Wszystkie histogramy dla MC są normalizowane do danych przez stosunek liczby przypadków same-sign w danych do liczby przypadków same-sign w MC.

Można zauważyć że do opisu danych wystarcza zielony histogram, niebieski jest wręcz niepożądany. Dla dużych missing pT widać niedostatek MC - to będzie uzupełnione (najprawdopodobniej) przez mix zerobias+elastyka.



Poniżej rozkłady missing pT w binach \delta\phi. Histogram po lewej jest bardzo dobrze opisany przez CD z pythii (wiemy że tu tylko to jest źródłem tła), po prawej brakuje tła od koincydencji pileup+elastyka.

        

Poniżej masa \pi\pi. Fioletowy histogram to oszacowanie tła z danych, które nieźle zgadza się z pythią (może będzie lepiej po dodaniu brakującego tła).




W binach \delta\phi:


        
--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

To samo co wyżej, ale tym razem bez foldowania w wydajności TPC i TOF tylko wyniki pełnej symulacji:





        





        





------------------------------------------------------------------------------------------------------- -------------------------------------------------------------------------------------------------------

Wyselekcjonowałe z trygera ZB przypadki które przechodzą cięcia w centralnej części detektora + BBC + ZDC. Wszystkich przypadków było w sumie 16. Jest o o wiele za mało do miksowania z elastyką.
Planuję wygenerować MB z pythii z wetami na BBC i ZDC już na poziomie generatora, aby przypadków było dość dużo. Następnie takie MC zmiksuję z danymi elastycznymi albo MC elastycznym.