¿Cómo optimizar factores con incertidumbre en 1 paso con JMP?Hola comunidad!!,
Una pregunta: ¿Será posible que el perfilador encuentre las mejores combinaciones de factores con incertidumbre al realizar una simulación, que maximicen la utilidad total y minimicen el costo total, generando una tabla de las mejores combinaciones encontradas? Por ejemplo:
Modelado estadístico avanzadoAutomatización y scriptingInvestigación de mercado y consumoExploración y visualización de datosDiseño de experimentosModelado predictivo y aprendizaje automáticoVentanasRe: ¿Cómo optimizar factores con incertidumbre en 1 paso con JMP?Hola hogi,
No pude entender tu respuesta (Google Translate), una pregunta....
¿Habrá un script o complemento JMP que incorpore el generador de perfiles de deseabilidad en la plataforma de experimentos de simulación?
Y generar una tabla con los 1 o 2 o 3 o xxx mejores resultados encontrados de la media o desviación estándar o el valor, por ejemplo:
Re: ¿Cómo optimizar factores con incertidumbre en 1 paso con JMP?¿Cómo vincular estos dos tipos de simulaciones?
1) Tienes un modelo en el que confías y algunas variaciones de los parámetros de entrada. Luego, puedes encontrar la configuración óptima de los parámetros de entrada para optimizar el resultado, especificado por la deseabilidad. Este enfoque ignora cualquier incertidumbre del modelo.
2) Con una configuración específica de los parámetros de entrada, se realizan experimentos. Pero el modelo no está 100% seguro: se invierte en la bolsa, se tiene un modelo sobre el posible resultado, pero el resultado aún no está 100% claro. Esto genera una cierta dispersión de los posibles valores resultantes: una incertidumbre.
El segundo enfoque se puede simular añadiendo algunos parámetros adicionales con variación. La variación de la configuración de los factores es irrelevante para la optimización, pero la variación de dichos factores adicionales no lo es. ¿Es posible mantener fluctuantes dichos factores de entrada para el paso de optimización, para ponderar la (in)certidumbre del valor previsto como parte de la deseabilidad?
@Mark_Bailey escribió:
Una vez definida la conveniencia, haga clic en el triángulo rojo junto a Prediction Profiler y seleccione Optimization and Desirability > Maximize Desirability. La variación en la configuración de los factores es irrelevante para la búsqueda de la configuración óptima de los factores.
Re: ¿Cómo optimizar factores con incertidumbre en 1 paso con JMP?Hola Jordania,
La siguiente imagen describe mejor la idea a la que me refiero sobre incluir el generador de perfiles de deseabilidad en el experimento de simulación:
Re: ¿Cómo optimizar factores con incertidumbre en 1 paso con JMP?Y generar una tabla con los 1 o 2 o 3 o xxx mejores resultados encontrados de la media o desviación estándar o el valor, por ejemplo:
Re: ¿Cómo optimizar factores con incertidumbre en 1 paso con JMP?El complemento de optimización bayesiana es una alternativa interesante para 1 objetivo y sería mejor si pudiera optimizar múltiples objetivos.
En relación al experimento de simulación, se debe incluir como opción el perfilador de deseabilidad para que en un solo paso optimice las respuestas medias o desviaciones estándar o valores y genere una tabla con las mejores respuestas encontradas.
La idea a la que me refiero es un complemento como este:
Re: ¿Cómo optimizar factores con incertidumbre en 1 paso con JMP?El complemento de optimización bayesiana de @yuichi_katsumur proporciona algunas posibilidades adicionales para analizar la incertidumbre de un modelo de predicción, principalmente con el objetivo de encontrar puntos con gran ganancia potencial de información (~ incertidumbre) - para optimizar el modelo agregando dichos puntos para experimentos posteriores.
Supongo que se pueden usar las mismas fórmulas, cambiar el algoritmo y usarlo también para la tarea.
Re: ¿Cómo optimizar factores con incertidumbre en 1 paso con JMP?Hola Jordania,
Gracias por tu respuesta, yo uso Google Translate y al parecer no traduce bien del español al ingles y al contrario......estaba probando el experimento de simulación (sin limites de especificación) y al parecer en solo 1 paso hace 2 procesos, el tercer proceso que faltaría... en base al ejemplo... es minimizar el costo total o su media o su desviación estándar, minimizar las ventas totales o su media o su desviación estándar y maximizar la utilidad total o su media o su desviación estándar... (3 procesos en 1 solo paso), seria genial que el experimento de simulación tuviera la opción de perfilador de deseabilidad para que el usuario pueda seleccionar maximizar, minimizar, buscar un valor o ninguno, la importancia y pesos de la respuesta media o desviación estándar o el valor de cada salida y generar una tabla con las mejores 1 o 2 o 3 o x respuestas encontradas.....tal vez alguien que domine Lenguaje de Scripting, o JSL lo logré.
Por ejemplo, la idea sería algo similar a esto:
Por ejemplo, las 7 mejores respuestas encontradas por JMP:
Re: ¿Cómo optimizar factores con incertidumbre en 1 paso con JMP?Hi Marco,
Después de observar más de cerca el modelo que usted proporcionó, creo que sé por qué tenemos dificultades para comunicarnos sobre esto.
El modelo que compartiste es el que se encuentra en la documentación del generador de perfiles. Su objetivo es mostrar cómo usar el simulador para agregar incertidumbre a los factores de entrada y ver el rango probable de resultados.
La pregunta que dio inicio a esta discusión fue “¿Cómo optimizar factores con incertidumbre en un solo paso?”. La respuesta es, como @Mark_Bailey sugirió al principio, la misma con o sin incertidumbre en los factores: simplemente establezca y maximice la función de deseabilidad para obtener ganancias. Cuando sigue ese procedimiento para este ejemplo, JMP sugiere que debería tener ventas unitarias altas, precio unitario alto y costo unitario bajo para maximizar las ganancias. (Ignoremos que este modelo simplificado omite la relación entre el precio unitario y las ventas unitarias, es decir, la oferta y la demanda). Ni siquiera necesitó usar el generador de perfiles para llegar a esta conclusión, debería ser obvio a partir de la ecuación.
Entonces, ¿de qué sirve añadir incertidumbre a los factores? ¿Qué información adicional te proporciona eso? Si se utiliza junto con el simulador, te permite pronosticar cuáles serán los resultados probables en un conjunto determinado de configuraciones de factores. No se trata de optimización, sino de ayudarte a comprender las implicaciones de la optimización que realizaste anteriormente.
Es cierto que hay cierta sutileza a la hora de elegir entre configuraciones de factores que maximizan la ganancia media esperada y aquellas que minimizan la variabilidad de la ganancia esperada, y esas consideraciones pueden llevarlo a utilizar el generador de perfiles del espacio de diseño y/o las funciones de experimentos de simulación en JMP, pero creo que esas consideraciones no son lo que realmente estaba preguntando.
Re: ¿Cómo optimizar factores con incertidumbre en 1 paso con JMP?Hi Marco,
Intentaré ilustrar el proceso utilizando los datos de ejemplo o datos similares. Hablaré de eso más adelante.
Primero abordemos la otra pregunta: ¿Cuál es la diferencia entre el simulador y el generador de perfiles del espacio de diseño?
Como habrás notado, tanto el simulador como el generador de perfiles del espacio de diseño hacen cosas similares. La diferencia está en los usos.
El simulador es una herramienta descriptiva. Para un conjunto determinado de valores de ajuste de los factores y una cantidad específica de incertidumbre en los factores, muestra cómo se comportaría el sistema a largo plazo. Se pueden realizar cambios en los valores de ajuste de los factores o en las distribuciones y ver el efecto en el rendimiento del sistema. Si existen límites específicos para las respuestas, el rendimiento se puede describir como la proporción esperada de respuestas que estarán dentro de los límites.
El generador de perfiles del espacio de diseño también utiliza simulación, pero el enfoque es diferente. Permite a los usuarios preguntarse: "¿Cómo debo establecer límites en mis factores para asegurar que la proporción de respuestas esperadas que se encuentran dentro de los límites de especificación sea aceptable?". Tenga en cuenta que estamos hablando de dos tipos de límites: cambiamos los límites de los factores para examinar el rendimiento en comparación con los límites de especificación de las respuestas.
Re: ¿Cómo optimizar factores con incertidumbre en 1 paso con JMP?Hola Jordania,
No entiendo tu respuesta, ¿podrías aplicar tu respuesta usando el ejemplo que te envié (Optimizar tabla de incertidumbre)?
Una consulta...cual es la diferencia entre usar el simulador y el design space profiler? Por ejemplo, en el design profiler pongo "Utilidad total entre 10 y 11" y corro 10.000 simulaciones, luego genero la tabla de las 10.000 simulaciones y encuentro la "Utilidad total entre 10 y 11", luego en el simulador genero 10.000 simulaciones con los mismos datos y uso el filtro para encontrar la "Utilidad total entre 10 y 11", seguro que me estoy perdiendo algo pero no veo la diferencia entre usar el simulador y el design space profiler.
Re: ¿Cómo optimizar factores con incertidumbre en 1 paso con JMP?Hi Marco,
En resumen, no. No hay forma de hacer todo esto en un solo paso. La razón por la que no puedes hacerlo todo en un solo paso es porque hay muchas opciones que tomar que influirán en el resultado.
Para la solución del experimento de simulación que sugerí anteriormente, los pasos son aproximadamente:
- Define o ajusta tu modelo
- Ejecute el generador de perfiles y configure la función de deseabilidad para cada respuesta
- Encienda el simulador y seleccione distribuciones para los factores que desea variar
- Ejecute un experimento de simulación y explore los resultados para ver qué configuraciones de factores satisfacen sus necesidades.
El proceso descrito anteriormente requiere una selección cuidadosa de opciones en cada paso; no creo que se pueda simplificar más.
Re: ¿Cómo optimizar factores con incertidumbre en 1 paso con JMP?Hola Jordania,
Gracias por tu respuesta, una pregunta... ¿hay alguna manera para que el Simulador y el perfilador de Espacio de Diseño tengan la opción de optimizar (maximizar, minimizar, encontrar 1 objetivo o rango, ninguno) en 1 solo paso las medias o desviación estándar de las respuestas (salidas)?
Saludos
Marco
Re: ¿Cómo optimizar factores con incertidumbre en 1 paso con JMP?Hola Mark,
Gracias por su respuesta, una pregunta... ¿habrá alguna manera para que JMP optimice la media o la desviación estándar de las respuestas de las simulaciones totales generadas?... es decir, que el generador de perfiles de deseabilidad utilice las distribuciones de probabilidad y deseabilidad para encontrar la combinación de factores que logren la deseabilidad.
Re: ¿Cómo optimizar factores con incertidumbre en 1 paso con JMP?Una vez definida la conveniencia, haga clic en el triángulo rojo junto a Prediction Profiler y seleccione Optimization and Desirability > Maximize Desirability. La variación en la configuración de los factores es irrelevante para la búsqueda de la configuración óptima de los factores.
Re: ¿Cómo optimizar factores con incertidumbre en 1 paso con JMP?Hola Jordania,
Me alegro de saludarte, uso el traductor de Google y parece que no logra explicar bien mi pregunta, intentaré ser un poco más específico.
Tenga en cuenta que no se deben utilizar límites de especificación.
En base al ejemplo de la imagen de abajo, me gustaría saber si existe una manera para que JMP en 1 paso optimice las 3 salidas (costo total, ventas totales y utilidad total), es decir encontrar la cantidad o la media o desviación estándar o la varianza óptima de las simulaciones, por ejemplo que JMP en 1 solo paso genere 10,000 simulaciones de los 3 factores con incertidumbre y el perfilador de deseabilidad minimice el costo total, encuentre el óptimo cercano a 6,500 USD de las ventas totales y maximice la utilidad total, luego genere una tabla con los mejores escenarios encontrados, por ejemplo que el usuario pueda indicar que JMP coloque en la nueva tabla los 5 o 20 mejores escenarios óptimos encontrados por el perfilador de deseabilidad.
Re: ¿Cómo optimizar factores con incertidumbre en 1 paso con JMP?Me gustaría pedirte que me aclares qué quieres decir con "optimizar". ¿Estás intentando conseguir el mejor resultado en promedio? ¿O estás intentando encontrar un equilibrio entre la mejor respuesta promedio y una baja variabilidad de la respuesta?
Cuando eliges "Maximizar deseabilidad" en el generador de perfiles, JMP te encontrará la respuesta media óptima, como dijo @Mark_Bailey . La variabilidad o incertidumbre de los factores no entran en juego aquí.
Si tiene incertidumbre en los factores, entonces podría preocuparse por cómo esa incertidumbre afecta la variabilidad de la respuesta, así como la respuesta media. El generador de perfiles Design Space que mencionó Mark es adecuado para explorar esto cuando tiene límites de especificaciones. Cuando no los tiene, puede intentar un experimento de simulación.
Documentación
Video
Los experimentos de simulación funcionan bien cuando se tienen límites de especificaciones y tasas de defectos, como en el ejemplo del video. Pero incluso en ausencia de límites de especificaciones, se puede observar la desviación estándar y media de la variable de respuesta en diferentes configuraciones de factores. Depende de usted seleccionar configuraciones de factores que tengan un equilibrio aceptable entre la respuesta media deseada y una variabilidad de respuesta baja.
Re: ¿Cómo optimizar factores con incertidumbre en 1 paso con JMP?En este caso ¿Cómo podría hacerlo?
Re: ¿Cómo optimizar factores con incertidumbre en 1 paso con JMP?Solo es necesario utilizar funciones de deseabilidad con el modelo seleccionado en el Generador de perfiles de predicción para optimizar la configuración de los factores.
Re: ¿Cómo optimizar factores con incertidumbre en 1 paso con JMP?Optimiza la respuesta media mediante funciones de deseabilidad. La incertidumbre se presenta como un intervalo de confianza para la respuesta. Luego, utiliza la simulación con varianza inyectada para cada factor significativo. Representa la incertidumbre anticipada o el grado de control mediante la especificación de la varianza inyectada. La distribución de las respuestas simuladas se evalúa en relación con las especificaciones.
El Design Space Profiler es una forma alternativa.
Re: ¿Cómo optimizar factores con incertidumbre en 1 paso con JMP?Hola Hogi,
Me da mucho gusto saludarte, el gráfico de incertidumbre con los filtros que creaste funciona muy bien!!!....una pregunta: ¿sera posible que el perfilador encuentre las mejores combinaciones de factores con incertidumbre al realizar una simulación, que maximicen la utilidad total y minimicen el costo total, generando una tabla de las mejores combinaciones encontradas? Por ejemplo:
Re: ¿Cómo optimizar factores con incertidumbre en 1 paso con JMP?Gracias por tu respuesta Mark, la idea es resolver problemas sin límites de especificación, Design Space Profiler requiere límites de especificación
Re: ¿Cómo optimizar factores con incertidumbre en 1 paso con JMP?Hola Mark,
Me da mucho gusto saludarte, gracias por la observación... Me gustaría saber si es posible que JMP optimice los factores con incertidumbre en 1 paso.
Saludos,
Marco
Re: ¿Cómo optimizar factores con incertidumbre en 1 paso con JMP?Publicación relacionada: ¿Podría JMP optimizar factores con incertidumbre?
Re: ¿Cómo optimizar factores con incertidumbre en 1 paso con JMP?Tenga en cuenta que JMP 17 introdujo una mejora en el generador de perfiles de predicción: el generador de perfiles de espacio de diseño . Le permite determinar los rangos operativos de sus factores para lograr un rendimiento determinado en función de las especificaciones. Esta herramienta puede resultarle útil en su intento.
Re: ¿Cómo optimizar factores con incertidumbre en 1 paso con JMP?La primera captura de pantalla del generador de perfiles de predicción no muestra las funciones de deseabilidad. Estas funciones se utilizan para optimizar la configuración de todos los objetivos de respuesta y la configuración de importancia. Esa acción suele ocurrir antes de la simulación para evaluar la capacidad.
