ladamczy / STAR-Analysis

Repository for AGH-STAR analysis code
2 stars 0 forks source link

Histogram 2D rozkłady masy kaonów #8

Closed ladamczy closed 1 year ago

ladamczy commented 1 year ago

Prosze sobie zdefiniowac dwa zakresy masy

szeroki np. 0.44-0.54 i waski np. 0.48-0.51

Jak rozumiem to problem ma Pan taki ze okno masy determinuje konfiguracje dla której obie masy sa w oknie a czasami obie sa w oknie.

To jest drobny problem bo dotyczy małej ilosci przypadków.

Jeżeli mam wąskie okno masy, to jest mało przypadków gdzie dwie konfiguracje posiadają dwa kaony w oknie masy, dla szerszego zakresu jest ich znacznie więcej. Do tej pory selekcja była następująca

if (dwie konfiguracje z dwoma kaonami w oknie masy) leading kaon to kaon o największym pT z czterech możliwych, a sub-leading to kaon z mniejszym pT z tej samej konfiguracji else if (dwa kaony w oknie masy z konfiguracji 1)

else if (dwa kaony w oknie masy z konfiguracji 2)

cztery kolejne else if gdzie jeden kaon jest w oknie may

else nie ma ani jednego kaonu w oknie masy, do wypełnienia histogramu masy niezmienniczej używam leading "nie-kaonu" o największym pT.

Aby go usunąć proponuje:

Prosze wybrać konfiguracje dla której obie masy sa najblizej punku (K0,K0). Teraz dla takiej konfiguracji jesli sie mieści w szerokim zakresie masy to przypadek przepuszczamy (ale jednoczesnie definiujemy zmienna logiczna która mówi czy przypadek mieści sie rownież w zakresie wąskim.

ale rozumiem, że do wypełniania histogramu masy powinnam wykorzystać wszystkie przypadki, nawet te które są poza szerokim oknem masy? I jeżeli już znajdę parę z najmniejszą sumą kwadratów odległości, to dalej używać leading kaonu jako kaon o największym pT?

Proceduje Pani przypadek w zakresie szerokim masy do końca. Ale histogramy wypełnia Pani nakładając tam gdzie trzeba dodatkowy warunek na zakres wąski.

Czyli np. wie Pani czy przypadek w szerokim zakresie masy przeszedł ciecie na nToF i pT_mis. I teraz:

rysujemy pT  z warunkiem na waski zakres masy
rysujemy nTof z warunkiem na waski zakres masy
rysujemy mase z warunkiem na pT (ale bez warunku na ∑aski zakres masy).
ladamczy commented 1 year ago

Pomysł z szerokim oknem masy był po to aby troche Pani pomóc bo wydawało mi sie że ma Pani tutaj problem z tą niejednoznacznością który nadal jest rzadki nawet dla szerokiego okna masy

Ale jaknajbardziej szeroki zakres masy może oznaczać nieograniczony od 0 do infty. Wtedy każdy przypadek ma zawsze dwie kombinacje. Prosze wybrać tę której odległość jest najmniejsza do punktu K0,K0

Znika wtedy prolem wiodącego i drugiego kaonu, traktujemy je tak samo. wtedy znika problem tego paska i struktury która teraz jest na tym plocie. Oczywiście nadal definiujemy wiodący i wtórny kaon ale tylko po to aby jednozancznie wypełniać oś pozioma i pionową na wykresie.

Ten rozkład 2D wymaka się troche z zasady n-1 . Bo chcielibyśmy zobaczyć ten rozkład w szerokim zakresie masy zarówno z cieciem na pt_miss i nToF jak i bez tych dwóch cięć zatem jeden z tych plotów jest w konwncji n-1 (brak tylk ciecia na ono masy) a drugi w konwnecji n-3 (brak ciecia na okno masy, brak ciecia na pt_mis i brak ciecia na nToF). Pierwszy plot obrazuje selekcje inkluzywną K0K0 a drugi ekxkluzywną.

PatrycjaMalinowska commented 1 year ago

W poprzednim issue wysłałam rozkład masy w zakresie szerokiego okna masy od 0.44 do 0.54, gdzie została wprowadzona nowa selekcja na podstawie najmniejszej sumy kwadratów odległości od punktu K0,K0. Jak poprzednio oś x oznacza wiodący kaon, a y sub-leading kaon.

Zmodyfikowałam kod i po selekcji dobrych śladów TPC. Obliczam zmienne: pT miss, NTOF cluster, masę kaonów, DCA daughters, R dla leading i sub-leading. Nie odrzucam przypadków, ale wprowadziłam flagi, na wąskie i szerokie okno masy, pTmiss, nTOFCluster i teraz mogę wypełniać histgoramy tych zmiennych ustawiając odpowiendie flagi w warunku if , w którym te histigramy są zagnieżdżone.

W poprzednim issue wszystkie te zmienne, poza masą były zagnieżdżone w warunku na wąskie okno masy. Za moment prześlę wyniku jak wygląda rozkłady masy dla różnych konfiguracji cięć.

PatrycjaMalinowska commented 1 year ago

W załączniku przesyłam rozkłady dla danych i MC, gdzie zastosowano cięcie na TOF i nCluster lub nie, dla MC rozkłady są takie same.

HistInvMassPiPi2DData.pdf HistInvMassPiPi2DMC.pdf HistInvMassPiPi2DTofPtMissData.pdf HistInvMassPiPi2DTofPtMissMC.pdf

ladamczy commented 1 year ago

Ploty jako takie wyglądają już dobrze. Chodzi teraz o o to żeby zrobić z niego taki plot propagandowy, który będzie ładnie obrazowł przypadki K0K0. Są dwie drogi jakie mozemy próbowac:

  1. Zrobić teraz rzutowanie na oś x i y ale podwarunkiem że wąskiego okna masy dla drugiej pary.
  2. Zrobić plot lego i tak go pokazać że ładnie wyglądał np.
    https://root.cern/doc/v608/fit2a_8C.html

może nawet z fitem rozkładu normlanego 2D. Ale to może po Kairze lub tuż przed jak już wszystko będzie Pani miała gotowe. Prosze może dodac tutaj plik root dla danych po ciecie na missing i nToF

ladamczy commented 1 year ago

Nie rozumie jeszcze jednego tutaj na tym plocie po cieciach na pT_mis i nTof w tym piku mamy 1000 przypadków a na plocie pTmis (w innym watku) dla pT_mis<0.2 mamy troche ponad 100 przypadków. Coś tu nie gra.

PatrycjaMalinowska commented 1 year ago

ponieważ na rozkład pT nałożyłam cięcie na wąskie okno masy

PatrycjaMalinowska commented 1 year ago

results.zip Data2-6.pdf

ladamczy commented 1 year ago

Teraz ten plot wygląda inaczej niech Pani popatzry co Pani posłała wczesnirj

https://github.com/ladamczy/STAR-Analysis/files/12845739/HistInvMassPiPi2DTofPtMissData.pdf

tutaj mamy 1000 w tym jednym binie wąskiego okna masy,

PatrycjaMalinowska commented 1 year ago

a przepraszam, myślałam że poprawiłam wszystkie histogramy, przez przypadek przeskalowałam dane, jeszcze przez poprzednią wartość Lumi. Poprawne dane są w pliku pdf

ladamczy commented 1 year ago

W takim razie prosze zapomnieć o zabawie w fitowanie 2D, pozostaje opcja rzutów 1D.

PatrycjaMalinowska commented 1 year ago

w załączniku przesyłam rzuty HistInvMassPiPi2D_pxData.pdf HistInvMassPiPi2D_pyData.pdf HistInvMassPiPi2DTofPtMiss_pxData.pdf HistInvMassPiPi2DTofPtMiss_pyData.pdf

ladamczy commented 1 year ago

raczej prosiłem o takie rzuty warunkowe czyli rozkład masy pary leading pod warunkiem ze para sub-leading jest w wąskim oknie masy i na odwrót.

PatrycjaMalinowska commented 1 year ago

Dodałam warunki na wąskie okno masy:

HistInvMassPiPi2DTofPtMissXData.pdf HistInvMassPiPi2DTofPtMissYData.pdf HistInvMassPiPi2DXData.pdf HistInvMassPiPi2DYData.pdf

ladamczy commented 1 year ago

po pierwsze zasada jest taka, że issue zamyka ten kto go otworzył, ...

po drugie nie rozumiem tych plotów (chyba ze mają zły opis)

Tam jst pT_miss<0.5 a dawniej było pT_mis<0.2 i nawet się zastanawiam czy nie obniżyć do <0.15 . To ile tam w koncu jest ? Dodatkowo okno masy jest 0.44 - 0.54 a wąskie okno masy to 0.49-0.52 to ile tu w końcu jest ?

Histogramy zawsze prosze (domyślnie) rysowac z opcja ->SetMiimum(0) chyba ze jest istotny powód aby tego nie robić

ladamczy commented 1 year ago

wydawało mi się ze kiedy ustaliliśmy ze wąskie onko to 0.485-0.515

PatrycjaMalinowska commented 1 year ago

Może przez przypadek zamknęłam. Zakres wąskiego okna jest ok 0.48 do 0.51, pT miss obniżę do 0.15, teraz było 0.5

PatrycjaMalinowska commented 1 year ago

Wyniki dla 0.2 HistInvMassPiPi2D_leadingData.pdf HistInvMassPiPi2D_subleadingData.pdf

HistInvMassPiPi2DTofPtMiss_leadingData.pdf HistInvMassPiPi2DTofPtMiss_subleadingData.pdf

ladamczy commented 1 year ago

Prosze sub-leading zrobić w takim samym binowaniu jak leading i zrobić jeszcze plot sumy obu.

PatrycjaMalinowska commented 1 year ago

w załączniku przesyłam wykresy. Czy rysunki w prezentacji powinny zawierać ponumerowane cięcia ?

HistInvMassPiPi2D_leadingData.pdf HistInvMassPiPi2D_subleadingData.pdf HistInvMassPiPi2D_SummedData.pdf HistInvMassPiPi2DTofPtMiss_leadingData.pdf HistInvMassPiPi2DTofPtMiss_subleadingData.pdf HistInvMassPiPi2DTofPtMissSummedData.pdf

f1pmpr commented 1 year ago

Proponuję usunąć tę listę z rysunków. Można zostawić listę fiducial cuts, ale w miejscu w ktoórym nie zakrywa danych i raczej w formacie takim jak na slajdzie, niż w długiej kolumnie. Proponuę też dodać, np. w lewym górnym rogu: STAR pp sqrt{s}=510 GeV

ladamczy commented 1 year ago

Bez numerów. Moim zdaniem do prezentacji trzeba wiekszość z nich usunąć i zostawić tylko te istotne. Generalnie jak Pani zdefiniuje na początku prezentacji listę cięć to już na plotach nie sa moim zdaniem potrzebne.
Chyba, że jakieś ciecia nie ma lub jest inne. wtedy trzeba to napisać.

PatrycjaMalinowska commented 1 year ago

dobrze zmienię to. A czy chcemy pokzazać rozkłady 1D leading i sub-leading kaonu przed i po zastosowaniu cięcia na TOF i pT? I czy już fitować gausa i tło (wielomian 3 stopnia ? ) dla binowania i zakresu jakie teraz jest ?

f1pmpr commented 1 year ago

Tło chyba najlepiej fitować możliwie prostą parametryzacją - w naszym wypadku chyba wystarczy linia prosta. Na osiach pionowych prosze dopisac "events"

ladamczy commented 1 year ago

Zakres i binowanie chyba już jest dobra. Pierwsze fity prosze robić do sumy plotów po cięciu na pT i n_Tof. Aby byc pewnym: Czy to sa rozklady po cieciu na mase drugiej pary w oknie 0.48 do 0.51 ? Bo na plotach jest 0.44-0.54 (?) Na fit 1D prosze nie tracić zbyt duzo czasu bo on nie jest tutaj rozstrzygajacym. W tym sensie że nadal to może produkcją K0 pipi Tylko fit 2D byłby ostatecznym dowodem na przypadki K0K0. Lepiej czas poświecić na prezentacje i inne ploty, ....

PatrycjaMalinowska commented 1 year ago

Histogramy 1D są rzutem histogramu 2D, pod warunkiem, że druga para ma masę wąskim zakresie za pomocą: hist = hist1.ProjectionX("HistInvMassPiPi2D_leading", hist1.GetYaxis().FindBin(0.48), hist1.GetYaxis().FindBin(0.51))

f1pmpr commented 1 year ago

Dobrze by było gdybyśmy mieli również rysunki py vs px protonow w poszczegolnych stacjach RP z nałożonymi cięciami fiducial.

PatrycjaMalinowska commented 1 year ago

Przesyłam rozkłady masy z dopasowaniem HistInvMassPiPi2DTofPtMiss_leadingData.pdf HistInvMassPiPi2DTofPtMiss_subleadingData.pdf

PatrycjaMalinowska commented 1 year ago

Przesyłam pierwszą próbę fitu 2D, gdzie tło jest płaszczyzną.

Double_t g2(Double_t x, Double_t par) { Double_t r1 = Double_t((x[0]-par[1])/par[2]); Double_t r2 = Double_t((x[1]-par[3])/par[4]); return par[0]TMath::Exp(-0.5(r1r1+r2r2)) + par[5](par[6]x[0] + par[7]*x[1] + par[8]); }

1 p0 2.63473e+01 5.01234e+00 2.53659e-03 4.02607e-05 2 p1 5.00570e-01 1.48830e-03 5.23759e-05 1.64508e-03 3 p2 9.63273e-03 1.47583e-03 7.73775e-07 1.75527e-01 4 p3 4.93632e-01 1.11197e-03 7.83661e-07 -1.96652e-02 5 p4 -6.58974e-03 7.03704e-04 4.39171e-07 -1.21212e-01 6 p5 2.81164e+00 1.21963e+00 1.63624e-04 -5.07241e-05 7 p6 -6.02572e+00 1.77835e+00 1.14441e-04 -7.36470e-04 8 p7 4.10257e+00 1.95472e+00 1.16492e-04 -5.14960e-04 9 p8 1.92936e+00 9.19209e-01 5.65064e-05 -1.27903e-03 Info in : pdf file fit.pdf has been created

fit.pdf

f1pmpr commented 1 year ago

Zeby ten rysunek wygladal lepiej, to prosze sprobowac:

a) zmniejszyc szerokosc binow w obecnym histogramie o polowe. b) dobrac szerokosc binow tak, aby przy obecnym zakresie osi srodek jednego z binow wypadal w punkcie x=m_K0 i y=m_K0.

PatrycjaMalinowska commented 1 year ago

tylko właśnie mam problem z dużą liczbą zerowych binów, gdy zwiększam ich liczbę. Początkowo histogram był zabookowany w szerokim oknie masy od 0.44 do 0.54 GeV z 25 binami na każdej osi. Histogram wygląda jak na załączonym rysunku. Przed fitowaniem użyłam RebinX(3) i RebinY(3) aby pozbyć się zerowych binów. fit.pdf

ladamczy commented 1 year ago

Jakie jest chi2/NDF fitu? Nie ma powodu aby masy były różne. Ja bym dał par(1)=Par(3). jesli to nie pogorszy fitu.

Nie jestem pewnien ale wydaje mi sie płaszczyzne można fitować z mniejsza iloscia parametrów

par[5](par[6]x[0] + par[7]*x[1] + 1);

czyli wyciągamy par(8) przed nawias

ladamczy commented 1 year ago

może wystarczy Rebin(2)

f1pmpr commented 1 year ago

A jak wyglada fit do tego histogramu? Zerowe biny nie powinny przeszkadzac w fitowaniu.

Prosze tez zwiekszyc odleglosci pomiedzy liczbami w opisach osi poziomych. Trzeba chyba skorzystac z tego (pewnie tylko dla x i y): gStyle->SetNdivisions(510,"xyz");

ladamczy commented 1 year ago

Zerowe biny wprawdzie sa odrzucane ale nie powinno ich być bo zmieniaja wszystkie parametry i interpretacje.

W zasadzie w kazdym binie powinno byc przynajmniej kilka (>=5) wejść. Jedynem wyjściem jest utworzenie histogramu 2D o zmiennych szerokościach binów (gęsto w okilicy masu K0) i rzadko dalej. ale to troche zabawy nie wiem czy na teraz.

f1pmpr commented 1 year ago

Mysle, ze ten histogram i fit wyraznie pokazuja, ze mamy sygnal. Wydaje mi sie, ze na obecnym etapie to raczej jest kwestia estetyczna niz samej wartosci chi2. Ważne zeby srednie(a) byla w masie K0.

PatrycjaMalinowska commented 1 year ago

Dla Rebin(2) otrzymałam chi^2/ndf = 0.617984 Ustawiłam równe masy i zmiejeszyłam liczbę parametrów w równaniu płaszczyzny: EXT PARAMETER APPROXIMATE STEP FIRST
NO. NAME VALUE ERROR SIZE DERIVATIVE 1 p0 1.55769e+01 3.61820e+00 -1.56011e-02 -2.76612e-05 2 p1 4.98073e-01 7.17638e-04 2.89003e-04 1.87720e-01 3 p2 7.09588e-03 1.09467e-03 5.47481e-04 3.70446e-01 4 p3 4.73539e-03 8.93332e-04 -9.26494e-06 -5.99068e-02 5 p4 -3.64107e-02 6.67938e-02 3.30481e-04 1.58064e+00 6 p5 2.32788e+01 5.36835e+01 3.06390e-01 2.14265e-03 7 p6 -1.16080e+02 2.15220e+02 -1.21300e+00 1.20665e-03 fit.pdf

ladamczy commented 1 year ago

W zasadzie wszystkie parametry tła sa w granicach błędu 0 . Prosze założyć że płaszczyzna jest prostopadła do osi Z cztli tylko jeden parametr. p4 i brak zalezności od x i y

f1pmpr commented 1 year ago

Ten fit wizualnie wydaje sie za waski w piku. Jak sie maja wartosci sigm z fitu do wartosci rms z histogramow z projection tych plaszczyzn przechodzacych przez pik w masach? Wydaje sie tez, ze pomija Pani ostatni bin w ficie tla.

PatrycjaMalinowska commented 1 year ago

Dodałam stat box, fit daje sigmę o rząd wielkości mniejszą od rms fit.pdf

f1pmpr commented 1 year ago

No to coś jest niedobrze z tym fitem. Chyba, że te projection nie są dokładnie z płaszczyzn przechodzących przez pik. Dlatego właśnie proponowałem dobranie szerokości binów tak aby srodek jednego z binow wypadal w wartosci masy K0.

PatrycjaMalinowska commented 1 year ago

Dla stałej płaszczyzny fit.pdf

FCN=64.393 FROM MIGRAD STATUS=CONVERGED 361 CALLS 362 TOTAL EDM=3.50864e-08 STRATEGY= 1 ERROR MATRIX ACCURATE EXT PARAMETER STEP FIRST
NO. NAME VALUE ERROR SIZE DERIVATIVE 1 p0 1.55446e+01 3.60134e+00 9.95438e-03 4.86384e-05 2 p1 4.98090e-01 7.14281e-04 1.91035e-04 1.34801e-03 3 p2 7.12426e-03 1.10633e-03 1.35568e-04 6.03581e-03 4 p3 4.76653e-03 8.98955e-04 1.30576e-04 3.45894e-03 5 p4 1.62294e+00 1.28394e-01 4.91567e-04 1.52145e-03

chi2/ndf = 0.601804

PatrycjaMalinowska commented 1 year ago

No to coś jest niedobrze z tym fitem. Chyba, że te projection nie są dokładnie z płaszczyzn przechodzących przez pik. Dlatego właśnie proponowałem dobranie szerokości binów tak aby srodek jednego z binow wypadal w wartosci masy K0.

to jeszcze na etapie analizy zmodyfikować szerokie okno masy ? np. od 0.447 do 0.547?

ladamczy commented 1 year ago

Prosze nie porówbywać sigma z rms. Tyllko sigmy z fitu 2D z sigmami z fitów 1D

ladamczy commented 1 year ago

Prosze usunąć box i raczej dodać parametry z fitu jesli juz

PatrycjaMalinowska commented 1 year ago

Prosze nie porówbywać sigma z rms. Tyllko sigmy z fitu 2D z sigmami z fitów 1D

wtedy dostaję sigmy o tym samym rzędzie wielkości

ladamczy commented 1 year ago

rząd wielkości to mało pytanie czy sa zgogne. Z tego fitu 2D mam 7 i 4 MeV a ile było z 1D ?

PatrycjaMalinowska commented 1 year ago

Dla leading (bez warunku na wąski rozkład masy subleading) std: 8.27390 MeV dla sub 5 MeV

EXT PARAMETER STEP FIRST
NO. NAME VALUE ERROR SIZE DERIVATIVE 1 p0 6.32545e+01 8.61980e+00 1.24745e-02 7.93214e-06 2 p1 4.97479e-01 1.07550e-03 2.12754e-06 -1.83772e-01 3 p2 8.27390e-03 1.65613e-03 1.93802e-06 3.76064e-01 4 p3 1.22238e+02 3.32331e+01 4.02818e-03 -8.15567e-06 5 p4 -6.75987e+01 6.85818e+01 8.20702e-03 9.61621e-06

NO. NAME VALUE ERROR SIZE DERIVATIVE 1 p0 8.43566e+01 1.08566e+01 1.53167e-03 -1.85718e-05 2 p1 4.96188e-01 7.00218e-04 9.15936e-07 4.62682e-01 3 p2 5.08264e-03 7.08121e-04 -3.62325e-07 -6.81233e-02 4 p3 -1.12726e+02 3.29605e+01 1.81372e-02 9.69690e-05 5 p4 4.20605e+02 6.81737e+01 -4.62578e-02 4.70989e-05

HistInvMassPiPi2D_leadingData.pdf HistInvMassPiPi2D_subleadingData.pdf

ladamczy commented 1 year ago

tutaj mamy 8 i 5 więc prawie zgodne. Tylko dlaczego fituje tu Pani do histogramów bez ciecia na pTi nToF

PatrycjaMalinowska commented 1 year ago

Dla PT i Tof mam 7 i 3.5

ladamczy commented 1 year ago

mnie się zatem wydaje ze jest ok. Może Pani ewentualnie obrócić troche ten histogram bo moim zdaniem to wrażenie że fit jest dużo węższy od histogramu jest dlatego że tam sie nakładaja binu które sa daleko.