Некоторые компьютерные программы дают возможность воспользоваться более эффективными методами выборочного исследования, вытекающими, однако, из метода Монте-Карло. Один из них — широко распространенный метод латинского гиперкуба, с помощью которого производят статистическую обработку достоверных данных и получают такие же результаты после меньшего количества повторений, а следовательно, быстрее. Это техника выборки данных по слоям. Она эффективно использует генерирование случайных чисел программы Монте-Карло для выбора данных по конкретным слоям из суммарных кривых распределения частот. Это значительно расширяет спектр случайных значений переменных при относительно небольших усилиях. [c.173]
Проведение расчетных итераций является полностью компьютеризированной частью анализа рисков проекта методом Монте-Карло. 200-500 итераций обычно достаточно для хорошей репрезентативной выборки. В процессе каждой итерации происходит случайный выбор значений ключевых переменных из специфицированного интервала в соответствии с вероятностными распределениями и условиями корреляции. Затем рассчитываются и сохраняются результативные показатели (например, ЧДД). И так далее, от итерации к итерации. [c.12]
Еще раз повторим, что эксперименты методом Монте-Карло проводились для проверки истинности уравнения (5.7). Для нормально распределенной случайной переменной, дважды перемешанной, 7 000 значений Н были рассчитаны для 10 < п < 50. Моделирование было проведено для Т = 200, 500, 1 000 и 5 000. Результаты приведены в Таблице 5.3 [c.80]
Несмотря на свои достоинства, метод Монте-Карло не распространен и не используется слишком широко в бизнесе. Одна из главных причин этого — неопределенность функций распределения переменных, которые используются при расчетах. [c.622]
Среди методов на основе анализа D F с углубленным подходом к неопределенности следует упомянуть имитационные методы, прежде всего анализ чувствительности и методы Монте-Карло. Самый простой из таких методов предполагает анализ чувствительности, когда все переменные корректируются по очереди, чтобы видеть их влияние на конечные стоимости D F. В методах Монте-Карло используется вероятностный подход. Так как вся информация, вовлеченная в принятие решения относительно ИС, высоко сомнительна, самое лучшее, что может быть сделано, это рассматривать вероятностные затраты и доходы, получая конечный результат в виде гистограммы значений NPV. В известных примерах Монте-Карло имитаций сразу все переменные в модели откорректированы согласно индивидуальным распределениям вероят- [c.195]
Метод Монте-Карло (Monte arlo simulation). Метод имитационного моделирования с использованием генератора случайных чисел для расчета статистически достоверных переменных. Требует множества повторений базового алгоритма для построения статистически значимого распределения возможных результатов. [c.373]
Бехгофер, Кифер и Собел изучали, хотя и кратко, эффект отклонения распределения от предполагаемой нормальности. Они провели эксперимент Монте-Карло с равномерными распределениями с общими известными дисперсиями (см. [Be hhofer et al., 1968, p. 266 — 267, 348, 363]). Для k = 3, б = 0,2 и 0,40 < Р < 0,99 ими было найдено, что в НПС вероятностное требование уравнения (1) легко выполнялось. Они пришли к выводу, что в общем случае их метод нечувствителен к нарушению нормальности, так как он зависит только от различий между суммами независимых переменных, так что применима центральная предельная теорема. В нашем эвристическом варианте используются оценки дисперсии, но они остаются несмещенными для распределений с нарушенной нормальностью. [c.248]