کارائی مدل لجستیک تصادفی در پیش بینی جمعیت مبتلا به ویروس ایدز در ایران
محورهای موضوعی : آمار
رمضان رضائیان
1
,
سید صالح محسنی
2
,
سمیرا علاء
3
,
صاحبه آقابابایی پور
4
1 - Assistant Professor in Department of mathematics and statistics, Islamic Azad University, Nour Branch
2 - Assistant Professor in Electrical Eng. Dept., Islamic Azad University, Nour Branch
3 - گروه ریاضی،دانشگاه آزاد اسلامی واحد نور، ایران
4 - Islamic Azad University, Nour Branch
کلید واژه: Stochastic logistics model, Ito integral, AIDS virus, Prediction,
چکیده مقاله :
مطالعه رشد جمعیت و پیش بینی جمعیت یک مشکل اصلی در زیست شناسی است. از آنجائیکه نرخ رشد نسبت به زمان کاملا مشخص و معلوم نیست و به عوامل محیطی که کاملا تصادفی می باشند، بستگی دارد پس همه جمعیت‌های زیستی(ویروس، انسان، باکتری و ...) نوعی رفتار تصادفی یا نویزی دارند..چنین نویزهایی به طور کلی به عنوان یک فرآیند تصادفی معرفی می شود. هدف این مقاله پیش بینی تعداد افراد مبتلا به ویروس ایدز در ایران بر اساس مدل لجستیک تصادفی و مقایسه آن با مدل غیرتصادفی(قطعی) می باشد. برای مطالعه موردی هم برای پیش بینی تعداد بیماران مبتلا به ویروس ایدز در ایران، جمعیت مبتلایان را طی سالهای 1384 تا 1394 مد نظر قرار دادیم و به کمک برنامه متلب تعداد بیماران را برای سالهای آتی شیبه سازی نمودیم. مقایسه نتایج بدست امده با مقادیر واقعی و نتایج حاصل از مدلهای دیگر، نشان از دقت و کارائی بالای مدل لجستیک تصادفی می باشد.
The study of population growth and population forecasting is a major problem in biology. Since the growth rate is not completely known over time and depends on environmental factors that are completely random, then all biological populations (virus, humans, bacteria, etc.) have some kind of random behavior or noise. It is generally referred to as a random process. The purpose of this article is to predict the number of people living with HIV in Iran based on a random logistics model and compare it with a non-random (definitive) model. For a case study to predict the number of AIDS patients in Iran, we considered the population of patients during the years 1384 to 1394 and with the help of MATLAB program we simulated the number of patients for the coming years. Comparison of the obtained results with real values and the results of other models, shows the high accuracy and efficiency of the model.