1 Analysis of    K * 0 K -  decay Contents motivation Event selection 背景事象の見積も り Fit の結果 Summary&plan 名古屋大学 4 年 臼杵 容子 H19.3.22 学術創成評価委員会.

Slides:



Advertisements
Similar presentations
3D Wand による 3 次 元形状計測. 3次元形状計測装置  3D Wand(テクノドリーム 21 社 製)  構成 3D Wand 本体: 7 つの発光ダイオー ドとラインレーザー発光装置が一体となっ た手に持って移動できる電池駆動の装置.
Advertisements

SPSSによるHosmer-Lemeshow検定について
レポート書き方. おしいレポート よく調べてある それぞれの、1文の言っていることは正 しい しかし、全体として、何が言いた いのかわからない 内容の重要だが、全体の構成も重 要である.
7.n次の行列式   一般的な(n次の)行列式の定義には、数学的な概念がいろいろ必要である。まずそれらを順に見ていく。
9.線形写像.
学生の携帯電話選択理由 岡田隆太.
時間的に変化する信号. 普通の正弦波 は豊富な情報を含んでいません これだけではラジオのような複雑な情報 を送れない 振幅 a あるいは角速度 ω を時間的に変化 させて情報を送る.
情報処理A 第10回 Excelの使い方 その3.
麻雀ゲーム 和島研究室 ソ 小林巧人
5.連立一次方程式.
相関.
―本日の講義― ・平均と分散 -代表値 -ぱらつき(分散・標準偏差等) ・Excelによる演習
ノイズ. 雑音とも呼ばれる。(音でなくても、雑 音という) 入力データに含まれる、本来ほしくない 成分.
広告付き価格サービ ス 小園一正. はじめに 世の中には様々な表現方法の広告があり ます。その中でも私たち学生にとって身 近にあるものを広告媒体として取り入れ られている。 価格サービス(無料配布のルーズリー フ)を体験したことにより興味を惹かれ るきっかけとなった。主な目的は、これ.
素数判定法 2011/6/20.
フーリエ係数の性質. どこまで足す? 理想的には無限大であるが、実際に はそれは出来ない これをフーリエ解析してみる.
地球温暖化と 天候の関係性 ~温暖化は天候のせいなのではないのか~. 目的課題 地球温暖化現象 ただの気象条件によるものではないのか? 地球温暖化現象に天候は関係しているの か?
公開鍵暗号系 2011/05/09.
1章 行列と行列式.
本宮市立白岩小学校. 1 はじめに 2 家庭学習プログラム開発の視点 ① 先行学習(予習)を生かした 確かな学力を形成する授業づく り ② 家庭との連携を図った家庭学習の習慣化.
フーリエ級数. 一般的な波はこのように表せる a,b をフーリエ級数とい う 比率:
3.エントロピーの性質と各種情報量.
Excelによる積分.
1 6.低次の行列式とその応用. 2 行列式とは 行列式とは、正方行列の特徴を表す一つのスカ ラーである。すなわち、行列式は正方行列からスカ ラーに写す写像の一種とみなすこともできる。 正方行列 スカラー(実数) の行列に対する行列式を、 次の行列式という。 行列 の行列式を とも表す。 行列式と行列の記号.
計算のスピードアップ コンピュータでも、sin、cosの計算は大変です 足し算、引き算、掛け算、割り算は早いです
線形符号(10章).
1 0章 数学基礎. 2 ( 定義)集合 集合については、 3セメスタ開講の「離散数学」で詳しく扱う。 集合 大学では、高校より厳密に議論を行う。そのために、議論の 対象を明確にする必要がある。 ある “ もの ” (基本的な対象、概念)の集まりを、 集合という。 集合に含まれる “ もの ” を、集合の要素または元という。
10.PとNP完全問題との境界.
複素数.
4.プッシュダウンオートマトンと 文脈自由文法の等価性
1 0章 数学基礎. 2 ( 定義)集合 集合については、 3セメスタ開講の「離散数学」で詳しく扱う。 集合 大学では、高校より厳密に議論を行う。そのために、議論の 対象を明確にする必要がある。 ある “ もの ” (基本的な対象、概念)の集まりを、 集合という。 集合に含まれる “ もの ” を、集合の要素または元という。
人工知能特論II 第7回 二宮 崇.
信号測定. 正弦波 多くの場合正弦波は 0V の上下で振動する しかし、これでは AD 変換器に入れら れないので、オフ セットを調整して データを取った.
1 9.線形写像. 2 ここでは、行列の積によって、写像を 定義できることをみていく。 また、行列の積によって定義される写 像の性質を調べていく。
通信路(7章).
アルゴリズムとデータ構造 補足資料 7-4 「単純交換ソート exsort.c 」 横浜国立大学 理工学部 数物・電子情報系学科 富井尚志.
3.プッシュダウンオートマトンと 文脈自由文法
ビット. 十進数と二進数 十進数  0から9までの数字を使って 0、1、2、3、4、5、6、7、8、9、 10、11、12 と数える 二進数  0と1を使って 0、1、10、11、100、101、11 0、111 と数える.
3.正方行列(単位行列、逆行列、対称行列、交代行列)
学習者の意欲を高める音読指導の 一時例 1 Speak を使った 音読指導 鈴木政浩(西武文理大学)
名古屋工業大学 電気電子工学科 岩波・岡本研究室 野々村嘉人
論理回路 第1回. 今日の内容 論理回路とは? 本講義の位置づけ,達成目標 講義スケジュールと内容 受講時の注意事項 成績の評価方法.
Bar-TOP における光の 群速度伝播の解析 名古屋大学 高エネルギー物理研究室 松石 武 (Matsuishi Takeru)
ベイズ基準による音声認識のための 事前分布推定法の検討 情報工学専攻 徳田・李研究室 橋本 佳. 2 背景  音声認識技術の普及  カーナビゲーションシステム  携帯電話 ⇒ さらなる認識性能の改善が必要  隠れマルコフモデルによる音声のモデル化  性能改善のためにはモデルの高精度化が必要.
1 高い時間分解能を持った マルチアノード型光電子増倍管の開発 名古屋大学 高エネルギー研究室 概要 光電子増倍管 L16 の開発目的 L16 の特徴 Multi-channel-photon-hit 時の時間分解能の悪化 Cross-talk 対策と対策成果 Summary ~ cross-talk.
C言語応用 構造体.
実装の流れと 今後のスケジュール 03k0014 岸原 大祐. システム概要 天気データをもとに、前向き推論をし ていき、親の代わりに子供に服装、持 ち物、気をつけることなどを教える。
測定における誤差 KEK 猪野 隆 論文は、自ら書くもの 誤差は、自分で定義するもの ただし、この定義は、 多数の人に納得してもらえるものであること.
DirectX を使った操作が簡単な2 D 格闘ゲームの制 作 ソ20003 蛯名敏規
階層分析法. 表3. 1 ルートR1R1 R2R2 R3R3 R4R4 R5R5 F1F1 最寄駅までの所要 時間(分) 10 7 F2F2 実乗車時間(分) F3F3 片道切符(円) ヶ月定期(円) 11,21011,9309,75012,46012,720.
Automatic Language Acquisition, an Interactive Approach † Robert J. Martin † 大西昇 ‡ 山村毅 † 名古屋大学 ‡ 愛知県立大学.
HKS Analysis Log Jul 2006 Part1 D.Kawama. 第壱部 HKS Sieve Slit Analysis.
言語とジェンダー. 目的 言語には、性的な存在である人間の自己認識や 世界認識を決定する力が潜んでいる。 – 言語構造の面(言語的カテゴリー ) – 言語運用の面 日常に潜む無意識の言語の力を、記述し、意識 化することが本講義の目的である。 同時に、さまざまな言語、さまざまな文化には、 それぞれに特徴的な問題があり、ジェンダーの.
物体識別のための Adaboost を用いた入力特徴の評価 物体識別のための Adaboost を用いた 入力特徴の評価 情報工学科 藤吉研究室 EP02132 土屋成光.
8.任意のデータ構造 (グラフの表現とアルゴリズム)
リファクタリング支援のための コードクローンに含まれる識別子の変更内容分析 井上研究室 工藤 良介 1.
メニューに戻る メニューに戻る | 前表示スライド 前表示スライド G*power 3 の web ページ Windows はこちら Mac はこちら ダウンロード後,実行してインストール.
実験5 規則波 C0XXXX 石黒 ○○ C0XXXX 杉浦 ○○ C0XXXX 大杉 ○○ C0XXXX 高柳 ○○ C0XXXX 岡田 ○○ C0XXXX 藤江 ○○ C0XXXX 尾形 ○○ C0XXXX 足立 ○○
Run2b シリコン検出 器 現在の SVX-II (内側3層)は 放射線損傷により Run2b 中に 著しく性能が劣化する Run2b シリコン検出器 日本の分担: 1512 outer axial sensors 648 outer stereo sensors ( 144 inner axial.
金融の基本Q&A50  Q37~Q /6/24 蔵内雄大.
携帯電話でのコミュニ ケーションについて 1班真田 出水 佐伯 堺. 仮説  女性のほうが携帯電話を使ったコミュニ ケーションを重要視する。
音の変化を視覚化する サウンドプレイヤーの作成
HCC Hair Color Change. メンバー ソ 渋谷麻美 ソ 渋谷麻美 ソ 清野理衣子 ソ 清野理衣子 ソ 三上貴大 ソ 三上貴大.
4 形から影へ From Shapes to Shadows 形式の分解 Dissolving Forms 形式の分解 Dissolving Forms.
Self-efficacy(自己効力感)について
IIR 輪講復習 #18 Matrix decompositions and latent semantic indexing.
21 Sep 2006 Kentaro MIKI for the PHENIX collaboration University of Tsukuba The Physical Society of Japan 62th Annual Meeting RHIC-PHENIX 実験における高横運動量領域での.
Bootstrapping 2014/4/13 R basic 3 Ryusuke Murakami.
腎臓移植 腎臓移植の前に、ドナー両方の腎臓は機 能的に良好でなければならない。ドナー の両方の腎臓が機能的に健康であること を保証するために、多数の試験が行われ ている。
地球儀と様々な地図. 1 球体としての地球 こうした現象はあることをイ メージすると理解できる。
Presentation transcript:

1 Analysis of    K * 0 K -  decay Contents motivation Event selection 背景事象の見積も り Fit の結果 Summary&plan 名古屋大学 4 年 臼杵 容子 H 学術創成評価委員会

2 motivation Current status ARGUS (1995) Br(    K *0 K   )  (0.20  0.05  0.04)  %  N  3.73×10 5  s  10.6GeV, S/N=0.51 ALEPH(1998) Br(    K *0 K   )  (0.213  0.048) %     2.02×10 5   s  92GeV PDG(obtained by average of two results)reported: Br(    K *0 K   )  (0.21  0.04)% decay process

3 motivation Current status ARGUS (1995) Br(    K *0 K   )  (0.20  0.05  0.04)  %  N  3.73×10 5  s  10.6GeV, S/N=0.51 ALEPH(1998) Br(    K *0 K   )  (0.213  0.048) %     2.02×10 5   s  92GeV PDG(obtained by average of two results)reported: Br(    K *0 K   )  (0.21  0.04)% decay process error:20% さらに高精度な   K * K 崩壊分岐比 を得たい

4 motivation Current status ARGUS (1995) Br(    K *0 K   )  (0.20  0.05  0.04)  %  N  3.73×10 5  s  10.6GeV, S/N=0.51 ALEPH(1998) Br(    K *0 K   )  (0.213  0.048) %     2.02×10 5   s  92GeV PDG(obtained by average of two results)reported: Br(    K *0 K   )  (0.21  0.04)% decay process 本解析 (Belle  s = 10.6GeV ) 1000 倍以上の data 量 N  =4.46×10 8 を用いる,S/N の向上 ⇒ 崩壊分岐比に対する 統計誤差は 1% 以下に抑えられ る error:20% さらに高精度な   K * K 崩壊分岐比 を得たい

5 Motivation 背景事象の形の見積もりによる系統誤差 を、 統計誤差と同程度の 1% 程度に抑えたい。 ALEPH,ARGUS : 20%error (systematic&statistical error) さらに高精度な   K * K 崩壊分岐比を得たい 統計誤差 1000 倍以上の data 量を用いる,S/N の向上 ⇒崩壊分岐比に対する統計誤差は 1% 以下に抑えられる 系統誤差 測定器自体の誤差、解析手法に起因する誤差

6 Event selection   KK  を信号として選択 (K-ID,  -ID) tag-side には   e /  を要求 (35%) (qq 事象の抑制 )  ペア事象を選別するための条件 M signal-side <1.8GeV/c 2 など p CM K  >1.5GeV/c 信号事象数は、再構成した K* 粒子の不変質量分布 M K  から見積もる M signal-side data signal  p CM K  data Signal(10 倍 )  qq Bhabha 2photon

After all event selections MKMK Data (4.68x10 4 個 )   K*K  (3.94x10 4 個 )   K*K        K*    K    K     K*     KK    KK   qq Bhabha 2photon  BG S/N=2.53 (ARGUS:S/N=0.51)

8 崩壊分岐比の測定方法 崩壊分岐比 信号事象数 N data の見積もり方 ① M K  分布に関数を fit し、 data を、 K*peak を持 つ 事象と、 K*peak を持たない事象に分ける。 Ndata: 測定 data から得られる信号事象数 L : 積分ルミノシティー  : 生成断面積  :   K*K 崩壊事象の検出効率 N MC : 全事象選別後の   K*K MC 事象数 N 0 :   K*K MC の全事象数 K*peak を 持つ事象 K*peak を 持たない事象 MKMK

9 崩壊分岐比の測定方法 崩壊分岐比 信号事象数 N data の見積もり方 ① M K  分布に関数を fit し、 data を、 K*peak を持 つ 事象と、 K*peak を持たない事象に分ける。 Ndata: 測定 data から得られる信号事象数 L : 積分ルミノシティー  : 生成断面積  :   K*K 崩壊事象の検出効率 N MC : 全事象選別後の   K*K MC 事象数 N 0 :   K*K MC の全事象数 K*peak を 持つ事象 K*peak を 持たない事象  を K に誤認したことによって残ってく るモードと、それ以外に分けて見積も る。  を K に誤認したこと によって残ってくる モード それ以外    K   K MKMK

10 崩壊分岐比の測定方法 崩壊分岐比 信号事象数 N data の見積もり方 ① M K  分布に関数を fit し、 data を、 K*peak を持 つ 事象と、 K*peak を持たない事象に分ける。 ② K*peak を持つ事象の中から、 背景事象である   K*K   を除く。 Ndata: 測定 data から得られる信号事象数 L : 積分ルミノシティー  : 生成断面積  :   K*K 崩壊事象の検出効率 N MC : 全事象選別後の   K*K MC 事象数 N 0 :   K*K MC の全事象数 K*peak を 持つ事象 K*peak を 持たない事象  を K に誤認したことによって残ってく るモードと、それ以外に分けて見積も る。  を K に誤認したこと によって残ってくる モード それ以外 MKMK

11 崩壊分岐比の測定方法 崩壊分岐比 信号事象数 N data の見積もり方 ① M K  分布に関数を fit し、 data を、 K*peak を持 つ 事象と、 K*peak を持たない事象に分ける。 ② K*peak を持つ事象の中から、 背景事象である   K*K   を除く。 Ndata: 測定 data から得られる信号事象数 L : 積分ルミノシティー  : 生成断面積  :   K*K 崩壊事象の検出効率 N MC : 全事象選別後の   K*K MC 事象数 N 0 :   K*K MC の全事象数 K*peak を 持つ事象 K*peak を 持たない事象  を K に誤認したことによって残ってく るモードと、それ以外に分けて見積も る。  を K に誤認したこと によって残ってくる モード それ以外 MKMK

統計誤差&系統誤差 統計誤差 0.53%  ARGUS:25% 系統誤差 Luminosity 1.4%  -pair cross-section 1.3% Track finding efficiency 4.0% Trigger efficiency 0.81% Lepton-ID 3% Kaon-ID/fake 3% MC statistics 0.54% Br(K* 0  K +  - ) 0.02% 背景事象の見積もりによる誤差 Total 6.2%  背景事象の形の見積もり方により、 系統誤差の大きさが変わる。 1% 程度に抑えたい

13 背景事象の形の見積もり 背景事象の形を簡単に見積もれない理由 data から背景事象のみを抜き出すことは難しい MC から見積もるには不定性が大きすぎる 背景事象の崩壊分岐比 (PDG) Br(   K*K )=(2.1±0.4)×10 -3 Br(   KK  )=(1.3±3.2)×10 -4 Br(   KK   )=(6.1±2.0)×10 -5 Br(   K  )=(2.4±0.5)×10 -3 Br(   K   )=(1.32±0.14)×10 -3 Br(   K  )=(2.2±0.5)×10 -3 Br(   K*   )=(1.6±1.8)×10 -3 Br(   K*K   )=(1.1±1.5)×10 -3 Data を使って背景事象の形を見積もりたい MKMK

14 背景事象の形の見積もり方における idea  を K に誤認したことによって残ってきた背景事象のモード の形 粒子識別条件を変えることにより、 data を用いて背景事象の形を決める 。 Data   K*K   K*K        K*    K    K     K*   h1 h2 K K  選別   K   選別 K-ID h1 >0.8,  -ID h2 >0.8  K-ID h1 0.9 MKMK MKMK それらのモードの崩壊分岐比の不定性に影響されることなく、 背景事象の形を見積もることが可能!

15 形の補正 h1 h2 K  選別 MKMK 粒子識別条件を変更したことにより、分布の形が変わる  形を補正 MKMK KK  選別

16 形の補正 h1 h2 MKMK MKMK 粒子識別条件を変更したことにより、分布の形が変わる  形を補正 K  選別 KK  選別

17 形の補正 h1 h2 MKMK MKMK 粒子識別条件を変更したことにより、分布の形が変わる  形を補正 M K  分布 (KK  選別 ) M K  分布 (K  選別 ) MKMK 補正 K  選別 KK  選別

18 Data への Fit        K*     K     K      K*      KK     KK    qq  Bhabha  2photon 背景事象 1 背景事象 2 data 信号事象 背景事象 1 ( 補正前 ) 背景事象 2 data 信号事象 背景事象 1 ( 補正後 ) 背景事象 2 補正前補正後 信号事象 36036± ±188 背景事象 ± ±238 背景事象 ± ±183 Fit の結果 背景事象 1 の形の補正による 信号事象数の変化 (1.13±0.52)% MKMK MKMK

19 Summary & plan summary ARGUS,ALEPH と比べて約 1000 倍の、 4.46×10 8 の  ペアを用いて解析を行った。   K*K 崩壊分岐比に対する統計誤差は、 ARGUS による測定では 25% であったの が、 1% 以下に抑えられた。 背景事象の見積もりに起因する系統誤差を 1% 程度に抑えることを目標とした解 析を行った。 背景事象の関数形の見積もり 誤った粒子識別に起因する背景事象の分布については、粒子識別に関する選 別条件を変更することにより、測定データから背景事象の関数形を見積もる ことができた。  それらのモードの崩壊分岐比の不定性に影響されることなく関数形を見 積もることが できた。 評価した背景事象の見積もりの誤差が信号事象に与える不定性は、 (1.13±0.52)% である。 plan 信号事象、背景事象の形を、より精度よく見積もる。 系統誤差を見積もる。   K*K 崩壊分岐比を評価する。

20 Back up

Introduction of neutral K * (892) Vector particle mass (896.00±0.25)MeV (PDG2006) width (50.3±0.6)MeV (PDG2006) decay modes K  ~ 100% K +  - 2/3 K 0  0 1/3 high accuracy 21

22 Data & MC set Data&MC samples Data 451/fb MC   K*K 397/fb  BG non-resonant mode   KK  4310/fb   KK   36800/fb   K  421/fb   K   850/fb   K*  510/fb   K*   701/fb  others 874/fb resonant mode   K*K   757/fb qq uds 417/fb cc 722/fb bb 0.04/fb 2photon eeuu 53.0/fb eess 530/fb eecc 530/fb eeee 53.0/fb ee  106/fb  53.0/fb Bhabha 59.3/fb

23 Event selection(1) Level.0 Charged track p t >0.06GeV/c, <cos  trk-beamline < p t >0.1GeV/c, <cos  trk-beamline < p t >0.1GeV/c,0.8332<cos  trk-beamline < Gamma E  >0.1GeV, <cos   beamline < charged tracks with zero net charge Select 1-3 prong event (dividing thrust vector) (3 prong side=signal side/ 1 prong side=tag side)

24 Event selection(2) Level.1 E CM total <11GeV p miss >0.1GeV/c <cos  miss < cos  CM thrust-miss <-0.6 Level.2 0.6GeV/c 2 <M K  <1.8GeV/c 2 p CM K  >1.5GeV/c p CM K  data Signal(10 倍 )  qq Bhabha 2photon

25 Event selection(3) Level.3 N  =0 for signal-side N  ≦ 1 for tag-side K-ID h1 >0.8,cos  h1-beamline >-0.6  -ID h2 >0.8,cos  h2-beamline >-0.6 K-ID h3 >0.8,cos  h3-beamline >-0.6 Right charge assignment( ストレンジネス保存 ) e-ID h1 <0.9 e-ID h2 <0.9 e-ID h3 <0.9 e-ID>0.1 or  -ID>0.1 for tag-side h3 h2 h1  -   -,Bhabha,2photon are suppressed  -           e + e -

26 Event selection(3) Level.3 N  =0 for signal-side N  c 1 for tag-side K-IDh1>0.8,cos  h1>-0.6  -IDh2>0.8,cos  h2>-0.6 K-IDh3>0.8,cos  h3>-0.6 Right charge assignment e-IDh1<0.9 e-IDh2<0.9 e-ID h3 <0.9 e-ID>0.1 or  -ID>0.1 for tag-side h3 h2 h1   decay:1-prong (more than 85%)  select 1-prong in tag-side   decay mode     17 % e  e  18% h   12% h     25% h     11% ⇒ charged track in tag-side is restricted to be lepton to suppress qq events.

27 Event selection(4) Level.4 M tag-side <1.8GeV/c 2 M signal-side <1.8GeV/c 2 p CM (K*+h 1 ) >3.5GeV/c cos  CM K*-h1 >0.92 M signal-side data signal  h1

28 Data 4.68×10 4 MC (K,  -ID corrected)   K*K 3.94×10 4  BG non-resonant mode   KK  2980   KK   182   K  1370   K   103   K*  1060   K*   105 Others 6310 resonant mod e   K*K   3260 qq uds 123 cc 25.4 bb 0 2photon eeuu 0 eess 25.3 eecc 0 eeee 0 ee  0  0 Bhabha 7.61 Numbers of events after all selections

After all event selections MKMK Data   K*K   K*K        K*    K    K     K*     KK    KK   qq Bhabha 2photon

30 背景事象の形の見積もりの手順 K*peak を作らない背景事象  中間子を K 中間子に missID しているモード それ以外のモード    KK     KK    qq  Bhabha  2photon        K*     K     K      K*      K   K

31 背景事象の形の見積もり (1) 実験データから形を見積もるには数が少ない 信号事象との分離も容易ではない K-ID h2 >0.8,  -ID h3 >0.8  K-ID h2 0.9 ( KK  選別) ( K  選別) 本来の選別を行った時に比べ、約 10 倍の背景事象が得られる 信号事象が抑制される h1 h2 h3  中間子を K 中間子に missID しているモード

32 K  選別を行った時の M K  分布 Data の M K   分布に対し、スムージングを行い、  中間子を K 中間子に missID しているモードの形にす る ただし、 h1,h2 の 4 元運動量を求める際に、 h2 には K 中間子の質量を、 h3 には  中間子の質量を要求 Data   K*K   K*K        K*    K    K     K*   Data MC   K*K 2556   K*K    285      K*  4139   K    K    1193   K*   1169   KK  193   KK    12 全事象選別後に残った事象数 MC は data をよく再現

KK  選別から K  選別に変更した影響で M K  分布が変わる 例 : Data の h 2 粒子の運動量分布 それぞれ 5 つのモード (  中間子を K 中間子に missID しているモード ) の MC に対し、 KK  選別を行った場合の M K  分布と、 K  選別を行った場 合の M K  分布との比をとる。 33 粒子識別条件変更による M K  分布の変化 黒: KK  選別 赤: K  選別 粒子識別条件を変えると 運動量分布が変化する 不変質量分布 M K  の形も 変化する p h2 h2 影響を見積もるために・・・

34 各 M K  MC 分布の比の評価      K*   K    K     K*   KK  選別を行った場合の M K  分布 K  選別を行った場合の M K  分布 1 次関数を Fit 傾き:ゆがみ

35 分布の補正 傾き:ゆがみ    Data の M K  分布に対し補正する 黒:補正前 青:補正後 MKMK 補正の誤差による信号数への影響は、 2 つの場合の関数を Data に Fit して、その違いから見積もる。

36 背景事象の形の見積もり (2) 正しく粒子識別が行われたときに残ってきた 背景事象なので、実験データでは、信号と 背景事象を区別できない。 ⇒ MC データを用いて評価 h1 h2 h3 それ以外のモード   KK   KK   qq,Bhabha,2photon qq Bhabha 2photon

Motivation ① improve accuracy of the branching ratio – Use data sample more than 1000 times larger(improve statistical error) ② verify Standard Model – Measurement of Cabibbo angle sin  c=Vus, cos  c=Vud j w- = Vus(su)+Vud(du)  sin  c (suppressed) cos  c (allowed)    →  K      K * K   Cabibbo angle Sin  c  ±0.0021(PDG2006) ⇒ We measure  c in  decay with same data sample.  phase space ratio 