dc.contributor.advisor | Κούτρας, Μάρκος | |
dc.contributor.author | Φακιολά, Λουίζα | |
dc.date.accessioned | 2022-10-07T06:21:39Z | |
dc.date.available | 2022-10-07T06:21:39Z | |
dc.date.issued | 2022-09 | |
dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/14663 | |
dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/2086 | |
dc.description.abstract | Τον Δεκέμβριο του 2019, καταγράφηκε το πρώτο επιβεβαιωμένο κρούσμα κορονοϊού
Covid–19 στην κωμόπολη Wuhan της Κίνας. Η ραγδαία αύξηση των κρουσμάτων σε
παγκόσμια κλίμακα, ανέδειξε την ανάγκη για γρήγορη και έγκυρη ανίχνευση περιπτώσεων
μεταδοτικών ασθενειών, προκειμένου να ληφθούν τα απαραίτητα μέτρα αναχαίτησης μιας
επικείμενης υγειονομικής κρίσης.
Στόχος της παρούσας διπλωματικής εργασίας είναι η ανάλυση βασικών μεθόδων και μέσων
Βιοεπιτήρησης. Πιο συγκεκριμένα στο Κεφάλαιο 2 εστιάζουμε στις Στατιστικές Συναρτήσεις
Σάρωσης, στο Κεφάλαιο 3 στα Διαγράμματα Ελέγχου ενώ στο Κεφάλαιο 4 παρουσιάζονται οι
Χρονοσειρές με χρήση μοντέλων ΑRIMA καθώς και SIR. Παράλληλα, παρουσιάζονται για
κάθε μία από τις παραπάνω μεθόδους, παραδείγματα εφαρμογής πάνω σε επιδημιολογικά
δεδομένα. Τέλος, στο τελευταίο κεφάλαιο, γίνεται ενδεικτική εφαρμογή των μεθόδων ARIMA,
p – Διαγράμματος Ελέγχου και Χωρικής Σάρωσης σε δεδομένα που αφορούν την επιδημία του
κορονοϊού στην Ελλάδα. | el |
dc.format.extent | 139 | el |
dc.language.iso | el | el |
dc.publisher | Πανεπιστήμιο Πειραιώς | el |
dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/gr/ | * |
dc.title | Στατιστικές μέθοδοι βιοεπιτήρησης και εφαρμογή σε δεδομένα εξάπλωσης επιδημιών | el |
dc.title.alternative | Statistical biosurveillance methods and their application in epidemic outbreak data | el |
dc.type | Master Thesis | el |
dc.contributor.department | Σχολή Χρηματοοικονομικής και Στατιστικής. Τμήμα Στατιστικής και Ασφαλιστικής Επιστήμης | el |
dc.description.abstractEN | In December 2019, the first confirmed case of coronavirus Covid – 19 was recorded in the
Chinese city of Wuhan. The rapid increase in cases on a global scale has highlighted the need
for fast and valid detection of infectious disease cases, in order to take the necessary measures
to prevent an impending health crisis.
The purpose of this thesis is the analysis of basic methods and means of Biosurveillance.
More specifically, in Chapter 2 we focus on Scan Statistics, in Chapter 3 on Statistical Process
Control Charts, while in Chapter 4 we present Timeseries Methodology with use of ARIMA
and SIR models. At the same time, for each of the above methods, we present examples on
epidemiological and clinical data. Finally, in Chapter 5, an indicative application of methods of
ARIMA, p – Control Chart and Space Scan Statistics is made in data concerning the coronavirus
epidemic in Greece. | el |
dc.contributor.master | Εφαρμοσμένη Στατιστική | el |
dc.subject.keyword | Βιοεπιτήρηση | el |
dc.subject.keyword | ARIMA | el |
dc.subject.keyword | Διαγράμματα ελέγχου | el |
dc.subject.keyword | Στατιστική σάρωση | el |
dc.date.defense | 2022-09-20 | |