kappa-test

Status científico: hipótese fenomenológica exploratória, não estabelecida. Resultados atuais são 100% sintéticos (validação do método) — ver wiki para detalhes, gráficos e o que falta para uma análise com dados reais.

Teste de razão de verossimilhança (Poisson) para uma atenuação exponencial de contagens de neutrinos por fonte em função de uma "coluna de plasma":

$$\mu_i(\kappa) = \mu_{0,i}, e^{-\kappa, C_{p,i}}, \qquad \kappa \ge 0$$

• H0: κ = 0 (sem atenuação)
• H1: κ > 0

Estatística

$$TS = 2,[\ln L(\hat\kappa) - \ln L(0)]$$

Como κ = 0 está na borda do espaço de parâmetros, sob H0 o TS segue assintoticamente a mistura ½χ²₀ + ½χ²₁ (Chernoff 1954; Self & Liang 1987). O p-value é unilateral, p = ½ · P(χ²₁ > TS), e a significância é σ = √TS.

Uso

pip install -r requirements.txt
python kappa_test.py seus_dados.csv

O CSV precisa das colunas:

coluna	descrição
counts_obs	contagens observadas por fonte (≥ 0)
counts_pred	contagens esperadas sem atenuação (> 0)
plasma_column	coluna de plasma ao longo da linha de visada (≥ 0)

Dados sintéticos

python make_synthetic.py --kappa 0.05 -o sintetico.csv
python kappa_test.py sintetico.csv

Testes

pytest -q

Limitações

• counts_pred é tratado como conhecido exatamente; incertezas sistemáticas no fluxo previsto (nuisance parameters) não são incluídas.
• A aproximação assintótica pode falhar com poucas fontes ou contagens baixas; nesses casos, calibre o TS com pseudo-experimentos.
• Ao usar dados públicos do IceCube, siga os termos de uso e a forma de citação do respectivo data release.

real_data_pipeline/ — pipeline completa para dados reais

Versão mais completa, com crossmatch angular+redshift, bootstrap, calibração nula empírica (10.000 pseudo-experimentos, resolução de p-value ~1e-4), estudo de injeção (viés/cobertura/poder estatístico) e checagem de consistência por energia/hemisfério. Ver real_data_pipeline/README.md e a página Resultados da wiki para os números e gráficos completos (ainda sintéticos).

Dados reais coletados

Uma primeira amostra real do IceCube foi coletada: ICECAT-1 (IceCube Event Catalog of Alert Tracks), 348 eventos de alerta reais (2011–2023), licença CC0, DOI 10.7910/DVN/SCRUCD. Salvo em real_data_pipeline/data/real_samples/, com proveniência completa em real_data_pipeline/DATA_PROVENANCE.md. Gráficos descritivos (mapa celeste, distribuição de energia, SIGNAL vs FAR) na página Real-Data-Analysis da wiki.

Importante: é uma amostra de eventos individuais de alta confiança (triggered), não um catálogo de contagens por fonte fixa — ainda não foi ajustada no modelo de κ (ver limitações na página da wiki e na issue #1). O lado do plasma (FRB/DM) continua sem dados reais.

Ferramentas externas avaliadas

• PISA (framework oficial do IceCube para matrizes de resposta/oscilação): instala e importa com sucesso neste ambiente após apt install build-essential python3-dev — ver issue #17 (fechada). Uso real e concreto: o iminuit (dependência de ajuste do PISA) substituiu o scipy.optimize em real_data_pipeline/src/inference.py — resolveu uma subcobertura real do IC 95% (issue #19). O Pipeline/Stages completo (fluxo, oscilação, área efetiva) foi avaliado e rejeitado para este projeto: exige MC verdade e tabelas oficiais do IceCube que não temos.
• GraphNeT (GNNs para reconstrução de eventos): instalado com sucesso em venv isolado (fora do repo) com torch==2.14.1 + torch_geometric, após um patch local (migração de torch_scatter/torch_sparse/pyg_lib, deprecados e sem wheel para esta combinação, para os equivalentes nativos do torch_geometric) — DynEdge roda forward pass completo. Patch não submetido ao GraphNeT (uso local apenas) — ver real_data_pipeline/GRAPHNET_LOCAL_PATCH.md e issue #18 (fechada) para o diff completo e as limitações.

Licença

MIT — veja LICENSE.