The primary objective of this thesis is the search for dark matter in association with a new dark-Higgs boson s, which decays into a WW pair. This analysis utilizes protonproton collision data from the CMS experiment at the LHC in the year 2018, focusing on the final state comprising two oppositely charged leptons and missing transverse energy, with an integrated luminosity of L = 59.7 fb⁻¹ and a center-of-mass energy of 13 TeV. To begin, the WW production process was comprehensively studied to understand its signature, providing foundational groundwork for the subsequent search for the dark-Higgs boson. Subsequently, an analysis was conducted on the dark-Higgs signal and its primary backgrounds, with a focus on identifying the variables that presented the best discrimination capabilities. After that, various machine learning techniques, namely Random Forest, Deep Neural Network (DNN) and parameterized DNN, were employed to gain deeper insights into these variables collectively. These techniques were also utilised for the binary classification of events into ”signal” or ”background.” Finally, a binned likelihood fit was performed following three fitting approaches: to the most discriminant variables, utilizing the DNN discriminant, and employing a the output of a parametric DNN.
El objetivo principal de esta tesis es la búsqueda de materia oscura en asociación con un nuevo bosón de Higgs oscuro s que decae en un par de bosones W, utilizando datos de colisiones protón-protón del experimento CMS en el LHC. Los datos utilizados en este estudio fueron recolectados en 2018, centrándose en el estado final que comprende dos leptones de carga opuesta y energía transversal faltante, con una luminosidad integrada de L = 59.7 fb⁻¹ y una energía de centro de masas de 13 TeV. Para comenzar, se estudió exhaustivamente el proceso de producción de bosones WW para entender la señal que estos dejan en el detector, sirviendo como trabajo previo para la búsqueda posterior del bosón de Higgs oscuro. Posteriormente, se realizó un análisis de la señal del bosón de Higgs oscuro y sus fondos principales, centrándose en identificar las variables que presentan mejor separación entre señal y fondos. Por otra parte, se emplearon diversas técnicas de Machine Learning, como Random Forest, Deep Neural Networks (DNN) y DNN parametrizadas, para obtener una comprensión más profunda de estas variables. Estas técnicas también se utilizaron para la clasificación binaria de eventos entre ”señal” y ”fondo”. Finalmente, se llevó a cabo un ajuste siguiendo tres procedimientos diferentes: usando las variables más discriminantes, utilizando el discriminante de DNNs individuales y empleando la DNN parametrizada.
