用于高能物理的纯Python统计工具。
项目描述
使用zfit作为后端进行最大似然拟合的纯Python统计工具。
基于似然比在频率方法（使用伪实验）或使用来自“基于似然的新物理测试的渐近公式”的渐近公式提供发现、上界和置信区间的测试。
lauztat是在瑞士洛桑EPFL（laus’或lauztat是年轻人对洛桑的称呼）开发的。
安装
像安装其他Python包一样安装lauztat
pip install lauztat # maybe with sudo or --user, or in virtualenv依赖项
matplotlib（可选）
入门指南
通常的高能物理结果可以重新表述为假设检验，其中你需要选择一个零假设H0和一个备择假设H1，H0是你要证伪的。要进行测试，你需要数据（和权重），一个模型，一个损失函数构建器和最小化器作为计算器（FrequentistCalculator或AsymptoticCalculator）的输入。
发现
如果你在数据集中测量寻找信号S，并且发现了一个异常，这个测试将回答“数据是否仅与背景兼容？”
H0：只有背景（S = 0）
H1：存在信号（S ≠ 0）
测试返回一个p值或显著性Z。如果Z ≥ 3，则存在证据；如果Z ≥ 5，则发现信号。
上限
如果在数据集中发现微小的信号过量，但不足以宣布证据或发现，您可以排除大的信号产量 S
H0：背景 + 一些信号（S = S0）
H1：S < S0
S0调整到一个预定义的 p-value，通常是 5%。S0是信号产量 S 的上限，置信水平为 95%（CL = 1 - p；p = 5 % 等于 CL = 95%）。
提供了高斯峰在指数背景下的信号产量上限的CLs上限示例，这些示例适用于渐近计算器和频率计算器，并且可以在mybinder中运行。
置信区间
如果您使用估计量 ᾰ 对参数 α 进行测量，给定观测值 ᾰobs，在某个置信水平（通常是 68%）下，α 的哪个值不被拒绝？
H0：α ≤ α down 或 α ≥ αup
H1：αdown < α < αup
αdown 和 αup 调整，使得测试返回的 p-value 为 32%。
提供了高斯峰均值置信区间的示例，这些示例适用于渐近计算器和频率计算器（Feldman and Cousins 置信区间[arxiv:9711021]）并且可以在mybinder中运行。
lauztat-1.1.7.tar.gz 的哈希值
| 算法 | 哈希摘要 | |
|---|---|---|
| SHA256 | fdc431db6431b9305b266e0303b7677ed103967c1cd25abe6b1eb82d9de787ee |
|
| MD5 | 0624d44ef8ee21c5784ecfff9e9a09bf |
|
| BLAKE2b-256 | ffad0d54ec8e14858ece46d1e806975971b1e31068ab4cf1467037f6cc924774 |
