Qual è la differenza tra l'uniforme casuale e l'impostazione fissa della simulazione Monte Carlo?Sto effettuando una simulazione Monte Carlo con il risultato dell'esperimento DoE.
Come ho capito, la simulazione monte carlo (esperimento di simulazione del profiler di previsione) funziona con la sequenza sottostante.
(1) Generare esperimenti con fattori X casuali con l'ipercubo di ratin.
(2) Ogni esperimento ha fattori X che vengono generati casualmente. Ogni esperimento esegue N esecuzioni di estrazioni che hanno fattori X come punto centrale e seguono la distribuzione impostata nel profiler di previsione.
(3) Calcolare il tasso di fallimento ad ogni esperimento.
(Si prega di correggere se le cose sopra sono usurate)
La mia domanda è: qual è la differenza tra l'uniforme casuale e l'impostazione fissa del profiler di previsione.
Ho pensato, normale casuale significa che i fattori X di (2) stanno seguendo la distribuzione normale durante N serie di estrazioni,
quindi, uniforme casuale significa che i fattori X di (2) hanno una distribuzione uniforme per N serie di estrazioni e fisso significa che i fattori X di (2) sono fissi durante l'estrazione.
Si prega gentilmente di fornire il tuo commento che cosa sto capendo correttamente.
Esplorazione e visualizzazione dei datiRi: Qual è la differenza tra l'uniforme casuale e l'impostazione fissa della simulazione Monte Carlo?CIAO @jmpneeeeewbie ,
Sì per Simulation Experiment, Random Normal e Random Uniform (per quest'ultimo punto, hai ragione sulla stessa probabilità, l'intervallo di valori possibili dipenderà dall'intervallo specificato per questa distribuzione Uniform).
Per il tuo esperimento di simulazione, devi anche tenere conto della porzione di spazio che desideri esplorare. Per il valore del fattore fisso, hai ragione che i valori sono fissi per Profiler, ma se usi "Simulation Experiment" e specifichi una parte dello spazio sperimentale che vorresti esplorare, otterrai valori X1 e X2 simulati centrati su (a,b) ma con range più ampi. Torni alla situazione con Latin Hypercube.
Ad esempio, se X1 è impostato su -0,5 e X2 su 1 con una porzione di spazio sperimentale impostata su 0,5, la piattaforma Simulation Experiment creerà corse con Latin Hypercube con X1 nell'intervallo [-1;0] e X2 nell'intervallo [0;1]. Se uno dei fattori è impostato a 0 con la stessa altra impostazione, l'intervallo sarà [-0,5; 0,5].
È possibile provare queste opzioni con i datatables di JMP solo per esercitarsi utilizzando l'indice/cartella dei dati di esempio di JMP.
Spero di non averti confuso ulteriormente,
Ri: Qual è la differenza tra l'uniforme casuale e l'impostazione fissa della simulazione Monte Carlo?CIAO @Victor_G
Grazie per la risposta.
Per sintesi,
"esperimento di simulazione" esegue corse utilizzando Latin Hypercuber.
Ogni esecuzione ha un livello di fattore X specifico e calcola il tasso di errore utilizzando l'impostazione nel profiler.
Ad esempio, abbiamo un modello con due fattori X e un esperimento di simulazione 1000 esecuzioni effettuate da Latin Hypercube (N esecuzioni per simulatore: 20.000)
C'è una corsa che ha due fattori X (a, b)
A questa corsa,
Normale casuale: calcola il tasso di guasto con 20.000 N estrazioni che hanno una distribuzione normale con punto centrale (a, b).
Uniforme casuale: calcola il tasso di fallimento con 20.000 N estrazioni che hanno fattori X casuali che non considerano (a, b). Significa che (0,0), (a,b), (a,a), (b,b)...... hanno la stessa probabilità.
Risolto: calcola il tasso di errore con 20.000 N estrazioni con fattore X fisso. Durante tutte le N estrazioni i fattori X sono fissati a (a,b)
Spero di aver capito bene.
Grazie @Victor_G !
Ri: Qual è la differenza tra l'uniforme casuale e l'impostazione fissa della simulazione Monte Carlo?CIAO @jmpneeeeewbie ,
Fisso : Fissa il fattore al valore corrente nel profiler per tutte le esecuzioni della simulazione. (da : Impostazioni di simulazione per fattori (jmp.com) )
Quindi significa che nei calcoli verrà utilizzata una porzione di singoli valori in tutte le simulazioni, a seconda della porzione di spazio dei fattori che stai specificando. Non verranno aggiunte variazioni casuali per i fattori "fissi", quindi i calcoli verranno eseguiti direttamente utilizzando il modello del Profiler.
Ad esempio, nell'esempio JMP datatable "2x3x4 Factorial", se correggo tutti i fattori e utilizzo "Simulation Experiment" e specifico 128 esecuzioni e porzioni di spazio fattore 0,5, JMP creerà 128 esecuzioni con fattore continuo X1 nell'intervallo di - da 0,5 a 0,5 (invece dell'intero intervallo di fattori da -1 a 1) e testerà tutti i livelli per i fattori categoriali. Ma non vengono aggiunte variazioni casuali, quindi tutti i calcoli vengono eseguiti con il modello trovato in precedenza (risultato completamente deterministico).
Tra Simulation Experiment with fixed factor e Random Uniform factor, la differenza sarà nell'output della tabella e nei livelli del fattore utilizzato. La piattaforma "Simulation Experiment" utilizza un ipercubo latino, quindi verranno scelti diversi livelli e verrà eseguito approssimativamente lo stesso numero di esperimenti per ciascun livello. Questo non è necessariamente il caso dell'opzione del fattore "Random Uniform", poiché questo processo sarà ... casuale. È possibile confrontare le due tabelle nel set di dati JMP per vedere le differenze (stesso numero di esecuzioni, una tabella creata con Simulation Experiment, l'altra con fattore di uniformità casuale X1) o guardare le immagini fornite che mostrano le diverse distribuzioni per X1 a seconda di quale opzione scegli (Random Uniform su X1 o Simulation Experiment).
Spero di aver capito bene le tue domande,
Ri: Qual è la differenza tra l'uniforme casuale e l'impostazione fissa della simulazione Monte Carlo?Grazie per la risposta @Victor_G .
Torna alla mia domanda originale.
Allora, all'esperimento di simulazione cosa significa il fisso?
Se è fissato nel punto che scelgo, l'esperimento di simulazione non può funzionare in tutto lo spazio dell'esperimento.
Pertanto, penso che verrà fissato al fattore X in cui ogni punto dell'esperimento.
E qual è la differenza con l'uniforme casuale nell '"esperimento di simulazione"?
Ri: Qual è la differenza tra l'uniforme casuale e l'impostazione fissa della simulazione Monte Carlo?CIAO @jmpneeeeewbie ,
Sì, "Simulation Experiment" si basa sulle simulazioni Monte-Carlo e ti fornisce solo un sottoinsieme di tutti i possibili valori del tuo spazio sperimentale, in base alla porzione di spazio sperimentale che specifichi (e al numero di punti).
Maggiori informazioni qui: Esperimento di simulazione (jmp.com)
Ma hai anche la possibilità di controllare graficamente l'impatto della variabilità dei tuoi input (e l'eventuale rumore nelle risposte) direttamente nel Profiler, facendo clic sul pulsante "Simula", accanto (a destra) al caso Desiderabilità sul tuo screenshot.
Spero che questa risposta ti possa aiutare,
Ri: Qual è la differenza tra l'uniforme casuale e l'impostazione fissa della simulazione Monte Carlo?Grazie Vittorio_G.
Ho pensato che "Monte Calro Simulation" fosse lo stesso con l'esperimento di simulazione nella foto sotto.
Ri: Qual è la differenza tra l'uniforme casuale e l'impostazione fissa della simulazione Monte Carlo?CIAO @jmpneeeeewbie ,
Benvenuto nella Comunità!
Quello che stai descrivendo è la generazione di punti attraverso il simulatore per creare un datatable (un sottoinsieme dei punti generati dalle simulazioni Monte Carlo) dove puoi trovare informazioni qui: Esperimento di simulazione (jmp.com)
Le simulazioni Monte Carlo sono più generali del processo che descrivi.
- Innanzitutto, definisci un dominio di possibili input: specifichi le distribuzioni dei tuoi parametri di input (normale casuale, uniforme, lognormale, Weibull, multivariato, ...). Un parametro di input impostato come "fisso" non avrà alcuna distribuzione di valori e nei calcoli verrà utilizzato solo il valore del singolo punto (quindi non si tiene conto di alcuna variabilità casuale per questa variabile di input, ad esempio). Vedere : Impostazioni di simulazione per fattori (jmp.com)
- Quindi, puoi anche aggiungere rumore (casuale, ponderato, multivariato o nessun rumore) anche per le tue risposte, per tenere conto della variabilità nella misurazione dell'output, ad esempio. Vedere : Impostazioni di simulazione per le risposte (jmp.com)
- Quindi, una generazione di input viene eseguita in modo casuale dagli input distribuzioni di probabilità sul dominio che hai specificato nei passaggi 1 e 2, quando fai clic su "Simula" ed esegui a deterministico calcolo sugli input, grazie al modello che hai creato in precedenza (collegando gli input agli output). Se hai aggiunto rumore nelle uscite, anche i rumori vengono presi in considerazione nei valori calcolati.
- Infine, i risultati vengono aggregati per creare distribuzioni di risposte, che puoi vedere nel profiler nel pulsante "Simula" sopra.
Puoi vedere un esempio che ho fatto con il JMP datatable 2x3x4 Factorial (disponibile nella Sample Data Folder, in "Design of Experiments"). Unisco anche il datatable con lo script "Monte Carlo Simulations" se vuoi vederlo più in dettaglio.
Se vuoi trovare maggiori informazioni sulle simulazioni Monte Carlo, puoi trovarne alcune qui: Robusta ottimizzazione di processi e prodotti mediante esperimenti di simulazione Monte Carlo - Comunità di utenti di JMP
Spero che questa risposta ti possa aiutare,
