Partie II — Technique d’analyse de la production des baryons
5.5 Comparaison embedding / données réelles
Avant d’appliquer toute correction aux données réelles, un contrôle de l’embeddingdoit être effectué. Nous devons nous assurer que les distributions des observables sur lesquelles des coupures sont appliquées sont à peu près équivalentes entre l’embeddinget les données réelles. La multiplicité des événements est également un paramètre qu’il est nécessaire de
tel-00011024, version 1 - 17 Nov 2005
totale e Efficacit
2 ) Masse transverse (GeV/c
0 0.1 0.2 0.3
(a) 60-80%
Ξ Ξ
(b) 40-60%
Ξ Ξ
0 0.1 0.2
(c) 20-40%
Ξ Ξ
(d) 10-20%
Ξ Ξ
0 2 4
0 (e) 0-5%
Ξ Ξ
0 2 4
liminaire (Au+Au; 200 GeV; run 3; |y|<0.75) e
STAR Pr
0.04
Figure 5.11 – Efficacité totale desΞ−(triangle plein) etΞ¯+(cercle vide) dans les collisions Au+Au à√sNN = 200 GeV. Les efficacités sont représentées pour 5 domaines de centralité : 0-5%, 10-20%, 20-40%, 40-60% et 60-80% en fonction de la masse transverse (il s’agit ici d’un abus de langage, cela représente la quantité mT-m0).
tel-00011024, version 1 - 17 Nov 2005
contrôler. Comme cela a été dit auparavant, la technique d’embedding ajoute des événe-ments contenant des particules aux événeévéne-ments réels, ce qui entraîne une modification de la multiplicité de chaque événement. Ce paramètre doit donc être réajusté dans la dernière étape de l’analyse avant de corriger les données réelles.
5.5.1 Distributions en impulsion transverse
Lors de la reconstruction, un certain nombre de coupures ont été appliquées sur les distances caractéristiques de la décroissance duΞainsi que sur le nombre de points lais-sés dans la TPC par le passage des particules chargées. Pour que la correction puisse se faire, ces mêmes coupures doivent être appliquées aux données MC. Pour que les fichiers d’embedding soient utilisables alors, nous devons nous assurer que les distributions sur lesquelles sont appliquées les coupures sont en bon accord entre les données réelles et les données simulées. Les Ξdonnés par l’embeddingaprès application des coupures sont né-cessairement des “bons”Ξ. En revanche, lesΞissus de la reconstruction des données réelles n’en sont pas forcément. La reconstruction de ces particules par masse invariante donne lieu à des associations de traces qui ne représentent rien de physique et contribuent au fond combinatoire. Il est nécessaire de s’affranchir des “faux”Ξen ne sélectionnant que le signal qui nous intéresse de la masse invariante. Dans notre étude, nous avons sélectionné une fenêtre de ±13M eV /c2 de part et d’autre de la masse du Ξ. Or nous ne voulons que l’information relative au signal deΞ, il est donc nécessaire de supprimer les contributions aux distributions précédemment citées du bruit se trouvant sous le pic deΞ.
Pour estimer les contributions du bruit de fond aux distributions des différentes va-riables de la reconstruction, nous procédons de la même façon que pour l’extraction du bruit de fond sous le pic deΞ(cf. chapitre 4). Prenons le cas de la distance de plus courte approche du Ξ au vertex primaire. Sa distribution en fonction de l’impulsion transverse est représentée sur la figure 5.12 (haut) dans le cas de collisions à √sNN = 62.4 GeV. Sur la figure en haut à gauche, la distribution en trait plein représente les distances de plus courte approche de tous les candidats Ξreconstruits dans un domaine de la masse inva-riante à±13M eV /c2de la masse duΞ. La distribution de cette même variable pour le signal (histogramme plein) est obtenue en soustrayant à la distribution précédemment évoquée, la distribution des faux candidats Ξ pris de part et d’autre du pic dans deux zones de bruit (zone hachurée), pondérée de façon à avoir le même nombre d’entrées dans les deux distributions. Cette méthode est valable si l’on suppose que le bruit est uniquement com-binatoire et donc que la distribution de cette variable pour les faux candidats est la même quelle que soit sa masse invariante. Sur l’histogramme de droite, on compare la valeur extraite pour le signal (histogramme plein) aux données MC reconstruites dans des évé-nements d’embedding (zone hachurée figure de droite). Les figures 5.12 et 5.13 montrent la comparaison équivalente qui a été faite sur l’ensemble des variables sur lesquelles nous avons appliqué des coupures lors de l’analyse. L’accord est relativement acceptable et nous encourage à utiliser cetembedding pour corriger les données. Nous avons réalisé ces com-paraisons, données réelles / données simulées pour les trois types de collisions étudiées et l’accord est correct dans les trois cas de figure.
tel-00011024, version 1 - 17 Nov 2005
Figure 5.12 –Comparaison des distributions des variables desΞsimulés associés reconstruits aux distributions des Ξ réels après application des coupures de l’analyse pour les collisions Au+Au à
√sNN= 62.4 GeV. De haut en bas, en haut à gauche : DCA desΞ, V0 et Bachelor au vertex primaire.
En haut à droite : nombre de points de mesure dans la TPC des Bachelor, Baryon et Meson. En bas : DecayLengthΞ, V0 et Dca Xi et V0 corrélés au vertex primaire.
tel-00011024, version 1 - 17 Nov 2005
Figure 5.13 –Comparaison des distributions des variables desΞsimulés associés reconstruits aux distributions desΞ réels après application des coupures de l’analyse pour les collisions Au+Au à
√sNN = 62.4 GeV. De haut en bas : DCA entre les deux traces filles duΞ et DCA entre les deux traces filles du VO.
5.5.2 Réajustement de la multiplicité
Un des derniers points importants à vérifier avant de corriger les données réelles est de réajuster la multiplicité des événements simulés. Comme ces derniers ont été enrichis enΞ, ils surestiment la multiplicité de l’ordre de 7% à 8%. La position de la valeur moyenne des distributions du nombre de traces globales reconstruites par événement est toujours plus grande pour les données embeddées que pour les données réelles. Il s’agira de diminuer cette valeur moyenne pour qu’elle coïncide avec celle des données réelles en jouant sur la coupure en centralité des données embeddées donc en jouant sur le nombre de traces primaires. Un réajustement des nombres de traces primaires définies au chapitre 4 pour les différentes classes de centralité conduit finalement à l’obtention de distributions en multiplicité proches entreembeddinget données réelles.