Implementierung der CLs-Methode in ROOT zur statistischen ...
Implementierung der CLs-Methode in ROOT zur statistischen ...
Implementierung der CLs-Methode in ROOT zur statistischen ...
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
was e<strong>in</strong>er früheren Akzeptanz <strong>der</strong> Hypothese H1 gleichkommt, obwohl die Verbreiterung<br />
systematischen Ursachen entspr<strong>in</strong>gt. Die <strong>CLs</strong>-<strong>Methode</strong> führt unter diesen Bed<strong>in</strong>gungen<br />
zu e<strong>in</strong>er Verr<strong>in</strong>gerung <strong>der</strong> Sensitivität, da sie die Konfidenz <strong>in</strong> H0 mit berücksichtigt, e<strong>in</strong><br />
weiterer Vorteil gegenüber <strong>der</strong> sonst gebräuchlichen <strong>CLs</strong>+b-<strong>Methode</strong>.<br />
Separation<br />
0.1<br />
0.08<br />
0.06<br />
0.04<br />
0.02<br />
M_test = 1 GeV<br />
CL = 0.169 +/- 0.00265<br />
s+b<br />
CL = 0.169 +/- 0.00265<br />
s<br />
SB toy datasets<br />
B toy datasets<br />
test statistics on data<br />
0<br />
-200 -150 -100 -50 0 50<br />
test -2 statistics ln Q<br />
Abbildung 3: Verteilung <strong>der</strong> Teststatistik −2 ln Q für mH = 1 GeV, Signalstärke: 1.25<br />
Bis hierh<strong>in</strong> waren alle Aussagen über die <strong>CLs</strong>-<strong>Methode</strong> frequentistischer Natur. Wie<br />
<strong>in</strong> Abschnitt 4 bereits dargelegt, gehen <strong>in</strong> die Bestimmungen <strong>der</strong> Verteilungen p(t) A-<br />
Priori-Wahrsche<strong>in</strong>lichkeitsverteilungen e<strong>in</strong>, die e<strong>in</strong>e Verbreiterung von p(t) verursachen.<br />
Da diese Wahrsche<strong>in</strong>lichkeitsverteilungen vor Bestimmung von <strong>CLs</strong>, zum Beispiel aus<br />
Messungen <strong>in</strong> <strong>der</strong> Nähe <strong>der</strong> zu untersuchenden Signalregion, festgelegt werden, stellen sie<br />
e<strong>in</strong>e bayesische Annahme im S<strong>in</strong>ne von Abschnitt 2 dar. Aufgrund <strong>der</strong> frequentistischen<br />
und bayesischen Züge <strong>der</strong> <strong>CLs</strong>-<strong>Methode</strong> wird diese oft als Hybrid zwischen den beiden<br />
<strong>statistischen</strong> Interpretationen angesehen.<br />
6. Look-Elsewhere-Effekt<br />
Betrachtet man <strong>in</strong> Hypothesentests nur kle<strong>in</strong>e Signale im Vergleich zum vorhandenen<br />
Untergrund, kann es passieren, dass man e<strong>in</strong> Signal dort sieht, wo es eigentlich nur<br />
e<strong>in</strong>e Untergrundfluktuation gegeben hat. In diesem Fall erkennt man die alternative Hypothese<br />
an, obwohl das Experiment e<strong>in</strong> re<strong>in</strong>es Untergrundspektrum liefert, es liegt also<br />
e<strong>in</strong> Fehler erster Art vor. Dieser Effekt heißt Look-Elsewhere-Effekt. Die Quantifizierung<br />
dieses Effekts kann folgen<strong>der</strong>maßen geschehen: Zunächst wird gemäß <strong>der</strong> angenommenen<br />
Untergrundverteilung e<strong>in</strong> Pseudodatensatz i für e<strong>in</strong> mögliches Experiment generiert.<br />
Anschließend wird das Konfidenzniveau für den Untergrund CLb berechnet und dieser<br />
Schritt für möglichst viele Werte des zu testenden Parameters mit e<strong>in</strong>em Pseudodatensatz<br />
wie<strong>der</strong>holt. Trägt man nun 1 − CLb, die Wahrsche<strong>in</strong>lichkeit bei e<strong>in</strong>em Experiment ke<strong>in</strong>e<br />
re<strong>in</strong>e Untergrundmessung zu haben, gegen den zugehörigen Wert des Parameters auf, so<br />
14