Bachelorarbeit Woche 3 (15.5. - 19.5.

Durch Cuts: Events werden begrenzt und eingeschränkt

Beispiel: mt>130 —> erst ab mt>130 GeV werden die Events betrachtet —>
Bereich wird eingegrenzt
Preselection (Vorauswahl) durch Cuts: ich hab nur im CR (Control Region)
gecuttet, da SR (Signal Region) sehr hässlich wird (wenn man es plottet)
Cuts: Begrenzung der Events auf SR oder CR oder andere Regionen
Die Variablen (Cuts) mt, amt2, met sind immer in der Einheit GeV
angegeben
ttbar1L: W—>Neutrino und Lepton (entweder ein Elektron oder ein Myon)
ttbar2L W—> Neutrino und Lepton (beides: Elektron und Myon möglich)
Normierungsfaktor: n = #Daten/#Monte-Carlo-Events

Anfangs zunächst wieder nur sinnlos viel rumgeplottet

Verschiedenste Plots mit den Samples 1L und 2L durchgeführt
Plots mit variierten Cuts durchgeführt und miteinander verglichen
für Bachelorarbeit am besten immer PDF Plots verwenden, da diese schöner
dargestellt sind
Mit Cuts wird ein bestimmter Bereich eingegrenzt, damit man besser alles
analysieren kann —> Begrenzung auf weniger Events
Control-Region: Bereich, wo nur bestimmte Signale enthalten sind, die einem
bekannt sind
Signal-Region: viele auch unbekannte Signale können darin enthalten sein
 Cuts wie z.B. met, amt2 und mt sind in GeV gegeben
wenn man Cuts verändert, dann gibt es veränderte Verteilungen zu sehen, wenn
man andere Variablen plottet —> werden neu (normal-)verteilt
Wenn trotz veränderte mt oder met (bsp.) die Schwankungen gleich (und gering)
bleiben —> robust gegen die Systematik —> sehr stabil insgesamt
Bsp. 2 Diagramme mit verschiedenen mt-Werten (mt30 und mt60): —> Variable
mt: 2 identische Plots, nur das bei mt60 erkennbar ist, wie der vordere Abschnitt
von mt30 weggeschnitten wurde —> für Plot der Variable mt direkt sind eigentlich
beide (mt30 und mt60) genau gleich mit Cuts , aber für andere Variablen (njet,
met, dphi ,HT,…) ergeben sich dadurch komplett neue Verteilungen (wenn man
mt variiert z.B.) —> Achtung: evtl. Veränderte Event-Skala!
Hauptvariablen in der Analyse: amt2 und dphi
Unterschiede bei anderen Variablen (bei veränderter mt oder met)
—> Kurvenverlauf der Events (z.B. stärkerer Abfall …), größere/kleinere
Abweichungen
je mehr Jets, umso größer die Abweichung
warum bleibt es so stabil? —> wir brauchen neue Methoden, um es
herauszufinden —> 1. Schritt: Cuts von dphi und amt2 verändern und
miteinander vergleichen
Aufgabe: Cuts definieren: mt30 (mt>30) und met230 (met>230); dphi-Cut
entfernen und die Variablen plotten: amt2<110 und amt2<170 (Einheit hier: GeV)
—> Beobachten: wie stark ist der Einfluss auf andere geplottete Variablen durch
Änderungen der Cuts von amt2
Aufgabe: zu plottende Variablen: amt2, dphi , met, njet, HT, mt, lep_pt mit den
Samples ttbar1L und ttbar2L mit den Cuts mt>130, met>230, dphi<2.5, dphi>2.5,
amt2<130, amt2>130
git Statusabfrage: git status
git Update: git pull
 Aufgabe: neue (selbst definierte) Variablen finden, die diskriminierend sind: erste
eigene Variable: lt = met + pt
Einschub (keine Ahnung wieso mir das an der Stelle auf einmal gezeigt wurde):
—> neues Skript: cut-tree.py
Was machts: Input in Skript rein —> Verarbeitung —> Output: wirft alle Events
raus, die sich außerhalb des Cuts befinden
Nutzung: cut-tree.py - - help:
—> cut-tree.py<source directory> <destination directory> (<cuts>)
Verzeichnis: ~/mycode/bachelor-SoSe17/ML/scripts/cut-tree.py
Quellverzeichnis: /project/etp5/dhandl/samples/SUSY/Stop1L/powheg_ttbar/
Zielverzeichnis(Speicherort): /project/etp5/edo/samples/powheg_ttbar/
Einschub Ende
Interactive Python (ipython) kann man verwenden, aber ich soll es lieber in einem
Editor programmieren
A. import ROOT
B. Datei laden: f=ROOT.TFile(„Filename“) —> Ausgabe mit f
C. ROOT.TBrowser()
D. Tree: t = f.Get(„Filename“) —> t
E. # Events: t.GetEntries()
F. n = t.Get.Entries() —> n
G. type(n)
H. for i in range(n): print i (Zählen beginnt schon ab Null!!!)
Ausführen in ipython: execfile(„Filename“)
Variable = branch = leaf
for i in range(n):
print i
t.GetEntry(i)
print „met=“ , t.GetLeaf(„met“).GetValue()
print „…“,.t.GetLeaf(„…“).GetValue(„.…“)
—> Output: Event 0, Var1=Wert1, Var2=Wert2
Aufgabe: neue Variablen definieren und am Ende in ROOT Browser reintun
neue Variable: lt = met + lep_pt
Aufgabe: neue Variable in Tree mit einbauen (SetBranchAddress…) —>
schlaues Skript in Python -Syntax schreiben damit es klappt