用于高能物理的纯python统计工具。
lauztat的Python项目详细描述
纯python高能物理统计工具,使用zfitas 最大似然拟合的后端。
基于似然比提供了发现、上限和置信区间的测试 在频率方法中(使用伪实验)或使用 “新物理基于似然检验的渐近公式”[arxiv:1007.1727]。
瑞士洛桑的epfl开发了lauztat(laus'or lauz是酷孩子们称之为洛桑的方式)。
安装
像任何其他python包一样安装lauztat:
pip install lauztat # maybe with sudo or --user, or in virtualenv
依赖关系
开始
通常的hep结果可以在假设检验的基础上进行重铸。 选择一个空h0和另一个h1假设h0 成为你想反驳的人。 要进行测试,您需要数据(和权重)、模型、损失函数生成器 以及作为计算器输入的最小值(frequentistcalculator或渐进式计算器)。
发现:
如果您在数据集中进行测量以找到信号s,并且您发现有多余的信号,则 测试答案“数据是否只与背景兼容?“带:
- h0:仅限背景(s=0)
- h1:存在信号(s≠0)
测试返回p值或显著性z。如果z≥3,则有证据 如果z≥5,则发现一个信号。
指数背景上高斯峰的显著性计算示例如下 提供给asymptotic calculator 以及frequentist calculator 可以在mybinder中运行。
上限:
如果在数据集中发现一个小信号过量,但不足以声明 一个证据或发现,您可以排除大信号产生s:
- h0:背景+一些信号(s=s0)
- h1:s<;s0
将s0调整为预定义的p值,通常为5%。s0为上限 95%置信水平下的信号屈服极限 (Cl=1-P;P=5%Cl=95%)。
信号产量的CLs上限示例 对于指数背景上的高斯峰 为asymptotic calculator提供 以及frequentist calculator 可以在mybinder中运行。
置信区间:
如果用估计器_测量参数α,给出一个观测值 _obs在某个置信水平(通常为68%)下α的哪个值不被拒绝?
- h0:α≤α向下或α≥α向上
- h1:α向下<;α<;α向上
调整α向下和α向上使测试返回32%的p值。
高斯峰平均值的置信区间示例如下 为asymptotic calculator提供 以及frequentist calculator (费尔德曼和库森置信区间[arxiv:9711021]) 可以在mybinder中运行。