B ± → D 0 K ± : État des lieux

B± → D0 K± : État des lieux

Analyse du mode D0 → Ks π+ π-

(―)

(―)

X. Giroux, F. Le Diberder, M.-H. Schune

Réunion BaBar France 2003 – 20 novembre 2003 - LAL

20 novembre 2003 Xavier GIROUX, BaBar France 2003, LAL 2

Introduction

Dans cette présentation : mode D0 → Ks π+ π-

→ Quelles données utiliser ? → Extraction du signal D0K → Suppression du bruit de fond → Calcul d'erreur

mené en parallèle

Analyse du mode B± → D0 K± : extraction de l'angle γ du triangle d'unitarité


Quelles données pour l'analyse ?

Rouge = skim DKNoir = skim standard B D0 π

Le skim DK ne peut pas être utilisé à cause de pré-coupures cinématiques sur la désintégration du D0

Utilisation du skim "standard" B D0 π

• Pas de PID sur la trace célibataire• Coupure sur ΔE suffisamment large

Sélection des modes B D0 π et B D0 K


Où en est la production ?

La production des ntuples est faite par Rome

prend en compte les nouvelles variables de la BAD 728

MC signal déjà produitMC background en cours de productionDonnées en cours de production

Le contenus des ntuples est en cours de vérification


Optimisation des coupures (1)

Ntuples utilisés : - Signal : MC B± → D0 K± avec D0 → Ks ρ0

- Bruit de fond "peaking": B± → D0 π± dans un cocktail MC - Bruit de fond combinatoire : Données on-peak avec mES < 5,27 GeV fittées par une fonction argus et extrapoléees entre 5,27 et 5,29 GeV

Coupure de présélection sur la masse du Ks : mPDG – 9MeV ≤ m(Ks) ≤ mPDG + 9MeV

L'optimisation est effectuée surr les variables suivantes : - probabilité de χ² du B reconstruit - probabilité de χ² du D0 reconstruit - masse du D0

- ΔE - Kaon Id - discriminant de Fisher (construit avec les polynômes de Legendre L0 et L2 et avec l'angle entre la direction du B et l'axe de poussée du reste de l'évènement)


Coupures asymétriques sur ΔE

On veut sélectionner les évènements D0 K± et éliminer le bruit de fond D0 π±. On va donc plus contraindre la coupure à droite



R

P(χ² du B)

Programme écrit en Fortran qui calcule le rapport BS

SR

R

P(χ² du D0)

R

m(D0) en GeV



R

R

Kaon Id

R

Loose Tight VTight

ΔE à gauche

RR

ΔE à droite

Fisher



Résultats pour un maximum de R = 10,5 (σ ~ 0,55) P(χ² du B) > 0 P(χ² du D0) > 0 | m(D0) – mPDG | ≤ 20 MeV – 36 MeV ≤ ΔE ≤ 30 MeV Kaon Id = 1 (Loose) Fisher ≥ – 0,4

Nombre d'évènements mesuré : - Signal : 161 - Bruit de fond "peaking" : 21 - Bruit de fond combinatoire : 54

Luminosité renormalisée à 81,5 fb-1


Visualisation des coupures sur ΔE et mES


Suppression du bruit de fond (1)Anciennes variables : - Polynômes de Legendre L0 et L2 combinés dans un discriminant de Fisher (Fisher = 0,372 + 0,562 x L0 – 1,365 x L2) - | cos(θth) | où θth est l'angle entre la direction du B et l'axe de poussée du reste de l'évènement

Nouvelles variables : - cos(θ*

B) où θ*B est l'angle polaire du B dans le centre de masse de l'Y(4s)

- Qhémi : différence de charge entre les hémisphères de l'évènement où un hémisphère est defini par la direction du D0 dans le centre de masse de l'Y(4s) - Ckl : vaut 0 si pas de lepton VeryTight vaut 1 si m(Kℓ) < 1,87 GeV vaut 2 si m(Kℓ) > 1,87 GeV - ΣQ(K) : somme de la charge des Kaons VeryTight dans le reste de l'évènement - ΣQ(K) + Q(ℓ) : somme de la charge des Kaons VeryTight dans le reste de l'évènement + charge du lepton VeryTight le plus rapide (p* > 800 MeV)


Qhémi


Suppression du bruit de fond (2)

2

2( ) ( )1

2 ( ) ( )

S x B x dxs

S x B x dx

Coupures de présélection :• masse du Ks : | m(Ks) – mPDG | ≤ 15 MeV• masse du D0 : | m(D0) – mPDG | ≤ 35 MeV• ΔE : | ΔE | ≤ 150 MeV• mES : mES > 5,2 GeV

Variable discriminante : (séparation)

Utilisation du programme Fortran trainvar.f (écrit par le groupe charmless) pour calculer <s²> et combiner les variables en utilisant un discriminant de Fisher ou un réseau de neurones


Séparation pour une variable


Combinaison des variables classiques

ε(B)

ε(S)

Combinaison de 2 variables : Fisher(L0,L2) et | cos(θth) |


Combinaison de 3 variables

ε(S)

ε(B)

Combinaison de 3 variables : Fisher(L0,L2), | cos(θth) | et cos(θ*B)

En raison des corrélations entre les variables, le NN

est plus discriminant


Combinaison de 4 variables (1)Combinaison de 4 variables : Fisher(L0,L2), | cos(θth) |, cos(θ*

B) et ΣQ(K) + Q(ℓ)

ε(S)

ε(B)

Fisher et NN retrouvent le même pouvoir

discriminant


Combinaison de 4 variables (2)Combinaison de 4 variables : Fisher(L0,L2), | cos(θth) |, cos(θ*

B) et Qhémi

(S)

(B)


Combinaison de 4 variables (3)

ε(S)

ε(B)

Combinaison de 4 variables : Fisher(L0,L2), | cos(θth) |, cos(θ*B) et CKℓ


Combinaison de 5 variables

ε(S)

ε(B)

Combinaison de 5 variables : Fisher(L0,L2), | cos(θth) |, cos(θ*B), ΣQ(K) + Q(ℓ) et Qhémi


Combinaison de toutes les variablesCombinaison de toutes les variables

ε(S)

ε(B)

RécapitulatifVariables <s²>

Fisher(L0,L2) et | cos(θth) |

Variables <s²>

+ cos(θ *B)

Variables <s²>

+ ΣQ(K) + Q(ℓ)

+ Qhémi

+ CKℓ

Variables <s²>

Fisher(L0,L2), | cos(θth) |, cos(θ *B), ΣQ(K) + Q(ℓ) et Qhémi

Variables <s²>

Toutes les variables

Ajout d'une variable





Calcul de l'erreur

ii

evts ijii NxPdfNL ln

En utilisant le discriminant de Fisher : gain de ~7%En utilisant le réseau de neurones : gain de ~13%

Mais il faut tenir compte des fluctuations statistiques… σNk pour chaque variable et leurs combinaisons

evts

i jjii

jjk

kN xPdfN

xPdf

N

L

k

2

2

2

2ˆ1


Conclusion

Il semble donc que les nouvelles variables permettent d'améliorer la discrimination signal / bruit. Cependant, il faut prendre en compte les fluctuations statistiques dues à la taille finie de l'échantillon pour conclure de façon définitive. C'est ce qui est fait avec le logarithme du likelihood.

Ce qu'il reste à faire :

Coder le likelihoodExtraire les variables pertinentesFitter le Dalitz Plot avec un modèle de désintégration du D0 pour extraire γExtraire γ par une méthode modèle-indépendante (hep-ph/0303187)…

Documents

B ± → D 0 K ± : État des lieux