与分箱无关的随时间扰动角分布数据的贝叶斯分析
Binning-Independent Bayesian Analysis of Time-Dependent Perturbed Angular Distribution data
- Université Paris-Saclay（巴黎萨克雷大学）
- CNRS/IN2P3, IJCLab（法国国家科学研究中心/欧洲核子研究组织-法国粒子物理实验室）
机构由 AI 辅助整理，请以论文原文为准。
AI总结：
提出一种避免时间数据分箱的贝叶斯分析方法，利用单事件条件概率构造似然，计算$g$因子后验，在低统计量下比传统分箱方法更可靠。
AI中文摘要：
我们提出了一种分析随时间扰动角分布数据的新方法。在该方法中，利用单个事件的条件概率构造似然函数，从而避免了对时间数据进行分箱。该似然函数在贝叶斯框架内用于计算所关注的$g$因子的后验概率密度函数。通过分析模拟数据集，我们将此方法与使用分箱数据的传统方法进行了比较。在许多情况下，所得的后验概率密度呈现多模态特征，因此结果往往无法用单一高斯近似来概括。我们发现，对于低统计量数据集，新方法的结果更为可靠。
英文摘要：
We propose a new approach for analyzing Time-Dependent Perturbed Angular Distribution data. In this, a likelihood is constructed with the help of conditional probabilities of single events and binning of time data is avoided. This likelihood is used in a Bayesian framework to calculate the posterior probability density function for the $g$ factor of interest. This approach is compared to more traditional approaches that use binned data by analyzing simulated datasets. In many cases the resulting posterior probability densities are observed to be multimodal and the results can thus often not be summarized with a single Gaussian approximation. We find that results from the new approach are more reliable for low-statistics datasets.
