Computer-baseret introduktion til dataanalyse for Fysik, Nano- og Sundhedsteknologi
Overordnede kursusmål
Ved kursusafslutning vil deltagere være i stand til at: identificere hvilke elementære typer tilfældig opførsel, man kan forvente i en given situation og vide hvordan man afgør om det er tilfældet og hvorledes det bruges i dataanalyse og modellering af stokastiske processer; udføre basal estimering og kurvefitning, når data indeholder forskellige type af stokastiske påvirkninger; og validere deres resultater ved at udføre Monte Carlo simuleringer af elementær stokastisk opførsel af forskellig natur.
See course description in English
Læringsmål
- Redegøre for egenskaber ved binomial-, Poisson-, Gauss-, exponential-, Erlang-, Gamma-, og Cauchy-fordelinger.
- Forklare princippet for og anvendelsen af maksimum likelihood estimering samt maximum likelihood-estimere nævnte fordelingers parametre fra givne data.
- Redegøre for indholdet af det Centrale Grænseteorem.
- Computer-simulere random walks og Brownsk bevægelse, forklare deres matematiske natur, og modellere Brownsk bevægelse i simple kraftfelter.
- Udføre power spektrum analyse for bundne og vedholdende Brownske bevægelser og relatere bevægelse og analyse til optiske pincetter.
- Forklare og anvende Fick’s teoremer, diffusionsligningen og diffusionsligningen med konvektion.
- Analysere data-analytiske og modellerings-situationer for at kunne identificere stokastiske elementer og genkende hvor ovenstående sandsynlighedsfordelinger optræder.
- Evaluere om en sandsynlighedsfordeling eller en model er I statistisk overensstemmelse med givne data.
- Fitte kurver til ukorrelerede data med maximum likelihood estimering og specialtilfældet (vægtet) mindste-kvadraters metode. Identificere situationer hvor metoderne kan anvendes eller ej.
- Identificere simple korrelationer i tidsserier, forklare deres konsekvenser for analysen, inkl. hvordan man i så fald finder usikkerheden på middelværdier af stationære tidsserier.
- Identificere data-analytiske og/eller modellerings-situationer som falder udenfor kursets sigte.
- Kommunikere problemer og løsninger til fagfæller.
Kursusindhold
Dette kursus henvender sig til studerende indenfor nano-science, fysik, biofysik, sundhedsteknologi, kemi, og mange andre områder. Dets substans er central viden som forståelsen af al stokastisk opførsel bygger på, inklusiv al eksperimentel data-analyse. Eksemplerne der bruges som illustrationer, er vigtige i fysik, biofysik og nano-videnskab. Men selv eksemplerne har universel anvendelse, da deres matematiske form dukker op i andre sammenhænge, blot iklædt andre enheder. Kurset er computer-baseret, hands-on. Matematik indføres, når deltagerne i computer-simuleringer observerer fænomener, som med fordel beskrives matematisk og til at udvikle de data-analytiske værktøjer. Programmeringssproget er MATLAB, men Python kan bruges i stedet med en lille ekstra indsats. Assistance med MATLAB/Python tilbydes, men nogen rutine i mindst et af disse sprog og matematik er forudsat.
Anbefalede forudsætninger
Matematik og regnefærdighed på et niveau svarende til DTUs Master-studerende i fysik og nanoteknologi.
Rutine i grundlæggende MATLAB/Python programmering.
Undervisningsform
Ugentlige forelæsninger, teoretiske regneøvelser, selvstændig læsning, computerøvelser, små projekter.