بستیفای | مرجع فروش فایل های کاربردی در حوزه کسب و کار
بخش اول: یک راهنمای عملیانی برای شبیه سازی با روش مونت کارلو Monte Carlo
روش مونت کارلو تکنیکی است که شامل استفاده از اعداد تصادفی و احتمالات برای حل مسائل کسب و کار است. اصطلاح روش مونت کارلو توسط S. Ulam و Nicholas Metropolis با اشاره به بازی‌های شانسی، یک جاذبه محبوب در مونت کارلو، موناکو، ابداع شد.
جهت خرید محصول فایل اکسل پیاده سازی پیش بینی فروش در اکسل با روش مونت کارلو اینجا کلیک کنید
شبیه سازی کامپیوتری با استفاده از مدل های کامپیوتری برای تقلید و بهره گیری از زندگی واقعی یا پیش بینی انجام می شود. هنگامی که یک مدل با صفحه گسترده ای مانند اکسل ایجاد می کنید، تعدادی پارامتر ورودی و چند معادله دارید که از این ورودی ها برای ارائه مجموعه ای از خروجی ها (یا متغیرهای پاسخ) استفاده می کنند.
این نوع مدل معمولاً قطعی است، به این معنی که شما هر چند بار، دوباره محاسبه کنید، نتایج یکسانی را دریافت می کنید. [مثال 1: مدل قطعی برای بهره مرکب]
شکل 1: یک مدل قطعی پارامتریک مجموعه ای از متغیرهای ورودی را به مجموعه ای از متغیرهای خروجی نگاشت می کند.
شبیه سازی مونت کارلو روشی برای ارزیابی مکرر یک مدل قطعی با استفاده از مجموعه اعداد تصادفی به عنوان ورودی است. این روش اغلب زمانی استفاده می‌شود که مدل پیچیده، غیرخطی یا شامل بیش از چند پارامتر نامشخص باشد. یک شبیه‌سازی معمولاً می‌تواند شامل بیش از 10000 ارزیابی از مدل باشد، کاری که در گذشته فقط با استفاده از ابر رایانه‌ها عملی بود.
با استفاده از ورودی های تصادفی، شما اساساً مدل قطعی را به یک مدل تصادفی تبدیل می کنید. مثال 2 این مفهوم را با یک مسئله بسیار ساده نشان می دهد.
روش مونت کارلو تنها یکی از چندین روش برای تجزیه و تحلیل انتشار عدم قطعیت است، که در آن هدف تعیین این است که چگونه تغییرات تصادفی، کمبود دانش، یا خطا بر تحلیل حساسیت، عملکرد یا قابلیت اطمینان سیستمی که مدل‌سازی می‌شود، تأثیر می‌گذارد.
شبیه‌سازی مونت کارلو به عنوان یک روش نمونه‌گیری طبقه‌بندی می‌شود، زیرا ورودی‌ها به‌طور تصادفی از توزیع‌های احتمال برای شبیه‌سازی فرآیند نمونه‌گیری از یک جمعیت واقعی تولید می‌شوند.
بنابراین، ما سعی می‌کنیم توزیعی را برای ورودی‌ها انتخاب کنیم که بیشترین تطابق را با داده‌هایی که از قبل داریم داشته باشد، یا به بهترین شکل وضعیت فعلی دانش ما را نشان دهد. داده های تولید شده از شبیه سازی را می توان به صورت توزیع احتمال (یا هیستوگرام) نشان داد یا به نوارهای خطا، پیش بینی قابلیت اطمینان، مناطق تحمل و فواصل اطمینان تبدیل کرد. (شکل 2 را ببینید).
شکل 2: شماتیکی که اصل انتشار عدم قطعیت تصادفی را نشان می دهد. (اصل اساسی شبیه سازی مونت کارلو.)
اگر تا اینجا پیش رفته اید، به شما تبریک می گویم! حالا برای قسمت باحالش! مراحل شبیه‌سازی مونت کارلو مربوط به انتشار عدم قطعیت نشان‌داده‌شده در شکل 2 نسبتاً ساده هستند و می‌توانند به راحتی در اکسل برای مدل‌های ساده پیاده‌سازی شوند. تنها کاری که باید انجام دهیم این است که پنج مرحله ساده ذکر شده در زیر را دنبال کنیم:
- مرحله 1: یک مدل پارامتریک ایجاد کنید، y = f(x1, x2, …, xq).
- مرحله 2: مجموعه ای از ورودی های تصادفی، xi1، xi2، …، xiq را ایجاد کنید.
- مرحله 3: مدل را ارزیابی کنید و نتایج را به صورت yi ذخیره کنید.
- مرحله 4: مراحل 2 و 3 را برای i = 1 تا n تکرار کنید.
- مرحله 5: نتایج را با استفاده از هیستوگرام، استفاده از آمار در خلاصه کردن، فواصل اطمینان و غیره تجزیه و تحلیل کنید.
در مقاله بعدی روش پیاده سازی یک نمونه واقعی اشاره خواهد شد.
