Computergestützte Datenanalyse
Computerbased Data Analysis

Modul PH2099

Diese Modulbeschreibung enthält neben den eigentlichen Beschreibungen der Inhalte, Lernergebnisse, Lehr- und Lernmethoden und Prüfungsformen auch Verweise auf die aktuellen Lehrveranstaltungen und Termine für die Modulprüfung in den jeweiligen Abschnitten.

Modulversion vom WS 2016/7 (aktuell)

Von dieser Modulbeschreibung gibt es historische Versionen. Eine Modulbeschreibung ist immer so lange gültig, bis sie von einer neuen abgelöst wird.

verfügbare Modulversionen
WS 2016/7WS 2010/1

Basisdaten

PH2099 ist ein Semestermodul in Deutsch oder Englisch auf Master-Niveau das im Wintersemester angeboten wird.

Das Modul ist Bestandteil der folgenden Kataloge in den Studienangeboten der Physik.

  • Allgemeiner Spezialfachkatalog Physik
  • Spezifischer Spezialfachkatalog Kern-, Teilchen- und Astrophysik

Soweit nicht beim Export in einen fachfremden Studiengang ein anderer studentischer Arbeitsaufwand ("Workload") festgelegt wurde, ist der Umfang der folgenden Tabelle zu entnehmen.

GesamtaufwandPräsenzveranstaltungenUmfang (ECTS)
150 h 70 h 5 CP

Inhaltlich verantwortlich für das Modul PH2099 ist Boris Grube.

Inhalte, Lernergebnisse und Voraussetzungen

Inhalt

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

Lernergebnisse

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 geeignetet 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 mit Hilfe des C++ Frameworks "ROOT" zu entwickeln

Voraussetzungen

Keine Vorkenntnisse nötig, die über die Zulassungsvoraussetzungen zum Masterstudium hinausgehen.

Lehrveranstaltungen, Lern- und Lehrmethoden und Literaturhinweise

Lehrveranstaltungen und Termine

ArtSWSTitelDozent(en)Termine
VO 2 Computerbased Data Analysis Grube, B. Di, 14:00–16:00, PH 3268
UE 2 Übung zu Computergestützte Datenanalyse Grube, B. Termine in Gruppen

Lern- und Lehrmethoden

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 Tutorübungen werden die in der Vorlesung erklärten Konzepte auf konkrete Beispiele angewandt. Dabei werden in Gruppenarbeit kurze C++-Programme mit Hilfe des Datenanalyse-Frameworks "ROOT" 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.

Medienformen

Präsentation via Beamer, Tafelarbeit, Smartboard, Übungsblätter

Literatur

  • 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.

Modulprüfung

Beschreibung der Prüfungs- und Studienleistungen

In einer schriftlichen Prüfung von 60 Minuten Dauer wird das Erreichen der Lernergebnisse durch Verständnisfragen und Beispielaufgaben bewertet.

Die Prüfung kann in Übereinstimmung mit §12 (8) APSO auch mündlich abgehalten werden, in diesem Fall ist der Richtwert für die Prüfungsdauer 25 Minuten.

Kondensierte Materie

Wenn Atome sich zusammen tun, wird es interessant: Grundlagenforschung an Festkörperelementen, Nanostrukturen und neuen Materialien mit überraschenden Eigenschaften treffen auf innovative Anwendungen.

Kern-, Teilchen-, Astrophysik

Ziel der Forschung ist das Verständnis unserer Welt auf subatomarem Niveau, von den Atomkernen im Zentrum der Atome bis hin zu den elementarsten Bausteinen unserer Welt.

Biophysik

Biologische Systeme, vom Protein bis hin zu lebenden Zellen und deren Verbänden, gehorchen physikalischen Prinzipien. Unser Forschungsbereich Biophysik ist deutschlandweit einer der größten Zusammenschlüsse in diesem Bereich.