Analisi Statistica dei dati nella Fisica Nucl. e Subnucl. [Laboratorio  ] Laboratorio Analisi Statistica dei Dati per HEP - G.Sirri - 20141 Gabriele Sirri.

Slides:



Advertisements
Presentazioni simili
Trieste, 26 novembre © 2005 – Renato Lukač Using OSS in Slovenian High Schools doc. dr. Renato Lukač LinuxDay Trieste.
Advertisements

Esempi di analisi dati con ROOT
Shell: variabili di sistema PATH HOME USER PWD SHELL HOSTNAME HOSTTYPE Per visualizzare il valore di tutte le variabili dambiente si usa il comando set.
Risore sul web (JavaScript) tm
Costruzione di Interfacce Lezione 10 Dal Java al C++ parte 1
Adattamento dal testo Build your English di M. Gotti – ATLAS 1984 Click to continue Questo lavoro è rilasciato sotto i termini della licenza Creative Commons.
Classi e Oggetti.
Esercitazione 2 – Generazione di variabili Matlab.
Java Collections.
Image Compression Gaussian Noise 14/04/2010 Francesca Pizzorni Ferraese.
Histogram and region based processing
Come nella stampa tradizionale, un giornale online può essere di informazione informazione o un periodico dedicato a una disciplina specifica.
/ Elementi di C++ Introduzione a ROOT , Laboratorio Informatico ROOT warm up , Laboratorio Informatico Introduzione a.
/ Elementi di C++ Introduzione a ROOT , Laboratorio Informatico ROOT warm up , Laboratorio Informatico Introduzione a.
Distribuzione del numero di alleli condivisi da coppie di fratelli e di non-parenti tipizzati rispettivamente per 5, 9 e 13 markers.
UG40 Energy Saving & Twin Cool units Functioning and Adjustment
/ Elementi di C Introduzione a ROOT , Laboratorio Informatico ROOT warm up , Laboratorio Informatico Introduzione.
Metodi Quantitativi per Economia, Finanza e Management A.A. 2014/2015
/ Elementi di C Introduzione a ROOT , Laboratorio Informatico ROOT warm up , Laboratorio Informatico Introduzione.
Il Futuro The Future Tense.
Oggi è il due marzo LO SCOPO: Usiamo il passato prossimo. FATE ADESSO: Tirate fuori il compito.
The Information School of the University of Washington University of Washington1 Introduzione INFO/CSE 100, Spring 2005.
Analisi Statistica dei dati nella Fisica Nucl. e Subnucl. [Laboratorio] 26/03/2015Analisi Statistica dei Dati in Fis. Nucl. e Subnucl. - G.Sirri1 Gabriele.
Ontologia AA F. Orilia. Lez. 16 Discussione dell'approccio controfattualista di lewis condotta da Antonio De Grandis.
4/20/20151 Metodi formali dello sviluppo software a.a.2013/2014 Prof. Anna Labella.
Analisi Statistica dei dati nella Fisica Nucl. e Subnucl. [Laboratorio  ] Laboratorio Analisi Statistica dei Dati per HEP - G.Sirri Gabriele Sirri.
Metodi Quantitativi per Economia, Finanza e Management Lezioni n° 7-8.
Sicurezza II, A.A. 2011/2012 OpenID Speaker: André Panisson, PhD student Università degli Studi di Torino, Computer Science Department Corso Svizzera,
WE CLEAN THE WORLD FOR A BETTER FUTURE. EARTH DAY.
MyEconLab_Univerità degli studi di Milano, corso Prof.ssa Valentina Raimondi How to Access MyEconLab 1.
A.A CORSO DI BIOINFORMATICA 2 per il CLM in BIOLOGIA EVOLUZIONISTICA Scuola di Scienze, Università di Padova Docenti: Prof. Giorgio Valle.
Venir - to come. ‘Venir’ is also a stem-changing verb. It has regular -ir endings but the stem changes from -e to -ie. ‘Venir’ is also a ‘go’ verb. This.
Un problema multi impianto Un’azienda dispone di due fabbriche A e B. Ciascuna fabbrica produce due prodotti: standard e deluxe Ogni fabbrica, A e B, gestisce.
A.a. 2005/2006Introduzione a ROOT: E. Meroni ROOT É un potente strumento object oriented per analisi di dati, preparato al CERN Può.
Accoppiamento scalare
11 novembre 2010Parametri Acustici (ISO 3382) 1 Misura della risposta all’impulso Parametri Acustici temporali e spaziali.
ROOT Tutorial.
Analisi Statistica dei dati nella Fisica Nucl. e Subnucl. [Laboratorio  ] Gabriele Sirri Istituto Nazionale di Fisica Nucleare
16 maggio 2006Master in economia e politica sanitaria - Simulazione per la sanità 1 _NetLogo _______________________________________ Impariamo ad usare.
BaBar Tier A Administration Workshop CCR, Paestum Giugno 2003 Alberto Crescente, INFN Sez. Padova.
SUMMARY Time domain and frequency domain RIEPILOGO Dominio del tempo e della frequenza RIEPILOGO Dominio del tempo e della frequenza.
Each student will be able to ask an adult or stranger: What do you like to do? and What don’t you like to …?
SUMMARY Quadripoles and equivalent circuits RIEPILOGO Quadripoli e circuiti equivalenti RIEPILOGO Quadripoli e circuiti equivalenti.
La gestione snella dei progetti Social Perché il lato pesante non può vincere sulla forza agile Ernesto Amato Project Manager & Agile Evangelist.
Analisi Statistica dei dati nella Fisica Nucl. e Subnucl. [Laboratorio  ] Gabriele Sirri Istituto Nazionale di Fisica Nucleare
L A R OUTINE D EL M ATTINO Ellie B.. Io mi sono svegliata alle cinque del mattino.
SUMMARY High efficiency motors RIEPILOGO Motori ad alta efficienza RIEPILOGO Motori ad alta efficienza.
SUMMARY Transmission and distribution of the electric energy RIEPILOGO Trasmissione e distribuzione dell’energia elettrica RIEPILOGO Trasmissione e distribuzione.
Relative pronouns Forms and uses. Relative pronouns Uses and functions of the relative CHI Translates he who, she who, those who, everybody who Does not.
SUMMARY A/D converters RIEPILOGO Convertitori A/D RIEPILOGO Convertitori A/D.
Gabriele Sirri Istituto Nazionale di Fisica Nucleare
Project Review Novembrer 17th, Project Review Agenda: Project goals User stories – use cases – scenarios Project plan summary Status as of November.
Analisi Statistica dei dati nella Fisica Nucl. e Subnucl. [Laboratorio  ] Laboratorio Analisi Statistica dei Dati per HEP - G.Sirri Gabriele Sirri.
SUMMARY Interconnection of quadripoles RIEPILOGO Interconnessione di quadripoli RIEPILOGO Interconnessione di quadripoli.
A.A CORSO DI BIOINFORMATICA 2 per il CLM in BIOLOGIA EVOLUZIONISTICA Scuola di Scienze, Università di Padova Docenti: Prof. Giorgio Valle Prof.
Progetti con arduino e pic.  Il trasduttore è analogico  Trasforma la temperatura in tensione secondo la relazione V millivolts =10*t celsius Essendo.
Buon giorno, ragazzi oggi è il quattro aprile duemilasedici.
Roberto Esposti 1 Facoltà di Economia “G. Fuà” Università Politecnica delle Marche Facoltà di Economia “G. Fuà” Università Politecnica delle Marche PowerPoint.
Tutorial FERMI Point Source Dario Gasparrini ASDC/CIFS.
A.A CORSO INTEGRATO DI INFORMATICA E BIOINFORMATICA per il CLT in BIOLOGIA MOLECOLARE Scuola di Scienze, Università di Padova Docenti: Proff.
ORGANISATION OF THE EDUCATION SYSTEM IN ITALY 2010/2011.
Usare Excel per risolvere problemi….. Esercizi…..
Project IOLI Practical exemple in Italy and in Sicily Il presente progetto è finanziato con il sostegno della Commissione europea. L’autore è il solo responsabile.
STMan Advanced Graphics Controller. What is STMan  STMan is an advanced graphic controller for Etere automation  STMan is able to control multiple graphics.
WRITING – EXERCISE TYPES
giovedì, 12 ottobre matrimonio o convivenza?
Svolgimento della Sezione 5: CONTROLLORI
Preliminary results of DESY drift chambers efficiency test
CdS 2017: embargo fino a TAUP2017
Transcript della presentazione:

Analisi Statistica dei dati nella Fisica Nucl. e Subnucl. [Laboratorio  ] Laboratorio Analisi Statistica dei Dati per HEP - G.Sirri Gabriele Sirri Istituto Nazionale di Fisica Nucleare

Comunicazioni  Discussione (Esercizio 2) RooFit (segue…)  Home work (Esercizio 3) Laboratorio Analisi Statistica dei Dati per HEP - G.Sirri Sommario 02/04/2015

Comunicazioni Laboratorio Analisi Statistica dei Dati per HEP - G.Sirri /04/2015

Calendario Laboratorio Analisi Statistica dei Dati per HEP - G.Sirri Lunedì 23 febbraio M. Sioli MARZO Lunedì 2 marzo M. Sioli Giovedì 5 marzo T. Chiarusi Lunedì 9 marzo M. Sioli Giovedì 12 marzo M. Sioli Lunedì 16 marzo M. Sioli Giovedì 19 marzo T. Chiarusi Lunedì 23 marzo M. Sioli Giovedì 26 marzo M. Sioli Giovedì 26 marzo G. Sirri Lunedì 30 marzo M. Sioli APRILE Mercol. 8 aprile M. Sioli/T.Chiar. Giovedì 9 aprile G. Sirri Lunedì 13 aprile M. Sioli Giovedì 16 aprile T. Chiarusi Giovedì 16 aprile G. Sirri Lunedì 20 aprile M. Sioli Giovedì 23 aprile T. Chiarusi Giovedì 23 aprile G. Sirri Giovedì 30 aprile G. Sirri Giovedì 30 aprile G. Sirri MAGGIO Lunedì 4 maggio M. Sioli Giovedì 7 maggio T. Chiarusi Lunedì 11 maggio M. Sioli Giovedì 14 maggio G. Sirri Giovedì 14 maggio G. Sirri Lunedì 18 maggio M. Sioli Giovedì 21 maggio T. Chiarusi Lunedì 25 maggio M. Sioli Tutte le lezioni in Aula C, via Irnerio 02/04/2015

Laboratorio Analisi Statistica dei Dati per HEP - G.Sirri  Esercitazioni (soluzioni) Le soluzioni di Esercizio 1 sono pubblicate in AlmaCampus (seguite il link dal sito web) accesso riservato agli iscritti a gabriele.sirri2.ASD-2015

 Discussione (Esercizio 2) Laboratorio Analisi Statistica dei Dati per HEP - G.Sirri /04/2015

 RECAP… Esercizio 2 02/04/2015Laboratorio Analisi Statistica dei Dati per HEP - G.Sirri Scaricate da : roofit_empty.Chttp:// [1] roofit_ex1.C Editate la macro e seguendo lo schema costruire una p.d.f. gaussiana con media 0, sigma 1. Modificate la sigma a 3. Visualizzate la p.d.f.. Generate un dataset unbinned di eventi. Eseguite un Fit con Maximum Likelihood. Visualizzate i risultati. Utilizzate le informazioni in Introduction to RooFit, nel manuale di roofit al paragrafo 2 (ftp://root.cern.ch/root/doc/RooFit_Users_Manual_ pdf) e in to RooFit [2] roofit_ex2.C Si modifichi lo script e generare un dataset binned (bin width = 0.5). The binning of the returned RooDataHist is controlled by the default binning associated with the observables generated. To set the number of bins in x to 200, do e.g. x.setBins(200) prior to the call to generateBinned()

 RECAP… Esercizio 2 Laboratorio Analisi Statistica dei Dati per HEP - G.Sirri [3] roofit_ex3.C Rinominate la p.d.f. gaussiana «sig» e aggiungete al modello un fondo esponenziale «bkg» espresso in funzione di un parametro tau, exp(-x/tau). Il valore iniziale di tau =10. Suggerimento: Si esprima -1./tau come RooFormulaVar Definite un parametro «fsig» rapporto segnale/fondo. Costruite un modello composito nella forma model(x) = fsig*sig(x) + (1-fsig)*bkg(x) Suggerimenti: usate la funzione RooAddPdf (paragrafo 3 del manuale) 02/04/2015

 Esercizio 2 – Soluzione Problema 3 02/04/2015Laboratorio Analisi Statistica dei Dati per HEP - G.Sirri Guardare meglio RooFormulaVar e RooAddPdf [3] roofit_ex3.C

Questo era l’output dell’esercizio 4 della lezione-3, in cui non è stato utilizzato roofit. roofit_ex1  Confronto con ROOT (1)

ROOFIT ROOT  Confronto con ROOT (2)

void rooofit_ex1() { // Setup model // ============ // Declare variables x,mean,sigma with associated name, title, initial value and allowed range RooRealVar x("x","x",-10,10) ; RooRealVar mean("mean","mean of gaussian",1,-10,10) ; RooRealVar sigma("sigma","width of gaussian",1,0.1,10) ; // Build gaussian p.d.f in terms of x,mean and sigma RooGaussian gauss("gauss","gaussian PDF",x,mean,sigma) ; // Construct plot frame in 'x' RooPlot* xframe = x.frame(Title("Gaussian p.d.f.")) ; // Plot model and change parameter values // ======================================= // Plot gauss in frame (i.e. in x) gauss.plotOn(xframe) ; // Change the value of sigma to 3 sigma.setVal(3) ; // Plot gauss in frame (i.e. in x) and draw frame on canvas gauss.plotOn(xframe,LineColor(kRed)) ; // Generate events // =============== // Generate a dataset of 1000 events in x from gauss RooDataSet* data = gauss.generate(x,1000) ; // Make a second plot frame in x and draw both the // data and the p.d.f in the frame RooPlot* xframe2 = x.frame(Title("Gaussian p.d.f. with data")) ; data->plotOn(xframe2) ; gauss.plotOn(xframe2) ; // Fit model to data // ================== // Fit pdf to data gauss.fitTo(*data) ; // Print values of mean and sigma (that now reflect fitted values and errors) mean.Print() ; sigma.Print() ; // Draw all frames on a canvas TCanvas* c = new TCanvas("rf101_basics","rf101_basics",800,400) ; c->Divide(2) ; c->cd(1) ; gPad->SetLeftMargin(0.15) ; xframe->GetYaxis()->SetTitleOffset(1.6) ; xframe->Draw() ; c->cd(2) ; gPad->SetLeftMargin(0.15) ; xframe2->GetYaxis()->SetTitleOffset(1.6) ; xframe2->Draw() ; } void recap_root() { // Book histograms TH1D* h_Gaus = new TH1D("h_Gaus", "gaussian random numbers", 100, -10, 10); // Create a TRandom3 object to generate random numbers int seed = 12345; TRandom3* ran = new TRandom3(seed); // Generate some random numbers and fill histograms const int numValues = 1000; for (int i=0; i<numValues; i++){ double r = ran->Gaus(1,3); // gaussian in mean = 1 sigma = 3 h_Gaus->Fill(r); } c = new TCanvas("c1","c1",800,400) ; c->Divide(2,1) ; c->cd(1); // define a gaussian p.d.f (mean 1 and sigma 1) // gaus(0) is a substitute for [0]*exp(-0.5*((x-[1])/[2])**2) // and (0) means start numbering parameters at 0. TF1* g1 = new TF1( "gaus_1", "gaus(0)", -10, 10 ); double mean = 1 ; double sigma = 1 ; g1->SetParameter( 0, 1./( sigma * sqrt(2* ) ) ); g1->SetParameter( 1, mean ) ; // set mean g1->SetParameter( 2, sigma) ; // set sigma g1->SetLineColor( kBlue ) ; g1->Draw() ; // change sigma to 3 TF1* g2 = new TF1( "gaus_2", "gaus(0)", -10, 10 ); mean = 1 ; sigma = 3 ; g2->SetParameter( 0, 1./( sigma * sqrt(2* ) ) ); g2->SetParameter( 1, mean ) ; // set mean g2->SetParameter( 2, sigma) ; // set sigma g2->SetLineColor( kRed ) ; g2->Draw("SAME") ; c->cd(2); h_Gaus->SetXTitle("x"); h_Gaus->SetYTitle("f(x)"); h_Gaus->SetMarkerStyle(20); h_Gaus->Fit("gaus") ; h_Gaus->Draw("E1"); } ROOTROOFIT

RooFIT (segue…) Laboratorio Analisi Statistica dei Dati per HEP - G.Sirri /04/2015

Laboratorio Analisi Statistica dei Dati per HEP - G.Sirri RooFit Introduction to RooFitIntroduction to RooFit slides da 15(19) a 34 02/04/ /ROOT/roofit-intro-roostats-v12a.pdf

 Home work (Esercizio 3) Laboratorio Analisi Statistica dei Dati per HEP - G.Sirri /04/2015

 Esercizio 3 – TESTO (1) Laboratorio Analisi Statistica dei Dati per HEP - G.Sirri [1] roofit_factory_ex1.C Riprendiamo l’ex3.C della lezione scorsa e riformuliamolo utilizzando workspace e factory make an exponential background + gaussian signal model using w.factory(“SUM::pdf( fs*sig, bkg)”) do first non-extended model ( 0 < fs < 1) the exponential background depends on the parameter tau as exp(-x/tau) generate data (e.g. N=1000) set constant mean and sigma while fs and tau are floating w.var("mean")->setConstant(true) fit the data plot results (use RooFit::Components() to specify components to plot) Utilizzate le informazioni in Introduction to RooFit, in e nel manuale di roofit (ftp://root.cern.ch/root/doc/RooFit_Users_Manual_ pdf)Introduction to RooFithttp://root.cern.ch/drupal/content/roofit 02/04/2015

 Esercizio 3 – TESTO (2) 02/04/2015Laboratorio Analisi Statistica dei Dati per HEP - G.Sirri [2] roofit_factory_ex2.C Modifichiamo l’esercizio precedente make extended model using Ns and Nb (Ns = fs*N) w.factory(“SUM::pdf( Ns*gaus, Nb*expo)”) check difference in error in Ns obtained between extended and not-extended fit save the macro making the extended model and also save the workspace in a file (we will be using it later in a RooStats exercise)