UNIVERSIDADE FEDERAL DE RIO GRANDE

IMEF - INSTITUTO DE MATEMÁTICA, ESTATÍSTICA E FÍSICA

CURSO BACHEREL EM FÍSICA

LUAN SODRÉ DE AGUIAR

A ESTATÍSTICA BAYESIANA COMO MÉTODO PARA

IDENTIFICAÇÃO DE PARTÍCULAS

PROJETO PARA TRABALHO DE CONCLUSÃO DE CURSO

RIO GRANDE
2019
 LUAN SODRÉ DE AGUIAR

A ESTATÍSTICA BAYESIANA COMO MÉTODO PARA

IDENTIFICAÇÃO DE PARTÍCULAS

RIO GRANDE
2019
 SUMÁRIO

1 – INTRODUÇÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1

2 – Estrutura do Trabalho . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
2.1 Introdução a Fı́sica de Partı́culas . . . . . . . . . . . . . . . . . . . . . . . 2
2.1.1 Historiografia da Fı́sica de Partı́culas Moderna. . . . . . . . . . . . . 2
2.1.2 Modelo Padrão da Fı́sica de Partı́culas . . . . . . . . . . . . . . . . 2
2.1.2.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . 2
2.1.2.2 Partı́culas Elementares . . . . . . . . . . . . . . . . . . . 2
2.2 As Quatro Forças Fundamentais e Seus Meios de Interação . . . . . . . . . 2
2.2.1 Eletrodiâmica Quântica (QED) e Cromodinâmica Quântica (QCD) . 2
2.3 Léptons, Quarks e Hádrons . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.4 Mapa Conceitual do Modelo Padrão . . . . . . . . . . . . . . . . . . . . . . 3
2.5 Detectores de Partı́culas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.6 Estatı́stica Bayesiana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.6.1 Teorema de Bayes a Partir de Propriedades Básicas de Probabilidade 4
2.6.2 Inferência Sobre um Conjunto de Dados Experimentais, Usando Dados
em Sequência. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.6.3 Distribuição a Priori e Posteriori. . . . . . . . . . . . . . . . . . . . 4
2.6.4 Generalização do Teorema de Bayes Para N Quantidades de Interesse. 4
2.6.5 Análise Bayesiana de Dados Originados de Múltiplas Fontes. . . . . . 4
2.7 Teorema Bayes na Fı́sica de Partı́culas . . . . . . . . . . . . . . . . . . . . 4
2.7.1 Forma do Teorema de Bayes Para Identificação de Partı́culas . . . . . 4
2.7.2 Eficiência do Método Frente a Contaminação . . . . . . . . . . . . . 5
2.7.3 Critérios de Seleção de Partı́culas Pela Probabilidade Bayesiana . . . 5
2.7.4 Análise de resultados da aplicação do método Bayesiano na fı́sica de
partı́culas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

3 – Justificativa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6

4 – O Que Já Foi Feito . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8

Referências . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
 1

1 INTRODUÇÃO

Esse trabalho tem como objetivo principal uma análise sobre o processo de identificação
de partı́culas em colisões ultra relativı́sticas através do teorema de Bayes. O que o teorema se
propõem a fazer é dar uma nova interpretação para as proposições utilizadas no cálculo de
probabilidades, vendo-as como, hipóteses e eventos.
Na aplicação para fı́sica de partı́culas veremos que esses eventos serão os sinais emitidos
pelos detectores, e as hipóteses, proporções de partı́culas esperadas em um sinal.
O grande desafio do método é a formulação dessas proporções, ou seja, a formulação
de modelos que representem a distribuição das partı́culas (que gera uma proporção quando é
feita uma análise com restrição de domı́nio) em determinado sinal. Hoje esses modelos são
retirados de dados previamente obtidos com método de Monte Carlo, que implica que os
resultados obtidos por Bayes no fundo serão apenas um ’espelho’ dos resultados obtidos pelo
método de Monte Carlo, tendo em vista que não há uma nova formulação para as proporções,
pois como já dito as mesmas vem de dados previamente obtidos.
Apesar disso o teorema de Bayes nos trás na sua aplicação resultados diferentes a
serem explorados, como por exemplo, um sinal de ’background’ maior.
Esse trabalho busca também discutir como o teorema pode ser usado de maneira a
contribuir para a possibilidade da descoberta de novas partı́culas, que seria possı́vel se em vez
de dados pré obtidos, se usasse uma formulação probabilı́stica para a proporção das partı́culas
em certos domı́nios. Possı́bilidade discutida com mais detalhes na conclusão.
O desenvolvimento do trabalho segue três pilares: A compreensão do modelo padrão
da fı́sica de partı́culas, a demonstração da dedução do teorema de Bayes através de conceitos
básicos de probabilidade e o passo a passo da sua utilização nos dados obtidos pelos detectores,
para finalmente trazer uma comparação entre resultados obtidos no ALICE (A Large Ion Collider
Experiment), com o método de Bayes e de Monte Carlo.
 2

2 Estrutura do Trabalho

2.1 Introdução a Fı́sica de Partı́culas

2.1.1 Historiografia da Fı́sica de Partı́culas Moderna.

Através da historiografia será demonstrado como a evolução dos conceitos de ele-

mentaridade levaram ao descobrimento do átomo, e posteriormente a formulação da fı́sica de
partı́culas e do modelo padrão. Essa sessão tem como objetivo principal introduzir o leitor o
tema da fı́sica de partı́culas através da história, e instiga-lo ao estudo da área por meio da
história e suas peculiaridades.

2.1.2 Modelo Padrão da Fı́sica de Partı́culas

2.1.2.1 Introdução

Será apresentada uma introdução breve do modelo padrão trazendo um panorama

geral da teoria e suas implicações. O objetivo é de introduzir o tema de maneira formal, trazendo
um conjunto de seus principais conceitos, e também de acostumar o leitor os termos utilizados
na área.

2.1.2.2 Partı́culas Elementares

Será abordado de maneira mais detalhada as partı́culas que compõem o modelo padrão,
como interagem entre si e os mecanismos que regem sua dinâmica. Mais uma vez o capı́tulo
tem objetivo introdutório, apenas para integrar o leitor a um nı́vel mais técnico do tema. As
propriedades são colocadas e esmo, sua discussão de maneira mais assı́dua será feita no decorrer
do trabalho.

2.2 As Quatro Forças Fundamentais e Seus Meios de Interação

Abordaremos as teorias por trás das quatro forças fundamentais que regem a dinâmica
do universo, além da introdução do conceito de partı́culas mediadoras de força.

2.2.1 Eletrodiâmica Quântica (QED) e Cromodinâmica Quântica (QCD)

Como os fenômenos eletromagnéticos e ’fortes’ (relacionados a forças fortes) são

explicados ao nı́vel mais fundamental de constituição da matéria? Essa sessão é dedicada a
resposta dessa questão. Trazendo os diagramas de Feynman como ferramenta para a construção
de processos que geram os campos fortes e eletromagnéticos.
Capı́tulo 2. Estrutura do Trabalho 3

2.3 Léptons, Quarks e Hádrons

O objetivo dessa sessão é de aprofundar o estudo das partı́culas elementares (quarks e

léptons) e dos hádrons, além de trazer em um nı́vel mais formal a dinâmica de seus processos
de decaimento, e interativos com as demais partı́culas. Na seguinte sequência: léptons, quarks
e hádrons.
Para os léptons abordaremos de maneira mais detalhada como o vértice fundamental
das interações fracas e neutras explicam seus decaimentos. Além da introdução de como o
conceito de neutralidade de cor implica na maneira em que as partı́culas se dinamizam nos
campos de força.
Já os quarks começaremos com a explanação de seus sabores e de algumas de suas
propriedades, para então adentrar ao estudo da flavordynamics (dinâmica de sabores na
tradução livre), e a discussão de algumas propriedades peculiares da QCD como por exemplo,
o confinamento.
E em fim abordaremos os hádrons, seus tipos composições e propriedades, além de
uma discussão mais profunda da propriedade cor e suas consequências.

2.4 Mapa Conceitual do Modelo Padrão

Nessa sessão será resumido o modelo padrão atrávez de um mapa, começando por
um mapa das partı́culas elementares, para depois um mapa das partı́culas mediadoras de força
e finalmente um mapa geral do modelo padrão ligando as partı́culas elementares as interações
fundamentais de força.

2.5 Detectores de Partı́culas

Nessa sessão iremos discutir o funcionamento dos detectores de partı́culas tomando

como referência os detectores que compõem o LHC (Large Hadron Collider), que é atualmente
o colisor de partı́culas com tecnologias de aceleração e detecção mais sofisticadas, também pelo
fato do artigo utilizado como referência nessa monografia ser da análise de dados da ALICE (A
Large Ion Collider Experiment), que faz parte do conjunto de aceleradores que compoem o
LHC.
Como o processo de detecção é feito por etapas, o objetivo dessa sessão será o
exemplificamento do funcionamento de cada uma delas e dos métodos utilizados pelas mesmas
para a idenficação das partı́culas. As etapas são por ordem: câmara de rastreamento, calorı́metro
eletromagnético, calorı́metro de hádrons e detector de múons.
Capı́tulo 2. Estrutura do Trabalho 4

2.6 Estatı́stica Bayesiana

2.6.1 Teorema de Bayes a Partir de Propriedades Básicas de Probabilidade

Através das propriedades básicas de probabilidades para duas proposições deduziremos

o teorema de Bayes com conjuntos exaustivos e mutuamente exclusivos. O objetivo é evidenciar
como o teorema de Bayes trabalha, para ficar clara suas possibilidades de aplicação.

2.6.2 Inferência Sobre um Conjunto de Dados Experimentais, Usando Dados em Sequência.

Demonstraremos que caso os eventos sejam independentes, a ordem em que as

observações e dados são processados não altera o resultado. Assim sendo, os dados podem ser
processados simultaneamente.

2.6.3 Distribuição a Priori e Posteriori.

Como uma distribuição a priori para uma quantidade de interesse, deve representar
probabilisticamente o conhecimento que se tem da mesma, antes da realização do experimento.
E uma distribuição a posteriori, fornece uma descrição completa do nosso atual estado de
conhecimento acerca dessa quantidade, após o processamento dos dados disponı́veis. Essas
questõens serão abordadas nesta sessão.

2.6.4 Generalização do Teorema de Bayes Para N Quantidades de Interesse.

Generalizaremos o teorema de Bayes para o caso onde há um conjunto de parâmetros

de interesse.

2.6.5 Análise Bayesiana de Dados Originados de Múltiplas Fontes.

Discutiremos como o método é utilizado para determinar as proporções com que

diferentes tipos fontes contribuem na composição de uma determinada amostra de dados.

2.7 Teorema Bayes na Fı́sica de Partı́culas

Demonstraremos como mudança na interpretação dos dados gerados em um colisor

nos permite utilizar o teorema de Bayes como método para identificação de partı́culas.

2.7.1 Forma do Teorema de Bayes Para Identificação de Partı́culas

Demonstraremos a construção do teorema de Bayes para a identificação de partı́culas

em uma colisão ultra relativı́stica. Para tal, utilizaremos o desvio médio do sinal esperado
para uma determinada espécie de partı́culas, de maneira que possamos construir a forma da
probabilidade condicional entre a partı́cula e o sinal.
Capı́tulo 2. Estrutura do Trabalho 5

2.7.2 Eficiência do Método Frente a Contaminação

Discutiremos a eficiência do método através da proporção de partı́culas de uma dada

espécie que são identificadas corretamente. E como a contaminação depende diretamente da
hipótese utilizada para a proporção das partı́culas. Além do fato de que quanto mais a hipótese
se aproximar da verdadeira, maior será a minimização da contaminação.

2.7.3 Critérios de Seleção de Partı́culas Pela Probabilidade Bayesiana

Discutiremos os critérios de seleção de partı́culas dada a probabilidade Bayesiana para

cada espécie, dando foco no limiar fixo de probabilidade. Onde se a probabilidade da partı́cula
ser um kaon, por exemplo, for maior de cinquenta por cento a partı́cula é aceita como um
kaon, e no caso de ser menor o resultado pode nos levar a múltiplas identidades possı́veis.

2.7.4 Análise de resultados da aplicação do método Bayesiano na fı́sica de partı́culas

Essa sessão tem como objetivo a discussão dos resultados da aplicação do método
de Bayes na fı́sica de partı́culas, com uma análise dos dados obtidos no ALICE (A Large Ion
Collider Experiment) [1], junto com a comparação do método de Bayes com o método clássico
de Monte Carlo, assim discutindo suas vantagens e desvantagens
 6

3 Justificativa

Além das possı́veis implicações do método estatı́stico de Bayes na identificação de

novas partı́culas através da proposta de modelos de distribuição (novas proporções), o método
em si pode ser útil em diversas áreas e problemas da fı́sica, como por exemplo, na identificação
de buracos negros por meio do dinamismo intergaláctico (Astrofı́sica) ’as hipóteses seriam dadas
através de uma teoria para a distribuição da massa no universo, e os eventos seriam então os
dados obtidos da dinâmica de sistemas intergalácticos’. Ou então na escolha de determinadas
radiações para tratamento de tumores (Fı́sica médica) ’nesse caso as hipóteses seriam as
possı́veis proporções da frequência de radiação que melhor tratariam um determinado tumor, e
os eventos, resultados obtidos com cada uma dessas proporções em diferentes pacientes’.
Perceba que a compreensão das probabilidades tem uma relação direta com o dina-
mismo caótico das interações fı́sicas. Na astrofı́sica tal caoticidade vem de infinitas hipóteses
para a distribuição de massa e a sua correlação com os dados reais obtidos (lembrando que em
geral também são dados obtidos de dinâmicas caóticas). No exemplo dado da fı́sica médica
de a caoticidade vem infinitas combinações de frequências possı́veis para o tratamento de um
tumor especı́fico, além do fato dos eventos, que nesse caso seriam dados pelas respostas de um
paciente a determinados tipos de radiação, ser também caótico, pois cada corpo pode gerar
diferentes respostas ao mesmo tipo de tratamento.
No caso em interesse a ser estudado tal dinamismo caótico vem em forma de infinitas
hipóteses para a proporção das partı́culas em uma colisão relativı́stica, tal proporção é impossı́vel
de ser feita a um nı́vel exato, pois o comportamento a nı́vel quântico é absolutamente caótico,
efeitos como tunelamento por exemplo já impedem tal cálculo de ser feito. O que o modelo
probabilı́stico de Bayes para fı́sica de partı́culas busca, é através da análise dos dados correlacionar
uma de infinitas possibilidades de se encontrar uma espécie partı́cula, aos dados obtidos (lembre
que essa possibilidade vem da proporção dada pela hipótese a ser utilizada). Através dessa
análise fica claro como esse método é poderoso, pois existe uma ligação direta do quanto a
resposta do método é precisa, e quanto a hipótese se aproxima da real distribuição de partı́culas,
e tal distribuição é dada por uma teoria fı́sica, logo o que o método pode nos dar (caso o modelo
probabilı́stico para a hipótese seja construı́do de maneira correta) é o quanto a teoria fı́sica que
implica em uma certa distribuição de partı́culas (lembre que a distribuição é a responsável pela
proporção), se aproxima da realidade.
Além do aprendizado do método em si, o trabalho também abrange uma discussão
sobre a formulação dos modelos probabilı́sticos de representações das proporções (geradas por
uma hipótese, baseada em uma teoria fı́sica), parte essencial para compreensão de possı́veis
novas aplicações do método, e seu aprimoramento como ferramenta de detecção de partı́culas.
Perceba que o método de Bayes pode ser uma ferramenta útil para validação de novas
teorias e o mais impressionante que pode faze-la através de, por exemplo, a identificação de
Capı́tulo 3. Justificativa 7

uma nova partı́cula.

Para compreender como tal fato é possı́vel, basta lembrar que uma nova teoria
abrangeria uma nova distribuição de partı́culas, mudando assim suas proporções no momento
da colisão. E como foi explicado, quanto mais a hipótese se aproxima da real distribuição,
mais fidedigna seu resultado se torna, sendo assim um modelo probabilitório que represente
melhor a realidade seria capaz de identificar novas partı́culas, caso de fato seu sinal chegue
aos detectores, possibilidade essa extremamente provável tendo em vista o grande número de
partı́culas emitidas em um colisor de ı́ons ultra-relativisticos, onde partı́culas mais energéticas
podem por exemplo, podem sobrepor o sinal de partı́culas menos energéticas, ou então partı́culas
com um tempo de vida maior sobrepor o sinal de partı́culas com tempo de vida menor. Mesmo
sobreposto caso a partı́cula com sinal debilitado (pela sobreposição), tenha seu sinal de fato
captado pelo detector, e o modelo probabilı́stico a preveja sua existência, então o teorema de
Bayes será capaz de detecta-la, pois se tal partı́cula é prevista na proporção e a mesma é bem
formulada probabilisticamente, o teorema então terá uma previsão de como os sinais de cada
uma interagem entre si, sendo capaz assim de identifica-la.
Lembrando é claro que tudo isso depende de três fatores principais. A teoria fı́sica em
si, e o quanto a mesma representa a realidade. A interpretação da proporção das partı́culas
devido a essa teoria. E a formulação do modelo probabilı́stico que represente essa proporção.
Fica claro as dı́ficuldades envolvidas na exploração dessas possı́bilidades, tendo em vista
a junção de três áreas da fı́sica, Fı́sica de Partı́culas Teórica (Responsável pela formalçao das
teorias), Fı́sica de Partı́culas experimental (responsável pela compreensão dos experimentos e da
retirada de seus dados), e Fı́sica estatı́stica (responsavél pela criação do modelo probabilı́stico
que represente fidedignamente proporção devido a teoria).
Lembrando que esse trabalho não tem como objetivo a formulação de tal modelo,
apenas de compreender como o método é utilizado atualmente nos colisores, e como o mesmo
pode ser usado para a descoberta de novas partı́culas.
O Intuito é de compreender cada etapa, deis da formulação do teorema de Bayes,
a compreensão do modelo padrão (teoria mais concreta na atualidade), e posteriormente
a formulação da hipótese das proporções das partı́culas na colisão, e como as mesmas são
utilizadas no teorema para identificar as partı́culas. E por final utilizar dos dados hoje existentes
retirados através do método de identificação de Bayes e compara-los com os dados obtidos
pelo método de monte Carlo (método mais comumente usado).
Para assim ter uma base teórica e estatı́stica suficiente para nas próximas etapas de
formação entrar em um estudo mais assı́duo de tais possibilidades discutidas a cima.
 8

4 O Que Já Foi Feito

Sessão Já escrito Já Estudado Não estudado

Historiografia da Fı́sica de Partı́culas x
Modelo Padrão da Fı́sica de Partı́culas x
Eletrodinâmica Quântica x
Cromodinâmica Quântica x
Léptons x
Quarks x
Hádrons x
Mapa Conceitual do Modelo Padrão x
Detectores de Partı́culas x
Dedução do Teorema de Bayes [2.6.1] x
Interferência Sobre um Conjunto de Dados x
Distribuição a Priori e a posteriori x
Generalização do Teorema de Bayes [2.6.4] x
Análise de Dados de Múltiplas Fontes x
Teorema de Bayes na Fı́sica de Partı́culas x
Eficiência do método frente a contaminação x
Critérios de Seleção de Partı́culas x
Análise de Resultados da Aplicação do Método x
 9

Referências

1 - G.DAVID, Introduction to Elementary Particles. 2 ed, WILEY-VCH Verlag GmbH Co.KGaA.

12/2008.
2 - BORGES Denise, SAMPAIO Jalves ,ANDRÉ Luiz .INTRODUÇÃO À FÍSICA DE PARTÍ-
CULAS. Universidade Federal do Rio Grande do Sul. pg1-17.
3 - MOREIRA,MARCO. O Modelo Padrão da Fı́sica de PartÍculas. Revista Brasileira de Ensino
de Fısica, v. 31, n. 1, 1306 (2009).
4 - CARVALHO, Wagner. Introdução à Fı́sica de Partı́culas. Universidade Estadual do Rio de ja-
neiro. disponivel em: http://dfnae.fis.uerj.br/twiki/pub/DFNAE/IntroFisParticulas/I.ConceitosBasicos.pdf
. 07/2019.
5 - CARVALHO, Felipe. Métodos Sequencias de Monte Carlo Bayesianos: Aspectos Computa-
cionais, Inferenciais e Aplicações.Universidade Federal de Minas Gerais. pg1-196. 07/2016.
6 - ARNEDO, Eder. MÉTODOS DE ESTATÍSTICA BAYESIANA E MÁXIMA ENTROPIA APLI-
CADOS NA ANÁLISE DE DADOS EM EVENTOS DE RAIOS CÓSMICOS. UNIVERSIDADE
ESTADUAL DE CAMPINAS.pg1-134. 2017.
7 - The Alice Collaboration. Particle identification in ALICE: a Bayesian approach. Eur. Phys.
J. Plus (2016) 131: 168.
2. I.Belikov, P. Hristov, M. Ivanov, T. Kuhr. BAYESIAN APPROACH FOR COMBINED PAR-
TICLE IDENTIFICATION IN ALICE EXPERIMENT AT LHC.CERN, Geneva, Switzerland.pg
423-426.