Statistical Methods for Data Analysis in Particle Physics

این مجموعه مختصر از یادداشت‌های مبتنی بر دوره، مفاهیم و ابزارهای اصلی مورد نیاز برای انجام تحلیل‌های آماری داده‌های تجربی، به‌ویژه در زمینه فیزیک انرژی بالا (HEP) را در اختیار خواننده قرار می‌دهد.

ابتدا، این کتاب مقدمه‌ای بر نظریه احتمالات و آمار پایه ارائه می‌کند، که عمدتاً به‌عنوان تجدیدنظر در مطالعات پیشرفته کارشناسی خوانندگان در نظر گرفته شده است، اما همچنین به آنها کمک می‌کند تا به وضوح بین رویکردها و تفاسیر متداول و بیزی تمایز قائل شوند. برنامه های کاربردی. مفاهیم و کاربردهای پیشرفته‌تر به تدریج معرفی می‌شوند و در فصل اکتشافات و محدودیت‌های بالا به اوج می‌رسد، زیرا بسیاری از کاربردها در HEP به آزمایش فرضیه‌ها مربوط می‌شوند، جایی که هدف اصلی اغلب ارائه محدودیت‌های بهتر و بهتر است تا در نهایت بتوانیم بین آنها تمایز قائل شویم. فرضیه های رقابتی، یا رد کردن برخی از آنها به طور کلی.

بسیاری از نمونه های کار شده به تازه واردان در این رشته و دانشجویان فارغ التحصیل کمک می کند تا مشکلات مربوط به کاربرد مفاهیم نظری در داده های واقعی را درک کنند.

این ویرایش دوم جدید به طور قابل توجهی بر روی مطالب اصلی، با محتوای پس زمینه بیشتر (مانند روش مونت کارلو زنجیره مارکوف، بهترین برآوردگر خطی بی طرفانه)، کاربردها (روش های باز کردن و تنظیم، مناطق کنترل و تناسب همزمان، مفاهیم یادگیری ماشین) و مثال‌ها (مثلاً محاسبه اثر نگاه در جای دیگر).

This concise set of course-based notes provides the reader with the main concepts and tools needed to perform statistical analyses of experimental data, in particular in the field of high-energy physics (HEP).

First, the book provides an introduction to probability theory and basic statistics, mainly intended as a refresher from readers’ advanced undergraduate studies, but also to help them clearly distinguish between the Frequentist and Bayesian approaches and interpretations in subsequent applications. More advanced concepts and applications are gradually introduced, culminating in the chapter on both discoveries and upper limits, as many applications in HEP concern hypothesis testing, where the main goal is often to provide better and better limits so as to eventually be able to distinguish between competing hypotheses, or to rule out some of them altogether.

Many worked-out examples will help newcomers to the field and graduate students alike understand the pitfalls involved in applying theoretical concepts to actual data.

This new second edition significantly expands on the original material, with more background content (e.g. the Markov Chain Monte Carlo method, best linear unbiased estimator), applications (unfolding and regularization procedures, control regions and simultaneous fits, machine learning concepts) and examples (e.g. look-elsewhere effect calculation).