Statistics 使用“pyhf”浮动信号和背景强度

嗨，pyhf用户和开发者

我有一个来自a的问题，因此我将从一个回答中提供的

anwser.py

代码开始，然后进行一个小的修改

因此，我使用响应中给出的参数运行拟合，但我希望看到拟合的结果，因此我添加了一些代码，以根据拟合结果对原始模板进行加权，并使用覆盖图对其进行重新拟合。全文如下

进口pyhf
进口pyhf.contrib.viz.巴西
将numpy作为np导入
将matplotlib.pylab作为plt导入
#-获得最佳拟合信号强度的不确定性
#-计算信号强度的95%CL上限
tag=“原件”
def plot_hist（轴、箱、数据、底部=0、颜色=无、标签=无）：
料仓宽度=料仓[1]-料仓[0]
bin_leftedges=bin[：-1]
bin_中心=[边+bin_宽度/2.0表示bin_左边中的边]
斧头(
仓位中心，数据，仓位宽度，底部=底部，alpha=0.5，颜色=颜色，标签=标签
)
def plot_数据（ax、bins、data、label=“data”）：
料仓宽度=料仓[1]-料仓[0]
bin_leftedges=bin[：-1]
bin_中心=[边+bin_宽度/2.0表示bin_左边中的边]
最大散射（箱位中心、数据、颜色=“黑色”、标签=标签）
def反转时间间隔（测试步骤、准测试、测试大小=0.05）：
#这将在v0.5.3中予以考虑
cls_obs=np.array（[test[0]用于hypo_测试中的测试]）.flatte（）
cls_exp=[
np.数组（[test[1][idx]用于hypo_测试中的测试]）.flatte（）用于范围（5）中的idx
]
交叉测试统计={exp:[]，“obs”：无}
对于cls\U exp中的cls\U exp\U西格玛：
交叉测试统计数据[“exp”]。追加(
np.interp(
测试大小，列表（反向（cls\U exp\U sigma）），列表（反向（测试mus））
)
)
交叉测试统计数据[“obs”]=np.INTP(
测试大小，列表（反向（cls\U obs）），列表（反向（测试mus））
)
返回交叉测试统计
def main（）：
np.random.seed（0）
pyhf.set_后端（“numpy”、“minuit”）
可观测范围=[0.0,10.0]
箱柜宽度=0.5
_bins=np.arange（可观测范围[0]，可观测范围[1]+bin_宽度，bin_宽度）
n_bkg=2000
n_信号=int（np.sqrt（n_bkg））
#生成模拟
bkg_模拟=10*np.随机.随机（n_bkg）
信号模拟=np.随机.正常（5,1.0，n_信号）
bkg_样本，u=np.直方图（bkg_模拟，箱=_箱）
信号样本，直方图（信号模拟，箱=箱）
#生成观察结果
信号事件=np.随机.正常（5，1.0，int（n信号*0.8））
bkg_事件=10*np.random.random（int（n_bkg+np.sqrt（n_bkg）））
观察到的事件=np.array（signal\u events.tolist（）+bkg\u events.tolist（））
观察到的样本，直方图（观察到的事件，箱=箱）
#将模拟和观察可视化
图，ax=plt.子批次（）
图设置尺寸英寸（7,5）
绘图历史（ax、箱、bkg样本、标签=“背景”）
绘图历史（ax、箱、信号样本、底部=bkg样本、标签=“信号”）
绘图数据（ax、箱、观察样本）
ax.图例（loc=“最佳”）
最大设定值（top=np.max（观察样本）*1.4）
ax.集合标签（“可观察”）
ax.set_ylabel（“计数”）
图.savefig（“组件{0}.png.”格式（标记））
#建立模型
bkg_uncerts=np.sqrt（bkg_样本）
model=pyhf.simplemodels.hepdata_like(
信号\数据=信号\采样.tolist（），
bkg_data=bkg_sample.tolist（），
bkg_uncerts=bkg_uncerts.tolist（），
)
data=pyhf.tensorlib.astensor（观察到的样本.tolist（）+model.config.auxdata）
#推理
拟合结果=pyhf.expert.mle.fit（数据、模型、返回不确定性=True）
最佳拟合参数，参数=拟合结果.T
印刷品(
f“最佳拟合参数：\
\n*信号强度：{bestfit_pars[0]}+/-{par_uncerts[0]}\
\n*讨厌的参数：{bestfit_pars[1:}\
\n*有害参数不确定性：{par_uncerts[1::}”
)
#将结果可视化
fit_bkg_样本=[]
对于拉链中的w、b（最佳拟合零件[1:]，bkg\U样本）：
拟合样本。附加（w*b）
拟合信号样本=最佳拟合零件[0]*np.数组（信号样本）
图，ax=plt.子批次（）
图设置尺寸英寸（7,5）
绘图历史（ax、箱、拟合样本、标签=“背景”）
绘图历史（ax、箱、拟合信号样本，底部=拟合样本，标签=“信号”）
绘图数据（ax、箱、观察样本）
ax.图例（loc=“最佳”）
最大设定值（top=np.max（观察样本）*1.4）
ax.集合标签（“可观察”）
ax.set_ylabel（“计数”）
fig.savefig（“组件在_fit{0}.png.之后”。格式（标记））
#进行假设检验扫描
_开始=0.0
_停止=5
_阶跃=0.1
poi_测试=np.arange（_开始，_停止+_步骤，_步骤）
打印（“\n执行假设测试\n”）
hypo_试验=[
pyhf。推断。低测试(
穆乌试验，
数据，
模型
return\u expected\u set=True，
return\u test\u statistics=True，
qtilde=True，
)
用于poi_测试中的mu_测试
]
#信号强度上限
结果=反向间隔（poi_测试、次poi_测试）
打印（f“观察到的µ：{results['obs']：.2f}限制”）
打印（“----”）
对于idx，枚举中的n_σ（np.arange（-2,3））：
印刷品(
“µ：{：.3f}上应为{}限制”。格式(
“”如果n_sigma==0，则为“（{}σ）”。格式（n_sigma），
结果[“exp”][idx]，
)
)
#想象“巴西乐队”
图，ax=plt.子批次（）
图设置尺寸英寸（7,5）
ax.集合标题（“假设检验”）
ax.set_ylabel（r“$\mathrm{CL}{s}$”）
ax.set\u xlabel（r“$\mu$”）
pyhf.contrib.即巴西绘图结果（ax、poi_测试、hypo_测试）
fig.savefig（“巴西{0}.png.”格式（标签））
如果名称=“\uuuuu main\uuuuuuuu”：
main（）

当我运行它时，我得到以下曲线图。第一个图是原始观测/模拟图，第二个图是由fit resu缩放的模拟图

spec = {'channels': [{'name': 'singlechannel',
   'samples': [{'name': 'signal',
     'data': [10.0],
     'modifiers': [{'name': 'mu', 'type': 'normfactor', 'data': None}]},
    {'name': 'background',
     'data': [50.0],
     'modifiers': [{'name': 'bkgnorm',
       'type': 'normfactor',
       'data': None}]}]}]}