Upload
others
View
4
Download
0
Embed Size (px)
Citation preview
Mathematik-Vorkurs
www.kip.uni-heidelberg.de/user /hausmann
Dort sind alle Lehrveranstaltungen aufgeführt
=> Übungsblätter
Einteilung Übungsgruppen für Studierende der
Medizin/Zahnmedizin
5.3. – 11.3. entweder 13:15h - 15:00h oder 15:15h – 17:00h
Gruppen und Räume
http://www.kip.uni-heidelberg.de/user/hausmann/index.php/MatheVor
Einteilung Studierende der Biologie:
Philosophenweg 12, R056, R059
Mittwoch + Freitag
2 Gruppen 13:15h
Hörsaal
INF 308
Philosophenweg 12
1. Tag
von Tera bis pico
Stoffmengen
Sphärenvolumen 2D 3D
Sphärenrand 2D 3D
Geometrische Körper: Volumen, Oberfläche etc.
Gleichungen auflösen
Potenzen
xⁿ log √ e ln
1. Tag und 2. Tag
sin x, cos x, tan x, cot x
Vektor
Betrag, Fläche
Produkte : ∙ x
Funktionen
Graphische Darstellung
2. Tag
Graphische Darstellung in Netzpapiere
Ableitungen und Herleitung
Kombinatorische Überlegungen
∑ ∏ n! n!/(n-k)!k!
3. Tag und 4. Tag
Pascal Δ mit Herleitung
Verteilungen (Binomial, Gauß, Poisson)
Mittelwerte μ
Median
(Standardabweichung, Varianz)
Fehlerfortpflanzung
Reihenentwicklungen
4.Tag
Integral
Gradmaß, Bogenmaß
Kreiswinkelelement, Raumwinkelelement
Statistische Analyse von Kollektiven
Tests: Falsch positiv, falsch negativ, Spezifität, Sensitivität, Prävalenz, positiver prädiktiver Wert
E Exa gr. exa: über alles / gr. εξάκις, hexákis =
sechsmal (103)6 = 1018
P Peta gr. petanynnein: alles umfassen / gr.
πεντάκις, pentákis = fünfmal (103)5 = 1015
T Tera gr. τέρας, téras = Ungeheuer / τετράκις, tetrákis = viermal
(103)4 = 1012
G Giga gr. γίγας, gígas = Riese (103)3 = 109
M Mega gr. μέγα, méga = groß (103)2 = 106
k Kilo gr. χίλιοι, chílioi = tausend (103)1 = 103
h Hekto gr. εκατόν, hekatón = hundert 102
da Deka gr. δέκα, déka = zehn 101
--- --- --- 100
d Dezi lat. decimus = zehnter 10−1
c Zenti lat. centesimus = hundertster 10−2
m Milli lat. millesimus = tausendster (10−3)1 = 10−3
μ Mikro gr. μικρός, mikrós = klein (10−3)2 = 10−6
n Nano gr. νάνος, nános und ital. nano = Zwerg (10−3)3 = 10−9
p Piko ital. piccolo = klein (10−3)4 = 10−12
f Femto skand. femton/femten = fünfzehn (10−3)5 = 10−15
a Atto skand. arton/atten = achtzehn (10−3)6 = 10−18
Zeichen Name2
(altgr. Schreibung)
Altgr.
Transkription
Altgr.
Aussprache
Α, α Alpha (ἄλφα) a [a], [aː]
Β, β Beta (βῆτα) b [b]
Γ, γ Gamma (γάμμα) g [g]
Δ, δ Delta (δέλτα) d [d]
Ε, ε Epsilon (ἔ ψιλόν) e [e]
Ζ, ζ Zeta (ζῆτα) z [zd], [dz]
Η, η Eta (ἦτα) ē [ɛː]
Θ, θ Theta (θῆτα) th [tʰ]
Ι, ι Iota (ἰῶτα) i [i], [iː]
Κ, κ Kappa (κάππα) k [k]
Λ, λ Lambda (λάμβδα) l [l]
Μ, μ My (μῦ) m [m]
Ν, ν Ny (νῦ) n [n]
Ξ, ξ Xi (ξῖ) x [ks]
Ο, ο Omikron (ὄ μικρόν) o [o]
Π, π Pi (πῖ) p [p]
Ρ, ρ Rho (ῥῶ) r(h) [r], [rʰ]
Σ, σ Sigma (σῖγμα) s [s], [z]
Τ, τ Tau (ταῦ) t [t]
Υ, υ Ypsilon (ὔ ψιλόν) y
bei αυ, ευ, ου: u [y], [yː]
Φ, φ Phi (φῖ) ph [pʰ]
Χ, χ Chi (χῖ) ch [kʰ]
Ψ, ψ Psi (ψῖ) ps [ps]
Ω, ω Omega (ὦ μέγα) ō [ɔː]
Zum Üben und Spielen
(para..)
(epi..)
(ana..)
(kata..)
(meta..)
(dia…)
Vektoren
Periodische Funktionen
Binomialverteilung
Beispiel: Mitte = Fach 4 in der 8 Reihe => 70/256
Wie groß ist die Wahrscheinlichkeit W dafür, dass ein Ereignis A („Kugel fällt
nach links“ oder „Kugel fällt nach rechts“) bei n voneinander unabhängigen
Versuchen genau k-mal eintritt, wenn p die Wahrscheinlichkeit für das Eintreten
von A und (1-p) die Wahrscheinlichkeit für das Nichteintreten ist.
Von Schlurcher - Eigenes Werk (Mathematica), CC BY 3.0,
https://commons.wikimedia.org/w/index.php?curid=7712683
Wahrscheinlichkeitsfunktion der Binomialverteilung für
n=20 ; p=0.1(blau), p=0.5 (grün) und p=0.8 (rot)
Wahrscheinlichkeitsverteilung
Kumulative Verteilungsfunktion
Poisson-Verteilung
Wahrscheinlichkeitsfunktion der Poisson-Verteilung
für λ = 1 (blau), λ = 5 (grün) und λ = 10 (rot)
Die Poisson-Verteilung wird deshalb manchmal als die Verteilung der seltenen Ereignisse
bezeichnet. Die Symmetrie zwischen Erfolg und Misserfolg mit jeweils anzugebenden
Wahrscheinlichkeiten ist hier verloren gegangen.
= Mittelwert der Ereignisse
in einem betrachteten Intervall
(hier arithmetrisches Mittel)
Poisson-Verteilung
Die drei poissonschen Annahmen lauten:
Innerhalb des Intervalls [w, w + Δw] gibt es höchstens ein Ereignis und
beliebig viele Momente, in denen nichts geschieht (Seltenheit).
Die Wahrscheinlichkeit, ein Ereignis im Intervall zu finden, ist proportional
zur Länge des Intervalls Δw .
Das Eintreten eines Ereignisses im Intervall Δw wird nicht beeinflusst von
Ereignissen, die in der Vorgeschichte stattgefunden haben
(Geschichtslosigkeit).
Beispiel für Poisson-Verteilung
Die Blitzhäufigkeit in Deutschland beträgt
10 Einschläge pro km² = 0,1 Einschläge pro ha und Jahr.
Wie groß ist die Wahrscheinlichkeit, dass es in einer Parzelle von 1 ha zu n Blitzeinschlägen
in einem Jahr kommt?
λ = 0,1 Einschläge pro Hektar und Jahr.
P0,1(k = 0) (kein Einschlag im betrachteten Jahr): 90%
P0,1(k = 1) (ein Einschlag im betrachteten Jahr): 9%
P0,1(k = 2) (zwei Einschläge im betrachteten Jahr): 0,5%
P0,1(k = 3) (drei Einschläge im betrachteten Jahr): 0,02%
Statistisch ist es nicht verwunderlich, wenn ein Blitz innerhalb von 200 Jahren zweimal am
gleichen Ort einschlägt, wobei es außerordentlich unwahrscheinlich ist, den Ort
voraussagen zu können .
Gauß Verteilung
Gauß Verteilung
0 1 2 3 4 5 6
0.0
0.1
0.2
0.3
0.4
Messwert
G(x
)
2
2
x x
21
G x e2
2
221
G x e 0.241972
01G x e 0.3989
2
= 1:
Modus Ausprägung mit höchster Häufigkeit
Median Sofern sortiert sind:
Arithmetisches Mittel
Geometrisches Mittel
Harmonisches Mittel
Quadratisches Mittel
Kubisches Mittel
Verwendung von logarithmischen
Papieren
1 Dekade
KEIN NULLPUNKT !
Fehlerfortpflanzung:
Wie beeinflusst der Messfehler ein abgeleitetes Ergebnis?
x x
F(x)
F(x)
x x
F(x)
F(x)
x x
F(x)
F(x)
dF x
F x xdx
Raumwinkel
dθ
θ
θ
Hinterfrage die Statistik und
traue keiner Statistik,
die Du nicht verstanden hast!
Wiley. Interscience 2008
Statistik medizinischer Tests
Richtig positiv: Der Patient ist krank, und der Test hat
dies richtig angezeigt.
Falsch negativ: Der Patient ist krank, aber der Test hat
ihn fälschlicherweise als gesund eingestuft.
Falsch positiv: Der Patient ist gesund, aber der Test hat
ihn fälschlicherweise als krank eingestuft.
Richtig negativ: Der Patient ist gesund, und der Test hat
dies richtig angezeigt.
Person ist krank
(rp+fn)
Person ist gesund
(fp+rn)
Test positiv
(rp+fp) richtig positiv (rp) falsch positiv (fp)
Test negativ
(fn+rn) falsch negativ (fn) richtig negativ (rn)
Prävalenz(ratio) = Anzahl der zum Untersuchungszeitpunkt
Kranken / Anzahl der "betrachteten" Individuen
Inzidenz(rate) = Anzahl der neu Erkrankten / (betrachtete
Zeitspanne * Anzahl der "betrachteten" Individuen)
Inzidenz wird häufig angegeben als Anzahl der
Neuerkrankungen pro Jahr pro 100.000 Einwohner
Die Sensitivität (auch Richtig-Positiv-Rate, Empfindlichkeit
oder Trefferquote; englisch sensitivity, true positive rate, recall oder hit
rate) gibt den Anteil der korrekt als positiv klassifizierten Objekte an
der Gesamtheit der tatsächlich positiven Objekte an. Beispielsweise
entspricht Sensitivität bei einer medizinischen Diagnose dem Anteil
an tatsächlich Kranken, bei denen die Krankheit auch erkannt wurde.
Entsprechend gibt die Falsch-Negativ-Rate (englisch false negative
rate oder miss rate) den Anteil der fälschlich als negativ klassifizierten
Objekte an, die in Wirklichkeit positiv sind, also im Beispiel die
tatsächlich Kranken, die aber als gesund diagnostiziert werden.
Sensitivität = rp / (rp + fn)
Falsch-negativ-Rate = fn / (rp + fn)
Die Spezifität (auch Richtig-Negativ-Rate oder
Kennzeichnende Eigenschaft; englisch: specificity, true negative rate
oder correct rejection rate) gibt den Anteil der korrekt als negativ
klassifizierten Objekte an der Gesamtheit der in Wirklichkeit
negative Objekte an. Beispielsweise gibt die Spezifität bei einer
medizinischen Diagnose den Anteil der Gesunden an, bei denen
auch festgestellt wurde, dass keine Krankheit vorliegt.
Entsprechend gibt die Falsch-Positiv-Rate (auch Ausfallrate;
englisch fallout oder false positive rate) den Anteil der fälschlich als
positiv klassifizierten Objekte an, die in Wirklichkeit negativ sind.
Im Beispiel würde dann ein tatsächlich Gesunder zu Unrecht als
krank diagnostiziert.
Spezifität = rn / (rn + fp)
Falsch-positiv-Rate = fp / (rn + fp)
Als positive Vorhersagewert (auch Relevanz, Wirksamkeit,
Genauigkeit, positiver prädiktiver Wert; englisch: precision oder
positive predictive value; Abkürzung: PPV) gibt den Anteil der korrekt
als positiv erkannten Ergebnisse an der Gesamtheit der als positiv
erkannten Ergebnisse an (erste Zeile der Wahrheitsmatrix).
Beispielsweise gibt der positive Vorhersagewert einer
medizinischen Diagnose an, wie viele Personen, bei denen die
Krankheit festgestellt wurde, auch tatsächlich krank sind.
PPW = rp / rp + fp
Entsprechend gibt der negative Vorhersagewert (auch
Segreganz oder Trennfähigkeit; englisch: negative predictive value;
Abkürzung: NPV) den Anteil der korrekt als negativ erkannten
Ergebnisse an der Gesamtheit der als negativ erkannten
Ergebnisse an (zweite Zeile der Wahrheitsmatrix). Im Beispiele
entspricht das dem Anteil der tatsächlich gesunden Personen, bei
denen die Krankheit nicht festgestellt wurde.
Segreganz = rn / rn + fn
Die Falschklassifikationsrate (auch Größe des
Klassifikationsfehlers) gibt den Anteil der aller Objekte an, die
falsch klassifiziert werden. Der restliche Anteil entspricht der
Korrektklassifikationsrate (auch Vertrauenswahrscheinlichkeit).
Im Beispiel der Diagnose wäre die Falschklassifikationsrate der Anteil
an falsch positiven und falsch negativen Diagnosen an der
Gesamtzahl der Diagnosen, die Korrektklassifikationsrate hingegen
der Anteil der richtig positiven und richtig negativen Diagnosen.
Die Korrektklassifikationsrate entspricht der geschätzten
Wahrscheinlichkeit
.
und die Falschklassifikationsrate der geschätzten Wahrscheinlichkeit
.
Die Korrekt- und die Falschklassifikationsrate addieren sich
entsprechend zu 1 oder 100 %.
Das Ziel eines HIV-Tests sollte die möglichst sichere Erkennung eines Infizierten sein. Aber
welche Konsequenzen ein falsch positiver Test haben kann, zeigt das Beispiel eines Menschen,
der sich auf HIV testen lässt und dann aufgrund eines falsch-positiven Ergebnisses Suizid
begeht.
HIV positiv HIV negativ
HIV-Test
positiv 66 933 82 000 148 933
HIV-Test
negativ 67 ca. 82 Mio
Summe 82 Mio
Zwar würden von 67.000 tatsächlich Erkrankten lediglich 67 HIV-Infizierte fälschlicherweise
nicht erkannt, aber ca. 82.000 Personen würden fälschlicherweise als HIV-positiv
diagnostiziert. Von 148.933 positiven Ergebnissen wären etwa 55 % falsch positiv, also mehr
als die Hälfte der Getesteten. Somit liegt die Wahrscheinlichkeit, dass jemand, der positiv
getestet wurde, auch wirklich HIV-positiv ist, bei nur 45 %. Anders formuliert, der positive
Vorhersagewert beträgt 45 %. Dieser, angesichts der sehr geringen Fehlerrate von 0,1 %,
niedrige Wert liegt darin begründet, dass HIV nur bei etwa 0,08 % der Bundesbürger auftritt.
Bei einer angenommenen Genauigkeit von 99,9 % des kombinierten HIV-Tests sowohl für
positive als auch negative Ergebnisse (Sensitivität und Spezifität = 0,999) und der aktuellen
Verbreitung von HIV (Stand 2009) in der deutschen Bevölkerung (82.000.000 Einwohner,
davon 67.000 HIV-positiv) wäre ein allgemeiner HIV-Test verheerend.