Ein Referenzbereich für TSH im Labor lautet 1-Wert außerhalb 0,4–4,0 mU/l = auffällig’. Diese Grenzen basieren häufig auf der Annahme, dass ein Laborparameter in einer gesunden Population annähernd normalverteilt ist und 95 % der Messwerte innerhalb von etwa ±1,96 Standardabweichungen um den Mittelwert liegen. Wird diese Annahme unreflektiert auf jeden Parameter übertragen – auch auf schief verteilte Größen wie Triglyzeride –, entstehen systematisch falsche Referenzbereiche und in der Folge unnötige Abklärungen oder übersehene Auffälligkeiten. Wer verstehen will, warum Referenzbereiche so konstruiert sind, warum Testergebnisse („positiv/negativ“) einer Binomialverteilung folgen und wie diagnostische Wahrscheinlichkeiten berechnet werden, braucht ein solides Verständnis der Wahrscheinlichkeitsrechnung.
Was ist eine Wahrscheinlichkeitsverteilung?
Eine Wahrscheinlichkeitsverteilung ordnet jedem möglichen Ergebnis einer Zufallsvariablen eine Wahrscheinlichkeit zu. Sie beschreibt also nicht einen einzelnen gemessenen Datensatz (wie die deskriptive Statistik), sondern ein theoretisches Modell darüber, wie Werte in einer Population oder bei wiederholten Experimenten grundsätzlich streuen.
Warum ist das Thema prüfungsrelevant?
Referenzbereiche, Testgütekriterien, Fehlerwahrscheinlichkeiten und die Grundlage nahezu aller Signifikanztests basieren auf Verteilungsannahmen. Ohne Grundverständnis von Binomial- und Normalverteilung lassen sich weder Laborbefunde noch p-Werte korrekt einordnen – ein Dauerbrenner im IMPP-Gegenstandskatalog Biometrie.
Grundbegriffe der Wahrscheinlichkeitsrechnung
| Begriff | Definition |
|---|---|
| Zufallsvariable | Variable, deren Wert vom Zufall abhängt (z. B. Testergebnis positiv/negativ) |
| Diskrete Zufallsvariable | Kann nur abzählbar viele Werte annehmen (z. B. Anzahl Ereignisse) |
| Stetige Zufallsvariable | Kann jeden Wert in einem Intervall annehmen (z. B. Körpergröße) |
| Wahrscheinlichkeit P | Zahl zwischen 0 und 1 (bzw. 0–100 %), die angibt, wie wahrscheinlich ein Ereignis eintritt |
| Erwartungswert E(X) | Theoretischer Durchschnittswert einer Zufallsvariable bei unendlich vielen Wiederholungen |
Wichtige Verteilungen im klinischen Kontext
Man unterscheidet diskrete und stetige Verteilungen. Die folgenden drei sind für die Medizin besonders relevant:
- Binomialverteilung (diskret): Modelliert die Anzahl „Erfolge“ bei n unabhängigen Versuchen mit konstanter Erfolgswahrscheinlichkeit p (z. B. Anzahl positiver Testergebnisse unter n getesteten Personen, Anzahl Nebenwirkungen unter n behandelten Patient:innen).
- Poisson-Verteilung (diskret): Modelliert die Anzahl seltener Ereignisse in einem festen Zeit- oder Raumintervall (z. B. Anzahl Neuerkrankungen pro Jahr bei niedriger Inzidenz).
- Normalverteilung / Gauß-Verteilung (stetig): Glockenförmige, symmetrische Verteilung um den Mittelwert; Grundlage vieler biologischer Messgrößen (z. B. Blutdruck, Körpergröße) und zentrale Voraussetzung vieler statistischer Testverfahren.
Die Normalverteilung im Detail
Die Normalverteilung ist durch zwei Parameter vollständig bestimmt: den Mittelwert μ (Lage des Gipfels) und die Standardabweichung σ (Breite der Glockenkurve). Eine zentrale Eigenschaft ist die sogenannte 68-95-99,7-Regel:
| Bereich um μ | Anteil der Werte |
|---|---|
| μ ± 1σ | ≈ 68 % |
| μ ± 1,96σ | ≈ 95 % |
| μ ± 2σ | ≈ 95,4 % |
| μ ± 3σ | ≈ 99,7 % |
Genau dieser 95-%-Bereich (μ ± 1,96σ) liegt der üblichen Definition klinischer Referenzbereiche zugrunde: Werte außerhalb dieses Bereichs gelten formal als „auffällig“ – wohlgemerkt auch bei 5 % der Gesunden rein zufallsbedingt. Dieselbe Kennzahl 1,96 taucht später bei der Berechnung von 95-%-Konfidenzintervallen wieder auf, die im Artikel Konfidenzintervalle & Schätzverfahren hergeleitet wird.
Standardisierung: Der z-Wert
Um Werte unterschiedlicher Normalverteilungen vergleichbar zu machen, wird der z-Wert (Standardwert) berechnet:
z = (x − μ) / σ
Der z-Wert gibt an, um wie viele Standardabweichungen ein Messwert x vom Mittelwert μ entfernt liegt. Mithilfe der Standardnormalverteilung (μ = 0, σ = 1) lässt sich daraus die zugehörige Wahrscheinlichkeit ablesen.
Beispielrechnung: Binomialverteilung
Ein Screeningtest wird bei n = 5 unabhängigen Personen angewendet, die tatsächliche Erkrankungsprävalenz bzw. Testpositivrate in dieser Gruppe betrage p = 0,2 (20 %). Die Wahrscheinlichkeit für genau k positive Ergebnisse berechnet sich nach der Formel:
P(X=k) = (n über k) × pk × (1−p)(n−k)
| Anzahl positiver Ergebnisse k | P(X=k) bei n=5, p=0,2 |
|---|---|
| 0 | ≈ 32,8 % |
| 1 | ≈ 41,0 % |
| 2 | ≈ 20,5 % |
| ≥ 3 | ≈ 5,7 % |
Auch bei einer vergleichsweise niedrigen Einzelwahrscheinlichkeit von 20 % ist es also alles andere als unüblich, dass unter 5 Personen niemand oder nur eine Person positiv getestet wird – ein Aspekt, der bei der Interpretation kleiner Stichproben häufig unterschätzt wird.
Key Takeaways
- Diskrete Verteilungen (Binomial, Poisson) zählen Ereignisse; stetige Verteilungen (Normalverteilung) beschreiben Messwerte auf einer kontinuierlichen Skala.
- Die Normalverteilung ist vollständig durch μ und σ bestimmt und liegt der 68-95-99,7-Regel zugrunde.
- μ ± 1,96σ entspricht 95 % der Werte – Grundlage vieler Referenzbereiche und der 95-%-Konfidenzintervalle.
- Der z-Wert standardisiert Messwerte und macht sie zwischen verschiedenen Verteilungen vergleichbar.
- Die Binomialverteilung beschreibt die Anzahl „Erfolge“ bei wiederholten Ja/Nein-Ereignissen wie Testergebnissen.
Einordnung: IMPP, Approbationsordnung und evidenzbasierte Medizin
Wahrscheinlichkeitsrechnung ist im IMPP-Gegenstandskatalog für den Querschnittsbereich Biometrie, Epidemiologie und medizinische Informatik gemäß Ärztlicher Approbationsordnung fest verankert, da sie die mathematische Basis für Testgütekriterien, Referenzbereiche und Signifikanztests bildet. Im Sinne der evidenzbasierten Medizin nach David Sackett – der bewussten Nutzung der besten verfügbaren externen Evidenz für Behandlungsentscheidungen – ist das Verständnis von Verteilungsmodellen Voraussetzung dafür, diagnostische und statistische Aussagen aus Studien nicht nur zu übernehmen, sondern auch kritisch einordnen zu können.
Verteilungen sicher anwenden statt auswendig lernen
Normalverteilung, Binomialverteilung, z-Wert und ihre klinische Anwendung – Schritt für Schritt verständlich erklärt im Kurs „Biometrie & EBM – Dein Schlüssel zu Statistik, Studienverständnis und evidenzbasierter Medizin“. Jetzt für nur 19,90 € sichern: Zum Biometrie & EBM Kurs
Häufig gestellte Fragen (FAQ)
Was ist der Unterschied zwischen diskreten und stetigen Verteilungen?
Diskrete Verteilungen (z. B. Binomial-, Poisson-Verteilung) beschreiben abzählbare Ereignisse wie Anzahl positiver Tests. Stetige Verteilungen (z. B. Normalverteilung) beschreiben Messwerte, die jeden Wert in einem Intervall annehmen können.
Wodurch ist eine Normalverteilung vollständig bestimmt?
Durch zwei Parameter: den Mittelwert μ, der die Lage des Gipfels festlegt, und die Standardabweichung σ, die die Breite der Kurve bestimmt.
Was besagt die 68-95-99,7-Regel?
Bei einer Normalverteilung liegen rund 68 % der Werte innerhalb von ±1σ, rund 95 % innerhalb von ±1,96σ (bzw. ≈±2σ) und rund 99,7 % innerhalb von ±3σ um den Mittelwert.
Wofür wird die Binomialverteilung in der Medizin genutzt?
Sie modelliert die Anzahl „Erfolge“ (z. B. positive Testergebnisse, Nebenwirkungen) bei n unabhängigen Versuchen mit konstanter Erfolgswahrscheinlichkeit, etwa bei Screeninguntersuchungen oder Studien mit binärem Endpunkt.
Was ist ein z-Wert und wofür wird er berechnet?
Der z-Wert standardisiert einen Messwert, indem er angibt, wie viele Standardabweichungen dieser vom Mittelwert entfernt liegt: z = (x−μ)/σ. So werden Werte unterschiedlicher Verteilungen vergleichbar.
Warum basieren viele klinische Referenzbereiche auf ±1,96 Standardabweichungen?
Weil dieser Bereich bei einer Normalverteilung rund 95 % der Werte einer (gesunden) Population umfasst. Werte außerhalb gelten formal als auffällig – auch wenn dies bei 5 % der Gesunden rein zufallsbedingt der Fall ist.
Wann ist die Poisson-Verteilung sinnvoll?
Bei seltenen Ereignissen mit niedriger Eintrittswahrscheinlichkeit in einem festen Zeit- oder Raumintervall, z. B. bei der Modellierung von Neuerkrankungsraten bei niedriger Inzidenz.
Was ist der Erwartungswert einer Zufallsvariable?
Der theoretische Durchschnittswert, den eine Zufallsvariable bei unendlich vielen Wiederholungen im Mittel annehmen würde.
Ist Wahrscheinlichkeitsrechnung im IMPP-Examen prüfungsrelevant?
Ja, sie ist Teil des Gegenstandskatalogs Biometrie/Epidemiologie und bildet die Grundlage für Aufgaben zu Testgütekriterien, Referenzbereichen und Signifikanztests im M2.
Kommentare
Noch keine Kommentare — stell gerne deine Frage oder teile deine Erfahrung.
Kommentar hinterlassen
Kommentare werden vor der Veröffentlichung geprüft.
Danke für deinen Kommentar!
Dein Kommentar wird nach kurzer Prüfung freigeschaltet.