Thống Kê Khảo Sát Kết Quả Covid-19 Môn Cấu Trúc Rời Rạc

Đại dịch Covid-19 đã tạo ra những thách thức chưa từng có đối với sức khỏe cộng đồng và kinh tế toàn cầu. 84 trang · Đại Học Quốc Gia Thành Phố Hồ Chí Minh.

• Tác giả: Nguyễn Hoài Khang
• Người hướng dẫn: GVHD: Huỳnh Tương Nguyên
• Trường học: Đại Học Quốc Gia Thành Phố Hồ Chí Minh
• Chuyên ngành: Cấu Trúc Rời Rạc
• Đề tài: Phân Tích Dữ Liệu Covid-19: Thống Kê và Kết Quả Nghiên Cứu
• Loại tài liệu: bài tập lớn
• Năm xuất bản: 2021-2022
• Địa điểm: Thành Phố Hồ Chí Minh

Mục lục chi tiết

• 1. Động cơ nghiên cứu
• 2. Mục tiêu
• 3. Cơ sở lý thuyết
• 3.1. Trung bình cộng (giá trị kì vọng)
• 3.1.1. Ý nghĩa
• 3.2. Tứ phân vị
• 3.2.1. Ý nghĩa
• 3.2.2. Phân loại
• 3.2.3. Cách thức xác định
• 3.3. Phương sai - Độ lệch chuẩn
• 3.3.1. Định nghĩa
• 3.3.2. Ý nghĩa
• 3.4. Khoảng tứ phân vị
• 3.4.1. Ý nghĩa
• 3.6. Biểu đồ hộp (Box Plot)
• 3.6.1. Định nghĩa
• 3.6.2. Ý nghĩa
• 3.7. Tần số tích lũy - Biểu đồ tích lũy
• 3.7.1. Định nghĩa
• 3.7.2. Thiết lập bảng tần số tích lũy
• 3.7.3. Ý nghĩa
• 3.8. Đường trung bình động
• 3.8.1. Định nghĩa
• 3.8.2. Tính toán giá trị trung bình động đơn giản
• 3.8.3. Ý nghĩa
• 3.9. Hệ số tương quan
• 3.9.1. Hệ số tương quan Pearson
• 3.9.2. Hỗ quy tuyến tính, phương pháp bình phương cực tiểu
• 4. Phân tích dữ liệu
• 4.1. Tập dữ liệu mẫu
• 4.2. Tiền xử lí
• 4.2.1. Cài đặt các packages (gói) và source file chứa các hàm tính toán cần thiết
• 4.2.2. Đọc dữ liệu từ file vào dataframe (khung dữ liệu)
• 4.2.3. Kiểm tra cấu trúc của tập dữ liệu
• 5. Kết luận
• Tài liệu

Tóm tắt

I. Vai trò của phân tích dữ liệu Covid 19 trong đại dịch

Đại dịch Covid-19 đã tạo ra những thách thức chưa từng có đối với sức khỏe cộng đồng và kinh tế toàn cầu. Trong bối cảnh đó, việc phân tích dữ liệu Covid-19 không chỉ là một công cụ thống kê mà còn là la bàn định hướng cho các quyết sách quan trọng. Thông qua việc thu thập và phân tích số liệu covid-19 hàng ngày, các cơ quan y tế có thể nhận diện các đợt bùng phát, đánh giá mức độ nghiêm trọng của dịch bệnh, và so sánh hiệu quả của các biện pháp can thiệp. Các nghiên cứu khoa học về covid dựa trên dữ liệu thực tế cung cấp những bằng chứng vững chắc về đặc tính của virus, hiệu quả của vaccine, và tác động của các biến thể mới. Phân tích dữ liệu giúp chuyển hóa những con số thô thành thông tin hữu ích, hỗ trợ việc xây dựng các mô hình dự báo dịch và hoạch định chiến lược y tế công cộng một cách khoa học và hiệu quả, góp phần bảo vệ sức khỏe cộng đồng.

1.1. Tầm quan trọng của thống kê số liệu Covid 19

Việc thống kê dữ liệu Covid một cách hệ thống là nền tảng cho mọi nỗ lực chống dịch. Các con số về số ca nhiễm mới, tỷ lệ tử vong covid, và số ca hồi phục không chỉ phản ánh quy mô của đại dịch mà còn giúp xác định các nhóm dân số có nguy cơ cao. Như trong nghiên cứu của Đại học Bách Khoa, việc phân tích các chỉ số này giúp so sánh tình hình khách quan giữa các quốc gia và châu lục. Dữ liệu được cập nhật liên tục cho phép các nhà dịch tễ học theo dõi diễn biến của virus theo thời gian thực, phát hiện sớm các cụm dịch và đưa ra cảnh báo kịp thời. Hơn nữa, những báo cáo Covid-19 chi tiết trở thành nguồn tài liệu quý giá cho các nhà khoa học, giúp đẩy nhanh quá trình nghiên cứu và phát triển các phương pháp điều trị mới.

1.2. Các nguồn dữ liệu Covid 19 uy tín và đáng tin cậy

Để đảm bảo tính chính xác của các phân tích, việc sử dụng nguồn dữ liệu uy tín là yêu cầu bắt buộc. Các tổ chức quốc tế như Tổ chức Y tế Thế giới (WHO), Trung tâm Kiểm soát và Phòng ngừa Dịch bệnh Hoa Kỳ (CDC), và các trường đại học hàng đầu như Johns Hopkins University (JHU) là những nguồn cung cấp dữ liệu toàn cầu đáng tin cậy. Tại Việt Nam, nguồn dữ liệu chính thức đến từ Bộ Y tế. Tài liệu tham khảo cũng chỉ ra nguồn dữ liệu từ 'Our World in Data' (owid/covid-19-data), một kho dữ liệu mở được sử dụng rộng rãi trong cộng đồng nghiên cứu. Việc tổng hợp và đối chiếu số liệu Covid-19 từ nhiều nguồn uy tín giúp giảm thiểu sai sót và mang lại cái nhìn toàn diện hơn về bức tranh đại dịch trên toàn cầu.

1.3. Mục tiêu chính của các nghiên cứu khoa học về Covid

Các nghiên cứu khoa học về Covid hướng đến nhiều mục tiêu cốt lõi. Trước hết là hiểu rõ cơ chế lây truyền và bệnh sinh của virus để phát triển phương pháp phòng ngừa và điều trị. Thứ hai, nghiên cứu tập trung vào việc đánh giá hiệu quả và an toàn của vaccine thông qua dữ liệu tiêm chủng vaccine trên quy mô lớn. Thứ ba là phân tích tác động của các biến thể mới như biến thể Delta và biến thể Omicron đối với khả năng lây nhiễm và mức độ nghiêm trọng của bệnh. Cuối cùng, các nghiên cứu còn khảo sát những ảnh hưởng lâu dài của virus, điển hình là hội chứng hậu covid, nhằm xây dựng các phác đồ chăm sóc và phục hồi chức năng cho bệnh nhân.

II. Thách thức trong phân tích dữ liệu Covid 19 và cách xử lý

Quá trình phân tích dữ liệu Covid-19 đối mặt với không ít thách thức, từ khâu thu thập đến giai đoạn xử lý và diễn giải. Dữ liệu thường không đồng nhất, chứa các giá trị nhiễu, giá trị thiếu (NA), hoặc thậm chí là các giá trị phi logic (ví dụ: số ca nhiễm âm). Báo cáo từ các quốc gia có thể không được cập nhật thường xuyên, dẫn đến sự sai lệch khi tính toán các chỉ số theo thời gian. Nghiên cứu của Đại học Bách Khoa đã chỉ ra tầm quan trọng của giai đoạn tiền xử lý (preprocessing) để đảm bảo chất lượng dữ liệu đầu vào. Việc chuẩn hóa định dạng ngày tháng, xử lý các giá trị bất thường, và lọc bỏ các bản ghi không liên quan là những bước cơ bản nhưng thiết yếu. Vượt qua những thách thức này đòi hỏi một quy trình xử lý dữ liệu chặt chẽ và các phương pháp thống kê phù hợp để kết quả phân tích phản ánh đúng thực tế.

2.1. Vấn đề tiền xử lý Xử lý giá trị thiếu và nhiễu

Dữ liệu thực tế thường không hoàn hảo. Trong tập dữ liệu thống kê Covid, các giá trị âm ở cột new_cases và new_deaths là một ví dụ điển hình về lỗi nhập liệu, cần được chuẩn hóa bằng cách lấy giá trị tuyệt đối. Các giá trị NA (Not Available) xuất hiện do việc báo cáo không thường xuyên, ảnh hưởng trực tiếp đến các phép tính thống kê. Tài liệu gốc đã áp dụng phương pháp loại bỏ các quan sát có giá trị NA ở các thuộc tính quan trọng trước khi tính toán các chỉ số mô tả như trung bình hay phương sai. Việc xử lý cẩn thận các điểm dữ liệu nhiễu và thiếu này là bước đầu tiên để đảm bảo độ tin cậy của các kết quả nghiên cứu.

2.2. Sự khác biệt trong phương pháp thu thập dữ liệu

Mỗi quốc gia và khu vực có thể có những quy định và năng lực báo cáo khác nhau, dẫn đến sự không nhất quán trong số liệu Covid-19 toàn cầu. Tần suất báo cáo, định nghĩa về ca nhiễm hay ca tử vong, và khả năng xét nghiệm trên diện rộng đều ảnh hưởng đến chất lượng dữ liệu. Ví dụ, một số khu vực chỉ báo cáo số liệu hàng tuần thay vì hàng ngày. Điều này tạo ra các đỉnh và đáy giả trong biểu đồ Covid-19 theo ngày. Để khắc phục, các nhà phân tích thường sử dụng các kỹ thuật làm mịn dữ liệu như tính trung bình động 7 ngày để có cái nhìn chính xác hơn về xu hướng thực sự của dịch bệnh, giảm thiểu tác động của sự bất thường trong báo cáo.

2.3. Lọc và chuẩn hóa dữ liệu từ các nguồn không đồng nhất

Tập dữ liệu gốc từ OWID chứa cả dữ liệu của từng quốc gia lẫn dữ liệu tổng hợp theo châu lục hoặc nhóm thu nhập (ví dụ: 'Africa', 'Low income'). Nếu không được lọc cẩn thận, các bản ghi tổng hợp này có thể gây ra lỗi tính toán kép, làm sai lệch kết quả phân tích dịch tễ học. Nghiên cứu đã thực hiện một bước quan trọng là xác định và loại bỏ các thực thể không phải quốc gia dựa trên các thuộc tính như iso_code và continent. Quá trình này đảm bảo rằng tập dữ liệu cuối cùng chỉ chứa các quan sát ở cấp độ quốc gia, giúp cho việc so sánh và tổng hợp trở nên chính xác và có ý nghĩa hơn.

III. Phương pháp thống kê mô tả Nền tảng phân tích Covid 19

Thống kê mô tả là bước khởi đầu không thể thiếu trong mọi quy trình phân tích dữ liệu Covid-19. Các phương pháp này giúp tóm tắt và khái quát hóa những đặc điểm chính của một tập dữ liệu lớn và phức tạp. Thay vì chỉ nhìn vào một biển số liệu, các nhà phân tích sử dụng các tham số như giá trị trung bình, trung vị, phương sai và độ lệch chuẩn để hiểu rõ hơn về xu hướng trung tâm và mức độ phân tán của số liệu Covid-19. Tài liệu nghiên cứu đã nhấn mạnh rằng, các giá trị này cung cấp cái nhìn tổng quan về mức độ nghiêm trọng của dịch bệnh tại một quốc gia. Việc trực quan hóa dữ liệu thông qua các công cụ như biểu đồ hộp (box plot) cũng là một phần quan trọng của thống kê mô tả, giúp nhanh chóng phát hiện các giá trị ngoại lệ (outliers) và so sánh sự phân bổ dữ liệu giữa các nhóm khác nhau.

3.1. Phân tích xu hướng trung tâm Trung bình và trung vị

Giá trị trung bình cộng (mean) là một chỉ số quen thuộc, đại diện cho số ca nhiễm hoặc tử vong trung bình trong một khoảng thời gian. Tuy nhiên, khi dữ liệu có sự phân tán lớn hoặc chứa các giá trị ngoại lệ (ví dụ: một ngày có số ca nhiễm tăng đột biến), giá trị trung bình có thể không phản ánh chính xác điểm trung tâm. Trong trường hợp này, trung vị (median hay tứ phân vị thứ hai Q2) trở thành một thước đo hiệu quả hơn. Trung vị là giá trị nằm chính giữa của tập dữ liệu đã được sắp xếp, ít bị ảnh hưởng bởi các giá trị bất thường. Nghiên cứu chỉ ra rằng, việc so sánh trung bình và trung vị giúp đánh giá mức độ đối xứng của phân phối số ca nhiễm mới.

3.2. Đo lường độ phân tán Phương sai và độ lệch chuẩn

Phương sai (variance) và độ lệch chuẩn (standard deviation) là hai tham số đo lường mức độ phân tán của các điểm dữ liệu xung quanh giá trị trung bình. Một giá trị phương sai lớn cho thấy số liệu Covid-19 biến động mạnh, các giá trị hàng ngày có thể rất khác nhau. Ngược lại, phương sai nhỏ cho thấy tình hình dịch bệnh ổn định hơn. Trong phân tích, khi độ lệch chuẩn lớn, giá trị trung bình trở nên kém tin cậy hơn và trung vị thường được ưu tiên sử dụng để đại diện cho xu hướng trung tâm. Việc hiểu rõ độ phân tán là rất quan trọng để tránh đưa ra những kết luận vội vàng dựa trên một vài con số trung bình đơn lẻ.

3.3. Trực quan hóa dữ liệu qua biểu đồ hộp Box Plot

Biểu đồ hộp (box plot) là một công cụ trực quan hóa dữ liệu mạnh mẽ, thể hiện súc tích năm giá trị quan trọng: giá trị nhỏ nhất, tứ phân vị thứ nhất (Q1), trung vị (Q2), tứ phân vị thứ ba (Q3), và giá trị lớn nhất. Nó cho phép các nhà phân tích nhanh chóng nắm bắt được độ phân tán, độ lệch và phát hiện các giá trị ngoại lệ (outliers) trong dữ liệu thống kê Covid. Như được minh họa trong tài liệu gốc, việc sử dụng biểu đồ hộp để so sánh số ca nhiễm giữa Australia, New Caledonia và New Zealand đã trực quan hóa sự khác biệt rõ rệt về quy mô và sự biến động của dịch bệnh ở mỗi quốc gia.

IV. Kỹ thuật phân tích Covid 19 Làm mịn và dự báo xu hướng

Để vượt qua những biến động ngắn hạn và nhiễu trong báo cáo hàng ngày, các kỹ thuật phân tích nâng cao đóng vai trò quan trọng trong việc làm rõ xu hướng thực sự của đại dịch. Phương pháp đường trung bình động (moving average) là một công cụ hiệu quả để làm "mịn" biểu đồ Covid-19, giúp lọc bỏ các đỉnh nhọn bất thường và làm nổi bật xu hướng dài hạn. Bên cạnh đó, việc phân tích tương quan giúp khám phá mối liên hệ tiềm ẩn giữa các biến số, chẳng hạn như giữa số ca nhiễm mới và tỷ lệ tử vong covid. Các kỹ thuật này không chỉ giúp diễn giải dữ liệu quá khứ một cách chính xác hơn mà còn là cơ sở để xây dựng các mô hình dự báo dịch đơn giản, cung cấp những ước tính ban đầu về diễn biến dịch bệnh trong tương lai gần. Đây là những bước phân tích sâu hơn, mang lại giá trị thực tiễn cho công tác y tế công cộng.

4.1. Ứng dụng đường trung bình động để lọc nhiễu số liệu

Đường trung bình động, đặc biệt là trung bình động 7 ngày, là một kỹ thuật được sử dụng rộng rãi trong phân tích dịch tễ học. Bằng cách lấy trung bình số ca bệnh trong 7 ngày gần nhất, phương pháp này giúp làm phẳng các biến động do việc báo cáo không đều (ví dụ: số liệu cuối tuần thường thấp hơn). Tài liệu nghiên cứu đã ứng dụng kỹ thuật này để tạo ra các biểu đồ xu hướng mượt mà hơn, phản ánh chính xác hơn tốc độ lây lan của dịch. Việc làm mịn dữ liệu này cực kỳ hữu ích để xác định các đỉnh dịch thực sự và đánh giá liệu các biện pháp can thiệp có đang làm chậm lại sự lây lan hay không, cung cấp một cái nhìn ổn định hơn về tác động kinh tế của Covid và xã hội.

4.2. Khám phá mối quan hệ qua hệ số tương quan Pearson

Hệ số tương quan Pearson là một chỉ số thống kê đo lường mức độ tương quan tuyến tính giữa hai biến số, có giá trị từ -1 đến +1. Trong bối cảnh Covid-19, nó có thể được dùng để kiểm tra mối quan hệ giữa số ca nhiễm mới và số ca tử vong sau một khoảng thời gian trễ nhất định. Một hệ số tương quan dương và gần bằng 1 cho thấy khi số ca nhiễm tăng, số ca tử vong cũng có xu hướng tăng theo. Nghiên cứu đã thực hiện tính toán này để xem xét mối liên hệ giữa hai chỉ số tại các quốc gia được phân tích. Tuy nhiên, cần lưu ý rằng tương quan không đồng nghĩa với quan hệ nhân quả; nhiều yếu tố khác như năng lực y tế hay sự xuất hiện của các biến thể Omicron cũng ảnh hưởng đến tỷ lệ tử vong Covid.

4.3. Xây dựng mô hình dự báo dịch bằng hồi quy tuyến tính

Hồi quy tuyến tính là một phương pháp cơ bản để mô hình hóa mối quan hệ giữa một biến phụ thuộc (ví dụ: số ca tử vong) và một hoặc nhiều biến độc lập (ví dụ: số ca nhiễm). Bằng cách tìm ra đường thẳng phù hợp nhất với tập dữ liệu, mô hình này có thể được sử dụng để đưa ra dự đoán. Tài liệu gốc đã giới thiệu phương pháp bình phương cực tiểu để tìm ra các hệ số tối ưu cho đường thẳng hồi quy. Mặc dù diễn biến dịch bệnh trong thực tế phức tạp hơn nhiều so với một đường thẳng, mô hình dự báo dịch dựa trên hồi quy tuyến tính vẫn cung cấp một công cụ hữu ích để ước tính xu hướng ngắn hạn và hiểu rõ hơn về mối quan hệ định lượng giữa các yếu tố trong đại dịch.

V. Kết quả nghiên cứu Covid 19 Phân tích ca nhiễm tử vong

Ứng dụng các phương pháp thống kê vào tập dữ liệu thực tế đã mang lại những phát hiện quan trọng về tình hình dịch bệnh. Nghiên cứu điển hình trên số liệu Covid-19 của Australia, New Caledonia và New Zealand cho thấy sự khác biệt đáng kể về quy mô và diễn biến dịch. Australia ghi nhận số ca nhiễm và tử vong cao hơn nhiều so với hai quốc gia còn lại, với độ phân tán dữ liệu rất lớn. Phân tích theo thời gian cho thấy các đợt bùng phát dịch thường trùng với các sự kiện toàn cầu, như sự xuất hiện của các biến thể mới. Các kết quả nghiên cứu chỉ ra rằng, mặc dù số ca nhiễm tăng vọt trong làn sóng biến thể Omicron, tỷ lệ tử vong Covid lại không tăng tương ứng, có thể do độc lực của biến thể thấp hơn và hiệu quả của dữ liệu tiêm chủng vaccine. Những phân tích này cung cấp bằng chứng cụ thể về đặc điểm dịch tễ học tại từng khu vực.

5.1. So sánh số liệu Covid 19 giữa các quốc gia điển hình

Phân tích so sánh giữa Australia, New Caledonia và New Zealand cho thấy tình hình dịch bệnh rất khác nhau. Dựa trên các chỉ số thống kê mô tả, Australia có giá trị trung vị về số ca nhiễm mới và tử vong cao hơn đáng kể. Biểu đồ hộp cũng cho thấy sự phân tán dữ liệu của Australia lớn hơn nhiều, phản ánh các đợt bùng phát dịch nghiêm trọng hơn. Ngược lại, New Zealand có dữ liệu ít phân tán hơn, cho thấy tình hình dịch được kiểm soát tương đối ổn định hơn trong giai đoạn đầu. Những so sánh này không chỉ cho thấy mức độ ảnh hưởng của dịch bệnh mà còn có thể gợi ý về sự khác biệt trong hiệu quả của các chính sách y tế công cộng được áp dụng tại mỗi quốc gia.

5.2. Tác động của các biến thể Delta và Omicron qua dữ liệu

Dữ liệu theo thời gian phản ánh rõ rệt tác động của các biến thể mới. Làn sóng dịch do biến thể Delta gây ra thường đi kèm với sự gia tăng cả về số ca nhập viện và tỷ lệ tử vong Covid. Tuy nhiên, các báo cáo Covid-19 trong giai đoạn bùng phát của biến thể Omicron cho thấy một kịch bản khác: số ca nhiễm tăng vọt lên mức kỷ lục nhưng số ca tử vong lại tăng chậm hơn đáng kể. Sự thay đổi này được cho là kết quả của sự kết hợp giữa độc lực thấp hơn của biến thể, khả năng miễn dịch từ việc tiêm chủng và từng mắc bệnh. Phân tích sự khác biệt này là chìa khóa để điều chỉnh các chiến lược ứng phó phù hợp với từng giai đoạn của đại dịch.

5.3. Báo cáo Covid 19 Tỷ lệ tử vong và số ca hồi phục

Phân tích tỷ lệ tử vong covid (Case Fatality Rate - CFR) và tỷ lệ hồi phục là những chỉ số quan trọng để đánh giá mức độ nghiêm trọng của dịch bệnh và hiệu quả của hệ thống y tế. Các báo cáo Covid-19 chi tiết cho phép tính toán các chỉ số này theo từng nhóm tuổi, giới tính, hoặc tình trạng tiêm chủng. Kết quả cho thấy tỷ lệ tử vong thấp hơn đáng kể ở những người đã tiêm đủ liều vaccine. Theo dõi số ca hồi phục cũng rất quan trọng, đặc biệt trong bối cảnh ngày càng có nhiều nghiên cứu về hội chứng hậu covid. Những dữ liệu này cung cấp thông tin cần thiết để phân bổ nguồn lực y tế và lập kế hoạch chăm sóc dài hạn cho bệnh nhân.

VI. Phân tích dữ liệu Covid 19 Bài học và định hướng tương lai

Đại dịch Covid-19 đã khẳng định vai trò trung tâm của dữ liệu trong việc quản lý khủng hoảng y tế công cộng. Những bài học rút ra từ việc phân tích dữ liệu Covid-19 sẽ là di sản quý báu cho tương lai. Việc xây dựng một hệ thống thu thập và chia sẻ dữ liệu y tế toàn cầu, minh bạch và theo thời gian thực là yêu cầu cấp thiết. Các kỹ thuật trực quan hóa dữ liệu và mô hình hóa không chỉ giúp các nhà khoa học mà còn giúp công chúng hiểu rõ hơn về các rủi ro và biện pháp phòng ngừa. Trong tương lai, phân tích dịch tễ học dựa trên dữ liệu lớn (Big Data) và trí tuệ nhân tạo (AI) sẽ ngày càng trở nên quan trọng, giúp phát hiện sớm các mầm bệnh mới, dự báo các đại dịch tiềm tàng và xây dựng một hệ thống sức khỏe cộng đồng vững mạnh và linh hoạt hơn, sẵn sàng đối phó với những thách thức trong tương lai.

6.1. Bài học kinh nghiệm từ việc trực quan hóa dữ liệu

Một trong những bài học lớn nhất là sức mạnh của việc trực quan hóa dữ liệu. Các biểu đồ Covid-19, bản đồ nhiệt và đồ thị xu hướng đã biến những con số phức tạp thành những thông điệp trực quan, dễ hiểu. Chúng giúp truyền đạt thông tin về nguy cơ lây nhiễm một cách hiệu quả, thúc đẩy sự tuân thủ các biện pháp phòng dịch của người dân. Nghiên cứu gốc đã sử dụng rất nhiều biểu đồ đường và biểu đồ cột để minh họa sự biến động của số ca nhiễm mới và tử vong theo thời gian, cho thấy rõ các làn sóng dịch. Kinh nghiệm này nhấn mạnh sự cần thiết của việc đầu tư vào các công cụ và kỹ năng trực quan hóa trong lĩnh vực y tế công cộng.

6.2. Nâng cao hệ thống y tế công cộng dựa trên kết quả phân tích

Các kết quả nghiên cứu và phân tích dữ liệu phải được chuyển hóa thành hành động cụ thể để cải thiện hệ thống sức khỏe cộng đồng. Dữ liệu về sự quá tải của bệnh viện có thể định hướng cho việc xây dựng thêm các bệnh viện dã chiến. Dữ liệu tiêm chủng vaccine có thể giúp xác định các khu vực có tỷ lệ bao phủ thấp cần được ưu tiên. Phân tích về tác động kinh tế của Covid giúp chính phủ đưa ra các gói hỗ trợ phù hợp. Việc ra quyết định dựa trên bằng chứng (evidence-based decision making) là chìa khóa để sử dụng nguồn lực một cách hiệu quả nhất và giảm thiểu thiệt hại do đại dịch gây ra.

6.3. Tương lai của phân tích dịch tễ học trong sức khỏe cộng đồng

Tương lai của phân tích dịch tễ học sẽ gắn liền với công nghệ. Việc tích hợp dữ liệu từ nhiều nguồn khác nhau, bao gồm dữ liệu gen của virus, dữ liệu di chuyển của người dân và dữ liệu từ các thiết bị đeo thông minh, sẽ mở ra những khả năng mới. Các mô hình dự báo dịch sẽ trở nên phức tạp và chính xác hơn nhờ vào học máy và AI. Những công nghệ này có thể giúp dự báo sự xuất hiện của các biến thể mới, mô phỏng hiệu quả của các biện pháp can thiệp khác nhau, và cá nhân hóa các khuyến nghị y tế. Đầu tư vào năng lực phân tích dữ liệu chính là đầu tư cho khả năng chống chịu của xã hội trước các mối đe dọa sức khỏe trong tương lai.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Đại dịch COVID-19 do virus SARS-CoV-2 gây ra đã tạo nên những tác động tiêu cực sâu rộng đến mọi mặt đời sống xã hội và kinh tế toàn cầu. Các làn sóng bùng phát liên tiếp cùng sự xuất hiện của các biến thể virus đặt ra thách thức lớn đối với công tác kiểm soát dịch bệnh và hoạch định chính sách y tế công cộng. Trong bối cảnh nguồn dữ liệu dịch tễ học được thu thập, cập nhật và phổ biến liên tục trên môi trường số, việc phân tích thống kê định lượng trở thành công cụ quan trọng nhằm nhận diện xu hướng lây nhiễm, mức độ tử vong và quy mô bùng phát dịch bệnh tại từng quốc gia cũng như trên quy mô toàn cầu.

Đề tài được thực hiện trong khuôn khổ Bài tập lớn môn Cấu trúc rời rạc cho Khoa học Máy tính (CO1007), Khoa Khoa học và Kỹ thuật Máy tính, Trường Đại học Bách Khoa – Đại học Quốc gia Thành phố Hồ Chí Minh (niên khóa 2021–2022). Mục tiêu nghiên cứu và các nhiệm vụ cụ thể được xác định như sau:

1. Mục tiêu tổng quát: Vận dụng các kiến thức cấu trúc rời rạc và xác suất thống kê mô tả để khai phá, phân tích tập dữ liệu dịch tễ học thực tế; qua đó củng cố kỹ năng lập trình xử lý dữ liệu lớn, kỹ năng làm việc nhóm và phương pháp giải quyết vấn đề khoa học.
2. Nhiệm vụ phân tích dữ liệu tổng quát: Khảo sát cấu trúc tập mẫu, xác định số lượng năm, châu lục, quốc gia, kiểm tra phân bố dung lượng bản ghi theo thời gian và đơn vị địa lý.
3. Nhiệm vụ thống kê mô tả chi tiết: Tính toán các tham số đặc trưng (Min, Max, Mean, Tứ phân vị, Độ lệch chuẩn, Outlier) cho số ca nhiễm mới (new_cases) và ca tử vong mới (new_deaths) trên nhóm quốc gia được phân công.
4. Nhiệm vụ đánh giá chất lượng thu thập dữ liệu: Thống kê số ngày không có dữ liệu báo cáo, số ngày có số liệu thấp nhất/cao nhất, chuỗi ngày liên tiếp không có ca nhiễm hoặc ca tử vong mới.
5. Nhiệm vụ phân tích chuỗi thời gian và tương quan: Làm mịn chuỗi số liệu bằng đường trung bình động 7 ngày (SMA), phân tích hệ số tương quan Pearson giữa ca nhiễm và ca tử vong, xây dựng mô hình hồi quy tuyến tính OLS và xác định các khoảng thời gian bùng phát dịch giao thoa giữa các quốc gia.

Đối tượng và phạm vi nghiên cứu:

• Đối tượng nghiên cứu: Số liệu báo cáo hàng ngày về ca nhiễm mới (new_cases) và ca tử vong mới (new_deaths) do COVID-19.
• Phạm vi không gian: Tập dữ liệu toàn cầu gồm 225 quốc gia và vùng lãnh thổ thuộc 6 châu lục. Phạm vi phân tích chuyên sâu theo mã phân công riêng tập trung vào 3 quốc gia/lãnh thổ thuộc Châu Đại Dương: Australia, New Caledonia và New Zealand.
• Phạm vi thời gian: Dữ liệu từ ngày 01/01/2020 đến đầu năm 2022, trong đó các phân tích chuỗi thời gian định kỳ tập trung vào các tháng 2, 5, 6, 9 và các tháng 11, 12 cuối năm.

---

Cơ sở lý thuyết và phương pháp

Đề tài áp dụng hệ thống cơ sở lý thuyết toán học thống kê mô tả và thống kê suy diễn kết hợp phương pháp lập trình tính toán tự động:

Khung lý thuyết và mô hình toán học

1. Trung bình cộng (Kỳ vọng toán học): $$\text{Mean}(D) = \bar{x} = \frac{1}{n}\sum_{i=1}^{n} x_i$$ Đại diện cho điểm trung tâm của tập dữ liệu số ca nhiễm hoặc tử vong trong một giai đoạn.

2. Tứ phân vị ($Q_1, Q_2, Q_3$) và Trung vị:

   • $Q_2$ (Trung vị): Chia tập dữ liệu đã sắp xếp thành hai nửa bằng nhau.
   • $Q_1$ (Tứ phân vị thứ nhất / Phân vị thứ 25): Trung vị của nửa dữ liệu phía dưới $Q_2$.
   • $Q_3$ (Tứ phân vị thứ ba / Phân vị thứ 75): Trung vị của nửa dữ liệu phía trên $Q_2$.
   • Được sử dụng thay thế cho giá trị kỳ vọng khi dữ liệu có độ phân tán cao hoặc chứa giá trị ngoại lệ lớn.

3. Phương sai và Độ lệch chuẩn: $$V(D) = \frac{1}{n}\sum_{i=1}^{n} (x_i - \bar{x})^2, \quad \text{Std}(D) = \sigma = \sqrt{V(D)}$$ Đo lường mức độ phân tán của các điểm dữ liệu xung quanh giá trị trung bình.

4. Khoảng tứ phân vị (IQR) và Giá trị ngoại lệ (Outliers): $$\text{IQR} = Q_3 - Q_1$$ Điểm dữ liệu $x$ được xác định là ngoại lệ (Outlier) nếu nằm ngoài đoạn: $$[Q_1 - 1.5 \times \text{IQR}, ; Q_3 + 1.5 \times \text{IQR}]$$

5. Đường trung bình động đơn giản (Simple Moving Average - SMA / MA): $$\text{SMA}k = \frac{1}{k}\sum{i=0}^{k-1} x_{t-i}$$ Áp dụng khung cửa sổ trượt $k = 7$ ngày để triệt tiêu biến động ngắn hạn, làm phẳng nhiễu báo cáo định kỳ và phản ánh xu hướng trung hạn.

6. Hệ số tương quan Pearson ($r$): $$r_{xy} = \frac{\sum_{i=1}^{n}(x_i - \bar{x})(y_i - \bar{y})}{\sqrt{\sum_{i=1}^{n}(x_i - \bar{x})^2} \sqrt{\sum_{i=1}^{n}(y_i - \bar{y})^2}}$$ Đo lường mức độ liên hệ tuyến tính giữa số ca nhiễm mới ($x$) và số ca tử vong mới ($y$), giá trị nằm trong đoạn $[-1, 1]$.

7. Hồi quy tuyến tính bằng phương pháp bình phương cực tiểu (OLS): Với mô hình $y = w_0 + w_1 x$, nghiệm tối ưu của vector trọng số $w = [w_0, w_1]^T$ được tính qua đại số tuyến tính: $$w = (X^T X)^{-1} X^T y$$ Trong đó $X$ là ma trận thiết kế chứa cột hệ số tự do 1 và biến giải thích $x$.

Phương pháp nghiên cứu và công cụ kỹ thuật

• Phương pháp nghiên cứu thực nghiệm dữ liệu: Sử dụng ngôn ngữ lập trình R và môi trường tính toán thống kê để đọc, kiểm tra cấu trúc, làm sạch, biến đổi dữ liệu chuỗi thời gian và vẽ đồ thị trực quan hóa (Box Plot, Biểu đồ tần số tích lũy, Biểu đồ đường phân tích xu hướng).
• Hệ sinh thái thư viện R: Quản lý gói bằng pacman, biến đổi dữ liệu bằng dplyr, tidyverse, plyr, xử lý chuỗi thời gian và tỷ lệ bằng scales, readxl, here, đại số ma trận bằng matlib, và xuất đồ thị chuyên sâu bằng ggplot2, cowplot, randomcoloR. Toàn bộ các thuật toán tính toán thống kê được mô đun hóa trong file mã nguồn function.R.
• Nguồn dữ liệu: Dữ liệu thứ cấp dạng tệp tin owid-covid-data.csv được thu thập từ kho lưu trữ mở của tổ chức Our World in Data (OWID) trên nền tảng GitHub.

---

Nội dung chính theo từng chương

Chương 1: Động cơ nghiên cứu

Chương này trình bày tính cấp thiết của việc theo dõi diễn biến đại dịch COVID-19 trên thế giới. Tác giả chỉ ra rằng phân tích định lượng dựa trên số liệu thực tế giúp làm sáng tỏ xu hướng tăng giảm, quy mô bùng phát tại từng quốc gia và khu vực, từ đó phục vụ mục đích nghiên cứu và hỗ trợ đánh giá tác động kinh tế - xã hội.

Chương 2: Mục tiêu

Xác lập các mục tiêu đào tạo và học thuật của đồ án: vận dụng phương pháp thống kê vào bài toán thực tiễn, khám phá các quy luật phân bố của dịch bệnh, rèn luyện kỹ năng lập trình R, kỹ năng tiền xử lý dữ liệu và làm việc nhóm khoa học.

Chương 3: Cơ sở lý thuyết

Trình bày chi tiết 9 nội dung lý thuyết nền tảng:

• 3.1 Trung bình cộng (Mean) và ý nghĩa đại diện trung tâm.
• 3.2 Tứ phân vị ($Q_1, Q_2, Q_3$) và phương pháp xác định theo số phần tử chẵn/lẻ.
• 3.3 Phương sai và độ lệch chuẩn, mối liên hệ giữa phương sai với độ tin cậy của giá trị trung bình.
• 3.4 Khoảng tứ phân vị (IQR).
• 3.5 Định nghĩa và ngưỡng xác định điểm ngoại lệ (Outliers).
• 3.6 Cấu trúc và ý nghĩa của biểu đồ hộp (Box Plot).
• 3.7 Bảng phân phối tần số tích lũy và biểu đồ tích lũy.
• 3.8 Định nghĩa, công thức và ý nghĩa làm mịn dữ liệu của đường trung bình động (SMA).
• 3.9 Hệ số tương quan Pearson và phương pháp bình phương cực tiểu OLS trong hồi quy tuyến tính.

Chương 4: Phân tích dữ liệu

4.1 Tập dữ liệu mẫu và Tiền xử lý dữ liệu

Tập dữ liệu gốc bao gồm 163.090 quan sát với 6 thuộc tính: iso_code, continent, location, date, new_cases, new_deaths. Quy trình tiền xử lý được thực hiện qua các bước:

1. Chuyển đổi thuộc tính date từ kiểu chuỗi ký tự (chr) sang định dạng ngày tháng chuẩn (Date).
2. Xử lý các giá trị âm bất thường trong new_cases và new_deaths (do điều chỉnh sai sót nhập liệu) bằng hàm lấy giá trị tuyệt đối abs().
3. Lọc bỏ 13 mã định danh không đại diện cho quốc gia độc lập (chứa mã OWID_* với thuộc tính continent rỗng, ví dụ: OWID_AFR, OWID_ASI, OWID_EUR, OWID_HIC, OWID_LIC, OWID_WRL).
4. Khung dữ liệu sau làm sạch còn lại 153.316 quan sát thuộc 225 quốc gia và vùng lãnh thổ.

4.2 Nhóm câu hỏi phân tích dữ liệu tổng quát (Mục i)

• Thời gian thu thập: Trải dài trong 3 năm (2020, 2021, 2022).
• Phân bố theo châu lục: Tổng số 153.316 quan sát phân bố trên 6 châu lục. Châu Phi có số lượng quan sát lớn nhất (38.647 quan sát); Châu Đại Dương có số lượng quan sát nhỏ nhất (8.993 quan sát).
• Phân bố theo quốc gia: Argentina và Mexico có số lượng bản ghi nhiều nhất (781 quan sát/quốc gia); Pitcairn có số bản ghi ít nhất (85 quan sát). Có 88 nhóm quốc gia có cùng dung lượng quan sát (ví dụ: Việt Nam, Hồng Kông, Singapore cùng có 759 quan sát).
• Độ dài mã iso_code: Phát hiện 2 thực thể có mã dài hơn 3 ký tự là Bắc Síp (OWID_CYN) và Kosovo (OWID_KOS).

4.3 Nhóm thống kê mô tả cơ bản trên dữ liệu phân công (Mục ii)

Thực hiện tính toán trên 3 quốc gia: Australia, New Caledonia và New Zealand sau khi loại bỏ giá trị khuyết thiếu NA:

Quốc gia	Chỉ số	Min	$Q_1$	$Q_2$ (Median)	$Q_3$	Max	Trung bình (Mean)	Độ lệch chuẩn (Std)	Số Outliers
Australia	Ca nhiễm mới	0	10	42,5	646	175.271	3.593,64	15.051,40	127
	Ca tử vong mới	0	0	0	7	155	6,45	15,79	60
New Caledonia	Ca nhiễm mới	0	0	0	1	3.343	62,01	279,89	151
	Ca tử vong mới	0	0	0	0	16	0,45	1,73	33
New Zealand	Ca nhiễm mới	0	1	4	23	2.336	26,89	137,84	132
	Ca tử vong mới	0	0	0	0	4	0,08	0,35	41

Nhận xét: Độ lệch chuẩn của Australia rất lớn so với giá trị trung vị ($Q_2 = 42,5$ trong khi $\text{Std} = 15.051,4$), phản ánh sự chênh lệch đột biến do làn sóng bùng phát vào giai đoạn cuối, làm cho giá trị trung bình cộng không phản ánh đúng điểm trung tâm của dữ liệu; trung vị $Q_2$ là đại diện phù hợp hơn.

4.4 Nhóm phân tích đặc tính thu thập dữ liệu (Mục iii)

Khảo sát các ngày không có ca bệnh hoặc không được báo cáo:

Quốc gia	Ngày không báo cáo ca nhiễm mới (NA/0)	Ngày không báo cáo ca tử vong mới (NA/0)	Chuỗi ngày dài nhất không có ca nhiễm mới	Chuỗi ngày dài nhất không có ca tử vong mới
Australia	28	402	21 ngày	105 ngày
New Caledonia	506	643	52 ngày	19 ngày
New Zealand	159	682	24 ngày	199 ngày

4.5 Trực quan hóa và phân tích chuỗi thời gian (Mục iv, vii, viii)

• Biểu đồ tần số tích lũy và tần số tương đối: Nam Mỹ có biểu đồ tần số tích lũy đồng đều nhất giữa các quốc gia thành viên.
• Phân tích theo tháng và 2 tháng cuối năm (2020–2021): Năm 2021 ghi nhận đỉnh dịch trung hạn vào tháng 5; giai đoạn đầu năm 2022 số ca nhiễm bùng nổ vượt trội so với năm 2021 do sự xuất hiện của biến thể lây lan nhanh (Delta/Omicron).
• Làm mịn bằng trung bình động 7 ngày (MA 7): Biểu đồ MA 7 ngày loại bỏ hiện tượng thiếu số liệu định kỳ vào ngày cuối tuần, cho thấy rõ xu hướng gia tăng ca nhiễm vào cuối tháng 12/2020 và cuối tháng 12/2021 làm tiền đề cho đợt bùng phát đầu năm sau.

4.6 Phân tích tương quan và đợt bùng phát (Mục ix, x)

• Tương quan Pearson: Dữ liệu thô hàng ngày cho hệ số tương quan rất thấp do độ trễ ghi nhận giữa ca nhiễm và ca tử vong. Khi làm mịn bằng MA 7 ngày, tương quan thuận xuất hiện rõ rệt tại các thời điểm bùng phát dịch: Australia đạt $r = 0,852$ vào tháng 9/2021; New Caledonia đạt $r = 0,760$ vào tháng 9/2021; New Zealand đạt $r = 0,869$ vào tháng 5/2020.
• Xác định chuỗi bùng phát dịch (ngưỡng $k = 1000$ ca nhiễm/ngày):
  • Australia: Đợt bùng phát kéo dài liên tục 97 ngày (15/11/2021 đến 20/02/2022).
  • New Caledonia: Đợt bùng phát đạt cực đại 5 ngày (31/01/2022 đến 05/02/2022).
  • New Zealand: Đợt bùng phát kéo dài 5 ngày (15/02/2022 đến 20/02/2022).
  • Khoảng thời gian giao nhau lớn nhất giữa cả 3 quốc gia diễn ra từ ngày 15/02/2022 đến 20/02/2022 (5 ngày).

Chương 5: Kết luận

Tổng kết lại các phát hiện chính từ kết quả phân tích số liệu dịch COVID-19 trên thế giới và ba quốc gia Châu Đại Dương; đánh giá vai trò của công cụ thống kê và ngôn ngữ R trong việc tự động hóa xử lý tập dữ liệu lớn.

---

Kết quả và đóng góp

Kết quả chính

1. Chuẩn hóa tập dữ liệu toàn cầu: Xử lý hoàn chỉnh tập dữ liệu 163.090 bản ghi, loại bỏ 13 thực thể tổng hợp phi quốc gia để trích xuất 153.316 quan sát chuẩn của 225 quốc gia trên 6 châu lục.
2. Lượng hóa sự phân tán dịch tễ học tại Châu Đại Dương:
   • Australia chịu ảnh hưởng nặng nề nhất trong nhóm khảo sát với số ca nhiễm đỉnh điểm đạt 175.271 ca/ngày và số ca tử vong cao nhất là 155 ca/ngày.
   • Phát hiện hiện tượng phân phối lệch phải nghiêm trọng ở dữ liệu ca nhiễm, chứng minh bằng thực nghiệm rằng giá trị trung vị ($Q_2$) phản ánh trung tâm dữ liệu chính xác hơn giá trị trung bình cộng ($\bar{x}$).
3. Mối quan hệ tương quan giữa ca nhiễm và tử vong: Chứng minh được rằng ở cấp độ dữ liệu thô hàng ngày, mối liên hệ tuyến tính rất yếu do nhiễu báo cáo; nhưng sau khi áp dụng kỹ thuật làm mịn đường trung bình động 7 ngày (SMA), hệ số tương quan Pearson tăng vọt lên mức tương quan thuận chặt chẽ ($r > 0,75$) trong các giai đoạn đầu của làn sóng bùng phát.
4. Xác định giao điểm bùng phát dịch: Thuật toán quét chuỗi liên tục (rle) xác định chính xác giai đoạn từ 15/02/2022 đến 20/02/2022 là khoảng thời gian cả ba quốc gia Australia, New Caledonia và New Zealand cùng trải qua đỉnh dịch bùng phát vượt ngưỡng 1.000 ca/ngày.

Đóng góp thực tiễn và phương pháp

• Xây dựng thành công thư viện hàm R (function.R) có tính tái sử dụng cao cho bài toán phân tích dữ liệu dịch tễ: từ khâu phân nhóm dữ liệu (list.obs), truy tìm điểm ngoại lệ (Outliers), lọc chuỗi ngày liên tiếp (track), tính hệ số hồi quy ma trận (linreg) đến tìm giao đoạn thời gian bùng phát (find_intersection).
• Cung cấp minh chứng thực nghiệm về tác dụng của kỹ thuật làm mịn chuỗi thời gian (SMA) trong việc hiệu chỉnh sai số ngắt quãng của hệ thống ghi nhận dịch tễ học thực tế.

---

Hạn chế và hướng nghiên cứu tiếp

Hạn chế được ghi nhận

• Dữ liệu gốc tồn tại nhiều khoảng trống khuyết thiếu (NA) và giá trị 0 do chính sách báo cáo ngắt quãng không đều đặn theo ngày hoặc theo tuần ở một số vùng lãnh thổ (như New Caledonia giai đoạn đầu năm 2021).
• Mô hình phân tích tương quan tuyến tính Pearson và hồi quy đơn biến OLS chưa tính toán độ trễ thời gian sinh học cố định (time lag) giữa thời điểm phát hiện nhiễm bệnh và thời điểm tử vong.
• Một số nội dung câu hỏi mở rộng trong đề cương (như dự báo thời điểm kết thúc dịch hoặc phân tích chi tiết tỷ lệ tử vong tích lũy giảm mạnh) không nằm trong phạm vi phân công của nhóm tác giả.

Hướng nghiên cứu tiếp

• Mở rộng thuật toán phân tích tương quan có xét đến độ trễ thời gian (Cross-correlation with Time Lag) để mô hình hóa chính xác hơn mối liên hệ giữa ca nhiễm và ca tử vong.
• Ứng dụng các mô hình chuỗi thời gian nâng cao (ARIMA, SARIMA) hoặc mô hình dịch tễ học vi phân (SIR/SEIR) kết hợp dữ liệu tiêm chủng vaccine để dự báo xu hướng dịch bệnh.

---

Giá trị tham khảo

Báo cáo mang lại giá trị tham khảo thiết thực cho các đối tượng:

• Sinh viên ngành Khoa học Máy tính, Kỹ thuật Dữ liệu, Hệ thống Thông tin: Tham khảo quy trình xây dựng đường ống (pipeline) xử lý dữ liệu thực tế bằng R từ bước nạp dữ liệu, tiền xử lý, lập bảng thống kê mô tả đến trực quan hóa đồ thị chuyên sâu bằng ggplot2.
• Người nghiên cứu nhập môn Xác suất Thống kê ứng dụng: Cung cấp ví dụ trực quan về việc áp dụng các khái niệm lý thuyết (Tứ phân vị, IQR, Outlier, Đường trung bình động, Hồi quy bình phương cực tiểu) vào việc giải quyết bài toán dữ liệu lớn thực tế.
• Mã nguồn mẫu: Các hàm tự xây dựng trong đồ án như linreg, track, get_duration, find_intersection là tài liệu tham khảo hữu ích cho các bài toán xử lý chuỗi và đại số ma trận trong R.

---

Câu hỏi thường gặp

1. Tập dữ liệu sau khi tiền xử lý còn lại bao nhiêu quan sát và thuộc bao nhiêu quốc gia?

Sau khi lọc bỏ 13 mã định danh tổng hợp khu vực (mã OWID_* có thuộc tính continent rỗng), tập dữ liệu còn lại chính xác 153.316 quan sát thuộc 225 quốc gia và vùng lãnh thổ trên 6 châu lục.

2. Tại sao giá trị trung vị ($Q_2$) lại được ưu tiên sử dụng hơn giá trị trung bình cộng ($\bar{x}$) khi phân tích ca nhiễm của Australia?

Dữ liệu ca nhiễm của Australia có độ phân tán cực kỳ lớn với độ lệch chuẩn đạt $15.051,40$ và giá trị lớn nhất lên tới $175.271$ ca/ngày, trong khi $50%$ số ngày khảo sát chỉ có từ $0$ đến $42,5$ ca ($Q_2 = 42,5$). Sự xuất hiện của 127 giá trị ngoại lệ (outliers) ở giai đoạn bùng phát cuối làm giá trị trung bình bị kéo lệch lên mức $3.593,64$, không phản ánh đúng mức độ lây nhiễm phổ biến hàng ngày. Do đó, trung vị $Q_2$ đại diện cho điểm trung tâm chính xác và khách quan hơn.

3. Kỹ thuật làm mịn dữ liệu bằng trung bình động 7 ngày (MA 7) đã làm thay đổi hệ số tương quan Pearson như thế nào?

Đối với dữ liệu thô hàng ngày, sai lệch trong chu kỳ báo cáo khiến hệ số tương quan Pearson giữa ca nhiễm và ca tử vong rất thấp hoặc mang giá trị NA. Sau khi áp dụng trung bình động 7 ngày, nhiễu ngắn hạn bị triệt tiêu, làm lộ rõ mối quan hệ tương quan thuận chặt chẽ giữa hai biến số trong các đợt bùng phát dịch, ví dụ hệ số tương quan của Australia trong tháng 9/2021 đạt $r = 0,852$ và New Zealand trong tháng 5/2020 đạt $r = 0,869$.

4. Đợt bùng phát ca nhiễm lớn nhất đồng thời diễn ra ở cả ba nước Australia, New Caledonia và New Zealand vào khoảng thời gian nào?

Với ngưỡng xác định bùng phát là $k = 1.000$ ca nhiễm mới/ngày, khoảng thời gian giao thoa bùng phát lớn nhất giữa cả 3 quốc gia được xác định chính xác là từ ngày 15/02/2022 đến ngày 20/02/2022 (kéo dài 5 ngày).

---

Kết luận

Báo cáo bài tập lớn môn Cấu trúc rời rạc cho KHMT đã thực hiện phân tích thống kê toàn diện và chặt chẽ trên tập dữ liệu dịch tễ học COVID-19 toàn cầu giai đoạn 2020–2022. Thông qua ngôn ngữ lập trình R và các công cụ thống kê mô tả, nhóm tác giả đã làm rõ đặc trưng phân bố, tính chất phân tán và mối tương quan giữa số ca nhiễm và tử vong tại ba quốc gia Australia, New Caledonia và New Zealand. Công trình hoàn thành trọn vẹn mục tiêu kết hợp giữa nền tảng lý thuyết toán học rời rạc với kỹ năng lập trình xử lý dữ liệu lớn, mang lại giá trị tham khảo rõ ràng cho sinh viên và người học ngành khoa học máy tính.

Trích đoạn nội dung tài liệu

DAI HOC QUOC GIA THANH PHO HO CHI MINH TRUONG DAI HOC BACH KHOA KHOA KHOA HOC & KY THUAT MAY TINH BK TP.HCM CAU TRUC ROT RAC CHO KHMT (CO1007) Thống kê khảo sát kết quả Covid-19 môn Cấu trúc rởi rạc GVHD : Huỳnh Tương Nguyên Nguyễn Ngọc LỄ SV thực hiện : Nguyễn Hoài Khang - 2111453 Hà Văn Châu - 2110054 Vũ Ngọc Thuận - 2112394 Đỗ Nguyễn An Huy - 2110193 Dương Trọng Khôi - 2113786 Tp. H 6Chi Minh, Thang 04/2022 Muc luc 1 Động cơ nghiên cứu 2 Mục tiêu 3 Cơ sở lý thuyết 3.1 Trung bình cộng (giá trị kì vọng) .Ặ Q Q HQ HH gà kg kg ky ky ky 3. Cách thức xác định.3 Phương sai - Độ lệch chuẩn.4 Khoảng tứ phân vị.41 Định nghĩa 342 Ý nghĩa. v gà xxx xxx xxx xxx xà 3.1 Định nghĩa 352 Ý nghĩa.

QQ Q Q Q Q TQ ng. v gà xxx xxx xxx xxx xà 3.6 Biểu đôhộp (Box Plo0 3.7 Tần số tích lũy - Biểu đ ồ tích lũy.2 Thiết lập bảng tần số tích lũy. Truong Dai Hoc Bach Khoa Tp.H% Chi Minh Khoa Khoa Học & Kỹ Thuật Máy Tính EcNhg. Đường trung bình động 3.

Tính toán giá trị trung bình động đơn giản.Q QQ Q Q Q Q Quà xxx xxx xxx xxx xà 8 3. Hệ số tương quan .1 Hệ số tương quan Pearson .2 H@ quy tuyến tính, phương pháp bình phương cực tiểu 9 4 Phân tích dữ liệu 11 4.1 Tập dữ liệu mẫu 42 Tifsxuli .1 Cài đặt các packages (gói) va sourc file chứa các hàm tính toán cần thiết .2 Đọc dữ liệu từ file vào dataframe (khung dữ liệu).23 Kiém tra cấu trúc của tập dữ liệu mẫu. Chuẩn hóa dữ liệu 4.1 Chuẩn hóa kiểu dữ liệu của thuộc tính date (ngày-giở) .2 Xử lí các giá tri 4m trong new_cases va new_deaths .3 Lọc ra những dữ liệu không phải là quốc gia 13 44 Dữ liệu được phân công riêng .5 Kết quả phân tích 5_ Kết luận 82 Tài liệu 82 Bài tập lớn môn Cấu trúc Rời rạc cho KHMT (COI007) - Niên khóa 2021-2022 Trang 2/83 Truong Dai Hoc Bach Khoa Tp.H% Chi Minh Khoa Khoa Học & Kỹ Thuật Máy Tính 1 Động cơ nghiên cứu Bénh Corona do virus gây ra còn gọi là COVID-19 đã tạo ra những tác động tiêu cực đến nềầi đời sống của cư dân trên thề giới. Các đợt bùng phát của COVIDI9 hay những biến thể virus đã mang đến những thách thức chưa từng có và được dự báo sẽ có tác động đáng kể đến sự phát triển kinh tế.

Nhiềi thông tin, tin tức về tình hình dịch bệnh cũng như dữ liệu về COVID-19 được phổ biến rộng rải trong đời sống hay trên internet để giúp cho mọi người quan sát, phân tích, nghiên cứu đươc cập nhật hàng ngày. Phân tích & thống kê dữ liệu về COVID19 giúp cho ta thấy được số ca nhiễm bệnh, tử vong của một quốc gia, so sánh tình trạng của các quốc gia trong khu vực hay diễn biến dịch trên thế giới. Từ số liệu được báo cáo mơi chúng ta muốn biết các ca nhiễm bệnh có xu hướng tăng lên hay giảm xuống quy mô các đợt bùng phát ở mỗi quốc gia. Dữ liệu dùng cho bài tập lớn có tham khào từ: https://github.com/owid/covid- 19-data/blob/master/public/data/README.

2_ Mục tiêu Trong bài tập lớn này, chúng ta sẽ bắt đầi với các bài toán thống kê đơn giản từ những dữ liệu được cung cấp. Qua đó, tìm ra những con số thú vị, có ý nghĩa đối với các dữ liệu thực tế từ tình hình dịch corona.