Professional Documents
Culture Documents
Mkiyredssdggbhuiooknvcdsdrhbb
Mkiyredssdggbhuiooknvcdsdrhbb
com/pl/Model_deterministyczny
https://www.tradedoubler.com/pl/blog/dopasowanie-deterministyczne-najdokladniejsza-metoda-
pomiaru-aktywnosci-uzytkownikow-na-wielu-urzadzeniach/
https://www.deltami.edu.pl/temat/matematyka/zastosowania/2020/05/31/stochastyczne-i-
deterministyczne-modele-epidemii/
Model deterministyczny jest użytecznym i najczęściej stosowanym modelem w opisie wielu zjawisk
fizycznych, biologicznych, socjologicznych czy ekonomicznych. Stanowi też ważne narzędzie w
procesie optymalizacji, znajdując zastosowanie m.in. w ekonomii matematycznej i analizach w
zarządzaniu. Często ma on formę układu równań różniczkowych bądź różnicowych.
Przykładem modelu deterministycznego może być wyznaczenie siły na podstawie znanej masy i
przyśpieszenia, wyznaczenie opadu na podstawie znajomości temperatury i wilgotności lub
określenie liczby ludności na podstawie znajomości liczby domów i mieszkańców w domach, itd.
Modele deterministyczne mające zmienną czasową nazywa się modelami prognostycznymi. Jeżeli
zjawisko jest opisane na podstawie zmiennych otrzymanych w wyniku modelu prognostycznego to
jest to tzw. Zmienna diagnostyczna. Opis deterministyczny można przeciwstawić modelowi
probabilistycznemu, takiemu jak proces stochastyczny, w którym wyniki początkowe opisują wyniki
końcowe z pewnym prawdopodobieństwem.
Jeżelimodelmatematycznydziaławtakisposób,żezmianywartościwyjściowych
wywoływanesąwyłącznieprzezodpowiedniezmianywielkościwejściowychmodelu,to
modeltakidziaławsposóbdeterministyczny
Jeżelizaśbezzmianywielkościwejściowychmożnauzyskaćróżnewartościwielkości
wyjściowych,totakimatematycznymodeldziaławsposóbprobabilistyczny.
Dopasowanie deterministyczne jest metodą niemal idealną. Wykorzystuje ono dane „first party”
(dane logowania), by połączyć użytkownika z jego urządzeniami. Tego typu dane podlegają ochronie,
zatem firmy wykorzystujące tę technikę są zobowiązane do ochrony informacji dotyczących
konsumentów.
Technologia cross device tracking firmy Tradedoubler wykorzystuje właśnie dopasowanie
deterministyczne. Profile utworzone przez połączenie użytkowników z ich urządzeniami są
anonimizowane, by uniknąć gromadzenia jakichkolwiek danych osobowych. Konsumenci mogą
również nie wyrazić zgody na śledzenie, podobnie jak ma to miejsce przy procesie monitorowania za
pomocą ciasteczek.
„Cross-device” to jedno z wszechobecnych ostatnio haseł w branży marketingu online i jest wielu
chętnych do oferowania rozwiązań w tym zakresie. Stworzenie probabilistycznych narzędzi trackingu
aktywności użytkowników na wielu urządzeniach jest relatywnie łatwe – technologia bazuje na
algorytmie, a zasięg można szybko powiększyć. Dlaczego zatem wielcy gracze – np. Google lub
Facebook – nie stosują tego podejścia? To proste. Nie muszą. Ich sieci są na tyle duże, że dają
znaczący zasięg niezbędny do utworzenia milionów profili użytkowników, bez konieczności zdawania
się na prawdopodobieństwo.
Każda firma wykorzystująca deterministyczne rozwiązanie cross-device tracking musi mieć olbrzymi
zasięg w ramach własnej sieci. Przedsiębiorstwa, które nie mają warunków do wprowadzenia modelu
deterministycznego, muszą zdać się na mniej skuteczne rozwiązanie – dopasowanie probabilistyczne.
Zjawiska opisywane na poziomie „mikro” przez procesy Markowa zachowują się na poziomie „makro”
jak funkcje deterministyczne, będące rozwiązaniami równań różniczkowych. Można to zaobserwować
na przykładzie prostego (ale, niestety, bardzo aktualnego w chwili pisania tego artykułu) modelu
początkowej, wykładniczej fazy epidemii.
Rozważmy bardzo dużą populację. Niech | I(t) oznacza liczbę zarażonych w chwili t. Zakładamy, że w
krótkim okresie czasu h każdy z nich zaraża średnio |αh innych ludzi, ale przy tym z
prawdopodobieństwem |βh zdrowieje lub umiera i przestaje zarażać. Deterministyczny model jest
następujący:
Okazuje się (co zostanie uzasadnione na końcu artykułu), że Wn+1 jest zmienną losową o rozkładzie
wykładniczym z parametrem (α +β )in . Ponadto
Przebieg procesu | I(t) symulujemy zatem, losując kolejno czasy | Tn i stany |I(Tn) zgodnie z
dwiema powyższymi regułami. Chemicy, biolodzy i epidemiolodzy znają tę metodę pod nazwą
algorytmu Gillespie’go. W rzeczywistości taki opis skokowego procesu Markowa podał znakomity
amerykański matematyk czeskiego pochodzenia, Joseph Doob. Przykładowy przebieg krótkich
symulacji przedstawiamy w poniższej tabelce i na rysunku 1.
Uderzającą cechą procesu losowego opisanego równaniami (2) jest zgodność trajektorii w makroskali
z rozwiązaniem równania różniczkowego, czyli z funkcjami wykładniczymi I(t) = exp{(α – β)(t −c)}.
Poszczególne realizacje procesu różnią się jednak wyraźnie przesunięciem w fazie |c. To widać na
rysunku 3, na którym oś pionowa została przedstawiona w skali logarytmicznej. Rysunek 4 pokazuje
te same 20 trajektorii w początkowym okresie rozwoju. Wspomniane wyżej przesunięcia w fazie
wynikają z losowych fluktuacji na początku. Rezultatem tych losowych fluktuacji jest to, że 12 spośród
przedstawionych trajektorii jest „pochłoniętych” przez zero. Dalszy przebieg procesu jest niemal
deterministyczny.
Modele deterministyczne „Początki naukowej teorii zapasów sięgają 1915 r. Wtedy to bowiem F.W.
Harris
Przedstawił znany dziś powszechnie wzór na optymalną partię zakupu (dostawy)” [92]. Ten
najprostszy model zbudowany został na podstawie kilku założeń, mało realnych w praktyce (rys.2.1):
− zapotrzebowanie na produkt jest znane i stałe w jednostce czasu, − realizacja dostawy jest
natychmiastowa i bezbłędna.