Loading
0000000655 21S 2SWS VO Einführung in die Datenanalyse   Hilfe Logo

LV - Detailansicht

Wichtigste Meldungen anzeigenMeldungsfenster schließen
Allgemeine Angaben
Einführung in die Datenanalyse 
0000000655
Vorlesung
2
Sommersemester 2021
Lehrstuhl für Physik I (E18) - (Prof. Paul)
(Kontakt)
Details
Zuordnungen: 1 
Angaben zur Abhaltung
In der Vorlesung werden grundlegende Methoden zur Analyse experimenteller Daten eingeführt. Unter anderem werden die folgenden Themen behandelt:

- die wissenschaftliche Methode
- das Konzept von Wahrscheinlichkeit und seine Interpretationen
- Satz von Bayes
- Zufallsvariablen
- Wahrscheinlichkeitsverteilungen und ihre Momente
- wichtige Wahrscheinlichkeitsverteilungen: Binomial-, Multinomial-, Poisson- und Gauß-Verteilung
- Multivariate Verteilungsfunktionen
- Marginalverteilung und bedingte Verteilung
- Kovarianz und Korrelationskoeffizient
- Funktionen von (mehreren) Zufallsvariablen
- Zentraler Grenzwertsatz
- Gaußsche Fehlerfortpflanzung für n-dimensionale Funktionen und Kovarianzmatrix
- statistische und systematische Unsicherheiten
- Schätzung von Parameterwerten mit der Methode der kleinsten Quadrate
- Schätzung der Anpassungsgüte
- Schätzung von Parameterwerten mit der (erweiterten) Maximum-Likelihood-Methode
- Zusammenhang zwischen der Methode der kleinsten Quadrate und der Maximum-Likelihood-Methode
- Schätzung der Signifikanz von Signalen
Es sind keine Vorkenntnisse nötig, die über die Zulassungsvoraussetzungen zum Masterstudium hinausgehen.
Nach erfolgreicher Teilnahme an diesem Modul sind die Studierenden in der Lage

- fundamentale statistische Konzepte zu verstehen und anzuwenden
- grundlegende Datenanalysemethoden zu verstehen und auf geeignete Daten anzuwenden
- Fehlerfortpflanzung 1. Ordnung im allgemeinen Fall anzuwenden
- statistische und systematische Unsicherheiten abzuschätzen und korrekt zu interpretieren
- Modellparameter durch Anpassung an (hochdimensionale) Daten zu schätzen
- die statistische Signifikanz von Signalen bei nichtverschwindendem Untergrund zu schätzen
- (Bei Teilnahme and den Tutorien) Programme für Datenanalyseprobleme mit moderater Komplexität zu entwickeln
Englisch
Vortrag
Das Ziel der Vorlesung ist es, ein solides theoretisches Fundament zu vermitteln. Dazu werden, wenn möglich, Methoden und Konzepte aus fundamentalen Prinzipien hergeleitet.

In den Übungen werden die in der Vorlesung erklärten Konzepte auf konkrete Beispiele angewandt. Dabei werden in Gruppenarbeit kurze Python-Programme entwickelt. Die Beispiele stammen hauptsächlich aus dem Bereich der Teilchenphysik. Die Übungen fokussieren sich jedoch auf die statistischen Aspekte der behandelten Probleme und sind so aufbereitet, dass kein tieferes Vorwissen in Teilchenphysik erforderlich ist.
Details
Für die Anmeldung zur Teilnahme müssen Sie sich in TUMonline als Studierende*r identifizieren.
Zusatzinformationen
- G. Cowan, "Statistical data analysis", Oxford University Press.
- R. J. Barlow, "Statistics: A guide to the use of statistical methods in the Physical Sciences", Wiley Verlag.
- S. Brandt, "Datenanalyse für Naturwissenschaftler und Ingenieure", Springer Spektrum.
- B. Roe, "Probability and Statistics in Experimental Physics", Springer Verlag.
- M. G. Kendall and A. Stuart, "The Advanced Theory of Statistics Vol I-III", Charles Griffin, London.
- V. Blobel und E. Lohrmann, "Statistische und numerische Methoden der Datenanalyse", Teubner Studienbücher Verlag.
- D. S. Sivia and J. Skilling, "Data Analysis, a Bayesian Tutorial", Oxford Science Publications.
- P. R. Bevington and D. K. Robinson, "Data reduction and error analysis for the physical sciences", McGraw-Hill.
- L. Lyons, "Statistics for nuclear and particle physics", Cambridge University Press.
Online Unterlagen
E-Learning Kurs (Moodle)
[LV-Evaluation:PH]