Professional Documents
Culture Documents
37
01
Como ya sabemos que para nuestro modelo de todos los trminos de productos cruzados
=j
con yo
02
03
'r
04
S UN = 1#
(1,47)
yo
05
yo
06
07
09
10
08
11
12
Mtodos 1.2.16Further
13
14
Hasta ahora hemos hablado de las siguientes herramientas para el anlisis de sensibilidad:
15
diecisis
17
18
19
20
grfico de dispersin.
21
22
23
24
25
26
27
Wehaveshowntheequivalenceofsigma-normalizedcoefficients
Sps
= psZ ) Y / $
yo
yo
Y)Xyo, los coeficientes de regresinyo
yy la varianza de base de primer orden
ndices de sensibilidad S
yopara los modelos lineales, ascomo cmo Syoes un modelo de libre
extensin Ofthe esquema de descomposicin de la varianza de los modelos
desconocido
de
linealidad. Hemos hablado de cmo los modelos no aditivos pueden ser tratados en el marco de
sensibilidad basado en thevariance. Tambin hemos indicado que la dispersin de las parcelas
son un anlisis de sensibilidad powerfultoolfor y se muestra cmo S
28
29
30
grfico de dispersin.
31
32
33
34
35
36
37
38
39
40
41
42
43
44
'Shape'in una x
yopoder
yoversus
En un mayor nivel de detalle (Ratto et al., 2007) se puede utilizar regresin moderna
herramientas Sion (tales como los mtodos de filtrado de espacio de estados) para interpolar
puntos en thescatterplots, produciendo muy"Y
fiable
*
% x mi yo
%curvas. Las curvas pueden
yo= x
a continuacin, ser utilizado para el anlisis de sensibilidad. Su forma es ms evidente que los
diagramas de dispersin thatof densos (comparar Figura 1.7 con la figura
1.8).
Adems,
se puede derivar los ndices de sensibilidad de primer orden directamente de esas curvas, de
modo que una forma eficaz de estimar S
yoes el uso de la regresin de espacio de estados en el
diagramas de dispersin y luego tomar las varianzas de estos.
En general, para un modelo de linealidad desconocido, monotonicidad y aditividad,
medidas basadas en la varianza constituyen un buen medio para hacer frente a la configuracin de
fijacin del factor comola y el factor de priorizacin. Discutiremos uno settingbefore an ms el
final de este captulo,
pero consideremos primero si existen
alternativas a los mtodos basados en ofvariance de uso para la configuracin de modo
fardescribed.
20: 1
Wiley / GSAS
Pgina-37
c01
38
Por qu puede ser que necesitamos una alternativa? El principal problema con varianzas
01
02
03
04
yo# STiPareja - es
el tema ms intensamente investigado en el anlisis de sensibilidad (ver el filteringapproach que
acabamos de mencionar). Se puede esperar razonablemente que el estimationof estas medidas
ser ms eficiente en el tiempo.
05
06
07
08
09
10
11
12
13
14
15
diecisis
17
18
19
20
.Y "X
21
22
EE
yo=
1#
X2# ( ( ( # X
yo-1# Xyo+ *# ( ( ( Xk%- Y "X1# X2# ( ( ( # X k% #(1,48)
/
*
23
24
25
x = "X
26
27
28
29
EE
yo,
30
2*yo=
31
32
1 'r
r
%EEyo
j%
(1,49)
j=1
33
34
35
36
37
38
39
*
.
yo
En orderto calcular de manera eficiente, una estrategia bien elegido para isneeded
movindose de un efecto a otro, por lo que el espacio de entrada se explora conuna mnimo de
puntos (vase el captulo 3).
*
Dejando a un lado los problemas computacionales, por el momento,
es una medida
2
til
40
41
42
43
44
3.It es muy bueno para la fijacin del factor - de hecho es un buen indicador de S
Ti;
4.It puede aplicarse a conjuntos de factores.
20: 1
Wiley / GSAS
Pgina-38
c01
39
01
05
mtodo, especialmente til para la investigacin de los modelos con muchos (de un fewdozen a
100) incierta factors.Itcan tambin ser utilizado antes de aplicar medida basada en avariance
para podar el nmero de factores a ser considered.As medida en que el punto (3) anterior se
refiere,
2*es bastante resistente contra el tipo
06
II errores, es decir, si un factor se considera por noninfluential* 2es poco probable que sea
07
02
03
04
08
09
10
11
12
13
14
15
diecisis
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
Teniendo
hecho esto, realizaciones de uno filters'the, egelements de la Y -vector.
dividir el vector Yen dos subconjuntos: la del buen comportamiento realizationsand la de los '' mal
comportamiento. Lo mismo se aplicar a las distribuciones (marginales) de cada uno de los
factores de entrada. Cabe destacar que en este contexto se IsNot interesado en la varianza de Y
tanto como en la parte de la distribucinde Y lo que importa - por ejemplo, el extremo de cola
inferior de la distribucin quizs irrelevantes en comparacin con la cola-extremo superior
33
34
35
36
Esta
puede entailcomparing ellos con algn tipo de evidencia o la plausibilidad (por ejemplo, uno
puede tener una buena razn para rechazar todos los valores negativos de Y). O simplemente
comparar onemight Y contra umbrales,
tan solo se mentioned.This
o viceversa, dependiendo de
los problem.Thus el anlisis no tiene que ver con qu factor de varianza drivesthe Y tanto como
con la que el factor produce realizaciones de Yen la zona prohibida. Est claro que si un factor ha
sido juzgado byeither noninfluential 2*o S
37
38
39
Ti,
40
41
Una simulacin se clasifica como segundo, Por comportamiento o segundo, Por Nonbeconductual (Figura 1.11).
42
43
44
20: 1
Wiley / GSAS
Pgina-39
c01
40
01
)
(x |segundo
02
segundo
03
)
(x | segundo
04
segundo
05
06
07
08
09
10
11
/
0
"X % SEGUNDO%y un conjunto complementario
x % segundo
que contiene el restante norte =
12
13
14
15
diecisis
17
18
19
20
diferente, entonces x
yoes un
21
22
23
24
Anterior
25
0,8
26
27
metro(xyo
|segundo
norte(xyo
|segundo
28
0,6
F(x yo
)
29
30
31
0,4
32
ren, n
33
0,2
34
35
36
37
0,2
38
0,4
0,6
0,8
39
Figura 1.12La distincin entre los dos conjuntos utilizando un estadstico de prueba
40
41
42
43
18
44
pp. 38-39).
Smirnov para dos muestras (versin de dos caras) se utiliza en la Figura 1.12 (ver Saltelli et al.2004,
20: 1
Wiley / GSAS
Pgina-40
c01
41
01
02
03
04
05
06
07
08
19
09
10
11
12
13
14
15
diecisis
17
18
19
20
21
estructura.
24
25
26
e IFA
Otro caso especial en que uno tiene que tomar la dependencia de factores 'en
22
23
Despus de la estimacin
consideracin es cuando el analista A intenta demostrar la falsedad de un anlisis Uncer-incertiproducido por el analista de B.
En una adversarialcontext tales, A
tiene que demostrar que el anlisis de B es incorrecta (por ejemplo, no conservativa) whentaking
incluso la debida consideracin de la covarianza de los factores de entrada como explcita o
implcitamente, enmarcados por B.
27
28
29
30
31
32
33
34
35
36
37
diversas statisticaltests
38
39
40
41
19
42
lo contrario no es cierto. Las dependencias se describen, sin embargo, a travs de correlaciones para los clculos
practicalnumerical.
43
20
44
En lugar de introducir x
1y x2como factores correlacionados uno puede entrar
1yxx3, con x3siendo
un factor que describe el ruido, y el modelo x
2como una funcin de x1y x3.
20: 1
Wiley / GSAS
Pgina-41
c01
42
01
02
sensibilidad de varios productos de los modelos es una buena prctica para probar la qualityof el
modelo, es mejor, al presentar los resultados de la sensibilidad anal-analysis, para centrarse en la
inferencia clave sugerida por el modelo, en lugar de toconfuse al lector con matrices de
sensibilidad ndices relativos a intermediateoutput variables. anlisis de sensibilidad a trozos, como
cuando compartimento modelo investigatingone a la vez, puede conducir a errores de tipo II si se
descuidan los factores interactionsamong ofdifferentcompartments.
03
04
05
06
07
08
09
sealando que, una vez que un anlisis basado en modelos se ha producido, la mayora modellerswill
no voluntariamente se someten a una revisin a travs de un anlisis de sensibilidad por thirdparty.
10
11
12
13
14
15
diecisis
17
18
19
20
21
22
23
24
25
26
27
28
Para evitar este escollo, analista debe poner en prctica la incertidumbre y la sensibilidad
tividad analiza de forma rutinaria, tanto en el proceso de modelado y en el uso oper-ational del
modelo para producir inferencias tiles.
Finalmente el peligro OfType IIIerror debe Keptin mind.Framing
error se puede producir commonly.If un anlisis de sensibilidad es implementedby conjuntamente
con el propietario del problema (que puede coincidir con el modelador) y apractitioner (que podra
volver a ser un modelador o un estadstico o un anlisis de sensibilidad practitionerof),
29
30
31
32
el
desafiar el encuadre
antes de nada.
33
34
35
36
37
OBSERVACIONES 1.5CONCLUDING
38
39
1.We apenas han mostrado diferentes configuraciones para el anlisis de sensibilidad, tales como:
40
41
42
43
44
yo;
*
factor de fijacin, vinculado a S
;
Tio 2
mapeo de los factores, vinculados a MCF;
metamodelado (consejos).
20: 1
Wiley / GSAS
Pgina-42
c01
OBSERVACIONES FINALES
43
Los autores han encontrado que estos ajustes tiles en un nmero de applications.This no
significa que los otros ajustes no se pueden definir y usefullyapplied.
01
02
03
2.We han discutido aptitud para el uso como un elemento clave del modelo quality.If est bien
definido el objetivo, la salida del distrito se pueden ser de inters wellidentified. En el contexto de
una controversia, aqu es donde estar la atencin
04
05
06
07
08
09
10
11
12
13
14
15
diecisis
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
La mayora de
ejercicios willbe basan en modelos cuya produccin (y, posiblemente, las medidas de
sensibilidad aso-ado) puede ser calculada analticamente.
En ms prctica
casos el modelo bajo anlisis o desarrollo sern un computationalone, sin una frmula analtica
cerrada.
Por lo general, los modelos implicarn ecuaciones diferenciales o algo- optimizacin
ritmos que implican soluciones numricas. Por esta razn los mejores cas-cas disponibles para clculos
numricos se presentarn en la siguiente chapters.For la Efectos elementales de prueba, vamos a
ofrecer procedimientos numricos desa-rrollado por Campolongo et al.(1999b, 2000,2007) .Para la
varianza-basedmeasures presentaremos el diseo basado Monte Carlo desarrollado por Saltelli (2002),
as como el balance de azar diseos basados en la prueba de Fourier AmplitudeSensitivity (FAST-RBD,
Tarantola et al.De 2006, vase el captulo 4). Todos los thesemethods se basan en verdaderos puntos en
el espacio de los factores de entrada, es decir, sobre el modelo de actualcomputations en estos puntos.
Un classof mtodos importantes y poderosos sern presentados en el captulo 5; tales tcnicas se basan
en los meta-modelado, por ejemplo, en las estimaciones del modelo en los puntos de espera de juicio.
Metamodellingallows para una gran reduccin en el coste del anlisis y se convierte de hecho opcin
theonly cuando el modelo es caro de mantener, por ejemplo, cuando un nico simulationof El modelo
tiene decenas de minutos o horas o ms. El inconveniente es thatmetamodelling herramientas tales
como los desarrollados por Ratto et al.(2007) se lessstraightforward para codificar que sencilla Monte
Carlo. Siempre que sea posible, debe darse a pointerswill software disponible.
38
39
40
41
42
43
44
20: 1
Wiley / GSAS
Pgina-43
c01
44
1.6EXERCISES
01
02
1.Prove que
03
04
05
06
07
10
11
ajuste? Te estar inclinado para fijar factores con una ms grande de primera
orderterm o ms bien los que tienen un trmino efecto total ms grande?
12
13
5.Suppose x
14
15
diecisis
19
20
21
22
2,
09
18
1y
08
17
7.Write un modelo (una funcin analtica y de las funciones de distribucin de los factores) en el
que se fija un factor de incertidumbre aumenta la varianza.
8. Cul habra sido el resultado del uso de distribuciones cero centrada forthe +'S en la
ecuacin (1.27)?
23
24
25
1.7ANSWERS
26
27
1#
28
29
30
X2
2# xk%y x ~ pag"x%
pag"x%rex = 1, entonces la
3
E "Y% =
31
F"x%pag"x%rex#
32
33
y su varianza como
34
35
3
2
"F"x% - E "Y %%
pag"x%rex
var"Y% =
36
37
38
39
3
F2"x%pag"x%rex +2mi
"Y% - 2
E "Y% f"x%pag"x%rex
2
= E "Y2% + mi2"Y% - 2mi
"Y%
40
= E "Y2% - mi2"% Y,
41
42
43
44
Usando esta frmula itcan fcilmente ser probado thatVar"Y% = var"Y + do%,con do
una constante arbitraria.
Carlo basado en este resultado se utiliza en Monte
20: 1
Wiley / GSAS
Pgina-44
c01
RESPUESTAS
45
01
02
03
04
05
Y=F
06
funcion de x
1"X1%+
x2como
+ ,
2.
Recordando que la varianza de "Y% puede escribirse como V "Y% = mi Y2 -
07
08
09
obtenemos
+
V "Y% = mi F12 + F22 + 2F
10
11
,
1F2
y su aplicacin a Y
-mi2"F
1+
F2%,
12
13
14
+ ,
+ ,
V "Y% = mi F12 +mi F22 -mi2"F
15
diecisis
17
1y
2
1%-mi
"F
2%
18
V "Y% = V "f
19
1%+V
20
21
22
23
24
25
26
27
28
29
30
31
32
33
1y
34
35
36
"f2% #
37
yo%
1%
38
EX
39
1%
= EX2% =
p "x% xrex =
51
x2
x=0
1
2
40
41
Promover:
42
43
44
3
Var "X
1%
= Var "X2% =
20: 1
p "x% x -
x=0
Wiley / GSAS
rex =
x2-x +
x=0
Pgina-45
1
4
.
rex
c01
46
01
=.
x3
3
02
EX
03
04
x2
1+x2%
x/10 =
1
12
= EX1% + EX2% = 1#
05
Dado que x
06
1+x2es
ese
07
08
Var "X
09
10
1+x2%
11
12
Var "X
13
1+x2%
15
diecisis
14
17
1=0
2=0
pag"x%"x
1+ x2- 1%
rex
1rex2,
6.Note que el modelo (1.3, 1.4) es lineal y aditivo. Adems, su funcin de densidad probcapacidad se puede escribir como el producto
Ofthe factores "
distribuciones marginales (factores independientes). Escribir el modelo de r = 2we tener
18
19
Y "Z
20
21
1#
Z2% = +1Z1++2Z2
con
22
23
24
1~
25
26
27
28
31
32
33
34
"Z 2
mi- 1%
2psZ2
23
1
29
30
3
E "Y% = +1
++
Z
-+
1p
"Z1%re1Z
2
++
++
Z
-+
2p
"Z2%re2Z
35
36
V "Y% = VZ +V
37
38
39
Ya sea para Z
1o
= V "+
1Z1%+V
"+2Z2%,
Z2ser
40
V Z = V "+
yo
41
42
Z2
yoZyo%=
2
V "Z
+yo
yo%,
Nosotros escribimos
43
V "Z
44
20: 1
yo%
2
2
% - mi2"Z
%
yo
= E "Z
yo% = E "Zyo
Wiley / GSAS
Pgina-46
c01
RESPUESTAS
47
01
02
E "Z2yo% =
03
04
05
1
23 $
z2yomi-z2yo/2psyo2Zrez
yo,
Z yo
La forma es presentada
06
07
++
t2mi-a2re
08
t=
-0
09
10
11
E "Z2yo% = ps
2
Z
12
yo
13
as que eso
14
15
V Z = +2yopsZ2
diecisis
yo
yo
17
18
19
20
21
22
23
SZ =
24
yo
+2yopsZ2
yo
V "Y%
25
26
27
S Z = S Z =1 .
1
29
28
para S
yoa
nuestro modelo:
30
34
35
yo=
1Z1++2Z2se
3
E "Y % Z
1=
38
39
40
41
*
%
1
p "z
1%
-+
42
SZ =
43
yo
*
1
*
++
P "z2% "+11z
de +
*
1z 1
20: 1
yo
Wiley / GSAS
2z2%rez1rez2=
+1z
*
,
1
+2yopsZ2
1
44
1:
++
Por lo tanto
V- La varianza sobre z
Z
y
*
%. Aplicando esto a nuestro modelo
z yo
36
37
yo%%
#
V "Y%
yo
32
33
V "E" Y % Z
SZ =
31
2
ps2
1 Z1
Pgina-47
c01
48
7.WeconsiderthemodelY = x
01
distribuidos de la
02
03
04
1#
X2~ N "0ps
05
06
E "Y% = EX
07
1x2%=
08
as que eso
09
+
,
+ , + ,
V "Y% = mi x2 1 x22 = mi x2 1 mi x2 2 = ps4,
10
11
12
Si x
13
2se
18
19
*
%=
1x 2
EX
15
diecisis
*
,
2
14
17
EX1%EX2%= 0#
entonces
x*2 EX
1%=
2=
*
%
2
= V "X
1x
/
0
+ ,
mi x21 "x*2 %2 ="x* 2 %2mi x21 ="x* 2 %2ps2,
*
%=
2
20
21
22
mdulo de x*
23
*
%se
1x 2
24
V "Y % x
25
2=
*
%
2
= "x2*%2ps2
26
27
uno tiene
28
30
4
= V "Y%,
= ps
E "V" Y % x
2%%
29
Dado que
31
E "V" Y % x
32
33
2%%
+ V "E" Y %2%%
x = V "Y%
34
V "E" Y % x
35
2%%
36
= 0#
37
38
39
~2
40
diferentes valores de
41
42
43
44
V "Y% para
*
x~
2
x2.Estas
*
%, es decir,
"YV% x
x 1
x 2
2= x
para ps = 1. La lnea horizontal es el incondicional
1y
2=
*
2
*
%a
2
1.
*
La Figura 1.14 muestra un diagrama de dispersin de
(La
Y versus
mismaxforma hara
1
appearforx*
20: 1
Wiley / GSAS
Pgina-48
c01