Altoparlante | Trascrizione |
| nedjones | Il buono, il brutto, il cattivo o Indipendenza e dipendenza sinergica e antagonista. |
| Sono Ned Jones. Ho una piccola attività di consulenza chiamata 1-alpha Solutions. Puoi vedere le mie informazioni di contatto lì. Entriamo nella discussione sulla simulazione. |
| Eseguirò la simulazione, ovviamente, e JMP nella scoperta... |
| e ti consente di scoprire il modello ma inserire una variazione casuale molto...variazione...variazione casuale dell'output del modello e in base agli input in qualsiasi rumore aggiunto al simulatore. Anche il simulatore |
| ti permette di profilare... |
| è nel profiler e lo definisce definisce l'input casuale è definito in base all'input casuale che hai e puoi eseguire una simulazione, produrre tabelle di output e simulare variabili. |
| La prossima cosa che voglio fare è parlare di un paio di diversi tipi di simulazione. |
| Basta una semplice simulazione. Se si dispone di un input e di un output, non vi è alcun problema di dipendenza nella simulazione. Quelle che ci preoccupano principalmente sono le simulazioni, in cui abbiamo più input. |
| E stiamo simulando e avremo uno o più output di sistema. La preoccupazione è che possa esserci |
| dipendenza tra le variabili di input. |
| Scorri un po' qui e vedremo... vogliamo parlare di cosa significa |
| hanno indipendenza stocastica. |
| Due eventi A e B sono indipendenti se e solo se le loro probabilità congiunte sono pari al prodotto delle loro probabilità. Bene, questo è quello che vogliamo. Questo è il risultato finale che vogliamo. Lo definirò. Guardatelo in modo leggermente diverso e così via. |
| Questo dovrebbe renderlo un po' più chiaro. Se guardiamo l'intersezione di A e B, gli eventi A e B, sono uguali a quel prodotto congiunto che implica quello |
| la probabilità di A è uguale alla probabilità di A dato B, o analogamente, la probabilità...il con le probabilità congiunte, ma la probabilità di B è uguale alla probabilità di B dato A. |
| Quindi l'occorrenza di A e B è |
| non è influenzato. |
| Il verificarsi di B non è influenzato dalla probabilità di A e viceversa. |
| 2, 4 o 6. |
| Puoi facilmente vedere che il |
| IL |
| la probabilità di A è 2 e 6 o un terzo e la probabilità di B è 3 e 6 o la metà. |
| Ma se guardi il |
| intersezione di A e B, fa 2. E quindi la probabilità di A per B come 1 6 e 2 è che ottengono 2 è, e l'unico risultato che ottieni è 1 su 6. |
| Ora, la probabilità di A |
| è uguale alla probabilità che un dato B sia pari a un terzo. E se lo guardiamo e ci rendiamo conto che stiamo dicendo, okay, B si è verificato, sappiamo di averlo fatto |
| un 2, un 4 o un 6, ma c'è ancora una terza possibilità che si sia verificato A. Quindi possiamo vedere che rimane ancora a un terzo. E allo stesso modo, vediamo accadere la stessa cosa con la probabilità di B. |
| Pertanto A e B sono indipendenti. |
| Ora ho un ruolo e guardo l'esempio che ho e ne parlo. Quello che sto facendo è simulare il carico di parassiti |
| E la probabilità di una coppia accoppiata. |
| Quello che abbiamo è che abbiamo una popolazione che raccoglie la frutta e da quella popolazione che raccoglie la frutta avremo alcune pratiche culturali che vengono applicate nel... |
| nel nostro |
| frutteto Grove o |
| il vigneto riceverà un carico di parassiti... avrà un carico di parassiti dopo l'applicazione di tali pratiche colturali. |
| Poi dobbiamo procedere al raccolto... il raccolto viene raccolto, faremo qualche abbattimento manuale e stimeremo il carico di parassiti lì. E poi dopo possiamo... puoi vedere che abbiamo |
| una cella frigorifera e avremo un carico di parassiti dopo la cella frigorifera. Cercheremo di congelarli a morte. |
| E l'ultima cosa che faremo è che, una volta ottenuto questo carico di parassiti, lo spezzeremo in una distribuzione di marketing e divideremo quella popolazione in diverse parti più piccole. |
| E da questo saremo in grado di calcolare la probabilità di una coppia che si accoppia. |
| Bene, il problema che puoi vedere immediatamente è che queste cose diventano molto dipendenti perché l'output della popolazione raccolta è l'input per il trattamento A. L'output del trattamento A è l'input per il trattamento B e così via fino a C fino alla coppia che si incontra. |
| Ora ecco, ecco una tabella io... ecco una tabella con cui lavoreremo e con cui inizieremo. Ed ecco quello che abbiamo, l'abbiamo impostato affinché il simulatore possa lavorare e abbiamo una popolazione compresa tra 1 milione e 2,5 milioni di frutti. Abbiamo un trattamento |
| qui, una gamma di trattamenti dell'efficacia della mitigazione che stiamo vedendo. Ecco il numero di sopravvissuti che ci aspetteremmo da questa popolazione di trattamento e abbiamo a |
| La popolazione A è il risultato di ciò. Come risultato avremo una popolazione B, possiamo dare un'occhiata alle formule qui utilizzate. |
| E ciò che viene fatto qui, in modo leggermente diverso, sto inserendo una variabile casuale in... che andrà nel profiler. Quindi il profiler lo vedrà immediatamente come una variabile casuale in entrata. Quindi stiamo simulando l'arrivo della variabile, anche prima che entri. |
| Quindi, con questo, puoi andare... possiamo attraversare. Puoi vedere il resto della tabella. Stiamo andando. Abbiamo un altro set, abbiamo sopravvissuti che hanno subito il trattamento C, lo stesso tipo di cose. |
| Quindi abbiamo questa distribuzione e abbiamo la probabilità di una coppia accoppiata. Ti mostrerò quella formula. E' un po' diverso. La probabilità di una coppia di accoppiamento. Bene, questo sta semplicemente usando un esponenziale |
| per stimare la probabilità di accoppiamento della coppia in modo da sapere cosa sta succedendo. Non ti ho nascosto nulla dietro la tenda e così via. Diamo un'occhiata. Quindi, per aprire il profiler, andremo al grafico e poi al profiler. |
| Va bene. E poi da lì selezioneremo le nostre variabili che hanno una formula che ci interessa. Quindi avremo... avremo il Pop A, il Pop B, i sopravvissuti e la probabilità di una coppia che si accoppia. |
| Li inseriremo e diremo, uh-oh, dobbiamo estendere la variazione qui e diremo, okay. |
| Abbiamo ottenuto un bel risultato. |
| Grafici molto interessanti qui. E la prima cosa che vedrai è che vedrai linee ondulate in questo profiler che se usi un profiler probabilmente non sei abituato a vedere linee del genere. |
| È solo un approccio leggermente diverso e così via che puoi vedere come funzionano queste cose e |
| Sto effettuando una piccola regolazione qui in modo da poter vedere meglio gli schermi. |
| Ora da questo punto ciò che faremo è aprire il simulatore nel profiler. Saliamo qui e facciamo semplicemente clic sul simulatore e ci dà |
| queste scelte quaggiù. La prima cosa che voglio fare è aumentare il numero di simulazioni a 25.000. Va bene. E quello che farò... quello che facciamo se abbiamo l'indipendenza, uno dei test che, molto spesso, usiamo a questo scopo è che noi |
| vedremo la correlazione. Quindi userò una correlazione qui. Utilizzare le correlazioni e impostare alcune correlazioni. Quindi per questo prima |
| popolazione, lo chiamerò multivariato e immediatamente puoi vedere che otteniamo una specifica di correlazione in basso. |
| E imposteremo un'altra multivariata qui e un'altra multivariata per il trattamento B. |
| Un'altra multivariata per il trattamento A. Ora, ciò che si sta facendo è prendere quei parametri di trattamento che avevamo sopra, che avevamo prima. |
| E li sta mettendo nella nostra relazione multivariata tra loro. |
| Abbiamo anche l'ultima cosa, questa distribuzione di marketing. Non voglio che sia continuo, quindi lo renderò casuale e lo renderemo un numero intero. |
| Lo renderemo un numero intero e avremo quella corsa e potremo vedere i risultati. Ora questa è...la chiamerò la situazione Riccioli d'oro con tutti gli zeri qui sotto, il che implica che tutte queste relazioni sono completamente indipendenti e possiamo eseguire il nostro simulatore qui. |
| E vedere i risultati. |
| Fai qualche aggiustamento in più qui su questi assi. |
| Questo prende vita. Per favore cerca qui. |
| Va bene. |
| Ora vedi quei risultati. Ma quello che avremo qui e guarderemo questo, è che abbiamo il tasso |
| al quale sta superando un limite che è stato inserito lì. Ho rimesso questi limiti nelle variabili, ma quella che mi preoccupa di più è la probabilità di una coppia accoppiata. |
| E non lo sapresti, ho eseguito questo tempo reale e non è venuto esattamente come dovrebbe. Proviamo ancora un paio di volte qui. Vedere. |
| Quello che abbiamo ottenuto è la probabilità di una coppia che si accoppia e dovrebbe essere pari a 0,5, ma certamente non lo è. Ho qualcosa che non è...oh, ecco, proviamolo e risolviamolo. |
| Questo sarebbe 4 e |
| 14 |
| Proviamo la simulazione ancora una volta. Ancora non è venuto fuori. Bene, l'esempio non ha funzionato del tutto bene, ma |
| nell'esempio precedente avevo .4 qui. Quindi questo diceva, il tasso stava creando meno del tempo, ma ho questa probabilità |
| Una probabilità di 0,15 di una coppia che si accoppia, ma è quello che succede a volte quando provi a fare le cose al volo. |
| Quindi lasciatemi andare su e ho una finestra in cui posso, possiamo guardare quel risultato con... possiamo guardare quel risultato. E diciamo... che è un po' diverso. E ora puoi vederlo |
| tale probabilità è inferiore al 5%. Questo è l'obiettivo a cui miriamo. |
| in questa cosa, in questa simulazione. Quindi, se saliamo e possiamo eseguire quelle simulazioni, ancora una volta puoi vedere quelle che rimbalzano, rimanendo sotto 0,5, quindi |
| meno del 5% delle volte accade che la probabilità di una coppia di accoppiamento sia maggiore di 1,5. |
| Ora, perché ora, ancora una volta, dirò che questo è una specie di scenario Riccioli d'oro perché presupponiamo che tutte queste relazioni siano indipendenti. Ho un esempio che posso mostrarti che abbiamo, dove ne abbiamo uno che è |
| antagonista e sinergica. Quindi visualizzerò il primo qui e in questo abbiamo quello |
| i rapporti sono antagonisti. Ora, quando tu... se stai creando un esempio come questo per lavorarci, non puoi, almeno non sono riuscito a rendere tutto negativo. Se noti, ho questi due come positivi. |
| Ciò vuole che la matrice sia definita positiva. E non risulta positivo se imposti... se li imposti tutti a zero, ma possiamo eseguire di nuovo la simulazione. E puoi vederlo... |
| potete vedere qui che quelle simulazioni con un negativo rendono le cose davvero molto, molto attraenti. Stiamo ottenendo un tasso basso, davvero basso di... |
| che abbiamo...abbiamo 1., 0,15 probabilità di una coppia di accoppiamento in modo da poter vedere solo l'effetto. E quello che voglio davvero mostrare è l'effetto di questo |
| specifiche di correlazione, matrice di correlazione qui sotto, matrice di covarianza specificata. Adesso guardiamoci l'un l'altro, vedremo quello se è positivo. |
| E abbiamo un esempio qui in cui è positivo. E puoi vedere che ho quaggiù. L'ho detto qui. Ora, non sono stato davvero eroico nel rendere queste correlazioni molto alte. |
| Ho cercato di mantenerli abbastanza bassi e così via per essere abbastanza realistico, dopo tutto si tratta di dati biologici. E possiamo eseguire nuovamente quelle simulazioni e potrete vedere molto rapidamente che stiamo superando quel tasso del 5% che è... diventa |
| molta preoccupazione qui e così via. E se tu fossi... se la maggior parte delle volte queste simulazioni come questa vengono eseguite senza considerare la correlazione tra le variabili ed è un po' come coprirti gli occhi e dire, non ho visto questo e così via. Ma è davvero |
| se c'è, se c'è una relazione di correlazione e molto probabilmente c'è, perché uno di questi in...uno di questi output è l'input per il processo successivo, |
| quindi abbastanza bene deve essere dipendente, e quali sono le dipendenze, stimare queste correlazioni sarà un compito arduo da elaborare per la maggior parte del tempo. |
| Il lavoro in quest'area viene svolto sulla base di documenti di ricerca e non esistono quindi correlazioni tra i diversi tipi di trattamenti. |
| Ma avere una stima di questi è una buona cosa, una buona cosa da avere. Ora il prossimo passo è mostrarti cos'altro possiamo fare qui. Possiamo creare una tabella. E se creiamo questa tabella e... |
| Bene, creeremo questa tabella e evidenzierò tutto nella tabella alle coppie di accoppiamento qui. E poi lo farò e basta |
| fare una distribuzione di analisi. |
| Ed eseguili tutti e dì, okay. Ora abbiamo tutte queste grandi distribuzioni, riempiamo il |
| carta con esso. Ma quello che possiamo fare è entrare e selezionare queste distribuzioni che superano la nostra |
| limite qui. Possiamo semplicemente evidenziarli e diventa molto istruttivo se guardi indietro e puoi vedere le attenuazioni, cosa sta succedendo e così via. Cosa influenza queste cose |
| notevolmente. E una delle cose che davvero... prima di tutto, la nostra popolazione iniziale, e questo è basato su ciò che abbiamo visto nella vita reale, è che man mano che la popolazione aumenta, |
| quando abbiamo grandi, grandi popolazioni di frutti, la tendenza è che si verificano fallimenti del sistema, |
| Trattamento A e così via. Quindi, quello che pensavo fosse più interessante, se guardiamo indietro e guardiamo alla distribuzione del marketing, |
| Che se li espelliamo, se richiediamo che quando le spedizioni arrivano nel paese e che la distribuzione commerciale debba suddividere queste spedizioni in lotti più piccoli da distribuire, la probabilità che le coppie si accoppiano diventa quasi zero. |
| Con questi esempi e così via, voglio andare avanti e aprire la questione alle domande. Ma lasciatemi dire solo un'ultima cosa. Penso a George Box. |
| Era ad uno dei nostri incontri qualche anno fa. Ed è stato davvero interessante ciò che... le sue due citazioni che ha detto. Ha detto: "Non innamorarti di una modella". |
| E ha anche detto: "Tutti i modelli sono sbagliati, ma alcuni sono utili". Spero che queste informazioni e questi esempi ti diano qualcosa a cui pensare quando fai la simulazione di cui hai bisogno per considerare la relazione tra le variabili. Grazie. |
