ tak, że dla oddziaływania zachowujacego ˛ symetri˛e C materia i antymateria sa˛ nierozróżnialne. We wszystkich oddziaływania poza oddziaływaniami słabymi (OS) parzystość ładunkowa˛ jest zachowana. Z operacja˛ przestrzennej inwersji współrz˛ednych (x, y, z → −x, −y, −z) zmieniaja˛ ca˛ skr˛etności układu współrz˛ednych na przeciwna,˛ zwiazany ˛ jest operator parzystości P̂. Działanie tego operatora na czastk˛ ˛ e (stan kwantowy czastki) ˛ powoduje zmian˛e skr˛etności 1.1 Łamanie symetrii dyskretnych 4 czastki ˛ na przeciwna.˛ Skr˛etność czastki ˛ określa znak rzutu spinu czastki ˛ (np: jz = ± 12 h̄) na kierunek ruchu czastki ˛ (odpowiednio: wzdłuż osi z) H= ~s · p~ |~s||~p| (1.1) Stany o skr˛etności H = +1 określone sa˛ jako stany prawoskr˛etne, i analogicznie stany o H = -1, to stany lewoskr˛etne. Traktowanie przez oddziaływania w taki sam sposób (nierozróżnianie) stanów prawo i lewoskr˛etnych oznacza symetri˛e oddziaływania wzgl˛edem transformacji P (zachowanie parzystości przestrzennej). Jest tak dla oddziaływań elektromagnetycznych i silnych, których opis nie zmienia si˛e po odwróceniu wszystkich współrz˛ednych przestrzennych. OS łamie symetri˛e parzystości przestrzennej maksymalnie, dopuszczajac ˛ udział tylko czastek ˛ o wybranej skr˛etności; dla czastek ˛ bezmasowych albo ultrarelatywistycznych: lewoskr˛etnych czastek ˛ i prawoskr˛etnych antyczastek. ˛ Czastki ˛ obdarzone masa˛ nie sa˛ stanami własnymi skr˛etności, ale pewnymi kombinacjami funkcji odpowiadajacych ˛ dodatniej i ujemnej skr˛etności. Skr˛etność (polaryzacja podłużna) takich czastek ˛ wynosi: H=± v c (1.2) (+ - dla prawoskr˛etnych, – - dla lewoskr˛etnych) Zastosowanie operatorów P̂ i Ĉ jednocześnie (kolejność działanie operatorów na stan jest nieistotna) powoduje otrzymanie stanów (czastek), ˛ które można zaobserwować w eksperymencie, co może z kolei oznaczać niezmienniczość OS wzgl˛edem sprz˛eżenia CP. Przykład reakcji za która˛ odpowiada OS, a której obraz odbity w "lustrze P“ i ”lustrze C“ jednocześnie, daje reakcj˛e zachodzac ˛ a˛ w rzeczywistości może stanowić rozpad: π ± → µ± ν̄µ . Wyprodukowane w powyższym rozpadzie (rys.1.1(a)) neutrino (antyneutrino) mionowe może być tylko lewoskr˛etne (prawoskr˛etne). Dlatego rozpady z rysunku 1.1(b) i (c) nie wyst˛epuja˛ w przyrodzie, co oznacza maksymalne łamanie symetrii: P dla 1.1(b) i C dla 1.1(c) przez OS. Złożenie obu transformacji zamienia lewoskr˛etne neutrino mionowe w prawoskr˛etne antyneutrino mionowe, a wi˛ec obraz zgodny z rzeczywistościa˛ fizyczna.˛ Jednak obecność procesu π − → µ− νµ nie oznacza jeszcze, że OS jest symetryczne wzgl˛edem CP. Aby tak było cz˛estości rozpadów z rysunku 1.1(a) i 1.1(d) musza˛ być jednakowe, co dla powyższego rozpadu mionu zachodzi. Posłużenie si˛e powyższym procesem w celu zdefiniowania, niezależnie od konwencji, a odwołujac ˛ si˛e jedynie do eksperymentu, który obiekt to czastka ˛ a który antyczastka ˛ nie daje odpowiedzi bez uciekania si˛e do konwencji zwiazanej ˛ ze skr˛etnościa˛ (lewoskr˛etna czastka, ˛ prawoskr˛etna antyczast˛ ka). Jakkolwiek w wi˛ekszości zbadanych do tej pory procesów zachodzacych ˛ przez OS symetria CP obowiazuje, ˛ to zaobserwowano pewne rzadkie rozpady mezonów K lub B w których różnica cz˛estościrozpadu i jego sprz˛eżenia CP wynosiła od dziesiatych ˛ pro Γ(KL →π + π − ) ∼ 0 0 centa Γ(KS →π+ π− ) = 0.002 [1] do kilkudziesi˛eciu (dla B (B̄ ) → J/ψKS asymetria CP wynosi około 70%)[2]. Przykładowo niezachowanie symetrii CP w leptonowym rozpa+ − L →e νe π ) ∼ dzie mezonu KL jest rz˛edu 0.002 ( Γ(K 0.002) [3]. Wynikajaca ˛ stad ˛ asymetria Γ(KL →e− ν̄e π + ) = ładunkowa (dodatnio naładowany lepton wyst˛epujacy ˛ cz˛eściej to pozyton czyli antymateria) pozwala jednoznacznie rozróżnić mi˛edzy materia˛ a antymateria.˛ Majac ˛ definicj˛e 1.2 Łamanie CP w sektorze mezonów B 5 Rysunek 1.1: Reakcja π ± → µ± ν̄µ w ”lustrach“: C, P i CP materii, wyżej wspomniany proces rozpadu pionu można wykorzystać do niezależnej definicji: prawy-lewy.[4] W ramach MS z trzema rodzinami kwarków, źródłem łamanie CP jest obecność nieredukowalnej zespolonej fazy w macierzy CKM (macierz mieszania dla kwarków). Macierz CKM opisuje zależności łacz ˛ ace ˛ stany własne masy (zapachu) ze stanami własnymi OS. Wynika to z faktu, że kwarki dolne uczestnicza˛ w OS nie jako stany własne masy, ale jako kombinacje liniowe tych stanów. ′ d Vud Vus Vub d ′ s = VCKM s , VCKM = Vcd Vcs Vcb ′ Vtd Vts Vtb b b (1.3) Łamanie symetrii CP stanowi jeden z warunków koniecznych bariogenezy. Jednak wielkość tego efektu otrzymana w ramach macierzy CKM, okazuje si˛e być o kilka rz˛edów za mała, by można go było bezpośrednio powiazać ˛ z obserwowana˛ we Wszechświecie ilościowa˛ asymetria˛ materia-antymateria.[5] Owa niezgodność sugeruje, że w Przyrodzie moga˛ wyst˛epować dodatkowe źródła łamania CP. Przyjmujac, ˛ że fundamentalna˛ symetri˛e Przyrody stanowi symetria CPT[6], konsekwencja˛ łamania CP jest naruszenie symetrii T(T̂: t → −t). 1.2 Łamanie CP w sektorze mezonów B Choć po raz pierwszy łamanie symetrii CP zostało zaobserwowane w rozpadzie neutralnych mezonów K[1], to oszacowanie teoretyczne i eksperymenty potwierdzaja,˛ że skala 1.2 Łamanie CP w sektorze mezonów B 6 tego efektu w sektorze mezonów B jest dużo wi˛eksza. Mezony B (tabela 1.1) to stany zwiazane ˛ kwarku (antykwarku) b i lżejszego antykwarku (kwarku) z I lub II rodziny kwarków. Duża masa kwarka b(mb ≈ 5GeV /c2 ) przekłada si˛e na znaczna˛ ilość kanałów B + = b̄u B − = bū I(J P ) = 21 (0− ) mB± = 5279.0 ± 0.5MeV τB± = (1.638 ± 0.011) · 10−12 s B 0 = b̄d B̄ 0 = bd¯ I(J P ) = 21 (0− ) mB0 = 5279.4 ± 0.5MeV τB0 = (1.530 ± 0.009) · 10−12 s Tabela 1.1: Podstawowe własności mezonów Bd0 i Bu± rozpadu mezonów B. Dominujacy ˛ dla B sposób rozpadu zachodzi przez zmian˛e rodziny (III → II, I), stad ˛ małe elementy macierzy CKM (|Vcb | ≈ 0.04, |Vub| ≈ 0.005) i tłumienie tych procesów. Umożliwia to obserwacj˛e rozpadów za zmiana˛ zapachu b → s, b → u, b → d określanych jako rzadkie rozpady B. Łamanie CP w rozpadach mezonów B może zachodzić na jeden z trzech sposobów: Łamanie CP w rozpadach (ang. CPV in decay, direct CPV) naładowanych i neutralnych mezonów wyst˛epuje gdy amplitudy rozpadu i jego sprz˛eżenia CP nie sa˛ równe.Nazywane jest bezpośrednim naruszeniem CP. Łamanie CP w oscylacjach (ang. CP violation in mixing) zachodzi tylko w rozpadach neutralnych mezonów. Wynika z faktu, że rozpadajace ˛ si˛e w wynik OS stany własne masy (nieznacznie) różnia˛ si˛e od stanów własnych CP. Nazywane jest pośrednim naruszeniem CP. Łamanie CP w interferencji rozpadów z i bez oscylacji (ang. CPV from interference between decays with and without mixing) może wyst˛epować w rozpadach B 0 i B̄ 0 do tego samego stanu końcowego. W rozpadach naładowanych mezonów B, tak jak np: w poszukiwanym rozpadzie B ± → φπ ± , istnieje możliwość wystapienia ˛ tylko bezpośredniego łamania CP. Niezależna,˛ od konwencji fazy, wielkościa˛ opisujac ˛ a˛ bezpośrednie łamanie CP jest |Āf¯/Af |, gdzie Af = hf |H|B + i − ¯ i Āf¯ = hf|H|B (1.4) (1.5) to amplituda rozpadu B + do stanu końcowego f, i amplituda sprz˛eżenia CP tego rozpadu. Amplitudy rozpadu zawieraja˛ dwa rodzaje faz: słaba˛ i silna.˛ Pierwsza, słaba faza, zmienia znak przy sprz˛eżeniu CP i ma bezpośredni zwiazek ˛ z macierza˛ CKM. Druga, silna faza, pojawiajaca ˛ si˛e z takim samym znakiem w amplitudzie i sprz˛eżeniu CP amplitudy, ma zwiazek ˛ z procesami rozpraszania przez oddziaływania silne. Rozpisujac ˛ amplitudy na przyczynki od różnych procesów rozpadu (wskaźnik i) z wyszczególnieniem modułów (Ai ), słabych (eiφ ) i silnych (eiδ ) faz otrzymujemy: Ā ¯ f Af = P i(δi −φi ) i Ai e P i Ai ei(δi +φi ) (1.6) 1.3 Rozpad B ± → φπ ± 7 Jeśli istniej tylko jeden przyczynek do amplitudy rozpadu to: Ā ¯ f Af = e−iφ +iφ e =1 (1.7) Warunkiem bezpośredniego łamania CP jest obecność przynajmniej dwóch (i , j 2) amplitud (procesów) o różnych słabych i silnych fazach. 2 2 |Af | − |Āf¯| = −2 X i,j Ai Aj sin(φi − δj )sin(δi − δj ) ⇒ Ā ¯ f Af 6= 1 (1.8) Teoretyczne wyliczenia asymetrii CP takich rozpadów (kilka przyczynków do amplitudy) wymagaja˛ znajomości silnych faz i wielkości poszczególnych amplitud (patrz: 1.6), ale z powodu długozasi˛egowych efektów silnych oddziaływań zawieraja˛ znaczne niepewności. Pomiaru bezpośredniego łamania CP (tu dla naładowanych mezonów B) dokonuje si˛e wyznaczajac ˛ asymetri˛e szerokości rozpadów: af = |Af |2 − |Āf¯|2 Γ(B + → f ) − Γ(B − → f¯) = ¯ |Af |2 + |Āf¯|2 Γ(B + → f ) + Γ(B − → f) (1.9) W ten sposób eksperyment może być także metoda˛ poszukiwania dodatkowych, nieprzewidzianych przez MS, amplitud. Obserwacji znacznego efektu direct CPV można spodziewać si˛e w nieleptonowych rozpadach B, gdzie wyst˛epuja˛ przeważnie co najmniej dwa porównywalnej wielkości przyczynki do amplitudy. 1.3 Rozpad B ± → φπ ± Zgodnie z MS rozpady mezonów B takie jak B → φπ, czyli zawierajace ˛ przejście b → ss̄d, moga˛ zachodzić tylko poprzez diagramy p˛etlowe. Amplitud˛e rozpadu dla procesu b → qqq ′ można rozpisać jako sum˛e trzech składników z określonymi współczynnikami macierzy CKM: ∗ u A(qqq ′ ) = Vtb Vtq∗′ Pqt′ + VcbVcq∗ ′ (Tccq′ δqc + Pqc′ ) + Vub Vuq ′ (Tuuq ′ δqu + Pq ′ ) (1.10) gdzie Pqt,c,u to przyczynek od diagramów ”pingwinów“, a Tccq′ lub Tuuq′ od diagramów ”drzew“. W poszukiwanym rozpadzie B ± → φπ ± na poziomie kwarków zachodzi proces: b → ssd. Amplituda takiego rozpadu to: ∗ Pdu A(ssd) = Vtb Vtd∗ Pdt + Vcb Vcd∗ Pdc + Vub Vud (1.11) ∗ Wykorzystujac ˛ jeden z warunków unitarności macierzy CKM: Vub Vud + Vcb Vcd∗ + Vtb Vtd∗ = 0 amplitud˛e powyższego procesu można zapisać w prostszej postaci: A(ssd) = Vtb Vtd∗ (Pdt − Pdu ) + Vcb Vcd∗ (Pdc − Pdu ) (1.12) Wynika stad, ˛ że procesy mogace ˛ dać wkład do amplitudy szukanego rozpadu opisywane sa˛ przez twz. ”silne pingwiny“ z kwarkami u,c,t w p˛etlach (rys. 1.2).[7] Oba czynnki tej 1.3 Rozpad B ± → φπ ± 8 Rysunek 1.2: ”silny pingwin“: diagram rozpadu kwarka b. amplitudy sa˛ tego samego rz˛edu wielkości (Vtb Vtd∗ = −Aλ3 , VcbVcd∗ = Aλ3 (1 − ρ + iη)), jednak drugi jest tłumiony przez mechanizm GIM. Oznacza to, że w granicy równości mas kwarków u i c przewidywana w tym procesie asymetria znika. W przypadku obecności drugiego czynnika oszacowania teoretyczne wskazuja˛ na asymetri˛e siegajac ˛ a˛ 10%[8]. W ramach MS używajac ˛ faktoryzacji QCD wartość współczynnika rozgał˛ezienia (BF - ang. branching fraction lub Br - ang. branching ratio) poszukiwanego rozpadu oszacowano na: Br M S (B − → φ π − ) = 4.45 × 10−9 (1.13) Przyczynki od Nowej Fizyki moga˛ mieć wpływ na wzrost BF o 2 rz˛edy wielkości, co stanowi granic˛e teraźniejszych możliwości eksperymentalnych.[9] Obecnie znane (zmierzone) górne ograniczenie na wartość współczynnika rozgał˛ezienia wynosi[10]: Br(B − → φ π − ) < 0.24 × 10−6 (1.14) Rozdział 2 Eksperyment Belle Głównym celem eksperymentu Belle prowadzonego w laboratorium KEK w Tsukubie (Japonia) jest obserwacja łamania symetrii CP w rozpadach mezonów B, a tym samym lepsze zrozumienie tego zjawiska. W eksperymencie który rozpoczał˛ zbieranie danych w czerwcu 1999 roku bierze udział około 300 fizyków z ponad 50 ośrodków naukowych. Pomiar współczynników rozgał˛ezienia i możliwych efektów łamania CP w rzadkich rozpadach mezonów B wymaga "dużych“ (> 107 par B B̄) próbek danych i wysokosprawnego detektora. Produkcja (przy niskim tle) i rejestracja rozpadów tej wielkiej ilości mezonów B odbywa si˛e w tzw. asymetrycznych fabrykach B, a w tym przypadku w skład fabryki B wchodza: ˛ akcelerator KEKB i detektor Belle. 2.1 Akcelerator KEKB KEKB[11] zderza ze soba˛ wiazki ˛ elektronów (8 GeV) i pozytonów (3.5 GeV), w wyniku czego formuje si˛e niestabilny stan Υ(4S) (mΥ(4S) = 10.58GeV /c2 ) rozpadajacy ˛ si˛e 0 0 + − w ok.96% na par˛e B B̄ lub B B . W szczególności masa układu B B̄ jest tylko nieco mniejsza od masy Υ(4S), tak wi˛ec w jego układzie spoczynkowym krótkożyciowe mezony B rozpadałyby si˛e bardzo blisko siebie, utrudniajac ˛ identyfikacj˛e wierzchołków rozpadu czy pomiar asymetrii CP zależnej od czasu. Dzi˛eki asymetrycznym energiom zderzanych wiazek ˛ czas rozpadu powstałych B wydłuża si˛e o czynnik Lorentza (βγ ≃ 0.425), przez co średnia odległość wierzchołków wzrasta do około 200µm. Akcelerator KEKB (rys.2.1) składa si˛e z dwóch, leżacych ˛ obok siebie, pierścieni: HER (ang. high energy ring) na elektrony i LER (ang. low energy ring) na pozytony umieszczonych w tunelu o obwodzie 3 km, oraz akceleratora liniowego (tzw. liniak). W liniaku elektrony i pozytony przyspieszane sa˛ odpowiednio do 8 i 3.5 GeV, po czym wstrzykiwane do pierścieni, gdzie nast˛epuje formowanie wiazek. ˛ Wiazki ˛ przecinaja˛ si˛e po katem ˛ 22 mrad i tuż przed zderzeniem obracane sa˛ w tzw. wn˛ekach kraba, tak aby zachodziły tylko “czołowe” zderzenia “paczek“. Stabilność wiazek ˛ utrzymywana jest przy pomocy wn˛ek rezonansowych, tłumiacych ˛ wyższe mody, i systemów sprz˛eżenia zwrotnego. Konstrukcyjna wartość świetlności (L), parametru opisujacy ˛ wydajność kolejdera, dla KEKB wynosi 1034 cm−2 s−1 i została osiagni˛ ˛ eta w maju 2003. Praca z taka˛ świetlnościa˛ zapewnia produkcj˛e około 108 stanów Υ(4S) rocznie, co czyni zderzacz KEKB rekordzi- 2.2 Detektor Belle 10 Rysunek 2.1: Schemat akceleratora KEKB sta˛ pod wzgl˛edem osiaganej ˛ świetlności. Aktualna (30 czerwca 2008) wartość całkowitej scałkowanej świetlności wynosi: 853.75 f b−1 (1f b−1 ∼ = 106 B B̄).[12] 2.2 Detektor Belle Belle (rys.2.2)[11][13] to detektor cylindryczny, składajacy ˛ si˛e z 7 detektorów składowych i nadprzewodzacego ˛ solenoidu. Najważniejsze elementy detektora to: SVD (ang. silicon vertex detector) - krzemowy detektor wierzchołka. Położony jest najbliżej obszaru zderzeń wiazek. ˛ Precyzyjnie mierzy tory czastek ˛ dostarczajac ˛ dane do rekonstrukcji wierzchołków rozpadów. Szczególnie ważny przy pomiarze asymetrii CP zależnej od czasu, gdzie współrz˛edna z miejsca rozpadu B musi być dokładnie znana. CDC (ang. central drift chamber) - centralna komora dryfowa. Zanurzona jest w polu magnetycznym solenoidu. Umożliwia rekonstrukcj˛e torów oraz pomiar p˛edów czastek ˛ naładowanych. ˛ mierzac ˛ Stanowi także cz˛eść systemu identyfikacji czastek, dE depozyty energii dx . 2.3 Zbieranie, przetwarzanie i przygotowanie danych do analizy 11 ACC (ang. aerogel Čerenkov counter) - aerożelowy progowy licznik Czerenkowa. Służy do identyfikacji czastek, ˛ w tym przypadku zoptymalizowany do rozróżniania kaonów i pionów o p˛edach od 1.2 do 3.5 GeV/c. TOF (ang. time-of-flight counter ) - licznik czasu przelotu. Stanowi uzupełnienie dla ACC, przy rozróżnianiu czastek ˛ o p˛edach mniejszych niż 1.2 GeV/c. ECL (ang. electromagnetic calorimeter) - kalorymetr elektromagnetyczny. Główne funkcje to detekcja i identyfikacja fotonów i elektronów. KLM (ang. KL and muon detector) - detektor mionów i mezonów KL . ECF (ang. extreme forward calorimeter) - kalorymetr elektromagnetyczny pracujacy ˛ w obszarze małych katów. ˛ Umożliwia ciagły ˛ monitoring aktualnej wartości świetlności akceleratora wykorzystujac ˛ efekt rozpraszania Bhabha, oraz "znacznikowanie” zdarzeń z udziałem dwóch fotonów. SOL - chłodzony ciekłym helem nadprzewodzacy ˛ solenoid wytwarzajacy ˛ pole magnetyczne o indukcji 1.5 T. Obszary na jakie można podzielić detektor to: “beczka” - cz˛eść równoległa do osi z, oraz przednia i tylna "pokrywa“, które razem obejmuja˛ katowo ˛ zakres: 170 < Θ < 1500 (91% 4π). Przesuni˛ecie elementów układu ”do przodu” (na rysunku w lewo) wzgl˛edem osi z wynika z asymetrii energii wiazek, ˛ co przekłada si˛e na boost Υ(4S). 2.3 Zbieranie, przetwarzanie i przygotowanie danych do analizy System wyzwalania zapisu (ang. trigger) decyduje kiedy zarejestrowane w detektorze sygnały sa˛ odczytywane. Zdarzenia(surowe dane reprezentujace ˛ zderzenia czastek) ˛ spełniajace ˛ kryteria zespołu triggerów sprz˛etowych i programowych (na farmie komputerów[14]) sa˛ na bieżaco ˛ zapisywane i archiwizowane. Zarchiwizowane surowe dane poddawane sa˛ rekonstrukcji, polegajacej ˛ na przekształceniu i zapisaniu ich do odpowiednich struktur danych, reprezentujacych ˛ neutralne i naładowane czastki ˛ wraz z ich właściwościami (m.in. 1 masa, ładunek, czterop˛ed, PID ). Zapisywane sa˛ na dyskach jako pliki .dst(ang. data summary tapes). Końcowy “produkt” to pliki w formacie .mdst (miniDST), zawieraja˛ ce wybrany zestaw zdarzeń (skim), np: hadronowych, które stanowia˛ dane wejściowe dla modułów do analizy. Przygotowanie do analizy obejmuje również wygenerowanie próbek danych Monte Carlo (MC), stanowiacych ˛ wyniki symulacji zarejestrowania przez detektor szukanych procesów. Dane MC pozwalaja˛ zorientować si˛e jak b˛edzie wygladał ˛ sygnał i tło szukanego rozpadu, oszacować wydajność rekonstrukcji oraz kontrolować niepewności systematyczne. Przy generacji MC, jak i całym procesie poczawszy ˛ od akwizycji aż do analizy danych wykorzystuje si˛e dedykowane dla eksperymentu Belle oprogramowanie BASF (Belle AnaliySis Framework). Generacja MC przebiega dwuetapowo: szybka produkcja 1 ang. particle spices identification - identyfikacja rodzaju czastki ˛ 2.3 Zbieranie, przetwarzanie i przygotowanie danych do analizy 12 Rysunek 2.2: Przekrój poprzeczny detektora Belle z zaznaczeniem poszczególnych detektorów składowych (ang. subdetectors). W rogu skala i definicja układu współrz˛ednych zwiazanego ˛ z detektorem. 2.3 Zbieranie, przetwarzanie i przygotowanie danych do analizy 13 zadanego kanału rozpadu B przy użyciu generatora EvtGen[15] (moduł BASF) i dość czasochłonna symulacja rejestracji zdarzeń w detektorze przy użyciu modułu GSIM. Wyniki symulacji, podobnie jak ma to miejsce dla rzeczywistych surowych danych, poddawane sa˛ rekonstrukcji i zapisywane sa˛ w pliku o formacie .mdst. Funkcjonalność systemu BASF można rozszerzać poprzez dopisywanie modułów, w tym modułu do analizy danych, budowanych jako biblioteki współdzielone. Rozdział 3 Rekonstrukcja i selekcja przypadków Badanie czy mezon B ± rozpada si˛e w pewien określony sposób rozpocz˛eto od przeprowadzenia analizy na wygenerowanej, przy użyciu generatorów Monte Carlo (MC), próbce danych poszukiwanego rozpadu i oczekiwanego tła. Szukany rozpad B ± → φ π ± przebiega dwuetapowo: B ± →φ π ± φ → K +K − (3.1) tak, że stan końcowy rozpadu stanowia˛ 3 naładowane czastki ˛ (π ± , K + , K − ), których ślady może zarejestrować detektor. W przypadku tej analizy istotna była wi˛ec dobra identyfikacja pionów i kaonów. 3.1 Identyfikacja czastek ˛ Do identyfikacji czastek ˛ naładowanych (K ± , π ± , p) wykorzystuje si˛e jednocześnie informacje z trzech detektorów (CDC+ACC+TOF), uzyskujac ˛ wartości wiarygodności (L), że dany ślad pochodzi od konkretnej czastki. ˛ Przykładowo wiarygodność, że ślad zostawił kaon b˛edzie równa: LK = LCDC × LACC × LTKOF K K (3.2) Zakładajac ˛ że, sygnał stanowia˛ kaony a tło piony, to dla każdego śladu wyznaczany jest współczynnik wiarygodności (ang. likelihood ratio), opisujacy ˛ identyfikacj˛e czastki ˛ (PID - ang. particle identification). LK LK + Lπ = 1 − LK:π P ID(K) = LK:π = (3.3) P ID(π) = Lπ:K (3.4) Współczynnik wiarygodności można potraktować jako prawdopodobieństwo1 tego, że dany ślad jest śladem kaonu (pionu) pod warunkiem, że może być śladem albo kaonu albo 1 b˛edzie to prawda˛ pod warunkiem, gdy identyfikowana czastka ˛ o zapachu i pochodzi z próbki w której z założenia znajduje si˛e równa ilość czastek ˛ o zapachu i i j 3.2 Preselekcja 15 Ilosc przypadkow na bin pionu. W przypadku braku informacji o identyfikacji zapachu (pion czy kaon) danego śladu współczynnik wiarygodności (LK:π ) przyjmuje wartość 0.5. W programie do analizy współczynnik wiarygodności dost˛epny jest poprzez moduł atc_pid[16]. W naszej analizie zastosowano nast˛epujacy ˛ mechanizm identyfikacji: wszystkie czast˛ ki zaliczono do zbioru pionów, a dodatkowo te dla których LK:π 0.6 wpisano do zbioru kaonów (rys.3.1). 4500 4000 B±→ φ π± B±→ φ K± 3500 3000 2500 2000 1500 1000 500 0 0 0.2 0.4 0.6 0.8 1 PID(K) Rysunek 3.1: Rozkład współczynnik wiarygodności dla próbek MC: sygnału i tła od rozpadu B ± → φK ± z zaznaczeniem ci˛ecia P ID(K) 0.6. 3.2 Preselekcja Przy wyborze zdarzeń poszukiwanego rozpadu zastosowano kolejno nast˛epujace ˛ kryteria: 1. HadronB[17] jest to selekcja usuwajaca ˛ zdarzenia niehadronowe (np: e+ e− → e+ e− , µ+ µ− , τ + τ − , γγ), pozostawiajac ˛ przypadki typu: B B̄ i continuum2. Wymagania które musi spełniać zdarzenie aby przejść t˛e selekcj˛e to: • Zdarzenie musi zawierać co najmniej 3 dobrej jakości ślady (naładowanych czastek), ˛ to jest spełniajace ˛ warunki: (i) PT > 100MeV /c, (ii) |dr| < 2.0cm, (iii) |dz| < 4.0cm |dr| to odległość śladu od punktu oddziaływania (zrekonstruowanego wierzchołka) w płaszczyźnie x-y 2 rodzaj tła - opisany w rozdziale 3.4 3.2 Preselekcja 16 |dz| to odległość śladu od punktu oddziaływania (składowa z) |PT | to p˛ed poprzeczny (składowa z) • Zrekonstruowany z dobrej jakości śladów wierzchołek musi spełniać warunki: (i) |dz| < 3.5cm, (ii) dr < 1.5cm. • Zdarzenie zarejestrowane w obszarze beczki detektora ECL musi posiadać co najmniej 2 dobrej jakości klastry tj. takie z depozytem energii wi˛ekszym niż 100 MeV. Dobrej jakości fotonami określa si˛e te, które zostawiły depozyt energii w dobrej jakości klastrach. √ • Evis 0.2 s Evis - energia widzialna - jest to suma energii dobrej jakości śladów i fotonów w zdarzeniu zdeponowana w CDC i ECL. • 0.1 < E√sum < 0.8 s Esum - to suma energii zdeponowanej w dobrej jakości klastrach. √ P • | Pz | < 0.5 s P Pz - to suma po p˛edach (składowe z) dobrej jakości śladów i fotonów. • • MHJ Evis > 0.25 ∪ MHJ > 1.8GeV /c2 MHJ (ang. the heavy jet mass) - wielkość obliczana nast˛epujaco: (i) używajac ˛ dobrej jakości śladów i fotonów znajduje si˛e tzw. “oś thrustu”3 (ii) zbiór dobrej jakości śladów i fotonów dzieli si˛e na na dwie półsfery osia˛ prostopadła˛ do “osi thrustu“ (iii) MHJ = max(M1 , M2 ), gdzie M1 , M2 to masy niezmiennicze półsfer przyjmujac ˛ hipotez˛e że wszystkie naładowane ślady to piony Esum NECL < 1.0GeV NECL - ilość dobrej jakości klastrów 2. Selekcja śladów (torów) czastek ˛ naładowanych. Wszystkie ślady w zdarzeniu musza˛ spełniać poniższe wymagania: • |dr| < 0.2cm • |dz| < 2.0cm • |PT | 100MeV /c Celem selekcji jest usuni˛ecie śladów złej jakości lub tła pochodzacego ˛ z oddziaływań wiazki ˛ z rura˛ akceleratora. 3. “Luźne” ci˛ecia na ∆E i Mbc . Do identyfikacji zrekonstruowanych kandydatów na mezony B używa si˛e dwóch zmiennych kinematycznych: Mbc ≡ q cms 2 2 (Ebeam ) − (pcms B ) cms ∆E ≡ EBcms − Ebeam 3 thrust axis - wielkość opisana w rozdziale 3.4 (3.5) (3.6) 3.3 MC sygnału 17 cms Ebeam - energia ˛ w układzie środka masy rezonansu Υ(4S); połowa całkowi √ wiazki s tej energii 2 = 5.29 GeV ; cms Ebeam , pcms - energia i p˛ed zrekonstruowanego kandydata na B w układzie środka B masy rezonansu Υ(4S) cms jako wi˛ez zmienna Mbc oddaje rozkład p˛edów kandydaTraktujac ˛ wartość Ebeam tów na B, natomiast ∆E rozkład ich energii. Dokładna znajomość energii wiazki ˛ przekłada si˛e na uzyskanie wysokiej rozdzielczości dla Mbc i ∆E, odpowiednio ∼3 i ∼12 MeV. Wartości “luźnych“ ci˛eć ustawione w module do analizy: 5.195GeV /c2 ¬ Mbc ¬ 5.35GeV /c2 |∆E| ¬ 0.35GeV R2 4 < 0.5 3.3 MC sygnału Mezon wektorowy φ rozpada si˛e w ∼ 50% przypadków na par˛e kaonów: K + i K − . Rekonstrukcja czastki ˛ φ polegała na znalezieniu takich par K + i K − , których sumaryczna masa niezmiennicza byłby, z dokładnościa˛ do 0.150 GeV (arbitralny wybór), równa mφ = 1.020 GeV. Zrekonstruowane czastki ˛ φ poddano tzw. "wierzchołkowaniu”, czyli wyznaczeniu wspólnego punktu przez który przechodza˛ ślady produktów rozpadu. Celem wierzchołkowania była korekcja p˛edów, co przekłada si˛e na dokładniejsze wyznaczenie masy zrekonstruowanej czastki. ˛ ± Kandydatów na B (oddzielnie dla dodatnich i ujemnych) zrekonstruowano wyszukujac ˛ w zdarzeniu takie układy φ i π ± , aby ich masa niezmiennicza była z dokładnościa˛ do 0.350 GeV (arbitralny wybór), równa mB± = 5.279 GeV. Ze zbioru kandydatów na B + wybierano nast˛epnie najlepszy B + , tj. taki który zawierał najlepszy pion, czyli pion o najwi˛ekszym PID(π). To samo powtórzono na zbiorze z B − . Majac ˛ najlepszych kan+ − dydatów na B i B ostatecznie wybierano tylko jednego, tego z najlepszym pionem, i poddawano wierzchołkowaniu. Zrekonstruowane mezony B pochodzace ˛ z szukanego rozpadu zidentyfikowano używajac ˛ zmiennych kinematycznych: Mbc i ∆E. Rysunek3.2 przedstawia rozkłady zmienych Mbc , ∆E oraz płaszczyzn˛eMbc ∆E z zaznaczonym oknem sygnałowym dla próbki MC. Z dwuwymiarowego dopasowania funkcji gaussa5 do rozkładów zmiennych Mbc i ∆E otrzymano: Zmienna Mbc [MeV/c2 ] ∆E [MeV] µ σ 5278.920 ± 0.039 2.556 ± 0.027 1.55 ± 0.21 13.7 ± 0.15 Okno sygnałowe zdefiniowano jako µ ± 3σ dla każdej zmiennej: 5.271 GeV /c2 ¬ Mbc ¬ 5.287 GeV /c2 −0.0396 GeV ¬ ∆E ¬ 0.0427 GeV 4 R2 - zmienna kształtu 2 5 √1 exp(− (x−µ) 2σ2 ) σ 2π opisana w rozdziale 3.4 18 Ilosc przypadkow / 14 [MeV] ∆ E [GeV] 3.4 MC tła 0.3 2500 0.2 2000 0.1 1500 0 -0.1 1000 -0.2 500 -0.3 5.22 5.24 5.26 5.28 5.3 M bc [GeV/c2] 5.22 5.24 5.26 5.28 5.3 M bc [GeV/c2] 0 -0.2 0 0.2 ∆ E [GeV] 2 Ilosc przypadkow / 4 [MeV/c ] 5.2 3500 3000 2500 2000 1500 1000 500 0 5.2 Rysunek 3.2: Płaszczyzna Mbc ∆E z naniesionym sygnałem MC. 3.4 MC tła Dominujace ˛ źródło tła dla rzadkich rozpadów B stanowia˛ zdarzenia continuum. Dla szukanego rozpadu przeanalizowano również tło pochodzace ˛ od innych dwuciałowych rozpadów rzadkich bez powabu zawierajacych ˛ w stanie końcowym mezon φ. 3.4.1 Continuum Zdarzenia continuum to reakcje typu: e+ e− → q q̄, gdzie q q̄ to układ lekkiego kwarku i antykwarku (np: uū, dd̄, ss̄, cc̄). Przekrój czynny procesów continuum w porównaniu do przekroju na rozpad B B̄ wynosi: σσqq̄ ≃ 3. Sposobem na rozróżnienie przypadków B B̄ continuum od sygnału jest kształt zdarzenia. W układzie zwiazanym ˛ z Υ(4S) mezony B rozpadaja˛ si˛e prawie w miejscu, stad ˛ izotropowy rozrzut produktów rozpadu. Hadrony wyprodukowane w procesie e+ e− → q q̄ → hadrony sa˛ skolimowane w dwóch przeciwnie skierowanych strugach, tzw.“dżetach“. Najcz˛eściej wi˛ec rozpady na B B̄ maja˛ kształt sferyczny a zdarzenia continuum dżetowy (rys.3.3). Klasyfikacja zdarzeń: sygnał czy tło przeprowadzana jest w oparciu o kształt zdarzenia, wykorzystujac ˛ w tym celu zmienne: thrust, sferyczność, momenty Foxa-Wolframa. 3.4 MC tła 19 Rysunek 3.3: Pogladowy ˛ szkic (a) sferycznego: e+ e− → Υ(4S) → B B̄ i (b) dżetowego: e+ e− → q q̄ zdarzenia. 3.4 MC tła 20 Thrust[18] T = max |~ n|=1 P i |~n · p~i | pi | i |~ P 0.5 ¬ T ¬ 1 (3.7) gdzie: ~n - tzw. “oś trustu“ dla której T jest maksymalne; p~i - p˛ed czastki ˛ i Dla zdarzenia 2-dżetowego: T ≈ 1, a dla zdarzenia sferycznego: T ≈ 0.5. Wielkości powiazane ˛ z trusetem: θT - kat ˛ pomi˛edzy osia˛ thrustu zrekonstruowanego mezonu B i osia˛ thrustu pozostałych śladów w zdarzeniu ˛ pomi˛edzy osia˛ thrustu zrekonstruowanego mezonu B i osia˛ z θTz - kat Sferyczność[18] 3 S = (λ2 + λ3 ) 2 0¬S¬1 (3.8) gdzie: P pα pβ λ2 , λ3 - wartości własne tensora sferyczności: S αβ = Pi |pi~i|2i i p - czterop˛ed; p~i - p˛ed; α, β = x, y, z Wartości własne S αβ spełniaja˛ warunki: (i) λ1 ¬ λ2 ¬ λ3 ; (ii) λ1 + λ2 + λ3 = 1. Sferyczność jest miara˛ sumy kwadratów p˛edu poprzecznego w stosunku do osi zdarzeń. Dla zdarzenia 2-dżetowego: S ≈ 0, a dla zdarzenia sferyczngo: S ≈ 1. Momenty Foxa-Wolframa[18][19] Hl = X i,j |~pi ||~pj | Pl (cosθij ) 2 Evis l = 0, 1, 2, . . . (3.9) gdzie: p~i,j - p˛ed czastki ˛ i θij - kat ˛ pomi˛edzy wektorami p~i i ~pj Evis - całkowita energia widzialna zdarzenia Pl - wielomian Legendre’a Znormalizowane momenty Foxa-Wolframa zdefiniowano jako: Rl = Hl /H0 . Przykładowo dla zdarzenia 2-dżetowego: R2 ≈ 1, a dla zdarzenia idealnie sferycznego: R2 ≈ 0. Popraw˛e wydajności rozróżniania przypadków można uzyskać wykorzystujac ˛ informacje o śladach nie używanych do rekonstrukcji B. Dzielac ˛ ślady ze zdarzenia na dwie grupy: S - ślady używane do rekonstrukcji mezonu B oraz O - pozostałe ślady, wyznacza si˛e dla nich zmodyfikowane momenty Fox-Wolframa: RlSS = P α,β |~pα ||~pβ |Pl (cosθα,β ) P pα ||~pβ | α,β |~ (3.10) 3.4 MC tła 21 RlSO RlOO = P = P α,i i,j |~pα ||~pi |Pl (cosθα,i ) P pα ||~pi | α,i |~ (3.11) |~pi ||~pj |Pl (cosθi,j ) P pi||~pj | i,j |~ (3.12) gdzie: α, β - wskaźniki po śladach używanych do rekonstrukcji B i, j - wskaźniki po pozostałych śladach P˛edy używane do wyliczenia RlSS używane sa˛ również do wyliczenia Mbc i ∆E, stad ˛ RlSS i zmienne kinematyczne sa˛ skorelowane. Momenty R1SO , R3SO i R1OO skorelowane sa˛ również w jakiś sposób ze zmienna˛ Mbc . Z pozostałych momentów konstruuje si˛e zmienna˛ SFW (Super Fox-Wolfram): SF W = X l=2,4 αl RlSO + X βl RlOO (3.13) l=2,3,4 Dla uzyskanie lepszej separacji pomi˛edzy sygnałem i tłem niż daja˛ to pojedyńczo zmienne kształtu, wykorzystano kombinacj˛e liniowa˛ tych zmiennych, tworzac ˛ zmienna˛ F: F = SF W + α6 cos(θT ) + α7 cos(θTz ) + α8 S (3.14) Zmienna F (dyskryminanta Fishera) bierze swoja˛ nazw˛e od metody jaka˛ wyznaczane sa˛ współczynniki (αi i βi ), metody liniowej dyskryminanty Fishera6 . Współczynniki dyskriminanty wyznaczono przy użyciu zbiorów z MC sygnału i MC continuum. Do rozróżnienia sygnału od tła można także użyć zmiennych: θB i θh , zwiazanych ˛ z rozkładami katowymi ˛ produktów rozpadu. Kierunek lotu B θB jest to kat ˛ jaki tworzy kierunek lotu zrekonstruowanego mezon B z osia˛ z. Mezon wektorowy Υ(4S) (J P = 1− ) rozpada si˛e na dwa pseudoskalarne mezony B (J P = 0− ), których rozkład katowy ˛ opisywany jest zależnościa: ˛ 1 - cos2 θB = sin2 θB . Tło kombinatoryczne, od śladów przypadkowo składajacych ˛ si˛e do B, nie zależy od θB i jest płaskie. Zatem rozkład g˛estości prawdopodobieństwa zmiennej cosθB również może być użyty do "wygaszenia” continuum. Skr˛etność mezonu φ θh jest to kat ˛ pomi˛edzy kierunkiem lotu K + (z rozpadu φ) w układzie spoczynkowym φ, a kierunkiem lotu φ w układzie spoczynkowym mezonu B. Mezon wektorowy φ (J P = 1− ) rozpada si˛e na par˛e K + K − (J P = 0− ), których rozkłady katowe ˛ opisywane sa˛ zależnościa: ˛ cos2 θh . Zmienna cosθh dla continuum ma rozkład płaski. 6 metod˛e omówiono dokładniej w dodatku A 3.4 MC tła 22 3.4.2 Współczynnik wiarygodności dla sygnału i tła continuum Dysponujac ˛ rozkładami trzech zmiennych (F , cosθB , cosθH ) dla sygnału i tła continuum, można zastosować dwie odmienne techniki klasyfikacji zdarzeń. • Pierwszy sposób to zastosowanie ostrych ci˛eć na każda˛ zmienna˛ oddzielnie. Problemem w tym przypadku jest optymalny dobór ci˛eć, tak by znaczacość ˛ sygnału były maksymalna. Znaczacość ˛ sygnału (S) zdefiniowano jako: S=√ NS NS + NB (3.15) gdzie: NS - ilość zdarzeń sygnału (po ci˛eciach) NB - ilość zdarzeń tła (po ci˛eciach) • Drugi sposób to połaczenie ˛ trzech nieskorelowanych zmiennych w jedna˛ yL (i), na której dokonuje si˛e ci˛ecia maksymalizujacego ˛ znaczacość ˛ sygnału. Ta pojedyńcza zmienna to współczynnik wiarygodności dla zdarzenia i, że zdarzenie reprezentuje sygnał (S), pod warunkiem że może być tłem (B). Metoda znana jest w literaturze jako: Projective Likelihood Estimator (PLE) [20]. yL (i) = LS (i) LS (i) + LB (i) (3.16) Współczynniki wiarygodności sygnału i tła utworzono z funkcji g˛estości prawdopodobieństwa zmiennych: F , cosθB , cosθH . cosθB H LS (i) = pF (xcosθB (i)) × pcosθ (xcosθH (i)) S S (xF (i)) × pS cosθB cosθH F LB (i) = pB (xF (i)) × pB (xcosθB (i)) × pB (xcosθH (i)) (3.17) (3.18) Ponieważ analityczne postacie funkcji g˛estości prawdopodobieństwa nie sa˛ znane, to ich kształty aproksymowane sa˛ z rozkładów zmiennych w próbce MC. Funkcje g˛estości prawdopodobieństwa dla poszczególnych zmiennych znormalizowane sa˛ do 1. Z +∞ −∞ pkS(B) (xk )dk = 1 k = F , cosθB , cosθH (3.19) W przypadku gdy zmienne sa˛ w jakiś sposób skorelowane, współczynnik wiarygodności nie może być bezpośrednio utożsamiany z prawdopodobieństwem, że zdarzenie reprezentuje sygnał (tło). Mimo to metoda dalej zapewnia klasyfikacj˛e zdarzeń, lecz nie jest optymalna. W analizie zastosowano implementacj˛e metody PLE z pakietu TMVA[20]. Zakresy zmienności zmiennych: F , cosθB , cosθH znormalizowano do przedziału [0,1]. Dane wejściowe analizy stanowiły próbki MC z sygnałem i tłem7 z okna sygnałowego. Próbki zostały podzielone losowo na dwa równoliczne zbiory: treningowy i testowy. Do histogramów z rozkładami trzech zmiennych wypełnionymi danymi treningowymi dla sygnału i tła (rys.3.4) zastosowano interpolacj˛e funkcjami sklejanymi rz˛edu 2 (rys.3.5). Z otrzy- 3.4 MC tła 23 4 3 2 1 0 0 0.2 0.4 0.6 0.8 1 2 1.8 1.6 1.4 1.2 1 0.8 0.6 0.4 0.2 0 0.2 0.4 0.6 fisherN 0.8 2.5 U/O-flow (S,B): (0.0, 0.0)% / (0.0, 0.0)% Background U/O-flow (S,B): (0.0, 0.0)% / (0.0, 0.0)% Signal TMVA Input Variable: coshN Normalised TMVA Input Variable: cosbN Normalised 5 U/O-flow (S,B): (0.0, 0.0)% / (0.0, 0.0)% Normalised TMVA Input Variable: fisherN 2 1.5 1 0.5 0 1 0.2 0.4 0.6 cosbN 0.8 1 coshN Rysunek 3.4: Rozkłady zmiennych: F, cosθB , cosθH dla sygnału i tła fisherN signal training fisherN background training 300 Input data (signal) 240 Input data (backgr.) Estimated PDF (norm. signal) 220 Estimated PDF (norm. backgr.) 250 200 180 200 160 140 150 120 100 100 80 60 50 40 20 0 0 0 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 cosbN signal training 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 cosbN background training 90 200 Input data (signal) 180 Estimated PDF (norm. signal) 80 160 70 140 60 120 Input data (backgr.) Estimated PDF (norm. backgr.) 50 100 40 80 30 60 20 40 10 20 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 0 1 coshN signal training 1 coshN background training Input data (signal) 300 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 80 Input data (backgr.) Estimated PDF (norm. backgr.) Estimated PDF (norm. signal) 70 250 60 200 50 40 150 30 100 20 50 0 Rysunek 3.5: F, cosθB , cosθH 10 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 Wykresy funkcji 1 sklejanych 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 dopasowane do 1 rozkładów zmiennych 3.4 MC tła 24 manych funkcji g˛estości prawdopodobieństwa zormalizowanych do 1 utworzono klasyfikator yL . Ponieważ zmienne tworzace ˛ klasyfikator nie sa˛ ze soba˛ skorelowane, co pokazano na rys.3.6, to zmienna yL zapewnia optymalna˛ separacj˛e zdarzeń sygnału od tła continuum. Rozkład zmiennej yL dla danych treningowych i testowych przedstawiono na rysunku 3.7. Correlation Matrix (signal) Correlation Matrix (background) cos cosLinear correlation coefficients in % hN bN 100 fish erN fish cos cosLinear correlation coefficients in % hN bN 100 -3 -1 erN 80 100 1 coshN 80 coshN coshN 60 100 coshN 60 40 40 20 20 cosbN 0 100 cosbN cosbN 100 -1 cosbN 0 -1 -20 -20 -40 100 fisherN -40 -60 1 fisherN fisherN 100 -3 cos cos -60 -1 fisherN -80 fish hN bN erN -80 -100 cos cos fish -100 hN bN erN Rysunek 3.6: Macierze korelacji zmiennych: F, cosθB , cosθH dla próbek MC sygnału i tła 6 TMVA overtraining check for classifier: Likelihood Normalized Normalized TMVA response for classifier: Likelihood Signal Background 5 7 6 Signal (test sample) Signal (training sample) Background (test sample) Background (training sample) Kolmogorov-Smirnov test: signal (background) probability = 0.393 (0.806) U/O-flow (S,B): (0.0, 0.0)% / (0.0, 0.0)% 3 2 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 Likelihood response U/O-flow (S,B): (0.0, 0.0)% / (0.0, 0.0)% 5 4 4 3 2 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 Likelihood response Rysunek 3.7: Rozkład zmiennej yL dla danych treningowych i testowych Przy wyznaczeniu ci˛ecia na zmienna˛ yL rozważono dwie hipotezy co do współczynnika rozgał˛ezienia poszukiwanego rozpadu: a Br(B ± → φπ ± ) = 0.1 · 10−6 b Br(B ± → φπ ± ) = 0.5 · 10−6 Na podstawie wykresów znaczacości ˛ w zależności od zmiennej yL (rys.3.8) dla obu hipotez przyj˛eto wartość ci˛ecia: yL = 0.7. Zwi˛ekszanie ci˛ecia nie przyczynia si˛e do wzrostu znaczacości, ˛ wpływajac ˛ tylko na zmniejszenie ilości sygnału. Fluktuacje wartości znaczacości ˛ dla yL > 0.7 wynikaja˛ z małej ilości sygnału w stosunku do ilości tła. ¯ ss̄, z pomini˛eciem rozpadu na cc̄. W stanie końcowym nie ma Tło od procesów e+ e− → uū, dd, czastek ˛ z powabem. 7 25 Signal purity Signal efficiency*purity S / S+B Signal efficiency Efficiency (Purity) Background efficiency Significance 3.4 MC tła 0.45 1 0.4 0.35 0.8 0.3 0.6 0.25 0.2 0.4 0.15 0.2 0 0.1 For 5 signal and 1106 background events the maximum S / S+B is 0.4355 when cutting at 0.9579 0.1 0.2 0.3 0.4 0.5 0.05 0.6 0.7 0.8 0.9 0 1 Signal purity Signal efficiency*purity S / S+B Signal efficiency Efficiency (Purity) Background efficiency 1.6 1 1.4 0.8 1.2 Significance Likelihood output 1 0.6 0.8 0.4 0.6 0.4 0.2 0 For 25 signal and 1106 background events the maximum S / S+B is 1.5190 when cutting at 0.7621 0.1 0.2 0.3 0.4 0.5 0.2 0.6 0.7 0.8 0.9 0 1 Likelihood output Rysunek 3.8: Wykresy znaczacości ˛ w zależności od ci˛ecia dla hipotezy a (górny) i b (dolny) 3.4 MC tła 26 3.4.3 Tło od rozpadów rzadkich Rzadkie rozpady bez powabu stanowiace ˛ tło dla poszukiwanego rozpadu to: B ± → φK[21] i B ± → φK ∗± [22]. Wpływ od tego typu rozpadów uwzgl˛ednia si˛e poprzez wyodr˛ebnienie danej składowej w rozkładzie zmiennej ∆E podczas dopasowywania funkcji. Wygenerowane próbki (105 przypadków) MC z rozpadami rzadkimi przepuszczono przez analiz˛e uzyskujac ˛ nast˛epujace ˛ wydajności rekonstrukcji (ǫM C ): Rozpad B ± → φπ ± B ± → φK ± B ± → φK ∗± ǫM C (%) 7.47±0.09 7.25±0.02 0.23±0.02 W dalszej analizie nie uwzgl˛edniono wkładu od B ± → φK ∗± z uwagi na niewielka˛ wydajność rekonstrukcji. Zanieczyszczenie sygnału przypadkami z nierezonansowego rozpadu: B ± → K + K − π ± jest zaniedbywalne ze wzgl˛edu na mała˛ szerokość φ (∼ 5MeV ). Strategi˛e poszukiwania rozpadu B ± → φπ ± (sygnał) oparto na założeniu, że jest on co najmniej 20 razy rzadszy niż rozpad B ± → φK ± (tło). Z uwagi na przewidywana˛ niska˛ ilość sygnału zastosowano jednoczesne dopasowywanie funkcji do sygnału i tła. Dysponujac ˛ próbka˛ MC z sygnałem i tłem przygotowano skrypt8 do równoczesnego dopasowywania dwuwymiarowej (Mbc , ∆E) funkcji dla dwóch próbek z ci˛eciami: PID(K)0.6 (rys.3.9) i PID(K)<0.6 (rys.3.10). Do rozkładów sygnału i tła w zmiennych Mbc i ∆E dopasowano funkcje gaussa. W zmiennej ∆E wartość średnia gaussa dla tła przesuni˛eta jest o ok. 45 MeV w lewo, w stosunku do średniej gausa dla sygnału. Wynika to z obecności kaonu zamiast pionu w stanie końcowym. Dopasowanie wykonano dla ilości rozpadów B ± → φK ± ok.17 razy wi˛ekszej niż jest dost˛epna w eksperymencie. Znaczacość ˛ statystyczna˛ sygnału wynosiła ok. 36σ. Miar˛e znaczacości ˛ statystycznej sygnału dla metody najwi˛ekszej wiarygodności zdefiniowano jako: σ= q −2ln(L0 /LNs ) (3.20) σ - odchylenie standardowe (wartość −2ln(L0 /LNs ) pochodzi z rozkładu χ2 ) L0 - wartość L przy ustawionej na 0 ilości sygnału LNs - wartość L przy ilości sygnału ustawionej jako parametr dopasowywania Dla ilości rozpadów B ± → φK ± wyliczonej na podstawie dost˛epnej ilości9 danych eksperymentalnych znaczacość ˛ sygnału wynosiła ok.12σ. (B ± →φπ ± ) Przydatność opisanej metody sprawdzono dla NN(B ± →φK ± ) ∈ (0.01, 0.1). Wykres zależności stosunków cz˛estości rozpadu sygnału i tła od stosunków ilości zdarzeń sygnału i tła przedstawiono na rys.3.11. Do zależności dopasowano prosta,˛ której wartości współczynników świadcza˛ o liniowości “fittera“ w badanym zakresie stosunków cz˛estości rozpadów. Jakość dopasowania prostej jest nieprawdziwa, ponieważ bł˛edy poszczególnych punktów sa˛ skorelowane. Korelacje bł˛edów wynikaja˛ z używania tych samych próbek zmieniajac ˛ tylko ich liczebność. 8 9 omówienie skryptu w dodatku B NB B̄ = (656.725 ± 8.940) · 106 (dla eksperymentów: 7 - 55) Events / ( 0.01 GeV ) 3.4 MC tła 27 1800 1600 1400 1200 1000 800 600 400 200 0 -0.1 Events / ( 0.005 GeV ) BFphiK = BFphipi = 0 152.7 +/- 1.8 0.1 ∆ E [GeV] -6 7.90 +/- 0.34 10 -6 10 c1_1 = -3.66 +/- 1.3 GeV^-1 5000 kappa_1 = -100.00 +/- 2.2 m2de_1 = -0.044561 +/- 0.00020 GeV 4000 3000 2000 mMbc_1 = 5.280105 +/- 0.000028 GeV nbkg_1 = 46.8 +/- 8.1 nbkg_2 = 22.0 +/- 5.5 s1de_1 = 0.01245 +/- 0.00065 GeV s1de_2 = 0.01229 +/- 0.00058 GeV s2de_1 = 0.01516 +/- 0.00016 GeV sMbc_1 = 0.002520 +/- 0.000020 GeV 5.25 5.26 1000 0 5.27 5.28 5.29 M bc [GeV/c2] Rysunek 3.9: Dwuwymiarowe dopasowanie (Mbc , ∆E) dla sygnału i tła od B ± → φK ± z ci˛eciem PID(K) 0.6 Events / ( 0.01 GeV ) 3.4 MC tła 28 200 180 160 140 120 100 80 60 40 20 0 -0.1 Events / ( 0.005 GeV ) BFphiK = 900 BFphipi = 0 152.7 +/- 1.8 0.1 ∆ E [GeV] -6 7.90 +/- 0.34 10 -6 10 c1_1 = -3.66 +/- 1.3 GeV^-1 800 700 600 500 kappa_1 = -100.00 +/- 2.2 m2de_1 = -0.044561 +/- 0.00020 GeV mMbc_1 = 5.280105 +/- 0.000028 GeV nbkg_1 = 46.8 +/- 8.1 nbkg_2 = 22.0 +/- 5.5 s1de_1 = 0.01245 +/- 0.00065 GeV s1de_2 = 0.01229 +/- 0.00058 GeV s2de_1 = 0.01516 +/- 0.00016 GeV sMbc_1 = 0.002520 +/- 0.000020 GeV 5.25 5.26 400 300 200 100 0 5.27 5.28 5.29 M bc [GeV/c2] Rysunek 3.10: Dwuwymiarowe dopasowanie (Mbc , ∆E) dla sygnału i tła od B ± → φK ± z ci˛eciem PID(K) < 0.6 BFphipi/BFphiK po minimalizacji 3.4 MC tła 29 0.12 0.1 χ2 / ndf 1.088 / 17 p0 -0.001224 ± 0.002293 p1 0.9977 ± 0.09818 0.08 0.06 0.04 0.02 0.05 0.1 stosunek wielokosci probek phipi/phik Rysunek 3.11: Zależność dopasowań BF (B ± → φπ ± ) i BF (B ± → φK ± ) od stosunków wielkości próbek z rozpadami. Czerwona˛ strzałka˛ zaznaczono wartość stosunku ilości danych 1 ) dla której wykonano rysunki 3.9 i 3.10 ( 20 3.5 Konkluzje 30 3.5 Konkluzje Po uwzgl˛ednieniu ci˛ecia: yL > 0.7 wydajności rekonstrukcji sygnału i tła rzadkiego dla próbek MC wynosza: ˛ Rozpad ± B → φπ ± B ± → φK ± ǫyMLC (%) 4.63±0.07 3,98±0.06 Przy dost˛epnej ilości par B B̄ znaczacość ˛ sygnału dla podanych hipotez wynosiłaby: Hipoteza na Br(B ± → φπ ± ) S[σ] 0.1 · 10−6 ∼ 0.3σ. −6 0.5 · 10 ∼ 1.5σ. 5 b N S / sqrt(N S + N B) Dost˛epna obecnie statystyka par B B̄ nie pozwala przedstawiona˛ w pracy metoda˛ zaobserwować (S 3σ) poszukiwanego rozpadu. Na rysunku 3.12 przedstawiono jaka statystyka jest potrzebna, przy uwzgl˛ednieniu obu hipotez, aby możliwe było odkrycie (S 5σ) rozpadu B ± → φπ ± . 4 3 2 1 a 2000 4000 6000 8000 N BB [* 106] Rysunek 3.12: Zależność znaczacości ˛ od ilości par B B̄ dla dwóch hipotez a) Br = 0.1 · 106 i b) Br = 0.5 · 106 Rozdział 4 Podsumowanie Oczekuj˛e, że metoda˛ opisana˛ w tej pracy możliwa byłaby obserwacja rozpadu B ± → φπ ± przy statystyce ∼ 3.2 · 109 par B B̄, czyli 5 razy wi˛ekszej niż obecnie dost˛epna. W oszacowaniu założono, że współczynnik rozgał˛ezienia wynosi: Br(B ± → φπ ± ) = 0.5 · 10−6 . Otrzymanie sygnału o znaczacości ˛ co najmniej 5σ wymagałoby statystyki ok. 12 razy wi˛ekszej niż obecnie dost˛epna. Ewentualne odkrycie tego rozpadu możliwe b˛edzie dopiero po uzyskaniu danych z ”super fabryki B“ (SuperKEKB) w eksperymencie SuperBelle. Poszukiwany rozpad był również tematem pracy [23], której autor wykonał analiz˛e na danych o świetlności 375 f b−1 . Na podstawie swojej analizy wyznaczył On górne ograniczenia na wartość współczynnika rozgał˛ezienia poszukiwanego rozpadu na: 0.22 · 106 . Dodatek A Dyskryminanta Fishera Dyskryminanta Fishera[24] (DF) to jedna z metod analizy wielowymiarowej[25], której celem jest projekcja z wielowymiarowej przestrzeni cech na jeden kierunek (wektor wag w), ~ a nast˛epnie separacja przypadków na dwie klasy (np: zdarzeń sygnału i tła). Wybrany kierunek ma t˛e własność, że maksymalizuje odległość wartości średnich i minimalizuje wariancj˛e każdej klasy. W liniowej DF klasyfikator y jest liniowa˛ funkcja˛ argumentu ~x, tj. wektora wartości cech. y = f (w ~ · ~x) = f X j wj · xj (A.1) Funkcja f to funkcja progowa, która rzutuje wartości iloczynu argumentu ~x i wektora wag w ~ na jedna˛ z dwóch klas. Klasyfikator liniowy ma zastosowanie w sytuacjach gdzie istotna jest szybkość klasyfikacji, także przy wysokowymiarowej przestrzeni cech. W przypadku tej analizy klasyfikator liniowej DF dany jest jako: F= X i=1,8 λi · xi (A.2) gdzie: xi - wybrane momenty Foxa-Wolframa, trust, sferyczność λi - współczynniki ustalane na podstawie minimalizacji funkcji D(~λ): S λi (µB i − µi ) D(~λ) = − qP i B S i,j λi λj (Uij + Uij ) P (A.3) gdzie: µSi , µB i - wartości oczekiwane rozkładów sygnału (S) i tła (B) dla zmiennej xi S Uij , UijB - współczynniki macierzy kowariancji rozkładów sygnału (S) i tła (B) dla zmiennych xi i xj Współczynniki λi minimalizujace ˛ funkcj˛e D maja˛ postać: λi = X j S (UijB + UijS )−1 (µB j − µj ) (A.4) Wartości λi wyliczane sa˛ z rozkładów zmiennych xi na próbkach MC dla sygnału i continuum. 33 DF zapewnia optymalna˛ separacj˛e dla liniowo skorelowanych zmiennych o rozkładach normalnych. Parametry tych rozkładów musza˛ spełniać dwa warunki: różne wartości oczekiwane oraz podobne kształty (równe średnie kwadratowe (rms)). W przeciwnym razie metoda nie zapewnia separacji. Dodatek B Warsztat Z uwagi na niska˛ statystyk˛e zdarzeń do dopasowywania funkcji użyto rozszerzonej metody najwi˛ekszej wiarygodności na niebinowanych danych. W ten sposób otrzymuje si˛e mniejsze niepewności dopasowywania niż dla danych zbinowanych, co jest ważne przy małej próbce i wielowymiarowym dopasowywaniu. W rozszerzonej metodzie dopasowywana zależność normalizowana jest do estymowanej ilości zdarzeń sygnału (S(x)) i tła (B(x)). Wartości te pochodza˛ z rozkładu Poissona, którego parametrem jest zaobserwowana ilość sygnału i tła (NS + NB ) dla próbki zawierajacej ˛ k przypadków. Stad ˛ norma modelu też jest parametrem przy dopasowywaniu. Ogólna postać modelu ME (x) i minimalizowanej statystyki L(xi , pi ) to: ME (x) = NS (NS + NB )k e−NS −NB NB S(x) + B(x) + NS + NB NS + NB k! k X (NS + NB )k e−NS −NB −logL(xi , pi) = − logME (xi ) − k! i=dane (B.1) (B.2) Metoda najwi˛ekszej wiarygodności w odróżnieniu od metody najmniejszych kwadratów nie posiada miary jakości dopasowania[27]. Do dopasowywania funkcji użyto pakietu RooFit[26], stanowiacego ˛ zestaw narz˛edzi do modelowania, wizualizacji i obliczania parametrów rozkładów zmiennych losowych. Do minimalizacji i obliczania niepewności statystyk testowych w RooFicie wykorzystywany jest pakiet TMinuit z ROOTa[28]. Skrypt do równoczesnego dopasowywania dwuwymiarowej funkcji dla dwóch zbiorów danych: #ifndef __CINT__ #include "RooGlobalFunc.h" #endif using namespace RooFit ; void fit9a_mgr() { // Obserwable 35 RooRealVar pkzpi("pkzpi","pkzpi",0.0,0.0,1.0); RooRealVar deltae("deltae","deltae",-0.15,0.15,"GeV"); RooRealVar Mbc("Mbc","Mbc",5.279,5.245,5.295,"GeV"); RooArgSet ntupleVarSet(pkzpi,deltae,Mbc); // tło - phiK TFile *file2 = new TFile("analiza_b_phik.root"); TTree *tree2 = file2->Get("h18"); Long64_t nentries2 = tree2->GetEntries(); // ~7000 // sygnał - phiPi TFile *file1 = new TFile("analiza_b_phipi.root"); TTree *tree1 = file1->Get("h18"); Long64_t nentries1 = tree1->GetEntries(); // ~7000 tree1->SetEntries(nentries2/20); // 20 x mniej phipi niz phik // kategorie - podzbiory danych RooCategory sample("sample","title: sample"); sample.defineType("Fit1"); // (phiK + phipi) + sample.defineType("Fit2"); // (phiK + phipi) + ci˛ ecie: pkzpi => 0.6 ci˛ ecie: pkzpi < 0.6 // przygotowanie próbek !!!! RooDataSet *dsphiktemp = new RooDataSet("dsphiktemp","dsphiktemp", ntupleVarSet,Import(*tree2)); RooDataSet *dsphik1 = dsphiktemp->reduce(Cut("pkzpi >= 0.6")); RooDataSet *dsphik2 = dsphiktemp->reduce(Cut("pkzpi < 0.6")); RooDataSet *dsphipi = new RooDataSet("dsphipi","dsphipi", ntupleVarSet,Import(*tree1)); dsphik1->append(*dsphipi); dsphik2->append(*dsphipi); RooDataSet dataSetAllFit("dataSetAllFit","",RooArgSet(deltae,Mbc), Index(sample),Import("Fit1",*dsphik1),Import("Fit2",*dsphik2)); /********************************************************************/ // parametry modeli: // Nsig_i = BF * eff_i * NBBar // S1 = BFphipi * eff_phipi * NBBar RooRealVar BFphipi("BFphipi","BFphipi",0.05,0.0,1000.0," 10^{-6}"); RooRealVar eff_phipi("eff_phi","eff_phipi",0.07,0.0,1.0); eff_phipi.setVal(0.074); // wydajność rekonstrukcji rozpadu z MC eff_phipi.setConstant(); RooRealVar NBBar("NBBar","NBBar",800.0,0.0,1000.0," 10^{6}"); NBBar.setVal(650);//Total N(BB) for Exp.7-55: (656.725+/-8.940)x10^6 NBBar.setConstant(); // S2 = BFphiK * eff_phik1 * NBBar 36 RooRealVar BFphiK("BFphiK","BFphiK",9.0,0.0,1000.0," 10^{-6}"); RooRealVar eff_phik1("eff_phik1","dla pkzpi >= 0.6",0.05,0.0,1.0); eff_phik1.setVal(0.064); // wydajność rekonstrukcji rozpadu z MC eff_phik1.setConstant(); // S3 = BFphiK * eff_phik2 * NBBar RooRealVar eff_phik2("eff_phik2","dla pkzpi < 0.6",0.02,0.0,1.0); eff_phik2.setVal(0.0079); // wydajność rekonstrukcji rozpadu z MC eff_phik2.setConstant(); RooFormulaVar S1("S1","ilosc sygnalu w phipi","@0*@1*@2", RooArgSet(BFphipi,eff_phipi,NBBar)); RooFormulaVar S2("S2","ilosc sygnalu w phik1","@0*@1*@2", RooArgSet(BFphiK,eff_phik1,NBBar)); RooFormulaVar S3("S3","ilosc sygnalu w phipi2","@0*@1*@2", RooArgSet(BFphiK,eff_phik2,NBBar)); // definicje dwóch modeli // FIT 1 // SIGNAL RooRealVar m1de_1("m1de_1","meanOfGauss",0.0,-0.2,0.2,"GeV"); m1de_1.setConstant(); // "zamrażamy" mean dla phipi !!! RooRealVar s1de_1("s1de_1","sigmaOfGauss",0.01,0.0,0.05,"GeV"); RooGaussian g1de_1("g1de_1","signalPeak",deltae,m1de_1,s1de_1); RooRealVar m2de_1("m2de_1","meanOfGauss",-0.045,-0.2,0.2,"GeV"); RooRealVar s2de_1("s2de_1","sigmaOfGauss",0.01,0.0,0.05,"GeV"); RooGaussian g2de_1("g2de_1","signalPeak",deltae,m2de_1,s2de_1); RooAddPdf g12de_1("g12de_1","g1de_1+g2de_1", RooArgList(g1de_1,g2de_1),RooArgList(S1,S2)); RooRealVar mMbc_1("mMbc_1","meanOfGauss",5.279,5.265,5.295,"GeV"); RooRealVar sMbc_1("sMbc_1","sigmaOfGauss",0.01,0.0,0.05,"GeV"); RooGaussian gMbc_1("gMbc_1","signalPeak",Mbc,mMbc_1,sMbc_1); RooProdPdf sig_1("sig_1","sig",RooArgList(g12de_1,gMbc_1)); // BACKGROUND RooRealVar c1_1("c1_1","slopeOfBkgd",0.0,-1000,1000,"GeV^-1"); RooPolynomial bkgdeltae_1("bkgdeltae_1","linearFunctionForBkgd", deltae,RooArgList(c1_1)); // f(deltae)=1.0+c1*deltae RooRealVar massmax_1("massmax_1","massEndpoint",5.291); RooRealVar kappa_1("kappa_1","#kappa: argusSlope",-30,-100,0); RooArgusBG bkgMbc_1("bkgMbc_1","bkgMbc",Mbc,massmax_1,kappa_1); RooProdPdf bkg_1("bkg_1","bkg",RooArgSet(bkgdeltae_1,bkgMbc_1)); // model RooFormulaVar nsig_1("nsig_1","@0+@1",RooArgList(S1,S2)); //N=S1+S2 RooRealVar nbkg_1("nbkg_1","N(bkgd)",0,0,100000); RooAddPdf totalPdf_1("totalPdf_1","sumOfSignalAndBkgd pdf’s", RooArgList(sig_1,bkg_1),RooArgList(nsig_1,nbkg_1)); 37 // FIT 2 // SIGNAL RooRealVar m1de_2("m1de_2","meanOfGauss",0.0,-0.2,0.2,"GeV"); m1de_2.setConstant(); // "zamrażamy" mean dla phipi !!! RooRealVar s1de_2("s1de_2","sigmaOfGauss",0.01,0.0,0.05,"GeV"); RooGaussian g1de_2("g1de_2","signalPeak",deltae,m1de_2,s1de_2); RooGaussian g2de_2("g2de_2","signalPeak",deltae,m2de_1,s2de_1);//!! RooAddPdf g12de_2("g12de_2","g1de_2+g2de_2", RooArgList(g1de_2,g2de_2),RooArgList(S1,S3)); RooGaussian gMbc_2("gMbc_2","signalPeak",Mbc,mMbc_1,sMbc_1);//!! RooProdPdf sig_2("sig_2","sig",RooArgList(g12de_2,gMbc_2)); // BACKGROUND - na obu fitach ten sam kształt tła, inna norma // model RooFormulaVar nsig_2("nsig_2","@0+@1",RooArgList(S1,S3)); //N=S1+S3 RooRealVar nbkg_2("nbkg_2","N(bkgd)",0,0,100000); RooAddPdf totalPdf_2("totalPdf_2","sumOfSignalAndBkgd pdf’s", RooArgList(sig_2,bkg_1),RooArgList(nsig_2,nbkg_2)); /********************************************************************/ // fitowanie RooSimultaneous simPdf("simPdf","simultaneous Pdf",sample) ; simPdf.addPdf(totalPdf_1,"Fit1"); simPdf.addPdf(totalPdf_2,"Fit2"); RooFitResult* fitLMax = simPdf.fitTo(dataSetAllFit,Minos(true), Save(true),Extended(true)); /********************************************************************/ // rysunki RooPlot* deltaeframe1 = deltae.frame(Bins(30),Name("deltae"), Title("delta E of B candidates : pkzpi >= 0.6")); dataSetAllFit.plotOn(deltaeframe1,Cut("sample==sample::Fit1")); simPdf.plotOn(deltaeframe1,Slice(sample,"Fit1"), ProjWData(sample,dataSetAllFit)); RooPlot* Mbcframe1 = Mbc.frame(Bins(10),Name("Mbc"), Title("Mbc of B candidates : pkzpi >= 0.6")); dataSetAllFit.plotOn(Mbcframe1,Cut("sample==sample::Fit1")); simPdf.plotOn(Mbcframe1,Slice(sample,"Fit1"), ProjWData(sample,dataSetAllFit)); simPdf.paramOn(Mbcframe1,Layout(0.15,0.50,1.0), Format("NEU",AutoPrecision(2))); 38 Mbcframe1->getAttText()->SetTextFont(102); Mbcframe1->getAttText()->SetTextSize(0.025); RooPlot* deltaeframe2 = deltae.frame(Bins(30),Name("deltae"), Title("delta E of B candidates : pkzpi < 0.6")); dataSetAllFit.plotOn(deltaeframe2,Cut("sample==sample::Fit2")); simPdf.plotOn(deltaeframe2,Slice(sample,"Fit2"), ProjWData(sample,dataSetAllFit)); RooPlot* Mbcframe2 = Mbc.frame(Bins(10),Name("Mbc"), Title("Mbc of B candidates : pkzpi < 0.6")); dataSetAllFit.plotOn(Mbcframe2,Cut("sample==sample::Fit2")); simPdf.plotOn(Mbcframe2,Slice(sample,"Fit2"), ProjWData(sample,dataSetAllFit)); simPdf.paramOn(Mbcframe2,Layout(0.15,0.50,1.0), Format("NEU",AutoPrecision(2))); Mbcframe2->getAttText()->SetTextFont(102); Mbcframe2->getAttText()->SetTextSize(0.025); TCanvas *c = new TCanvas("c","c",1200,800); c->Divide(2,2); c->cd(1); deltaeframe1->Draw(); c->cd(2); Mbcframe1->Draw(); c->cd(3); deltaeframe2->Draw(); c->cd(4); Mbcframe2->Draw(); // Obliczenie znaczacości ˛ statystycznej(ang.significance) dla BFphipi BFphipi.setVal(0.0); // => S1 = 0 BFphipi.setConstant(); RooFitResult* fitL0 = simPdf.fitTo(dataSetAllFit,Minos(true), Save(true),Extended(true)); double LogMax = fabs(fitLMax->minNll()); double Log0 = fabs(fitL0->minNll()); double s = LogMax - Log0; // = - ln(L0/LMax) double significance; if(s < 0.0) { std::cout << "Negative squared significance" << std::endl; std::cout << LogMax << " " << Log0 << std::endl; significance = 0.0; } else { significance = sqrt(2.0*s); } std::cout << "significance = " << significance << std::endl; } Bibliografia [1] J.H.Christenson, J.W.Cronin, V.L.Fitch, R.Turlay: Phys. Rev. Lett. 13, 138 (1964) [2] K.Abe et al., [Belle Collab.], Phys. Rev. Lett. 87, 091802 (2001) [3] E. Barberio et al., [HFAG Collab.], arXiv:0704.3575 [hep-ex] (2007) [4] G.C.Branco, L.Lavoura, J.P.Silva: CP Violation, Clarendon Press, Oxford (1999). [5] A. Riotto: Theories of baryogenesis, arXiv:hep-ph/9807454 (1998) [6] R.F.Streater, A.S.Wightman: PCT, Spin and Statistics and All That, Addison-Wesley, New York (1989) [7] P.F.Harrison, H.R.Quinn, editors [BABAR Collab.]: The BABAR physics book: Physics at an asymmetric B factory, SLAC-R-0504, (1998) [8] R.Fleischer: Mixing-induced CP violation in the decay Bd → K 0 K̄ 0 within the standard model, Phys. Lett. B, Vol. 341, 29 Dec. 1994, Pages 205-212 [9] B.Mawlong, R.Mohanta, A.K.Giri: Signature of new physics in B → φπ decay, arXiv:0804.1231v3 [hep-ph] (2008) [10] B.Aubert et al., [Babar Collaboration], Phys. Rev. D 74, 011102 (2006). [11] F.Takasaki: Status of KEKB accelerator and detector BELLE, arXiv:hepex/9912004v1 (1999) [12] Aktualne dane na temat świetlności http://belle.kek.jp/bdocs/lum_record.html akceleratora KEKB: [13] A. Abashian et al., The Belle Detector, Nucl. Instrum. Meth., A479:117–232, (2002) [14] I.Adachi, T.Hibinoa, L.Hinzb, R.Itoh et al., Belle Computing System, arXiv:cs/0403015v2 (2004) [15] A.Ryd, D.Lange i inni, EvtGen, A Monte Carlo Generator for B-Physics, EvtGen V00-11-06 (2004) [16] KID group, T.Hamasaki, T.Iijima, et al: Kaon Identification at Belle, Belle Note 321, ver. 3 (2000) BIBLIOGRAFIA 40 [17] B.Casey: HadronB, Belle Note 390 (2001) [18] T.Sjöstrand, S.Mrenna, P.Skands: Pythia 6.4, Physics and Manual (2006) [19] G.C.Fox, S.Wolfram: Observables for the Analysis of Event Shapes in e+ e− Annihilation and Other Processes, Phys. Rev. Lett. 41 (1978) [20] A.Höcker, P.Speckmayer et al.: TMVA - Toolkit for Multivariate Data Analysis with ROOT - Users Guide, arXiv:physics/0703039v4 (2007) [21] A.Bozek: Charmless B decays involving vector mesons in Belle, arXiv:hepex/0104041 (2001) [22] K.F.Chen, A.Bozek, et al (the Belle Collaboration): Measurement of branching fractions and polarization in B → φK ∗ decays, arXiv:hep-ex/0307014v2 (2003) [23] J.H.Kim, M.Nakao, Y.I.Choi: Study of B → φπ with 605 f b−1 , Belle Note 1040, ver. 1.1 (2008) [24] R.A.Fisher: The Use of Multiple Measurements in Taxonomic Problems, Annals Eugen., 7:179–188 (1936) [25] M.Wolter: Multivariate analysis methods in physics, Physics of Particles and Nuclei, Volume 38, Issue 2, pp.255-268 (2007) [26] W.Verkerke, D.Kirkby: RooFit Users Manual v2.91-33 [27] J.Heinrich: Pitfalls of Goodness-of-Fit from Likelihood, arXiv:physics/0310167v1 (2003) [28] The ROOT team: ROOT - Users Guide 5.21