ΕΡΓΑΣΙΑ 01: ΘΕΩΝΗ ΠΕΤΡΑΤΟΥ

  1. Στην Ελληνική Εταιρεία Τραύματος & Επείγουσας Χειρουργικής έχει δημιουργηθεί μια βάση δεδομένων, στην οποία καταγράφονται όλες οι πληροφορίες που αφορούν ασθενείς οι οποίοι έχουν νοσηλευτεί σε υγειονομικούς σχηματισμούς εξαιτίας τροχαίων ατυχημάτων, αθλητικών ατυχημάτων, πτώσεων κ.α. Η δομή της βάσης δεδομένων είναι τέτοια ώστε τα ιατρικά δεδομένα που συλλέγονται απο το τόπο του ατυχήματος, απο την άφιξη ενός τραυματία στο τμήμα επειγόντων περιστατικών (ΤΕΠ), από τη διάρκεια παραμονής του στο ΤΕΠ καθώς και από την ενδονοσοκομειακή του περίθαλψη να ομαδοποιούνται σε πίνακες έτσι ώστε να διευκολύνονται σημαντικά τόσο η καταχώρηση όσο και η ανεύρεση τους. Σκοπός της Ελληνικής Εταιρείας Τραύματος & Επείγουσας Χειρουργικής είναι να καταγράψει όλους τους παράγοντες που επηρεάζουν την θνητότητα των ατόμων από τραύμα και να βρούν το βέλτιστο μοντέλο που θα περιέχει μόνο τους σημαντικούς παράγοντες με στόχο τη μείωση του ποσοστού θνητότητας.
  2. Μια εταιρεία που κατασκευάζει κινητά τηλέφωνα, καταγράφει σε βάση δεδομένων τις απαιτήσεις ενός μέρους του αγοραστικού κοινού ηλικίας 16-60 ετών. Σκοπός της εταιρείας είναι η κατασκευή νέων μοντέλων κινητής τηλεφωνείας που να ικανοποιούν αυτές τις απαιτήσεις με στόχο την αύξηση των πωλήσεων των προιόντων της.
Advertisements

2 responses to “ΕΡΓΑΣΙΑ 01: ΘΕΩΝΗ ΠΕΤΡΑΤΟΥ

  1. Πολύ ωραία η ιδέα με τη θνησιμότητα από τραύματα. Δεν ξέρω όμως αν θα ήταν πιο αποτελεσματική η χρήση γενικευμένου γραμμικού μοντέλου (Bernoulli) για τον προσδιορισμό των συντελεστών των επεξηγηματικών μεταβλητων. Εφαρμογές σαν αυτές είναι κλασικές στην εφαρμογή MCMC δειγματοληψίας για τον υπολογισμό των ύστερων κατανομών των επεξηγηματικών μεταβλητων, στις οποίες φυσικά μπορεί να έχει ενσωματωθεί η prior πληροφορία.

  2. Ωραίες ιδέες, βαθμολογία 5/5.

    Πέραν της βαθμονόμησης, κάποιες παρατηρήσεις.
    Μία φιλολογική, εντελώς εκτός κλίματος: Υπάρχει η λέξη ‘θνητότητα’, είναι διαφορετική από τη θνησιμότητα; Just tried 2 google it, no specific results.
    Το πρώτο παράδειγμα είναι εξαιρετικό, φανερώνει και κάποια ‘internal knowledge’ πράγμα που αυξάνει περισσότερο την αξία του. Χρήσεις και συμπεράσματα τεχνικών DM σε τέτοια δεδομένα μπορούν να ποικίλουν, και πέρα από τα όσα αναφέρεις, πχ κατανομή πόρων για τη βελτίωση των παραγόντων εκείνων που δείχνουν περισότερο σημαντικοί για τον επηρεασμό του συγκεκριμένου μεγέθους κλπ.
    Περί του δεύτερου παραδείγματος, όπως το περιγράφεις μοιάζει περισσότερο με απλή αξιολόγηση ερωτηματολογίου πελατών και βελτίωση του προϊόντος με βα΄ση την ανάδραση αυτή. Ίσως με DM θα μπορούσε κανείς να βγάλει και πιο βαθιά συμπεράσματα, πχ ποια τα χαρακτηριστικά αυτών που αγοράζουν/είναι ευχαριστημένοι ή όχι, ώστε να υπάρχει καύτερη στόχευση στην επιθυμητή αγορά κλπ.

    @ΓΔ047: Ισχύουν τα όσα λες, το γραμμικό μοντέλο είναι το πρώτο που έρχεται στη σκέψη μας όταν αναζητούμε συντελεστές αβρύτητας σε διάφορες μεταβλητές. Αν μόνο αυτό είναι το ζητούμενο, προτείνετε και ο υπολογισμός autocorrelation & autocovariance, δείτε σχετική διάλεξή μου από άλλο μάθημα: http://gtziralis.googlepages.com/LogisticsCourse_LectureOnForecasting_Tziralis.pdf
    Σε κάθε περίπτωση, θα δούμε αρκετές τέτοιες τεχνικές στην πορεία.

Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out / Change )

Twitter picture

You are commenting using your Twitter account. Log Out / Change )

Facebook photo

You are commenting using your Facebook account. Log Out / Change )

Google+ photo

You are commenting using your Google+ account. Log Out / Change )

Connecting to %s