KADD 2021 Laboratorium 12 zdalne

From Łukasz Graczykowski

---

Latest revision as of 06:13, 20 May 2021

Zadanie

Dopasowanie funkcji za pomocą paietu MINUIT (5 pkt.)

Chcemy wykonać dopasowanie do danych doświadczalnych (wczytywanych z pliku) nie używając funkci Fit, tylko za pomocą pakietu MINUIT (dokumentacja), który daje nam zdecydowanie większą kontrolę nad procesem dopasowania funkcji. Przede wszystkim pakiet MINUIT pozwala na zdefiniowanie przez nas minimalizowanej wielkości (może to być chi-kwadrat, funkcja wiarygodności, lub cokolwiek innego co wymyślimy), i na podstawie tej minimalizacji pakiet dostarcza nam finalne parametry dopasowania.

Kroki postępowania

1. Ściągamy plik z danymi: example_data.root i wczytujemy go w funkcji głównej makra.
Wczytywanie pliku:

 TFile *ifile = new TFile("file.root");
 TH1D *hist = (TH1D*)ifile->Get("hist");

2. Do naszych danych dopasujemy taką oto funkcję zdefiniowaną jako funkcja globalna (nasz model opisujący dane doświadczalne):

double model(double x, double *par) 
{ 
 double mu    = par[3]; 
 double sigma = par[4]; 
 double norm  = 1./sqrt(2.*TMath::Pi())/sigma; 
 double G     = norm*exp(-0.5 *pow((x-mu)/sigma,2));  //unormowana funkcja Gaussa
 double BinWidth = hist->GetBinWidth(1); 
 return par[0] + par[1]*x + par[2] * BinWidth * G; 
}

3. W funkcji głównej makra tworzymy obiekt TMinuit, przykładowo:

 TMinuit *gMinuit = new TMinuit(liczba_parametrow_fitu); //liczba parametrów wynika z definicji funkcji teoretycznej

4. Musimy stworzyć funkcję globalną (definiujemy ją przed funkcją główną), którą MINUIT będzie starał się zminimalizować manipulując naszymi parametrami. Musi ona mieć postać typu:

void fcn(int &npar, double *gin, double &f, double *par, int iflag)

Uwaga 1! Nie przerażamy się parametrami (to są automatyczne parametry, które muszą być i które potrzebuje MINUIT, my ich w ogóle nie użyjemy).
Uwaga 2! Jedynym parametrem, który nas interesuje to double &f - to jest minimalizowana wielkość. W naszym przypadku chcemy, by f było po prostu tożsame z chi-kwadrat. To oznacza, że wewnątrz funkcji fcn musimy wykonać iterację bin po binie z wczytanego pliku i dla każdego binu policzyć kwadrat różnic ( (model-wartosc_binu)^2/niepwnosc_binu^2 ). Ostateczna wartość f, zgodnie z definicją chi-kwadrat, to po prostu suma kwadratów różnic dla wszystkich binów.

5. W funkcji głównej, mówimy naszemu obiektowi gMinuit, że ma skorzystać z funkcji FCN zdefiniowanej powyżej:

 gMinuit->SetFCN(fcn);

6. Następnie ustawiamy parametry funkcji, np.:

 gMinuit->DefineParameter(0, "p0",    100., 1.,    0.,  200.);

7. Główna część, gdzie dokonuje się zadania to wykonanie dwóch komend:

 gMinuit->Command("MIGRAD");        
 gMinuit->Command("MINOS");

MIGRAD to algorytm szukający minimum funkcji fcn (czyli szuka najniższej wartości liczby f, którą definiujemy w określony przez nas sposób).
MINOS to algorytm używany po zminimalizowaniu fcn, który pozwala na dokładną estymację niepwności (w tym asymetrycznych).
Uwaga! Nie musimy znać szczegółów obu algorytmów. Dla zainteresowanych można poczytać Minuit2Letter.pdf

8. Za pomocą:

gMinuit->GetParameter(...)

wyciągamy otrzymane parametry dopasowania, tworzymy funkcję TF1 z tymi parametrami i rysujemy wszystko na wykresie.

Wynik

Przykłądowy histogram z dopasowaniem:

Ostateczny output:

FCN=93.6468 FROM MINOS     STATUS=SUCCESSFUL    217 CALLS         364 TOTAL
                     EDM=3.79962e-17    STRATEGY= 1  ERROR MATRIX UNCERTAINTY   0.0 per cent
  EXT PARAMETER                  PARABOLIC         MINOS ERRORS        
  NO.   NAME      VALUE            ERROR      NEGATIVE      POSITIVE   
   1  p0           1.12163e+02   2.00576e+00  -2.00605e+00   2.00576e+00
   2  p1          -3.33062e+01   1.52150e+00  -1.52151e+00   1.52153e+00
   3  area         2.02070e+03   5.83151e+01  -5.82593e+01   5.83721e+01
   4  mean         1.00031e+00   1.70385e-03  -1.70425e-03   1.70425e-03
   5  width        5.34156e-02   1.50983e-03  -1.49782e-03   1.52309e-03
Info in <TCanvas::MakeDefCanvas>:  created default TCanvas with name c1