Багато систем є надто складними, щоб можна було аналітичними методами змоделювати впливи невизначеності на них. Однак їх можна оцінювати, розглядаючи вхідні дані як випадкові змінні та виконуючи певну кількість N обчислень (так званих імітаційних моделювань) формуванням вибірок вхідних даних для одержання N можливих наслідків бажаного результату.
Цей метод можна застосовувати до складних ситуацій, які може бути важко зрозуміти, застосовуючи аналітичні методи, та щодо яких важко застосовувати аналітичні методи. Системи можна розробляти, використовуючи електронні таблиці та інші традиційні засоби, але вже є новітніші засоби, які задовольняють більш складні вимоги і багато з яких сьогодні відносно недорогі. Коли метод було вперше розроблено, кількість ітерацій, необхідних для імітаційних моделювань методом Монте-Карло, робило процес уповільненим та клопітким, але досягнення у сфері обчислювальної техніки і теоретичні розробки (наприклад, формування вибірок методом «латинського гіперкуба») значно скоротили тривалість опрацювання в багатьох застосованнях.
Імітаційне моделювання методом Монте-Карло — засіб оцінювання впливу невизначеності на системи в широкому спектрі ситуацій. Зазвичай його застосовують, щоб оцінити діапазон можливих результатів і відносну частоту значень у цьому діапазоні для кількісних показників системи (наприклад, вартості, тривалості, продуктивності, попиту та інших подібних показників). Імітаційне моделювання методом Монте-Карло можна застосовувати з двома різними цілями:
Вхідні дані імітаційного моделювання методом Монте-Карло — детально пророблена модель системи та інформація про типи вхідних даних, джерела невизначеності, які має бути відображено, та про необхідні вихідні дані. Вхідні дані, пов’язані з невизначеністю, зображають як випадкові змінні з більшим або меншим розкидом їхніх розподілів відповідно до рівня незизначеностей, Задля цього часто використовують рівномірний, трикутний, нормальний і логарифмічно нормальний розподіли.
За допомогою генератора випадкових чисел можна отримати число від 0 до 1, використовуване для порівнювання з імовірністю кожного елемента, щоб визначити, чи функціює система. Маючи лише 10 обчислень, не треба очікувати, що результат 0,9 буде точним. Звичайний підхід передбачає долучений обчислювального пристрою, щоб відстежити, як загальний результат імітаційного моделювання досягає потрібного рівня точності. У цьому прикладі результат 0,979 9 було досягнено після 20 000 ітерацій.
Наведену вище модель може бути розширено багатьма способами. Наприклад:
Цей метод застосовують також для загального оцінювання невизначеності фінансових прогнозів, ефективності інвестування, прогнозів щодо вартості та етапності виконання проекту, порушень у бізнес- процесі та потреб у найманні персоналу.
Аналітичні методи не дають змоги одержувати слушні результати, коли є невизначеність у вхідних даних і, через це, у вихідних даних.
Вихідними даними можуть бути окремі значення, як визначено в прикладі вище, результат зазначено як імовірність чи розподіл частот, або визначення основних функцій моделі, що найбільше впливає на вихідні дані.
Імітаційне моделювання методом Монте-Карло застосовують для загального оцінювання сукупного розподілу результатів, що можуть виникати, або ключових показників, зумовлених розподілом, таких як:
Аналізування зв’язків між вхідними та вихідними даними може сприяти виявленню відносної важливості задіяних чинників та ідентифікуванню цілей, на які корисно спрямовувати зусилля, щоб впливати на невизначеність результату.
Переваги | Недоліки |
---|---|
|
|
ІЕС 61649 Weibull analysis (Аналіз Вейбулла).
ІЕС 62551 Analysis techniques for dependability – Petri net techniques (Методи аналізування надійності. Методи моделювання мережами Петрі).
ІЗО/ІЕС Guide 98-3:2008 Uncertainty measurement – Part 3: Guide to the of uncertainty in measurement (GUM: 1995) (Невизначеність вимірювання. Частина 3. Настанова щодо подання невизначеності вимірювання).