56913_ja-JP

liliconcom

不確実性の伝播と二次確率

私の分野では、データを収集 (または決定論的にシミュレート) するのに費用がかかるため、通常、メタモデル (または代理モデル、応答曲面など) を使用して不確実性の伝播を行います。JMP は、これらのモデルの生成に優れています。ただし、次の図に要約されているように、2 次確率を使用して不確実性の伝播を行う明確な方法を見つけることができませんでした。

プロファイラーシミュレーターで入力確率を定義する方法はわかりますが、一部の入力を最初にサンプリングされた均一な入力で「認識」として定義し、次に他のすべての入力がそれに従ってサンプリングされる簡単な方法があるかどうかはわかりませんシステム応答で単一の CDF を作成するために、システム応答で確率ボックスを作成するために M 回繰り返されます。

 

JSLの世界に飛び込むことなく、グラフィカルなJMP環境内で達成する方法を知っている人はいますか?私は通常、Python を使用してこれを達成しており、Python に堪能です。   

Re: 不確実性の伝播と二次確率

ステップ 2 の 1 つの小さな修正:

 

別のデータ テーブルを作成し、aleatory という名前を付けます

• 列を作成する
  • 名前は「サンプル」
  • シーケンスでデータを初期化する
    • 実行数 = 1
    • から = 1
    • に = N
    • ステップ = 1
    • 繰り返し = M <=ここが大事！

 

あるべきです（の変化大胆な

 

別のデータ テーブルを作成し、aleatory という名前を付けます

• 列を作成する
  • 名前は「サンプル」
  • シーケンスでデータを初期化する
    • 実行数 = 1
    • から = 1
    • =にM
    • ステップ = 1
    • 繰り返す= N

各認識サンプルは、M 回ではなく、新しい偶然サンプルで N 回繰り返される必要があるためです。

Re: 不確実性の伝播と二次確率

それは素晴らしいです。最初の方法は私が求めていたものであり、素早い解決策です。あなたの指示が希望どおりに機能することを確認しました (編集: 1 つの小さな変更を加えて、以下の返信を参照してください) .

 

ただし、最後の手順として、サンプル グループごとにすべての CDF をプロットする必要があります。そこで、応答を取り、「サンプル」による「応答」の分布をプロットします。M = 100 の場合、最終的に 100 個の異なる PDF プロットと CDF プロットになります。M プロットのそれぞれをクリックして確率スコアを手動で保存するだけでなく、すべての確率スコアを同時にテーブルに送信する簡単な方法はありますか?  

 

ところで、JSL はオプションですが、エレガントな GUI ソリューションがあるかどうかを調べています。

 

ご協力ありがとうございました。

Re: 不確実性の伝播と二次確率

あなたが達成しようとしていることについての私の理解は、M 個の認識変数サンプルごとに N 個の一意の偶然変数サンプルが必要だということです。

 

JSLがオプションでない場合は、次のようにします。

1. テーブルを作成し、epistemic という名前を付けます
   • 列を作成する
     • 名前は「サンプル」
     • シーケンスでデータを初期化する
       • 実行数 = 1
       • から = 1
       • に = M
       • ステップ = 1
   • 認識変数ごとに、次のものがあります。
     • 適切な名前の列を作成します
     • その列に数式を追加します
       
       • 適切なランダム機能（均一？）
2. 別のデータ テーブルを作成し、aleatory という名前を付けます
   • 列を作成する
     • 名前は「サンプル」
     • シーケンスでデータを初期化する
       • 実行数 = 1
       • から = 1
       • に = N
       • ステップ = 1
       • 繰り返し = M <=ここが大事！
   • 偶然の変数ごとに、次のものがあります。
     • 適切な名前の列を作成します
     • その列に数式を追加します
       
       • 適切なランダム関数
   • このテーブルで (偶然) テーブル => 更新をクリックします。
     • 認識テーブルを選択
     • 「一致列」にチェックを入れる
       
       • 両方のテーブルからサンプルを選択し、「一致」ボタンをクリックします
     • [更新テーブルから列を追加] で [選択済み] を選択します。
       • 認識変数列のみを選択し、「サンプル」列を無視します
     • 「OK」ボタンをクリック
   • 必要に応じて、偶然のテーブルから Sample 列を削除できるようになりました。
3. 必要に応じて、認識テーブルを閉じることができます。
4. 偶然のテーブルは認識サンプルを M 回繰り返す必要がありますが、偶然のサンプルは繰り返されず、認識サンプルごとに N 回サンプリングされます。

 

 

 

目標が各認識サンプルの偶然サンプリングを繰り返すことである場合 (同じ偶然サンプリングが各認識サンプルに入ります)、それは簡単です:

1. テーブルを作成し、epistemic という名前を付けます
   
   • M 行追加
   • 認識変数ごとに、次のものがあります。
     • 適切な名前の列を作成します
     • その列に数式を追加します
       
       • 適切なランダム機能（均一？）
2. 別のデータ テーブルを作成し、aleatory という名前を付けます
   • N 行追加
   • 偶然変数ごとに、次のものがあります。
     • 適切な名前の列を作成します
     • その列に数式を追加します
       
       • 適切なランダム関数
3. 偶然のテーブルでテーブルに移動します=>参加
   • 左側の認識テーブルを選択
   • 「マッチング仕様」の下で「デカルト結合」を選択します
   • 「OK」ボタンをクリック

 

 

お役に立てれば