DEPFET - polovodičové detektory pro Japonský experiment Belle II
DEPFET - Semiconductor Detectors on Japan Project Belle II
bakalářská práce (OBHÁJENO)
Zobrazit/ otevřít
Trvalý odkaz
http://hdl.handle.net/20.500.11956/55501Identifikátory
SIS: 115645
Kolekce
- Kvalifikační práce [10690]
Autor
Vedoucí práce
Oponent práce
Doležal, Zdeněk
Fakulta / součást
Matematicko-fyzikální fakulta
Obor
Obecná fyzika
Katedra / ústav / klinika
Ústav částicové a jaderné fyziky
Datum obhajoby
19. 6. 2013
Nakladatel
Univerzita Karlova, Matematicko-fyzikální fakultaJazyk
Čeština
Známka
Velmi dobře
Klíčová slova (česky)
Analýza, testování, pixely, polovodičové detektory, C++, ROOTKlíčová slova (anglicky)
Analysis, tests, pixels, semiconductor detectors, C++, ROOTTato práce se zabývá přesností křemíkových detektorů, konkrétně pixelového detektoru DEPFET. Z nasimulovaných dat se určovala předpověď pro chyby měření polohy částice v detektoru a hledalo se, jak se tyto chyby liší pro hodnoty různých parametrů, jak detektoru (např. velikost pixelu), tak částice (např. její energie). Jsou zde uvedeny základy principu křemíkových detektorů, jejich použití a přesnosti, experimenty Belle a Belle II v laboratoři KEK (Národní laboratoř pro fyziku vysokých energií v Japonsku) a dále statistické metody jako ANOVA, regresní stromy, rozdělení podle pravděpodobností (využití entropie). Nakonec je v práci uvedeno vlastní zpracování nasimulovaných dat pomocí regresních stromů a výsledné předpovědi chyb.
This work deals with accuracy of silicon detectors, especially pixel detector DEPFET. Prediction of particle's in-detector position measurement errors was determined from simulated data and dependence of these errors on several parameters was analysed-some of the parameters relating to the detector (e.g. pixel size) and another relating to the particle (e.g. its energy). Basics about principle of silicon detectors, their applications and accuracy, experiment Belle and Belle II in KEK (The High Energy Accelerator Research Organization) and also statistic method as ANOVA, regression trees, division by probability (using entropy) are summarized here. Finally, original processing of simulated data (using regression trees) and resulting error predictions are presented.