Merkliste
Die Merkliste ist leer.
Der Warenkorb ist leer.
Kostenloser Versand möglich
Kostenloser Versand möglich
Bitte warten - die Druckansicht der Seite wird vorbereitet.
Der Druckdialog öffnet sich, sobald die Seite vollständig geladen wurde.
Sollte die Druckvorschau unvollständig sein, bitte schliessen und "Erneut drucken" wählen.
Mathematische Epidemiologie: 25 Modelle zur Vorhersage von Pandemien
ISBN/GTIN

Mathematische Epidemiologie: 25 Modelle zur Vorhersage von Pandemien

eBookPDFDRM AdobeE-Book
CHF96.70

Beschreibung

Dieses Buch beschreibt aus rein epidemiologischer Sicht, die Entstehung und Entwicklung einer Epidemie mit Hilfe von Differentialgleichungssystemen. Dabei wird die Bevölkerung in die bekannten Kompartimente oder Klassen aufgeteilt. Ausgehend vom einfachsten Modell werden in nachvollziehbaren kleinen Schritten die bestehenden Modelle erweitert, um Phänomene wie Rückfall oder Immunitätsverlust zu modellieren. Zudem werden in weiteren Schritten Kompartimente hinzugefügt, die mit der Berücksichtigung von Quarantäne und Impfung einhergehen. Jedes Modell wird vollständig analysiert und die Ergebnisse festgehalten. Danach folgt für jedes Modell mindestens ein vollständig gelöstes Zahlenbeispiel inklusive einer Darstellung für den jeweiligen Epidemieverlauf. Kern dieses Buches bilden die Simulationen und Prognosen für vier verschiedene Covid-Pandemiewellen in Zentraleuropa der letzten Jahre mit den erfassten Daten und unter Verwendung von 6 Modellen. Darüber hinaus werden Möglichkeiten zur Schätzung von Raten und Anfangswerten präsentiert, die für eine Vorhersage eines Epidemieverlaufs unerlässlich sind. Dieses Buch ist wegweisend für den Einstieg in die Modellierung von Pandemien und eignet sich auch als Nachschlagewerk.
Weitere Beschreibungen

Details

Weitere ISBN/GTIN9783111348018
ProduktarteBook
EinbandartE-Book
FormatPDF
Format HinweisDRM Adobe
Verlag/Label
Erscheinungsdatum17.06.2024
Auflage24001 A. 1. Auflage
Seiten158 Seiten
SpracheDeutsch
Dateigröße4169 Kbytes
Weitere Details

Reihe

Autor:in

Vorschläge

Kürzlich von mir besucht