⚛️ high-energy experiments

Goodness-of-fit for multi-distribution neutrino cross-section measurements with shared events

Este artículo introduce el estadístico de prueba $\chi^{2}$ proyectado en el rango para resolver resultados de bondad de ajuste no físicos en mediciones de secciones eficaces de neutrinos de múltiples distribuciones causados por matrices de covarianza de rango deficiente derivadas de eventos compartidos, mediante la restricción del análisis al subespacio de información estadística independiente.

Autores originales: Francisco Martinez Lopez, London Cooper-Troendle, Steven Gardiner, Patrick Green, Tanaz Mohayai

Publicado 2026-09-22

📖 4 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Francisco Martinez Lopez, London Cooper-Troendle, Steven Gardiner, Patrick Green, Tanaz Mohayai

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

En el mundo subatómico, los científicos estudian cómo los neutrinos —partículas fantasmales que atraviesan casi todo lo que encuentran— interactúan con la materia. Para comprender estas interacciones, los investigadores disparan haces de neutrinos contra objetivos y registran los restos que salen despedidos. A partir de estas colisiones, extraen mapas detallados llamados secciones eficaces, que describen la probabilidad de resultados específicos a diferentes energías y ángulos. Los experimentos modernos se han vuelto tan sofisticados que ahora pueden obtener múltiples mapas diferentes de la misma colección de eventos de colisión. En lugar de limitarse a observar la velocidad de una partícula, podrían trazar simultáneamente su velocidad, su ángulo y cómo se relacionan ambas propiedades, todo ello a partir de un único lote de datos. Este enfoque es poderoso porque utiliza cada pieza de información disponible, pero crea una sutil trampa matemática. Debido a que los mismos eventos se utilizan para construir cada mapa, los números en estos diferentes gráficos no son independientes; están entrelazados por el mero hecho de compartir la misma fuente.

Esta interdependencia crea un problema oculto cuando los científicos intentan contrastar sus teorías con los datos. Para ver si un modelo de física de partículas coincide con la realidad, los investigadores suelen comparar sus predicciones con las mediciones utilizando una puntuación estadística que suma las diferencias. Sin embargo, cuando los datos provienen de mapas de eventos compartidos, la forma estándar de calcular esta puntuación falla. Los eventos compartidos imponen reglas estrictas a los números: si se suman los conteos en un mapa, estos deben ser matemáticamente iguales a los conteos en otro, porque están contando los mismos objetos físicos. Estas reglas significan que algunas direcciones en los datos no aportan información nueva en absoluto; están fijadas por la geometría de la medición más que por la física de la colisión. Cuando los científicos ignoran esto y ejecutan sus pruebas estándar, la matemática trata estas direcciones fijas e inalterables como si fueran libres de variar. Esto provoca que la puntuación estadística explote con valores artificiales y sin sentido, llevando a los investigadores a rechazar erróneamente teorías correctas o a extraer conclusiones equivocadas sobre cómo se comportan las partículas.

Un equipo de físicos ha desarrollado una forma de solucionar este fallo, asegurando que estas mediciones multidimensionales puedan probarse correctamente. Se dieron cuenta de que el problema no es un error en los datos, sino una característica predecible de cómo están organizados los datos. Al analizar la estructura de los contenedores (los recuadros utilizados para clasificar los eventos), identificaron exactamente qué combinaciones de números están bloqueadas y cuáles son libres de variar. Luego crearon un nuevo método de prueba que simplemente ignora las direcciones bloqueadas y se centra únicamente en las partes de los datos que realmente contienen información independiente. Este enfoque, que llaman prueba de proyección de rango, elimina el ruido artificial que inflaba las puntuaciones.

Para demostrar que su método funciona, los investigadores primero lo probaron en un modelo simplificado y generado por computadora de un experimento de neutrinos. En esta simulación, compararon un modelo "verdadero" del comportamiento de las partículas frente a un modelo "falso" que era ligeramente distinto. Cuando utilizaron el método antiguo, sin corregir, la prueba rechazaba erróneamente el modelo correcto aproximadamente un tercio de las veces, simplemente porque la matemática se confundía por los eventos compartidos. Cuando aplicaron su nuevo método de proyección, la prueba se comportó perfectamente, aceptando el modelo correcto y rechazando el incorrecto con la fiabilidad esperada. Luego llevaron el método a un escenario más realista, simulando un experimento complejo que involucraba blancos de argón y efectos reales de detectores. Aquí, la prueba no corregida volvió a fallar, rechazando tanto el modelo correcto como el incorrecto como si ninguno tuviera sentido. El nuevo método, sin embargo, identificó correctamente el modelo verdadero mientras rechazaba el falso, restaurando la capacidad del experimento para distinguir entre teorías en competencia.

Los investigadores también demostraron que pueden predecir exactamente cuántas de estas direcciones bloqueadas existen incluso antes de mirar los datos, simplemente conociendo cómo está configurado el experimento y cómo están dispuestos los contenedores. Esto significa que la solución no es una conjetura; es un cálculo preciso basado en el diseño mismo de la medición. Al eliminar las direcciones que no poseen potencia estadística, el nuevo estadístico de prueba proporciona una respuesta clara y honesta sobre si una teoría se ajusta a los datos. Este trabajo garantiza que, a medida que los experimentos se vuelven más complejos y extraen más información de los mismos eventos, los científicos puedan confiar en sus conclusiones. Convierte una fuente potencial de error en un problema resuelto, permitiendo que la comunidad avance con confianza en su comprensión de la naturaleza esquiva del neutrino.

Resumen Técnico: Bondad de ajuste para mediciones de secciones eficaces de neutrinos de múltiples distribuciones con eventos compartidos

Planteamiento del Problema
Las mediciones modernas de secciones eficaces de neutrinos están incrementando el uso de la extracción de múltiples distribuciones diferenciales a partir de una única muestra de eventos común (por ejemplo, mediciones de MicroBooNE de estados finales con y sin protones, o secciones eficaces multi-diferenciales de tipo QE). En tales análisis, los mismos eventos físicos contribuyen simultáneamente a múltiples distribuciones reportadas. Esta estructura de "eventos compartidos" impone restricciones lineales exactas entre los conteos de los bins en las diferentes distribuciones. Por ejemplo, si cada evento seleccionado puebla exactamente un bin en cada distribución, los conteos totales de eventos a través de las distribuciones deben ser idénticos.

Estas restricciones reducen la dimensionalidad efectiva de la medición por debajo del número total de bins. En consecuencia, la matriz de covarianza estadística ( $C_{stat}$ ) presenta una deficiencia de rango, poseyendo un espacio nulo donde la varianza es identicamente cero. Si bien la precisión numérica limitada a menudo evita que la matriz de covarianza sea exactamente singular (permitiendo su inversión), y las incertidumbres sistemáticas pueden "elevar" estas direcciones nulas hacia varianzas pequeñas pero no nulas, las pruebas estándar de bondad de ajuste global (como $\chi^2$ ) fallan. Cuando se compara una predicción de plegado directo (forward-folded) con los datos, los residuos pequeños a lo largo de estas direcciones restringidas se dividen por varianzas cercanas a cero. Esto resulta en contribuciones arbitrariamente grandes y no físicas al estadístico $\chi^2$ , inflando el valor total y provocando el rechazo falso de modelos correctos. Además, ignorar la deficiencia de rango resulta en un número incorrecto de grados de libertad.

Metodología
Los autores proponen un estadístico de prueba de " $\chi^2$ proyectado en el rango" diseñado para restringir la prueba de bondad de ajuste al subespacio que porta información estadística independiente. La metodología procede de la siguiente manera:

Identificación de Restricciones: El artículo formaliza las restricciones utilizando una "matriz de combinación" ( $\Omega$ ). Cada fila de $\Omega$ representa un vector indicador único que describe qué bins puebla un evento a través de todas las distribuciones. El rango de $\Omega$ determina el número de direcciones independientes en el espacio de la medición. El número de direcciones nulas se define como $N_{null} = N_{bins} - \text{rango}(\Omega)$ .
Descomposición del Espacio Nulo: Los autores descomponen $N_{null}$ $N_{n u l l}$ en dos componentes:
- Espacio Nulo Estructural ( $N_{null}^{struct}$ ): Determinado a priori por la geometría del esquema de binning (bordes de los bins) y la topología de los bloques, independiente de la muestra de eventos específica.
- Espacio Nulo Cinemático ( $N_{null}^{kinem}$ ): Derivado de la ocupación del espacio de fase (por ejemplo, regiones del espacio de fase que están geométricamente permitidas pero físicamente vacías debido a la supresión de la sección eficaz o la aceptación del detector). Este componente se determina a partir del mapeo de eventos de Monte Carlo a los bins.
Construcción del Proyector: Los autores construyen un proyector ortogonal ( $P_{reco}$ ) sobre el subespacio ortogonal al espacio nulo (el rango de la covarianza). Esto se logra mediante la descomposición en autovalores de $\Omega^T\Omega$ , separando los autovalores no nulos (direcciones físicas) de los autovalores cero (direcciones restringidas).
Definición del Estadístico de Prueba: El $\chi^2_{proj}$ se define en el espacio reconstruido como:
$\chi^2_{proj} = \delta^T (P_{reco} C_{total} P_{reco})^+ \delta$
donde $\delta$ es el vector de residuos, $C_{total}$ es la matriz de covarianza total, y $(\cdot)^+$ denota la pseudoinversa de Moore-Penrose. Prácticamente, esto se calcula reduciendo el problema a las $r = N_{bins} - N_{null}$ dimensiones ocupadas por los autovectores no nulos, evitando la necesidad de una pseudoinversa de la matriz completa.

Contribuciones Clave
El artículo realiza dos contribuciones primarias:

Perspectiva Teórica: Demuestra que la deficiencia de rango en la matriz de covarianza no es un artefacto numérico incidental, sino una consecuencia estructural y predecible del diseño de la medición de eventos compartidos. Las direcciones restringidas corresponden a combinaciones lineales de bins que están fijadas por la conservación de eventos en lugar de ser medidas, lo que significa que los datos no poseen poder estadístico a lo largo de estas direcciones.
Algoritmo Prescriptivo: Proporciona un método para calcular el número de direcciones restringidas ( $N_{null}$ ) a priori. Esto incluye un algoritmo para determinar la contribución estructural directamente desde los bordes de los bins (Apéndice A) y un procedimiento para identificar las contribuciones cinemáticas a partir de la muestra de eventos. Esto permite la determinación exacta de los grados de libertad sin depender de umbrales de autovalores arbitrarios aplicados a la matriz de covarianza contaminada por sistemáticas.

Resultados
El método fue validado mediante dos estudios distintos:

Modelo de Toy Analítico: Una simulación de una interacción tipo cuasi-elástica de neutrinos de muón con un esquema de binning de tres bloques (22 bins en total) reveló 5 direcciones nulas.
- El $\chi^2$ no proyectado (usando 22 grados de libertad) arrojó un valor medio de 30.6, significativamente mayor que los 22 esperados, lo que resultó en una tasa de rechazo falso del 32.4% al nivel de significancia del 5%.
- El $\chi^2$ proyectado en el rango (usando 17 grados de libertad) arrojó una media de 17.23, consistente con la distribución $\chi^2(17)$ , y una tasa de rechazo falso del 5.7%.
- La estimación de parámetros utilizando el estadístico proyectado recuperó los valores verdaderos de los parámetros con una cobertura frecuentista correcta, mientras que el estadístico no proyectado produjo resultados sesgados y una subcobertura severa.
Estudio de Generador de Eventos: Una simulación realista de mediciones de sección eficaz de neutrinos-argón utilizando los generadores GENIE y NuWro, incluyendo el proceso de unfolding (Wiener-SVD) y de incertidumbres sistemáticas de múltiples fuentes.
- El estudio identificó 5 direcciones nulas (4 estructurales, 1 cinemática).
- El estadístico no proyectado rechazó tanto el modelo correcto (NuWro) como el incorrecto (GENIE), invalidando la utilidad de la prueba para la discriminación.
- El estadístico proyectado aceptó correctamente el modelo verdadero ( $\chi^2 = 15.7/16$ ) y rechazó fuertemente el modelo incorrecto ( $\chi^2 = 154.4/16$ ), restaurando tanto la capacidad de calibración como la de discriminación.
- El estudio confirmó que el estadístico proyectado produce valores numéricos idénticos ya sea en el espacio reconstruido o en el espacio desplegado (unfolded), siempre que la proyección se aplique antes del unfolding.

Significancia y Alcance
El artículo argumenta que, a medida que las mediciones de múltiples distribuciones con eventos compartidos se vuelven estándares, un test de bondad de ajuste global correctamente calibrado es esencial para el ajuste de modelos y la comparación de generadores. El $\chi^2$ proyectado en el rango ofrece una solución ligera y a priori que requiere únicamente la covarianza publicada, el binning y las matrices de respuesta, lo que la hace aplicable a mediciones ya publicadas.

Los autores señalan que el método depende de la suposición de un compartición de eventos exacta. Si las distribuciones utilizan límites de espacio de fase, sustracciones de fondo o definiciones de señal diferentes, las restricciones se vuelven aproximadas. En tales casos, las direcciones nulas adquieren varianzas pequeñas pero genuinas. En estos escenarios, la dirección estructural podría sobrecontar las restricciones; en tales casos, los autores sugieren que enfoques alternativos como los ajustes de máxima verosimilitud por bins (que absorben las restricciones automáticamente) podrían ser más apropiados. Sin embargo, para mediciones diseñadas con una compartición exacta, el método de proyección se presenta como la corrección necesaria para evitar la inflación no física de las métricas de bondad de ajuste.

Más como este