Від редакції
Чергова порція даних від шановного пана Науковця робить обговорення ситуації в Україні дещо інтерактивнм. Він враховує ті версії, які висловлюють колегі і аналізує їх шляхом порівняння з тими джерелами, які дещо подібні до нашої ситуації. Тому наша дискусія вже увійшла в якесь конструктивне русло, що дуже потріно в цей час. Отже, пан Науковець зауважує наступне.
***
Пояснення ситуації в Україні:
1.Вчора пролунали дві заяви щодо досягнення максимуму від Головного санітарного лікаря (14 квітня 2020 р. ) і МВС, А. Геращенко (15-25 квітня 2020 р.). Скористався даними Гол. сан. лікаря і провів зворотне моделювання (синя пунктирна лінія). Тут виявів, що наші дані на початку епідемії можуть бути дуже заниженими. Якщо врахувати заяву МВС, то ця різниця себе ще більше проявляє.
2.У вчорашньому обговоренні посту згадано заяви про подібність ситуації в Україні та Іспанії з посиланням на статтю з числовими даними. Тут після перевірки даних виявилася ще цікавіша картина. Дані від Іспанії ті самі, що дає JH CSSE Щодо України, то в згаданій статті наведено дані РНБО, які в деякі дні не сходяться з даними JH CSSE (Наприклад за 26.03.2020 156 – 196, відповідно. Різниця в 40 осіб!
Тому додатково на графіках вніс дані з сайту РНБО (з нього це зручніше зробити, напевно вони ті самі є в МОЗі) – це вже червона пунктирна лінія. Читачі можуть самі оцінити такі зміни.
Крім цього зроблено висновок, що такі заяви є хибними, оскільки навіть неозброєним оком видно, що характер розвитку епідемії різний, особливо на початку, де є сумніви щодо правильності даних. Крім цього, додам, загальні тенденції є типовими для більшості європейських країн.
Тенденції стабілізації
Тенденції погіршення прогнозів
Шановне товариство, пробачаюсь за можливо дурне питання, але хтось може “на пальцях” розказати як може виникнути графік з екстремумом та прогнозом на зниження чогось, коли вхідні дані показують тільки ріст показника? Можливо, у розрахунки включено розмір популяції, у якій може виникнути хвороба та мається на увазі ситуація з насиченням процесу зараження? Якщо умовно – то коли заразяться вся, хто можливо, то після цього епідемія піде на спад тому що нових заражень не буде, а хворі будуть виздоровляти з отриманням імунітету на майбутнє. У такому випадку, звісно, у функції має бути верхній екстремум… Спочатку здалося що це основна гармоніка фурье-перетворення, але періодичності у вхідних даних то немає… Пробачайте що не розумію, але здається мені що багато хто б хотів “роз’яснення на пальцях” бо теж не розуміють 🙂
Деяке розуміння приходить тільки у напрямі роздумів – “якщо крива охоплення діагностуванням росте значно швидше кривої захворілих та не “тягне” за собою криву смертності, то процес близький до насичення”.
Хоч я й не прихильник російськомовної вікіпедії, однак там є 5 пункт
https://ru.wikipedia.org/wiki/%D0%9D%D0%BE%D1%80%D0%BC%D0%B0%D0%BB%D1%8C%D0%BD%D0%BE%D0%B5_%D1%80%D0%B0%D1%81%D0%BF%D1%80%D0%B5%D0%B4%D0%B5%D0%BB%D0%B5%D0%BD%D0%B8%D0%B5
. Ознайомтесь, будь-ласка, з ним. А також порівняйте графіки кривих.
Дякую!
Подивився. Я знаю про розподіл Гауса, але питання було трошки інше. Розподіл Гауса показує нам найбільшу імовірність значення функції у центрі кривої, а по краях імовірність падає. Відповідно, зрозуміло що час закінчення епідемії у даному випадку не є жорстко детермінованим, а є деяке “скупчення імовірностей” з максимумом на деякій даті – це зрозуміло. Питання було – як можна отримати з набору параметрів, кожен з яких є строго зростаючим, висновок що настане спад результуючої функції? Фактично розподілом Гауса Ви описуєте ймовірність кількості хворих на деякому конкретному значенні шкпли часу – тут все зрозуміло. Незрозуміло чому при зростанню всього настає цей максимум, після якого йде спад? Які передумови наявності спаду? Зрозуміло, Ви можете сказати що то спад імовірності, але наявність деякої дати “найбільш імовірний максимум епідемії” явно вказує що після цієї дати захворюваність падає, а максимум у ті “віддалені часи” стає все менш імовірним. То чому піде на спад те, що по наявним даним монотонно зростає? Мене цікавив саме оцей логічний перехід.
Можливо, за подібне питання, я б у Вас отримав двійку у заліковій книжці 🙂 , але пам’ятаєте вислів, який приписують Резерфорду? “Якщо ви не можете пояснити прибиральниці чим ви займаєтесь у ядерній фізиці, то ви не є професіоналом”. Навряд чи ввн їй казав “піди підручник почитай” 🙂 Будь ласка, не ображайтесь, це жарт, якщо нема бажання “адаптувати”, то нічого страшного, лишень би Ваші прогнози про досить швидке закінчення епідемії було відповідаючими дійсності.
Жарт приймається, хоча порівнювати себе з титанами… Тут справа ось у чому, якщо носій вірусу здатний заразити більше однієї людини (для коронавіруса оцінюється як 2,3-2,4 – базове репродукційне число), тоді розвивається епідемія за експоненційним законом. Потім у закритому середовищі з тих чи інших причин це число зменшується до 1, тоді виникає ендемічна ситуація – кількість заражень зростає за квазілінійним законом, а її похідна, саме крива Гауса, досягає максимуму. У подальшому, коли епідемія поступово згасає, репродукційне число стає менше 1, тобто з часом зменшується кількість носіїв вірусу. Цей процес також має експоненційний характер, але вже в іншому напрямку, його називають гіподемічним. Такий хід подій показує червона крива. Синя неперервна крива – розподіл Гауса, це її похідна, яка відповідає тут щоденній зміні кількості хворих (дискретна жовта крива).
Якщо не втручатись у цей процес з самого початку, то розвиток йде так, поки всі носії не захворіють і не загинуть, тобто вибуватимуть з популяції, а разом з ними й вірус. Якщо втручатись, а це такі фактори, як самоізоляція, дистанціювання, примусове виведення хворих з популяції та низка інших, то параметри процесу змінюватимуться, хоча його характер залишиться той самий. Ніби все написав, що хотів.
Для ілюстрації дуже рекомендую відео https://youtu.be/gxAaO2rsdIs , у якому популярно демонструються варіанти розвитку епідемії залежно від впливу різних факторів.
Дякую, тепер зрозуміло! Велика подяка Вам за Ваші дослідження та ту нотку оптимізму, які вони привнесли у життя мабуть багатьом, хто прочитав матеріал!