Quelle est la différence entre l'uniforme aléatoire et le réglage fixe de la simulation de Monte Carlo ?Je fais une simulation de Monte Carlo avec le résultat de l'expérience DoE.
Si j'ai bien compris, la simulation de Monte Carlo (expérience de simulation du profileur de prédiction) fonctionne avec la séquence ci-dessous.
(1) Générer des expériences avec des facteurs X aléatoires avec un hypercube de rat.
(2) Chaque expérience a des facteurs X qui sont générés aléatoirement. Chaque expérience fait N séries de tirages qui ont X facteurs comme point central et ils suivent la distribution définie dans le profileur de prédiction.
(3) Calculer le taux d'échec à chaque expérience.
(Veuillez corriger si les éléments ci-dessus sont usés)
Ma question est la suivante: quelle est la différence entre le réglage aléatoire uniforme et fixe du profileur de prédiction.
Je pensais que la normale aléatoire signifie que les facteurs X de (2) suivent la distribution normale pendant N séries de tirages,
ainsi, uniforme aléatoire signifie que les facteurs X de (2) ont une distribution uniforme pour N séries de tirages et fixe signifie que les facteurs X de (2) sont fixes pendant le tirage.
S'il vous plaît veuillez fournir votre commentaire ce que j'ai bien compris.
Exploration et visualisation des donnéesRe : Quelle est la différence entre l'uniforme aléatoire et le réglage fixe de la simulation de monte-carlo ?Salut @jmpneeeewbie ,
Oui pour Simulation Experiment, Random Normal et Random Uniform (pour ce dernier point, vous avez raison à peu près la même probabilité, la plage de valeurs possibles dépendra de la plage que vous spécifiez pour cette distribution uniforme).
Pour votre expérience de simulation, vous devez également prendre en compte la portion d'espace que vous souhaitez explorer. Pour la valeur de facteur fixe, vous avez raison de dire que les valeurs sont fixes pour Profiler, mais si vous utilisez "Expérience de simulation" et spécifiez une partie de l'espace expérimental que vous souhaitez explorer, vous obtiendrez des valeurs X1 et X2 simulées centrées sur (a,b) mais avec des plages plus larges. Vous revenez à la situation avec Latin Hypercube.
Par exemple, si X1 est défini sur -0,5 et X2 sur 1 avec une partie de l'espace expérimental défini sur 0,5, la plate-forme Simulation Experiment créera des exécutions avec Latin Hypercube avec X1 dans la plage [-1;0] et X2 dans la plage [0;1]. Si l'un des facteurs est réglé sur 0 avec le même autre réglage, la plage sera [-0,5 ; 0,5].
Vous pouvez essayer ces options avec des tables de données JMP juste pour vous entraîner en utilisant JMP Sample Index/Data Folder.
J'espère que je ne t'ai pas plus embrouillé,
Re : Quelle est la différence entre l'uniforme aléatoire et le réglage fixe de la simulation de monte-carlo ?Salut @Victor_G
Merci de votre réponse.
Pour résumé,
"l'expérience de simulation" effectue des exécutions à l'aide de Latin Hypercuber.
Chaque exécution a un niveau de facteur X spécifique et calcule le taux d'échec à l'aide des paramètres du profileur.
Juste par exemple, nous avons un modèle avec deux facteurs X et une expérience de simulation de 1000 exécutions faites par Latin Hypercube (N exécutions pour le simulateur : 20 000)
Il y a une course qui a deux facteurs X (a,b)
A cette course,
Aléatoire normal : Calculer le taux d'échec avec 20 000 N tirages qui ont une distribution normale avec le point central (a,b).
Uniforme aléatoire : calculez le taux d'échec avec 20 000 N tirages qui ont des facteurs X aléatoires ne prenant pas en compte (a, b). Cela signifie que (0,0), (a,b), (a,a), (b,b)...... ont la même probabilité.
Fixe : calcule le taux d'échec avec 20 000 tirages N avec un facteur X fixe. Pendant tous les N tirages, les facteurs X sont fixés à (a,b)
J'espère avoir bien compris.
Merci @Victor_G !
Re : Quelle est la différence entre l'uniforme aléatoire et le réglage fixe de la simulation de monte-carlo ?Salut @jmpneeeewbie ,
Fixé : Fixe le facteur à la valeur actuelle dans le profileur pour toutes les exécutions de simulation. (depuis : Paramètres de simulation pour les facteurs (jmp.com) )
Cela signifie donc que dans les calculs, une partie des valeurs uniques sera utilisée dans toutes les simulations, en fonction de la partie de l'espace factoriel que vous spécifiez. Il n'y aura pas de variations aléatoires ajoutées pour les facteurs "fixes", donc les calculs seront effectués directement à l'aide du modèle du profileur.
Par exemple, dans l'exemple de table de données JMP "2x3x4 Factorial", si je fixe tous les facteurs et utilise "Simulation Experiment" et spécifie 128 exécutions et des portions d'espace factoriel 0,5, JMP créera 128 exécutions avec un facteur continu X1 dans la plage de - 0,5 à 0,5 (au lieu de la gamme complète des facteurs -1 à 1) et testera tous les niveaux pour les facteurs catégoriels. Mais aucune variation aléatoire n'est ajoutée, donc tous les calculs sont effectués avec le modèle trouvé auparavant (résultat complètement déterministe).
Entre l'expérience de simulation avec facteur fixe et le facteur uniforme aléatoire, la différence sera dans la sortie du tableau et les niveaux du facteur utilisé. La plate-forme "Simulation Experiment" utilise un hypercube latin, donc différents niveaux seront choisis et environ le même nombre d'expériences sera effectué pour chaque niveau. Ce n'est pas forcément le cas avec l'option de facteur "Random Uniform", puisque ce processus sera... aléatoire. Vous pouvez comparer les deux tables sur le jeu de données JMP pour voir les différences (même nombre d'exécutions, une table créée avec Simulation Experiment, l'autre avec Random Uniform factor X1) ou regarder les images fournies vous montrant les différentes distributions pour X1 en fonction de quelle option vous choisissez (Random Uniform on X1 ou Simulation Experiment).
J'espère avoir bien compris vos questions,
Re : Quelle est la différence entre l'uniforme aléatoire et le réglage fixe de la simulation de monte-carlo ?Merci pour votre réponse @Victor_G .
Reviens à ma question initiale.
Alors, à «l'expérience de simulation», que signifie le fixe?
S'il est fixé au point que je choisis, l'expérience de simulation ne peut pas fonctionner du tout dans l'espace d'expérience.
Ainsi, je pense qu'il sera fixé au facteur X où chaque point d'expérience.
Et quelle est la différence avec l'uniforme aléatoire lors de "l'expérience de simulation" ?
Re : Quelle est la différence entre l'uniforme aléatoire et le réglage fixe de la simulation de monte-carlo ?Salut @jmpneeeewbie ,
Oui, "Simulation Experiment" est basé sur les simulations de Monte-Carlo et ne vous donne qu'un sous-ensemble de toutes les valeurs possibles de votre espace expérimental, en fonction de la portion d'espace expérimental que vous spécifiez (et du nombre de points).
Plus d'infos ici : Expérience de simulation (jmp.com)
Mais vous avez également la possibilité de vérifier graphiquement l'impact de la variabilité de vos entrées (et du bruit éventuel dans la ou les réponses) directement dans le Profiler, en cliquant sur le bouton "Simuler", à côté (à droite) du cas Désirabilité sur votre capture d'écran.
J'espère que cette réponse vous aidera,
Re : Quelle est la différence entre l'uniforme aléatoire et le réglage fixe de la simulation de monte-carlo ?Merci Victor_G.
Je pensais que "Monte Calro Simulation" est identique à l'expérience de simulation ci-dessous.
Re : Quelle est la différence entre l'uniforme aléatoire et le réglage fixe de la simulation de monte-carlo ?Salut @jmpneeeewbie ,
Bienvenue dans la Communauté !
Ce que vous décrivez est la génération de points via le simulateur pour créer une table de données (un sous-ensemble des points générés par les simulations de Monte Carlo) où vous pouvez trouver des informations ici : Expérience de simulation (jmp.com)
Les simulations de Monte Carlo sont plus générales que le processus que vous décrivez.
- Tout d'abord, vous définissez un domaine d'entrées possibles : vous spécifiez les distributions de vos paramètres d'entrée (normale aléatoire, uniforme, log-normale, Weibull, multivariée, ...). Un paramètre d'entrée défini comme "fixe" n'aura aucune distribution de valeurs, et seule la valeur ponctuelle unique sera utilisée dans les calculs (vous ne prenez donc pas en compte toute variabilité aléatoire pour cette variable d'entrée par exemple). Voir : Paramètres de simulation pour les facteurs (jmp.com)
- Ensuite, vous pouvez également ajouter du bruit (aléatoire, pondéré, multivarié ou sans bruit) à vos réponses également, pour prendre en compte la variabilité de la mesure de sortie par exemple. Voir : Paramètres de simulation pour les réponses (jmp.com)
- Ensuite, une génération d'entrées est faite aléatoirement à partir des entrées distributions de probabilité sur le domaine que vous avez spécifié aux étapes 1 et 2, lorsque vous cliquez sur "Simuler" et effectuez une déterministe calcul sur les entrées, grâce au modèle que vous avez créé auparavant (reliant les entrées aux sorties). Si vous avez ajouté du bruit dans les sorties, les bruits sont également pris en compte dans les valeurs calculées.
- Enfin, les résultats sont agrégés pour créer des distributions de réponses, que vous pouvez voir dans le profileur dans le bouton "Simuler" ci-dessus.
Vous pouvez voir un exemple que j'ai fait avec la table de données JMP 2x3x4 Factorial (disponible dans le dossier Sample Data, dans "Design of Experiments"). Je joins également le datatable avec le script "Monte Carlo Simulations" si vous voulez le voir plus en détail.
Si vous voulez trouver plus d'informations sur les simulations de Monte Carlo, vous pouvez en trouver ici : Optimisation robuste des processus et des produits à l'aide d'expériences de simulation de Monte Carlo - JMP User Community
J'espère que cette réponse vous aidera,
