Einführung in die Datenanalyse

Worum geht's

Du lernst grundlegende Methoden zur Analyse experimenteller Daten: Wahrscheinlichkeitsbegriffe, Verteilungen, Fehlerfortpflanzung, Parameterschätzung (Least Squares und Maximum Likelihood) und Signifikanzabschätzung. Am Ende kannst du diese Methoden auf geeignete Daten anwenden und Unsicherheiten sowie die Signifikanz von Signalen abschätzen.

Was du danach kannst

fundamentale statistische Konzepte verstehen und anwenden
grundlegende Datenanalysemethoden auf passende Daten anwenden
Fehlerfortpflanzung erster Ordnung im allgemeinen Fall anwenden
statistische und systematische Unsicherheiten abschätzen und interpretieren
Modellparameter durch Anpassung an (hochdimensionale) Daten schätzen
statistische Signifikanz von Signalen bei nichtverschwindendem Untergrund abschätzen
Python-Programme für Datenanalyseprobleme mit moderater Komplexität entwickeln (bei Teilnahme an den Tutorien)

Aus was das Modul besteht

VorlesungVermittelt das theoretische Fundament; Herleitung von Methoden und Konzepten aus Prinzipien
ÜbungAnwendung der Vorlesungsinhalte an Beispielen; Entwicklung kurzer Python-Programme in Gruppenarbeit

Lehrmethode

VorlesungZur systematischen Vermittlung des theoretischen Fundaments; Herleitungen aus grundlegenden Prinzipien
Übung / GruppenarbeitZur Anwendung der Konzepte an konkreten Beispielen und zur Entwicklung praktischer Python-Lösungen
Beamer, Tafel, Smartboard, ÜbungsblätterZur Unterstützung von Präsentation, Visualisierung und Übungsbearbeitung

Solltest du schon können

Prüfung

mündlichVerständnisfragen

Mündliche Prüfung, Dauer: 30 Minuten. In der Prüfung werden exemplarisch die im Abschnitt Lernergebnisse genannten Kompetenzen durch Verständnisfragen überprüft. Teilnahme an den Übungen wird dringend empfohlen, da sie auf die Prüfungsaufgaben vorbereitet.

Literatur

G. Cowan - Statistical data analysis
R. J. Barlow - Statistics: A Guide to the Use of Statistical Methods in the Physical Sciences
S. Brandt - Datenanalyse für Naturwissenschaftler und Ingenieure
B. Roe - Probability and Statistics in Experimental Physics
M. G. Kendall & A. Stuart - The Advanced Theory of Statistics Vol I-III
V. Blobel & E. Lohrmann - Statistische und numerische Methoden der Datenanalyse
D. S. Sivia & J. Skilling - Data Analysis: a Bayesian Tutorial
P. R. Bevington & D. K. Robinson - Data Reduction and Error Analysis for the Physical Sciences
L. Lyons - Statistics for Nuclear and Particle Physicists

Termine

VorlesungEinführung in die Datenanalyse

Fr.12:00–14:00
2503, Physik Hörsaal 3 (5101.EG.503)
15× · 16.10.–05.02.
- 16.10.
- 23.10.
- 30.10.
- 06.11.
- 13.11.
- 20.11.
- 27.11.
- 04.12.
- 11.12.
- 18.12.
- 08.01.
- 15.01.
- 22.01.
- 29.01.
- 05.02.

ÜbungÜbung zu Einführung in die Datenanalyse2 Gruppen zur Wahl

ADo.12:30–14:00
PH 3268, Besprechungsraum E18 (5101.01.268)
13× · 22.10.–04.02.
- 22.10.
- 29.10.
- 05.11.
- 12.11.
- 19.11.
- 26.11.
- 10.12.
- 17.12.
- 07.01.
- 14.01.
- 21.01.
- 28.01.
- 04.02.
BFr.10:00–12:00
PH 3344, Seminarraum Theorie (5101.01.344)
15× · 16.10.–05.02.
- 16.10.
- 23.10.
- 30.10.
- 06.11.
- 13.11.
- 20.11.
- 27.11.
- 04.12.
- 11.12.
- 18.12.
- 08.01.
- 15.01.
- 22.01.
- 29.01.
- 05.02.

Aus dem laufenden Semester, unverbindlich. Von mehreren Gruppen besucht man eine; der Stundenplan schlägt automatisch die mit den wenigsten Überschneidungen vor.

Filter