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