Di-Muon CSA08 ● Scopi e strumenti utilizzati ● Risultati ottenuti ● Lezione appresa.

Presentazione sul tema: "Di-Muon CSA08 ● Scopi e strumenti utilizzati ● Risultati ottenuti ● Lezione appresa."— Transcript della presentazione:

1 Di-Muon Experience @ CSA08 ● Scopi e strumenti utilizzati ● Risultati ottenuti ● Lezione appresa

2 ● Generale: testare la readiness complessiva all'arrivo dei dati (data transfert, analisi pronte e online) ● Di-muoni: ottenere lo spettro di massa invariante dei di- muoni corretto per l'efficienza valutata dai 'dati Sono stati raggiunti? La catena di trasmissione dei dati si e' dimostrata efficiente Le analisi sono state effettuate online come richiesto e con un buon grado di collegialita' all'interno del gruppo Gli strumenti utilizzati sono stati raffinati collettivamente sulla base di oggetti pre-esistenti; il lato analisi della readiness ha dipeso fortemente da questo. Gli obbiettivi principali erano: RECO datasets J/ , Y, Z, W, QCD jet +  (S156), ricostruiti con i setting AlCa 10 pb-1 transferiti ai T2s e (ivi) skimmati ed elaborati

3 Strumenti (I): V02-03-00 DataFormats/PatCandidates V03-04-04 ElectroWeakAnalysis/ZReco V01-00-03 PhysicsTools/IsolationAlgos/data V02-03-01 PhysicsTools/PatAlgos V02-01-02 PhysicsTools/PatUtils V08-06-02 PhysicsTools/RecoAlgos/data V09-20-00-02 PhysicsTools/HepMCCandAlgos Skimming per i di-muoni: mutuato dal CSA07 intergato con PAT ed allestito su CMSSW 2_0_7 1 pb -1, non-isolated dimuon trigger p T > 3 GeV/c 2 cand. muons con opposite charge p T > 1.5 ; 0.015 < ∆R < 0.3 (iso) Applica i filtri di HLT; Archivia i dati AOD e candidati di-muoni

4 Strumenti (II): TAG & PROBES tool per gli studi di efficienza (N.Adam, A.Hunt, A.Everett, J.Berryhill,...) allestito per la Z, adattato a J/Psi e Y V03-04-00 MuonAnalysis/TagAndProbe Runnato con successo sull'output dello skimming FORNISC E ✔ Efficienza di un dato processo di identificazione (tracking, SA, global muon) (user friendly) ✔ Numero di eventi di S e B, massa e width su un dato picco di segnale (user nasty) J/  Y Segnale + muon-enriched QCD (MuonPT5), 2-μ non-isolated trigger + 2-μ offline sel. NO effic. corr.

5 Il T&P un po' piu' in dettaglio Una data efficienza si stima dando il rapporto tra un qualche set di PROBES (G,M,U,T,S) il cui numero costituisce il denominatore, ed il sottoinsieme che soddisfa i criteri ("passing- probes") voluti, Es.: Effic. di ricostruzione dei mu : PROBES: tutte le tracce con p T >10 GeV TAGS: Global  con p T > 20 GeV PASSING COND: probes associate ad un  SA Per la tracker effic., le probes saranno i  SA, le tracker tracks per l'effic. di  SA Il T&P funziona in due step: 1)_ Definiti Tag,Probes,Passing Conditions la prima parte di codice gira sopra i sample per cercare candidati e li passa al Producer, il quale crea una mappa Tag-Probe che viene archiviata, assieme alla MC truth. L'output e' scritto in formato EDM (ev. in DBS) 2)_ Si runna sull'output EDM un altro frammento che, settate le variabili di cinematiche interesse, il range di massa, etc. implementa un fit, SBS, MC truth matching (RooFit) Preso un campione 'pulito' di dimuoni (J/ ,Y,Z  ) 'taggato' dalla presenza di un muone ben identificato -> ci si aspetta ci sia anche l'altro -> si guarda quante volte  TOT =  gen/kin cut *  rec *  iso *  trig *  sel.cut

6 --> permette di accedere in modo agile a ● informazioni cinematiche: ● oggetti soggiacenti (cluster,tracce, etc): ● info particelle 'parenti': ● serie di moduli preesistenti per manipolarli: for( size_t i = 0; i < cand.numberOfDaughters(); ++ i ) { const Candidate * daughter = cand.daughter( i ); } module tagCands = MuonRefSelector { InputTag src = muons string cut = "isGlobalMuon > 0 & pt > 20.0 & abs( eta ) < 2" } Tutti gli oggetti di partenza ereditano dalla classe ~Candidate~ (la classe base comune a tutte le particelle ricostruite) Si setta poi il config file con la lista di moduli che identificano Tag e Probes, piu' eventuali altri criteri di selezione (p.es massa inv.): module muonTagProbeMap = TagProbeProducer { InputTag TagCollection = tagCands InputTag ProbeCollection = probeCands untracked double MassMinCut = 50.0 untracked double MassMaxCut = 120.0 } _Step 1_ TrackRef trk = cand.get (); double pt = cand.pt(), eta = cand.eta(), phi = cand.phi();

7 Si utilizza il pacchetto RooFit Main Objects: dataset, variabili e funzioni, PDF. _Step 2_ ● legge le mappe e le collezioni di T&P ● costruisce i relativi istogrammi ● Integra i suddetti ● implementa SBS e fit void testfit() { RooRealVar //Definisco le data variables e i parametri del fit m (“m”,”Reconstructed Mass”, 0.5,2.5, ”GeV”), rmass(“rmass”,”Resonance Mass”, 1.5,1.4, 1.6, “GeV”), width(“width”,”Resonance Width”, 0.15,0.1, 0.2, “GeV”), bgshape(“bgshape”,”Background shape”,-1.0,-2.0, 0.0), // Creo le componennti del fit: Gaussian, exponential PDFs RooGaussian signal(“signal”,”Signal Distribution”,m,rmass,width); RooExponential bg(“bg”,”Background distribution”,m,bgshape) ; // Le combino sommandole RooAddPdf model(“model”,”Signal + Background”,signal,bg) ; // Leggo il valore di ‘m’ da un file di testo RooDataSet* data = RooDataSet::read(“mvalues.dat”,m) ; // fitto i dati con una UML model.fitTo(data) ; Il secondo blocco gira sull'output del precedente;

8 RooFormulaVar numSigPass("numSigPass","numSignal*efficiency", RooArgList(numSignal,efficiency) ); RooFormulaVar numSigFail("numSigFail","numSignal*(1.0 - efficiency)", RooArgList(numSignal,efficiency) ); RooArgList componentspass(signalShapePdf,bkgShapePdf); RooArgList yieldspass(numSigPass, numBkgPass); (...) RooAddPdf sumpass("sumpass","fixed extended sum pdf",componentspass,yieldspass); RooRealVar alpha(“alpha”, ”my parameter”, 1.5,1.4, 1.6, “GeV”), slope(“slope”, ”Slope of resonance width”, 0.3,0.1,0.5), offset(“offset”,”Offset of resonance width”, 0.0,0.0,0.5, “GeV”) ; // Construisco un oggetto 'width' funzione di alpha RooFormulaVar rmassF(“rmassF”,”offset+slope*rmass”, RooArgSet(slope,offset,rmass)) // inserisco la funzione rmassF al posto della variabile rmass RooGaussian signal(“signal”,”Signal distribution”, m,rmassF,width) ; Le fitting functions si possono complicare a piacere......idem per il numero di eventi: _RooFit_

9 una voigt modificata ( Lorentz. Bifurcated Gaussian) per il segnale, mentre per il fondo (a la D0): (Erf(alpha – x)*beta) ((x-peak) * gamma) // x input nominal value Nei fit correnti si utilizza come PDF: Z Y

10 Curve di efficienza per J/  e Y Single Muon PT3 trigger 0.5 pb -1 equivalente per la J/ψ, 2.5 per la Υ Plots integrati in η Segnale + QCD jet MuonPT5 Solo segnale SA effic. Tracking effic. SA effic.

11 Z + W e QCD muon-enriched background (MuonPT11) 2 global muons con pT > 20 GeV, |η| 20 GeV Correzioni con le tracking e SA effic. solo da segnale Spettri di massa invariante corretti per le efficienze J/Psi e Y + QCD muon-enriched background (MuonPT 5) taglio in pT a 3 GeV Correzioni per SA effic. dalla Y efficienze di matching, isolation e trigger non incluse

12 Concludendo Esperienza densa di contenuti Familiarizzato con: ● strumenti potenti e flessibili ● metodo di lavoro L'elevato grado di organizzazione e complessita' e disporre di tools comuni permette di risparmiare tempo ed energie richiede tempo ed energie!

13 BACKUP (Di Guida, Fabozzi, Lista, Noli, Piccolo, infn NA) Analisi sulla Z, fit alternativo Triggers & prescale