Optymalizacja kryteriów selekcji dla rozpadu Λ+c pμ+μza pomocą wielowymiarowej analizy danych
|
|
- Joanna Borowska
- 6 lat temu
- Przeglądów:
Transkrypt
1 Optymalizacja kryteriów selekcji dla rozpadu Λ+c pμ+μza pomocą wielowymiarowej analizy danych Maciej Kościelski Jakub Malczewski opiekunowie prof. dr hab. Mariusz Witek mgr inż. Małgorzata Pikies
2 LHCb kalorymetr hadronowy kalorymetr elektromagnetyczny detektor wierzchołka detektor mionowy
3 przykładowa detekcja mionów p Λ +c μ μ
4 Λ +c Rozpad Λ+c pμ+μ- jest silnie wzbroniony w ramach Modelu Standardowego. Badanie rzadkich rozpadów tego typu posiada potencjał odkrycia Nowej Fizyki, czyli niezgodności z przewidywaniami Modelu Standardowego. Przy jego poszukiwaniu używa się rozpadu rezonansowego Λ+c pφ(μ+μ-) jako kanału normalizacyjnego, którego współczynnik rozgałęzienia wynosi BF(Λ+c pφ(μ+μ- ) ) = 3.1*10-7. Celem naszej pracy była optymalizacja kryteriów selekcji dla rozpadu Λ+c pφ i ewentualna obserwacja rozpadu Λ+c pω, którego jeszcze nigdy nie obserwowano.
5 p Dane wejściowe Λ + c μ μ Po wstępnej selekcji (tzw. Stripping). - Dane z eksperymentu LHCb z lat Próbka Monte Carlo dla rozpadu Λ+c pφ(μ+μ- ) Dane w formie tzw. standardowych ntupli (ROOT) zawierają informacje o rozpadzie (kinematyka, parametry wierzchołka wtórnego, identyfikacja produktów rozpadu, zmienne izolacyjne).
6 Masa C - wycinek danych pomiarowych spodziewany sygnał w okolicach masy C
7 Do analizy danych użyliśmy narzędzia TMVA będącego częścią pakietu Root. Toolkit for Multi Variate Analysis
8 Szkolenie Do szkolenia algorytmów użyliśmy jako sygnał próbkę Monte Carlo rozpadu Λ+c pφ(μ+μ- ). Jako tło posłużyły dane z obszaru poza masą niezmienniczą Λ+c, w której spodziewaliśmy się znaleźć rzeczywisty sygnał. Strategia szkolenia: Stworzyliśmy szeroką listę zmienny dających dobrą separację sygnału i tła Wybraliśmy najefektywniejszą metodę MVA Przeprowadziliśmy szkolenie, odrzucając mało znaczące zmienne. Redukowaliśmy je, dopóki nie zaobserwowaliśmy znaczącego spadku wydajności (całka krzywej ROC)
9 Krzywa ROC dla różnych metod MVA - porównanie
10 Zmienne użyte podczas analizy za pomocą BDT Nazwa robocza Istotność zmiennej 1 : Lambda_cplus_IPCHI2_OWNPV : 1.191e-01 2 : Exp_1000_Lambda_cplus_TAU : 1.114e-01 3 : Lambda_cplus_ENDVERTEX_CHI2 : 9.357e-02 4 : Lambda_cplus_CDFiso : 8.643e-02 5 : pplus_pt : 7.873e-02 6 : min(pplus_track_chi2ndof,min(muplus_track_chi2ndof, )) : 7.817e-02 7 : Lambda_cplus_PT : 7.092e-02 8 : muplus_pt : 6.817e-02 9 : muminus_pt : 6.788e : Lambda_cplus_FD_OWNPV_/_sqrt_Lambda_cplus_FDCHI2_OWNPV : 6.348e : min(pplus_pt,min(muplus_pt,muminus_pt)) : 6.265e : mu_2_isolation : 5.263e : mu_1_isolation : 4.695e-02 Są to głównie zmienne topologiczne, dobrze symulowane przy generacji MC.
11 Przykładowe zmienne użyte podczas analizy. Histogramy unormowano.
12 Przykładowe zmienne użyte podczas analizy. Warto zauważyć różnice między rozkładami dla tła i sygnału, które pomogły lepiej odseparować badane przypadki.
13 Histogramy zmiennej dyskryminującej dla tła i sygnału wygenerowane dla próbki treningowej i testowej.
14 Po uzyskaniu dla każdego zdarzenia zmiennej dyskryminującej BDT określiliśmy dokładne wartości w których dokonaliśmy cięć. Wybraliśmy trzy zmienne: zmienna dyskryminująca BDT ProbNNmu prawdopodobieństwo identyfikacji mionów ProbNNp prawdopodobieństwo identyfikacji protonu Za kryterium optymalizacji (FoM) uznaliśmy S/ (S+B), gdzie S - ilość sygnału MC jaki pozostał po cięciu B - ilość tła jakie pozostało po cięciu Dla każdego punktu (ProbNNmu, ProbNNp) wyznaczyliśmy największe FoM oraz odpowiadające mu cięcie na zmiennej BDT. Następnie wybraliśmy punkt o najwyższym FoM na całej siatce.
15 Tło Sygnał Histogramy prawdopodobieństwa, że cząstka zaklasyfikowana jako mion w rzeczywistości jest mionem dla sygnału i tła. Widać istotne różnice w rozkładzie.
16 max( S/ S+B(bdt) )(ProbNNp, ProbNNmu) Pr ob NN p u ProbNNm Wykres największego FoM dla cięć na prawdopodobieństwach określonych na siatce.
17 Events Wartości zmiennej masa + C po selekcji
18 Po selekcji sygnału dopasowaliśmy krzywą wykładniczą do tła i krzywą Gaussa do sygnału w celu oszacowania jego ilości i błędu wyznaczonej masy. Kanał φ
19 Określenie ilości sygnału w kanale ω i w kanale φ pozwoliło nam oszacować stosunek tych rozpadów. Dało to możliwość wyznaczenie współczynnika rozgałęzienia nieobserwowanego dotąd rozpadu przez kanał ω. Kanał ω
20 Events Masa C po selekcji, w rozbiciu na kanał φ i ω kanał φ kanał ω BR Nω / NΦ = BFω / BFΦ BFΦ = (3,21 ± 0,69) 10-7 BFω = (6,8 ± 1,5) 10-8 MeV/c2
21 KONIEC Maciej Kościelski maciej.j.koscielski(małpa)student.put.poznan.pl Jakub Malczewski jakubmalczewski(małpa)opmbx.org opiekunowie prof. dr hab. Mariusz Witek mgr inż. Małgorzata Pikies
22 Źródła: Dane z eksperymentu LHCb z lat Search for Λ+c pμ+μ- decay, Marcin Chrząszcz, Tadeusz Lesiak, Borys Nowak, Mariusz Witek, nz11-agh1.ifj.edu.pl/.../lc2pmumu_ pdf Badanie rozpadów w eksperymencie LHCb, Paweł Nowak, nz11-agh1.ifj.edu.pl/.../mgr5.pdf Particle Data Group, pdg.lbl.gov ROOT a Data Analysis Framework, root.cern.ch TMVA Users Guide, tmva.sourceforge.net/docu/tmvausersguide.pdf Praktyki ATLAS - atlas.ifj.edu.pl/praktyki/materialy.html Searches for Rare or Forbidden Semileptonic Charm Decays (eksperyment BaBar), www-spires.slac.stanford.edu/.../slac-pub pdf
1. Wcześniejsze eksperymenty 2. Podstawowe pojęcia 3. Przypomnienie budowy detektora ATLAS 4. Rozpady bozonów W i Z 5. Tło 6. Detekcja sygnału 7.
Weronika Biela 1. Wcześniejsze eksperymenty 2. Podstawowe pojęcia 3. Przypomnienie budowy detektora ATLAS 4. Rozpady bozonów W i Z 5. Tło 6. Detekcja sygnału 7. Obliczenie przekroju czynnego 8. Porównanie
Bardziej szczegółowoProf. Jacek Ciborowski Warszawa, 12 stycznia 2015 Instytut Fizyki Doświadczalnej Uniwersytetu Warszawskiego Pasteura 5 02093 Warszawa.
Prof. Jacek Ciborowski Warszawa, 12 stycznia 2015 Instytut Fizyki Doświadczalnej Uniwersytetu Warszawskiego Pasteura 5 02093 Warszawa Recenzja rozprawy doktorskiej mgr Marcina Chrząszcza zatytułowanej:
Bardziej szczegółowoUczenie maszynowe w zastosowaniu do fizyki cząstek
Uczenie maszynowe w zastosowaniu do fizyki cząstek Wykorzystanie uczenia maszynowego i głębokich sieci neuronowych do ćwiczenia 3. M. Kaczmarczyk, P. Górski, P. Olejniczak, O. Kosobutskyi Instytut Fizyki
Bardziej szczegółowoWyznaczanie efektywności mionowego układu wyzwalania w CMS metodą Tag & Probe
Wyznaczanie efektywności mionowego układu wyzwalania w CMS metodą Tag & Probe Uniwersytet Warszawski - Wydział Fizyki opiekun: dr Artur Kalinowski 1 Plan prezentacji Eksperyment CMS Układ wyzwalania Metoda
Bardziej szczegółowoObserwacja Nowej Cząstki o Masie 125 GeV
Obserwacja Nowej Cząstki o Masie 125 GeV Eksperyment CMS, CERN 4 lipca 2012 Streszczenie Na wspólnym seminarium w CERN i na konferencji ICHEP 2012 [1] odbywającej się w Melbourne, naukowcy pracujący przy
Bardziej szczegółowoJak to działa: poszukiwanie bozonu Higgsa w eksperymencie CMS. Tomasz Früboes
Plan wystąpienia: 1.Wprowadzenie 2.Jak szukamy Higgsa na przykładzie kanału H ZZ 4l? 3.Poszukiwanie bozonu Higgsa w kanale ττ μτjet 4.Właściwości nowej cząstki Częste skróty: LHC Large Hadron Collider
Bardziej szczegółowoLEPTON TAU : jako taki, oraz zastosowania. w niskich i wysokich energiach. Zbigniew Wąs
LEPTON TAU : jako taki, oraz zastosowania w niskich i wysokich energiach Zbigniew Wąs Podziękowania: A. Kaczmarska, E. Richter-Wąs (Atlas); A. Bożek (Belle); T. Przedziński, P. Golonka (IT); R. Decker,
Bardziej szczegółowoCząstki elementarne i ich oddziaływania PROJEKT 2016 Obserwacja mezonów powabnych i dziwnych analiza danych zebranych w eksperymencie LHCb
Cząstki elementarne i ich oddziaływania PROJEKT 2016 Obserwacja mezonów powabnych i dziwnych analiza danych zebranych w eksperymencie LHCb D + D 0 D 0 K s 0 K + K K s 0 π D + D 0 K s 0 K K + π A.Obłąkowska-Mucha,
Bardziej szczegółowoPakiet ROOT. prosty generator Monte Carlo. Maciej Trzebiński. Instytut Fizyki Jądrowej Polskiej Akademii Nauki
M. Trzebiński ROOT generator MC 1/5 Pakiet ROOT prosty generator Monte Carlo Maciej Trzebiński Instytut Fizyki Jądrowej Polskiej Akademii Nauki Praktyki studenckie na LHC IFJ PAN, 23 sierpnia 2016 Wprowadzenie
Bardziej szczegółowoArtur Kalinowski WYBRANE ASPEKTY POSZUKIWA BOZONU HIGGSA Z MODELU STANDARDOWEGO W ZDERZENIACH PROTON PROTON W EKSPERYMENCIE CMS PRZY LHC
Artur Kalinowski WYBRANE ASPEKTY POSZUKIWA BOZONU HIGGSA Z MODELU STANDARDOWEGO W ZDERZENIACH PROTON PROTON W EKSPERYMENCIE CMS PRZY LHC WYBRANE ASPEKTY POSZUKIWA BOZONU HIGGSA Z MODELU STANDARDOWEGO W
Bardziej szczegółowoBardzo rzadki rozpad został zaobserwowany przez CMS
Bardzo rzadki rozpad został zaobserwowany przez CMS Zespół badawczy CMS, CERN 19 lipca 2013 roku CMS zaobserwował ważny rzadki rozpad przewidziany przez Model Standardowy fizyki cząstek. Obserwacja rozpadu
Bardziej szczegółowoPoszukiwania bozonu Higgsa w rozpadzie na dwa leptony τ w eksperymencie CMS
Poszukiwania bozonu Higgsa w rozpadzie na dwa leptony τ w eksperymencie CMS Artur Kalinowski Wydział Fizyki Uniwersytet Warszawski Warszawa, 7 grudnia 2012 DETEKTOR CMS DETEKTOR CMS Masa całkowita : 14
Bardziej szczegółowoBardzo rzadki rozpad został zaobserwowany przez CMS
Bardzo rzadki rozpad został zaobserwowany przez CMS Zespół badawczy CMS, CERN 19 lipca 2013 roku CMS zaobserwował ważny rzadki rozpad przewidziany przez Model Standardowy fizyki cząstek. Obserwacja rozpadu
Bardziej szczegółowoPoszukiwanie gwiazd zmiennych w eksperymencie Pi of the Sky
Poszukiwanie gwiazd zmiennych w eksperymencie Pi of the Sky Łukasz Obara Wydział Fizyki, Uniwersytet Warszawski Plan prezentacji Eksperyment Pi of the Sky Projekt GLORIA Środowisko LUIZA i zaimplementowana
Bardziej szczegółowoSpis treści. Przedmowa... XI. Rozdział 1. Pomiar: jednostki miar... 1. Rozdział 2. Pomiar: liczby i obliczenia liczbowe... 16
Spis treści Przedmowa.......................... XI Rozdział 1. Pomiar: jednostki miar................. 1 1.1. Wielkości fizyczne i pozafizyczne.................. 1 1.2. Spójne układy miar. Układ SI i jego
Bardziej szczegółowoBadanie wysokoenergetycznych mionów kosmicznych w detektorze ICARUS.
Badanie wysokoenergetycznych mionów kosmicznych w detektorze ICARUS. Tomasz Palczewski Promotor: Prof. dr hab. Joanna Stepaniak. Warszawska Grupa Neutrinowa. Seminarium Doktoranckie IPJ 21.11.2006. Warszawa.
Bardziej szczegółowoMachine learning Lecture 6
Machine learning Lecture 6 Marcin Wolter IFJ PAN 11 maja 2017 Deep learning Convolution network Zastosowanie do poszukiwań bozonu Higgsa 1 Deep learning Poszczególne warstwy ukryte uczą się rozpoznawania
Bardziej szczegółowoObserwacja kandydata na bozon Higgsa przez eksperymenty ATLAS i CMS
Obserwacja kandydata na bozon Higgsa przez eksperymenty ATLAS i CMS Artur Kalinowski Wydział Fizyki Uniwersytet Warszawski Warszawa, 18 października 2012 Lagranżjan MS spisany przez T.D. Gutierrez'a na
Bardziej szczegółowoAnaliza niepewności pomiarów
Teoria pomiarów Analiza niepewności pomiarów Zagadnienia statystyki matematycznej Dr hab. inż. Paweł Majda www.pmajda.zut.edu.pl Podstawy statystyki matematycznej Histogram oraz wielobok liczebności zmiennej
Bardziej szczegółowoMetamorfozy neutrin. Katarzyna Grzelak. Sympozjum IFD Zakład Czastek i Oddziaływań Fundamentalnych IFD UW. K.Grzelak (UW ZCiOF) 1 / 23
Metamorfozy neutrin Katarzyna Grzelak Zakład Czastek i Oddziaływań Fundamentalnych IFD UW Sympozjum IFD 2008 6.12.2008 K.Grzelak (UW ZCiOF) 1 / 23 PLAN Wprowadzenie Oscylacje neutrin Eksperyment MINOS
Bardziej szczegółowog) wartość oczekiwaną (przeciętną) i wariancję zmiennej losowej K.
TEMAT 1: WYBRANE ROZKŁADY TYPU SKOKOWEGO ROZKŁAD DWUMIANOWY (BERNOULLIEGO) Zadanie 1-1 Prawdopodobieństwo nieprzekroczenia przez pewien zakład pracy dobowego limitu zużycia energii elektrycznej (bez konieczności
Bardziej szczegółowoTomasz Szumlak WFiIS AGH 03/03/2017, Kraków
Oddziaływanie Promieniowania Jonizującego z Materią Tomasz Szumlak WFiIS AGH 03/03/2017, Kraków Labs Prowadzący Tomasz Szumlak, D11, p. 111 Konsultacje Do uzgodnienia??? szumlak@agh.edu.pl Opis przedmiotu
Bardziej szczegółowoCompact Muon Solenoid
Compact Muon Solenoid (po co i jak) Piotr Traczyk CERN Compact ATLAS CMS 2 Muon Detektor CMS był projektowany pod kątem optymalnej detekcji mionów Miony stanowią stosunkowo czysty sygnał Pojawiają się
Bardziej szczegółowoWyznaczanie bezwzględnej aktywności źródła 60 Co. Tomasz Winiarski
Wyznaczanie bezwzględnej aktywności źródła 60 Co metoda koincydencyjna. Tomasz Winiarski 24 kwietnia 2001 WSTEP TEORETYCZNY Rozpad promieniotwórczy i czas połowicznego zaniku. Rozpad promieniotwórczy polega
Bardziej szczegółowor. akad. 2008/2009 V. Precyzyjne testy Modelu Standardowego w LEP, TeVatronie i LHC
V. Precyzyjne testy Modelu Standardowego w LEP, TeVatronie i LHC 1 V.1 WYNIKI LEP 2 e + e - Z 0 Calkowity przekroj czynny 3 4 r. akad. 2008/2009 s Q N 3 4 s M s N Q I M 12 s ) M (s s s 2 f C 2 Z C f f
Bardziej szczegółowoFizyka cząstek elementarnych warsztaty popularnonaukowe
Fizyka cząstek elementarnych warsztaty popularnonaukowe Spotkanie 3 Porównanie modeli rozpraszania do pomiarów na Wielkim Zderzaczu Hadronów LHC i przyszłość fizyki cząstek Rafał Staszewski Maciej Trzebiński
Bardziej szczegółowoPoszukiwania mezonu B s w eksperymencie CMS
Uniwersytet Warszawski Wydział Fizyki Piotr Kuszaj Nr albumu: 277903 Poszukiwania mezonu B s w eksperymencie CMS Praca licencjacka na kierunku Fizyka Praca wykonana pod kierunkiem dr. Marcina Koneckiego
Bardziej szczegółowoInstytut Politechniczny Państwowa Wyższa Szkoła Zawodowa. Diagnostyka i niezawodność robotów
Instytut Politechniczny Państwowa Wyższa Szkoła Zawodowa Diagnostyka i niezawodność robotów Laboratorium nr 3 Generacja realizacji zmiennych losowych Prowadzący: mgr inż. Marcel Luzar Cele ćwiczenia: Generowanie
Bardziej szczegółowoJanusz Adamowski METODY OBLICZENIOWE FIZYKI Kwantowa wariacyjna metoda Monte Carlo. Problem własny dla stanu podstawowego układu N cząstek
Janusz Adamowski METODY OBLICZENIOWE FIZYKI 1 Rozdział 20 KWANTOWE METODY MONTE CARLO 20.1 Kwantowa wariacyjna metoda Monte Carlo Problem własny dla stanu podstawowego układu N cząstek (H E 0 )ψ 0 (r)
Bardziej szczegółowoBozon Higgsa prawda czy kolejny fakt prasowy?
Bozon Higgsa prawda czy kolejny fakt prasowy? Sławomir Stachniewicz, IF PK 1. Standardowy model cząstek elementarnych Model Standardowy to obecnie obowiązująca teoria cząstek elementarnych, które są składnikami
Bardziej szczegółowoInstytut Politechniczny Państwowa Wyższa Szkoła Zawodowa. Diagnostyka i niezawodność robotów
Instytut Politechniczny Państwowa Wyższa Szkoła Zawodowa Diagnostyka i niezawodność robotów Laboratorium nr 6 Model matematyczny elementu naprawialnego Prowadzący: mgr inż. Marcel Luzar Cele ćwiczenia:
Bardziej szczegółowoPromieniowanie kosmiczne składa się głównie z protonów, z niewielką. domieszką cięższych jąder. Przechodząc przez atmosferę cząstki
Odkrycie hiperjąder Hiperjądra to struktury jądrowe w skład których, poza protonami I neutronami, wchodzą hiperony. Odkrycie hiperjąder miało miejsce w 1952 roku, 60 lat temu, w Warszawie. Wówczas nie
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład XIV: Metody Monte Carlo 19 stycznia 2016 Przybliżone obliczanie całki oznaczonej Rozważmy całkowalną funkcję f : [0, 1] R. Chcemy znaleźć przybliżoną wartość liczbową całki 1 f (x) dx. 0 Jeden ze
Bardziej szczegółowoALGORYTM RANDOM FOREST
SKRYPT PRZYGOTOWANY NA ZAJĘCIA INDUKOWANYCH REGUŁ DECYZYJNYCH PROWADZONYCH PRZEZ PANA PAWŁA WOJTKIEWICZA ALGORYTM RANDOM FOREST Katarzyna Graboś 56397 Aleksandra Mańko 56699 2015-01-26, Warszawa ALGORYTM
Bardziej szczegółowoĆwiczenie LP1. Jacek Grela, Łukasz Marciniak 22 listopada 2009
Ćwiczenie LP1 Jacek Grela, Łukasz Marciniak 22 listopada 2009 1 Wstęp teoretyczny 1.1 Energetyczna zdolność rozdzielcza Energetyczna zdolność rozdzielcza to wielkość opisująca dokładność detekcji energii
Bardziej szczegółowoNiech X i Y będą niezależnymi zmiennymi losowymi o rozkładach wykładniczych, przy czym Y EX = 4 i EY = 6. Rozważamy zmienną losową Z =.
Prawdopodobieństwo i statystyka 3..00 r. Zadanie Niech X i Y będą niezależnymi zmiennymi losowymi o rozkładach wykładniczych, przy czym Y EX 4 i EY 6. Rozważamy zmienną losową Z. X + Y Wtedy (A) EZ 0,
Bardziej szczegółowoWprowadzenie do statystyki oraz analizy danych
Wprowadzenie do statystyki oraz analizy danych Marcin Wolter IFJ PAN 11 lipca 2014 1 Statystyka Statystyka nauka, która bada i opisuje zjawiska losowe. Pierwsze prace Al-Kindi użył statystyki do złamania
Bardziej szczegółowoAlgorytmy metaheurystyczne Wykład 11. Piotr Syga
Algorytmy metaheurystyczne Wykład 11 Piotr Syga 22.05.2017 Drzewa decyzyjne Idea Cel Na podstawie przesłanek (typowo zbiory rozmyte) oraz zbioru wartości w danych testowych, w oparciu o wybrane miary,
Bardziej szczegółowoJak działają detektory. Julia Hoffman
Jak działają detektory Julia Hoffman wielki Hadronowy zderzacz Wiązka to pociąg ok. 2800 wagonów - paczek protonowych Każdy wagon wiezie ok.100 mln protonów Energia chemiczna: 80 kg TNT lub 16 kg czekolady
Bardziej szczegółowoPomiar rozpadów Dalitz Hiperonów za pomocą spektrometrów HADES oraz PANDA. Jacek Biernat
Pomiar rozpadów Dalitz Hiperonów za pomocą spektrometrów HADES oraz PANDA Jacek Biernat Plan wystąpienia Motywacje pomiaru Aparatura Analiza danych z symulacji dla spektrometru PANDA Porównanie z symulacjami
Bardziej szczegółowoPoszukiwany: bozon Higgsa
Poszukiwany: bozon Higgsa Higgs widoczny w świetle kolajdera liniowego Fizyka Czastek i Oddziaływań Fundamentalnych: TESLA & ZEUS Poszukiwane: czastki sypersymetryczne (SUSY) Fizyka Czastek i Oddziaływań
Bardziej szczegółowo2008/2009. Seweryn Kowalski IVp IF pok.424
2008/2009 seweryn.kowalski@us.edu.pl Seweryn Kowalski IVp IF pok.424 Plan wykładu Wstęp, podstawowe jednostki fizyki jądrowej, Własności jądra atomowego, Metody wyznaczania własności jądra atomowego, Wyznaczanie
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład XV: Zagadnienia redukcji wymiaru danych 2 lutego 2015 r. Standaryzacja danych Standaryzacja danych Własności macierzy korelacji Definicja Niech X będzie zmienną losową o skończonym drugim momencie.
Bardziej szczegółowoRozkład Gaussa i test χ2
Rozkład Gaussa jest scharakteryzowany dwoma parametramiwartością oczekiwaną rozkładu μ oraz dyspersją σ: METODA 2 (dokładna) polega na zmianie zmiennych i na obliczeniu pk jako różnicy całek ze standaryzowanego
Bardziej szczegółowoKomputerowa Analiza Danych Doświadczalnych
Komputerowa Analiza Danych Doświadczalnych dr inż. Adam Kisiel kisiel@if.pw.edu.pl pokój 117b (12b) 1 Materiały do wykładu Transparencje do wykładów: http://www.if.pw.edu.pl/~kisiel/kadd/kadd.html Literatura
Bardziej szczegółowoSterowanie wielkością zamówienia w Excelu - cz. 3
Sterowanie wielkością zamówienia w Excelu - cz. 3 21.06.2005 r. 4. Planowanie eksperymentów symulacyjnych Podczas tego etapu ważne jest określenie typu rozkładu badanej charakterystyki. Dzięki tej informacji
Bardziej szczegółowoInstytut Fizyki Politechniki Łódzkiej Laboratorium Metod Analizy Danych Doświadczalnych Ćwiczenie 3 Generator liczb losowych o rozkładzie Rayleigha.
Instytut Fizyki Politechniki Łódzkiej Laboratorium Metod Analizy Danych Doświadczalnych Generator liczb losowych o rozkładzie Rayleigha. Generator liczb losowych o rozkładzie Rayleigha. 1. Cel ćwiczenia
Bardziej szczegółowoStatystyka i eksploracja danych
Wykład XII: Zagadnienia redukcji wymiaru danych 12 maja 2014 Definicja Niech X będzie zmienną losową o skończonym drugim momencie. Standaryzacją zmiennej X nazywamy zmienną losową Z = X EX Var (X ). Definicja
Bardziej szczegółowoElementy modelowania matematycznego
Elementy modelowania matematycznego Modelowanie algorytmów klasyfikujących. Podejście probabilistyczne. Naiwny klasyfikator bayesowski. Modelowanie danych metodą najbliższych sąsiadów. Jakub Wróblewski
Bardziej szczegółowoWnioskowanie statystyczne i weryfikacja hipotez statystycznych
Wnioskowanie statystyczne i weryfikacja hipotez statystycznych Wnioskowanie statystyczne Wnioskowanie statystyczne obejmuje następujące czynności: Sformułowanie hipotezy zerowej i hipotezy alternatywnej.
Bardziej szczegółowoMachine learning Lecture 2
Machine learning Lecture 2 Marcin Wolter IFJ PAN 9 March 2017 Proste metody nieliniowe jak naiwny klasyfikator bayesowski, metoda k-najbliższych sąsiadów, metody jądrowe Parzena. Wzmocnone drzewa decyzyjne
Bardziej szczegółowoKLASYFIKACJA. Słownik języka polskiego
KLASYFIKACJA KLASYFIKACJA Słownik języka polskiego Klasyfikacja systematyczny podział przedmiotów lub zjawisk na klasy, działy, poddziały, wykonywany według określonej zasady Klasyfikacja polega na przyporządkowaniu
Bardziej szczegółowoWykład 9 Wnioskowanie o średnich
Wykład 9 Wnioskowanie o średnich Rozkład t (Studenta) Wnioskowanie dla jednej populacji: Test i przedziały ufności dla jednej próby Test i przedziały ufności dla par Porównanie dwóch populacji: Test i
Bardziej szczegółowoPsychofizyka. Pomiary detekcji sygnałów Porównanie modeli
Psychofizyka Pomiary detekcji sygnałów Porównanie modeli Czym jest Teoria Detekcji Sygnałów (SDT)? W wielu przypadkach badań wydajnościowych proporcja poprawnych odpowiedzi (Pc) jest niewłaściwą lub nieinformacyjną
Bardziej szczegółowoBoska cząstka odkryta?
FOTON 118, Jesień 2012 27 Boska cząstka odkryta? Krzysztof Fiałkowski Instytut Fizyki UJ 4 lipca 2012 roku w wielkiej sali seminaryjnej CERNu w Genewie odbyło się nadzwyczajne seminarium. Organizatorzy
Bardziej szczegółowoPrawdopodobieństwo i statystyka
Wykład VII: Metody specjalne Monte Carlo 24 listopada 2014 Transformacje specjalne Przykład - symulacja rozkładu geometrycznego Niech X Ex(λ). Rozważmy zmienną losową [X ], która przyjmuje wartości naturalne.
Bardziej szczegółowoĆwiczenie 3++ Spektrometria promieniowania gamma z licznikiem półprzewodnikowym Ge(Li) kalibracja energetyczna i wydajnościowa
Ćwiczenie 3++ Spektrometria promieniowania gamma z licznikiem półprzewodnikowym Ge(Li) kalibracja energetyczna i wydajnościowa Cel ćwiczenia Celem ćwiczenia jest zapoznanie się - z metodyką pomiaru aktywności
Bardziej szczegółowoModele i wnioskowanie statystyczne (MWS), sprawozdanie z laboratorium 1
Modele i wnioskowanie statystyczne (MWS), sprawozdanie z laboratorium 1 Konrad Miziński, nr albumu 233703 1 maja 2015 Zadanie 1 Parametr λ wyestymowano jako średnia z próby: λ = X n = 3.73 Otrzymany w
Bardziej szczegółowoPrawdopodobieństwo i statystyka r.
Prawdopodobieństwo i statystyka 9.06.999 r. Zadanie. Rzucamy pięcioma kośćmi do gry. Następnie rzucamy ponownie tymi kośćmi, na których nie wypadły szóstki. W trzeciej rundzie rzucamy tymi kośćmi, na których
Bardziej szczegółowoKlasyfikacja przypadków w ND280
Klasyfikacja przypadków w ND280 Arkadiusz Trawiński Warszawa, 20 maja 2008 pod opieką: prof Danuta Kiełczewska prof Ewa Rondio 1 Abstrakt Celem analizy symulacji jest bliższe zapoznanie się z możliwymi
Bardziej szczegółowoMetody probabilistyczne
Metody probabilistyczne. Twierdzenia graniczne Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 20.2.208 / 26 Motywacja Rzucamy wielokrotnie uczciwą monetą i zliczamy
Bardziej szczegółowoI. Przedmiot i metodologia fizyki
I. Przedmiot i metodologia fizyki Rodowód fizyki współczesnej Świat zjawisk fizycznych: wielkości fizyczne, rzędy wielkości, uniwersalność praw Oddziaływania fundamentalne i poszukiwanie Teorii Ostatecznej
Bardziej szczegółowoStatystyka w przykładach
w przykładach Tomasz Mostowski Zajęcia 10.04.2008 Plan Estymatory 1 Estymatory 2 Plan Estymatory 1 Estymatory 2 Własności estymatorów Zazwyczaj w badaniach potrzebujemy oszacować pewne parametry na podstawie
Bardziej szczegółowoBudowanie macierzy danych geograficznych Procedura normalizacji Budowanie wskaźnika syntetycznego
Metody Analiz Przestrzennych Budowanie macierzy danych geograficznych Procedura normalizacji Budowanie wskaźnika syntetycznego mgr Marcin Semczuk Zakład Przedsiębiorczości i Gospodarki Przestrzennej Instytut
Bardziej szczegółowoRachunek prawdopodobieństwa Rozdział 6: Twierdzenia graniczne.
Rachunek prawdopodobieństwa Rozdział 6: Twierdzenia graniczne. 6.2. Centralne Twierdzenie Graniczne Katarzyna Rybarczyk-Krzywdzińska semestr zimowy 2015/2016 Słabe prawo wielkich liczb przypomnienie Słabe
Bardziej szczegółowoPraktyki studenckie na LHC IFJ PAN, 5 lipca 2017
M. Trzebiński ROOT wprowadzenie 1/10 Pakiet ROOT wprowadzenie Maciej Trzebiński Instytut Fizyki Jądrowej Polskiej Akademii Nauki Praktyki studenckie na LHC IFJ PAN, 5 lipca 2017 Wprowadzenie M. Trzebiński
Bardziej szczegółowoLHC i po co nam On. Piotr Traczyk CERN
LHC i po co nam On Piotr Traczyk CERN LHC: po co nam On Piotr Traczyk CERN Detektory przy LHC Planowane są 4(+2) eksperymenty na LHC ATLAS ALICE CMS LHCb 5 Program fizyczny LHC 6 Program fizyczny LHC
Bardziej szczegółowoWYKŁAD 8. Wszechświat cząstek elementarnych dla przyrodników
Wszechświat cząstek elementarnych dla przyrodników WYKŁAD 8 1 Maria Krawczyk, Wydział Fizyki UW 2.12. 2009 Współczesne eksperymenty-wprowadzenie Detektory Akceleratory Zderzacze LHC Mapa drogowa Tevatron-
Bardziej szczegółowoPrawdopodobieństwo i rozkład normalny cd.
# # Prawdopodobieństwo i rozkład normalny cd. Michał Daszykowski, Ivana Stanimirova Instytut Chemii Uniwersytet Śląski w Katowicach Ul. Szkolna 9 40-006 Katowice E-mail: www: mdaszyk@us.edu.pl istanimi@us.edu.pl
Bardziej szczegółowoSposoby opisu i modelowania zakłóceń kanałowych
INSTYTUT TELEKOMUNIKACJI ZAKŁAD RADIOKOMUNIKACJI Instrukcja laboratoryjna z przedmiotu Podstawy Telekomunikacji Sposoby opisu i modelowania zakłóceń kanałowych Warszawa 2010r. 1. Cel ćwiczeń: Celem ćwiczeń
Bardziej szczegółowoJeśli czas działania algorytmu zależy nie tylko od rozmiaru danych wejściowych i przyjmuje różne wartości dla różnych danych o tym samym rozmiarze,
Oznaczenia: Jeśli czas działania algorytmu zależy nie tylko od rozmiaru danych wejściowych i przyjmuje różne wartości dla różnych danych o tym samym rozmiarze, to interesuje nas złożoność obliczeniowa
Bardziej szczegółowoWszechświata. Piotr Traczyk. IPJ Warszawa
Ciemna Strona Wszechświata Piotr Traczyk IPJ Warszawa Plan 1)Ciemna strona Wszechświata 2)Z czego składa się ciemna materia 3)Poszukiwanie ciemnej materii 2 Ciemna Strona Wszechświata 3 Z czego składa
Bardziej szczegółowoWyznaczanie profilu wiązki promieniowania używanego do cechowania tomografu PET
18 Wyznaczanie profilu wiązki promieniowania używanego do cechowania tomografu PET Ines Moskal Studentka, Instytut Fizyki UJ Na Uniwersytecie Jagiellońskim prowadzone są badania dotyczące usprawnienia
Bardziej szczegółowoStatystyka matematyczna. Wykład VI. Zesty zgodności
Statystyka matematyczna. Wykład VI. e-mail:e.kozlovski@pollub.pl Spis treści 1 Testy zgodności 2 Test Shapiro-Wilka Test Kołmogorowa - Smirnowa Test Lillieforsa Test Jarque-Bera Testy zgodności Niech x
Bardziej szczegółowoĆwiczenie LP2. Jacek Grela, Łukasz Marciniak 25 października 2009
Ćwiczenie LP2 Jacek Grela, Łukasz Marciniak 25 października 2009 1 Wstęp teoretyczny 1.1 Energetyczna zdolność rozdzielcza Energetyczna zdolność rozdzielcza to wielkość opisująca dokładność detekcji energii
Bardziej szczegółowoRozkład normalny. Marcin Zajenkowski. Marcin Zajenkowski () Rozkład normalny 1 / 26
Rozkład normalny Marcin Zajenkowski Marcin Zajenkowski () Rozkład normalny 1 / 26 Rozkład normalny Krzywa normalna, krzywa Gaussa, rozkład normalny Rozkłady liczebności wielu pomiarów fizycznych, biologicznych
Bardziej szczegółowoNa tropach czastki Higgsa
Na tropach czastki Higgsa Wykład inauguracyjny 2004/2005 A.F.Żarnecki Zakład Czastek i Oddziaływań Fundamentalnych Instytut Fizyki Doświadczalnej Na tropach czastki Higgsa Wykład inauguracyjny 2004/2005
Bardziej szczegółowoCzym materia różni się od antymaterii - najnowsze wyniki z eksperymentu LHCb
Czym materia różni się od antymaterii - najnowsze wyniki z eksperymentu LHCb M. Witek 730 members 15 countries 54 institutes CERN LHC Large Hadron Collider LHCb CMS Atlas Alice Plan Motywacja badań Detektor
Bardziej szczegółowoRACHUNEK PRAWDOPODOBIEŃSTWA I STATYSTYKA MATEMATYCZNA
RACHUNEK PRAWDOPODOBIEŃSTWA I STATYSTYKA MATEMATYCZNA LISTA 10 1.Dokonano 8 pomiarów pewnej odległości (w m) i otrzymano: 201, 195, 207, 203, 191, 208, 198, 210. Wiedząc,że błąd pomiaru ma rozkład normalny
Bardziej szczegółowoRafał Staszewski. Praktyki studenckie Laboratorium Fizyki Cząstek Elementarnych 7 lipca 2017, IFJ PAN
Rafał Staszewski Instytut Fizyki Jądrowej imienia Henryka Niewodniczańskiego Polskiej Akademii Nauk Praktyki studenckie Laboratorium Fizyki Cząstek Elementarnych 7 lipca 2017, IFJ PAN 1 / 6 Uwagi ogólne
Bardziej szczegółowoRegresja logistyczna (LOGISTIC)
Zmienna zależna: Wybór opcji zachodniej w polityce zagranicznej (kodowana jako tak, 0 nie) Zmienne niezależne: wiedza o Unii Europejskiej (WIEDZA), zamieszkiwanie w regionie zachodnim (ZACH) lub wschodnim
Bardziej szczegółowoAnaliza Statystyczna
Lekcja 5. Strona 1 z 12 Analiza Statystyczna Do analizy statystycznej wykorzystać można wbudowany w MS Excel pakiet Analysis Toolpak. Jest on instalowany w programie Excel jako pakiet dodatkowy. Oznacza
Bardziej szczegółowo1 Wykład 3 Generatory liczb losowych o dowolnych rozkładach.
Wykład 3 Generatory liczb losowych o dowolnych rozkładach.. Metoda odwracania Niech X oznacza zmienna losowa o dystrybuancie F. Oznaczmy F (t) = inf (x : t F (x)). Uwaga Zauważmy, że t [0, ] : F ( F (t)
Bardziej szczegółowoBadania operacyjne egzamin
Imię i nazwisko:................................................... Nr indeksu:............ Zadanie 1 Załóżmy, że Tablica 1 reprezentuje jeden z kroków algorytmu sympleks dla problemu (1)-(4). Tablica
Bardziej szczegółowoSztuczna Inteligencja Tematy projektów Sieci Neuronowe
PB, 2009 2010 Sztuczna Inteligencja Tematy projektów Sieci Neuronowe Projekt 1 Stwórz projekt implementujący jednokierunkową sztuczną neuronową złożoną z neuronów typu sigmoidalnego z algorytmem uczenia
Bardziej szczegółowoWYKŁAD 3. Witold Bednorz, Paweł Wolff. Rachunek Prawdopodobieństwa, WNE, Uniwersytet Warszawski. 1 Instytut Matematyki
WYKŁAD 3 Witold Bednorz, Paweł Wolff 1 Instytut Matematyki Uniwersytet Warszawski Rachunek Prawdopodobieństwa, WNE, 2010-2011 Schemmat Bernouliego Rzucamy 10 razy moneta, próba Bernouliego jest pojedynczy
Bardziej szczegółowoAnaliza danych LHC w poszukiwaniu rezonansów w rozkładzie masy niezmienniczej dwóch mionów.
Uniwersytet Warszawski Wydział Fizyki Robert Boniecki Nr albumu: 7683 Analiza danych LHC w poszukiwaniu rezonansów w rozkładzie masy niezmienniczej dwóch mionów. Praca licencjacka na kierunku fizyka Praca
Bardziej szczegółowoZmienność wiatru w okresie wieloletnim
Warsztaty: Prognozowanie produktywności farm wiatrowych PSEW, Warszawa 5.02.2015 Zmienność wiatru w okresie wieloletnim Dr Marcin Zientara DCAD / Stermedia Sp. z o.o. Zmienność wiatru w różnych skalach
Bardziej szczegółowoTypy zmiennych. Zmienne i rekordy. Rodzaje zmiennych. Graficzne reprezentacje danych Statystyki opisowe
Typy zmiennych Graficzne reprezentacje danych Statystyki opisowe Jakościowe charakterystyka przyjmuje kilka możliwych wartości, które definiują klasy Porządkowe: odpowiedzi na pytania w ankiecie ; nigdy,
Bardziej szczegółowoPodstawy Sztucznej Inteligencji (PSZT)
Podstawy Sztucznej Inteligencji (PSZT) Paweł Wawrzyński Przeszukiwanie Przeszukiwanie przestrzeni stanów Motywacja Rozwiązywanie problemów: poszukiwanie sekwencji operacji prowadzącej do celu poszukiwanie
Bardziej szczegółowoLABORATORIUM PODSTAW TELEKOMUNIKACJI
WOJSKOWA AKADEMIA TECHNICZNA im. Jarosława Dąbrowskiego w Warszawie Wydział Elektroniki LABORATORIUM PODSTAW TELEKOMUNIKACJI Grupa Podgrupa Data wykonania ćwiczenia Ćwiczenie prowadził... Skład podgrupy:
Bardziej szczegółowoMaciej Piotr Jankowski
Reduced Adder Graph Implementacja algorytmu RAG Maciej Piotr Jankowski 2005.12.22 Maciej Piotr Jankowski 1 Plan prezentacji 1. Wstęp 2. Implementacja 3. Usprawnienia optymalizacyjne 3.1. Tablica ekspansji
Bardziej szczegółowoLINIOWOŚĆ METODY OZNACZANIA ZAWARTOŚCI SUBSTANCJI NA PRZYKŁADZIE CHROMATOGRAFU
LINIOWOŚĆ METODY OZNACZANIA ZAWARTOŚCI SUBSTANCJI NA PRZYKŁADZIE CHROMATOGRAFU Tomasz Demski, StatSoft Polska Sp. z o.o. Wprowadzenie Jednym z elementów walidacji metod pomiarowych jest sprawdzenie liniowości
Bardziej szczegółowoProjekt Sieci neuronowe
Projekt Sieci neuronowe Chmielecka Katarzyna Gr. 9 IiE 1. Problem i dane Sieć neuronowa miała za zadanie nauczyć się klasyfikować wnioski kredytowe. W projekcie wykorzystano dane pochodzące z 110 wniosków
Bardziej szczegółowoĆwiczenie nr 1 : Statystyczny charakter rozpadów promieniotwórczych
Ćwiczenie nr 1 : Statystyczny charakter rozpadów promieniotwórczych Oskar Gawlik, Jacek Grela 26 stycznia 29 1 Wstęp 1.1 Podstawy teoretyczne 1.1.1 Detektor Geigera-Müllera Jest to jeden z podstawowych
Bardziej szczegółowoWstęp do metod numerycznych Uwarunkowanie Eliminacja Gaussa. P. F. Góra
Wstęp do metod numerycznych Uwarunkowanie Eliminacja Gaussa P. F. Góra http://th-www.if.uj.edu.pl/zfs/gora/ 2012 Uwarunkowanie zadania numerycznego Niech ϕ : R n R m będzie pewna funkcja odpowiednio wiele
Bardziej szczegółowoRachunek prawdopodobieństwa Rozdział 6: Twierdzenia graniczne.
Rachunek prawdopodobieństwa Rozdział 6: Twierdzenia graniczne. 6.2. Centralne Twierdzenie Graniczne Katarzyna Rybarczyk-Krzywdzińska semestr zimowy 2015/2016 Słabe prawo wielkich liczb przypomnienie Słabe
Bardziej szczegółowoAlgorytm selekcji Hoare a. Łukasz Miemus
Algorytm selekcji Hoare a Łukasz Miemus 1 lutego 2006 Rozdział 1 O algorytmie 1.1 Problem Mamy tablicę A[N] różnych elementów i zmienną int K, takie że 1 K N. Oczekiwane rozwiązanie to określenie K-tego
Bardziej szczegółowoZawartość. Zawartość
Opr. dr inż. Grzegorz Biesok. Wer. 2.05 2011 Zawartość Zawartość 1. Rozkład normalny... 3 2. Rozkład normalny standardowy... 5 3. Obliczanie prawdopodobieństw dla zmiennych o rozkładzie norm. z parametrami
Bardziej szczegółowoMetody systemowe i decyzyjne w informatyce
Metody systemowe i decyzyjne w informatyce Laboratorium MATLAB Zadanie nr 1 Regresja liniowa autorzy: A. Gonczarek, J.M. Tomczak Cel zadania Celem zadania jest zapoznanie się z liniowym zadaniem najmniejszych
Bardziej szczegółowo