Was ist der Unterschied zwischen zufälliger einheitlicher und fester Einstellung der Monte-Carlo-Simulation?Ich mache eine Monte-Carlo-Simulation mit DoE-Experimentergebnis.
Soweit ich weiß, funktioniert die Monte-Carlo-Simulation (Simulationsexperiment des Vorhersageprofilers) mit der folgenden Sequenz.
(1) Generieren Sie Experimente mit zufälligen X-Faktoren mit Ratin Hypercube.
(2) Jedes Experiment hat X Faktoren, die zufällig generiert werden. Bei jedem Experiment werden N Ziehungsläufe durchgeführt, die X-Faktoren als Mittelpunkt haben und der im Vorhersageprofiler festgelegten Verteilung folgen.
(3) Berechnen Sie die Ausfallrate bei jedem Experiment.
(Bitte korrigieren Sie, wenn die oben genannten Dinge abgenutzt sind)
Meine Frage ist, was der Unterschied zwischen einer zufälligen einheitlichen und einer festen Einstellung des Vorhersageprofilers ist.
Ich dachte, „Zufällig normal“ bedeutet, dass die X Faktoren von (2) während N Ziehungsläufen der Normalverteilung folgen.
„Zufällig gleichmäßig“ bedeutet also, dass die X-Faktoren von (2) für N Ziehungsläufe gleichmäßig verteilt sind, und „Fest“ bedeutet, dass die X-Faktoren von (2) während der Ziehung festgelegt sind.
Bitte geben Sie in Ihrem Kommentar an, was ich richtig verstanden habe.
Datenexploration und -visualisierungBetreff: Was ist der Unterschied zwischen zufälliger einheitlicher und fester Einstellung der Monte-Carlo-Simulation?Hallo @jmpneeeewbie ,
Ja für Simulationsexperiment, Random Normal und Random Uniform (beim letzten Punkt haben Sie Recht, ungefähr die gleiche Wahrscheinlichkeit, der Bereich möglicher Werte hängt von dem Bereich ab, den Sie für diese Uniformverteilung angeben).
Für Ihr Simulationsexperiment müssen Sie auch den Raumanteil berücksichtigen, den Sie erkunden möchten. Bei „Fester Faktorwert“ haben Sie Recht, dass die Werte für Profiler festgelegt sind. Wenn Sie jedoch „Simulationsexperiment“ verwenden und einen Teil des experimentellen Raums angeben, den Sie erkunden möchten, erhalten Sie simulierte X1- und X2-Werte mit der Mitte (a,b), jedoch mit größeren Bereichen. Sie kommen auf die Situation mit Latin Hypercube zurück.
Wenn beispielsweise X1 auf –0,5 und X2 im Bereich [0;1]. Wenn einer der Faktoren mit der gleichen anderen Einstellung auf 0 gesetzt ist, beträgt der Bereich [-0,5; 0,5].
Sie können diese Optionen mit JMP-Datentabellen nur zu Übungszwecken ausprobieren, indem Sie den JMP-Beispielindex/Datenordner verwenden.
Ich hoffe, ich habe dich nicht noch mehr verwirrt,
Betreff: Was ist der Unterschied zwischen zufälliger einheitlicher und fester Einstellung der Monte-Carlo-Simulation?Hallo @Victor_G
Danke für deine Antwort.
Zur Zusammenfassung:
„Simulationsexperiment“ führt Läufe mit Latin Hypercuber durch.
Jeder Lauf verfügt über eine bestimmte X-Faktor-Stufe und berechnet die Fehlerrate anhand der Einstellungen im Profiler.
Nur zum Beispiel haben wir ein Modell mit zwei X-Faktoren und ein Simulationsexperiment mit 1000 Läufen, erstellt von Latin Hypercube (N Läufe für den Simulator: 20.000).
Es gibt einen Lauf mit zwei X-Faktoren (a,b)
Bei diesem Lauf,
Zufällige Normalverteilung: Berechnen Sie die Ausfallrate mit 20.000 N-Ziehungen, die eine Normalverteilung mit Mittelpunkt (a,b) aufweisen.
Zufällige Gleichmäßigkeit: Berechnen Sie die Ausfallrate mit 20.000 N-Ziehungen, bei denen zufällige X-Faktoren (a,b) nicht berücksichtigt werden. Das bedeutet, dass (0,0), (a,b), (a,a), (b,b) … die gleiche Wahrscheinlichkeit haben.
Behoben: Berechnen Sie die Ausfallrate bei 20.000 N-Zügen mit festem X-Faktor. Während aller N Ziehungen sind die X-Faktoren auf (a,b) festgelegt.
Ich hoffe, ich verstehe es richtig.
Danke @Victor_G !
Betreff: Was ist der Unterschied zwischen zufälliger einheitlicher und fester Einstellung der Monte-Carlo-Simulation?Hallo @jmpneeeewbie ,
Fest : Legt den Faktor für alle Simulationsläufe auf den aktuellen Wert im Profiler fest. (aus : Simulationseinstellungen für Faktoren (jmp.com) )
Das bedeutet also, dass bei den Berechnungen in allen Simulationen ein Teil der Einzelwerte verwendet wird, je nachdem, welchen Teil des Faktorraums Sie angeben. Für die „festen“ Faktoren werden keine zufälligen Variationen hinzugefügt, sodass die Berechnungen direkt mit dem Modell aus dem Profiler durchgeführt werden.
Wenn ich beispielsweise in der Beispiel-JMP-Datentabelle „2x3x4 Factorial“ alle Faktoren festlege und „Simulationsexperiment“ verwende und 128 Läufe und Teile des Faktorraums 0,5 spezifiziere, erstellt JMP 128 Läufe mit kontinuierlichem Faktor X1 im Bereich von – 0,5 bis 0,5 (anstelle des gesamten Faktorbereichs -1 bis 1) und testet alle Ebenen auf die kategorialen Faktoren. Da jedoch keine zufälligen Variationen hinzugefügt werden, werden alle Berechnungen mit dem zuvor gefundenen Modell durchgeführt (völlig deterministisches Ergebnis).
Zwischen dem Simulationsexperiment mit festem Faktor und dem zufälligen einheitlichen Faktor liegt der Unterschied in der Ausgabe der Tabelle und den verwendeten Faktorstufen. Die Plattform „Simulationsexperiment“ verwendet einen lateinischen Hypercube, sodass unterschiedliche Ebenen ausgewählt werden und für jede Ebene ungefähr die gleiche Anzahl an Experimenten durchgeführt wird. Dies ist bei der Faktoroption „Random Uniform“ nicht unbedingt der Fall, da dieser Vorgang ... zufällig erfolgt. Sie können die beiden Tabellen im JMP-Datensatz vergleichen, um die Unterschiede zu sehen (gleiche Anzahl von Durchläufen, eine Tabelle wurde mit Simulationsexperiment erstellt, die andere mit Random Uniform Factor X1) oder schauen Sie sich die bereitgestellten Bilder an, die Ihnen die unterschiedlichen Verteilungen für X1 zeigen welche Option Sie wählen (Zufällige Uniform auf X1 oder Simulationsexperiment).
Ich hoffe, ich habe Ihre Fragen richtig verstanden,
Betreff: Was ist der Unterschied zwischen zufälliger einheitlicher und fester Einstellung der Monte-Carlo-Simulation?Danke für die Antwort @Victor_G .
Kommen wir zurück zu meiner ursprünglichen Frage.
Was bedeutet dann beim „Simulationsexperiment“ das Feststehende?
Wenn es an dem von mir gewählten Punkt fixiert ist, kann das Simulationsexperiment überhaupt nicht im Experimentierraum funktionieren.
Daher denke ich, dass es bei jedem Experimentpunkt auf den X-Faktor festgelegt wird.
Und was ist der Unterschied zur Zufallsgleichheit beim „Simulationsexperiment“?
Betreff: Was ist der Unterschied zwischen zufälliger einheitlicher und fester Einstellung der Monte-Carlo-Simulation?Hallo @jmpneeeewbie ,
Ja, „Simulationsexperiment“ basiert auf den Monte-Carlo-Simulationen und liefert Ihnen nur eine Teilmenge aller möglichen Werte Ihres Experimentierraums, basierend auf dem von Ihnen angegebenen Teil des Experimentierraums (und der Anzahl der Punkte).
Weitere Infos hier: Simulationsexperiment (jmp.com)
Sie haben aber auch die Möglichkeit, die Auswirkung der Variabilität Ihrer Eingaben (und mögliches Rauschen in den Antworten) direkt im Profiler grafisch zu überprüfen, indem Sie auf die Schaltfläche „Simulieren“ neben (rechts) neben dem Fall „Erwünschtheit“ klicken auf deinem Screenshot.
Ich hoffe, diese Antwort wird Ihnen helfen,
Betreff: Was ist der Unterschied zwischen zufälliger einheitlicher und fester Einstellung der Monte-Carlo-Simulation?Vielen Dank, Victor_G.
Ich dachte, „Monte-Calro-Simulation“ sei dasselbe wie das Simulationsexperiment im Bild unten.
Betreff: Was ist der Unterschied zwischen zufälliger einheitlicher und fester Einstellung der Monte-Carlo-Simulation?Hallo @jmpneeeewbie ,
Willkommen in der Community!
Was Sie beschreiben, ist die Generierung von Punkten durch den Simulator, um eine Datentabelle (eine Teilmenge der durch die Monte-Carlo-Simulationen generierten Punkte) zu erstellen, in der Sie möglicherweise hier Informationen finden: Simulationsexperiment (jmp.com)
Die Monte-Carlo-Simulationen sind allgemeiner als der von Ihnen beschriebene Prozess.
- Zunächst definieren Sie einen Bereich möglicher Eingaben: Sie geben die Verteilungen Ihrer Eingabeparameter an (zufällige Normalverteilung, gleichmäßige Verteilung, logarithmische Normalverteilung, Weibull-Verteilung, multivariate Verteilung usw.). Ein als „fest“ eingestellter Eingabeparameter weist keine Werteverteilung auf und in den Berechnungen wird nur der Einzelpunktwert verwendet (Sie berücksichtigen also beispielsweise keine zufällige Variabilität für diese Eingabevariable). Sehen : Simulationseinstellungen für Faktoren (jmp.com)
- Anschließend können Sie Ihren Antworten auch Rauschen (zufällig, gewichtet, multivariat oder kein Rauschen) hinzufügen, um beispielsweise die Variabilität bei der Ausgabemessung zu berücksichtigen. Sehen : Simulationseinstellungen für Antworten (jmp.com)
- Anschließend erfolgt eine Zufallsgenerierung von Eingaben aus den Eingaben Wahrscheinlichkeitsverteilungen über die Domäne, die Sie in Schritt 1 und 2 angegeben haben, indem Sie auf „Simulieren“ klicken und eine durchführen deterministisch Berechnung der Eingaben dank des zuvor erstellten Modells (Verknüpfung der Eingaben mit der/den Ausgabe(n)). Wenn Sie Rauschen in den Ausgängen hinzugefügt haben, werden die Rauschen auch in den berechneten Werten berücksichtigt.
- Schließlich werden die Ergebnisse aggregiert, um Antwortverteilungen zu erstellen, die Sie im Profiler über die Schaltfläche „Simulieren“ sehen können.
Sie können ein Beispiel sehen, das ich mit der JMP-Datentabelle 2x3x4 Factorial erstellt habe (verfügbar im Beispieldatenordner unter „Versuchsplanung“). Ich füge die Datentabelle auch mit dem Skript „Monte-Carlo-Simulationen“ hinzu, wenn Sie es detaillierter sehen möchten.
Wenn Sie weitere Informationen zu Monte-Carlo-Simulationen finden möchten, finden Sie diese hier: Robuste Optimierung von Prozessen und Produkten durch den Einsatz von Monte-Carlo-Simulationsexperimenten – JMP-Benutzergemeinschaft
Ich hoffe, diese Antwort wird Ihnen helfen,
