UNIVERSIDADE FEDERAL DE RIO GRANDE

IMEF - INSTITUTO DE MATEMÁTICA, ESTATÍSTICA E FÍSICA

CURSO BACHEREL EM FÍSICA

LUAN SODRÉ DE AGUIAR

A ESTATÍSTICA BAYESIANA COMO MÉTODO PARA

IDENTIFICAÇÃO DE PARTÍCULAS

PROJETO PARA TRABALHO DE CONCLUSÃO DE CURSO

RIO GRANDE
2019
 LUAN SODRÉ DE AGUIAR

A ESTATÍSTICA BAYESIANA COMO MÉTODO PARA

IDENTIFICAÇÃO DE PARTÍCULAS

RIO GRANDE
2019
 SUMÁRIO

1 – INTRODUÇÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1

2 – Estrutura do Trabalho . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
2.1 Estatı́stica Baybayesiana . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
2.1.1 Teorema de Bayes a partir de propriedades básicas de probabilidade . 2
2.1.2 Inferência sobre um conjunto de dados experimentais, usando dados
em sequência. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
2.1.3 Distribuição a priori e posteriori. . . . . . . . . . . . . . . . . . . . . 2
2.1.4 Generalização do teorema de Bayes para N quantidades de interesse. 2
2.1.5 Análise bayesiana de dados originados de múltiplas fontes. . . . . . . 2
2.2 Teorema Bayes na Fı́sica de Partı́culas . . . . . . . . . . . . . . . . . . . . 2
2.2.1 Forma do teorema da bayes para identificação de partı́culas . . . . . 3
2.2.2 Eficiência do método frente a contaminação . . . . . . . . . . . . . 3
2.2.3 Critérios de seleção de partı́culas pela probabilidade Bayesiana . . . . 3
2.2.4 Análise de resultados da aplicação do método Bayesiano na fı́sica de
partı́culas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

3 – Justificativa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

4 – O que ja foi feito e o que falta fazer . . . . . . . . . . . . . . . . . . . . . 5

4.0.1 Tópicos que ja foram estudados . . . . . . . . . . . . . . . . . . . . 5
4.0.2 Tópicos a serem estudados . . . . . . . . . . . . . . . . . . . . . . 5

Referências . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
 1

1 INTRODUÇÃO

Esse trabalho tem como objetivo principal uma análise sobre identificação de partı́culas
em colisões ultra relativı́sticas através da estatı́stica Bayesiana. A base do teorema de Bayes
utilizada para execução do método, são conceitos básicos de probabilidade, o que no fundo
o teorema faz é dar uma nova interpretação para as proposições utilizadas no cálculo de
probabilidades, vendo-as como, hipóteses e eventos. Na aplicação para fı́sica de partı́culas
veremos que esses eventos serão os sinais emitidos pelos detectores, e as hipóteses, são as
proporções de partı́culas esperadas em um sinal. O grande desafio do método é a formulação
dessas proporções, ou seja, a formulação de modelos que representem distribuição das partı́culas
em determinado sinal, hoje a maior parte desses modelos são retirados de dados previamente
obtidos com método de Monte Carlo, o que implica que os experimentos em geral de detecção
de partı́culas estão sendo trabalhados na mesma base teórica, pois é ela quem dita as proporções
das partı́culas em certos domı́nios. Podemos vislumbrar que a metodologia de Bayes pode ser
útil para a detecção de novas partı́culas, com o desenvolvimento de novas proposições geradas
por alterações das proporções das mesmas. O trabalho ira buscar demonstrar a dedução do
teorema de Bayes através de conceitos básicos de probabilidade e o passo a passo da sua
utilização na fı́sica de partı́culas, e no final trazer uma comparação entre resultados obtidos no
ALICE (A Large Ion Collider Experiment) , com o método de Bayes e de Monte Carlo.
 2

2 Estrutura do Trabalho

2.1 Estatı́stica Baybayesiana

2.1.1 Teorema de Bayes a partir de propriedades básicas de probabilidade

Nesse capı́tulo definiremos as propriedades básicas de probabilidades para duas pro-

posições, e deduziremos o teorema de Bayes através de conjuntos exaustivos e mutuamente
exclusivos de proposições.

2.1.2 Inferência sobre um conjunto de dados experimentais, usando dados em sequência.

Nessa sessão será demonstrado que se os eventos são independentes, a ordem em que
as observações e dados são processados não altera o processo de interferência, assim sendo, os
dados podem ser processados todos simultaneamente.

2.1.3 Distribuição a priori e posteriori.

Nessa sessão será discutido como uma distribuição a priori para uma quantidade de
interesse, deve representar probabilisticamente o conhecimento que se tem da mesma, antes
da realização do experimento. E que uma distribuição a posteriori, fornece uma descrição
completa do nosso atual estado de conhecimento acerca da quantidade de interesse, após o
processamento dos dados disponı́veis.

2.1.4 Generalização do teorema de Bayes para N quantidades de interesse.

Nessa sessão generalizaremos o teorema de Bayes para o caso onde há um conjunto
de parâmetros de interesse

2.1.5 Análise bayesiana de dados originados de múltiplas fontes.

Nessa sessão discutiremos como o método é utilizado para determinar as proporções

com que diferentes tipos fontes contribuem na composição de uma determinada amostra de
dados .

2.2 Teorema Bayes na Fı́sica de Partı́culas

Pela sua própria definição é possı́vel ver que o teorema de bayes, pode ser extremamente
útil na fı́sica de partı́culas pois com ele conseguimos calcular a probabilidade condicional de
encontrar uma espécie de partı́culas P devido a um sinal S. Com isso podemos generalizar
o problema para um conjunto de sinais dos detectores. Assim sendo, o desafio do método
é desenvolver bons modelos para os parâmetros que representam as espécies de partı́culas,
Capı́tulo 2. Estrutura do Trabalho 3

pois são eles os responsáveis por gerar a probabilidades de as mesmas serem detectadas em
determinado sinal.

2.2.1 Forma do teorema da bayes para identificação de partı́culas

Essa sessão terá como foco a demonstração da construção da forma do teorema de

Bayes para a identificação de partı́culas em uma colisão ultra relativı́stica. Para tal, utilizaremos
o desvio médio do sinal esperado para uma determinada espécie de partı́culas, de maneira que
possamos construir a forma da probabilidade condicional entre a partı́cula e o sinal

2.2.2 Eficiência do método frente a contaminação

Nessa sessão discutiremos, a eficiência do método através da proporção de partı́culas

de uma dada espécie que são identificadas corretamente, e demonstraremos que a contaminação
depende dos dados das proporções de determinadas espécies de partı́culas, e esses dados tem
de ser colocados a mão, geralmente usamos o método de Monte Carlo para determinar essas
proporções. Demonstraremos também que quanto mais as proporções se aproximarem da
verdadeira, maior será a minimização das probabilidades de contaminação.

2.2.3 Critérios de seleção de partı́culas pela probabilidade Bayesiana

Nessa sessão discutiremos os critérios de seleção de partı́culas dada a probabilidade

Bayesiana para cada espécie, dando foco no limiar fixo de probabilidade, onde se a probabilidade
da partı́cula ser um kaon, por exemplo, for maior de cinquenta por cento a partı́cula é aceita
como um kaon, e no caso de ser menor o resultado pode nos levar a múltiplas identidades
possı́veis.

2.2.4 Análise de resultados da aplicação do método Bayesiano na fı́sica de partı́culas

Essa sessão tem como objetivo a discussão dos resultados da aplicação do método
de Bayes na fı́sica de partı́culas, com uma análise dos dados obtidos no ALICE (A Large Ion
Collider Experiment) [1], junto com a comparação do método de Bayes com o método clássico
de Monte Carlo, assim discutindo suas vantagens e desvantagens
Encerramento do trabalho acadêmico.
 4

3 Justificativa

Além das possı́veis implicações do método estatı́stico de Bayes na identificação de

novas partı́culas através da proposta de modelos de distribuição, o método em si pode ser útil
em diversas áreas e problemas da fı́sica, tendo em vista que toda sua formulação tem como base
as regras básicas de probabilidade, o grande desafio para a utilização do método é a formulação
de modelos para a representação das proposições. Além do aprendizado do método em si, o
trabalho também abrange uma discussão sobre a formulação dos modelos de representações das
proposições, parte essencial para compreensão de possı́veis novas aplicações do método e seu
aprimoramento como ferramenta de detecção de partı́culas. O estudo também traz consigo uma
gama de possibilidades para possı́veis testes de novas teorias, pois, por exemplo, se construindo
um modelo distribuição para uma nova teoria e aplicando-o no método, e os resultados para
partı́culas já conhecidas forem compatı́veis, isso pode ser visto como uma forte indicação de
validade da mesma. Ou seja, o método de Bayes pode ser uma ferramenta útil para validação
de novas hipóteses para a proporção de partı́culas em determinado momento da colisão.
 5

4 O que ja foi feito e o que falta fazer

4.0.1 Tópicos que ja foram estudados

2.1.1 - Teorema de Bayes a partir de propriedades básicas de probabilidade;

2.1.2 - Inferência sobre um conjunto de dados experimentais,usando dados em sequência;
2.2.1 - Forma do teorema de Bayes para identificação de partı́culas.

4.0.2 Tópicos a serem estudados

2.1.3 - Distribuição a priori e posteriori;

2.1.4 - Generalização do teorema de Bayes para N proposições;
2.1.5 - Análise bayesiana de dados originados de múltiplas fontes;
2.2.2 - Eficiência do método frente a contaminação;
2.2.3 - Critérios de seleção de partı́culas pela probabilidade Bayesiana;
2.2.4 - Análise de resultados da aplicação do método Bayesiano na fı́sica de partı́culas.
 6

Referências

1.Particle identification in ALICE: a Bayesian approach, Eur. Phys. J. Plus (2016) 131: 168
2.BAYESIAN APPROACH FOR COMBINED PARTICLE IDENTIFICATION IN ALICE EXPE-
RIMENT AT LHC, I.Belikov,P.Hristov, M. Ivanov, CERN
3.Métodos Sequencias de Monte Carlo Bayesianos: Aspectos Computacionais, Inferenciais e
Aplicações,Felipe Carvalho Álvares da Silva
4.Bayesian data analysis, Gelman, Andrew