⚛️ nuclear experiments

An assay-based background projection for the MAJORANA DEMONSTRATOR using Monte Carlo Uncertainty Propagation

यह शोध पत्र MAJORANA DEMONSTRATOR प्रयोग के बैकग्राउंड इंडेक्स को अनुमानित करने के लिए मोंटे कार्लो अनसर्टेन्टी प्रोपेगेशन का उपयोग करने वाले एक नवीन बेयसियन विश्लेषण ढांचे को प्रस्तुत करता है, जिसके परिणामस्वरूप थोरियम और यूरेनियम संदूषकों से गणना किया गया औसत बैकग्राउंड इंडेक्स $[8.95 \pm 0.36] \times 10^{-4}$ cts/(keV kg yr) है।

मूल लेखक: I. J. Arnquist, F. T. Avignone, A. S. Barabash, C. J. Barton, K. H. Bhimani, E. Blalock, B. Bos, M. Busch, T. S. Caldwell, Y. -D. Chan, C. D. Christofferson, P. -H. Chu, M. L. Clark, C. Cuesta, J. A.

प्रकाशित 2026-02-20

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: I. J. Arnquist, F. T. Avignone, A. S. Barabash, C. J. Barton, K. H. Bhimani, E. Blalock, B. Bos, M. Busch, T. S. Caldwell, Y. -D. Chan, C. D. Christofferson, P. -H. Chu, M. L. Clark, C. Cuesta, J. A. Detwiler, Yu. Efremenko, H. Ejiri, S. R. Elliott, N. Fuad, G. K. Giovanetti, M. P. Green, J. Gruszko, I. S. Guinn, V. E. Guiseppe, C. R. Haufe, R. Henning, D. Hervas Aguilar, E. W. Hoppe, A. Hostiuc, M. F. Kidd, I. Kim, R. T. Kouzes, T. E. Lannen, A. Li, J. M. López-Castaño, R. D. Martin, R. Massarczyk, S. J. Meijer, T. K. Oli, L. S. Paudel, W. Pettus, A. W. P. Poon, D. C. Radford, A. L. Reine, K. Rielage, N. W. Ruof, D. C. Schaper, S. J. Schleich, D. Tedeschi, R. L. Varner, S. Vasilyev, S. L. Watkins, J. F. Wilkerson, C. Wiseman, W. Xu, C. -H. Yu

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक ऐसे कमरे में एक अकेली, नन्ही सी फुसफुसाहट सुनने की कोशिश कर रहे हैं जो पूरी तरह से शांत होना चाहिए। वह फुसफुसाहट भौतिकी (physics) की एक दुर्लभ घटना है जिसे न्यूट्रिनोलेस डबल-बीटा डिके (neutrinoless double-beta decay) कहा जाता है। यदि वैज्ञानिक इसे सुन पाते हैं, तो यह सिद्ध हो जाएगा कि न्यूट्रिनो अपने स्वयं के एंटी-पार्टिकल्स (antiparticles) हैं, जो ब्रह्मांड के नियमों को फिर से लिख देगा।

लेकिन एक समस्या है: कमरा पूरी तरह शांत नहीं है। इसमें बैकग्राउंड शोर है—जैसे चरमराहट, हवा के झोंके और दूर से आती ट्रैफिक की आवाज़ें। भौतिकी में, इस "शोर" को बैकग्राउंड रेडिएशन (background radiation) कहा जाता है। यह उस तांबे, प्लास्टिक और स्टील में छिपी रेडियोधर्मिता (जैसे यूरेनियम और थोरियम) के सूक्ष्म अंशों से आता है जिसका उपयोग प्रयोग बनाने में किया गया है।

यह शोध पत्र इस बारे में है कि एक नया, स्मार्ट तरीका कैसे यह सटीक भविष्यवाणी कर सकता है कि बैकग्राउंड शोर कितना तेज़ होगा, इससे पहले कि प्रयोग वास्तव में शुरू हो, जिसे मोंटे कार्लो अनसर्टेन्टी प्रोपेगेशन (Monte Carlo Uncertainty Propagation) कहा जाता है।

यहाँ सरल उपमाओं (analogies) का उपयोग करके इसका विवरण दिया गया है:

1. समस्या: शोर का "अनुमान लगाने का खेल"

अतीत में, जब वैज्ञानिकों ने मेजोरना डिमॉन्स्ट्रेटर (Majorana Demonstrator) बनाया (एक विशाल, अत्यंत संवेदनशील डिटेक्टर जिसे एक खदान में गहराई में दफनाया गया है), तो उन्होंने बैकग्राउंड शोर का अनुमान लगाने की कोशिश की थी।

पुराना तरीका: वे अपनी सामग्रियों को देखते थे। यदि तांबे के एक टुकड़े में थोड़ा सा यूरेनियम था, तो वे उसे मापते थे। यदि माप कहता था कि "5 यूनिट से कम है," तो वे बस उन सभी "कम से कम" वाले नंबरों और "सटीक" नंबरों को जोड़ देते थे ताकि एक कुल योग प्राप्त हो सके।
दोष: यह एक थैले में मौजूद कंचों (marbles) के कुल वजन का अनुमान लगाने के लिए हर कंचे के सबसे भारी संभावित वजन को जोड़ने जैसा था। इसने इस तथ्य को नजरअंदाज कर दिया कि कुछ माप केवल "ऊपरी सीमाएं" (upper limits) थे (हमें पता है कि यह अधिकतम इतना है, लेकिन यह शून्य भी हो सकता है)। इसने इस तथ्य को भी नजरअंदाज कर दिया कि हमारे मापने के उपकरणों में त्रुटियां होती हैं। परिणाम एक ऐसी भविष्यवाणी थी जो वास्तविकता से मेल नहीं खाती थी, और यह उन्हें यह भी नहीं बता पाती थी कि वे कितने "अनिश्चित" थे।

2. नया समाधान: "पासे फेंकने वाला" सिम्युलेटर

लेखकों ने एक नया ढांचा तैयार किया। प्रत्येक माप को एक संख्या के रूप में देखने के बजाय, वे इसे संभावनाओं की एक सीमा (range of possibilities) के रूप में देखते हैं।

इसे इस प्रकार समझें:

पुराना तरीका: आपके पास कंचों का एक थैला है। आप एक को तौलते हैं और कहते हैं, "इसका वजन 10 ग्राम है।" आप दूसरे को तौलते हैं और कहते हैं, "इसका वजन 5 ग्राम से कम है।" आप उन्हें जोड़ते हैं: 15 ग्राम।
नया तरीका (मोंटे कार्लो): आप महसूस करते हैं कि "10 ग्राम" वास्तव में 9.8 या 10.2 हो सकता है। और "5 ग्राम से कम" का अर्थ 0, 2, या 4.9 भी हो सकता है।
- आप एक कंप्यूटर सिमुलेशन बनाते हैं।
- आप डिजिटल पासा 1,000,000 बार फेंकते हैं।
- हर बार पासा फेंकने पर, आप पहले कंचे के लिए एक रैंडम वजन चुनते हैं (उसके माप की सीमा के आधार पर) और दूसरे के लिए (उसके "कम से कम" वाली सीमा के आधार पर)।
- आप उन्हें जोड़ते हैं और कुल योग दर्ज करते हैं।
- दस लाख बार पासा फेंकने के बाद, आपको एक एकल संख्या नहीं मिलती। आपको एक वक्र (curve/distribution) मिलता है जो कुल वजन के सबसे संभावित मान और इसमें होने वाले उतार-चढ़ाव को दर्शाता है।

3. "ऊपरी सीमाओं" को संभालना (The "Silent" Marbles)

इस प्रयोग का एक कठिन हिस्सा यह है कि कई सामग्रियां इतनी शुद्ध होती हैं कि डिटेक्टर उनमें कोई रेडियोधर्मिता नहीं ढूंढ पाते। वे बस कहते हैं, "यह X से कम है।"

उपमा: कल्पना कीजिए कि आप घास के ढेर में सुई ढूंढ रहे हैं। आप देखते हैं और आपको कुछ नहीं मिलता। आप कहते हैं, "वहाँ 0 सुइयां हैं।" लेकिन वास्तव में, हो सकता है कि वहां 1 सुई गहराई में छिपी हो जिसे आपने मिस कर दिया हो।
समाधान: यह शोध पत्र एक चतुर सांख्यिकीय ट्रिक (truncated-at-zero Gaussian) का उपयोग करता है। यह "0 सुइयों" को एक सख्त शून्य के रूप में नहीं, बल्कि एक संभावना वक्र (probability curve) के रूप में देखता है जो शून्य से शुरू होता है और धीरे-धीरे कम होता जाता है। यह सुनिश्चित करता है कि भले ही आपने रेडियोधर्मिता नहीं देखी, सिमुलेशन जानता है कि यह वहां बहुत सूक्ष्म रूप में मौजूद हो सकती है। यह वैज्ञानिकों को अनजाने में यह सोचने से रोकता है कि कमरा पूरी तरह से शांत है जब कि वह नहीं है।

4. परिणाम: एक स्पष्ट तस्वीर

जब उन्होंने इस नए "पासा फेंकने वाले" तरीके को मेजोरना डिमॉन्स्ट्रेटर पर लागू किया:

उन्होंने मशीन के सभी हिस्सों (तांबे के कवच, केबल, प्लास्टिक कनेक्टर, आदि) में थोरियम और यूरेनियम से आने वाले बैकग्राउंड शोर की गणना की।
उन्होंने औसत बैकग्राउंड शोर 8.95 यूनिट (एक छोटी त्रुटि मार्जिन के साथ) पाया।
यह क्यों महत्वपूर्ण है: यह संख्या अत्यंत महत्वपूर्ण है। यदि बैकग्राउंड शोर बहुत अधिक है, तो यह न्यूट्रिनोलेस डिके की "फुसफुसाहट" को दबा देगा। शोर के स्तर और उस शोर की अनिश्चितता को जानकर, वैज्ञानिक सटीक भविष्यवाणी कर सकते हैं कि उन्हें उस फुसफुसाहट को सुनने के लिए प्रयोग को कितनी देर तक चलाना होगा।

5. निष्कर्ष (Takeaway)

यह शोध पत्र केवल एक प्रयोग के बारे में नहीं है; यह इस बारे में है कि भविष्य के लिए बेहतर गणित कैसे किया जाए।

मानकीकरण (Standardization): यह पूरे वैज्ञानिक समुदाय को बिखरे हुए डेटा (कुछ सटीक, कुछ केवल "ऊपरी सीमाएं") को संयोजित करने के लिए एक एकीकृत नियम पुस्तिका देता है।
संसाधनों की बचत: यह इंजीनियरों को बताता है कि उन्हें शोर का सिमुलेशन करने के लिए वास्तव में कितनी कंप्यूटर शक्ति की आवश्यकता है। यदि सिमुलेशन दिखाता है कि शोर नगण्य है, तो उन्हें इसे और अधिक सिम्युलेट करने में समय बर्बाद करने की आवश्यकता नहीं है।
भविष्य के लिए तैयारी (Future Proofing): जैसे-जैसे अगली पीढ़ी के प्रयोग (जैसे LEGEND या nEXO) बनाए जाएंगे, वे इस पद्धति का उपयोग अधिक स्वच्छ और संवेदनशील मशीनें डिजाइन करने के लिए करेंगे, जिससे यह सुनिश्चित होगा कि वे बैकग्राउंड शोर से धोखा न खाएं।

संक्षेप में: वैज्ञानिकों ने बैकग्राउंड शोर का अनुमान लगाने के लिए स्केल (रूलर) का उपयोग करना बंद कर दिया और लाखों पासे फेंककर उसका सिमुलेशन करना शुरू कर दिया। इसने उन्हें बहुत अधिक सटीक, ईमानदार और उपयोगी भविष्यवाणी दी कि उनका प्रयोग वास्तव में कितना "शांत" है, जो उन्हें ब्रह्मांड की सबसे मायावी फुसफुसाहट को सुनने के एक कदम करीब ले आया है।

यहाँ "An assay-based background projection for the Majorana Demonstrator using Monte Carlo Uncertainty Propagation" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

न्यूट्रिनोलेस डबल-बीटा डिके ( $0\nu\beta\beta$ ) की खोज करने वाले प्रयोगों में, बैकग्राउंड इंडेक्स (BI) एक महत्वपूर्ण मीट्रिक है जिसका उपयोग प्रयोग की हाफ-लाइफ संवेदनशीलता (sensitivity) के प्रक्षेपण (projection) के लिए किया जाता है। BI गणनाओं को cts/(keV kg yr) के रूप में व्यक्त किया जाता है।

मेजोरीना डेमोंस्ट्रेटर (Majorana Demonstrator), जो उच्च-शुद्धता वाले जर्मेनियम (HPGe) डिटेक्टरों का उपयोग करने वाला एक प्रोटोटाइप प्रयोग है, ने पहले $6.2^{+0.6}_{-0.5} \times 10^{-3}$ cts/(keV kg yr) का मापा गया BI रिपोर्ट किया था। यह मूल रूप से अनुमानित BI ( $< 8.75 \times 10^{-4}$ cts/(keV kg yr)) से काफी अधिक था।

इस कार्य में संबोधित मुख्य समस्याएँ हैं:

अनिश्चितता प्रसार (Uncertainty Propagation): पिछले प्रक्षेपों में विशिष्ट गतिविधियों (रेडियोअसे से), घटक द्रव्यमान (component masses) और सिमुलेशन दक्षता (simulation efficiencies) को एकल-मूल्य वाली संख्याओं के रूप में माना गया था। यह असे डेटा (assay data) में निहित महत्वपूर्ण अनिश्चितताओं को पकड़ने में विफल रहा, विशेष रूप से जब माप आपस में असंगत हों या ऊपरी सीमाओं (upper limits) के रूप में हों।
ऊपरी सीमाओं को संभालना (Handling Upper Limits): मानक तरीके अक्सर उन बहु-असे परिणामों को संयोजित करने में संघर्ष करते थे जहाँ कुछ मापे गए मान थे और कुछ ऊपरी सीमाएँ (गैर-पता लगाने योग्य/non-detections) थीं, जिससे अक्सर अवास्तविक निचली सीमाएँ प्राप्त होती थीं या योगदानों को अनदेखा कर दिया जाता था।
शून्य दक्षता (Null Efficiencies): डिटेक्टर ऐरे से दूर स्थित घटकों का पूर्ववर्ती नियतात्मक (deterministic) मॉडलों में "शून्य" सिम्युलेटेड दक्षता थी। हालाँकि, मोंटे कार्लो सिमुलेशन में सांख्यिकीय उतार-चढ़ाव के कारण, ये घटक अभी भी बैकग्राउंड में योगदान दे सकते थे, जो कि एक ऐसा कारक था जिसे पहले तक नहीं गिना गया था।
डेटा विसंगति (Data Discrepancy): एक ही सामग्री के डुप्लिकेट नमूनों ने अक्सर ऐसी विशिष्ट गतिविधियाँ दीं जो अपने घोषित त्रुटि बार (error bars) के भीतर सहमत नहीं थीं, जिसके लिए एक मजबूत सांख्यिकीय पद्धति की आवश्यकता थी।

2. कार्यप्रणाली (Methodology)

लेखकों ने एक बायेसियन फ्रेमवर्क (Bayesian framework) विकसित किया है जो एकल-बिंदु अनुमान के बजाय BI के लिए एक संभाव्यता वितरण (probability distribution) उत्पन्न करने के लिए मोंटे कार्लो (MC) अनिश्चितता प्रसार का उपयोग करता है।

A. असे परिणामों को संयोजित करने के लिए एकीकृत दृष्टिकोण

विशिष्ट सामग्रियों के लिए कई असे मापों (ऊपरी सीमाओं सहित) को संभालने के लिए:

भारित औसत (Weighted Averaging): उन्होंने अनियंत्रित औसत के लिए पार्टिकल डेटा ग्रुप (PDG) पद्धति को अपनाया। विशिष्ट गतिविधियों ( $a_k$ ) को उनकी अनिश्चितता के व्युत्क्रम वर्ग ( $w_k = 1/\delta a_k^2$ ) द्वारा भारित किया जाता है।
ऊपरी सीमाओं को संभालना: ऊपरी सीमाओं को 'ट्रंकेटेड-एट-जीरो गॉसियन' (truncated-at-zero Gaussian) वितरण के रूप में माना जाता है। बार-बार गैर-पता लगाने योग्य परिणामों के माध्यम से सीमा को कृत्रिम रूप से कम करने से बचने के लिए केवल सबसे सख्त 90% विश्वास स्तर (C.L.) वाली ऊपरी सीमा को औसत में शामिल किया जाता है।
स्केलिंग फैक्टर ( $\Sigma$ ): यदि माप महत्वपूर्ण बिखराव दिखाते हैं ( $\chi^2/(N_a-1) > 1$ ), तो अनमॉडल सांख्यिकीय विविधताओं या नमूने-से-नमूने के अंतर को ध्यान में रखने के लिए अनिश्चितता को $\Sigma = \sqrt{\chi^2/(N_a-1)}$ द्वारा स्केल किया जाता है।

B. एकल मानों को वितरणों में बदलना

यह फ्रेमवर्क एकल-मूल्य इनपुट को संभाव्यता घनत्व कार्यों (PDFs) में परिवर्तित करता है:

विशिष्ट गतिविधि ( $a$ ) और द्रव्यमान ( $m$ ): इन्हें 'ट्रंकेटेड-एट-जीरो गॉसियन' वितरण के रूप में मॉडल किया गया है। द्रव्यमान अनिश्चितता 1% (प्रत्यक्ष माप) से 10% (ज्यामितीय अनुमान) तक होती है।
सिमुलेशन दक्षता ( $\epsilon$ ):
- $N_{counts}/N_{simulated}$ से प्राप्त एकल दक्षता मान के बजाय, दक्षता को एक यादृच्छिक चर (random variable) के रूप में माना जाता है।
- एक अनइन्फॉर्मेटिव प्रायर (uninformative prior) के साथ बेयस प्रमेय का उपयोग करते हुए, प्रेक्षित काउंट $n$ दिए जाने पर वास्तविक अपेक्षित मान $\lambda$ की संभावना एक गामा वितरण (Gamma distribution) का अनुसरण करती है।
- यह उन घटकों के लिए भी बैकग्राउंड में योगदान देने की गैर-शून्य संभावना की अनुमति देता है जिनमें सिमुलेशन में शून्य काउंट देखे गए थे, जो प्रभावी रूप से सिम्युलेटेड डिके की संख्या के आधार पर एक सांख्यिकीय ऊपरी सीमा निर्धारित करता है।

C. मोंटे कार्लो अनिश्चितता प्रसार

अंतिम BI की गणना इस प्रकार की जाती है:

प्रत्येक घटक के विशिष्ट गतिविधि, द्रव्य मास और दक्षता के PDFs से यादृच्छिक नमूने (samples) लेना।
प्रत्येक घटक के लिए BI योगदान की गणना सूत्र का उपयोग करके करना: $BI_i \propto a_i \times m_i \times \epsilon_i$ ।
प्रत्येक घटक समूह और कुल प्रयोग के लिए BI वितरण उत्पन्न करने के लिए इस प्रक्रिया को $10^6$ बार दोहराना।
कुल अनुमानित बैकग्राउंड प्राप्त करने के लिए वितरणों को जोड़ना।

3. प्रमुख योगदान (Key Contributions)

नया फ्रेमवर्क: एक एकीकृत बायेसियन फ्रेमवर्क का परिचय जो असे डेटा, द्रव्यमान और सिमुलेशन सांख्यिकी को एकल-बिंदु अनुमानों के बजाय वितरणों के रूप में मानता है।
ऊपरी सीमाओं का मजबूत प्रबंधन: बैकग्राउंड प्रोजेक्शन को नीचे की ओर पक्षपाती किए बिना असे ऊपरी सीमाओं को शामिल करने के लिए एक कठोर पद्धति।
शून्य दक्षता का सांख्यिकीय उपचार: गामा वितरण का उपयोग करके "शून्य" सिम्युलेटेड काउंट वाले घटकों के बैकग्राउंड योगदान को मापने की क्षमता, जो दूरस्थ या कम-गति वाले घटकों से बैकग्राउंड के कम अनुमान को रोकता है।
मानकीकरण: यह कार्यविधि असे रिपोर्टिंग और अनिश्चितता प्रसार के लिए एक टेम्पलेट प्रदान करती है, जो व्यापक निम्न-बैकग्राउंड भौतिकी समुदाय के लिए उपयोगी है।

4. परिणाम (Results)

फ्रेमवर्क को मेजोरीजोरी डेमोंस्ट्रेटर की "अस-बिल्ट" (as-built) ज्यामिति पर लागू किया गया, जिसमें केवल $^{232}$ Th और $^{238}$ U संदूषण पर विचार किया गया ( $^{40}$ K को बाहर रखा गया क्योंकि इसकी गामा किरणें क्षेत्र-रुचि (ROI) से नीचे हैं)।

प्रक्षेपित बैकग्राउंड इंडेक्स: माध्य अनुमानित असे-आधारित BI है:
$BI_{assay} = [8.95 \pm 0.36] \times 10^{-4} \text{ cts/(keV kg yr)}$
- विभाजन:
  - $^{232}$ Th योगदान: $[7.37 \pm 0.24] \times 10^{-4}$
  - $^{238}$ U योगदान: $[1.58 \pm 0.11] \times 10^{-4}$
अनिश्चितता के स्रोत: अनिश्चितता विशिष्ट गतिविधि (act.) मापों द्वारा संचालित है, न कि सिमुलेशन सांख्यिकी (stat.) द्वारा।
पिछले प्रक्षेपों के साथ तुलना:
- नया प्रोजेक्शन ( $8.95 \times 10^{-4}$ ) मूल डिज़ाइन ज्यामिति प्रोजेक्शन ( $6.4 \times 10^{-4}$ , जो संदर्भ [15] से प्राप्त हुआ था, जिसने ऊपरी सीमाओं के प्रत्यक्ष योग का उपयोग किया था) से लगभग 44% अधिक है।
- यह वृद्धि अनिश्चितताओं के उचित समावेश और "शून्य-दक्षता" वाले घटकों के योगदान के कारण है।
घटक योगदान: बैकग्राउंड में सबसे बड़े योगदान देने वाले घटकों की पहचान फ्रंट एंड्स (इलेक्ट्रॉनिक्स), केबल्स और Pb शील्डिंग के रूप में की गई।

5. महत्व (Significance)

यथार्थवादी संवेदनशीलता प्रोजेक्शन: अनिश्चितताओं को ठीक से प्रसारित करके, यह विधि बैकग्राउंड इंडेक्स का अधिक यथार्थवादी और रूढ़िवादी अनुमान प्रदान करती है, जो वर्तमान और भविष्य के $0\nu\beta\beta$ प्रयोगों (जैसे LEGEND, nEXO) के लिए वास्तविक भौतिक पहुंच (हाफ-लाइफ संवेदनशीलता) की गणना करने के लिए महत्वपूर्ण है।
संसाधनों का अनुकूलन: यह फ्रेमवर्क विश्लेषकों को यह निर्धारित करने की अनुमति देता है कि सांख्यिकीय अनिश्चितताओं को नगण्य स्तर तक कम करने के लिए कितने सिम्युलेटेड डिके आवश्यक हैं, जिससे कम्प्यूटेशनल संसाधनों का अनुकूलन होता है।
सामुदायिक मानक: असे परिणामों को औसत करने (ऊपरी सीमाओं और बिखराव को संभालना) का एकीकृत दृष्टिकोण निम्न-बैकग्राउंड समुदाय के लिए एक मानकीकृत तरीका प्रदान करता है, जिससे बेहतर डेटा साझाकरण और तुलना सुलभ होती है।
विसंगतियों की व्याख्या: यह अध्ययन दर्शाता है कि डेमोंस्ट्रेटर के मूल डिज़ाइन प्रोजेक्शन और इसके वास्तविक प्रदर्शन के बीच का अंतर काफी हद तक अनिश्चितताओं के कम अनुमान और पिछले नियतात्मक मॉडलों में "शून्य-दक्षता" घटकों को बाहर करने के कारण है।

निष्कर्षतः, यह शोध दुर्लभ-घटना खोजों (rare-event searches) के लिए बैकग्राउंड प्रोजेक्शन के लिए एक कठोर सांख्यिकीय आधार स्थापित करता है, जो नियतात्मक ऊपरी सीमाओं से हटकर संभाव्यता वितरणों की ओर बढ़ता है जो प्रयोगात्मक और सिमुलेशन अनिश्चितताओं को पूरी तरह से समाहित करते हैं।