Implementierung der CLs-Methode in ROOT zur statistischen ...

Im darauf folgenden Abschnitt wird der HybridCalculatorOriginal mit den Daten, den
Wahrscheinlichkeitsverteilungen, den Nuisance-Parametern sowie deren Verteilungen initialisiert
und die benötigten Optionen übergeben. Zur schnelleren Berechnung der Monte-
Carlo-Experimente wird die Generierung der Daten für diese Experimente gebinned vorgenommen.
Des Weiteren wählen wir −2 ln Q als Teststatistik sowie die Berücksichtigung
der Nuisance-Parameter und der A-Priori-Wahrscheinlichkeitsverteilungen
HybridResult myHybridResult = myHybridCalc . GetHypoTest ( ) ;
if ( ! myHybridResult ) {
std : : cerr CLb ( ) ;
double cls_data = myHybridResult −> CLs ( ) ;
double data_significance = myHybridResult −> Significance ( ) ;
double min2lnQ_data = myHybridResult −> GetTestStat_data ( ) ;
double clsb_error = myHybridResult −> CLsplusbError ( ) ;
double clb_error = myHybridResult −> CLbError ( ) ;
double cls_error = myHybridResult −> CLsError ( ) ;
std : : cout SetBorderMode ( 0 ) ;
c −> SetFillColor (10) ;
HybridPlot myHybridPlot = myHybridResult −> GetPlot ( savename , ←↪
"Verteilung von -2 ln Q" , 100) ;
myHybridPlot −> Draw ( ) ;
Im vorletzten Abschnitt erfolgt der Aufruf des Hypothesentests mit 50000 Monte-Carlo-
Experimenten, sowie die Ausgabe der Ergebnisse, also CLs, die bestimmten Integrale für
CLb und CLs+b, der Wert der Teststatistik, −2 ln Qobs aus den importierten Daten und
die aus den Daten bestimmte Signifikanz für die Nullhypothese.
sprintf ( workspacename , "workspace_50000toys_%d.root" , higgs_hyp ) ;
//instantate Workspace
RooWorkspace w = new RooWorkspace ( "w" , "CLs" ) ;
//fill contents into workspace
19