Dissertação Mestrado MatheusCosta ALTERADO - 16

Universidade do Estado do Rio de Janeiro
Centro de Tecnologia e Ciências

Programa de Pós-Graduação em Fı́sica
Matheus Reis
Estimativa da eficiência de triggers na análise de dados da

busca por matéria escura em colisões de próton-próton a
√
s = 13 TeV no CMS/LHC
Rio de Janeiro
2023
Matheus Reis
Estimativa da eficiência de triggers na análise de dados da busca por matéria

√
escura em colisões de próton-próton a s = 13 TeV no CMS/LHC
Dissertação apresentada, como requisito par-

cial para obtenção do tı́tulo de Mestre, ao
Programa de Pós-Graduação em Fı́sica, da
Universidade do Estado do Rio de Janeiro.
Orientador: Prof. Dra. Helena Brandão Malbouisson

Coorientador: Prof. Dr. Dilson de Jesus Damião
Rio de Janeiro
2023
CATALOGAÇÃO NA FONTE
UERJ / REDE SIRIUS / BIBLIOTECA CTC/D
D979 Reis, Matheus

Estimativa da eficiência de triggers na análise
√ de dados da busca por
matéria escura em colisões de próton-próton a s = 13 TeV no CMS/LHC
/ Matheus Reis. – Rio de Janeiro, 2023-
137 f.
Orientador: Prof. Dra. Helena Brandão Malbouisson

Dissertação (Mestrado) – Universidade do Estado do Rio de Janeiro,
Programa de Pós-Graduação em Fı́sica, Programa de Pós-Graduação em
Fı́sica, 2023.
1. Matéria escura.. 2. Experimento CMS.. 3. Trigger.. I. Prof.

Dra. Helena Brandão Malbouisson. II. Universidade do Estado do Rio de
Janeiro. III. Programa de Pós-Graduação em Fı́sica. IV. Tı́tulo
CDU 02:141:005.7
Autorizo, apenas para fins acadêmicos e cientı́ficos, a reprodução total ou parcial desta
dissertação, desde que citada a fonte.
Assinatura Data
Matheus Reis
Estimativa da eficiência de triggers na análise de dados da busca por matéria

√
escura em colisões de próton-próton a s = 13 TeV no CMS/LHC
Dissertação apresentada, como requisito par-

cial para obtenção do tı́tulo de Mestre, ao
Programa de Pós-Graduação em Fı́sica, da
Universidade do Estado do Rio de Janeiro.
Banca Examinadora:
Prof. Dra. Helena Brandão Malbouisson (Orientador)

Instituto Armando Dias Tavares – UERJ
Prof. Dr. Dilson de Jesus Damião (Coorientador)

Instituto Armando Dias Tavares – UERJ
Prof. Dr. Antonio Vilela Pereira

Instituto de Fı́sica Armando Dias Tavares - UERJ
Prof. Dr. Sandro Fonseca de Souza

Instituto de Fı́sica Armando Dias Tavares - UERJ
Prof. Dra. Erica Ribeiro Polycarpo Macedo

Instituto de Fı́sica - UFRJ
Prof. Dr. Thiago Rafael Fernandez Perez Tomei

Instituto de Fı́sica Teórica - UNESP
Dr. Gilson Correia Silva

Deutsches Elektronen-Synchrotron - DESY
Rio de Janeiro
2023
AGRADECIMENTOS
Agradeço à minha famı́lia, principalmente meus pais, Vanda Lucia e Claudio

Marques que sempre incentivaram e investiram na minha formação. Também agradeço a
minha segunda mãe Keylla Braga por me instruir e ajudar ao longo da graduação.
Agradeço aos meus orientadores Helena Malbouisson e Dilson de Jesus Damião,
por acreditarem em mim mesmo quando eu não acreditava, sempre me incentivando,
me mostrando o caminho necessário a ser feito, para chegar aonde cheguei. O apoio
e tolerância que tiveram comigo foram essências para realização desse trabalho. Sou
eternamente grato a vocês.
A todos os amigos ao longo do mestrado, em especial, Gabriel Moreira, Raphael
Souza e Gilson Correia, que estiveram comigo no começo, meio e fim do meu mestrado,
meu muito obrigado! Espero que cada um alcance seu próprio objetivo e que seja feliz.
Agradeço ao corpo técnico do DFNAE, alunos de iniciação, mestrado e douto-
rado que sempre me ajudaram quando eu mais precisei, seja em conversas descontraı́das
ou em soluções de problemas. Meu muito obrigado!
Agradeço também a CAPES pelo apoio financeiro. Também agradeço a você
que está lendo essa dissertação, espero ela lhe ajude na sua busca por conhecimento.
RESUMO
Neste trabalho, são apresentados os passos feitos para se medir o fator de

correção dos triggers, no contexto de uma análise de busca por evidências de matéria
√
escura nas colisões de próton-próton no Large Hadron Collider (LHC) com s = 13 TeV,
utilizando, para isso, dados da segunda tomadas de dados (Run II) provenientes do Com-
pact Muon Solenoid (CMS). A busca por matéria escura se dá através do decaimento
bb̄H → Za → l¯lχχ̄, onde χχ̄ são os candidatos a matéria escura do modelo Weakly-
Interacting-Massive-Particle (WIMP), l¯l são léptons de cargas opostas e o H é um dos
bósons de Higgs produzidos através do modelo Two-Higgs-Doublet (2HDM), sendo esse
um processo considerado além do Modelo Padrão das Partı́culas Elementares. Ao longo
da dissertação, são discutidos os principais passos feitos nesse tipo de estudo, sendo eles:
os critérios de escolhas dos triggers, estudos de fatores de ortogonalidade, estudo de com-
portamento de eficiência, tratamento de incerteza estatı́stica da eficiência, como se criar
os os mapas de fator de correção e como mensurar a incerteza estatı́stica e sistemática
desses mapas. E, ao final, é discutido o impacto desse tipo de estudo sobre a análise como
um todo.
REIS, M. C. Estimativa da eficiência de triggers√ na análise de dados da busca por

matéria escura em colisões de próton-próton a s = 13 TeV no CMS/LHC. 2023. 137 f.
Dissertação (Mestrado em Fı́sica) – Programa de Pós-Graduação em Fı́sica,
Universidade do Estado do Rio de Janeiro, Rio de Janeiro, 2023.
Palavras-chave: Matéria escura. Experimento CMS. Trigger.

ABSTRACT
In this dissertation are presented and explain all the steps taken to measure the
correction factor of triggers, their statistical and systematic uncertainties, in the context
of an analysis that seeks to find evidence of dark matter in proton-proton collisions at the
√
Large Hadron Collider (LHC) with s = 13 TeV, using data from Run II obtained from
the Compact Muon Solenoid (CMS). The search for dark matter is carried out through
the decay bb̄H → Za → l¯lχχ̄, where χχ̄ are the candidates for dark matter in the Weakly-
Interacting-Massive-Particle (WIMP) model, l¯l are oppositely charged leptons, and H is
one of the Higgs bosons produced through the Two-Higgs-Doublet Model (2HDM), thus
representing a process beyond the Standard Model of Elementary Particles (SM).
Throughout the dissertation, the main steps taken in this type of study are
discussed and presented, such as trigger choices, orthogonality factor studies, efficiency
behavior studies, statistical uncertainty treatment of efficiency, how correction factor maps
are created, and how the statistical and systematic uncertainties of these maps are mea-
sured. Finally, the impact of this type of study on the overall analysis is discussed.
REIS, M. C. Estimation of trigger

√ efficiency in the analysis of dark matter search data
in proton-proton collisions at s = 13 TeV at CMS/LHC.. 2023. 137 f. Dissertação
(Mestrado em Fı́sica) – Programa de Pós-Graduação em Fı́sica, Universidade do Estado
do Rio de Janeiro, Rio de Janeiro, 2023.
Keywords: Dark Matter. Experiment CMS. Trigger.

LISTA DE ILUSTRAÇÕES
Figura 1 - Modelo padrão das partı́culas elemetares . . . . . . . . . . . . . . . . . 18

Figura 2 - Confinamento dos quarks . . . . . . . . . . . . . . . . . . . . . . . . . 19
Figura 3 - Registro de uma lente gravitacional . . . . . . . . . . . . . . . . . . . . 22
Figura 4 - Decaimento do processo bb̄H → Za → l¯lχχ̄ . . . . . . . . . . . . . . . 25
Figura 5 - Complexo de aceleradores do CERN . . . . . . . . . . . . . . . . . . . 27
Figura 6 - Esquema ilustrativo do LINAC2 . . . . . . . . . . . . . . . . . . . . . . 28
Figura 7 - Esquema ilustrativo dos pontos de injeção e experimentos do LHC . . . 29
Figura 8 - Luminosidade integrada entregue pelo LHC ao experimento CMS . . . 31
Figura 9 - Esquema do CMS e suas subcamadas . . . . . . . . . . . . . . . . . . . 33
Figura 10 - Coordenadas do CMS . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
Figura 11 - Solenoide e retun yoke . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
Figura 12 - Modelo 3D do detector de traços . . . . . . . . . . . . . . . . . . . . . 36
Figura 13 - Corte transversal do detector de pixel e tiras . . . . . . . . . . . . . . . 37
Figura 14 - Chuveiro eletromagnético na câmara de bolhas e no cristal de P bW O4 38
Figura 15 - Subsistemas do calorı́metro eletromagnético . . . . . . . . . . . . . . . 38
Figura 16 - Subsistemas do calorı́metro hadrônico . . . . . . . . . . . . . . . . . . . 40
Figura 17 - Subsistemas da câmara de múons . . . . . . . . . . . . . . . . . . . . . 41
Figura 18 - Esquema da hierarquia de ativação do L1 . . . . . . . . . . . . . . . . 42
Figura 19 - Diagrama de feynman da produção de Drell-Yan mais jatos no LHC . . 48
Figura 20 - Decaimento dileptônico do par de quark top . . . . . . . . . . . . . . . 49
Figura 21 - Diagrama de feynman da produção de t (TW channel) e seu next-to-
leading order . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
Figura 22 - Correção de pileup . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
Figura 23 - Porcentagem de ativação dos triggers do conjunto principal no ano de
2018 no canal µµ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
2018 no canal ee . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
2018 no canal eµ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
Figura 26 - Comportamento da eficiência ao longo de diferentes distribuições para
o ano de 2018 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
Figura 27 - Eficiência de seleção de triggers nas distribuições de pseudorapidez para
o ano de 2018 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
Figura 28 - Eficiência de seleção de triggers nas distribuições de momento trans-
verso para o ano de 2018 . . . . . . . . . . . . . . . . . . . . . . . . . . 65
Figura 29 - Comportamento da eficiência em um distribuição com diferentes largu-
ras de bin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
Figura 30 - Intervalos de confiança de uma distribuição normal . . . . . . . . . . . 67
Figura 31 - Comportamento da eficiência de seleção e respectivos valores de Nef f
no canal ee . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
Figura 32 - Comportamento da eficiência e respectivos valores de Nef f no canal µµ 72
Figura 33 - Comportamento da eficiência e respectivos valores de Nef f no canal eµ 73
Figura 34 - Mapas de fator de correção de 2018 . . . . . . . . . . . . . . . . . . . . 74
Figura 35 - Valores de Nef f adquiridos para os mapas de fator de correção de 2016 74
Figura 38 - Incertezas estatı́stica superior do fator de correção de 2018 . . . . . . . 76
Figura 39 - Incertezas estatı́stica inferior do fator de correção de 2018 . . . . . . . 77
Figura 40 - Mapas com os valores finais de incerteza sistemática para os anos de
2018 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
Figura 41 - Exemplo de um gráfico de correlação . . . . . . . . . . . . . . . . . . . 99
Figura 42 - Gráficos de correlação do conjunto principal para os dados do ano de
2016 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
Figura 43 - Gráficos de correlação do conjunto principal para a simulação do ano
de 2016 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
2017 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
de 2017 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
2018 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
de 2018 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
Figura 48 - Gráficos de correlação individual dos triggers do conjunto auxiliar nos
dados pro ano de 2016 (1/2) . . . . . . . . . . . . . . . . . . . . . . . . 104
dados pro ano de 2016 (2/2) . . . . . . . . . . . . . . . . . . . . . . . . 105
Figura 50 - Gráficos de correlação individual dos triggers do conjunto auxiliar na
simulação pro ano de 2016 (1/2) . . . . . . . . . . . . . . . . . . . . . . 106
dados pro ano de 2017 (1/3) . . . . . . . . . . . . . . . . . . . . . . . . 108
dados pro ano de 2017 (2/3) . . . . . . . . . . . . . . . . . . . . . . . . 109
dados pro ano de 2017 (3/3) . . . . . . . . . . . . . . . . . . . . . . . . 110
dados pro ano de 2018 (1/3) . . . . . . . . . . . . . . . . . . . . . . . . 114
dados pro ano de 2018 (2/3) . . . . . . . . . . . . . . . . . . . . . . . . 115
dados pro ano de 2018 (3/3) . . . . . . . . . . . . . . . . . . . . . . . . 116
Figura 64 - Comportamento da eficiência e respectivos valores de Nef f no canal ee
pro ano de 2016 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
Figura 65 - Comportamento da eficiência e respectivos valores de Nef f no canal µµ
no ano de 2016 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
Figura 66 - Comportamento da eficiência e respectivos valores de Nef f no canal eµ
pro ano de 2016 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
Figura 67 - Comportamento da eficiência e respectivos valores de Nef f no canal ee
pro ano de 2017 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
no ano de 2017 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
pro ano de 2017 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
Figura 72 - Incertezas estatı́stica superior e inferior do fator de correção de 2016 . . 127
Figura 73 - Incertezas estatı́stica superior e inferior do fator de correção de 2017 . . 128
Figura 74 - Incertezas sistemática das eras de 2016 . . . . . . . . . . . . . . . . . . 129
Figura 77 - Mapas de diferença de valores do fator de correção adquiridos em dife-
rentes regiões para 2016 (1/2) . . . . . . . . . . . . . . . . . . . . . . . 131
Figura 83 - Mapas com os valores finais de incerteza sistemática para os anos de
2016 e 2017 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
LISTA DE TABELAS
Tabela 1 - Pontos de sinal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47

Tabela 2 - Valores do fato de ortogonalidade para os diferentes anos . . . . . . . . 61
Tabela 3 - Valores da incerteza sistemática σT otalCorrelationBinError . . . . . . . . . 77
Tabela 4 - Tabela com definição dos cortes para fonte de incerteza sistemática . . 79
Tabela 5 - Lista de dados de 2016 . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
Tabela 6 - Lista de dados de 2017 . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
Tabela 7 - Amostras de sinal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
Tabela 8 - Amostras de Drell-Yan, tt̄, Single Top, WZ e ZZ . . . . . . . . . . . . . 93
Tabela 9 - Amostras de residual . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
Tabela 10 - Amostras de residual (continuação) . . . . . . . . . . . . . . . . . . . . 95
Tabela 11 - Triggers de seleção de 2016 . . . . . . . . . . . . . . . . . . . . . . . . 96
Tabela 12 - Trigger de auxiliar de de 2016 . . . . . . . . . . . . . . . . . . . . . . . 97
Tabela 15 - Triggers de referência de 2017 e 2018 . . . . . . . . . . . . . . . . . . . 98
LISTA DE ABREVIATURAS E SIGLAS
MP Modelo padrão das partı́culas elementares

LHC Large Hadron Collider
CMS Compact Muon Solenoid
ALICE A Large Ion Collider Experiment
LHCb Large Hadron Collider beauty
ATLAS A Toroidal LHC ApparatuS
LINAC2 Linear accelerator 2
PS Proton Synchrotron
SPS Super Proton Synchroton
TIB Tracker Inner Barrel
TID Tracker Inner Disks
TOB Tracker Outer Barrel
TEC Tracker EndCap
ECAL Electromagnetic Calorimeter
ES Electromagnetic Pre-shower Detector
EB Barrel ECAL
EE Endcap ECAL
HCAL Hadron Calorimeter
HB Hadron Barrel Calorimeter
HE Hadron End-Cap Calorimeter
HF Hadron Forward Calorimeter
HO Hadron Outer Calorimeter
DT Drift Tubes
CSC Cathode Strip Chambers
RPC Resistive Plate Chambers
HLT High Level Trigger
MC Monte Carlo
LISTA DE SÍMBOLOS
γ Fator de Lorentz
ϕ Ângulo azimutal na coordenada do CMS
η Pseudorapidez da coordenada do CMS
µ Partı́cula múon
ee Canal dileptônico com decaimento em dois elétrons
µµ Canal dileptônico com decaimento em dois múons
σµµ Seção de choque do decaimento dileptônico onde as partı́culas filhas são
múon-múon
σee Seção de choque do decaimento dileptônico onde as partı́culas filhas são
elétron-elétron
σtt̄ Seção de choque do decaimento dileptônico
σ Erro associado
SUMÁRIO
INTRODUÇÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1 INTRODUÇÃO TEÓRICA . . . . . . . . . . . . . . . . . . . . . . . 18
1.1 Modelo Padrão das partı́culas elementares . . . . . . . . . . . . . . 18
1.1.1 Quarks, léptons e Bósons . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.1.2 Origem do bóson de Higgs no MP . . . . . . . . . . . . . . . . . . . . . . 20
1.2 Matéria Escura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.2.1 Modelo com dois dubletos de Higgs . . . . . . . . . . . . . . . . . . . . . . 22
1.2.2 Busca por matéria escura através do processo bb̄H → Za → l¯lχχ̄ . . . . . 24
2 EXPERIMENTO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.1 O LHC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.1.1 Sequência de aceleração . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.1.2 Parâmetros do LHC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.2 O experimento CMS . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.2.1 Sistema de coordenadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.2.2 O Solenoide e o Return yoke . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.2.3 Detector de traços . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.2.4 Calorı́metro eletromagnético . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.2.5 Calorı́metro hadrônico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.2.6 Câmara de múons . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.3 Sistemas de trigger . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.3.1 Reconstrução dos objetos fı́sicos . . . . . . . . . . . . . . . . . . . . . . . 43
2.3.1.1 Reconstrução dos múons . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
2.3.1.2 Reconstrução dos elétrons . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
2.3.1.3 Reconstrução dos hádrons neutros e carregados . . . . . . . . . . . . . . . 44
3 ANÁLISE DOS DADOS . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.1 Dados e simulação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.1.1 Pontos de sinal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.1.2 Processos de fundo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.2 Cortes de pré-seleção e seleção . . . . . . . . . . . . . . . . . . . . . . 50
3.2.1 Cortes de pré-seleção: múons . . . . . . . . . . . . . . . . . . . . . . . . . 50
3.2.2 Cortes de pré-seleção: elétrons . . . . . . . . . . . . . . . . . . . . . . . . 51
3.2.3 Cortes de pré-seleção: Jatos . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.2.4 Cortes de seleção de sinal . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
3.3 Correções aplicadas aos eventos simulados . . . . . . . . . . . . . . 53
3.3.1 Correção de pileup . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
4 ESTUDO DOS TRIGGERS . . . . . . . . . . . . . . . . . . . . . . . 55
4.1 Escolha dos triggers . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
4.1.1 Fator de ortogonalidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
4.2 Eficiência de trigger . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
4.2.1 Tratamento das incerteza estatı́stica da eficiência . . . . . . . . . . . . . . 64
4.2.1.1 Incertezas dos dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
4.2.1.2 Incertezas da simulação . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
4.3 Mapas de fator de correção . . . . . . . . . . . . . . . . . . . . . . . . 71
4.3.1 Incerteza sistemática do fator de correção . . . . . . . . . . . . . . . . . . 75
CONCLUSÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
REFERÊNCIAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
APÊNDICE A – Amostra de dados . . . . . . . . . . . . . . . . . . . . 88
APÊNDICE B – Amostra de sinal . . . . . . . . . . . . . . . . . . . . . 90
APÊNDICE C – Amostra de fundo . . . . . . . . . . . . . . . . . . . . 92
APÊNDICE D – Lista de triggers . . . . . . . . . . . . . . . . . . . . . 96
APÊNDICE E – Gráficos de ortogonalidade . . . . . . . . . . . . . . . 99
APÊNDICE F – Gráficos de eficiência e Nef f . . . . . . . . . . . . . . 120
APÊNDICE G – Gráficos de Fator de Correção e incerteza estatı́stica . 126
APÊNDICE H – Incerteza sistemática dos fatores de correção . . . . . 129
16
INTRODUÇÃO
A fı́sica de altas energias é um ramo da fı́sica que estuda as estruturas funda-

mentais que compõem o nosso universo. Após anos de estudo, foi criada uma teoria capaz
de agrupar as partı́culas fundamentais e os tipos de interações às quais essas partı́culas
estão submetidas, sendo essa teoria chamada de Modelo Padrão das Partı́culas Elementa-
res. Embora seja um modelo bem consolidado, está longe de ser uma teoria completa no
que se refere a conseguir explicar toda a matéria que compõe o nosso universo. O Modelo
Padrão só descreve, aproximadamente, 5% de toda a matéria, sendo esta composta por
bárions. Os outros 95% seriam de matéria escura e energia escura1 (OKS, 2021).
A partir do pouco que se sabe sobre o que seria a matéria escura, foram de-
senvolvidas teorias além do MP que podem explicar os efeitos atribuı́dos a ela. Nesta
dissertação, é feita a consideração de que a matéria escura (χ) é um férmion de Dirac, ca-
racterizado como uma Weakly-Interacting-Massive-Particle (WIMP). Seu estudo se dará
sobretudo através da interface entre o setor visı́vel da matéria e o setor invisı́vel da matéria
escura por meio de uma teoria além do MP chamada Two Higgs Doublet Model (2HDM).
A procura por evidências de matéria escura será feita através de dados das
colisões de próton-próton no LHC, com uma energia de centro de massa de 13 TeV,
utilizando os dados produzidos no intervalo de tempo chamado de Run II. Os dados
utilizados foram coletados por um dos experimentos do LHC, o detector Compact Muon
Solenoid (CMS), considerado um experimento de propósito geral. A análise dos dados
é realizada em colaboração com cientistas da Universidade do Estado do Rio de Janeiro
(UERJ), do Centro Brasileiro de Pesquisas Fı́sicas (CBPF) e do Deutsches Elektronen-
Synchrotro (DESY). O autor faz parte da equipe da UERJ e é responsável por obter o
fator de correção proveniente dos triggers.
No primeiro capı́tulo da dissertação, são abordados o MP das partı́culas ele-
mentares, as partı́culas que o compõem e as interações às quais estão sujeitas. São apre-
sentadas evidências de matéria escura e mencionados estudos além do MP, com foco no
modelo de matéria escura chamado de Weakly Interacting Massive Particles (WIMPs).
Também é feita uma introdução matemática sobre o modelo de Higgs e sua extensão para
o modelo 2HDM, que será responsável pela produção de matéria escura.
No segundo capı́tulo, é abordado o funcionamento do complexo de aceleradores
do CERN, desde a produção dos feixes de partı́culas até a colisão em um dos pontos de
colisão do Large Hadron Collider (LHC). É feita uma descrição detalhada do experimento
1
Matéria escura compreende uma forma postulada de matéria que não absorve, espalha ou emite luz,
interagindo somente através da força gravitacional. Energia escura é uma energia responsável pela
expansão do universo.
17
Compact Muon Solenoid, dos sub-detectores e o processo de reconstrução dos objetos

fı́sicos observados, com um enfoque especial dado ao funcionamento do sistema de triggers.
No terceiro capı́tulo, são apresentados aspectos gerais da análise de dados
realizada pela colaboração UERJ-CBPF-DESY. São descritos as amostras de dados e
simulação utilizados, incluindo os principais processos fı́sicos de fundo, os cortes de qua-
lidade dos objetos fı́sicos, os cortes de seleção de sinal e o conceito de fatores de correção
da simulação.
No quarto capı́tulo, é apresentado o estudo de eficiência dos triggers, abor-
dando todos os passos realizados. Inicialmente, são discutidos os critérios mais adequados
para a escolha dos triggers, a identificação de anomalias com base na taxa de ativação
dos triggers selecionados, a necessidade de um conjunto de seleção auxiliar, o estudo de
ortogonalidade de seleção, a análise da tendência da eficiência de seleção e o tratamento
das incertezas quando se trabalha com eventos com pesos diferentes. Também são apre-
sentados detalhes sobre a criação de um mapa de fator de correção e o tratamento das
incertezas estatı́sticas e sistemáticas desses mapas. Por fim, são apresentadas as con-
clusões e considerações finais.
18
1 INTRODUÇÃO TEÓRICA
1.1 Modelo Padrão das partı́culas elementares
A fı́sica de altas energias é um ramo da fı́sica que estuda as partı́culas funda-

mentais que compõem o nosso universo. Após anos de estudo, foi criada uma teoria capaz
de classificar as partı́culas fundamentais e os tipos de interações às quais essas partı́culas
estão submetidas, denominada Modelo Padrão das Partı́culas Elementares (MP), como
ilustrado na figura 1. No MP, são definidos três grupos distintos: quarks, léptons e bósons.
Figura 1 - Modelo padrão das partı́culas elemetares
Legenda: Os três grupos de partı́culas fundamentais e seus membros.

Fonte: (WIKIPéDIA, 2022)
1.1.1 Quarks, léptons e Bósons
Os quarks são partı́culas fundamentais, sem estrutura interna e de spin fracio-

1
nado 2
Apresentam carga elétrica, massa, carga de cor e sabor2 . Por terem carga de cor,
.
são afetados pela força forte e, por isso, são encontrados confinados em estruturas mais
complexas chamadas hádrons. Ao todo, existem seis sabores de quarks: up (u), down
(d), bottom (b), top (t), strange (s) e charm (c).
Os léptons também são partı́culas fundamentais, sem estrutura interna e de
spin fracionado 12 . Apresentam carga elétrica, massa e sabor. Ao contrário dos quarks,
por não apresentarem carga de cor, não estão sujeitosinteragem através da força forte.
2
Não se trata do sabor como empregado no cotidiano. Quando falamos em sabor, estamos nos referindo
aos tipos de quarks que existem
19
Ao todo, existem seis sabores de léptons: elétron (e), múon (µ), tau (τ ) e seus respectivos
neutrinos (ve , vµ e vτ ), que apresentam carga neutra.
Os bósons são as partı́culas de spin inteiro responsáveis por serem as medi-
adoras das forças fundamentais (força fraca, força forte, força eletromagnética e força
gravitacional). O MP é uma teoria quântica que descreve três interações fundamentais
(fraca, forte e eletromagnética), não sendo desenvolvido para explicar a gravidade, por-
tanto, abordaremos apenas as demais forças.
Como mencionado anteriormente, a força responsável por confinar os quarks
em hádrons é a força forte, que tem o glúon como mediador. Esse confinamento é chamado
de confinamento de cor, e o glúon, por também apresentar carga de cor, fica confinado
junto aos quarks. O glúon funciona como uma cola, e caso seja aplicada uma força que
quebre a estrutura dos hádrons, a energia gerada na quebra faz com que o glúon produza
novas partı́culas, como mostrado na figura 2.
Figura 2 - Confinamento dos quarks
Legenda: Esquema da atuação da força forte, na produção de quarks impedindo que se

encontrem soltos
Fonte: (LIU, 2018)
A força fraca tem como partı́culas mediadoras o W+, W- e Z. Ela é responsável

pela transformação de partı́culas mais pesadas em partı́culas mais leves. Esse processo
é chamado de decaimento e deve respeitar as seguintes leis de conservação: conservação
de energia, conservação de momento, conservação de cor e conservação de carga elétrica.
Por exemplo, não é possı́vel que uma partı́cula de carga neutra decaia em duas partı́culas
de carga -1, pois isso violaria a lei de conservação de carga elétrica. O mesmo conceito
vale para todas as outras leis.
A força eletromagnética tem como mediador o fóton (γ). A força eletro-
magnética é responsável por atrair ou repelir corpos com cargas diferentes ou iguais,
respectivamente.
Além dos bósons mencionados, ainda existe o bóson de Higgs, que tem relação
com o fato dos bósons W e Z adquirirem massa. Esse bóson terá destaque em relação aos
outros devido à topologia do processo fı́sico que estamos analisando. Por isso, na próxima
seção, abordaremos o formalismo matemático que previu a existência dessa partı́cula.
20
1.1.2 Origem do bóson de Higgs no MP
A construção do MP baseia-se na teoria quântica de campos, que por sua vez

utiliza o conceito de princı́pios de simetria(MOREIRA, 2019), da teoria de calibre e o uso
da Mecânica Quântica (MANDL; SHAW, 2010).
Os princı́pios de simetria podem ser entendidos como leis de conservação. A lei
induz à ideia de que há quantidades que se conservam na natureza diante de algum tipo
de transformação. Esse conceito é melhor descrito pelo teorema de Noether (NOETHER,
1971), que afirma que para cada simetria na natureza há uma correspondente lei de
conservação, e para cada lei de conservação há uma simetria. Existem diversos exemplos
com os quais o leitor já deve ter se deparado, como a conservação do momento angular, do
momento linear ou mesmo da energia total (MOREIRA, 2019), os quais estão diretamente
relacionados à invariância da Lagrangiana diante de translações temporais, translações
espaciais e rotações espaciais, respectivamente (FILARDO JOSé E DORSA, 2008).
A teoria de calibre, também conhecida como princı́pio de gauge, descreve dois
tipos de simetrias: globais e locais (FILARDO JOSé E DORSA, 2008). As simetrias
globais não dependem do local no espaço em que ocorre a transformação, enquanto as
simetrias locais dependem das propriedades locais da transformação. Ambos os casos são
conhecidos como transformações de gauge.
Lagrangianas simétricas frente a transformações de gauge locais, quando se
encontram no seu estado de energia mais baixo, não são invariantes. Esse fenômeno
é chamado de quebra espontânea de simetria, sendo um conceito muito importante na
fı́sica de altas energias, pois através dele é possı́vel mensurar a existência do bóson de
Higgs (PIMENTA et al., 2013).
A existência do bóson de Higgs se dá pelo chamado mecanismo de Higgs que
explica a massa dos bósons do setor eletro-fraco (HIGGS, 1964; GURALNIK; HAGEN;
KIBBLE, 1964; HIGGS, 1966; KIBBLE, 1967). Esse mecanismo parte da quebra es-
pontânea de simetria do setor eletrofraco (grupo de simetria SU2 ⊗ U (1)) com lagrangiana
definida como,
1 1
L = (Dµ ϕ)† Dµ ϕ − V (ϕ) − Waµν W aµν − Fµν F µν , (1)
4 4
onde Waµν é o tensor relativo ao grupo de simetria SU(2), Fµν é referente ao grupo de
simetria U(1), Dµ é a derivada covariante e ϕ é o campo dubleto complexo chamado de
campo de Higgs onde a energia potencial do modelo é dada por
2
V (ϕ) = µ2 ϕ† ϕ + λ ϕ† ϕ . (2)
21
O desenvolvimento do campo de Higgs resulta em um campo escalar massivo, três campos

vetoriais massivos e um campo vetorial sem massa.
A existência do campo de Higgs implica a existência de uma partı́cula de Higgs,
interpretada como o estado excitado do campo. Em 4 de junho de 2012, o CERN anunciou
a descoberta de uma partı́cula com as caracterı́sticas do Higgs do MP (CHATRCHYAN
et al., 2012; AAD et al., 2012), consolidando o mecanismo de Higgs e fortalecendo a teoria
do MP.
Embora o MP das partı́culas elementares seja um dos modelos mais bem-
sucedidos já criados, ele ainda não consegue explicar alguns fenômenos observados, tais
como: o problema da constante cosmológica, a massa dos neutrinos, a divergência quadrática
e a matéria escura (EM). Essas questões em aberto levam os fı́sicos a formularem extensões
do MP. Na próxima seção, será apresentada uma dessas extensões, focada em resolver o
problema do conceito que estamos estudando: a matéria escura.
1.2 Matéria Escura
Toda estrela orbita em torno do centro de sua respectiva galáxia, mais especifi-
camente em torno do centro de massa da galáxia, devido à atuação da força gravitacional
proveniente da massa de seus corpos. O mesmo pode ser dito sobre os gases que compõem
a galáxia. Através da radiação emitida por esses gases, é possı́vel inferir a velocidade de
rotação das galáxias e determinar qual seria a massa total que essas galáxias deveriam ter
(SARAIVA, 2023). Entretanto, estudos feitos em meados de 1930 pelo astrônomo suı́ço
Fritz Zwicky (1898-1974) acerca da massa do Aglomerado de Coma indicaram que a massa
desse aglomerado de galáxias deveria ser bem maior do que a massa detectada através
da radiação (ROOS, 2010). Foi formulada uma hipótese da existência de uma matéria
não detectável que fosse responsável por esse desequilı́brio, sendo chamada de “Matéria
Escura” (ME). A ME ganhou mais força com o passar dos anos, graças a evidências
de outras anomalias encontradas no espaço, como, por exemplo, as lentes gravitacionais
(LIMA; SANTOS, 2020), mostradas na figura 3.
A partir do desconhecimento sobre o que seria a matéria escura, mas conside-
rando os efeitos que ela gera, foram desenvolvidos modelos teóricos que podem explicar
esses efeitos. Entre as teorias que pressupõem que a matéria escura é uma partı́cula, as
mais aceitas são os áxions (CHADHA-DAY; ELLIS; MARSH, 2022) e as partı́culas mas-
sivas de interação fraca (WIMPs) (ROSZKOWSKI; SESSOLO; TROJANOWSKI, 2018).
No entanto, como a fenomenologia abordada em minha dissertação é baseada nos WIMPs,
somente essa interação será abordada neste trabalho.
Os WIMPs são partı́culas hipotéticas que interagem pouco entre si e, quando
interagem com a matéria, o fazem por meio da força fraca e da força gravitacional. Durante
22
Figura 3 - Registro de uma lente gravitacional
Legenda: Deformação no espaço-tempo causada pela presença de um corpo de grande

massa entre um objeto e um observador
Fonte: NASA (NASA, 2023)
o inı́cio do universo, logo após o Big Bang, as partı́culas se moviam em alta velocidade e
colidiam entre si com muita frequência, formando um plasma quente e denso. À medida
que o universo se expandiu e resfriou, as partı́culas começaram a se agrupar e formar
estruturas maiores, como átomos e galáxias. No entanto, como os WIMPs não intera-
giam facilmente com outras partı́culas, eles se dispersaram uniformemente pelo universo,
tornando-se a matéria escura.
Uma vez que os WIMPs interagem fracamente, é possı́vel que sejam gerados
a partir de partı́culas do MP, desde que essas partı́culas apresentem energia suficiente
para, ao decaı́rem, produzir os WIMPs. Nesse sentido, entra em cena o modelo com dois
dubletos de Higgs (2HDM).
1.2.1 Modelo com dois dubletos de Higgs
O modelo 2HDM é uma teoria além do MP que adiciona um segundo dubleto

de Higgs antes da quebra espontânea de simetria (BRANCO et al., 2012; STEFANIAK,
2019). Existem nuances dependendo das considerações feitas ao utilizar o modelo 2HDM.
Nesta análise, foi considerado o modelo no qual o potencial escalar apresentava con-
servação de CP e uma quebra de simetria suave Z2 (TUNNEY; NO; FAIRBAIRN, 2017;
MORRISON, 2023; IPEK; MCKEEN; NELSON, 2014). Isso significa que
23
Z2 : Φ1 → −Φ1 e Φ2 → Φ2 (3)
onde Φ1 e Φ2 representam, cada, um dubletos contendo os campos complexos (ϕ+

a) e
campos reais (ρa e ηa ) de higgs, dados por
 
ϕ+
a
Φa =  √ , a ∈ {1, 2}, (4)
(va + ρa + iηa ) / 2
p
sendo va os valores esperado de vácuo dos dubletos (v = v12 + v22 ). Também é con-
siderado o tipo II do modelo, no qual o primeiro dubleto se acopla apenas aos quarks
up, enquanto o segundo dubleto se acopla apenas aos quarks down e léptons. Nessas
configurações, após a quebra de simetria, não são gerados quatro campos, mas sim oito
campos, dos quais, três representam os bósons Z 0 , W + e W − , enquanto os demais campos
geram estados escalares novos. Portanto, a adição do segundo dubleto de Higgs leva a
uma fenomenologia mais rica, pois há cinco novos estados escalares fı́sicos, incluindo dois
escalares neutros (h e H), um pseudo-escalar neutro (A0 ) e dois escalares carregados (H +
e H − ). Onde,
H ± = cos βϕ± ±
2 − sin βϕ1 , (5)
A0 = cos βη2 − sin βη1 , (6)
H = − sin αh2 − cos αh1 , (7)
h = cos αh2 − sin αh1 , (8)
e α e β são os ângulos de rotação, onde tan(β) = v1 /v2 e α é responsável por diagonalizar

os campos escalares neutros. Quando o ângulo de rotação α satisfaz o limite β − α = π2 no
setor CP-even, o h adquire propriedades de acoplamento iguais ao do bóson de Higgs do
MP (TUNNEY; NO; FAIRBAIRN, 2017). O modelo 2HDM apresentado é utilizado como
base para validar o processo fenomenológico que queremos estudar, que é o decaimento
bb̄H → Za → l¯lχχ̄.
24
1.2.2 Busca por matéria escura através do processo bb̄H → Za → l¯lχχ̄
Inicialmente consideramos que a matéria escura (χ) são férmions de Dirac,

com massa mχ , que adquirem o estado de singleto sob transformações de gauge do MP, e
acoplam-se a um pseudo escalar real a0 , através do potencial
m2a0 2
Vdark = a0 + mχ χχ̄ + yχ a0 χ̄iγ 5 χ, (9)
2
onde ma0 e yχ representam a massa do pseudo escalar a0 e o acoplamento de Yukawa do

férmion χ, respectivamente.
Para que o pseudoescalar esteja apto a mediar a interação da matéria escura
com os férmions do MP, a invariância de calibre do setor eletrofraco deve ser esten-
dida além do MP, o que implica na existência de uma partı́cula da matéria escura e
um novo pseudoescalar mediador (TUNNEY; NO; FAIRBAIRN, 2017; NOMURA; THA-
LER, 2009; GONçALVES; MACHADO; NO, 2017). O modelo 2HDM permite essas
extrapolações, gerando dois novos pseudoescalares, chamados A e a, sendo que o a será
responsável por mediar a interação da matéria escura com o campo escalar neutro H.
Acredita-se que esse processo possa ser produzido no LHC por meio do processo de fusão
de glúons (gluon-fusion), em colisões próton-próton.
Em resumo, o processo que estamos estudando é predominantemente produ-
zido pela fusão de glúons, resultando em um par de bósons bb̄ e um bóson de Higgs
pesado (H). O Higgs pesado decai em um bóson Z e uma partı́cula pseudoescalar a. O
pseudoescalar a, por sua vez, decai em férmions que compõem a matéria escura (χ/χ̄),
enquanto o Z decai em pares de léptons de cargas opostas. O processo mencionado pode
ser visualizado na figura 4.
25
Figura 4 - Decaimento do processo bb̄H → Za → l¯lχχ̄
Legenda: Diagrama da produção de matéria escura (χχ̄) através do decaimento do Higgs

pesado (H) do modelo 2HDM
Fonte: O Autor, 2023
26
2 EXPERIMENTO
O estudo das propriedades de partı́culas é amplamente realizado por meio

da interação delas com detectores. Diversos tipos de detectores foram criados para esse
propósito. Por exemplo, o Super Kamiokande (OBSERVATORY, 2023) foi construı́do
para detectar neutrinos, enquanto a câmera de bolhas é capaz de registrar a passagem de
partı́culas carregadas (WU, 1971). Existem muitos outros tipos de detectores, cada um
com sua aplicação especı́fica, mas todos têm em comum a ideia de estudar as propriedades
das partı́culas por meio de suas interações com a matéria.
Para estudar as propriedades das partı́culas foram construı́dos aceleradores de
partı́culas capazes de acelerar as partı́culas a altas energias. Após essa etapa de aceleração,
as partı́culas colidem com alvos estáticos ou com outros feixes de partı́culas, e essas colisões
são registradas pelos detectores posicionados ao redor dessas regiões de colisão.
Nesta dissertação, foram utilizados dados provenientes do detector Compact
Muon Solenoid (CMS), que faz parte do acelerador Large Hadron Collider (LHC). Por-
tanto, neste capı́tulo será apresentado o funcionamento do LHC, bem como o experimento
CMS e como ele é capaz de detectar e registrar as informações geradas pelas colisões.
2.1 O LHC
O LHC (Large Hadron Collider), situado na fronteira entre a França e a Suı́ça,

é o maior e mais poderoso acelerador de partı́culas do mundo. Faz parte do complexo de
aceleradores do CERN (Organização Europeia para Pesquisa Nuclear) e foi construı́do no
mesmo túnel que abrigava o acelerador chamado Large Electron-Positron Collider (LEP)
(COLLABORATION et al., 2008c). O LHC consiste em dois anéis de aceleração com
um comprimento total aproximado de 26,7 quilômetros. Esses anéis são equipados com
um sistema de ı́mãs supercondutores que curvam a trajetória das partı́culas e um sistema
de campo elétrico dinâmico que acelera as partı́culas. Ele foi projetado com o objetivo
de acelerar prótons a uma energia de até 7 TeV e, em seguida, colidir esses prótons em
pontos especı́ficos, sendo capaz de alcançar uma energia de centro de massa de até 14
TeV.
No entanto, a produção e aceleração dos pacotes de hádrons, também conhe-
cidos como feixes, não começam diretamente no LHC. Na verdade, existe uma sequência
de aceleradores menores que são utilizados para preparar os feixes nas condições ideais
antes de serem injetados no anel do LHC.
27
2.1.1 Sequência de aceleração
Os feixes de partı́culas carregadas de prótons são produzidos a partir de gás

hidrogênio que é submetido a um campo elétrico de alta intensidade que separa os elétrons
dos prótons. Os prótons são armazenados e, posteriormente, submetidos a uma sequência
de aceleradores que pode ser visto na figura 5
Figura 5 - Complexo de aceleradores do CERN
Legenda: Desenho ilustrativo dos estágios percorridos pelas partı́culas no complexo de

aceleradores do CERN
Fonte: CERN (CERN, 2020)
A sequência de aceleradores empregados, sua descrição e a energia que os feixes

adquirem em cada um deles pode ser vista a seguir:
1. Acelerador Linear 2 (Linear accelerator 2 - LINAC2)3 : o processo de aceleração

dos feixes de prótons começa no LINAC2. Ele é um acelerador linear de 36 metros
3
A partir de 2019 o CERN passou a usar o uma versão mais nova, chamada de LINAC4 mas como o
estudo aqui apresentado usa dados de 2016, 2017 e 2018 só abordaremos o LINAC2
28
equipado com condutores cilı́ndricos que ficam alternando o seu campo elétrico
interno. Através dessa alternância o condutor anterior ao feixe o repele, enquanto
que o próximo condutor o atraı́, fazendo o feixe acelerar e adquirir energia. A
configuração descrita pode ser vista na figura 6. O LINAC2 é capaz de elevar a
energia dos feixes até 50 MeV. Além disso também é empregado um sistema de
pequenos ı́mãs quadrupolos que garantem que os prótons permaneçam em um feixe
estreito (COLLABORATION, 2023c).
Figura 6 - Esquema ilustrativo do LINAC2
Legenda: Desenho ilustrativo dos condutores cilı́ndricos do LINAC2, a carga dos

condutores fica alternando entre a imagem superior e inferior
Fonte: StackExchange (STACKEXCHANGE, 2023)
2. Acelerador Sı́ncrotron de Prótons (The Proton Synchrotron Booster - BOOSTER):

após passarem pelo LINAC2 os feixes são submetidos ao BOOSTER que é um
acelerador composto por quatro anéis com, aproximadamente, 160 metros de cir-
cunferência. Eles são capazes de acelerar as partı́culas a uma energia de até 1,4 GeV
(CERN, 2023d).
3. Sı́ncrotron de prótons (Proton Synchrotron - PS): a próxima etapa de aquisição de

energia é feita no PS, sendo composto de apenas um anel circular de, aproximada-
mente, 600 metros de circunferência, sendo capaz de acelerar os feixes de prótons
até uma energia de 26 GeV(CERN, 2023c). A partir daqui são criados os chama-
dos “pacotes” de prótons que contém aproximadamente 1, 8 × 1011 prótons, que
são separados por um intervalo de 25 ns entre eles. Essa configuração é para o
funcionamento do feixe no LHC.
4. Super Sı́ncrotron de Prótons (Super Proton Synchrotron - SPS): a última etapa de

aceleração dos prótons, antes de serem injetados no LHC, ocorre no SPS. Também é
29
um sı́ncrotron mas apresentando aproximadamente 7 quilômetros de circunferência

sendo capaz de acelerar os prótons até uma energia de 450 GeV.
Após passarem pelo SPS os pacotes de prótons chegam ao LHC através de dois pontos de
injeção, apresentados na figura 7, gerando dois feixes de prótons com mesma energia mas
sentidos contrários. Esses feixes são acelerados até adquirir uma energia de 6,5 TeV, atual-
mente, e podem colidir em 4 pontos, aonde estão situados os experimentos do LHC, sendo
eles: o Large Hadron Collider beauty experiment (LHCb)(COLLABORATION, 2020c;
COLLABORATION et al., 2008d) para estudo da antimatéria faltante no nosso universo,
a Large Ion Collider Experiment (ALICE)(COLLABORATION, 2020a; COLLABORA-
TION et al., 2008b) para estudo do plasmas quark-gluon, A Toroidal LHC ApparatuS
(ATLAS) (COLLABORATION, 2020b; COLLABORATION et al., 2008a) e o Compact
Muon Solenoid (CMS) ambos de propósito geral(TAYLOR, 2020; CHATRCHYAN et al.,
2008). A distribuição desses experimentos ao longo do LHC também pode ser vista na
figura 7.
Figura 7 - Esquema ilustrativo dos pontos de injeção e experimentos do LHC
Legenda: Desenho ilustrativo dos do LHC onde são apresentados os pontos de injeção
(circulados verdes) e onde estão situados os seus experimentos (estrelas)
Fonte: CERN (CERN, 2023a)
30
2.1.2 Parâmetros do LHC
Um parâmetro que deve ser levado em consideração quando falamos de acelera-

dores é a luminosidade instantânea (L). Ela representa o número de colisões por unidade
de área e unidade de tempo, como definida na equação 10.
1 dNX
L= , (10)
σX dt
onde dNdtX é a taxa de ocorrência por unidade de tempo e σX seria a seção de choque da
interação X, ou seja, a probabilidade de ocorrência dessa interação por unidade de área.4 .
A luminosidade instantânea depende de várias caracterı́sticas do acelerador, tais como a
seção transversal do feixe no plano x (σx ) e y (σy ), número de prótons por pacote (Nb ),
o ângulo de cruzamento (θc ) entre os dois feixes (F ), a frequência de revolução do feixe
(f ) e o número de pacotes por feixe (n). A fórmula que relaciona todos esses termos com
a luminosidade instantânea pode ser vista na equação 11.
n.Nb2
L=f .F (θc , σx , σy ) (11)
4.π.σx .σy
Também há outro parâmetro chamado de luminosidade integrada, que pode

ser entendida como a quantidade de eventos coletados pelo detector, sendo adquirida
integrando a luminosidade instantânea pelo intervalo de tempo da tomada de dados,
como apresentado na equação 12
Z
L= L dt (12)
O LHC ao longo dos anos tem aumentado a sua luminosidade instantânea, ou

seja, vem aumentando os números de colisões que consegue realizar e com isso consegue
entregar aos seus experimentos cada vez mais informações, como pode ser visto na figura 8
que apresenta a quantidade de luminosidade integrada entregue pelo LHC ao experimento
CMS.
Como mencionado o LHC foi projetado para colidir prótons-prótons a uma
√
energia de centro de massa de s = 14 TeV. Entretanto em 2010, quando de fato começou
√
as colisões e a coleta de dados, a energia de centro de massa era de s = 7 TeV, se
mantendo assim no ano de 2011 e passou para 8 TeV em 2012. Esses três anos, compõem
4
Sendo assim, caso tenhamos a luminosidade instantânea e a seção de choque de determinado processo
fı́sico podemos mensurar o número de ocorrência desse processo por unidade de segundo. Essa lógica
é empregada na normalização das simulações.
31
Figura 8 - Luminosidade integrada entregue pelo LHC ao experimento CMS
Legenda: Luminosidade integrada do LHC que foi entregue ao CMS ao longo dos anos
de tomadas de dados
Fonte: CMS COLLABORATION (COLLABORATION, 2023)
o que chamamos de Run 1, sendo o perı́odo de coleta de dados onde foi feita a descoberta
do bóson de Higgs (CHATRCHYAN et al., 2012). Os anos subsequentes de 2013, 2014 e
2015 foram utilizados para fazer melhorias e preparar o LHC para um novo perı́odo de
tomadas de dados com uma energia de centro de massa bem maior. A retomada ocorreu
em 2016 com uma energia de centro de massa de 13 TeV, essa configuração se manteve
pros anos de 2017 e 2018, completando assim o Run 2. Esse perı́odo, por apresentar uma
maior estatı́stica, foi utilizado para diminuir as incertezas das medidas feitas no Run 1 e
procurar novos fenômenos fı́sicos como supersimetria e matéria escura. O LHC desde o
final do Run 2 vem se preparando para o Run 3, que teve seu inı́cio em julho de 2022 com
√
uma energia de centro de massa de s = 13, 6 TeV.
O estudo apresentado nessa dissertação utiliza os dados de 2016, 2017 e 2018,
o que compreende a tomada de dados do Run 2 5 . Além disso, os dados utilizados nesse
5
Durante esse perı́odo, os experimentos do LHC apresentam configurações distintas das utilizadas hoje
em dia. A descrição que foi feita sobre o LHC e a que será feita sobre o experimento CMS é levando
em consideração a sua configuração na época do Run 2.
32
estudo são provenientes de um dos experimentos do LHC, mais especificamente do experi-

mento CMS, por isso no próximo capı́tulo é abordado o experimento CMS e como é feita
a detecção e registro das informações dos dados provenientes das colisões que ocorrem no
centro do CMS.
2.2 O experimento CMS
O CMS é um detector cilı́ndrico de propósitos geral, utilizado para fazer as

mais diversos análises, desde o estudo do MP à matéria escura (CHATRCHYAN et al.,
2008). Ele se situa no território francês, a uma profundidade de aproximadamente 100 m,
e possui 15 m de diâmetro, 21,6 m de comprimento e 12,500 toneladas.
Como visto na figura 9, o CMS é composto de várias camadas cilı́ndricas po-
sicionadas ao redor do ponto de colisão dos feixes. Da camada mais próxima ao ponto
de colisão até a mais afastada estão o detector de traços (TRACKER), o calorı́metro ele-
tromagnético (ECAL), calorı́metro hadrônico (HCAL), o solenoide super condutor (So-
lenoid ), e depois vem uma alternância entre a câmera de múons (Muon Chambers) e as
placas de retorno do campo magnético do Solenoid (IRON YOKE ). Todas essas camadas
tem seu propósito, e juntas são responsáveis por identificar e medir, de forma bastante
precisa, a energia e momento das partı́culas produzidas nas colisões.
Além disso, para que seja possı́vel mensurar o que ocorre nas colisões é utilizado
um sistema de coordenadas próprio do CMS, de onde são definidos diversas variáveis
pertinentes a fı́sica das colisões. Esse sistema é melhor descrito na subseção 2.2.1
Ao longo de uma tomada de dados é produzida uma quantidade de dados
maior do que é possı́vel registar, por isso é utilizado um sistema de triggers composto
de softwares e hardwares responsáveis por registrar ou não determinadas informações. E
após essa etapa os dados são armazenados em grandes redes de computadores que após
tratarem os dados são disponibilizados aos pesquisadores da colaboração do CERN.
2.2.1 Sistema de coordenadas
O sistema de coordenadas adotado pelo CMS é o sistema cartesiano com três

dimensões onde sua origem, ou seja o ponto (0, 0, 0), fica centrado no ponto de colisão do
acelerador. O eixo y é perpendicular à superfı́cie e aponta verticalmente para cima, o eixo
z é tangente ao contorno do LHC e aponta para o oeste onde esta localizado as montanhas
Jura, já o eixo x aponta radialmente para o centro do anel do LHC. Também são definidos
dois ângulos chamados de ângulo azimutal ϕ (Phi) e e o ângulo polar θ (Theta). Onde ϕ
é medido a partir do eixo x no plano xy com relação a coordenada radial r, sendo essa a
33
Figura 9 - Esquema do CMS e suas subcamadas
Legenda: Desenho ilustrativo das dimensões e camadas que compõem o CMS onde são
apresentados o TRACKER (bege), o ECAL (verde), o HCAL (cobre), Solenoid
(cinza), IRON YOKE (vermelho) e Muon Chambers (branco).
Fonte: CMS (FOCARDI, 2012)
distância da partı́cula até o ponto de colisão do feixe no plano xy. E θ definido a partir
do eixo z com relação ao vetor posição da partı́cula (CHATRCHYAN et al., 2008). Todos
essas variáveis podem ser vistas na figura 10.
A partir do sistema de coordenadas do CMS podemos determinar algumas
variáveis interessantes que nos auxiliam na etapa de seleção dos objetos fı́sicos. Alguns
exemplos são: a pseudo-rapidez (PHYSICS, 2020; WOLFF, 2023), que também pode ser
vista na figura 10, dada pela fórmula:

θ
η = −ln tan (13)
2
onde η varia de −∞, +∞, o momento transverso (pT ) e a energia transversa (ET ) ambas
relacionadas ao plano xy da seguinte forma
q pT
pT = p2x + p2y ; ET = E p 2 (14)
pT + p2z
onde E é a energia e px , py e pz são os momentos da partı́cula no eixo x, y e z, respecti-

34
Figura 10 - Coordenadas do CMS
Legenda: Desenho do sistema de coordenadas do CMS

Fonte: TikZ (NEUTELINGS, 2023)
vamente. A distância angular entre duas partı́culas (∆R) é dada por

q
∆R = (∆ϕ)2 + (∆η)2 (15)
Todas as variáveis mencionadas são levadas em consideração quando vamos

fazer algum tipo de estudo dos objetos fı́sicos, como quarks, léptons ou bóson.
2.2.2 O Solenoide e o Return yoke
Com 12 m de comprimento e 6,5 m de diâmetro interno, o Solenoide supercon-

dutor, representado na figura 11, é o responsável por criar um campo magnético uniforme
de até 3,8 T que é aplicado a todas as outras camadas que se encontram no seu interior, ou
seja, o detector de traços, o calorı́metro eletromagnético e o calorı́metro hadrônico. Esse
campo é muito importante para o detector de traços pois curva a trajetória das partı́culas
carregadas, melhorando a precisão feita acerca do momento e carga das partı́culas pelo
detector de traços (CHATRCHYAN et al., 2008).
Externo ao solenoide existe uma mescla de duas camadas: a câmara de múons
e o return yoke. O return yoke, representado por camadas vermelhas na figura 11, é
composto de placas de ferro com 1,5 m de espessura, que após ficarem saturadas, passam
a manter o campo magnético externo ao solenoide uniforme fazendo com que os múons
35
tenham sua trajetória modificada, graças a inversão do campo magnético. Essa trajetória
curva ajuda na precisão das medidas feitas pelas câmaras de múons.
Figura 11 - Solenoide e retun yoke
Legenda: Desenho 3D do solenoide (cilindro escuro no centro da imagem) e metade das

placas que constituem o return yoke
Fonte: Klyukhin (KLYUKHIN et al., 2010)
2.2.3 Detector de traços
Com 5,4 m de comprimento e 2,4 m de diâmetro o detector de traços é a

camada mais próxima ao ponto de interação dos feixes e é responsável por detectar a
passagem das partı́culas provenientes dessas interações que apresentem carga elétrica. O
detector de traços é dividido em duas partes: o detector de pixel e o detector de tiras.
Essa divisão pode ser vista na figura 12
O detector de pixel é a camada mais próxima ao ponto de interação dos feixes
de prótons. Por estar tão próximo da interação ele é utilizado para medir informações
muito importantes, tais como o parâmetro de impacto, o vértice primário e secundários6 .
E devido a alta taxa de partı́culas incidentes, cerca de 1000 partı́culas a cada 25 ns,
6
O vértice primário é o ponto de colisão dos prótons. Outros vértices, como o vértice secundário, podem
ser o resultado de decaimento de partı́culas produzidas na colisão e que têm um tempo de vida longo
o suficiente.
36
Figura 12 - Modelo 3D do detector de traços
Legenda: Desenho 3D do tracker, em roxo está o detector de pixel e em vermelho, verde

e azul estão as partes que compõem o detector de tiras
Fonte: Gumus (GUMUS; AKCHURIN, 2023)
o detector de pixel deve apresentar uma alta resistência a radiação e, ao mesmo tempo,
uma resolução grande o suficiente para impedir que uma ou mais partı́culas atravessem ao
mesmo tempo a mesma célula de detecção (COLLABORATION, 2008). Pensando nisso
são empregados cerca de 66 milhões de pixels de silı́cio, cada um funcionando como um
sensor, que após a passagem das partı́culas carregadas emite um sinal (também chamado
de hit). O sinal do pixel é gerado devido a passagem das partı́culas carregadas que ionizam
o material do silı́cio, que devido a uma tensão aplicada, apresenta campo elétrico interno,
que será responsável por mover os elétrons livres gerados na ionização para os receptores
que, por fim, registram o hit.
Já o detector de tiras, por estar mais afastado do ponto de interação, recebe
um menor fluxo de partı́culas, e por isso, é composto por tiras de silı́cio, que funcionam
da mesma forma que os pixels do detector de pixels (TAYLOR; ZEMLERIS, 2020; COL-
LABORATION, 2008). O detector de tiras é dividido em quatro partes, sendo elas: barril
interno (Tracker Inner Barril - TIB) e os discos internos (Tracker Inner Disks - TID), que
compõem a parte interna do detector de tiras, e o barril externo (Tracker Outer Barrel -
TOB) e a capa (Tracker EndCap - TEC), que compõem a parte externa do detector de
tiras. O detector de traços cobre um intervalo de |η| < 2, 5, como podem ser vistos na
figura 13
37
Figura 13 - Corte transversal do detector de pixel e tiras
Legenda: Desenho que representa um corte transversal do detector de traços, sendo

possı́vel ver o detector de pixel (PIXEL) e as quatro partes que compõem o
detector de tiras (TOB,TEC,TID e TIB)
Fonte: Bauer (BAUER, 2010)
2.2.4 Calorı́metro eletromagnético
Contornando o detector de traços, se encontra o calorı́metro eletromagnético

(Electromagnetic Calorimeter - ECAL), que é um calorı́metro hermético composto de
aproximadamente 68 mil cristais de tungstênio de chumbo (P bW O4 ). Esses cristais apre-
sentam uma densidade de 8,28 g/cm3 e um caminho de radiação de 0,89 cm, fazendo com
que sejam ótimos absorvedores (COLLABORATION, 2008). Essa configuração faz com
que o ECAL seja capaz de registrar, com grande precisão, o depósito de energia deixado
pelos fótons, elétrons e pósitrons, que ao interagirem com os cristais são desacelerados,
gerando o efeito “bremsstrahlung”, e produzindo pares pósitrons-elétrons que deixam um
sinal no detector chamado de chuveiro eletromagnéticos (MORAES, 2020), podendo ser
visto na figura 14.
O ECAL é dividido em 3 subsistemas: o barril (Barrel ECAL - EB), atuando
no intervalo de |η| < 1,479; a tampa (Endcap ECAL - EE), com cobertura de 1,479
< |η| < 3 e o detector de chuveiros (Electromagnetic Preshower Detector - ES) que é
utilizado para discriminar melhor pı́on neutros de fótons, antes que esses cheguem até o
EE (COLLABORATION, 2008). A figura com todos os subsistemas mencionados pode
ser visto na figura 15
38
Figura 14 - Chuveiro eletromagnético na câmara de bolhas e no cristal de P bW O4
Legenda: A figura superior apresenta o chuveiro eletromagnético em uma câmera de

bolhas enquanto que na figura de inferior, é apresentado o mesmo efeito mas
no cristal de P bW O4 do ECAL
Fonte: Masciocchi (MASCIOCCHI, 2023)
Figura 15 - Subsistemas do calorı́metro eletromagnético
Legenda: Esquema dos três subsistemas do ECAL: EB, ES e EE

Fonte: Klein (KLEIN, 2023)
2.2.5 Calorı́metro hadrônico
Envolvendo o ECAL se encontra o calorı́metro hadrônico (Hadron Calorimeter

- HCAL), que tem como objetivo medir a energia dos jatos hadrônicos e mensurar a
energia transversa perdida, que pode ser proveniente de neutrinos ou de fı́sica exótica
(COLLABORATION, 2008). Ele é construı́do de forma hermética e é composto de 4
partes:
• o barril (Hadron Barrel Calorimeter - HB): parte mais interna do HCAL ele é com-
posto de latão, que tem um comprimento de interação nuclear curto, fazendo com
39
que os hádrons depositem, em forma de luz, uma grande quantidade de energia em

um intervalo de espaço pequeno. Além disso utiliza cintiladores que são responsáveis
por captar a luz produzida e transformar em sinal elétrico. Também possui estru-
turas de aço inoxidável para melhorar sua estabilidade e ao todo possui região de
atuação de |η| < 1,3;
• as tampas (Hadron End-Cap Calorimeter - HE): localizado no final do solenoide,

com um área de atuação de 1,3 < |η| < 3. Também é composto de latão e cinti-
ladores, contudo, devido ao fluxo de partı́culas, conforme o valor de |η| aumenta a
granularidade dos cintiladores também aumenta;
• a parte externa (Hadron Outer Calorimeter - HO): localizado após o solenoide su-
percondutor, o HO é utilizado para identificar chuveiros 7 de inicio tardio. Isso por
que tanto o HE quanto o HB, devido as suas respectivas dimensões, não conseguem
absorver todas as partı́culas produzidas pelos hádrons. o HO possui área de atuação
|η| < 1,3;
• a parte frontal (Hadron Forward Calorimeter - HF): situado próximo ao feixe de

partı́culas na parte frontal do detector, o HF é composto de absorvedores de aço
com fibras de quartzo, o que permite ser resistente a radiação do feixe. Além
disso, quando as partı́culas provenientes dos chuveiros interagem com o material do
detector, produzem luz Cherenkov que é detectada e convertida em sinal elétrico
através de fotomultiplicadoras (ISIK, 2022).
Todas as partes mencionadas podem ser vistas na figura 16.
2.2.6 Câmara de múons
A câmara de múon (Muon Chambers) constitui a camada mais externa do

experimento CMS, tendo como objetivo identificar e registrar informações cinemáticas dos
múons. Devido ao fato dos múons apresentarem um alto poder de penetração e uma baixa
perda de energia ao interagirem com a matéria, eles, diferente das demais partı́culas, não
são absorvidos pelo detector de traços, calorı́metro eletromagnético, hadrônico, solenoide
ou pelo return yoke (COLLABORATION, 2023b). Esse é o principal motivo pelo qual a
câmara de múons se encontra mais afastada do ponto de interação, produzindo um sinal
limpo.
7
Os hádrons ao colidirem de forma inelástica com os detectores, acabam gerando diversos pı́ons e outros
núcleons com alto momento transverso, que por sua vez também vão decair em mais partı́culas. Esse
processo é chamado de chuveiros hadrônicos e possuem uma maior abertura quando comparados com
os chuveiros gerados no ECAL.(MORAES, 2020)
40
Figura 16 - Subsistemas do calorı́metro hadrônico
Legenda: Esquema que mostra um quarto do HCAL em seu funcionamento

em 2016, apresentando seus principais componentes: o Barril (HB),
as tampas (HE), a parte externa (HO) e a parte frontal (HF).
Fonte: CMS Collaboration (COLLABORATION, 2019)
Para que seja feita a identificação da passagem dos múons são utilizados ao
todos três detectores a base de ionização gasosa que são colocados entre as placas do
return yoke, vistos na figura 17 . Sendo eles:
• os tubos de deriva (Drift Tubes - DT): responsável por identificar e medir a pas-
sagem de múons na região do barril, o DT utiliza de pequenos tubos de 4 cm de
comprimento, que possuem em seu interior um fio esticado envolto de gás ionizado.
Quando o múon, ou qualquer outra partı́cula carregada, passa pelo gás ele arranca
elétrons que ficam suspensos e, devido a um campo elétrico, são direcionados ao fio,
que está carregado positivamente, gerando um sinal que pode ser mensurado. Cada
câmara de DT utiliza de 8 a 12 camadas de tubos (COLLABORATION, 2023e), or-
ganizadas de forma que a posição do múon seja registrada de forma bastante precisa
na região de |η| < 1.2;
• as câmaras de tiras catódicas (Cathode Strip Chambers - CSC): localizado na região

da tampa, onde ocorre uma maior taxa de incidência de partı́culas e o campo
magnético é desigual, é empregado o uso de uma malhas que se estendem de 0,9
< |η| < 2,4. As malhas são composta de fios de ânodo carregados positivamente
cruzados com tiras de cátodo de cobre carregadas negativamente dentro de um vo-
lume de gás. Quando o múons passa pelo gás, arrancam elétrons que são levados
ao ânodo, enquanto que os ı́ons positivos se afastam em direção aos cátodos. Pelo
fato dos fios e as tiras serem perpendiculares, é adquirido, de forma bastante precisa
e rápida, duas coordenadas de posição para cada partı́cula que passa pela malha
(COLLABORATION, 2023a);
41
• as câmaras de placas resistivas (Resistive Plate Chambers - RPC): instalado tanto

na região do barril quanto na região da tampa e com uma região de atuação de |η| <
1.6, o RPC serve para medir de forma independente ao DT e CSC a passagem dos
múons. Para isso utiliza camadas compostas de duas placas paralelas, um ânodo e
um cátodo, ambos feitas de um material plástico resistente (COLLABORATION,
2023). Entre as placas existe gás que após a passagem dos múons solta elétrons que
ao interagirem com outros átomos arrancam mais elétrons, gerando uma avalanche
de elétrons. Esses elétrons são captados por tiras metálicas externas as placas. O
padrão de hits nessas placas da informações sobre o momento dos múons, que será
utilizada no sistema de gatilhos interno do RPC, que será melhor abordado na seção
sistema de triggers.
Figura 17 - Subsistemas da câmara de múons
Legenda: Esquema de um quarto do CMS, dado destaque as subcamadas da

câmara de múons: as câmaras de placas resistivas (RPC), as
câmaras de tiras catódicas (CSC) e os tubos de deriva (DT) em
vermelho, azul e verde, respectivamente.
Fonte: KALINOWSKI (KALINOWSKI; KROLIKOWSKI, 2020)
2.3 Sistemas de trigger
O LHC colide os pacotes de prótons a uma frequência de 40 MHz o que resulta

em uma grande quantidade de informação. Ela é tão grande que não é possı́vel processar
e armazenar tudo (COLLABORATION, 2020a). O CMS utiliza um sistema de gatilhos
(triggers) que é dividido em duas partes: a primeira chamada de Nı́vel Um (Level One
42
- L1) e a segunda chamada de trigger de Alto Nı́vel (High Level Trigger - HLT) (CERN,
2023b).
O L1 é responsável por selecionar, através da informações dos calorı́metros e
da câmara de múons, eventos que apresentam caracterı́sticas relevantes à alguma linha
de pesquisa da colaboração. A seleção é realizada por meio de uma lista de algoritmos
(conhecidos como “seeds”), que coletivamente são chamados de “menu”, responsáveis por
verificar os eventos em relação a critérios predeterminados. Qualquer evento que satisfaça
as condições de pelo menos uma seed no menu é aceito para processamento posterior na
cadeia de trigger (SIRUNYAN et al., 2020).
Para identificar se determinado evento ativou alguma seed é necessário fazer
reconstrução de alguns objetos fı́sicos. Por isso, o L1 utiliza uma cadeia de algoritmos de
reconstrução, que se dividem em dois sistemas: os triggers dos múons (Muon Trigger ) e
os triggers do calorı́metro (Calorimeter Trigger ). A hierarquia de ativação desses triggers
pode ser vista na figura 18.
Figura 18 - Esquema da hierarquia de ativação do L1
Legenda: Diagrama do L1 durante o Run 2. Os rótulos no diagrama

correspondem aos gatilhos primitivos (TPs), pré-processamento de
concentração e fan-out (CPPF), placa de demultiplexação
(DeMux).
Fonte: Sirunyan (SIRUNYAN et al., 2020)
Através da combinação desses dois sistemas é feita a checagem se alguma seed

foi contemplada, e caso tenha sido, o evento é registrado. O L1 é capaz de registrar cerca
de 100 mil eventos a cada segundo, dos quase 40 milhões produzidos na colisão. E as
43
informações registradas nessa etapa são enviadas para a segunda, e última, camada do
sistema de gatilhos o HLT.
O HLT tem o objetivo de classificar os eventos com base na sua topologia,
podendo ou não levar em consideração as informações de objetos fı́sicos reconstruı́dos
ou estado do detector. Nessa camada é empregado um algoritmo de reconstrução mais
sofisticado do que o utilizado no L1, este sendo abordado na seção 2.3.1, onde é utilizada
as informações coletadas pelo L1 e o detector de traços. Uma vez reconstruı́do, o evento
passa por diversos seletores, também chamados de paths, que selecionam o evento com
base em algum requerimento8 . Ao todo, no Run2, foram empregados cerca de 600 paths,
representando diferentes topologias e cinemáticas. Mesmo sendo empregado cerca de
30 mil CPUs (SERT, 2020), só passam cerca de 1000 eventos dos 100 mil selecionados
pelo L1. Os eventos selecionados são armazenados em datasets e disponibilizados para a
comunidade cientı́fica do CMS.
2.3.1 Reconstrução dos objetos fı́sicos
Como mencionado é feita uma reconstrução mais robusta na etapa do HLT

do que no L1, isso se deve ao fato de a reconstrução feita no HLT utilizar um algoritmo
de reconstrução chamado de particle-flow (PF) (SIRUNYAN et al., 2017; BEAUDETTE,
2014; Petrucciani, Giovanni, 2019). O PF utiliza informações de todos os sub-detectores
de forma otimizada, sendo capaz de melhorar a reconstrução de objetos fı́sicos que se
encontram no estado final dos eventos, tais como: hádrons carregados, hádrons neutros,
múons e elétrons (SIRUNYAN et al., 2018).
Devido ao fato da reconstrução dos eventos no HLT ter que ser, aproxima-
damente, mil vezes mais rápido que uma reconstrução offline é utilizado uma versão
simplificada do PF onde não são levados em consideração todos os traços, não é aplicado
o algoritmo do PF na identificação de elétrons e não é feita a reconstrução de interações
nucleares no detector de traços (SIRUNYAN et al., 2017)
A forma como os objetos fı́sicos são reconstruı́dos é alvo de estudos em etapas
mais avançadas da análise (seção 3) e, devido a isso, será apresentado com mais detalhes
como é feita a reconstrução dos múon, elétrons e jatos pelo PF.
8
Por exemplo, o path HLT Mu13 Mu8 v12, seleciona eventos que apresentem dois múons com momento
transverso maior que 13 GeV e 8 GeV, respectivamente.
44
2.3.1.1 Reconstrução dos múons
Inicialmente é feita a reconstrução dos traços no detector de pixel (tracker

tracks) e, de forma independente, é feita a reconstrução de traços na câmara de múons
(standalone muon track )(COLLABORATION, 2023a). Esses objetos são a base dos dois
métodos de reconstrução de múons utilizados pela colaboração.
O primeiro método consiste em considerar todos os tracker tracks como poten-
ciais múons e os associa com traços da câmara de múons e do calorı́metro eletromagnético.
Havendo uma trajetória compatı́vel é feita sua reconstrução e o múon é então classificado
como tracker muon. Esse método é voltado para múons de baixo momento, uma vez que
não espera-se que deixem algum traço claro na câmara de múons (COLLABORATION,
2023b) .
O segundo método consiste em achar traços compatı́veis entre os tracker tracks
e os standalone muon track (SIRUNYAN et al., 2018). Caso haja um traço compatı́vel
ele então é submetido ao filtro de Kalman (ADAM et al., 2006) e caso passe é classificado
como global muon.
A utilização de dois métodos faz com que a reconstrução dos múons seja bas-
tante eficiente. Cerca de 99% dos múons são classificados como global muon e track muon
ao mesmo tempo.
2.3.1.2 Reconstrução dos elétrons
Devido ao fato dos elétrons e fótons depositarem a maior parte de sua energia
no ECAL enquanto que os hádrons depositam no HCAL, é empregado um algoritmo de
clusterização para agrupar os depósitos de energia no ECAL deixado pelos elétrons e
fótons. O sinal deles é bem caracterı́stico, pois os elétrons ao interagirem com o detector
emitem fótons que por sua vez decaem em um par elétron e pósitron que de novo vão
emitir fótons. E esse efeito cascata é identificado e é feita a distinção entre fótons e
elétrons utilizando informação do detector de traços. Nessa etapa do detector de traços é
empregado um algoritmo próprio para o elétron chamado de Gaussian Sum Filter (Gsf),
podendo assim mensurar seu momento inicial antes do efeito cascata (ADAM et al.,
2005a).
2.3.1.3 Reconstrução dos hádrons neutros e carregados
Hádrons neutros e hádrons carregados são reconstruı́dos através da informação

do tracker, ECAL, HCAL e do sistema de múon. No caso dos hádrons carregados, é feita
45
a combinação dos traços do detector de traços com os depósitos de energia presentes nos
calorı́metros, sendo levado em consideração a ausência de traços compatı́veis na câmara
de múons. Determinados quais depósitos de energia são provenientes dos hádrons car-
regados, é feita uma melhor calibragem dos depósitos de energia presentes no HCAL.
Depósitos de energia presentes no HCAL sem nenhuma relação com outros sub-detetores
são considerados hádrons neutros.
46
3 ANÁLISE DOS DADOS
Como mencionado, o estudo apresentado nesta dissertação faz parte de uma

análise, onde já foram feitos estudos sobre quais datasets usar, que correções implementar,
quais cortes de seleção utilizar e demais ações pertinentes a análise em si. Embora o estudo
de triggers seja o ponto principal dessa dissertação, é de suma importância que o leitor
esteja situado sobre os aspectos gerais da análise, pois são esses aspectos que norteiam
diversas decisões feitas no estudo de triggers. Por isso, nesse capı́tulo, são apresentados
alguns aspectos gerais da análise e as modificações feitas para o estudo de triggers. Alguns
pontos que são abordados: amostras utilizados, topologia de sinal e principais processos
de fundo, variáveis utilizadas na discriminação de sinal e processos de fundo e, por fim,
correções aplicadas à simulação.
3.1 Dados e simulação
Na seção do sistema de triggers é explicado que existem diversos dados sepa-

rados por diferentes requisitos. Para escolher, dentre todos disponı́veis, os que melhor se
adéquam à análise, deve-se levar em conta o processo fı́sico que se quer estudar. Esse
processo, também chamado de sinal, será a base para decidir que tipos de dados são
relevantes ou não à análise.
Através do estado final do processo que queremos estudar (figura 4) é possı́vel
ver que dados ricos em informações sobre os léptons, jatos ou energia transversal faltante
são ótimas opções. E levando em consideração que a reconstrução dos léptons é mais
precisa, quando comparados aos jatos e energia transversal faltante, é interessante utilizar
dados preenchidos com eventos que foram identificados como ricos da presença de léptons.
Devido a isso, optamos por utilizar nesta análise dados que tenham um ou dois léptons,
para todos os anos. Com isso foram selecionados dados com múon e antimúon, elétron
e antielétron, um múon ou um antimúon, um elétron ou um antielétron, e um múon e
um antielétron ou um antimúon e um elétron. A lista completa dos dados utilizados na
análise, pode ser vista no apêndice A.
Outro ponto que deve ser levado em consideração é que quando se está fazendo
uma análise de dados proveniente das colisões, normalmente se emprega o uso de simulação
para guiar melhor as tomadas de decisão, seja com relação a aplicação de cortes em
determinadas variáveis, seja para estudar determinado tipo de processo fı́sico. Tendo isso
em mente foram selecionadas amostras de simulação que representam processos fı́sicos
que podem compor os dados. Contudo, devido ao fato de existirem parâmetros livres no
processo que estamos estudando, foram criadas diversas amostras para o mesmo processo,
47
chamados de pontos de sinal.
3.1.1 Pontos de sinal
A massa do Higgs pesado, bem como a massa do pseudo escalar “a” são
parâmetros livres. É feita uma varredura de diferentes combinações de massa, tanto
para o Higgs pesado, quanto para o pseudo escalar, que podem ser visualizados na ta-
bela 1. Esses pontos serão utilizados na busca por evidências de matéria escura e a lista
completa de amostras dos pontos de sinal se encontram no apêndice B
Tabela 1 - Pontos de sinal
MH [GeV] / Ma [GeV] 100 200 300 400 600 800

400 ✓ ✓ × × × ×
500 ✓ ✓ ✓ × × ×
600 ✓ ✓ ✓ ✓ × ×
800 ✓ ✓ ✓ ✓ ✓ ×
1000 ✓ ✓ ✓ ✓ ✓ ✓
Legenda: Tabela contendo os pontos de sinal utilizados na análise. Em azul estão os pontos
possı́veis em vermelho estão os pontos que não utilizamos de massa do Higgs pesado
e do pseudo escalar “a”
Fonte: O autor, 2022
Um conceito importante sobre essa topologia é que quando há uma grande
diferença entre a massa do Higgs pesado e o pseudo escalar “a” consideramos que o
evento foi boosted, ou seja, que os léptons, provenientes do decaimento do Z, apresentem
valores altos de momento transverso e se encontram muito próximos quando se observa
os valores de pseudo-rapidez. Separamos então os nossos pontos de sinal em dois tipos:
boosted e não boosted. Esse conceito é retomado quando começarmos os estudos sobre o
comportamento da eficiência dos triggers em diferentes variáveis cinemáticas.
3.1.2 Processos de fundo
Os dados reais não são constituı́dos apenas de sinal, na realidade eles são
compostos de diversos processos, alguns parecidos e outros bem diferentes do processo de
sinal. A esses processos é dado o nome de fundo, e devem ser levados em consideração
para que a simulação possa representar de forma fidedigna os dados reais.
Diversos processos de fundo são considerados na análise principal (apêndice C),
48
entretanto alguns se apresentam mais relevantes devido a sua parcela de contribuição nos
eventos de sinal. Para simplificar a visualização das amostras, agrupamos elas com base
na relevância ou topologia que elas apresentam. Assim foram determinados os seguintes
grupos de processos, reproduzidos em amostras de simulação: Drell-Yan, tt̄, single Top,
WZ, ZZ e residual.
O conjunto Drell-Yan é composto de amostras do processo de Drell-Yan+jatos.
Esse processo consiste na geração de um fóton virtual (γ ∗ ) ou um bóson Z que decai em
dois léptons de cargas opostas. No LHC devido aos remanescentes do espalhamento dos
prótons o resultado da produção de Drell-Yan também vem com a geração de jatos, uma
ilustração do processo pode ser visto na figura 19.
Figura 19 - Diagrama de feynman da produção de Drell-Yan mais jatos no LHC
Legenda: Figura representando a produção de Drell-Yan+jatos no LHC

Fonte: Richard Ruiz (RUIZ, 2020)
O conjunto tt̄ é composto do canal dileptônico e semileptônico da produção de

pares de quark top. Tanto o top (t) quanto o anti top (t̄) decaem 99,5% das vezes em um
bóson W mais um quark b, onde o W pode decair em um lépton e seu neutrino ou um
quark. Caso tenha dois léptons no estado final temos então o canal dileptônico (figura
20), caso tenha um lépton e um quark então temos o semileptônico.
O conjunto single top é composto de processos de decaimento do top, anti-top,
top associado com W e anti-top associado com W. Assim como mencionado o quark top ou
anti-top decaı́ em um bóson W e um quark b. O W associado e o oriundo do decaimento
do top então decaem em léptons e seu neutrino ou quarks. Um esquema do decaimento
do top associado com o W pode ser visto na figura 21.
O conjunto WZ e ZZ são constituı́dos de processos que envolvem diferentes
canais de decaimento do W e Z. No caso do WW só é utilizada a amostra que apresenta
no estado final três léptons e um neutrino. Já no caso do ZZ existem amostras que
apresentam no estado final quatro léptons ou dois léptons e dois neutrinos.
49
Figura 20 - Decaimento dileptônico do par de quark top
Legenda: Na figura é apresentado um diagrama da produção de pares de quark

top-anti-top na ramificação dileptônica.
Fonte: DESY (DESY, 2023)
Figura 21 - Diagrama de feynman da produção de t (TW channel) e seu next-to-leading

order
Legenda: Na figura à esquerda é apresentado um diagrama da produção de quarks top

em associação com o bóson W. A direita é apresentada a sua versão
next-to-leading order.
Fonte: Jochen Ott (OTT, 2012)
Todos os outros processos fı́sicos, que devido a sua baixa taxa de ocorrência,
não se tornam tão significantes são agrupados no grupo chamado de residual. Uma vez
definidas as amostras de sinal e de fundo é feita a etapa de cortes de pré-seleção e seleção.
Embora todos esses processos sejam utilizados na análise por busca de matéria
escura, somente o conjunto de tt̄ é utilizado no estudo de eficiência de triggers.
50
3.2 Cortes de pré-seleção e seleção
Com o intuito de analisarmos eventos, são aplicados diversos cortes nos objetos
que estão presentes no estado final do sinal. Esses cortes são chamados de cortes de pré-
seleção e a seguir é feita uma breve descrição dos cortes de qualidade que foram aplicados
aos objetos.
Visando reduzir o ruı́do, são aplicados vetos em léptons e jatos com baixo
momento. Também é aplicado um veto com base na pseudorapidez dos objetos, uma
vez que o detector não funciona em todas as regiões de pseudorapidez. Todos os objetos
fı́sicos passaram por algoritmos de identificação, variando seu rigor de acordo com a
necessidade de cada objeto. No caso do múon, que possuem uma identificação muito
limpa, é aplicado um algoritmo com rigor médio. No caso dos elétrons é empregado um
algoritmo multivariável (MVA), que possui uma eficiência boa em discriminar elétrons
reais dos falsos. Por fim, no caso dos jatos são aplicados algoritmos de rigor alto, variando
a depender do ano dos dados.
Também são feitos cortes devido ao isolamento dos múons e jatos. No caso
dos múons é feito um corte devido a sua energia depositada ao longo do detector, quando
comparado com seu momento. Já no caso dos jatos são excluı́dos jatos com baixo pt e
classificados como provenientes pile-up. Também são excluı́dos jatos que estejam muito
próximos de elétrons e múons que tenham passado pelos cortes de pré-seleção.
Um descrição mais objetiva dos cortes de pré-seleção dos múons, elétrons e
jatos, são apresentados nas seções 3.2.1, 3.2.2 e 3.2.3, respectivamente.
3.2.1 Cortes de pré-seleção: múons
1. pt > 20 GeV e |η| < 2, 4;
2. ser identificado como um múon utilizando o rigor médio, que inclui:
(a) ser um GlobalMuon ou TrackerMuon;

(b) múons classificados apenas como TrackerMuon devem apresentar uma compa-
tibilidade dos hits no detector de traços maior que 45%.;
(c) múons classificados como GlobalMuon e TrackerMuon devem apresentar com-
patibilidade dos hits no detector de traços maior 30%;
(d) χ2 /ndof < 3 para o ajuste de GlobalMuon;
(e) a posição correspondente entre o TrackerMuon e standalone muon deve ter um
valor de χ2 inferior a 12;
51
(f) χ2 máximo calculado pelo algoritmo de vértices secundários deve ser menor
que 20(SIRUNYAN et al., 2018);
3. Isolamento relativo do múon (RMI) < 0,2, sendo que o isolamento relativo é dado
pela seguinte fórmula:
pChargHadnP V
ETN euHadP V + ETP hoton − 0, 5 ∗ pChargHadP U
P P P P
T + max(0, T )
(16)
pt (µ)
onde pChargHadnP
T
V
, ETN euHadP V , ETP hoton e pChargHadP
T
U
representam o momento dos
hádrons carregadas, a energia transversal dos hádrons neutros, energia transversal
dos fótons e momento dos hádrons carregados, respectivamente9 . É aplicada uma
correção nas variáveis de isolamento da equação 16 para compensar os efeitos de
interações adicionais provenientes de outros vértices de interação, ou seja, even-
tos de pile-up. São considerados apenas partı́culas associadas ao vértice primário,
aplicando-se uma correção na forma de subtração da energia depositada no cone de
isolamento por partı́culas carregadas que não estão associadas ao vértice primário,
multiplicada por um fator de 0,5.
3.2.2 Cortes de pré-seleção: elétrons
1. pt > 20 GeV e |η| < 2, 4 ∩ |η| ̸∈ [1, 444; 1, 566];
2. identificado como um elétron pelo algoritmo multi-variável (MVA) usando working

point 90. O MVA é um discriminador treinado para identificar elétrons em eventos
de Drell-Yan+Jets (COLLABORATION, 2023d), utilizando para isso informações
dos elétrons como trajetória e energia depositada nos calorı́metros. o working point
90 representa uma eficiência de 90% na identificação dos elétrons.
3.2.3 Cortes de pré-seleção: Jatos
1. pT > 20 GeV e |η| < 2,4;
2. ter passado pelas identificações de rigor “tight”, “loose” e “tightlepveto” para o ano
de 2016, e passar no rigor “tight” e “tightlepveto” para os anos de 2017 e 2018. O
que significa ter, no mı́nimo:
9
Cada uma das variáveis, ChargHadPV, NeuHadrPV e Photon são provenientes do vértice primário.
Enquanto que o CharHadPU são hádrons carregados provenientes do pile-up.
52
(a) multiplicidade de partı́culas carregadas maior que > 0 ;

(b) soma da multiplicidade de partı́culas carregadas e neutras > 1;
(c) fração de energia carregada hadrônica > 0;
(d) fração de energia carregada eletromagnética < 0,90;
(e) fração de energia neutra hadrônica < 0,90;
(f) fração de energia neutra eletromagnética < 0,90;
(g) fração de energia proveniente de múons < 0,8;
3. jatos com pT < 50 GeV e que foram identificados como jatos provenientes de pile-up
com rigor “fail ”, “loose” e “medium” são eliminados;
4. ter ∆R > 0,4 com qualquer lépton selecionado;
Os cortes de qualidade são aplicados a todas as amostras e também aos dados.

Uma vez que os objetos presentes nos eventos apresentam uma boa qualidade, é feita a
próxima etapa da análise chamada de cortes de seleção de sinal.
3.2.4 Cortes de seleção de sinal
Os dados são compostos de eventos de sinal que queremos estudar e também

eventos de fundo. Como é de interesse que os dados sejam compostos majoritariamente
de eventos de sinal, é feita uma etapa de seleção, chamada de cortes de seleção de sinal.
Nessa etapa são feitos vários cortes que visam eliminar o máximo de eventos de fundo
enquanto mantém o máximo possı́vel de eventos de sinal. Também é empregado o uso
de simulação para averiguar se determinado corte é eficiente ou não, pois através da
simulação é possı́vel ver a contribuição dos diferentes processos, antes e depois dos cortes.
Foram aplicados os seguintes cortes:
10
1. ter dois léptons de cargas opostas ;
2. passar pelos filtros da energia transversal faltante;
3. a energia transversal faltante (̸E T ) deve ser maior que 65 GeV;
4. o lépton de maior momento transverso do evento deve ter momento maior que 40
GeV ;
10
Caso existam mais de dois léptons de cargas opostas, são selecionados os dois com maior momento e
com cargas opostas. Onde o lépton de maior momento e o lépton de menor momento são chamados
de leading lepton e subleading lepton, respectivamente.
53
5. a diferença entre a massa do bóson Z e a massa invariante do sistema de dois léptons

deve ser menor que 25 GeV ;
6. o momento transverso do sistema de dois léptons deve ser maior que 40 GeV ;
7. o ∆R entre os léptons tem que ser menor que 3,2;
8. a diferença de ângulo azimutal entre o sistema de léptons e a energia transversal

faltante deve ser maior que 0,8;
9. a massa transversa entre a energia transversal faltante e o sistema de dois léptons

deve ser maior que 90 GeV ;
10. pelo menos um jato vindo de quark bottom;
O primeiro, terceiro, quinto e décimo cortes são aplicados devido ao estado

final de decaimento do evento de sinal. Nele é esperado que haja léptons com cargas
opostas e que a massa reconstruı́da desses léptons esteja próxima ao pico de massa do
bóson Z, além da presença da matéria escura, em forma de energia transversal faltante,
e de jatos provenientes do decaimento do quark bottom. Os demais cortes são cortes
obtidos através de um estudo de otimização, ajudando a eliminar parte do fundo e uma
quantidade desprezı́vel do sinal.
Embora todos esses cortes sejam aplicados na análise geral, para o estudo
dos triggers são descartados os cortes 3 e 10. Como será visto na seção de estudo dos
triggers, é importante que a massa transversa perdida não seja corrigida e que eventos
não sejam descartados devido ao número de jatos, pois essa informação vai ser fonte de
erros sistemáticos. Após a aplicação dos cortes de seleção é feita a etapa de determinação
das regiões de controle e de sinal.
3.3 Correções aplicadas aos eventos simulados
Para que a modelagem dos dados seja o mais fiel possı́vel, aplicamos algumas
correções à simulação. Existem diversos tipos de correções nesse sentido e que foram
aplicadas na análise geral: pileup, identificação de múons, identificação de elétrons e
trigger. Todas elas geram pesos que são aplicados à simulação visando adquirir uma
melhor compatibilidade entre dados e simulação.
54
3.3.1 Correção de pileup
Quando uma colisão produz um evento que aciona o sistema de triggers, não
são armazenados somente as informações de uma única colisão, mas também de diversas
outras que ocorreram de forma simultânea. Essas interações extras são chamados de
eventos de pileup e são responsáveis por gerar uma grande poluição de informações, sendo
mensurada através da distribuição do número de vértices.
A distribuição do número de interações é gerada na simulação através de uma
distribuição de Poisson que possui média igual ao número esperado de interações esperada
para aquela tomada de dados. Essa distribuição, entretanto, apresenta diferenças quando
comparada com o que é observado nos dados, e devido a isso é necessário aplicar uma
correção na simulação de forma que as distribuições fiquem compatı́veis.
A correção é feita através da aplicação de pesos na simulação, sendo esses a
proporção entre os dados e simulação nas respectivas distribuição normalizadas do número
de interações. Um exemplo dessas correção pode ser visto na figura 22.
Figura 22 - Correção de pileup
Legenda: A esquerda se encontra o número de interações registradas nos dados reais e na

simulação. No meio o peso calculado através da divisão dos dados pela
simulação, variando com base no número de interações. Na direita se encontra
os dados e a simulação corrigida pelo peso.
Fonte: O Autor.
Tendo entendido o que é uma correção de simulação, podemos então entrar de

fato no estudo dos triggers, de onde será mensurado uma nova correção que será aplicada
à simulação.
55
4 ESTUDO DOS TRIGGERS
Nesse capı́tulo é apresentado os passos adotados para a criação dos mapas de

fatores de correção (Scale Factor - SF) proveniente da seleção feita pelos triggers na análise
de busca por matéria escura. Assim como a correção de pile-up, existem diferenças entre
a eficiência de seleção dos triggers observado nos dados em relação ao que é observado
na simulação. Através da razão entre a eficiência dos dados e da simulação é adquirido
o fator de correção dos triggers (SFT rig ). Mas para que seja possı́vel obter essa correção
são necessárias diversas etapas, sendo apresentadas e discutidas ao longo desse capı́tulo.
Como o mesmo procedimento é feito para cada ano separadamente, será dado um enfoque
aos resultados de 2018, demais anos estarão disponı́veis nos apêndices e serão indicados
ao longo do texto.
Inicialmente, na seção 4.1 é feita a discussão sobre que critérios devem ser
levados em consideração ao escolher que triggers utilizar, como ler o tipo de seleção que
é aplicada por cada trigger, apresentação das listas de triggers que serão utilizadas e
também a questão de ortogonalidade de seleção.
Uma vez definidos as listas de triggers, é apresentado na seção 4.2 como é
feito o cálculo da eficiência, seus valores ao longo de diferentes distribuições, o conceito
de mapa de fator de correção, apresentação do critério que utilizamos para determinar
quais variáveis são as melhores para adquirir a eficiência e o tratamento das incertezas
estatı́sticas.
Por fim, na seção 4.3, é apresentado a criação dos mapas de fator de correção
(SF) bem como o tratamento das suas incertezas estatı́sticas e na seção 4.3.1 é feito o
tratamento das incertezas sistemáticas dos mapas de fator de correção.
4.1 Escolha dos triggers
Para a seleção de triggers, é importante considerar o estado final do processo

de sinal que esta sendo estudado. No caso da busca por matéria escura, o sinal apresenta
no estado final dois léptons de carga oposta, jatos do quark bottom e energia transversal
faltante, conforme discutido na seção 3.1. Portanto, triggers que selecionam eventos
com base na quantidade e momento dos léptons, na energia transversal faltante ou na
quantidade e energia dos jatos são ótimas escolhas, pois devem apresentar uma maior
taxa de ativação, selecionando mais eventos e aumentando consideravelmente a nossa
estatı́stica.
Pensando na questão de estatı́stica, nesse estudo não foram utilizados triggers
pre-scale, ou seja, triggers que ignoram uma fração dos eventos que passam pelos critérios
56
de seleção (GROUP, 2023), pois o uso desses triggers normalmente esta atrelado ao estudo
de topologias com alta taxa de ocorrência, o que não é o caso.
Levando esses pontos em consideração, utilizamos dois critérios para determi-
nar quais triggers poderiam ser usados para esse estudo. São eles:
1. definição de dois conjuntos de triggers, o conjunto principal e o conjunto auxiliar,

onde cada conjunto aplica uma seleção com base em:
• conjunto principal: momento transverso e isolamento dos léptons

• conjunto auxiliar: energia transversa faltante
2. o triggers que pertence a qualquer um dos conjuntos deve ter funcionado durante
toda a tomada de dados, tendo então uma luminosidade efetiva igual ao da tomada
de dados do seu respectivo ano:
• 36,47 fb−1 para o ano de 2016;

• 41,54 fb−1 para o ano de 2017;
• 59,96 fb−1 para o ano de 2018.
Com isso foram estabelecidos dois conjuntos de triggers: o conjunto principal,

que é composto pelos triggers leptônicos, cuja eficiência será estudada, e o conjunto
auxiliar, composto por triggers de MET, responsáveis por selecionar um conjunto de
eventos que, por sua vez, serão utilizados como base para mensurar a eficiência do conjunto
principal. A lista completa de triggers para todos os anos pode ser vista no apêndice D,
onde também há uma breve explicação de como é identificado o tipo de seleção que cada
trigger faz.
Outro ponto também levado em consideração é que algumas amostras de si-
mulação apresentam mais de um canal de decaimento. Por exemplo a amostra de tt̄, que
representa a segunda maior contribuição nos dados, possui três canais finais11 . Logo, para
evitar generalizações, os eventos, tanto os dados quanto a simulação, vão ser divididos em
três canais, sendo eles:
• µµ: eventos que apresentam dois múons com carga oposta.
• eµ: eventos que apresentam um elétron e um múon com carga oposta.
• ee: eventos que apresentam dois elétrons com carga oposta.
11
Nesse estudo só esta sendo considerado o canal di-leptônico, podendo apresentar no final do decaimento
dois múons, dois elétrons ou um múon e um elétron.
57
Através da classificação acima é possı́vel que um evento possa ser de mais de

um canal ao mesmo tempo, por exemplo, um evento que possua um múon, um anti-
múon e um elétron estará apto a ser um canal µµ ou eµ. Para que cada evento seja de
apenas um único canal, foi decidido que a maior combinação12 de momento dos léptons,
obrigatoriamente de carga oposta entre si, decidirá o tipo de canal do evento. Nenhuma
colocação extra será necessário com relação aos dados e simulação e podemos agora estudar
os triggers de fato.
Figura 23 - Porcentagem de ativação dos triggers do conjunto principal no ano de 2018

no canal µµ
Legenda: Porcentagem de ativação dos triggers do conjunto principal nos dados e

simulação de 2018 no canal µµ, para dados (gráfico da esquerda) e simulação
(gráficos da direita)
Um dos primeiro estudos que se faz após a escolha dos triggers é observar a
suas taxas de ativação em porcentagem, fazendo uma comparação entre dados e simulação.
Diversas percepções podem ser adquiridas acerca desse estudo preliminar, tais como:
indı́cios de uma mau reprodução de algum trigger pela simulação, inconsistências de
algum trigger nos dados e na simulação e identificação de triggers com maior ativação
nos seus dados. Por exemplo, nas figuras 23,24 e 25, é apresentado a taxa de ativação
percentual do conjunto principal de triggers, tanto para os dados quanto para a simulação,
nos canais µµ, ee e eµ, respectivamente. A primeira observação é que não há uma grande
discrepância entre o que é encontrado nos dados e na simulação, indicando que não há
uma má simulação dos triggers. Além disso, é possı́vel observar que ocorre uma maior
12
Combinação aqui é o soma vetorial dos momentos das partı́culas
58
taxa de ativação de triggers que são disparados baseados em múons no canal µµ e triggers
que aplicam seleções com base nos elétrons no caso do canal ee, o que é o esperado. No
caso do canal eµ onde existem eventos com um múon e um elétron, a taxa de ativação
dos triggers de um múon, um elétron ou um múon e um elétron apresentam uma maior
taxa de ativação, o que também é esperado.

no canal ee

simulação de 2018 no canal ee, para dados (gráfico da esquerda) e simulação
Como foi possı́vel observar nas figuras (23,24 e 25) alguns triggers possuem
maior ativação em determinados canais enquanto possuem menor ativação em outros, por
isso, a partir daqui cada canal utilizará uma lista de triggers personalizado, contendo os
triggers que possuem uma boa taxa de ativação. Logo, são utilizados no canal µµ triggers
que aplicam seleção com base em um múon ou dois múons. No caso do canal ee são
considerados apenas os que selecionam um elétron ou dois elétrons. E por fim no caso
do canal eµ são considerados aqueles que aplicam seleção com base em um múon, um
elétron ou um múon e um elétron. O mesmo estudo foi feito para os outros anos, não
sendo encontrado nenhuma inconsistência e feita as mesmas considerações.
4.1.1 Fator de ortogonalidade
A próxima etapa desse estudo consiste em averiguar se o tipo de seleção que é

feita pelo conjunto principal de triggers de cada canal possui algum tipo de correlação com
59

no canal eµ

simulação de 2018 no canal eµ, para dados (gráfico da esquerda) e simulação
a seleção que é feita pelos triggers do conjunto auxiliar. Esse estudo se faz necessário pois,
como mencionado, o conjunto auxiliar é utilizado para selecionar uma amostra dos eventos
que serão a base para se calcular a eficiência do conjunto principal. Não é interessante que
a amostra selecionada possua algum tipo de viés com a seleção que é feita pelo conjunto
principal. Por isso, nessa seção é feito um estudo de ortogonalidade entre as amostras dos
eventos que são selecionadas por cada conjunto de triggers.
Para confirmar se uma seleção independe da outra, utilizamos o teorema da
multiplicação de probabilidades que diz que caso probabilidade de ocorrência de um evento
A (P (A)) seja independente da probabilidade de ocorrência de um evento B (P (B)), então
a probabilidade de ocorrer tanto o evento A quanto B (P (A∩B)) é dada pela probabilidade
de ocorrer A, multiplicada pela probabilidade de ocorrer B, ou seja:
P (A ∩ B) = P (A) × P (B) (17)
Passando P (A ∩ B) para o lado direto da equação 17, teremos
P (A) × P (B)
1= (18)
P (A ∩ B)
60
Logo caso a multiplicação das probabilidades de ocorrência dos eventos A e B

dividido pela probabilidade de ocorrência dos dois eventos ao mesmo tempo for igual a
um, os eventos são considerados independentes.
Um exemplo do cotidiano é o arremesso de dois dados distintos de seis lados,
onde o primeiro caiu 3 e o segundo 5. Já sabemos a priori que o resultado de um dado em
nada deve interferir no resultado do outro, por isso, caso apliquemos os valores na equação
18, esperamos que a equação seja satisfeita. A probabilidade do primeiro dado ter caı́do
3, P (A), é de 1/6, assim como do segundo dado ter caı́do 5, P (B). Já a probabilidade do
primeiro dado ter caı́do 3 e o segundo 5 ao mesmo tempo, P (A ∩ B), é de 1/36. Sendo
assim, quando aplicamos na equação 18, teremos
1 1
P (A) × P (B) 6
× 6
1= →1= 1 →1=1 (19)
P (A ∩ B) 36
Como nosso estudo é das seleções feitas pelos triggers e considerando que a
eficiência se traduz como probabilidade de ocorrência de determinada seleção, a equação
18 se converte em
ϵprincipal × ϵauxiliar
α= (20)
ϵprincipal,auxiliar
onde ϵprincipal , ϵauxiliar e ϵprincipal,auxiliar representam a eficiência do conjunto principal,

auxiliar e do principal com o auxiliar ao mesmo tempo, respectivamente. Sendo a variável
α o fator de correlação entre essas seleções, onde se próximo de um, indica que as seleções
são independentes entre si.
Considerando os conceitos apresentados até aqui, o estudo de ortogonalidade
se resume a calcular o valor da variável α entre o conjunto auxiliar e o conjunto principal
em cada canal para cada um dos anos. Os valores de α encontrados podem ser visto na
tabela 2
No apêndice E são apresentados os histogramas de correlação, de onde foram
retirados todos os valores para o cálculo do fator de correlação (α). Nesse apêndice
também é feita uma explicação de como ler os histogramas de correlação e mensurar o
valor de α a partir deles.
Como todos os fatores de correlação são próximos de um, podemos considerar
que os conjuntos de triggers aplicam seleções ortogonais e com isso podemos seguir para a
próxima etapa desse estudo que é o cálculo da eficiência de seleção e seu comportamento.
Entretanto, caso os valores não fossem próximos de um, uma possı́vel aborda-
gem seria mensurar o fator de correção individual de cada trigger auxiliar com relação
a seleção feita pelo conjunto principal de triggers. Pois, os triggers principais não foram
escolhidos para serem ortogonais, mas sim os triggers do conjunto auxiliar. Para mo-
61
Tabela 2 - Valores do fato de ortogonalidade para os diferentes anos
2016 2017 2018

µµ 0,9994 0,9989 0,9987
Dados ee 0,9985 0,9995 1,0010
eµ 1,0001 0,9972 0,9986
µµ 0,9983 0,9979 0,9988
Simulação ee 0,9987 0,9985 1,0006
eµ 0,9963 0,9954 0,9966
Legenda: Valores adquiridos do fator de ortogonalidade, α, para os dados e simulação nos
diferentes anos de 2016, 2017 e 2018.
tivo de consulta no apêndice E.1 são apresentados todos os valores dos triggers auxiliares
calculados de forma individual.
4.2 Eficiência de trigger
A segunda etapa desse estudo consiste em mensurar a eficiência da seleção feita

pelo conjunto principal de triggers. Utilizando como base os eventos que tenham ativado
algum trigger presente no conjunto auxiliar é possı́vel mensurar o valor da eficiência
através da seguinte fórmula:
Nselecionados Ns
ϵ= →ϵ= (21)
Ntotal Nt
onde ϵ, Ns e Nt representam a eficiência da seleção do conjunto principal, o número de

eventos que passaram pela seleção do conjunto auxiliar e o principal ao mesmo tempo e
o número de eventos que passaram somente pela seleção do conjunto auxiliar, respectiva-
mente.
A equação 21 comumente é aplicada ao longo de uma distribuição de alguma
variável, podendo observar o comportamento da eficiência e confirmar que a seleção
esta sendo feita de forma correta. Por exemplo, através da figura 26 é possı́vel fazer
comparações entre dados e simulação e fazer considerações sobre o comportamento da
eficiência.
A eficiência no caso do número de jatos não possui uma tendência. Essa
flutuação nos valores da eficiência é esperado pois provem do fato da seleção do conjunto
principal não ter ligação direta com o número de jatos, podendo ter valores variados ao
longo de sua distribuição.
62
Figura 26 - Comportamento da eficiência ao longo de diferentes distribuições para o ano

de 2018
(a) (b)
(c)
Legenda: Valores e comportamento da eficiência de seleção do conjunto principal de

triggers, no canal ee, para diferentes variáveis: número de jatos (a), momento
transverso do lépton de maior pT (b) e ∆R entre os dois léptons com maior pT
e cargas opostas (c).
Já na distribuição do momento transverso do lépton de maior pT (também cha-

mado de leading lépton) o gráfico possui uma tendência, onde conforme aumenta o valor
do momento transverso, maior é a eficiência de seleção dos triggers do conjunto principal.
63
Isso ocorre devido ao fato de que a seleção usa como critério o momento transverso do
lépton (nesse caso do elétron), sendo então esperado esse tipo de comportamento.
Por fim, a última distribuição, que representa a distância (∆R) entre os dois
léptons de maior pT e com cargas opostas, possui uma tendência contraria à apresentada
na distribuição do pT do leading lépton. Esse comportamento está condizente com o
esperado, pois, como mencionado na seção 3.1.1, existem os eventos chamados boosted e
uma caracterı́stica desses eventos é ter um valor de ∆R baixo e léptons de alto pT que,
consequentemente, representa uma maior eficiência de seleção para valores baixos de ∆Rll .
Tendo entendido que cada variável apresenta um comportamento de eficiência
diferente ao longo de sua distribuição e que esse comportamento está atrelado a fı́sica da
seleção, é possı́vel observar o comportamento da eficiência em diferentes variáveis para
confirmar se tudo está condizente com o que é esperado na teoria.
Uma vez que há diversas informações disponı́veis em um evento, é impres-
cindı́vel estabelecer um critério para selecionar aquela mais adequada para calcularmos
a eficiência e fazer a comparação entre dados e simulação. Dessa forma, considerando
que a seleção do conjunto principal é baseada em informações dos léptons, optou-se es-
tudar o comportamento da eficiência através das caracterı́sticas fı́sicas dos léptons, como
momento transverso (figura 28) e módulo da pseudorapidez (figura 27).
A análise dos resultados indica que distribuições do módulo da pseudorapidez
(figura 27) não seguem nenhuma tendência, o que era esperado, uma vez que não há um
seleção com base na pseudorapidez dos léptons, mas sim para seu momento transverso.
Tendo isso em mente, optou-se por utilizar apenas as distribuições de pT dos léptons de
maior momento, chamado de leading léptons, e o segundo lépton de maior momento,
chamado de subleading lépton para os canais µµ e ee, no caso do canal eµ serão utilizados
o pt do leading elétron e leading múon.
Definido quais informações dos eventos vamos utilizar, há a questão de que
largura da classe (bin) utilizar. Dependendo de que largura de bin esta se adotando, pode
ocorrer uma generalização ou perda de precisão, o que resulta em um fator de correção
ruim. Vamos tomar a distribuição do momento do leading lépton no canal ee como
exemplo, mas utilizando diferentes larguras de bin entre elas (figura 29).
No caso do item (a) da figura 29 é empregado bins de largura muito pequeno,
obtém-se um fator de correção com uma grande granularidade mas com uma incerteza
muito maior. Em contra partida no item (c), o uso de um bin de largura muito grande
generaliza o valor do fator de correção que deve ser aplicado. Por isso, deve-se achar um
meio termo entre esses dois, o que é o caso do item (b), onde cada bin apresenta uma
incerteza baixa mas ao mesmo tempo há uma granularidade que permite ver a variação
da razão entre dados e simulação.
No começo desse estudo, optou-se por bins com a maior granularidade possı́vel,
desde que a incerteza estatı́stica nos dados fosse menor que 5% do valor da eficiência. Isso
64
Figura 27 - Eficiência de seleção de triggers nas distribuições de pseudorapidez para o

ano de 2018
(a) (b) (c)
(d) (e) (f)
Legenda: São apresentados os comportamentos da eficiência de seleção do conjunto de

triggers em diferentes distribuições e canais: pseudorapidez do leading lépton
do canal ee (a) e µµ (b), distribuições de pseudorapidez do subleading léptons
no canal ee (d) e µµ (e). Também é apresentado o comportamento nas
distribuições de pseudorapidez do múon e elétron de maior momento no canal
eµ, sendo as figuras (d) e (e), respectivamente.
foi feito para que os bins apresentassem uma boa estatı́stica. Mas como veremos na seção
4.2.1, a forma como é feito o tratamento das incertezas da simulação acaba interferindo
na escolhas da largura dos bins.
4.2.1 Tratamento das incerteza estatı́stica da eficiência
Como a estimativa da eficiência foi calculada a partir de medidas e valores

experimentais, haverá intrı́nseco a ela uma estimativa que quantifica a confiabilidade do
resultado adquirido, esta sendo a sua incerteza. Existem dois tipos de incertezas, o tipo
A e o tipo B, onde o tipo A, também conhecido como incerteza estatı́stica, representa
65
Figura 28 - Eficiência de seleção de triggers nas distribuições de momento transverso

para o ano de 2018
(a) (b) (c)
(d) (e) (f)
Legenda: São apresentados os comportamentos da eficiência de seleção do conjunto de

triggers em diferentes distribuições e canais: momento transverso do leading
lépton do canal ee (a) e µµ (b), distribuições de momento transverso do
subleading léptons no canal ee (d) e µµ (e). Também é apresentado o
comportamento nas distribuições do momento transverso do múon e elétron de
maior momento no canal eµ, sendo as figuras (d) e (e), respectivamente.
a incerteza proveniente das flutuações estatı́sticas da distribuição, e o tipo B, conhecido

como incerteza sistemática, tem relação a incertezas de precisão do material que esta
sendo utilizado no experimento (JUNIOR; SILVEIRA, 2011; OGURI, 2008). No caso da
eficiência, foi considerado somente a incerteza do tipo A.
Para calcular esse tipo de incerteza é necessário identificar o tipo de distri-
buição estatı́stica que se está estudando e saber o intervalo de confiança que se quer
adotar. Por exemplo, caso a distribuição da eficiência se assemelhe a uma distribuição
normal padrão, então podemos considerar que o valor da eficiência calculado e sua incer-
teza são
σp
ϵ ± Z(1−α) √ (22)
Na
66
Figura 29 - Comportamento da eficiência em um distribuição com diferentes larguras de

bin
(a) (b)
(c)
Legenda: Exemplos do comportamento da eficiência ao longo da mesma distribuição

para diferentes larguras de bin: de 3 GeV (a), customizados (b) e 300 GeV (c).
Na caixa de baixo se encontra a razão entre o que é encontrado nos dados e na
simulação.
onde ϵ é a eficiência média de cada amostra, Z(1−α) é um fator de proporção com base no
intervalo de confiança que se quer adotar, σp o desvio padrão populacional e Na o total
de eventos da amostra.
67
O nı́vel do intervalo de confiança é construı́do como sendo 100 (1-α)%, onde α

é o nı́vel de significância (GLEN, 2023) com valor no intervalo de [0, 1]. Normalmente são
considerados intervalos de confiança com valores acima de 95%, h pois isso significa que o va-i
lor real da eficiência, estaria com 95% de certeza no intervalo ϵ − Z(1−α) √σN p
; ϵ + Z(1−α) √σN
p
.
Vamos tomar como exemplo que Z1−0,05 = 2, isso indica que a incerteza uti-
lizada para a eficiência média tem intervalo de confiança de 95% como visto na figura
30.
Figura 30 - Intervalos de confiança de uma distribuição normal
Legenda: Sendo µ a média da distribuição e σ o desvio padrão amostral, é possı́vel

determinar os intervalos de confiança de 68%, 95% ou 99,7% para 1,2 ou 3 σ de
distância do valor médio, respectivamente.
Fonte: UFSC (CATARINA, 2023)
Esse caso apresentado é para a distribuição normal padrão, mas dependendo

da distribuição que se utiliza, há diferenças e por isso, a incerteza estatı́stica está intima-
mente vinculada ao tipo de distribuição que esta sendo adotada, logo é importante saber
identificar o tipo de distribuição que melhor descreve os seus dados.
4.2.1.1 Incertezas dos dados
A determinação de qual distribuição melhor se assemelha a distribuição da

eficiência de seleção para os nossos dados, foi feita com base na literatura (PATERNO,
2004; HUSEMANN, 2023), que indicou que o tipo de distribuição que deve ser utilizada
é a binomial.
68
A distribuição binomial é uma distribuição de probabilidade discreta que des-

creve o número de sucessos em uma sequência de tentativas independentes, onde cada
tentativa tem apenas dois resultados possı́veis, geralmente denotados como “sucesso” ou
“fracasso”. A distribuição binomial é caracterizada pelos parâmetros n e p, onde n é o
número total de tentativas e p é a probabilidade de sucesso em cada tentativa. Nesse tipo
de distribuição teremos,
k =p×n (23)
onde k representa o número de eventos caracterizados como sucesso. Por padrão, o inter-
valo de confiança utilizado é o chamado intervalo de confiança de Waldi (BROWN; CAI;
DASGUPTA, 2001). Nesse intervalo de confiança teremos que a incerteza de k será dada
por
r
p(1 − p)
σk = Z(1− α2 ) (24)
N
Substituindo na equação 23 o k por Ns , p por ϵ e n por Nt , e deixando ϵ isolado,

chegamos a equação 21. Como o objetivo é calcular a incerteza da eficiência, basta fazer
propagação de incertezas (OGURI, 2008) a partir da equação 21 e considerando que a
incerteza de Ns é dada por 24, teremos então
s
Z(1− α2 )

Ns
σϵsel = Ns 1− (25)
Nt Nt
Essa incerteza, entretanto, funciona somente no intervalo 0 < ϵsel < 1. Nos valores
limite, ϵ = 0 e ϵ = 1, a incerteza dada pela equação 25 passa a ser 0 o que é conceitual-
mente errado. Faz-se necessário então utilizar outro intervalo de confiança da distribuição
binomial, sendo aconselhado pelo comitê de estatı́stica da colaboração CMS, utilizar o
intervalo de Clopper-Pearson (TALK, 2023). Os limites inferior e superior da incerteza
do intervalo de Clopper-Pearson são dados por
α α
B ; x, n − x + 1 < p < B 1 − ; x + 1, n − x (26)
2 2
onde x é o número de sucesso, n o número de tentativas e B (n, b, c) é a n-ésima quantil

(SERFLING, 2009) de uma distribuição de beta, com parâmetros α=b, β=c e 0 < n < 1
(CASTRO CARLOS DANIEL PAULINO, 2019). Essa proporção é chamada de exato e
consegue inferir erros mesmo nos pontos de limite superior e inferior da eficiência. Foi
decidido então que a incerteza estatı́stica da eficiência seria mensurada através do intervalo
de Clopper-Pearson com 68% de confiabilidade.
69
4.2.1.2 Incertezas da simulação
Inicialmente pensou-se que poderı́amos aplicar o intervalo de Clopper-Pearson

para estimar a incerteza da simulação. Mas o fato da distribuição da simulação ser
composta de eventos com diferentes pesos, inviabiliza o uso do intervalo de Clopper-
Pearson. Optou-se então por outra abordagem no caso da simulação.
O método de obtenção da incerteza da eficiência para simulação considerando
pesos diferentes que será apresentado a seguir foi aconselhado pelo comitê de estatı́stica
da colaboração CMS. Inicialmente reescrevemos a equação 21 da seguinte forma:
s 1 f
ϵ= = ,r = (27)
s+f 1+r s
sendo s o número de eventos que passaram e f o número de eventos que não passaram
pela seleção do conjunto principal de triggers. O número de eventos que passaram pela
seleção é igual ao somatório dos pesos dos números de eventos que passaram, teremos
v
N
X
u N
uX
s= Wi ± t Wi2 (28)
i=1 i=1
onde essa estimativa da incerteza só é válida quando a contagem de eventos em cada
largura de classe segue uma distribuição de Poisson. A distribuição de Poisson é uma
distribuição de probabilidade discreta que descreve a probabilidade de ocorrer um de-
terminado número de eventos em um intervalo fixo de tempo ou espaço, sendo muito
utilizada em contagens, que é caso das quantidades s e f . Tendo as incertezas de s e f , e
sabendo que r é construı́do em função deles, como visto na equação 27, podemos adquirir
a incerteza de r através da seguinte propagação de incerteza
s 2
σf σ 2
s
σr = r × + (29)
f s
e uma vez que temos a incerteza de r, podemos adquirir a incerteza da eficiência em função
da incerteza do r, através de novo da propagação de erro, tendo
σr
σϵ = (30)
(1 + r)2
Para que seja correto fazer todas essas propagações de erro, é necessário ga-
rantir que as distribuições de s e f se aproximam de uma distribuição gaussiana. Segundo
o teorema do Limite Central qualquer tipo de distribuição caso tenha uma quantidade
70
grande de eventos pode ser aproximada de uma distribuição gaussiana (FARBER, 2014).
A forma que vamos utilizar para determinar se a distribuição possui uma quantidade
grande de eventos é através da razão entre o quadrado do somatório dos pesos dividido
pelo somatório dos pesos ao quadrado, ou seja
( Wi )2
P
Nef f = P 2 (31)
Wi
sendo Nef f é o fator que apresenta o número de eventos efetivo, caso o valor seja maior
ou igual a 25 em todos os bins da distribuição dos eventos que passaram e dos eventos
que não passaram, podemos considerar que a distribuição é gaussiana e o método fica
válido. A necessidade de ter valor maior que 25 em cada bin é o principal critério de
determinação de quão curta pode ser uma largura de bin, tanto para a distribuição de
momento do leading lépton quanto para subleading lépton. Com isso foram determinados
os seguintes intervalos de bins:
Ano 2017 Ano 2016 e 2018
• Canal µµ • Canal µµ
– Leading pT : [40,60,80,100,200] – Leading pT : [40,60,80,100,200]

– Subleading pT : [20,25,30,200] – Subleading pT : [20,25,200]
• Canal eµ • Canal eµ
– Electron pT : [20,30,40,60,200] – Electron pT : [20,30,40,60,200]

– Muon pT : [20,30,40,60,200] – Muon pT : [20,30,40,60,200]
• Canal ee • Canal ee
– Leading pT : [40,60,80,100,200] – Leading pT : [40,60,80,100,200]

– Subleading pT : [20,25,35,200] – Subleading pT : [20,30,200]
Em azul estão os bins que não mudaram ao longo dos anos e em vermelhos os
bins que possuem diferenças. Os novos valores de eficiência e Nef f pro canal ee , µµ e eµ
no ano de 2018 poder ser vistos pelas figuras 31, 32 e 33, respectivamente. Demais anos
estão disponı́veis no apêndice F.
71
Figura 31 - Comportamento da eficiência de seleção e respectivos valores de Nef f no

canal ee
(a) (b) (c)
(d) (e) (f)
Legenda: (a),(b) e (c) são gráficos da eficiência e seus erros, valores de Nef f dos eventos
que não passaram pela seleção e Nef f dos eventos que não passaram pela
seleção na distribuição do leading lépton. (d), (e) e (f) são a mesma coisa mas
para o subleading lépton.
4.3 Mapas de fator de correção
Feito todos os tratamentos da incerteza da eficiência, passamos para a criação

dos chamados mapas de fator de correção. Diferente do que foi feito na correção de pile-
up, onde todos os fatores de correção foram extraı́dos de apenas uma variável, a correção
de triggers utiliza duas variáveis ao mesmo tempo, o que resulta na criação de mapas
contendo diferentes valores de correção com base nas duas variáveis escolhidas.
Os valores dos fatores de correção (SF) presentes no mapa são determinados
através da razão entre a eficiência dos dados e da simulação, ou seja,
ϵdados
SF = (32)
ϵsimulação
72
(a) (b) (c)
(d) (e) (f)
Os mapas de correção em função do leading lépton e subleading lépton de cada

canal pode ser visto na figura 34 para o ano de 2018. Demais anos estão disponı́veis no
apêndice G.
Uma vez que a incerteza da eficiência da simulação é feita considerando que ela
é uma distribuição gaussiana, é possı́vel obter a incerteza estatı́stica do fator de correção
através da propagação de incertezas,
s 2 2
σϵdados σϵM C
σSF = SF × + (33)
ϵdados ϵM C
onde haverá uma incerteza superior tanto quanto uma incerteza inferior. Isso se deve ao
fato de a incerteza na eficiência dos dados não ser simétrica, diferente da incerteza da
simulação que possui mesmo valor.
73
(a) (b) (c)
(d) (e) (f)
seleção na distribuição do leading elétron. (d), (e) e (f) são a mesma coisa mas
para o leading múon.
Como já mencionado essa propagação só é válida se a distribuição, em cada

bin, se aproximar de uma distribuição gaussiana, ou seja, apresentar um Nef f maior ou
igual a 25. É possı́vel averiguar os valores de Nef f adquiridos para 2016, 2017 e 2018 a
partir das figuras 35, 36 e 37.
Através da fórmula 33, foi possı́vel criar um mapa contendo as incertezas su-
perior (figura 38) e inferior (figura 39) dos fatores de correção para 2018. Demais anos
estão presentes no apêndice G.1.
74
Figura 34 - Mapas de fator de correção de 2018
(a) (b) (c)
Legenda: Mapas de fator de correção construı́dos do canal ee (c), eµ (b) e µµ (a). Os

blocos em branco na figura (b) representam ausência de eventos.
Figura 35 - Valores de Nef f adquiridos para os mapas de fator de correção de 2016
Legenda: Na primeira linha estão presentes os valores de Nef f que passaram pela seleção,
na segunda linha o Nef f dos eventos que não passaram. São apresentados os
valores do canal ee, eµ e µµ pras colunas 1, 2 e 3 respectivamente.
75
4.3.1 Incerteza sistemática do fator de correção
Como mencionado na seção 4.2.1, existem dois tipos de incertezas e diferente

do que foi feito na eficiência, aqui iremos mensurar a incerteza sistemática do fator de
correção. Para mensurar a incerteza sistemática, é necessário identificar as fontes de erro
sistemático e avaliar o impacto que elas têm nas medições. Essas fontes são identifica-
das através de diferenças nas medições obtidas em relação ao padrão de referência com
os valores conhecidos. Um exemplo seria o valor do fator de ortogonalidade dado pela
equação 20, onde o valor de α tem como referência o valor 1, enquanto que na prática
achamos valores próximos a 1 (tabela 2). Essa diferença pode, e vai, ser considerada uma
fonte de incerteza sistemática. Para esse estudo foram determinados ao todo três fontes
de incertezas sistemáticas,
• σα : incerteza adquirida através da diferença entre o fator de ortogonalidade encon-

trado e o de referência.
• σperiod : incerteza adquirida através da diferença do fator de correção para diferentes

eras.
76
Figura 38 - Incertezas estatı́stica superior do fator de correção de 2018
(a) (b) (c)

blocos em branco na figura (b) representam ausência de eventos
• σregions : incerteza adquirida através de diferentes regiões de NVP, NJet e MET.
Os valores da primeira fonte de incerteza será determinada através do módulo

77
Figura 39 - Incertezas estatı́stica inferior do fator de correção de 2018
(a) (b) (c)

da diferença entre o valor de referência do fator de ortogonalidade e o valor adquirido.

Como foram obtidos diferentes valores, divididos com base em seu ano e seu canal, te-
remos valores de incerteza diferentes ao longo dos diferentes canais e anos, podendo ser
visualizados na tabela 3.
Tabela 3 - Valores da incerteza sistemática σT otalCorrelationBinError
2016 2017 2018

µµ 0,0006 0,0011 0,0013
Dados ee 0,0015 0,0005 0,0010
eµ 0,0001 0,0028 0,0014
µµ 0,0017 0,0021 0,0012
Simulação ee 0,0013 0,0015 0,0006
eµ 0,0037 0,0046 0,0034
Legenda: Valores de incerteza sistemática mensurados através da diferença entre o valor teórico
e o valor encontrado para o fator de ortogonalidade, dividido por anos e canal.
A segunda incerteza é inferida através do conceito de Eras de tomadas de

dados. Um ano de tomadas de dados são comumente divididos em intervalos menores de
tempo chamados de eras. A incerteza será mensurada a partir da diferença entre o valor
determinado do fator de correção e o novo valor do fator de correção, determinado através
de um somatório dos fatores de correção de cada era, sendo aplicado a eles um peso com
base na sua luminosidade. Utilizando o ano de 2018 como exemplo, ele é dividido em
quarto eras ao todo A, B, C e D. Então seu novo valor do fator de correção determinado
78
através das eras será dado por
SFEras = WA × SFA + WB × SFB + WC × SFC + WD × SFD (34)
onde WA , WB , WC e WD são os pesos com base na luminosidade de cada era. No caso de

2018 as suas eras possuem luminosidade integrada, em f b−1 , aproximada de 14,02; 7,06;
6,89 e 31,74, para as eras A, B, C e D, respectivamente. Levando em consideração que a
luminosidade integrada total de 2018 tem valor de 59,74 f b−1 . Podemos calcular o peso
de cada uma das eras como sendo a sua luminosidade dividida pela luminosidade total do
seu respectivo ano. Será então determinado um novo fator de correção, que idealmente
não deve apresentar diferença com relação ao fator de correção mensurado através do ano.
Caso haja alguma diferença, ela será considerada uma incerteza sistemática e mensurada
através da equação
σperiod : |SFAnoT odo − SFEras | (35)
as incertezas sistemáticas obtidas dessa fonte de incerteza estão presentes no apêndice H.1
para todos os anos.
Por fim, a última fonte de incerteza sistemática é inferida através da diferença
entre o fator de correção e um novo fator de correção calculado após a aplicação de
algum corte. Idealmente o corte é aplicado em variáveis que não possuem nenhum tipo
de correlação com a seleção feita pelo conjunto principal de triggers e, consequentemente,
devem apresentar o mesmo valor de fator de correção. Caso haja uma diferença, ela é
registrada e considerada como sendo uma incerteza sistemática. Ao todo foram escolhidos
seis cortes, resultando para um mesmo bin, seis diferentes valores de incerteza. Foi então
determinado que o módulo da maior diferença encontrada dentre essas incertezas será
considerada a incerteza sistemática dessa fonte, ou seja, σhighLowN jetsN P V M ET . Os cortes
e os respectivos nomes dos novos fatores de correção, criados com base na sua região,
podem ser vistos na tabela 4. A diferença entre o fator de correção encontrado (figuras
70, 71 e 34) e o fator de correção encontrado nas regiões da tabela 4 podem ser vistos no
apêndice H.2, para todos os anos.
Uma vez definido todos as fontes de incertezas sistemáticas e como mensurar
cada uma delas, podemos combiná-las em apenas um valor, através da equação
q
σsys = (σperiod )2 + (σhighLowN jetsN P V M ET )2 + (σT otalCorrelationBinError )2 (36)
Na figura 40 estão presentes os valores obtidos para o ano de 2018, demais

anos estão disponı́veis no pêndice H.3 através da figura 83.
Uma vez definidos os mapas de fatores de correção e suas incertezas, o valores
79
Tabela 4 - Tabela com definição dos cortes para fonte de incerteza sistemática
Cortes Fatores de Correção

- SF
Número de jatos maior ou igual a 3 SFN JetsHigh
Número de jatos menor que 3 SFN JetsLow
Número de vértices primário maior ou igual a 30 SFnP V High
Número de vértices primário menor que 30 SFN P V Low
Energia transversal faltante maior ou igual a 150 GeV SFM ET High
Energia transversal faltante menor que 150 GeV SFM ET Low
Legenda: Definição dos cortes
Figura 40 - Mapas com os valores finais de incerteza sistemática para os anos de 2018
Legenda: Mapas com os valores finais de incerteza sistemática. As valores apresentados

nas figuras da esquerda, meio e direita são dos canais ee, eµ e µµ
respectivamente.
dos fatores de correção são aplicados aos pesos dos eventos de simulação.
80
CONCLUSÃO
Foram apresentadas as etapas feitas no estudo de fator de correção proveniente

da seleção dos triggers visando melhorar a compatibilidade entre dados e simulação na
busca por evidências de matéria escura, através do decaimento bb̄H → Za → l¯lχχ̄ onde
o H é um bóson de Higgs do modelo 2HDM.
Os valores de fator de correção adquiridos para os anos de 2016 (70), 2017 (71) e
2018 (34) estão muito próximos da unidade, fazendo com que a aplicação desses pesos, não
resulte em uma melhora significativa de compatibilidade em simulação e dados. Contudo
esse resultado já era esperado, uma vez que no estudo de eficiência, a diferença entre
dados e simulação se apresentava muito pequena, fazendo com que o fator de correção,
que é mensurado através dessa diferença convergisse para um. A incerteza estatı́stica
dos fatores de correção (72,73, 38 e 39), tanto inferior quanto superior, em seus casos
mais extremos representam no máximo 6% de valor do fator de correção, enquanto que
a incerteza sistemática (figuras 40 e 83) chega no máximo até 6%. Esses valores de
incerteza são bons levando em consideração que esses valores extremos são pontuais e que
a incerteza calculada se encontra no intervalo de confiança de 68%.
O trabalho aqui apresentado foi incorporado na análise de dados em anda-
mento, de busca por matéria escura que, no presente momento da escrita dessa dissertação,
está próximo de ser publicado. Além disso a análise por busca de evidências de matéria
escura demandou a criação de um framework de análise de dados HepHero (CORREIA,
2023). O Autor teve o papel de incorporar a esse framework o estudo de triggers aqui
apresentado, podendo ser utilizado por qualquer outra análise de dados em fı́sica de altas
energias de forma independente. Esse framework, bem como a metodologia apresentada
na dissertação, utiliza como base algoritmos construı́dos pelo grupo DESY. Outros estu-
dos também estão disponı́veis nesse framework, como é o caso do estudo do meu colega
de grupo Gabriel Moreira (MOREIRA, 2023).
81
REFERÊNCIAS
AAD, G. et al. Observation of a new particle in the search for the standard model higgs
boson with the ATLAS detector at the LHC. Physics Letters B, Elsevier BV, v. 716, n. 1,
p. 1–29, Sep. 2012. Disponı́vel em: ⟨https://doi.org/10.1016%2Fj.physletb.2012.08.020⟩.
ADAM, W. et al. Reconstruction of Electrons with the Gaussian-Sum Filter in the CMS
Tracker at the LHC. Geneva, 2005. Disponı́vel em: ⟨https://cds.cern.ch/record/815410⟩.
ADAM, W. et al. Reconstruction of electrons with the gaussian-sum filter in

the CMS tracker at the LHC. Journal of Physics G: Nuclear and Particle
Physics, IOP Publishing, v. 31, n. 9, p. N9–N20, July 2005. Disponı́vel em:
⟨https://doi.org/10.1088%2F0954-3899%2F31%2F9%2Fn01⟩.
ADAM, W. et al. Track Reconstruction in the CMS tracker. Geneva, 2006. Disponı́vel
em: ⟨https://cds.cern.ch/record/934067⟩.
BAUER, J. Perspektiven zur beobachtung der elektroschwachen produktion einzelner

top-quarks mit dem cms experiment. Jan. 2010.
BEAUDETTE, F. The cms particle flow algorithm. arXiv, 2014. Disponı́vel em:
⟨https://arxiv.org/abs/1401.8155⟩.
BRANCO, G. et al. Theory and phenomenology of two-higgs-doublet models.

Physics Reports, Elsevier BV, v. 516, n. 1-2, p. 1–102, July 2012. Disponı́vel em:
⟨https://doi.org/10.1016%2Fj.physrep.2012.02.002⟩.
BROWN, L. D.; CAI, T. T.; DASGUPTA, A. Interval Estimation for a Binomial

Proportion. Statistical Science, Institute of Mathematical Statistics, v. 16, n. 2, p. 101 –
133, 2001. Disponı́vel em: ⟨https://doi.org/10.1214/ss/1009213286⟩.
CASTRO CARLOS DANIEL PAULINO, J. M. S. Tuany de P. Comparison of

interval estimation methods for a binomial proportion. 2019. Disponı́vel em:
⟨https://www.ime.usp.br/∼jmsinger/Textos/Castroetal2019.pdf⟩.
CATARINA, U. F. de S. Distribuição Normal (Gaussiana). 2023.
CERN. Cern accelerator complex. 2020. Disponı́vel em: ⟨https://stfc.ukri.

org/research/particle-physics-and-particle-astrophysics/large-hadron-collider/
cern-accelerator-complex/⟩. Acesso em: 20 de agosto de 2020.
CERN. CERN Document Server. 2023. Disponı́vel em: ⟨https://cds.cern.ch/record/

1706606/files/⟩. Acesso em: 7 de março de 2023.
CERN. CMS Trigger: Lessons from LHC Run 2. 2023. Disponı́vel em: ⟨https:
//ep-news.web.cern.ch/content/cms-trigger-lessons-lhc-run-2⟩. Acesso em: 7 de março
de 2023.
CERN. The Proton Synchrotron. 2023. Disponı́vel em: ⟨https://home.cern/science/

accelerators/proton-synchrotron⟩. Acesso em: 7 de março de 2023.
82
CERN. The Proton Synchrotron Booster. 2023. Disponı́vel em: ⟨https://home.cern/

science/accelerators/proton-synchrotron-booster⟩. Acesso em: 7 de março de 2023.
CHADHA-DAY, F.; ELLIS, J.; MARSH, D. J. E. Axion dark matter: What is

it and why now? Science Advances, v. 8, n. 8, p. eabj3618, 2022. Disponı́vel em:
⟨https://www.science.org/doi/abs/10.1126/sciadv.abj3618⟩.
CHATRCHYAN, S. et al. Observation of a new boson at a mass of 125 GeV with the
CMS experiment at the LHC. Physics Letters B, Elsevier BV, v. 716, n. 1, p. 30–61,
Sept. 2012. Disponı́vel em: ⟨https://doi.org/10.1016%2Fj.physletb.2012.08.021⟩.
CHATRCHYAN, S. et al. The CMS Experiment at the CERN LHC. JINST, v. 3, p.

S08004, 2008.
COLLABORATION, C. The cms experiment at the cern lhc. Journal of Instrumentation,

2008. Disponı́vel em: ⟨https://iopscience.iop.org/article/10.1088/1748-0221/3/08/
S08004/pdf⟩. Acesso em: 20 de agosto de 2020.
COLLABORATION, √ C. Calibration of the CMS hadron calorimeters using proton-proton

collision data at s = 13 TeV. 2019.
COLLABORATION, C. Cathode Strip Chambers. 2023. Disponı́vel em: ⟨https:

//cms.cern/detector/detecting-muons/cathode-strip-chambers⟩. Acesso em: 7 de março
de 2023.
COLLABORATION, C. Detecting Muons. 2023. Disponı́vel em: ⟨https://cms.cern/

detector/detecting-muons⟩. Acesso em: 7 de março de 2023.
COLLABORATION, C. Linear accelerator 2. 2023. Disponı́vel em: ⟨https:

//home.cern/science/accelerators/linear-accelerator-2⟩. Acesso em: 7 de março de 2023.
COLLABORATION, C. Multivariate electron identification for run2.

2023. Disponı́vel em: ⟨https://twiki.cern.ch/twiki/bin/viewauth/CMS/
MultivariateElectronIdentificationRun2⟩.
COLLABORATION, C. Muon Drift Tubes. 2023. Disponı́vel em: ⟨https://cms.cern/

detector/detecting-muons/muon-drift-tubes⟩. Acesso em: 7 de março de 2023.
COLLABORATION, C. Public CMS Luminosity Information. 2023. Disponı́vel em:

⟨https://twiki.cern.ch/twiki/bin/view/CMSPublic/LumiPublicResults⟩. Acesso em: 7
de março de 2023.
COLLABORATION, C. Resistive Plate Chambers. 2023. Disponı́vel em: ⟨https:

//cms.cern/detector/detecting-muons/resistive-plate-chambers⟩. Acesso em: 7 de março
de 2023.
COLLABORATION, C. Stand-Alone Muon Reconstruction. 2023. Disponı́vel em:

⟨https://twiki.cern.ch/twiki/bin/view/CMSPublic/SWGuideStandAloneMuonReco⟩.
Acesso em: 7 de março de 2023.
COLLABORATION, C. SWGuideTrackerMuons. 2023. Disponı́vel em: ⟨https:

//twiki.cern.ch/twiki/bin/view/CMSPublic/SWGuideTrackerMuons⟩. Acesso em: 7 de
março de 2023.
83
COLLABORATION, T. Alice. European Organization for Nuclear Research, 2020.

Disponı́vel em: ⟨https://home.cern/science/experiments/alice⟩. Acesso em: 17 de agosto
de 2020.
COLLABORATION, T. Atlas. European Organization for Nuclear Research, 2020.

Disponı́vel em: ⟨https://home.cern/science/experiments/atlas⟩. Acesso em: 17 de agosto
de 2020.
COLLABORATION, T. Lhcb. 2020.
COLLABORATION, T. A. et al. The atlas experiment at the cern large hadron

collider. Journal of Instrumentation, v. 3, n. 08, p. S08003, aug 2008. Disponı́vel em:
⟨https://dx.doi.org/10.1088/1748-0221/3/08/S08003⟩.
COLLABORATION, T. A. et al. The alice experiment at the cern lhc. Journal

of Instrumentation, v. 3, n. 08, p. S08002, aug 2008. Disponı́vel em: ⟨https:
//dx.doi.org/10.1088/1748-0221/3/08/S08002⟩.
COLLABORATION, T. C. et al. The cms experiment at the cern lhc. Journal

of Instrumentation, v. 3, n. 08, p. S08004, Aug. 2008. Disponı́vel em: ⟨https:
//dx.doi.org/10.1088/1748-0221/3/08/S08004⟩.
COLLABORATION, T. L. et al. The lhcb detector at the lhc. Journal of

Instrumentation, v. 3, n. 08, p. S08005, aug 2008. Disponı́vel em: ⟨https:
//dx.doi.org/10.1088/1748-0221/3/08/S08005⟩.
CORREIA, G. HepHero. 2023. Disponı́vel em: ⟨https://github.com/

DESY-CBPF-UERJ⟩. Acesso em: 7 de março de 2023.
DESY. CMS — Compact Muon Solenoid Experiment. 2023. Disponı́vel em:

⟨https://cms.desy.de/activities/physics/exotics/bsm searches with top quarks/⟩.
FARBER, L. Distribuição normal de probabilidade. 2014. Disponı́vel em: ⟨http:

//www.de.ufpb.br/∼tatiene/Disciplinas/2014.2/Slides/cap05LarsonFarber.pdf⟩. Acesso
em: 7 de março de 2023.
FILARDO JOSé E DORSA, M. Teoria de Grupos. Primeira edição. São Paulo: Livraria
da Fı́sica, 2008. 286 p.
FOCARDI, E. Status of the cms detector. Physics Procedia, v. 37, p. 119–127, Dec. 2012.
GLEN, S. Alpha Level (Significance Level): What is it? 2023. Disponı́vel em:
⟨https://www.statisticshowto.com/probability-and-statistics/statistics-definitions/
what-is-an-alpha-level/⟩. Acesso em: 7 de março de 2023.
GONçALVES, D.; MACHADO, P. A.; NO, J. M. Simplified models for dark matter
face their consistent completions. Physical Review D, American Physical Society (APS),
v. 95, n. 5, Mar. 2017. Disponı́vel em: ⟨https://doi.org/10.1103%2Fphysrevd.95.055027⟩.
GROUP, A. T. Prescales and Prescale Sets. 2023. Disponı́vel em: ⟨https://

atlassoftwaredocs.web.cern.ch/guides/trigger/prescales/⟩. Acesso em: 7 de março de
2023.
84
GUMUS, K.; AKCHURIN, N. Search for new physics in the compact muon solenoid
(cms) experiment and the response of the cms calorimeters to particles and jets. Mar.
2023.
GURALNIK, G. S.; HAGEN, C. R.; KIBBLE, T. W. B. Global conservation laws and

massless particles. Phys. Rev. Lett., American Physical Society, v. 13, p. 585–587, Nov.
1964. Disponı́vel em: ⟨https://link.aps.org/doi/10.1103/PhysRevLett.13.585⟩.
HIGGS, P. W. Broken symmetries and the masses of gauge bosons. Phys. Rev.
Lett., American Physical Society, v. 13, p. 508–509, Oct. 1964. Disponı́vel em:
⟨https://link.aps.org/doi/10.1103/PhysRevLett.13.508⟩.
HIGGS, P. W. Spontaneous symmetry breakdown without massless bosons. Phys.

Rev., American Physical Society, v. 145, p. 1156–1163, May. 1966. Disponı́vel em:
⟨https://link.aps.org/doi/10.1103/PhysRev.145.1156⟩.
HUSEMANN, M. S. U. ENHEP Tutorial: Trigger Efficiencies. 2023. Disponı́vel em:

⟨https://indico.cern.ch/event/731987/contributions/3252702/attachments/1785783/
2908948/tutorial trigeff.pdf⟩. Acesso em: 7 de março de 2023.
IPEK, S.; MCKEEN, D.; NELSON, A. E. Renormalizable model for the galactic
center gamma-ray excess from dark matter annihilation. Physical Review D,
American Physical Society (APS), v. 90, n. 5, Sep. 2014. Disponı́vel em: ⟨https:
//doi.org/10.1103%2Fphysrevd.90.055021⟩.
ISIK, C. Phase 1 upgrade of the cms hadron barrel calorimeter. Nuclear Instruments
and Methods in Physics Research Section A: Accelerators, Spectrometers, Detectors
and Associated Equipment, v. 1042, p. 167389, 2022. ISSN 0168-9002. Disponı́vel em:
⟨https://www.sciencedirect.com/science/article/pii/S0168900222006933⟩.
JUNIOR, P. L.; SILVEIRA, F. L. d. Sobre as incertezas do tipo a e b e sua propagação

sem derivadas: uma contribuição para a incorporação da metrologia contemporânea aos
laboratórios de fı́sica básica superior. Revista Brasileira de Ensino de Fı́sica, Sociedade
Brasileira de Fı́sica, v. 33, n. 2, p. 2303, abr. 2011. ISSN 1806-1117. Disponı́vel em:
⟨https://doi.org/10.1590/S1806-11172011000200004⟩.
KALINOWSKI, A.; KROLIKOWSKI, J. Search for the heavy, neutral mssm higgs
particles in the h/a− > τ τ − > µ + x channel in the cms detector at the lhc. Aug. 2020.
KIBBLE, T. W. B. Symmetry breaking in non-abelian gauge theories. Phys.

Rev., American Physical Society, v. 155, p. 1554–1561, Mar. 1967. Disponı́vel em:
⟨https://link.aps.org/doi/10.1103/PhysRev.155.1554⟩.
KLEIN, D. An Overview of the CMS ECAL with Applications to HEP Analysis. 2023.
Disponı́vel em: ⟨http://www.t2.ucsd.edu/twiki2/pub/UCSDTier2/ParticlePhysics2013/
ecal-presentation.pdf⟩. Acesso em: 7 de março de 2023.
KLYUKHIN, V. I. et al. The cms magnetic field map performance. IEEE Transactions
on Applied Superconductivity, v. 20, n. 3, p. 152–155, 2010.
LIMA, J. A. S.; SANTOS, R. C. From Solar Eclipse of 1919 to the Spectacle of

Gravitational Lensing. arXiv, 2020. Disponı́vel em: ⟨https://arxiv.org/abs/2001.01549⟩.
85
LIU, Z. Quantum Chromodynamics. 2018. Disponı́vel em: ⟨https://kindxiaoming.github.

io/pages/QCD.html⟩. Acesso em: 7 de março de 2023.
MANDL, F.; SHAW, G. Quantum field theory. Manchester: John Wiley & Sons, 2010.
496 p.
MASCIOCCHI, S. Electromagnetic calorimeters. 2023. Disponı́vel em:
⟨https://www.physi.uni-heidelberg.de/∼sma/teaching/ParticleDetectors2/
sma ElectromagneticCalorimeters.pdf⟩. Acesso em: 7 de março de 2023.
MORAES, A. M. A fı́sica dos detectores de partı́culas. XI Escola do CBPF (Curso
de Pós-Graduação), 2020. Disponı́vel em: ⟨https://mesonpi.cat.cbpf.br/escola2017/
downloads/notasDeAula/ArthurMoraes Aula07.pdf⟩. Acesso em: 17 de agosto de 2020.
MOREIRA, G. Repositório com códigos utilizados para produção1510 das figuras
e modelos de aprendizado de máquina. 2023. Disponı́vel em: ⟨https://github.com/
gabrielmscampos/hhdmAnalysis-mestrado⟩. Acesso em: 7 de março de 2023.
MOREIRA, M. A. O conceito de simetria na fı́sica. Revista do Professor de Fı́sica, v. 3,
n. 2, p. 1–8, ago. 2019. Disponı́vel em: ⟨https://periodicos.unb.br/index.php/rpf/article/
view/26849⟩.
MORRISON, L. A. Two-Higgs-Doublet Model. 2023. Disponı́vel em: ⟨http:
//scipp.ucsc.edu/∼haber/ph218/2HDMLoganMorrison.pdf⟩. Acesso em: 7 de março de
2023.
NASA. NASA’s Webb Delivers Deepest Infrared Image of Universe Yet.
2023. Disponı́vel em: ⟨https://www.nasa.gov/image-feature/goddard/2022/
nasa-s-webb-delivers-deepest-infrared-image-of-universe-yet⟩. Acesso em: 7 de
março de 2023.
NEUTELINGS, I. CMS coordinate system. 2023. Disponı́vel em: ⟨https://tikz.net/
axis3d cms/⟩. Acesso em: 7 de março de 2023.
NOETHER, E. Invariant variation problems. Transport Theory and Statistical
Physics, Informa UK Limited, v. 1, n. 3, p. 186–207, Jan. 1971. Disponı́vel em:
⟨https://doi.org/10.1080%2F00411457108231446⟩.
NOMURA, Y.; THALER, J. Dark matter through the axion portal. Physical
Review D, American Physical Society (APS), v. 79, n. 7, Apr. 2009. Disponı́vel em:
⟨https://doi.org/10.1103%2Fphysrevd.79.075008⟩.
OBSERVATORY, K. SUPER-KAMIOKANDE. 2023. Disponı́vel em: ⟨https:
//www-sk.icrr.u-tokyo.ac.jp/en/sk/⟩. Acesso em: 7 de março de 2023.
OGURI, V. Estimativas E Erros Em Experimentos De Fisica. [S.l.: s.n.], 2008. 132 p.
OKS, E. Brief review of recent advances in understanding dark matter and dark energy.
New Astronomy Reviews, Elsevier BV, v. 93, p. 101632, Dec. 2021. Disponı́vel em:
⟨https://doi.org/10.1016%2Fj.newar.2021.101632⟩.
OTT, J. Search for single top tw associated production in the dilepton channel at
cms. EPJ Web of Conferences, EDP Sciences, v. 28, p. 12041, 2012. ISSN 2100-014X.
Disponı́vel em: ⟨http://dx.doi.org/10.1051/epjconf/20122812041⟩.
86
PATERNO, M. Calculating efficiencies and their uncertainties. Dec. 2004.
Petrucciani, Giovanni. Particle flow reconstruction in the cms level-1 trigger

for the hl-lhc. EPJ Web Conf., v. 214, p. 01019, 2019. Disponı́vel em: ⟨https:
//doi.org/10.1051/epjconf/201921401019⟩.
PHYSICS, U. Pseudo-rapidity, azimuthal angle, and transverse momentum. 2020.

Disponı́vel em: ⟨http://www.physics.ufl.edu/∼rfield/cdf/chgjet/etaphi.html⟩. Acesso em:
17 de agosto de 2020.
PIMENTA, J. J. M. et al. O bóson de higgs. Revista Brasileira de Ensino de Fı́sica,

Sociedade Brasileira de Fı́sica, v. 35, n. 2, p. 2306, abr. 2013. ISSN 1806-1117. Disponı́vel
em: ⟨https://doi.org/10.1590/S1806-11172013000200006⟩.
ROOS, M. Dark Matter: The evidence from astronomy, astrophysics and cosmology.
arXiv, 2010. Disponı́vel em: ⟨https://arxiv.org/abs/1001.0316⟩.
ROSZKOWSKI, L.; SESSOLO, E. M.; TROJANOWSKI, S. WIMP dark matter

candidates and searches—current status and future prospects. Reports on Progress
in Physics, IOP Publishing, v. 81, n. 6, p. 066201, May 2018. Disponı́vel em:
⟨https://doi.org/10.1088%2F1361-6633%2Faab913⟩.
RUIZ, R. Drell-yan, drell-yan with jets, drell-yan with all the jets. 2020. Disponı́vel em:
⟨https://www.quantumdiaries.org/2015/05/18/dy-resummation/⟩. Acesso em: 20 de
agosto de 2020.
SARAIVA, P. M. de F. O. O conteúdo do universo. 2023. Disponı́vel em: ⟨http:

//www.if.ufrgs.br/∼fatima/ead/universo-atual.htm⟩. Acesso em: 7 de março de 2023.
SERFLING, R. J. Approximation theorems of mathematical statistics. John Wiley &

Sons, 2009.
SERT, H. CMS Run 2 High Level Trigger Performance. PoS, EPS-HEP2019, p. 165,
2020.
SIRUNYAN, A. et al. Particle-flow reconstruction and global event description with

the CMS detector. Journal of Instrumentation, IOP Publishing, v. 12, n. 10, p.
P10003–P10003, Oct. 2017. Disponı́vel em: ⟨https://doi.org/10.1088%2F1748-0221%
2F12%2F10%2Fp10003⟩.
SIRUNYAN, A. et al. Performance of the CMS muon detector and muon reconstruction
√
with proton-proton collisions at is/i=13 TeV. Journal of Instrumentation,
IOP Publishing, v. 13, n. 06, p. P06015–P06015, Jun. 2018. Disponı́vel em:
⟨https://doi.org/10.1088%2F1748-0221%2F13%2F06%2Fp06015⟩.
SIRUNYAN, A. et al. Performance of the CMS level-1 trigger in proton-proton collisions

√
at is/i = 13 TeV. Journal of Instrumentation, IOP Publishing, v. 15, n. 10, p.
P10017–P10017, Oct. 2020. Disponı́vel em: ⟨https://doi.org/10.1088%2F1748-0221%
2F15%2F10%2Fp10017⟩.
STACKEXCHANGE. Why doesn’t an electron feel an electric field, and

thus accelerate whilst inside the drift tube of a linear accelerator? 2023.
87
Disponı́vel em: ⟨https://physics.stackexchange.com/questions/92123/

why-doesnt-an-electron-feel-an-electric-field-and-thus-accelerate-whilst-insid⟩.
Acesso em: 7 de março de 2023.
STEFANIAK, T. Higgs physics beyond the Standard Model. 2019.
TALK, C. Correct method for acquisition of efficiency uncertainty. 2023.
TAYLOR, L. What is cms. European Organization for Nuclear Research, 2020.

Disponı́vel em: ⟨http://cms.web.cern.ch/news/what-cms⟩. Acesso em: 17 de agosto de
2020.
TAYLOR, L.; ZEMLERIS, V. Silicon strips. CMS Collaboration, 2020. Disponı́vel em:
⟨http://cms.web.cern.ch/news/silicon-strips⟩. Acesso em: 17 de agosto de 2020.
TUNNEY, P.; NO, J. M.; FAIRBAIRN, M. Probing the pseudoscalar portal to dark
matter via b̄bz(→ ℓℓ)+ ̸ Et : From the LHC to the galactic center excess. Physical
Review D, American Physical Society (APS), v. 96, n. 9, Nov. 2017. Disponı́vel em:
⟨https://doi.org/10.1103%2Fphysrevd.96.095020⟩.
WIKIPéDIA. Modelo Padrão — Wikipédia, a enciclopédia livre. 2022. Disponı́vel

em: ⟨https://pt.wikipedia.org/w/index.php?title=Modelo Padr%C3%A3o&oldid=
63459253⟩. Acesso em: 19 de maio de 2023.
WOLFF, R. N. Rapidez e Pseudo-Rapidez. 2023. Disponı́vel em: ⟨https://www.if.ufrgs.

br/gfpae/sem/2005/RWolff Sem 01.pdf⟩. Acesso em: 7 de março de 2023.
WU, Y. Methods of Experimental Physics. [S.l.]: Academic Press, 1971.

APÊNDICE A – Amostra de dados
Tabela 5 - Lista de dados de 2016
Datasets Nomes Luminosidade Integrada fb−1

Eras
2016 Pre-VFP 19,1
SingleMuon B 5,750
HIPM UL2016 MiniAODv2 NanoAODv9v2
SingleElectron C 2,573
ver1 HIPM UL2016 MiniAODv2 NanoAODv9v2
MuEG D 4,242
DoubleEG E 4,025
DoubleMuon HIMP F 2,409
2016 Pos-VFP 16,5
SingleMuon F 0,573
UL2016 MiniAODv2 NanoAODv9v1
SingleElectron G 7,576
MuEG H 8,651
DoubleEG
DoubleMuon
Legenda: Nome dos datasets, suas versões, suas eras e respectivas luminosidade integradas para o ano de 2016)
88
Tabela 6 - Lista de dados de 2017
Datasets Nomes Eras Luminosidade Integrada fb−1

2017 41.5
SingleMuon B 4,793
SingleElectron C 9,632
MuEG UL2017 MiniAODv2 NanoAODv9v1 D 4,247
DoubleEG E 9,314
DoubleMuon F 13,540
Legenda: Lista de datasets, versões e respectivos valores para cada era de tomada de dados pro ano de 2017
Datasets Nomes Eras Luminosidade Integrada fb−1

2018 59,8
SingleMuon A 14,027
EGAmma B 7,066
MuEG C 6,898
DoubleMuon D 31,74
Legenda: Datasets, versões e luminosidade integrada de cada intervalo de tomada de dados do ano de 2018
89
APÊNDICE B – Amostra de sinal
Nessa seção são apresentados as simulações de sinal produzidas pelo CMS.

onde
• [1] = TuneCP5 13TeV madgraph-pythia8
90
Tabela 7 - Amostras de sinal
Nome das Amostras σ [pb] Luminosidade Integrada fb−1

bbHToZaToLLChiChi 2HDMa MH-400 Ma-100 MChi-45 [1] 0.0449300 22260.0
Legenda: Nome das amostras de sinal, suas seções de choque e luminosidade integrada.
91
APÊNDICE C – Amostra de fundo
Nessa seção são apresentados as simulações de fundo produzidas pelo CMS e utilizadas nessa análise. São apesentados os nomes
das amostras que compom cada conjunto, suas seções de choques e número de eventos para cada ano.
Sendo
• [1] = MatchEWPDG20 TuneCP5 13TeV-amcatnloFXFX-pythia8
• [2] = JHUGenV7011 pythia8
92
Tabela 8 - Amostras de Drell-Yan, tt̄, Single Top, WZ e ZZ
Nome σ [pb] Número de eventos

2016 2016APV 2017 2018
Amostras de Drell-Yan
DYJetsToLL M-50 TuneCP5 13TeV-amcatnloFXFX-pythia8 6404,0 95237235 92353657 194627557 196039620
DYJetsToLL LHEFilterPtZ-50To100 [1] 397,4 59792819 60848787 123053065 123100779
DYJetsToLL LHEFilterPtZ-650ToInf [1] 0,004728 2018613 1999583 4037720 3994997
Amostras de tt̄
TTTo2L2Nu TuneCP5 13TeV-powheg-pythia8 687,1 43630000 37505000 106724000 146058000
TTToSemiLeptonic TuneCP5 13TeV-powheg-pythia8 687,1 144974000 132178000 355332000 478982000
Amostras de Single Top
ST tW antitop 5f NoFullyHadronicDecays TuneCP5 13TeV-powheg-pythia8 32,51 3654510 3176485 8433998 11015956
ST tW top 5f NoFullyHadronicDecays TuneCP5 13TeV-powheg-pythia8 32,45 3368375 3,294,673 8,507,203 11,270,430
ST t-channel top 5f InclusiveDecays TuneCP5 13TeV-powheg-pythia8 119,7 55783000 56994000 142078000 198569000
ST t-channel antitop 5f InclusiveDecays TuneCP5 13TeV-powheg-pythia8 71,74 29394000 24681000 70203000 99264000
ST s-channel 4f leptonDecays TuneCP5 13TeV-amcatnlo-pythia8 3,549 5471000 5518000 13882000 19365999
Amostras de ZZ
ZZTo2L2Nu TuneCP5 13TeV powheg pythia8 0,06008 15928000 16862000 40839000 56886000
ZZTo4L M-1toInfT uneCP 5 13T eV powheg pythia8 13,74 18155696 19622315 41708429 64107525
Amostras de WZ
WZTo3LNu mllmin4p0 TuneCP5 13TeV-powheg-pythia8 32,51 904000 1080000 2000000 1998000
Legenda: Nome das amostras de fundo, suas seções de choque e número de eventos gerados.
93
Tabela 9 - Amostras de residual

2016 2016APV 2017 2018
Amostras de residual
WZTo2Q2L mllmin4p0 TuneCP5 13TeV-amcatnloFXFX-pythia8 6,419 13,526,954 16,252,564 29,091,996 28,576,996
ZZTo2Q2L mllmin4p0 TuneCP5 13TeV-amcatnloFXFX-pythia8 3,676 13,740,600 16,060,738 29,521,496 29,357,938
WW TuneCP5 13TeV-pythia8 75,95 15,821,000 15,859,000 15,634,000 15,679,000
WWTo2L2Nu TuneCP5 13TeV-powheg-pythia8 11,9 2,900,000 3,018,000 7,098,000 9,994,000
ZZZ TuneCP5 13TeV-amcatnlo-pythia8 0,01476 4,534,000 5,302,000 9,964,000 9,994,000
WZZ TuneCP5 13TeV-amcatnlo-pythia8 0,05709 4,554,000 5,394,000 9,898,000 9,994,000
WWZ 4F TuneCP5 13TeV-amcatnlo-pythia8 0,1651 4,595,000 5,072,000 9,938,400 9,995,999
WWW 4F TuneCP5 13TeV-amcatnlo-pythia8 0,2086 4,243,000 5,190,000 9,964,000 9,894,000
TTWW TuneCP5 13TeV-madgraph-pythia8 0,007003 309,000 278,000 698,000 944,000
TTWZ TuneCP5 13TeV-madgraph-pythia8 0,002441 159,000 140,000 350,000 498,000
TTZZ TuneCP5 13TeV-madgraph-pythia8 0,001386 152,000 140,000 327,000 498,000
TWZToLL thad Wlept 5f DR TuneCP5 13TeV-amcatnlo-pythia8 0,003004 926,000 850,000 2,092,000 2,976,000
TWZToLL tlept Whad 5f DR TuneCP5 13TeV-amcatnlo-pythia8 0,003004 992,000 882,000 2,066,000 2,690,000
TWZToLL tlept Wlept 5f DR TuneCP5 13TeV-amcatnlo-pythia8 0,001501 320,000 284,000 708,000 1,000,000
TTWJetsToLNu TuneCP5 13TeV-amcatnloFXFX-madspin-pythia8 0,2161 3,322,643 2,873,397 7,460,671 10,516,349
TTWJetsToQQ TuneCP5 13TeV-amcatnloFXFX-madspin-pythia8 0,4377 308,983 308,442 655,018 970,179
TTZToQQ TuneCP5 13TeV-amcatnlo-pythia8 0,5104 5,401,000 6,277,000 13,982,000 19,816,000
TTZToLL M-1to10 TuneCP5 13TeV-amcatnlo-pythia8 0,05324 320,000 290,000 707,000 994,000
TTZToNuNu TuneCP5 13TeV-amcatnlo-pythia8 0,1476 1,900,000 1,700,000 4,292,000 5,987,999
ttH HToZZ 4LFilter M125 TuneCP5 13TeV powheg2 JHUGenV7011 pythia8 0,013280949 479,574 478,168 502,103 492,330
Legenda: Nome das amostras de fundo, suas seções de choque e número de eventos gerados. (continuação)
94
Tabela 10 - Amostras de residual (continuação)

2016 2016APV 2017 2018
Amostras de residual
ttHTobb M125 TuneCP5 13TeV-powheg-pythia8 0.5269 4627000 4966000 7825000 9668000
ttHToTauTau M125 TuneCP5 13TeV-powheg-pythia8 0.5269 10789000 10865700 21784000 21621000
GluGluHToWWTo2L2Nu M125 TuneCP5 13TeV powheg2 JHUGenV714 pythia8 21.47 4873000 4494000 6793000 9309000
GluGluHToZZTo4L M125 TuneCP5 13TeV powheg2 [2] 28.87 1000000 1000000 998000 940000
WplusH HToZZTo4L M125 TuneCP5 13TeV powheg2-minlo-HWJ [2] 0.8648 294744 299993 299992 298674
WminusH HToZZTo4L M125 TuneCP5 13TeV powheg2-minlo-HWJ [2] 0.5409 193088 199996 198461 196585
ZH HToBB ZToLL M-125 TuneCP5 13TeV-powheg-pythia8 0.07977 2209078 2664536 4757708 4885835
ZH HToZZ 4LFilter M125 TuneCP5 13TeV powheg2-minlo-HZJ [2] 0.7935 486281 536247 520283 544550
tZq ll 4f ckm NLO TuneCP5 13TeV-amcatnlo-pythia8 0.07561 4048000 3723000 9530000 11916000
Legenda: Nome das amostras de fundo, suas seções de choque e número de eventos gerados. (continuação)
95
96
APÊNDICE D – Lista de triggers
Para que seja possı́vel entender a seleção que é feita por cada trigger, bem
como outros triggers que o leitor possa se deparar no futuro, a seguir é feita uma breve
descrição de como é feita a nomenclatura de um trigger e seu significado.
A nomenclatura de triggers é composta de um conjunto de marcações que
representam informações sobre que tipo de seleção está sendo feita. Por exemplo, o trigger
HLT IsoMu24 é composto de duas marcações, a primeira “HLT” representa que ele faz
parte de algum dos paths disponı́veis na etapa do High Level Trigger, como mencionado
na seção 2.3. Já o “IsoMu24” representa que serão selecionados eventos que contenham
pelo menos um múon isolado com um momento transversal (pT ) superior a 24 GeV/c.
Tabela 11 - Triggers de seleção de 2016
Seleção Nome
HLT IsoMu24
Um múon HLT IsoTkMu24
HLT Mu50
HLT Mu17 TrkIsoVVL Mu8 TrkIsoVVL*
Dois múons
HLT Mu17 TrkIsoVVL TkMu8 TrkIsoVVL*
HLT Ele35 WPTight Gsf
Um elétron
HLT Ele115 CaloIdVT GsfTrkIdT
Dois elétrons HLT Ele23 Ele12 CaloIdL TrackIdL IsoVL DZ
Um elétron e HLT Mu8 TrkIsoVVL Ele23 CaloIdL TrackIdL IsoVL*
um múon HLT Mu23 TrkIsoVVL Ele12 CaloIdL TrackIdL IsoVL*
Legenda: Nome e descrição dos triggers de seleção adotados pro ano de 2016
Existem mais marcações como “EleXX” e “MuXX” que representam seleções

com base no momento do elétron e múon com mais de XX GeV/c, respectivamente. Como
também existem “METXX”, “HTXX” e “MHTXX” que indicam seleção com base na
energia transversal faltante, energia transversal hadrônica e energia transversal hadrônica
faltante com mais do que XX GeV/c, respectivamente.
É possı́vel que haja prefixos nessas marcações, como é o caso de “PF”, para
o caso de ter sido empregado o algoritmo particle-flow, “Iso” para o caso de partı́culas
isoladas , “Tk” para o caso de partı́culas que foram reconstruı́das utilizando os traços do
detector de traços e “No” para o caso de desconsiderar a partı́cula na reconstrução do
evento.
Marcações mais complexas, como “TrkIsoVVL”, “WPTight”, “IDTight” e
97
Tabela 12 - Trigger de auxiliar de de 2016
Nome
HLT PFMET300
HLT MET200
HLT PFHT300 PFMET110
HLT PFMET170 HBHECleaned
HLT PFMET120 PFMHT120 IDTight
HLT PFMETNoMu120 PFMHTNoMu120 IDTight
Legenda: Nome e descrição dos triggers de referência pro ano de 2016
Seleção Nome
HLT IsoMu27
Um múon
HLT Mu50
Dois múons HLT Mu17 TrkIsoVVL Mu8 TrkIsoVVL DZ Mass8
Um elétron HLT Ele35 WPTight Gsf
HLT Ele23 Ele12 CaloIdL TrackIdL IsoVL
Dois elétrons
HLT DoubleEle33 CaloIdL MW
Um elétron e HLT Mu8 TrkIsoVVL Ele23 CaloIdL TrackIdL IsoVL DZ
um múon HLT Mu23 TrkIsoVVL Ele12 CaloIdL TrackIdL IsoVL DZ
Legenda: Nome e descrição dos triggers principais pro ano de 2017
“Gsf” indicam isolamento no detector de traços no rigor muito solto (Tracker isolation
very very loose), identificação de um objeto utilizando o critério de seleção rigoroso (Wor-
king Point Tight), identificação dos objetos na seleção rigorosa (Identification Tight) e
uso do filtro Gsf (Gaussian-sum Filter ) (ADAM et al., 2005b), respectivamente.
Marcações como “CaloIdL”, “IsoVL” e “DZ” significam, respectivamente, iden-
tificação dos objetos nos calorı́metros no rigor solto, isolamento dos objetos no rigor muito
solto e aplicado um veto quanto a distância dos objetos no eixo Z.
Por fim há as marcações “HBHECleaned” e “GsfTrkIdT” que representam a
aplicação de um filtro para diminuir o ruı́do proveniente do HB e do HE, e a utilização
do algoritmo Gsf na identificação dos traços na seleção rigorosa, respectivamente.
98
Seleção Nome
HLT IsoMu24
Um múon
HLT Mu50
Dois múons HLT Mu17 TrkIsoVVL Mu8 TrkIsoVVL DZ Mass3p8
HLT Ele32 WPTight Gsf
Um elétron
HLT Ele115 CaloIdVT GsfTrkIdT
Dois elétrons HLT Ele23 Ele12 CaloIdL TrackIdL IsoVL
Um elétron e HLT Mu8 TrkIsoVVL Ele23 CaloIdL TrackIdL IsoVL DZ
um múon HLT Mu23 TrkIsoVVL Ele12 CaloIdL TrackIdL IsoVL
Legenda: Nomes e descrições dos triggers de seleção de 2018
Tabela 15 - Triggers de referência de 2017 e 2018
Nome
HLT PFMET200 HBHECleaned
HLT PFMET200 HBHE BeamHaloCleaned
HLT PFMETTypeOne200 HBHE BeamHaloCleaned
HLT PFMET120 PFMHT120 IDTight
HLT PFMET120 PFMHT120 IDTight PFHT60
HLT PFHT500 PFMET100 PFMHT100 IDTight
HLT PFMETNoMu120 PFMHTNoMu120 IDTight
HLT PFMETNoMu120 PFMHTNoMu120 IDTight PFHT60
Legenda: Nomes e descrições dos triggers de referência de 2017 e 2018
99
APÊNDICE E – Gráficos de ortogonalidade
Os gráficos de ortogonalidade utilizado para mensurar o fator de correção α

são gráficos que contém informação sobre os eventos que passaram pela primeira seleção
(chamaremos de seleção 1), pela segunda seleção (chamaremos de seleção 2), por ambas
as seleções ao mesmo tempo, por nenhuma delas ao mesmo tempo e o número de eventos
total. Um exemplo desse tipo de gráfico pode ser visto a seguir.
Figura 41 - Exemplo de um gráfico de correlação
Legenda: Exemplo de gráfico de correção, onde é possı́vel ver o número de eventos que
passaram pela seleção 1 e 2 ao mesmo tempo (40), número de eventos que passaram
pela seleção 1 (40+16), número de eventos que passaram pela seleção 2 (40+10),
número de eventos que não passaram por nenhuma seleção (4) e número de eventos
totais (10+40+16+4)
A partir dos valores adquiridos pelo gráfico 41 podemos utilizar a equação 20

e mensurar o valor de alpha, sendo
40 + 16 56
ϵseleção 1 = = = 0, 8 (37)
10 + 40 + 16 + 4 70
10 + 40 50
ϵseleção 2 = = = 0, 714285714 (38)
10 + 40 + 16 + 4 70
100
40 40
ϵseleção 1e2 = = = 0, 571428571 (39)
10 + 40 + 16 + 4 70
aplicando na equação 20, temos
0, 8 × 0, 714285714 0, 571428571
α= = =1 (40)
0, 571428571 0, 571428571
Através dos valores presentes no gráfico de correlação foi possı́vel encontrar o

valor de α, provando que a seleção 1 e seleção 2 são ortogonais. Para o caso dos conjuntos
de triggers abordados na seção 4.1.1, teremos os os gráficos 43, 44 e 46, para 2016, 2017 e
2018, respectivamente. Foram acrescentados nesses gráficos os valores dos α encontrados.
Figura 42 - Gráficos de correlação do conjunto principal para os dados do ano de 2016
(a) (b) (c)
Legenda: São apresentados o gráfico de correlação no canal eµ (a),ee (b) e µµ (c)

adquiridos considerando a seleção do grupo principal para os dados do ano de
2016
101
Figura 43 - Gráficos de correlação do conjunto principal para a simulação do ano de 2016
(a) (b) (c)

adquiridos considerando a seleção do grupo principal para a simulação do ano
de 2016
(a) (b) (c)

2017
E.1 Estudo de ortogonalidade de cada trigger do conjunto auxiliar

102
(a) (b) (c)

de 2017
(a) (b) (c)

2018
103
(a) (b) (c)

de 2018
104
Figura 48 - Gráficos de correlação individual dos triggers do conjunto auxiliar nos dados
pro ano de 2016 (1/2)
Legenda: Gráficos de correlação dos triggers auxiliares nos dados no ano de 2016.
105
pro ano de 2016 (2/2)
106

simulação pro ano de 2016 (1/2)
107

Legenda: Gráficos de correlação dos triggers auxiliares nos dados na simulação de 2016.
108
pro ano de 2017 (1/3)
Legenda: Gráficos de correlação dos triggers auxiliares nos dados no ano de 2017. Todos
apresentam valor de α próximo de um
109
pro ano de 2017 (2/3)
110
pro ano de 2017 (3/3)
111

Legenda: Gráficos de correlação dos triggers auxiliares na simulação pro ano de 2017
112

Legenda: Gráficos de correlação dos triggers auxiliares nos dados no ano de 2017
113

Legenda: Gráficos de correlação dos triggers auxiliares nos simulação no ano de 2017
114
pro ano de 2018 (1/3)
115
pro ano de 2018 (2/3)
116
pro ano de 2018 (3/3)
117

Legenda: Gráficos de correlação dos triggers auxiliares na simulação pro ano de 2018
118

Legenda: Gráficos de correlação dos triggers auxiliares nos dados no ano de 2018
119

Legenda: Gráficos de correlação dos triggers auxiliares nos simulação no ano de 2018
120
APÊNDICE F – Gráficos de eficiência e Nef f
Figura 64 - Comportamento da eficiência e respectivos valores de Nef f no canal ee pro

ano de 2016
(a) (b) (c)
(d) (e) (f)
121
Figura 65 - Comportamento da eficiência e respectivos valores de Nef f no canal µµ no

ano de 2016
(a) (b) (c)
(d) (e) (f)
122
Figura 66 - Comportamento da eficiência e respectivos valores de Nef f no canal eµ pro

ano de 2016
(a) (b) (c)
(d) (e) (f)
123
Figura 67 - Comportamento da eficiência e respectivos valores de Nef f no canal ee pro

ano de 2017
(a) (b) (c)
(d) (e) (f)
124
Figura 68 - Comportamento da eficiência e respectivos valores de Nef f no canal µµ no

ano de 2017
(a) (b) (c)
(d) (e) (f)
125
Figura 69 - Comportamento da eficiência e respectivos valores de Nef f no canal eµ pro

ano de 2017
(a) (b) (c)
(d) (e) (f)
126
APÊNDICE G – Gráficos de Fator de Correção e incerteza estatı́stica
(a) (b) (c)

(a) (b) (c)

127
G.1 Incerteza estatı́stica inferior e superior do fator de correção
Figura 72 - Incertezas estatı́stica superior e inferior do fator de correção de 2016
Legenda: Na primeira linha estão presentes as incertezas estatı́sticas superior do fator de

correção, enquanto que na segunda linha então presentes as incertezas
inferiores. A primeira coluna são as incertezas do canal µµ, a segunda coluna é
o canal eµ e a ultima é do cana ee
128
Figura 73 - Incertezas estatı́stica superior e inferior do fator de correção de 2017
Legenda: Na primeira linha estão presentes as incertezas estatı́sticas superior do fator de

correção, enquanto que na segunda linha então presentes as incertezas
inferiores. A primeira coluna são as incertezas do canal µµ, a segunda coluna é
o canal eµ e a ultima é do cana ee
129
APÊNDICE H – Incerteza sistemática dos fatores de correção
H.1 Incerteza das Eras
Figura 74 - Incertezas sistemática das eras de 2016
(a) (b) (c)
Legenda: Mapas com valores da incerteza sistemática provenientes do método das eras
do canal ee (c), eµ (b) e µµ (a).
(a) (b) (c)
130
(a) (b) (c)
H.2 Incerteza sistemática das regiões
H.3 Incerteza sistemática final

131
Figura 77 - Mapas de diferença de valores do fator de correção adquiridos em diferentes

regiões para 2016 (1/2)
Legenda: Mapas com a diferença entre o fator de correção e o fator de correção nas
diferentes regiões e canais. Temos a região METHigh, METLow e NJetsHigh
na 1,2 e 3 linha respectivamente. E o canal ee, eµ e µµ na 1, 2 e 3 coluna,
respectivamente.
132

diferentes regiões e canais. Temos a região NJetLow, nPVHigh e nPVLow na
1,2 e 3 linha respectivamente. E o canal ee, eµ e µµ na 1, 2 e 3 coluna,
respectivamente.
133

respectivamente.
134

respectivamente.
135

respectivamente.
136

respectivamente.
137
Figura 83 - Mapas com os valores finais de incerteza sistemática para os anos de 2016 e
2017
Legenda: Mapas com os valores finais de incerteza sistemática. Na linha 1 e 2 teremos os

valores pro ano de 2016 e 2017. E para a coluna 1, 2 e 3, teremos os canais ee,
eµ e µµ respectivamente.

Dissertação Mestrado MatheusCosta ALTERADO - 16

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Dissertação Mestrado MatheusCosta ALTERADO - 16

Enviado por

Direitos autorais:

Formatos disponíveis

Universidade do Estado do Rio de Janeiro

Centro de Tecnologia e Ciências

Estimativa da eficiência de triggers na análise de dados da

Estimativa da eficiência de triggers na análise de dados da busca por matéria

Dissertação apresentada, como requisito par-

Orientador: Prof. Dra. Helena Brandão Malbouisson

D979 Reis, Matheus

Orientador: Prof. Dra. Helena Brandão Malbouisson

1. Matéria escura.. 2. Experimento CMS.. 3. Trigger.. I. Prof.

Estimativa da eficiência de triggers na análise de dados da busca por matéria

Dissertação apresentada, como requisito par-

Prof. Dra. Helena Brandão Malbouisson (Orientador)

Prof. Dr. Dilson de Jesus Damião (Coorientador)

Prof. Dr. Antonio Vilela Pereira

Prof. Dr. Sandro Fonseca de Souza

Prof. Dra. Erica Ribeiro Polycarpo Macedo

Prof. Dr. Thiago Rafael Fernandez Perez Tomei

Dr. Gilson Correia Silva

Agradeço à minha famı́lia, principalmente meus pais, Vanda Lucia e Claudio

Neste trabalho, são apresentados os passos feitos para se medir o fator de

REIS, M. C. Estimativa da eficiência de triggers√ na análise de dados da busca por

Palavras-chave: Matéria escura. Experimento CMS. Trigger.

REIS, M. C. Estimation of trigger

Keywords: Dark Matter. Experiment CMS. Trigger.

Figura 1 - Modelo padrão das partı́culas elemetares . . . . . . . . . . . . . . . . . 18

Tabela 1 - Pontos de sinal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47

MP Modelo padrão das partı́culas elementares

A fı́sica de altas energias é um ramo da fı́sica que estuda as estruturas funda-

Compact Muon Solenoid, dos sub-detectores e o processo de reconstrução dos objetos

1.1 Modelo Padrão das partı́culas elementares

A fı́sica de altas energias é um ramo da fı́sica que estuda as partı́culas funda-

Figura 1 - Modelo padrão das partı́culas elemetares

Legenda: Os três grupos de partı́culas fundamentais e seus membros.

1.1.1 Quarks, léptons e Bósons

Os quarks são partı́culas fundamentais, sem estrutura interna e de spin fracio-

Figura 2 - Confinamento dos quarks

Legenda: Esquema da atuação da força forte, na produção de quarks impedindo que se

A força fraca tem como partı́culas mediadoras o W+, W- e Z. Ela é responsável

1.1.2 Origem do bóson de Higgs no MP

A construção do MP baseia-se na teoria quântica de campos, que por sua vez

O desenvolvimento do campo de Higgs resulta em um campo escalar massivo, três campos

1.2 Matéria Escura

Figura 3 - Registro de uma lente gravitacional

Legenda: Deformação no espaço-tempo causada pela presença de um corpo de grande

1.2.1 Modelo com dois dubletos de Higgs

O modelo 2HDM é uma teoria além do MP que adiciona um segundo dubleto

onde Φ1 e Φ2 representam, cada, um dubletos contendo os campos complexos (ϕ+

A0 = cos βη2 − sin βη1 , (6)

H = − sin αh2 − cos αh1 , (7)

h = cos αh2 − sin αh1 , (8)

e α e β são os ângulos de rotação, onde tan(β) = v1 /v2 e α é responsável por diagonalizar

1.2.2 Busca por matéria escura através do processo bb̄H → Za → l¯lχχ̄

Inicialmente consideramos que a matéria escura (χ) são férmions de Dirac,

onde ma0 e yχ representam a massa do pseudo escalar a0 e o acoplamento de Yukawa do

Figura 4 - Decaimento do processo bb̄H → Za → l¯lχχ̄

Legenda: Diagrama da produção de matéria escura (χχ̄) através do decaimento do Higgs

O estudo das propriedades de partı́culas é amplamente realizado por meio

O LHC (Large Hadron Collider), situado na fronteira entre a França e a Suı́ça,

2.1.1 Sequência de aceleração

Os feixes de partı́culas carregadas de prótons são produzidos a partir de gás

Figura 5 - Complexo de aceleradores do CERN

Legenda: Desenho ilustrativo dos estágios percorridos pelas partı́culas no complexo de

A sequência de aceleradores empregados, sua descrição e a energia que os feixes