¿Cuál es la diferencia entre el uniforme aleatorio y la configuración fija de la simulación de monte carlo?Estoy haciendo una simulación de monte carlo con el resultado del experimento DoE.
Según entendí, la simulación de monte carlo (experimento de simulación del perfilador de predicción) funciona con la siguiente secuencia.
(1) Generar experimentos con factores X aleatorios con hipercubo de ratin.
(2) Cada experimento tiene X factores que se generan aleatoriamente. Cada experimento realiza N ejecuciones de sorteos que tienen factores X como punto central y siguen la distribución establecida en el generador de perfiles de predicción.
(3) Calcular la tasa de fallas en cada experimento.
(Corrija si las cosas anteriores están desgastadas)
Mi pregunta es, ¿cuál es la diferencia entre el uniforme aleatorio y la configuración fija del generador de perfiles de predicción?
Pensé, aleatorio normal significa que los factores X de (2) siguen una distribución normal durante N series de sorteos,
por lo tanto, uniforme aleatorio significa que los factores X de (2) tienen una distribución uniforme para N series de sorteos y fijo significa que los factores X de (2) están fijos durante el sorteo.
Por favor amablemente proporcione su comentario lo que estoy entendiendo correctamente.
Exploración y visualización de datosRe: ¿Cuál es la diferencia entre la configuración aleatoria uniforme y fija de la simulación de monte carlo?Hola @jmpneeeewbie ,
Sí para Simulation Experiment, Random Normal y Random Uniform (para este último punto, tiene razón sobre la misma probabilidad, el rango de valores posibles dependerá del rango que especifique para esta distribución Uniforme).
Para su experimento de simulación, también debe tener en cuenta la porción de espacio que le gustaría explorar. Para el valor de factor fijo, tiene razón en que los valores son fijos para Profiler, pero si usa "Experimento de simulación" y especifica una parte del espacio experimental que le gustaría explorar, obtendrá valores X1 y X2 simulados centrados en (a,b) pero con rangos más amplios. Vuelves a la situación con Latin Hypercube.
Por ejemplo, si X1 se establece en -0,5 y X2 en 1 con una parte del espacio experimental establecida en 0,5, la plataforma Simulation Experiment creará ejecuciones con Latin Hypercube con X1 en el rango [-1;0] y X2 en el rango [0;1]. Si uno de los factores se establece en 0 con la misma otra configuración, el rango será [-0,5; 0,5].
Puede probar estas opciones con las tablas de datos de JMP solo para practicar utilizando el índice de muestra/carpeta de datos de JMP.
Espero no haberte confundido más,
Re: ¿Cuál es la diferencia entre la configuración aleatoria uniforme y fija de la simulación de monte carlo?Hola @Victor_G
Gracias por tu respuesta.
Para resumen,
El "experimento de simulación" se ejecuta utilizando Latin Hypercuber.
Cada ejecución tiene un nivel de factor X específico y calcula la tasa de falla usando la configuración en el generador de perfiles.
Solo por ejemplo, tenemos un modelo con dos factores X y un experimento de simulación de 1000 ejecuciones realizado por Latin Hypercube (N ejecuciones para el simulador: 20,000)
Hay una corrida que tiene dos factores X (a,b)
En esta carrera,
Normal aleatoria: Calcule la tasa de falla con sorteos de 20,000 N que tienen distribución normal con punto central (a, b).
Uniforme aleatorio: Calcule la tasa de falla con sorteos de 20,000 N que tienen factores aleatorios X sin considerar (a, b). Significa (0,0), (a,b), (a,a), (b,b)... tienen la misma probabilidad.
Fijo: Calcule la tasa de falla con sorteos de 20,000 N con factor X fijo. Durante todos los N sorteos, los factores X se fijan en (a,b)
Espero haber entendido correctamente.
Gracias @Victor_G !
Re: ¿Cuál es la diferencia entre la configuración aleatoria uniforme y fija de la simulación de monte carlo?Hola @jmpneeeewbie ,
Fijado : Fija el factor en el valor actual en el generador de perfiles para todas las ejecuciones de simulación. (de : Configuración de simulación para factores (jmp.com) )
Por lo tanto, significa que en los cálculos, se usará una porción de valores únicos en todas las simulaciones, según la porción del espacio de factores que esté especificando. No se agregarán variaciones aleatorias para los factores "fijos", por lo que los cálculos se realizarán directamente utilizando el modelo de Profiler.
Por ejemplo, en la tabla de datos JMP de ejemplo "Factorial 2x3x4", si arreglo todos los factores y uso "Experimento de simulación" y especifico 128 ejecuciones y porciones del espacio de factor 0,5, entonces JMP creará 128 ejecuciones con factor continuo X1 en el rango de - 0,5 a 0,5 (en lugar del rango de factor completo -1 a 1) y probará todos los niveles para los factores categóricos. Pero no se agregan variaciones aleatorias, por lo que todos los cálculos se realizan con el modelo encontrado antes (resultado completamente determinista).
Entre el Experimento de Simulación con factor fijo y el factor Uniforme Aleatorio, la diferencia estará en el resultado de la tabla y los niveles del factor utilizado. La plataforma "Experimento de simulación" utiliza un hipercubo latino, por lo que se elegirán diferentes niveles y se realizará aproximadamente la misma cantidad de experimentos para cada nivel. Este no es necesariamente el caso con la opción de factor "Uniforme aleatorio", ya que este proceso será ... aleatorio. Puede comparar las dos tablas en el conjunto de datos JMP para ver las diferencias (mismo número de ejecuciones, una tabla creada con Experimento de simulación, la otra con factor uniforme aleatorio X1) o mirar las imágenes proporcionadas que muestran las diferentes distribuciones para X1 según qué opción eliges (Uniforme aleatorio en X1 o Experimento de simulación).
Espero haber entendido bien tus preguntas,
Re: ¿Cuál es la diferencia entre la configuración aleatoria uniforme y fija de la simulación de monte carlo?Gracias por responder @Victor_G .
Vuelve a mi pregunta original.
Entonces, en el "experimento de simulación", ¿qué significa el fijo?
Si se fija en el punto que elijo, el experimento de simulación no puede funcionar en todo el espacio del experimento.
Por lo tanto, creo que se fijará en el factor X donde cada punto de experimento.
Y, ¿cuál es la diferencia con el uniforme aleatorio en el "experimento de simulación"?
Re: ¿Cuál es la diferencia entre la configuración aleatoria uniforme y fija de la simulación de monte carlo?Hola @jmpneeeewbie ,
Sí, el "Experimento de simulación" se basa en las simulaciones de Monte-Carlo y le brinda solo un subconjunto de todos los valores posibles de su espacio experimental, según la porción de espacio experimental que especifique (y la cantidad de puntos).
Más información aquí: Experimento de simulación (jmp.com)
Pero también tiene la posibilidad de verificar gráficamente el impacto de la variabilidad de sus entradas (y el posible ruido en la(s) respuesta(s)) directamente en el Perfilador, haciendo clic en el botón "Simular", al lado (a la derecha) del caso de Deseabilidad en tu captura de pantalla.
Espero que esta respuesta te ayude,
Re: ¿Cuál es la diferencia entre la configuración aleatoria uniforme y fija de la simulación de monte carlo?Gracias Víctor_G.
Pensé que "Simulación de Monte Calro" es lo mismo que el experimento de simulación en la imagen de abajo.
Re: ¿Cuál es la diferencia entre la configuración aleatoria uniforme y fija de la simulación de monte carlo?Hola @jmpneeeewbie ,
¡Bienvenido a la Comunidad!
Lo que está describiendo es la generación de puntos a través del Simulador para crear una tabla de datos (un subconjunto de los puntos generados por las simulaciones de Monte Carlo) donde puede encontrar información aquí: Experimento de simulación (jmp.com)
Las simulaciones de Monte Carlo son más generales que el proceso que describe.
- Primero, define un dominio de posibles entradas: especifica las distribuciones de sus parámetros de entrada (normal aleatoria, uniforme, logarítmica normal, Weibull, multivariante, ...). Un parámetro de entrada establecido como "fijo" no tendrá ninguna distribución de valores, y solo se usará el valor de un solo punto en los cálculos (por lo que no tendrá en cuenta ninguna variabilidad aleatoria para esta variable de entrada, por ejemplo). Ver : Configuración de simulación para factores (jmp.com)
- Luego, también puede agregar ruido (aleatorio, ponderado, multivariado o sin ruido) para sus respuestas, para tener en cuenta la variabilidad en la medición de salida, por ejemplo. Ver : Configuración de simulación para respuestas (jmp.com)
- Luego, se realiza una generación de entradas aleatoriamente a partir de las entradas. distribuciones de probabilidad sobre el dominio que especificó en los pasos 1 y 2, cuando hace clic en "Simular" y realiza una determinista cálculo de las entradas, gracias al modelo que ha creado antes (vinculando las entradas a la(s) salida(s)). Si agregó ruido en las salidas, los ruidos también se tienen en cuenta en los valores calculados.
- Finalmente, los resultados se agregan para crear distribuciones de respuestas, que puede ver en el generador de perfiles en el botón "Simular" de arriba.
Pueden ver un ejemplo que hice con la tabla de datos JMP Factorial 2x3x4 (disponible en la Carpeta de Datos de Muestra, en "Diseño de Experimentos"). También agrego la tabla de datos con el script "Simulaciones de Monte Carlo" si quieres verlo con más detalles.
Si desea encontrar más información sobre las simulaciones de Monte Carlo, puede encontrar algunas aquí: Optimización robusta de procesos y productos mediante el uso de experimentos de simulación Monte Carlo - Comunidad de usuarios de JMP
Espero que esta respuesta te ayude,
