Wichtige Verteilungen der Biostatistik Bernoulli

Bernoulli-Experiment
Wichtige
Verteilungen
der
Biostatistik
das Zufallsexperiment hat zwei mögliche Ausfälle:
E (Erfolg), Ē (Misserfolg)
das Experiment wird n mal wiederholt (n Stufen)
die Wahrscheinlichkeit in einem Einzelversuch
für E ist: p(E) = p, für p(Ē) = 1-p = q
– Die Wahrscheinlichkeit für das Eintreten des betrachteten
Ereignisses E ist in jedem Einzelversuch gleich.
– In jedem Einzelversuch ist das Ergebnis unabhängig von
den Ergebnissen aller anderen Versuche.
Wir suchen die Wahrscheinlichkeit, dass wir bei einem n-mal
wiederholten Experiment (n-stufiges Bernoulli Experiment)
genau k-mal Erfolg haben.
http://ccl.northwestern.edu/netlogo/models/GaltonBox
KAD 2016.09.29
für n = 3
0
3
125
 1 5
AZ6 0-mal: p0  1     
Würfelversuch als Bernoulli-Experiment
E (Erfolg) entspricht der Augenzahl 6 (AZ6),
1
p(E )   0.166
6
Ē (Misserfolg) entspricht den Augenzahlen nicht 6,
5
p(E )   0.833
6
für n = 1
AZ6 0-mal: p0 = 1-0.166 = p(Ē)
AZ6 1-mal: p1 = 0.166 = p(E)
(pk = 0.833+0.166=1)
pk
1
2
3
0
pk
k
n
pk    p k (1  p )n  k
k 
n=2
1
0.5
0
0
1
2
k
3
EĒĒ
ĒEĒ
ĒĒE
ĒEE
EĒE
EEĒ
1
0
1
 1 5
AZ6 3-mal: p3  1     
216
6 6
(pk = 1)
0.5
ĒĒĒ
2
15
 1 5
AZ6 2-mal: p2  3     
 6   6  216
1
1
216
75
 1 5
AZ6 1-mal: p1  3     
216
6 6
n=1
0
für n = 2
AZ6 0-mal: p0=0.833·0.833
AZ6 1-mal: p1=0.833·0.166+0.166·0.833
AZ6 2-mal: p2=0.166·0.166
(pk = 1)
6 6
2
EEE
pk
n=3
1
0.5
0
0
1
2
3 k
n
n Experimente, k Erfolge,   : Anzahl der möglichen Reihenfolgen
k 
4
1
für n = 7
k
 7  1   5 
pk      
 k  6   6 
p(E ) 
7 k
1
0.8
1
6
0.6
0.4
0.2
7
0
0
1
0.8
1
6
 7  1   5 
p1        0.391
 1  6   6 
2
5
 7  1   5 
p2        0.234
 2  6   6 
3
5
 7  1   5 
p3        0.078
 3  6   6 
0.45
0.4
0.35
0.3
0.25
0.2
0.15
0.1
0.05
0
...
n=7
pk
2
2 3
4 5
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
3
1
2
3
4
5
6
0.4
7
8
0.3
0.1
0
0
1
2
3
0.6
0.5
0.4
0.3
0.2
0.1
0
0
4
1
2
3
4
5
6
7
0.4
8
9
0.3
0.2
0.1
0
1
2
3
4
5
0.4
0.3
0.1
1
2
3
4
5
0
1
2
3
4
5
6
7
8
0.35
0.3
0.25
0.2
0.15
0.1
0.05
0
9
10
6
0
1
2
3
4
5
6
7
8
9
Kombinatorik:
Sollen k Objekte in beliebiger Reihenfolge aus n Objekten ausgewählt
werden, ergeben sich:
pk ist die Wahrscheinlichkeit, dass wir bei einem n-stufigen
Bernoulli-Experiment genau k-mal Erfolg haben
n
n  ( n  1)  ...  ( n  k  1)
n!

  
1  2  ...  k
k! ( n  k )!  k 
die Wahrscheinlichkeit dass die ersten k Versuche Erfolg
haben und die anderen misserfolglich sind:
p(E, E,...E, E , E ,...E )  p(E )  p(E )  ...p(E )  p(E )  p(E )  ...p(E )  p k (1  p )n k
Möglichkeiten, wobei n! = 1·2·... ·(n-1)·n.
(Kombination aus n Elementen zur Klasse k
ohne Wiederholung)
zB: n = 3, k = 2
k
7
0.2
0
n-k
6
0.4
0
0
k
5
0.5
1
0.5
Binomialverteilung
4
0
0
0.2
Bernoulli-Experiment
3
0.1
0
5
2
0.2
0.2
6 7
1
0.3
0
0 1
0
0.4
k
0.3
0.1
0
Binomialverteilung
0
6
0.4
0.2
0.6
 7  1   5 
p0        0.279
 0  6   6 
0.5
n-k
Jede andere Reihenfolge der k Ergebnisse und n-k
Gegenergebnisse haben die selbe pk(1-p)n-k
Wahrscheinlichkeit.
Wieviele mögliche Reihenfolgen gibt es?
EEĒ
7
EĒE
3
3!
1 2  3
  

3
 2  2!1! 1 2  1
ĒEE
8
Münzenversuch als Bernoulli-Experiment
1
p(E ) 
2
zwei Münzenversuche: E (Erfolg) entspricht Zahl
n=2
0.5
n
0.4
0.3
0.2
2
1
 1
p0  1   
4
2
0.1
Binomialverteilung
pk
 n  1 
für p=1/2 vereinfacht sich: pk    
 k  2 
1
0
p=1/2, 1- p =1/2, n=2
n
pk    p k (1  p )n k
k 
0.6
0.5
0.4
0.3
0.2
0.1
0
0
2
0.6
0.5
0.4
0.3
0.2
0.1
0
2
0
3
0.3
0.2
0.1
0
0.4
2
k
0
9
1
4
IA i
iIA
1
4
1
4
1
4
A
0
Wahrscheinlichkeit
3
4
1
4
1
2
3
5
2
3
4
5
6
6
1
2
3
4
5
6
8
9
0
1
2
3
4
5
6
7
0.3
0.25
0.2
0.15
0.1
0.05
0
5
7
7
0.3
0.25
0.2
0.15
0.1
0.05
0
4
4
4
8
8
9
10
10
0
1
2
3
4
5
6
7
8
9
n: Anzahl der Kinder, k: Anzahl der Kinder mit BG0
pk
für n = 1
(BG0 0-mal:) p0=0,75=p(Ē)
(BG0 1-mal:) p1=0,25=p(E)
(pk = 0,75+0,25=1)
ii
Fenotyp
3
5
0
IA IA
2
0.35
0.3
0.25
0.2
0.15
0.1
0.05
0
p0+p1+p2=1
Blutgruppenversuch als Bernoulli-Experiment
1
1
0
4
0.3
3
0.3
0.25
0.2
0.15
0.1
0.05
0
3
0
1
2
Wahrscheinlichkeit
2
2
7
0
0.4
1
1
0.3
0.25
0.2
0.15
0.1
0.05
0
1
0
6
0
0.1
0
1
 1
p2  1   
4
2
Genotyp
1
0.2
2 1
 1
p1  2    
2
4 2
 
0.35
0.3
0.25
0.2
0.15
0.1
0.05
0
1
n=1
0.5
0
0
IAi
?
IAi
Nennen wir als „Erfolg” (E), wenn das Kind eine Blutgruppe 0
hat und „Misserfolg” (Ē), wenn seine Blutgruppe nicht 0 ist.
p(E)=1/4=0.25
p(Ē)=3/4=0.75
p(E)+p(Ē)=1
Die Familie hat n Kinder. Wie hoch ist die Wahrscheinlichkeit,
dass k Kinder eine Blutgruppe 0 haben?
11
für n = 2
(BG0 0-mal:) p0=0,75·0,75 =0,5625
(BG0 1-mal:) p1=0,75·0,25+0,25·0,75=0,375
(BG0 2-mal:) p2=0,25·0,25 = 0,0625
(pk = 0,5625+0,375+0,0625=1)
allgemein:
Sei: p(E)=p
p(Ē)=1-p=q
1
k
pk
0.6
0.4
0.2
0
n=2
0
1
2
k
n Experimente, k Erfolge
n k
n k
pk    p (1  p )
n
  : Anzahl der möglichen Reihenfolgen
k 
k 
12
0.8
1
p(E ) 
4
1
0.6
0.2
0.2
0.1
0
6
0.3
0.4
Bernoulli-Experiment, Binomialverteilung
zB: 60% der Patienten haben Grippe.
Heute kommen 4 Patienten.
p=0,6 n=4
0
0
Binomialverteilung
0.4
1
0.6
0.5
0.4
0.3
0.2
0.1
0
0
2
0
3
0.4
0.3
0.2
0.1
0
1
2
0.3
0.2
0.1
0
0
1
2
3
0.3
0.2
0.1
0
0
1
2
3
4
5
6
2
3
4
5
6
1
2
3
4
5
6
7
1
2
3
4
5
6
7
0.3
0.25
0.2
0.15
0.1
0.05
0
13
1
2
3
4
5
6
7
8
p = 0.5
p = 0.75 > 0.5
rechtsschief
symmetrisch
linksschief
0.05
0
 4
4
0
p4   0.6  0.4   0.1296
4
 
0
1
2
3
Erwartungs wert( x i )  1 p  0  (1  p )  p
Erwartungs wert( X )   E ( x i )  np
0.4
i
(identische Einzelprozesse)
0.3
0.3
0.2
0.2
0.2
theoretische Streuung:
0.1
0.1
0.1
Varianz( x i )  E ( x i )  (E ( x i ))2  12 p  0 2 (1  p )  p 2  p  p 2  p(1  p )
0
0 1 2 3 4 5 6 7 8
k
  np(1  p )
2
Varianz( X )   Varianz( x i )  np(1  p )
0
0 1 2 3 4 5 6 7 8
k
Tritt ein bestimmtes Ergebnis
mit Wahrscheinlichkeit p ein,
so haben wir bei n-maliger
Wiederholung etwa np solche
Ereignisse zu „erwarten”.
0.3
0
4
14
= np
Erwartungswert:
pk
pk
0.4
0.1
Erwartungswert und Streuung der Binomialverteilung
p = 0.25 < 0.5
0.4
0.15
9
Binomialverteilung
pk
0.2
 4
3
1
p3   0.6  0.4   0.3456
3
10
0
0.25
 4
2
2
p2   0.6  0.4   0.3456
2
 
9
n=4
0.3
8
8
pk
0.35
 4
1
3
p1   0.6  0.4   0.1536
 1
9
 4
k
4k
pk   0.6  0.4 
k 
0.4
 4
0
4
p0   0.6  0.4   0.0256
0
7
8
0
5
0.4
5
0.35
0.3
0.25
0.2
0.15
0.1
0.05
0
4
0.5
1
0
4
0.4
4
0.35
0.3
0.25
0.2
0.15
0.1
0.05
0
3
0.5
3
7
0
0.5
2
0.35
0.3
0.25
0.2
0.15
0.1
0.05
0
1
0
1
0 1 2 3 4 5 6 7 8
k
k
Die Funktion wird generell für wachsendes n immer „symmetrischer”.
15
i
zB: 12 Würfelexperimente:
Wie oft tritt „6” auf?
n = 12, p = 1/6, = 2

60
 1.29
6
16
Poisson Verteilung: Beispiel
Poisson: Verteilung der seltenen Ereignisse
n
pk    p k q n k
k 
n
p0
np=
Die Wahrscheinlichkeit, dass man eine Krankheit bekommt,
ist p=0.001. Wie groß ist die Wahrscheinlichkeit, dass es in
einer Stadt mit n = 2000 Einwohner k = 0,1,2… Kranken gibt?
k
pk  e 
k!
k
2k  2
pk  e  
e
k!
k!
=np=2
Es ist eine gute Näherung für große n und kleine p Werte
pk
Schätzung der seltener Ereignisse
0.3
p0 
20  2
e  e 2  0,135
0!
p1 
21 2
e  2e 2  0,271
1!
p2 
22 2
e  2e 2  0,271
2!
p3 
23  2 8  2
e  e  0,181
3!
6
0.25
0.2
Beispiel:
0.15
Die Wahrscheinlichkeit, dass man eine Krankheit bekommt,
ist p=0.001. Wie groß ist die Wahrscheinlichkeit, dass es in
einer Stadt mit n = 2000 Einwohner k = 0,1,2… Kranken gibt?
0.1
0.05
0
0
1
2
3
4
5
6
pk
0.4
Poisson Verteilung
1
2
3
4
5
6
7
8
9
10
0.3
0.25
0.2
0.15
0.1
0.05
8
9
10
...
18
Erwartungswert und Streuung der Poisson-Verteilung

0.35
7
k
17
Erwartungswert:
Varianz:
Theoretische Streuung:

Varianz(x)=
 
Eine Verteilung, wo der Erwartungswert und die Streuung
voneinander nicht unabhängig sind!
k
0
0
5
10
15
20
19
20
Normalverteilung
(Gauss-Verteilung)
Die ausgezeichnete kontinuierliche Verteilung:
Normalverteilung
1
e
 2

Verteilungsdichtefunktion:
f (x) 
Parameter der Normalverteilung:
Erwartungswert: 
Streuung: 
f(x)

für die dargestellte Funktion:
( x   )2
2 2
Wendepunkte

(die Krümmung der Kurve ändert sich)
x

21
Position des Maximums und die Breite der Kurve
ex
Glockenkurve
2
e ( x   )
2
 

1
e
 2
( x   )2
e

2 2
0
Position des
Maximums
bei 


x
Normalverteilung
die Breite
der Kurve:
~2
( x   )2


22
x

0
die Fläche unter
der Kurve ist 1
2 2

0
 
x
0
3,  = 1

x 23
24
Standard - Normalverteilung
f (x) 
1
e
2

x2
2
t-Verteilungsfamilie
0.5
 N (0,1)
 0
0
-4
 1
-3
-2
-1
0
1
2
3
„Glockenkurven”
4
0.5
Je größer ist der
Freiheitsgrad,
desto schmaler
ist die Kurve.
0
-4
-3
-2
-1
0
1
2
3
25
t   N (0, 1)
4
26
Pr.Buch Anhang S.27.2
Verteilung der Summe von Zufallsvariablen
Verteilung der Summe von Zufallsvariablen
Beispiel
x1 und x2 sind unabhängige Zufallsvariablen. Beide folgen dergleichen
Verteilung mit Erwartungswerten 1 bzw. 2 und Streuungen 1 bzw. 2.
Welcher Verteilung folgt die Summe: x = x1 + x2 ?
Wir werfen mit ein/zwei Würfeln.
Welche Verteilung hat die Summe der Augenzahlen?
mit einem Würfel – Gleichverteilung
mit zwei Würfeln? – keine Gleichverteilung!
p(Augenzahl)
1/
6
1/
6
1/
6
1
1/
36
1 2 3 4 5 6 7 8 9 10 11 12
1 2 3 4 5 6 Augenzahl
 Augenzahl
27
f( x )

2
1
1 2 3 4 5 6 Augenzahl
p(Augenzahl)
f(x2)
f( x1)
p(Augenzahl)
x1
2
x2

x
x hat eine Verteilung mit Erwartungswert =1+2
und Varianz  2   12   22
die additive Größe ist die Varianz, nicht die Streuung!
28
Stabile und nicht stabile Verteilungen
Zentraler Grenzwertsatz
Der Verteilungstyp ist stabil, wenn die Summe von zwei unabhängigen
indentisch verteilten Zufallsvariablen auch denselben Verteilungstyp besitzt.
stabile Verteilungen:
Normal-, Binomial-, Poisson-
nicht stabile Verteilungen:
Gleich-
i 1
Die Summe der Verteilungsfunktionen konvergiert gegen eine
Normalverteilung auch wenn die einzelnen Zufallsgrößen keine
Normalverteilung haben.
Beispiel:
x1 und x2 sind unabhängige Zufallsgrößen.
Beide folgen einer Normalverteilung mit Erwartungswerten 1 bzw. 2
und Streuungen 1 bzw. 2.
x1  x 2
?
Welcher Verteilung folgt der Durchschnitt x 
2

x hat eine Normalverteilung mit Erwartungswert
2 
und Varianz
2
1   2
Biologische Bedeutung:
Wenn ein Parameter (zB. Körpergröße, Blutzuckerkonzentration)
durch viele (n →) anderen Faktoren (Zufallsgrößen) beeinflusst
wird, folgt dieser Parameter einer Normalverteilung.
1   2
2


   (   ) 


2


2
1
2
22
Es seien x1, x2,….xn unabhängige Zufallsgrößen, die alle
derselben
Verteilung haben. Die Verteilung der Summe
n
nähert
sich einer Normalverteilung, wenn n→ .
Sn   x i
2
2
29
30
Wichtige Verteilungen der analytischen Statsitik
0.025
Khi-Quadrat (2)
Verteilung
  x  x  ...  x
2
2
2
n
0.02
 n
 2  2n
x, x1, x2 ,... xn sind unabhängige, standardnormalverteilte
Zufallsgrößen. Dann die Größe
3
4
0.015
eine sogenannte
2 –Verteilung mit
n Freiheitsgraden
0.005
2
1
2
0
2
n
t-Verteilung (Student-Verteilung)
1
tn 
5
6
0.01
Wenn x1, x2,….xn
unabhängige
standardnormalverteilte
Zufallsgrößen sind, dann
hat die Zufallsgröße
Wichtige Verteilungen der analytischen Statistik
0
2
4
6
der Modalwert der Verteilungen mit Freiheitsgrad n > 2: (n-2)
8
10
31
x
( x  x  ...  x n2 )
n
2
1
2
2
folgt einer t-Verteilung mit Freiheitsgrad n.
Die t-Verteilung ist symmetrisch, n=0
(n ≥ 2),
die Streuung ist:
(n
≥ 3)
n

n2
32
Überblickstabelle
Die Kurven der t-Verteilungen
0.4
200
f(t)
Die Verteilungskurve
der t-Verteilung ähnelt
einer Glockenkurve
(wenn n→).
Lagemaße
Freiheitsgrad
i
i
10
x
4
0.2
 2   ( x i   )2 p( x i )
   x i p( x i )
diskrete Verteilung
20
Die t-Verteilung ist
breiter als die
Normalverteilung.
Variabilitätsmaße
 xi
x   x i h( x i )
s2 

t
x
-5
-3
-1
1
3
2
i
i
n
  xi

 i
 n






 2   ( x   )2 f ( x )dx
 xf ( x )dx

335
Überblickstabelle
2



0
2
n
i
kont. Verteilung
 x
i
i
n
empirische Werte
2
s2 
i
 x
34
Überblickstabelle
Kontinuierliche Verteilungen
Diskrete Verteilungen
x
( x  x  ...  x n2 )
n
2
1
x12  x 22  ...  x n2
kontinuier.
NormalGleich-
Standardnormal-
KhiQuadrat-
2
2
t-
diskrete Gleich-
Binomial-
pk
1
n
n k
n k
 k  p (1  p )
 

n 1
2
np


ab
2

0
n
0
n≥2
2
n2  1
12
np(1  p )

2
( b  a )2
12
2
1
2n
n
n2
n≥3
Poisson-

k
k!
1
 ( x   )2
,
1
2
e 2
f (x ) b  a

2

axb
e 
35
1
e
2
x2
2
n
1
n 
  1!2
2 
n
2
1 
x2 e
x
2
t
x 
s/ n
f (t ) 
K
 t2 
1  
f 

36
f 1
2