Coursera Learner working on a presentation with Coursera logo and

Analiza ryzyka jest częścią każdego dokonywanego przez nas wyboru. Nieustannie obserwuje się nas z wrażliwością, niepewnością i wahaniami. Co więcej, pomimo tego, że mamy niezwykły dostęp do danych, nie jesteśmy w stanie dokładnie przewidzieć, co nas czeka. Reprodukcja Monte Carlo (inaczej nazywana Strategią Monte Carlo) daje Ci szansę zobaczenia wszystkich potencjalnych wyników Twoich wyborów i zbadania efektu zagrożenia, biorąc pod uwagę lepsze podstawowe przywództwo pod wrażliwością.

Czym jest Reprodukcja Monte Carlo?

Reprodukcja Monte Carlo to zmodernizowana metoda naukowa, która umożliwia reprezentowanie ryzyka w analizie ilościowej i podstawowym przywództwie. Procedura ta jest wykorzystywana przez ekspertów z tak unikalnych dziedzin, jak fundusz, zarząd, witalność, produkcja, projektowanie, prace innowacyjne, ochrona, ropa i gaz, transport i ziemia.

Monte Carlo rekreacyjne stroje lidera z zakresem potencjalnych wyników i prawdopodobieństwem ich osiągnięcia przy każdej decyzji o działaniu. Pokazuje on skandaliczne możliwe wyniki – rezultaty postawienia tego wszystkiego na szali i najbardziej tradycjonalistycznego wyboru – a także wszelkie możliwe konsekwencje dla bardzo atrakcyjnych wyborów.

Metoda ta została po raz pierwszy zastosowana przez badaczy strzelających do bomby atomowej; została nazwana Monte Carlo, miejscowość uzdrowiskowa Monaco wybitna ze względu na swój klub. Od czasu swojej prezentacji w czasie II wojny światowej, reprodukcja Monte Carlo była wykorzystywana do wyświetlania szeregu fizycznych i teoretycznych ram.

Jak wyglądają funkcje rekreacyjne Monte Carlo

Monte Carlo recreation przeprowadza analizę ryzyka, budując modele potencjalnych wyników poprzez zastąpienie zakresu cech – środków zwiększających prawdopodobieństwo wystąpienia każdego czynnika, który jest obarczony nieodłączną niepewnością. W tym momencie, za każdym razem wykorzystując alternatywny układ cech arbitralnych na podstawie zdolności prawdopodobieństwa, uzyskuje się powtarzające się wyniki. W zależności od liczby słabych punktów i wskazanego dla nich zasięgu, powtórzenie Monte Carlo może obejmować tysiące lub ogromną liczbę ponownych obliczeń przed jego zakończeniem. Monte Carlo reenactment tworzy przekazy szacunku dla możliwych wyników.

Poprzez wykorzystanie środków prawdopodobieństwa, czynniki mogą mieć różne prawdopodobieństwa wystąpienia różnych wyników. Obieg prawdopodobieństwa jest znacznie bardziej sensowną metodą przedstawiania podatności na zagrożenia w czynnikach badania zagrożeń.

Zwykłe środki prawdopodobieństwa obejmują:

Zwykłe .

Albo z drugiej strony “gong bend.” Klient w zasadzie charakteryzuje średnią lub przewidywane, że wartość i odchylenie standardowe powinny przedstawiać odmianę o średniej. Kwalifikacje w centrum w pobliżu średniej są na dobrej drodze do celu. Jest symetryczny i ukazuje wiele charakterystycznych cudów, na przykład indywidualny wygląd. Okoliczności czynników przedstawianych przez zwykłe przekazy obejmują wskaźniki puchnięcia i koszty witalności.

Lognormal

Kwalifikacje są zdecydowanie nachylone, a nie symetryczne jak zwykłe rozpowszechnianie. Wykorzystuje się ją do mówienia do szacunku, który nie schodzi poniżej zera, ale ma bezgraniczny pozytywny potencjał. W przypadku czynników przedstawionych przez lognormal conveyances uwzględnia się szacunki własności gruntów, koszty zasobów i zasobów ropy naftowej.

Jednolita

Każdy szacunek ma równorzędną możliwość zaistnienia, a klient w zasadzie charakteryzuje się tym, co podstawowe i najbardziej ekstremalne. W przypadku czynników, które mogą być konsekwentnie rozproszone obejmują wydatki związane z montażem lub przyszłe przychody z transakcji dla innej pozycji.

Trójkątny

Klient charakteryzuje bazę, z całym prawdopodobieństwem, i najbardziej ekstremalne cechy. Cechy, które według wszelkiego prawdopodobieństwa mogą się pojawić. Czynniki, które mogą być przedstawione za pomocą trójkątnego przekazu zawierają historię transakcji z przeszłości na jednostkę czasu i poziom zapasów.

PERT

Klient scharakteryzował bazę, najprawdopodobniej i najbardziej ekstremalne cechy, takie same jak rozproszenie trójkątne. Właściwości wokół niewątpliwie się pojawią. W każdym razie, wartości pomiędzy wszystkimi prawdopodobieństwami i granicami na pewno się wydarzą niż trójkąt, to znaczy, że granice nie są tak podkreślone. Przypadek wykorzystania wartości a

Środki PERT służą do przedstawienia zakresu zadania w modelu tablicy.

Dyskretne

Klient charakteryzuje wyraźne cechy, które mogą się zdarzyć i prawdopodobieństwo każdego z nich. Model może być konsekwencją roszczenia: 20% możliwości pozytywnej decyzji, 30% możliwości negatywnej decyzji, 40% możliwości ugody i 10% możliwości nadużycia.

Podczas rekonstrukcji Monte Carlo wartości są bezcelowo sprawdzane ze środków prawdopodobieństwa informacji. Każde ułożenie testów nazywane jest akcentem, a dalszy wynik z tego przykładu jest zapisywany. Monte Carlo reenactment robi to setki lub tysiące razy, a wynikiem jest przekazanie prawdopodobieństwa potencjalnych wyników. Zgodnie z tym Monte Carlo reenactment daje znacznie bardziej dalekosiężne spojrzenie na to, co może się zdarzyć. Ujawnia to, co może się wydarzyć, a jednak jest tak podatne na to, co może się wydarzyć.

Monte Carlo recreation przedstawia różne korzystne okoliczności w porównaniu z badaniem deterministycznym, czyli “miernikiem jednopunktowym”:

Probabilistyczne wyniki. Wyniki pokazują, co może się zdarzyć, ale jak prawdopodobny jest każdy wynik.

Wyniki graficzne. Ze względu na informacje, jakie daje reprodukcja Monte Carlo, trudno jest wykonać wykresy różnych wyników i ich szans na zdarzenie. Jest to istotne dla przekazywania odkryć różnym partnerom.

Dochodzenie w sprawie skuteczności. Tylko w kilku przypadkach badanie deterministyczne sprawia, że trudno jest dostrzec, które czynniki mają największy wpływ na wynik. W przypadku Monte Carlo reenactment trudno jest stwierdzić, które źródła danych miały największy wpływ na wyniki dotyczące głównych obaw.

Badanie sytuacji: W modelach deterministycznych trudno jest przedstawić różne miksy jakości dla różnych wkładów, aby zobaczyć wpływ naprawdę różnych sytuacji. Korzystając z reprodukcji Monte Carlo, eksperci mogą dokładnie zobaczyć, które źródła informacji miały największy wpływ na wyniki. Jest to ważne dla poszukiwania dalszych badań.

Podłączenie źródeł informacji. W odtworzeniu Monte Carlo można wykazać powiązania między czynnikami wejściowymi. Istotne jest, aby mówić o tym, jak w rzeczywistości, gdy kilka elementów idzie w górę, inne w górę lub w dół, jak trzeba.

Ulepszeniem rekreacji w Monte Carlo jest wykorzystanie badania Latin Hypercube, które sprawdza się tym dokładniej z całego zakresu pojemności obiegowych.