Otetaan vaikka kuolleiden määrä. Alkupiste olisi päivä 0, jolloin tilanne on 0. Sitten saadaan kumulaativisia lukuja. Esimerkiksi päivä nro 1 luku 3, päivä nro 2 luku 5 jne. Eli x-akselilla päivä ja y-akselilla kokonaismäärä.
Noista pitäisi sitten saada funktio (luultavasti polynomi sellainen), joka kuvaisi mahdollisimman hyvin tilanteen kehittymistä. Funktion derivaattafunktiosta saataisiin selville päiväkohtainen tartuntojen muutos.
Miten tuota kannattaisi lähteä tekemään? Tietokone on käytössä.
Noista pitäisi sitten saada funktio (luultavasti polynomi sellainen), joka kuvaisi mahdollisimman hyvin tilanteen kehittymistä. Funktion derivaattafunktiosta saataisiin selville päiväkohtainen tartuntojen muutos.
Miten tuota kannattaisi lähteä tekemään? Tietokone on käytössä.
Vastaukset 4
Vanhimmat
Ihan silloin vuosi sitten alussa yritin tutkia noudattaako se Fibonaccin lukusarjaa, ja se taisi suurin piirtein niin mennäkin..
No siis vanhaan dataan voidaan muodostaa vaikka mitä sovituksia. Uusia arvoita tehdään yleensä SIR-mallilla tai sen johdannaisilla. Harrastelija tuskin pystyy kovin kummoisia ennusteita laatimaan, ellei ole tutustunut epidemiologiseen mallinnukseen. Tapoja on hurjasti. Googlaa corona modelling.
Eipä tuossa ole paljon järkeä. Ota vaikka data 400:lta ensimmäiseltä päivältä, niin tarvitset sovittamiseen suunnilleen 400-asteisen polynomin. Kun vielä sairastuvuus ja raportointi eivät mene päiväkohtaisesti tasatahtia, niin derivaatta ei kerro mitään. Jotta tuloksessa olisi mielekkyyttä, on tarkasteltava pidemmän ajanjakson lukuja esim. viikko- tai kuukausitasolla. Valmiit käyrät löytyvät muuten täältä https://www.worldometers.info/coronavirus/ - niihin voit sitten sovitella sopivia funktioita.
Ei mallin ole tarkoituskaan kulkea täsmälleen jokaisen pisteen kautta, vaan ensin valitaan mallin aste (eli se, minkä asteen polynomia sinne lähdetään sovittamaan) ja sitten selvitetään polynomin kertoimet niin, että virheen PNS minimoituu. Samaa kokeillaan muutamilla eri asteilla kunnes ollaan tyytyväisiä selitysasteeseen.
Toinen vaihtoehto on asettaa rangaistusfunktio suurempien asteiden kertoimille, jolloin malli optimointi itsessään selvittää sopivan asteen, mutta yhtälailla sitäkin joutuu ajamaan useammilla rangaistusfunktioilla kunnes löytyy riittävän osuva käppyrä.
Yliselittämistä (eli sitä, että käyrä kulkee tarkalleen jokaisen mittauspisteen kautta) pyritään mallinnuksessa nimenomaan välttämään, koska mittauksissa on aina satunnaisvaihtelua, jota malli ei pysty ennustamaan.