Построение нормального распределения по данным СМИ о COVID-19

Галина Алексеевна Курина; Мария Юрьевна Зиновьева; Евгения Андреевна Золотарева

doi:10.17308/sait/1995-5499/2023/3/134-142

Галина Алексеевна Курина Воронежский государственный университет, Федеральный исследовательский центр «Информатика и управление» РАН https://orcid.org/0000-0002-1586-9943
Мария Юрьевна Зиновьева Воронежский государственный университет https://orcid.org/0009-0000-4762-3772
Евгения Андреевна Золотарева Воронежский государственный университет https://orcid.org/0009-0006-7835-2251

DOI: https://doi.org/10.17308/sait/1995-5499/2023/3/134-142

Ключевые слова: нормальное распределение, формула Стёрджесса, критерий согласия Пирсона, COVID-19

Аннотация

В данной статье выдвигается гипотеза о нормальном распределении количества пострадавших во время пандемии COVID-19, производится построение кривых нормального распределения для выделяемых в этот период так называемых волн. За основу берутся данные о пандемии, известные из средств массовой информации, а именно число заразившихся, умерших и выздоровевших. Все необходимые сведения находятся в открытом доступе. Для обработки информации, собранной по вышеуказанным показателям, используется эвристическая формула Стёрджесса, применяемая для определения «оптимального» числа интервалов разбиения области значений рассматриваемой случайной величины. Для полноты исследования анализируются данные по количеству заразившихся, умерших и выздоровевших, собранные для каждого из трёх показателей по разным странам с учетом временных рамок конкретных волн пандемии COVID-19. Для подтверждения гипотезы о нормальном распределении применяется критерий согласия Пирсона, также называемый критерием c2 . В подавляющем большинстве исследованных случаев статистические данные не дают оснований отвергнуть гипотезу о нормальном распределении каждого из интересующих нас показателей в отдельности с учетом временных рамок соответствующих волн. В тексте статьи подробно описаны все шаги, необходимые для проверки справедливости выдвинутого предположения, приведены все используемые встроенные функции приложения Microsoft Office Excel, призванные оптимизировать процесс работы с большими объемами данных и визуализировать полученные результаты для большей наглядности. В качестве основного примера рассматривается статистика по Канаде, а именно по первой волне заболеваемости, пришедшейся на март — июнь 2020 года.

Скачивания

Данные скачивания пока не доступны.

Биографии авторов

Галина Алексеевна Курина, Воронежский государственный университет, Федеральный исследовательский центр «Информатика и управление» РАН

д-р физ.-мат. наук, проф., профессор кафедры математического анализа Воронежского государственного университета, Федеральный исследовательский центр «Информатика и управление» РАН

Мария Юрьевна Зиновьева, Воронежский государственный университет

магистрант 1-го года обучения кафедры математического анализа Воронежского государственного университета

Евгения Андреевна Золотарева, Воронежский государственный университет

магистрант 2-го года обучения кафедры математического анализа Воронежского государственного университета

Литература

1. Kondrat’ev M. A. (2013) Metody prognozirovaniya i modeli rasprostraneniya zabolevanii [Methods of Forecasting and Models of the Spread of Diseases]. Kompyuternye issledovaniya i modelirovanie. 5 (5). P. 863–882. (in Russian)
2. Romanov B. K. (2020) Koronavirusnaya infekciya Covid-2019 [Coronavirus Disease Covid-2019]. Bezopasnost’ i risk farmakoterapii. 8 (1). P. 3–8. (in Russian)
3. Nikiforov V. V., Suranova T. G., Chernobrovkina T. Ya., Yankovskaya Y. D. and Burova S. V. (2020) Novaya koronavirusnaya infekciya (COVID-19): kliniko-epidemiologicheskie aspekty [New Coronavirus Infection (COVID-19): Clinical and Epidemiological Aspects]. Arhiv vnutrennei mediciny. 10 (2). P. 87–93. (in Russian).
4. Alzubadi H. (2023) Modeling the Infection Disease (Covid-19) and the Effect of Vaccination. Applied Mathematics. 14 (7). URL – DOI
5. Yavuz M., Coșar F., Günay F. and Özdemir F. (2021) A New Mathematical Modeling of the Covid-19 Pandemic Including the Vaccination Campaign. Open Journal of Modeling and Simulation. 9 (3). URL – DOI
6. Gmurman V. E. (1999) Teoriya veroyatnostei i matematicheskaya statistika [Probability Theory and Mathematical Statistiks]. Moscow : Higher School. (in Russian)
7. Mkhitaryan V. S., Troshin L. I., Adamova E. V., Shevchenko K. K. and Bambaeva N. Ya. (2003) Teoriya veroyatnostei i matematicheskaya statistika [Probability Theory and Mathematical Statistics]. Moscow : Moskovskii mezhdunarodnyi institut ekonometriki, informatiki, finansov i prava publ. (in Russian)
8. Senatov V. V. (2018) Central’naya predel’naya teorema: Tochnost’ approkcimacii i asymptoticheskie razlozheniya [Central Limit Theorem: Accuracy of Approximation and Asymptotic Expansions]. URSS. (in Russian)
9. Taleb N. N. (2022) Black Swan. Under the sign of unpredictability. Moscow, Hummingbird, ABC–Atticus.
10. Martin W. J. (1934) The Epidemic Curve of Smallpox. The Journal of Hygiene. 34 (1). P. 10–29.
11. Lemeshko B. Yu. and Chimitova E. V. (2003) O vybore chisla intervalov v kriteriyah soglasiya tipa c2 [About Choice of Intervals in Goodnessof-fit Test of c2 Type]. Zavodskaya laboratoriya. Diagnostika materialov. 69. P. 61–67. (in Russian)
12. Sturgess H. A. (1926) The Choice of Class-Interval. Journal of the American Statistical Association. 21 (153). P. 65–66.