Vorlesung (Einführung in die) Computergestützte Datenauswertung Günter Quast, Andreas Poenicke Fakultät für Physik Institut für Experimentelle Kernphysik KIT – Die Forschungsuniversität in der Helmholtz-Gemeinschaft SS 2016 www.kit.edu Vorlesung „Rechnergestützte Datenauswertung“ Prof. Dr. G. Quast, Dr. A. Poenicke & viele Assistenten Ort und Zeit: vierzehntägig mit Computerübung Leitung: Dr. A. Poenicke vierzehntägig (Gruppen alternierend) Mo. vormittags im CIP-Pool der Fakultät bzw. SCC oder mit eigenen Notebooks in Seminarräumen (s. Folie „Terminplan“) Organisatorisches Stellung im Studienplan: Pflichtveranstaltung als Schlüsselkompetenz für Studierende im Bachelor-Studiengang Physik - andere willkommen Zielgruppe: Studierende ab dem 2. Semester Voraussetzungen: - keine - Erwerb der Leistungspunkte (2 ECTS, PO 2015) durch „unbenotete Erfolgskontrolle anderer Art“: erfolgreiches Bearbeiten von 50% der Pflichtaufgaben auf den Übungsblättern Details siehe Homepage der Übungen: http://comp.physik.kit.edu/Lehre/CGDA Inhalt Einführung, Umgang mit dem Computer, Aufsetzen der eigenen Arbeitsumgebung – vorzugsweise unter dem Betriebssystem Linux – oder in einer „virtuellen Maschine“, – alternativ unter MS Windows 10 oder MAC OSX Eingabe und Darstellung von Daten mit python/matplotlib Die Rolle des Zufalls „künstliche“ Daten mit der MC-Methode erzeugen Statistische Grundlagen diskrete und kontinuierliche Verteilungen und deren Eigenschaften Statistik II: Schätzen von Parametern und Fehlerfortpflanzung Statistik III: Anpassung von Modellen an Messdaten Statistik IV: Korrelationen und ausgewählte Problemstellungen Ausblick: Hypthesentests, Machine learning …. Terminplanung Vorlesung 21.4. Einführung und Hinweise zum Aufsetzen der eigenen Arbeitsumgebung 28.4. python und matplotlib 12.5. Tutorium: Hilfestellung beim Aufsetzen der eigenen Umgebung 19.5. Einführung Statistik, Wahrscheinlichkeit, Verteilungen 2.6. Fehlerfortpflanzung, mehrdimensionale Verteilungen und Korrelation 16.6. Simulation mit Zufallszahlen: Die Monte-Carlo-Methode 30.6 Parameterschätzung und Anpassung von Modellen an Messdaten 14.7. ausgewählte Problemstellungen mit dem Werkzeug „kafe“ 21.7. Ausblick: statistische Tests und Klassifizierung b Übung (14tägig, Gruppen 1a–9a bzw. 1b–9b a b 25.4./ 2.5. 9.5./23.5. 30.5./ 6.6. 13.6./20.6. 27.6./ 4.7. 11.7./18.7. 18.7. Hilfe beim Aufsetzen der eigenen Arbeitsumgebung Einfache Übungen in Python Ü1 Erzeugen von „Daten“ und graphische Darstellung Ü2 Berechnung statistischer Größen, Fehlerfortpflanzung, Grenzwertsatz Ü3 Funktionsanpassung, Einführung „kafe“ Ü4 Datenauswertung mit „kafe“ letzter Termin für ausstehende Testate Literatur ● Eigene Skripte zur Veranstaltung – Funktionsanpassung – Software-Paket kafe – Virtuelle Maschine http://www.ekp.kit.edu/~quast ● M. Erdmann und T. Hebbeker, Experimentalphyik 5 Moderne Methoden der Datenanalyse Springer Lehrbuch 2013 digital über die KITBibliothek Literatur für Fortgeschrittene G. Bohm u. G. Zech, “Einführung in Statistik und Messdatenanalyse für Physiker”, DESY, Hamburg 2005, e-book http://www-library.desy.de/preparch/books/vstatmp.pdf V. Blobel, E. Lohrmann “Statistische und numerische Methoden der Datenanalyse”, Teubner, Stuttgart 1998 http://www.desy.de/~blobel/eBuch.pdf G. Cowan “Statistical Data Analysis”, Clarendon, Oxford, 1998 R.J. Barlow ”Statistics”, Wiley1989 D.S. Sivia “Data Analysis” – A Bayesian Tutorial, Clarendon, Oxford 1996 + viele mehr, z.B. S. Brandt, “Datenanaylse” , Springer (recht mathematisch)
© Copyright 2024 ExpyDoc
