„Gruppen-Screening“ –
This presentation is the property of its rightful owner.
Sponsored Links
1 / 43

Hans HUMENBERGER Universität Wien PowerPoint PPT Presentation


  • 65 Views
  • Uploaded on
  • Presentation posted in: General

„Gruppen-Screening“ – ein Paradebeispiel für Anwendungsorientierung und Vernetzungsmöglichkeiten im Mathematikunterricht. Hans HUMENBERGER Universität Wien. Mit einfachen schulmath. Mitteln:. ein Problem aus der Realität modellieren

Download Presentation

Hans HUMENBERGER Universität Wien

An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -

Presentation Transcript


Hans humenberger universit t wien

„Gruppen-Screening“ – ein Paradebeispiel für Anwendungsorientierung und Vernetzungsmöglichkeiten im Mathematikunterricht

Hans HUMENBERGER

Universität Wien


Mit einfachen schulmath mitteln

Mit einfachen schulmath. Mitteln:

  • ein Problem aus der Realität modellieren

  • Verbindung von elementarer Stochastik(EW einer ZG) und Analysis schaffen (Funktionen, Graphen, Extremwerte, Grenzwerte, Kurvendiskussionen)

  • Prinzip der Approximation veranschaulichen,(Näherungsverfahren, Näherungsformel)

  • das Verhältnis zwischen diskreten und kontinuierlichen Problemen beleuchten

  • ein CAS gut einsetzen

0


Einzel tests vs paar tests

Einzel-Tests vs. Paar-Tests

Aufgabe 1:

Nach einem großen Sportfest sollen alle Sportler Proben (Blut, Urin) abgeben: Dopingkontrolle!

Es werden 2 Möglichkeiten vorgeschlagen:

  • Jede Probe wird einzeln überprüft.

  • Je 2 Proben werden zusammengeschüttet und das Resultat getestet; falls nötig Einzeltests.


Hans humenberger universit t wien

  • a) Wie viele Tests sind beim „Paartest“ unter welchenUmständen nötig (pro Paar) ?

  • Paar-Test negativ: beide „sauber“; 1 Test nötig

  • Paar-Test positiv:1. Person allein getestet:

  • Negativ: 2. Person hat gedopt (2 Tests)

  • Positiv: auch die 2. Person muss getestet werden (3 Tests)


Hans humenberger universit t wien

b) Vergleich für 2n Personen:Einzeltests: 2n Personen, 2n Tests

Paar-Tests: jedenfalls n Tests für die n Paare

Extremfälle:

Bei allen Paaren reicht 1 Test: n

Bei allen Paaren 3 Tests nötig: 3n

Klar:Paar-Test bringt dann Vorteile, wenn wenige positive Proben zu erwarten sind.


Hans humenberger universit t wien

Aufgabe 2:

Sportfest-Diagramm: Anzahl der Paare, bei denen 1, 2, 3 Tests benötigt wurden.

Was ist alles aus diesem Diagramm zu entnehmen?

  • 80 + 30 + 10 = 120 Paare, d. h. 240 TN

  • Tests: 80 + 30  2 + 10  3 = 170 , ca. 0,71 T/TN, - 29 %

  • zwischen 40 und 50 Sportler/innen gedopt, Dopingquote: 16,7 % – 20,8 %


Hans humenberger universit t wien

Aufgabe 3: (Erwartungswert)

Wie viele nötige Tests sind pro Paar zu erwarten, wenn aus langjähriger Erfahrung bekannt ist, dass der Anteil p aller Sportler/innen Doping betreibt?

E = (1 – p)²  1 + (1 – p) p  2 + p  3 = – p² + 3p + 1


Hans humenberger universit t wien

Gruppentests bei Krankheiten

„Krankheitsanteil in der Bevölkerung ist p“

Modellannahme: n Individuen seien unabhängig voneinander und mit jeweils gleicher WS p von dieser Krankheit befallen

Auswahl der Testpersonen = Bernoulli-Exp.

Bei Einzelprüfung:

1 Test pro Person bzw.

k Tests für k Personen

1


Hans humenberger universit t wien

2-stufiger Gruppentest nach Dorfman

  • 1. Stufe (Gruppentest): Mischen des Blutes von jeweils Personen

  • Gruppentest neg.: alle Personen gesund nur 1 Test für diese k Personen

  • b)Gruppentest pos.: mind. 1 Person krank: jede Blutprobe in der Gruppe wird anschließend (2. Stufe) einzeln untersucht: insgesamt k + 1 Tests.


Problem gruppengr e k so dass insges m glichst wenige tests zu erwarten sind

Problem: Gruppengröße k (?), so dass insges. möglichst wenige Tests zuerwarten sind:

  • minimale zu erwartende Kosten

  • Ergebnisse sollen möglichst schnell vorliegen.

2


Hans humenberger universit t wien

q := 1 – p P(gesund) , „Gesundheitsanteil“ der Bev.

k  2 die gewählte Gruppengröße

EWeiner Zufallsgröße, zunächst in einer k-Gruppe:

X := Anzahl der nötigen Analysen in einer k-Gruppe

X kann nur die Werte 1 und k + 1 annehmen:


Hans humenberger universit t wien

E(X) für verschiedene k nicht gerecht vergleichbar; nicht allein. Krit.: je größer k, desto größer E(X)!

Gesamtzahl: n Individuen, (n/k) viele k-Gruppen,

insgesamt

zu erwartende Tests für alle n Personen.

Zur Vereinfachung sinnvoll: Division durch die feste Zahl n, „Normieren“ (pro Person), „relativer EW “

3


Ew der anzahl der n tigen untersuchungen pro person gruppengr k 2

EW der Anzahl der nötigenUntersuchungen PRO PERSON (Gruppengr. k  2 )

Diese Funktion (Term) müssen wir genauer untersuchen!


Hans humenberger universit t wien

Genau bei

bringt Gruppenbildung auf lange Sicht einen Vorteil gegenüber Einzeluntersuchung.

  • Bei festem q  (0 ; 1) suchen wir k0 2

  • (k0N) mit:

  • f (q,k0) < 1 (Ersparnis geg. Einzelunt.)

  • f (q,k0) ist minimal


Hans humenberger universit t wien

f (q,k) als Fkt. in kontinuierlichen Var.:

obwohl ja eigentlich

Ein eigentlich diskretes Problem wird

in ein kontinuierliches verwandelt:

kontinuierliche Graphen, Kraft der Analysis

z. B. beim Suchen der Minimumstelle

4


Hans humenberger universit t wien

Wir setzen festes q (0,1) voraus, d. h.

f(q,k) ist eine Funktion in einerVariablek (Gruppengröße) :

Kurvenschar, Funktionenschar

mit Parameter q !


Hans humenberger universit t wien

für k (0,50):

  • von oben nach unten:

    q = 0.4; 0.6; 0.7; 0.8; 0.85

  • Für kleinere q-Werte q < 0.7 scheint zu gelten:

5

Uninteressanter Bereich – keine Ersparnis gegenüber Einzeluntersuchungen!


Hans humenberger universit t wien

k (0,50), größere q :

  • 2 Schnittp. mit y = 1, asympt. Annäh. v. oben

  • eindeutiges Min. zw. 0 und 1: Min.stelle interessant (opt. Gruppengröße!)

  • Wo liegt diese Stelle? 1) Ablesen: CAS-Graph 2) analyt. Überlegungen


1 versuch 1 ableitung von

1. Versuch: 1. Ableitung von

y = ln k hat mit einer Geradey = mk + b „klarer Weise“ höchstens 2 Schnittpunkte 

(ln immer negativ d. h. nach rechts gekrümmt!)

hat höchstens zwei lokale Extremstellen!

6


Hans humenberger universit t wien

Aber:

  • nicht geschlossen lösbar

  • für welche q gibt es 0, 1, 2 Lösungen? (Näherungslösungen!)

  • für welche q ergibt sich ein Min/Max/Sattelpunkt?


Analog

Analog:

Schon nicht geschlossen lösbar:

höchstens 2 Schnittpunkte (Lösungen) !

Zur weiteren Begründung

und deren Ableitung besser vermeiden!


Die teilfunktionen von

Die Teilfunktionen von

Wohlbekannte Funkt. aus der Mittelstufe:Hyperbel:

Exponentialfunktion: (fallend: 0 < q < 1)

Interessant nur (Ersparnis!) :

7


Zun chst

Zunächst:

  • 0, 1, 2 Schnittp., je nach q

  • q groß 

    fällt flach: für

    (Berührwert)

    2 Schnittp.


Hans humenberger universit t wien

Begründung des 2. Schnittpunktesauch für durch „de l‘Hospital“

8

Oben: höchstens 2 Schnittpunkte, damit genau 2 für !

Damit klar : Bei ist für


Hans humenberger universit t wien

Berührkonstellation lässt sich sogar genau bestimmen: einfache, traditionelle, klassische

„Rechnung“, Lösung des GLS:

CAS auf Knopfdruck (z. B. MAPLE, auch per Hand, DERIVE nicht: bei nichtlinearen GLS nur numerisch gut):

Einzelgleichungennicht geschlossen nach k auflösbar, d. h. die beiden Gleichungen „passen“ gut zueinander.

9


Bis jetzt

Bis jetzt:

  • Für ist , d. h. Gruppentests schlechter als Einzeltests (im Durchschnitt, „Erwartungswert“) !

  • Auch für bringt Gruppenbildung im Durchschnitt keine Ersparnis:

  • Erst ab kann Gruppenbildung im Durchschnitt überhaupt Ersparnisbringen (d. h. bei einem Gesundheitsanteil von mind. ca. 70%, so eine Grenze auch intuitiv zu erwarten)!


Hans humenberger universit t wien

Noch zu zeigen:

hat für

in

genau 1 Minimumstelle k*

Oben: hat

höchstens 2 lokale Extremstellen

Im Folgenden: hat für mindestens eine lokale Minimumstelle k* in und eine lokale Maximumstelle 

genau diese beiden lokalen Extremstellen!


Hans humenberger universit t wien

Begründung für k* und k**:

10

besser „getrennt“:

Bei : Differenz , dazwischen < 0 !

stetig  Min.stelle in bei k* (betraglich Differenz dort maximal !)


Hans humenberger universit t wien

„Rechts“ von :

Salopp: Bei

und im Limes :

Differenz

„dazwischen“ :

 Max.-stelle in : bei k**


Hans humenberger universit t wien

I. A.: : k0 = [k*] oder k0 = [k*] + 1

Bei k* sehr flacher Graphverlauf, d. h. ziemlich gleichgültig, ob k0 = [k*] oder k0 = [k*] + 1


Konkrete l sung mit cas maple derive o bei gegebenem wert q q b

Konkrete Lösung mit CAS (MAPLE, DERIVE o. ä.) bei gegebenem Wert q > qB :

  • Zeichnen des Graphen von fq(k): k* und k0 (die „bessere“ der natürlichen Nachbarzahlen) einfach ungefähr ablesen!

  • oder die Gleichung wird näh.w. gelöst (CAS: mit „beliebiger“ Genauigkeit möglich), 2 Lösungen k* < k** ; k0 = [k*] oder k0 = [k*] + 1 (je nach kleinerem Funktionswert von fq )

11

12


Konkrete l sung mit oder ohne cas

Konkrete Lösung mit oder ohne CAS

Durch obige analyt.

Überlegungen klar:

fq(k) bis k* fallend,

dann „steigend bis 1“

Die Suche nach k0 kann sich also (begründet!) auf das Probieren einiger ganzzahliger Werte reduzieren: Ab welchem k werden die Funktionswerte fq(k) wieder größer?


1 zusammenhang q k 0 geschlossene formel unm glich

1) Zusammenhang q k0(geschlossene Formel unmöglich!)

Weitere Möglichkeiten:

  • Man könnte für viele einzelne q-Werte das Problem lösen: q gegeben, k0 gesucht:

11 punktuelle Fälle gelöst, aber bei q = 0,93 ???


Hans humenberger universit t wien

13

Umgekehrt:

k0vorgegeben, zugehöriger q-Bereich gesucht

Z. B.: für welche q ist 4 die optimale Gruppengröße?

A priori klar: k0 monoton wachsend mit q

(bei mehr Gesunden kann die optimale

Gruppengröße nicht kleiner sein) !

Wo liegt q4 / 5? („Trenn-q“ zw. k0 = 4 und k0 = 5)

Idee: für welches q sind 4 und 5 gleich gute Gruppengrößen: fq(4) = fq(5): CAS: q4 / 5 0,934


Hans humenberger universit t wien

Durch wenige Trenn-q-Werte großer q-Bereich abgedeckt Zusammenhang effizienter beschrieben:


2 elementare numerik

2) Elementare Numerik

Näherungsverf. bei Gleichungen, nicht nur black box (CAS), sondern konkretes Verfahren!

Trenn-q-Werte:

„Fixpunktgleichung“„Iterationsverfahren“

Analytischer Nachweis möglich (Wahlpflichtfach): Konvergenz bei Startwert 1

qk / k+1 ist anziehender Fixpunkt (flacher Schnitt) !


3 gruppengr e k 2 ist f r kein q optimal

3) Gruppengröße k = 2 ist für KEIN q optimal !

14

q als Variable:

für k = 2 und k = 3:

Differenz: f(q,2) – f(q,3)

f(q,2) – f(q,3)> 0leicht analytisch zu begründen


4 n herungsformel f r k 0 kleine p

4) Näherungsformel für k0(kleine p!)

15

  • Wie gut ist diese Näherungsformel?

  • Wie kann man sie plausibel machen?


Hans humenberger universit t wien

Plausibilitätsbetrachtung (p statt q !)

Ersetze für kleine p den „unangenehmen“ Teilterm [ k im Exp! ] durch eine einfachere Funktion:

Fkt. v. p (p klein!)

16

„Lok. Linearisieren“ : Tangente in (0|1)

Für kleine p :


Hans humenberger universit t wien

Damit für kleine p Approx. möglich:

hat das einzige Minimum bei

Die Werte sind für kleine p

und praktische Zwecke genau genug für !

Dorfman: ; 80,443 % Ersparnis

Näherung: ; 80,438 % Ersparnis


Hans humenberger universit t wien

Potenzial dieses Themas: Kernaufgabe von Schülern selbständig zu lösen; ausbaufähig in viele Richtungen

  • Bei Begründungen gestufte Niveaus möglich

  • Intensität des CAS-Einsatzes sehr variabel

  • k = 2 ist nie optimal

  • Numerische Mathematik: „Umkehrfrage“, Iterationsverfahren, explizite Näherungsformel


Hans humenberger universit t wien

„The main goal of all science is first to observeand then to explainphenomena. In mathematics the explanation is the proof.”

(D. GALE, 1990)


Literatur

Literatur

Humenberger / Henn (2004): Gruppenscreening - ein Paradebeispiel für Vernetzungsmöglichkeiten im MU.

In: Biehler/Engel/Meyer (Hrsg.):

Neue Medien und innermathematische Vernetzungen in der Stochastik. Anregungen zum Stochastikunterricht, Band 2, S. 19 – 32; Franzbecker, Hildesheim.


  • Login