| Vocero |
Transcripción |
| Nedjones |
El bueno, el malo, el feo o Independencia y dependencia sinérgicas y antagónicas. |
| |
Soy Ned Jones. Tengo una pequeña empresa de consultoría llamada 1-alpha Solutions. Puedes ver mi información de contacto allí. Hablemos de la simulación. |
| |
Voy a ejecutar la simulación, obviamente, y JMP en el descubrimiento... |
| |
Y te permite descubrir el modelo, pero la entrada es muy aleatoria... variación... variación aleatoria de la salida del modelo y, basándose en las entradas, cualquier ruido que agregues al simulador. El simulador también... |
| |
Permite crear perfiles... |
| |
está en el generador de perfiles y lo define, define la entrada aleatoria, se define en función de la entrada aleatoria que tiene y puede ejecutar una simulación y producir tablas de salida y simular variables. |
| |
Lo siguiente que quiero hacer es hablar sobre los diferentes tipos de simulación. |
| |
Es una simple simulación. Si se tiene una entrada y una salida, no hay problemas de dependencia en la simulación. Las simulaciones que nos preocupan principalmente son las que tienen múltiples entradas. |
| |
Estamos simulando y tendremos una o más salidas del sistema. La preocupación es que podría haber... |
| |
dependencia entre las variables de entrada. |
| |
Desplácese un poco hacia abajo aquí y veremos... queremos hablar sobre lo que significa |
| |
tienen independencia estocástica. |
| |
Dos eventos A y B son independientes si, y solo si, sus probabilidades conjuntas son iguales al producto de sus probabilidades. Bueno, eso es lo que buscamos. Ese es el resultado final que buscamos. Voy a definirlo. Veámoslo de otra manera, y así sucesivamente. |
| |
Esto debería aclararlo un poco. Si observamos la intersección de A y B, los eventos A y B son iguales a ese producto conjunto, lo que implica que |
| |
la probabilidad de A es igual a la probabilidad de A dado B, o de manera similar, la probabilidad...con las probabilidades conjuntas, pero la probabilidad de B es igual a la probabilidad de B dado A. |
| |
Por lo tanto, la ocurrencia de A y B es |
| |
no se ve afectado |
| |
La ocurrencia de B no se ve afectada por la probabilidad de A y viceversa. |
| |
2, 4 o 6. |
| |
Se puede ver fácilmente que el |
| |
el |
| |
La probabilidad de A es 2 y 6 o un tercio, y la probabilidad de B es 3 y 6 o la mitad. |
| |
Pero si nos fijamos en el |
| |
intersección de A y B, que es 2. Y entonces la probabilidad de A por B es 1 6 y 2, y obtienen 2, y el único resultado que obtienes es 1 en 6. |
| |
Ahora, la probabilidad de A |
| |
es igual a la probabilidad de cualquier B dado igual a un tercio. Y si observamos eso y nos damos cuenta de que estamos diciendo, bien, B ha ocurrido, sabemos que tenemos |
| |
Un 2, un 4 o un 6, pero aún hay un tercio de probabilidad de que A haya ocurrido. Así que podemos ver que aún se mantiene en un tercio. Y de forma similar, vemos que ocurre lo mismo con la probabilidad de B. |
| |
Por lo tanto, A y B son independientes. |
| |
Ahora tengo un rol y veo el ejemplo que tengo y hablo de eso. Lo que estoy haciendo es simular la carga de plagas. |
| |
Y la probabilidad de una pareja apareada. |
| |
Lo que tenemos es una población de cosecha de frutas y, a partir de esa población de cosecha de frutas, vamos a tener algunas prácticas culturales que se aplican en... |
| |
en nuestro |
| |
huerto arboleda o |
| |
el viñedo tendrá una carga de plagas...tendrá una carga de plagas después de que se apliquen esas prácticas culturales. |
| |
Luego tenemos que ir a la cosecha... una vez cosechado el cultivo, haremos un descarte manual y estimaremos la carga de plagas. Y después de eso podemos... como pueden ver, tenemos... |
| |
Un almacén frigorífico y tendremos una plaga después. Intentaremos congelarlos hasta que mueran. |
| |
Y lo último que haremos es que una vez que tengamos esta carga de plagas aquí, la dividiremos en una distribución de marketing y dividiremos esa población en varias partes más pequeñas. |
| |
Y a partir de ahí podremos calcular la probabilidad de que se forme una pareja. |
| |
Bueno, el problema, como se puede ver inmediatamente, es que estas cosas se vuelven muy dependientes porque la salida de la población de cosecha es la entrada para el tratamiento A. La salida del tratamiento A es la entrada para el tratamiento B y así sucesivamente hasta C y hasta el par de encuentro. |
| |
Aquí tenemos una tabla con la que trabajaremos y comenzaremos. La configuramos para que el simulador funcione con ella. Tenemos un rango de población de entre 1 y 2,5 millones de frutas. Tenemos un tratamiento. |
| |
Aquí, un rango de tratamiento de la eficacia de mitigación que estamos observando. Este es el número de sobrevivientes que esperaríamos de esta población de tratamiento y tenemos un... |
| |
La población A es el resultado de esto. Tendremos una población B como resultado de esto; podemos ver las fórmulas utilizadas aquí. |
| |
Y lo que se hace aquí, de forma un poco diferente, es introducir una variable aleatoria que se introducirá en el generador de perfiles. Así, el generador de perfiles la detectará inmediatamente como una variable aleatoria entrante. Así, simulamos la entrada de la variable, incluso antes de que entre. |
| |
Con eso, pueden ir... podemos cruzar. Pueden ver el resto de la tabla. Vamos a cruzar. Tenemos otro grupo, con sobrevivientes después del Tratamiento C, algo similar. |
| |
Luego tenemos esta distribución y teníamos una probabilidad de una pareja apareada. Les mostraré esa fórmula. Es un poco diferente. La probabilidad de una pareja apareada. Bueno, esto es simplemente usar una exponencial. |
| |
Para estimar la probabilidad de apareamiento, así sabrán qué está pasando. No les he ocultado nada. Echemos un vistazo. Para abrir el generador de perfiles, vamos a ir a Gráfico y luego a Generador de perfiles. |
| |
Muy bien. A partir de ahí, seleccionaremos las variables que tengan una fórmula que nos interese. Así que tendremos... tendremos la población A, la población B, los supervivientes y la probabilidad de apareamiento. |
| |
Vamos a ponerlos y vamos a decir, uh-oh, tenemos que extender la variación aquí y vamos a decir, está bien. |
| |
Obtuvimos un buen resultado. |
| |
Aquí hay gráficos muy atractivos. Lo primero que verán son líneas onduladas en este perfilador. Si usan un perfilador, probablemente no estén acostumbrados a ver líneas así. |
| |
Es solo un enfoque un poco diferente y así podrás ver cómo funcionan estas cosas. |
| |
Estoy haciendo un pequeño ajuste aquí para que puedas ver mejor las pantallas. |
| |
Ahora, a partir de este punto, lo que haremos es abrir el simulador en el generador de perfiles. Subimos aquí y hacemos clic en el simulador. Nos da... |
| |
Estas opciones aquí abajo. Lo primero que quiero hacer es aumentar el número de ejecuciones de simulación a 25,000. Bien. Y lo que haré... si tenemos independencia, una de las pruebas que usamos con frecuencia es... |
| |
Veremos la correlación. Voy a usar una correlación aquí. Usaré las correlaciones y estableceré algunas correlaciones. Para esto primero... |
| |
población, la llamaré multivariada e inmediatamente podrán ver que obtenemos una especificación de correlación a continuación. |
| |
Y configuraremos otro multivariado aquí y otro multivariado para el tratamiento B. |
| |
Otro multivariado para el tratamiento A. Ahora, lo que esto hace es tomar esos parámetros de tratamiento que teníamos arriba, que teníamos antes. |
| |
Y esto es lo que los pone en nuestra relación multivariada entre nosotros. |
| |
También obtuvimos lo último: la distribución de marketing. No quiero que sea continua, así que la haré aleatoria y la convertiré en un número entero. |
| |
Lo convertiremos en un entero y obtendremos esa ejecución, y podremos ver los resultados. Esta es la situación... la llamaré Ricitos de Oro, con todos los ceros aquí abajo, lo que implica que todas estas relaciones son completamente independientes y podemos ejecutar nuestro simulador aquí. |
| |
Y ver los resultados. |
| |
Haga un pequeño ajuste más aquí en estos ejes. |
| |
Esto cobra vida. Búscalo aquí. |
| |
Bueno. |
| |
Ahora ven esos resultados. Pero lo que vamos a tener aquí y observar es que tenemos la tasa |
| |
En el cual se excede un límite establecido. Introduje esos límites específicos en las variables, pero lo que más me preocupa es la probabilidad de apareamiento. |
| |
Y, por si no lo sabías, lo he ejecutado en tiempo real y no ha salido exactamente como debería. Intentémoslo un par de veces más. A ver. |
| |
Obtuvimos la probabilidad de una pareja apareada, y se supone que debería ser de 0,5, pero no es así. Tengo algo que no es... ¡A ver! Vamos a intentarlo y a solucionarlo. |
| |
Esto sería 4 y |
| |
14 |
| |
Intentemos la simulación una vez más. Sigue sin funcionar. Bueno, el ejemplo no ha funcionado del todo bien, pero... |
| |
En el ejemplo anterior, tenía 0,4. Eso significaba que la tasa estaba creando menos que el tiempo, pero tengo esa probabilidad. |
| |
Hay una probabilidad de 0,15 de que haya una pareja apareada, pero eso es lo que pasa a veces cuando intentas hacer cosas sobre la marcha. |
| |
Así que, permítanme subir y tengo una ventana donde podemos ver ese resultado. Y vamos a... eso es un poco diferente. Y ahora pueden ver que... |
| |
Esa probabilidad es inferior al 5%. Ese es el objetivo que perseguimos. |
| |
En esta simulación. Si subimos y ejecutamos esas simulaciones, se puede ver que oscilan, manteniéndose por debajo de 0,5. |
| |
Ocurre en menos del 5% de los casos que la probabilidad de que una pareja se aparee es mayor a 1,5. |
| |
Ahora bien, repito, este es un escenario ideal, ya que asumimos que todas estas relaciones son independientes. Tengo un ejemplo que puedo mostrarles, donde tenemos una que es... |
| |
Antagónicos y sinérgicos. Así que voy a sacar el primero aquí y en este tenemos que... |
| |
Las relaciones son antagónicas. Ahora bien, si creas un ejemplo como este para trabajar con él, no puedes; al menos yo no pude hacer que todo fuera negativo. Si te fijas, tengo estos dos como positivos. |
| |
Esto quiere que la matriz sea definida positiva. Y no resulta como definida positiva si se establece... si se establece todo en cero, pero podemos ejecutar la simulación de nuevo. Y pueden ver que... |
| |
Aquí se puede ver que esas simulaciones con un negativo realmente hacen las cosas muy atractivas. Estamos obteniendo una tasa muy baja de... |
| |
Tenemos una probabilidad de 1.15 de una pareja que se aparee, para que puedan ver el efecto. Y lo que realmente quiero mostrar es el efecto de esto. |
| |
Especificaciones de correlación, matriz de correlación aquí abajo, matriz de covarianza que especificó. Ahora veamos otra, si es positiva. |
| |
Y tenemos un ejemplo aquí donde es positivo. Y pueden ver que lo tengo aquí abajo. Lo he dicho aquí. Ahora bien, no he sido muy heroico al hacer esas correlaciones muy altas. |
| |
He intentado mantenerlos bastante bajos y demás para que sean bastante realistas; después de todo, se trata de datos biológicos. Podemos ejecutar esas simulaciones de nuevo y ver rápidamente que estamos superando esa tasa del 5%, que se convierte en... |
| |
Hay mucha preocupación aquí y demás. Y si... si la mayoría de las veces, estas simulaciones se ejecutan sin considerar la correlación entre las variables, es como taparse los ojos y decir: "No vi esto", etc. Pero realmente... |
| |
si la hay, si hay una relación de correlación y lo más probable es que la haya, porque una de estas en...una de estas salidas es la entrada al siguiente proceso, |
| |
Por lo tanto, es muy probable que dependa de ello, y estimar cuáles son esas dependencias será una gran tarea que la mayor parte del tiempo tendremos que afrontar. |
| |
El trabajo en esta área se realiza con base en artículos de investigación y no tienen correlaciones entre diferentes tipos de tratamientos. |
| |
Pero tener una estimación de estos datos es bueno, es bueno tenerlos. Ahora, el siguiente paso es mostrarles qué más podemos hacer aquí. Podemos crear una tabla. Y si creamos esta tabla y... |
| |
Bueno, crearemos esta tabla y simplemente resaltaré todo en la tabla hasta los pares coincidentes. Y luego simplemente... |
| |
hacer un análisis de distribución. |
| |
Y ejecutar todo eso y decir, bien. Ahora obtenemos todas estas grandes distribuciones, llenamos el |
| |
papel con él. Pero lo que podemos hacer es entrar y seleccionar estas distribuciones que exceden nuestras |
| |
El límite aquí. Podemos simplemente destacarlos y se vuelve muy informativo al mirar atrás y ver las mitigaciones, lo que está sucediendo, etc. ¿Qué está afectando estas cosas? |
| |
En gran medida. Y una de las cosas que realmente... en primer lugar, nuestra población inicial, y esto se ha basado en lo que hemos visto en la vida real, es que a medida que la población aumenta, |
| |
Cuando tenemos grandes, grandes poblaciones de la fruta, la tendencia es que tengamos fallas del sistema, |
| |
Tratamiento A y así sucesivamente. Entonces, lo que me pareció más interesante fue... si miramos atrás y analizamos la distribución del marketing, |
| |
Que si los expulsamos, si exigimos que a medida que llegan los envíos al país y que la distribución de comercialización tenga que dividir esos envíos en lotes más pequeños para distribuirlos, la probabilidad de apareamiento se vuelve prácticamente cero. |
| |
Con estos ejemplos, etc., quiero abrir el debate. Pero permítanme decir una última cosa: pienso en George Box. |
| |
Estuvo en una de nuestras reuniones hace unos años. Y fue muy interesante lo que dijo: "No te enamores de una modelo". |
| |
También dijo: «Todos los modelos son erróneos, pero algunos son útiles». Espero que esta información y estos ejemplos les sirvan de reflexión al realizar la simulación, ya que deben considerar la relación entre las variables. Gracias. |
