Das Ziel der Vorlesung ist, die Studierenden mit den wichtigsten statistischen Verfahren vertraut zu machen, die in der Analyse von experimentellen Daten benötigt werden. Ein essentieller Bestandteil der Vorlesung ist die praktische Demonstration der Methoden anhand von echten oder simulierten Datensätzen, die für die experimentelle Praxis typisch sind. Alle verwendeten Rechenverfahren sind in Matlab implementiert und werden den Studierenden zusammen mit den Datensätzen zur Verfügung gestellt.
1. Deskriptive Statistik: Wie kann ich meine experimentellen Daten knapp, aber aussagekräftig präsentieren? 2. Stochastische Modellierung: Wie kann ich ein Modell für meine Daten finden, das die zufälligen Komponenten des Experiments korrekt beschreibt, und welche Modelle sind dafür in der Praxis relevant? 3. Parametrische Schätzverfahren, Konfidenzintervalle: Wie kann ich aus meinen Daten physikalische Größen schätzen, und wie kann ich die Unsicherheit meiner Schätzung angeben? 4. Lineare Regression: Besteht ein Zusammenhang zwischen zwei (oder mehr) beobachteten Größen, und wie kann ich ihn quantifizieren? 5. Untergrundmodellierung, Robuste Verfahren: Wie kann ich mein gemessenes Signal vom unvermeidlichen Untergrund abtrennen, und wie kann ich den Einfluss des Untergrunds minimieren? 6. Parametrische und nichtparametrische Tests: Wie kann ich überprüfen, ob meine Daten signifikant von der Theorie abweichen? 7. Simulation: Warum soll ich mein Experiment simulieren und wie gehe ich dabei vor?
Das Handout (4 Folien pro Seite) kann von den angemeldeten Studierenden heruntergeladen werden. Empfohlene Bücher: L. Lyons, A practical guide to data analysis for physical science students, Cambridge University Press, 1991. L. Lyons, Statistics for Nuclear and Particle Physicists, Cambridge University Press, 1986. W. Stahel, Statistische Datenanalyse: Eine Einführung für Naturwissenschaftler, Vieweg+Teubner, 2007. V. Blobel und E. Lohrmann, Statistische und numerische Methoden der Datenanalyse, Teubner, 1998. L. Fahrmeir et al., Statistik: Der Weg zur Datenanalyse, Springer, 2007. S. M. Ross, Statistik für Ingenieure und Naturwissenschaftler, Spektrum, 2006.
