(Deutsche Version unten)This lecture gives an overview about the mosts important methods for statistically correct data analysis in physics. It is meant to deepen the knowledge on statistical techniques already used in lab courses, and will provide the necessary equipment for Bachelor, Master and PhD theses in experimental physics.
In studying the various techniques we will focus on an intuitive understanding of the concepts behind statistical data evaluation.
Statistics and probability calculus are deeply connected. Therefore, the first part of the lectures will concentrate on the meaning of probability and probability distributions. The 2nd part is about measurement errors and error propagation, followed by more complicated topics like parameter estimation ("fits"), hypothesis tests ("how confident am I about the interpretation of a measurement") and confidence intervals. If there is time left, we will briefly discuss deconvolution techniques and machine learning tools.
The exercises will often deal with programming small scripts using the ROOT analysis framework, which is C++ based. This is an ideal opportunity to learn about small data analysis projects before starting with a Bachelor or Master project.
More information is available from StudOn .
========================================
Die Vorlesung bietet einen Überblick über die wichtigsten Methoden zur statistisch korrekten Auswertung von Messdaten. Sie vertieft die im Praktikum erlernen Techniken und legt den Grundstein für Master- und Doktor-Arbeiten in der experimentellen Physik.
Wir werden beim Erlernen der Methoden so weit möglich auf unsere Intuition setzen, und ein tieferes Verständnis der verschiedenen Konzepte anstreben.
Die Statistik ist eng mit der Wahrscheinlichkeitsrechnung verknüpft. Wir werden uns deshalb im ersten Teil der Vorlesung mit den Begriffen Wahrscheinlichkeit und Wahrscheinlichkeitsverteilungen beschäftigen. Der zweite Teil der Vorlesung beginnt mit einer Einführung in Messfehler und Fehlerrechnung, bevor wir uns mit komplizierteren Dingen wie Parameterschätzungen (etwa "Fits") und Konfidenzintervallen ("wie groß ist mein Vertrauen in die Richtigkeit meiner Messung?") zuwenden. Es folgen Hypothesentests ("Ist ein bestimmtes Modell mit der Beobachtung verträglich?"). Am Ende der Vorlesung werden wir uns mit Entfaltung und maschinellem Lernen beschäftigen.
Zum Bearbeiten der Übungen werden wir häufiger den Computer benutzen, und deshalb kleinere Programme mit dem Analysepaket ROOT (C++ basiert) entwickeln, was ganz nebenbei auf die Datenanalyse im Rahmen einer Master-Arbeit vorbereitet.
Weitere Informationen stehen auf der Studon-Platform bereit.