Master studij EFSA - EFZG

METODE SIMULACIJE STATISTIKIH MODELA MONTE CARLO METODA

PRISTUPNI RAD

Predmet: Primjena statistike u SUK-u Mentor: prof.dr. Ensar ehi Student: Jasmin Smajlovi Index: 1211- UK/10 Smjer: Upravljanje kvalitetom

Sarajevo, oktobar, 2013.

SADRAJ

UVOD ........................................................................................................................................2 1. OSNOVE SIMULACIJA ............................................................................................3 1.1.Vrste simulacionih modela .......................................................................................4 2. MONTE CARLO METODA ......................................................................................4 2.1.Oblast primjene ........................................................................................................6 2.2.Metoda Monte Carlo ................................................................................................7 2.3.Opis stvaranja motode ..............................................................................................8 3. PRIMJER ...................................................................................................................10 3.1.Simuliranje rada jednokanalnog sistema masovnog usluivanja ...........................10 4. ZAKLJUAK .............................................................................................................13 5. LITERATURA ...........................................................................................................14

UVOD

Uopteno govorei simulacija znai formulisati simulacijski model kojim se priblino imitira ponaanje sistema utvrivanjem zavisnosti koje se stvarno nalaze u sistemu, odnosno utvrivanjem interakcija izmeu elemenata sistema. Kategorizacija simulacionih modela jeste: statiki-dinamki, kontinuirani-diskrenti, stohastiki deterministiki, a etiri osnovne vrste su: kontinualna simulacija koja se koristi za dinamike probleme kod kojih se promjenjiva stanja mijenjaju kontinualno u vremenu., simulacija diskretnih dogaaja koja se bavi modeliranjem sistema koji se mogu predstaviti skupom dogaaja, mjeovita simulacija koja se uvodi da bi se modelirali oni sistemi koji sadre procese i dogaaje i Monte Carlo simulacija. Sutina Monte Carlo simulacije je da se, umjesto opisa sluajne pojave pomou analitikih veza, izvede simulacija iste pojave u cilju dobijanje realizacije. Dobijanje realizacije se izvodi imitacionim modeliranjem ili simuliranjem, pomou sluajnih brojeva. Nakon svakog ponavljanja postupka, u rezultatu se dobija po jedna realizacija prouavane sluajne pojave. Simulacija se izvodi odreeni broja puta, a skup dobijenih realizacija predstavlja statistiki materijal, koji se odreenim statistikim metodama obrauje i interpretira. Dananjica, kao prednost metodi Monte Carlo, donosi raunare velikih brzina obrade podataka, koji mukotrpan posao raunanja pojednostavljuju do minimalnih granica. Iako je ova metoda, u velikom broju sluajeva, znatno jednostavnija od primjene analitikih metoda, primjena ove metode je ispravna samo u sluaju nemogunosti modeliranja analitike zavisnosti izmeu parametara, ili radi provjere analitike metode. Monte Carlo simulacija je razvijena 1940. godine, kao dio programa atomske bombe. Naunici u Los Alamos National Laboratory, u Americi, su je koristili da bi odredili sluajnu difuziju neutrona. Naunici, koji su razvili ovu simulaciju, nazvali su je Monte Carlo, prema gradu u Monaku i njegovim poznatim kazinu. Danas, Monte Carlo simulacija se koristi u irokoj oblasti, ukljuujui: fiziku, ekonomiju, matematiku i druge.

1. OSNOVE SIMULACIJA Simulirati ponaanje sistema znai formulisati simulacijski model kojim se priblino imitira ponaanje sistema utvrivanjem zavisnosti koje se stvarno nalaze u sistemu, odnosno utvrivanjem interakcija izmeu elemenata (komponenti) sistema. Ove interakcije mogu se utvrditi matematiki ili statistiki. Kategorizacija simulacijonih modela najee se sprovodi: Statiki-Dinamiki Statiki model opisuje sistem kod kojih protok vremena ne igra nikakvu ulogu i ne utie na ponaanje sistema. Dinamiki model opisuje stanje sistema u vremenu pratei stanje preko vrijednosti razliitih veliina koje se odnose na pojedine elemente modela. Modeli sistema rukovanja materijalom po svojoj prirodi su najee dinamiki. Kontinualni-Diskretni (ovakva kategorizacija upuuje na dominantno ponaanje sistema, rijetko koji sistem je u cijelosti kontinualan ili diskretan) Kontinualan model je sistem kod kojih promjenljive mijenjaju vrijednost kontinualno u vremenu ( npr. koliine robe na trakastom transporteru) Diskretni model , podrazumijeva da do promjene stanja dolazi samo u odreenim vremenskim trenucima (npr. dolazak vozila na front pretovara, odnosno, vrijednost promjenljive koja prati broj vozila prispjelih na pretovar). Mogue je opisivati diskretne modele sa kontinualnim i obrnuto. Deterministiki-Stohastik Deterministiki simulacijoni modeli su oni kod kojih su sve promjenljive stanja deterministike veliine. Zasnivaju se na matematskim strukturama kao: algebarske diferencijalne, parcijalne integralne i druge jednaine, to implicira na jednoznanu zavisnost izlaznih od ulaznih veliina, bez utjecaja poremeaja. Stohastiki simulacijoni modeli kod kojih je bar jedna promjenljiva sluajna veliina. Kada je sistem izloen djelovanju poremeajnih veliina ne kontroliranih vrijednosti. Stanje sistema se opisuje na osnovu statistike obrade eksperimentalnih rezultata, to rezultira generisanjem stohastikih modela sistema. Polazite za prouavanje i analizu stohastikih procesa je teorija matematike vjerovatnoe sa teorijom stohastikih procesa. Simulacija ima vrlo iroku primjenu od rjeavanja problema npr. u matematici (priblino izraunavanje integrala, rjeavanje diferencijalnih jednaina i sl.), preko rjeavanja problema u vojnoj strategiji i taktici do rjeavanja problema poslovnog odluivanja (upravljanje zalihama, ponaanje potroaa, poslovna prognostika i sl). Znaajnije primjene simulacije baziraju se na mogunosti koritenja raunara da numerike proraune provedu dovoljno efikasno. To pospjeuju simulacioni programi kao to su: - GPSS (General Purpose Simulation System), - SIMSCRIPT (Simulation Scriptum), - SIMULA, - DYNAMO i dr.
3

1.1 Vrste simulacionih modela Postoje etiri osnovne vrste simulacionih modela1: 1. Kontinualna simulacija (dinamika) se koristi za dinamike probleme kod kojih se promjenjiva stanja mijenjaju kontinualno u vremenu. Postoje dvije klase problema koji se rjeavaju ovom metodom: - Jednostavni problemi koji su opisani detaljno i kod kojih su promjene glatke, opisiju se diferencijalnim jednainama. To su problemi iz fizike, biologije i ininjerstva. - Problemi koji nastaju opisom veoma sloenih sistema u agreriranom obliku, u kom se niz elemenata sistema redukuje na manji broj komponenata a promjene u sistemu se aproksimiraju konstantnim brzinama promjene. To su najee problemi iz ekonomije i drutvenih nauka. Postoje tri tipa ovih simualcionih modela: Modeli koji se opisuju obinim diferencijalnim jednainama (postoji jedna nezavisna promjenjiva). To su problemi kretanja, fiziki, hemijski, bioloki i drugi procesi gdje se radi o jednoj nepoznatoj funkciji y = Y(t) jedne nepoznate (t). Izraunavaju se matematikim jednainama u kojima pored nezavisne promjenjive i nepoznate funkcije javlja i izvod te funkcije (dy / dt). To su obino diferencijalne jednaine. Modeli koji se opisuju sistemima parcijalnim diferencijalnim jednainama. Postoji vie od jedne nezavisne promjenjive po kojima se trae izvodi zavisne promjenjive. Njima se opisuju problemi aerodinamike, hidrodinamike i meterologije. Modeli dinamike sistema. Modeliraju sisteme sa povratnom vezom.

2. Simulacija diskretnih dogaaja (dinamika) se bavi modeliranjem sistema koji se mogu predstaviti skupom dogaaja. Dogaaj je diskretna promjena stanja entiteta sistema. Nastupa u odreenom trenutku a te promjene stanja entiteta se deavaju diskontinualno u vremenu, tj samo u nekim trenutcima. Izmeu dva uzastopna dogaaja stanje sistema se ne mijenja. 3. Mjeovita simulacija (kontinualno-diskretna) se uvodi da bi se modelirali oni sistemi koji sadre procese i dogaaje. Procesi teku kontinualno dok dogaaji dovode do diskontinuiteta u ponaanju sistema. Tako je razvijena mjeovita simulacija koja integrie diskontinualno i kontinualnu. To se postie uvoenjem dva tipa dogaaja: - Vremenski dogaaji koje generie mehanizam upravljanja dogaajima. Oni mogu da izazovu trenutnu promjenu stanja kontinualne promjenjive. - Dogaaji stanja koja se aktivira mehanizmom pomaka vremena sa konstantnim prirastom. Poznati simulacioni jezici za mjeovitu simulaciju su GASP i SLAM. 4. Monte Carlo simulacija je statistika simulacija kod koje se u rjeavanju problema koristi stvaranje uzorka iz raspodjele sluajnih promjenjivih, a problemi mogu biti i deterministikog i stohastikog oblika. Tipovi primjene Monte Carlo simulacije je opisan u daljnjem dijelu rada

http://www.fonforum.org/download/treca/SIPO/RACUNARSKA_SIMULACIJA_skripta%5B1%5D.pdf

2. MONTE CARLO METODA

2.1. Historijski razvoj Historijski razvoj Monte Carlo metode poinje sa igrama na sreu koje su motivirale matematiare u sedamnaestim i osamdesetim prolog stoljea, prema gledanju rezultata na uzastopnim pokusima kao formiranja niza nasuminih dogaaja. Naziv Monte Carlo, popularizovan od strane prvih istraivaa u ovoj oblasti (Stanislaw Marcin Ulam, Enrico Fermi, John von Neumann i Nicholas Metropolis), je proistekao iz naziva uvenog kazina u Monaku. Koritenje sluajnosti i procesa ponavljanja u metodi je analogno aktivnostima koji se dogaaju u kazinu. Kako su za dobijanje dovoljno tane ocjene traene veliine, potrebna izraunavanja za veoma veliki broj posebnih sluajeva i odgovarajua statistika obrada ogromnog numerikog materijala to je efektivna primjena metode Monte Carlo omoguena tek pojavom elektronskih raunara.2

Slika 1. John von Neuman (1903. - 1957.)

Tokom razvoja atomske energije u kasnom dobu drugog svjetskog rata, naunici su trebali rijeiti problem difuzije neutrona ili transporta kroz izotropian medij. Ovaj multidimenzionalni problem se pokazao teak za rijeit pristupom diferencijalnih jednaina. John von Neuman i Stanislaw Ulam, predloili su da se uzimanje uzoraka eksperimenta radi pomou modela nasuminog koraka i da bi se mogli izvriti na novo razvijenim digitalnim raunarima, koji bi mogli pruiti lahko i brzo upotrebljive i pouzdane procijene prema eljenim rjeenjima.

http://en.wikipedia.org/wiki/Monte_Carlo_method 5

Slika 2. Jedna od prvih atomskih bomba Littel Boy

U fizici, korisnost Monte Carlo metode se time nala u pristupu transporta neurona i problema strukturiranja reetki. U poetku raunarske dobi, relativna sporost prve generacije raunala su omoguila primjenu tehnike smanjivanju razlike najbitnijeg elementa to je bio sastojak uspjene Monte Carlo metode. Meutim, sada analitiar mora zadati tehniku smanjenja razlika za svaki problem posebno, a ovo zadavanje uzima najvie vremena. U dobi u kojima su mikroraunari bili lake dostupni i broj radnih stanica porastao, kako bi mogli ouvati izvanredno vrijedno vrijeme, dalo je se raunaru da obavi teki posao za dugo sati da dobije rjeenje putem standardnog Monte Carlo postupka. Smatrano kao metodoloko skrnavljenje do 1970., kada je se sav Monte Carlo posao obavljao na glavnim raunarima. Slijed ove filozofije je u nekim prilikama se inio razumnim za probleme koji su se mogli prilagoditi u vremenskim i prostornim segmentima u mikroraunaru ili radnim stanicama.

2.2. Oblast primjene Monte Carlo metoda se primenjuje u raznim simulacijama koje koriste sluajne brojeve. Najee se metoda koristi samo za statike tipove simulacija kod kojih se u reavanju problema koristi stvaranje uzoraka iz raspodjela sluajnih promenljivih. Pri tome, problemi mogu biti bilo deterministikog, bilo stohastikog karaktera. Razlikujemo sledee primjene Monte Carlo simulacije3: 1. Deterministiki problemi koje je teko ili skupo rjeavati. Tipian primjer je korienje ovog metoda za izraunavanje odreenih integrala koji se ne mogu rijeiti analitiki. Monte Carlo metoda se u ovom sluaju koristi za generisanje niza sluajnih taaka (xj,yj) sa jednakim vjerovatnoama unutar odreenog pravougaonika. Zatim ispituje koliko je generisanih taaka sadrano u povrini koja odgovara integralu. 2. Sloeni fenomeni koji nisu dovoljno poznati. Ovo je druga klasa problema koje se rjeavaju uz pomo Monte Carlo metoda. Ove probleme karakterie to da nije poznat nain uzajamnog djelovanja izmeu elemenata, ve su poznate samo vjerovatnoe
3

M. Jovanovi: Predavanja Logistike simulacije, Ni 6

njihovog ishoda. Verovatnoe se koriste za izvoenje niza eksperimenata koji daju uzorke moguih stanja zavisnih promenljivih. Statistikom obradom rezultata dobija se raspodjela vjerovatnoa zavisnih promenljivih koje su od interesa. Drutveni i ekonomski problemi se rjeavaju na ovaj nain. 3. Statistiki problemi koji nemaju analitika rjeenja. Statistiki problemi bez analitikog rjeenja (npr. procjene kritinih vrijednosti ili testiranje novih hipoteza) su jedna specifina klasa problema koji se rjeavaju Monte Carlo simulacijom. Rjeavanje takvih problema takoe se zasniva na generisanju sluajnih brojeva i promenljivih.

2.3. Metoda Monte Carlo4 Numeriki statistiki simulacioni algoritmi namijenjeni su za rjeavanje sloenih upravljakih zadataka, deterministikog ili, veinom, stohastikog karaktera, ije je rjeavanje simbolikim putem veoma oteano ili ak neizvodivo. Princip rada ovih algoritama relativno je jednostavan. Rjeenja postavljenog analitikog modela dobivaju se na osnovu numerikog ispitivanja, eksperimentalno na modelu odreujui statistike parametre, putem razvijenog simulacionog algoritma. Na taj nain dobiva se aproksimativno rjeenje datog analitikog zadatka koji zadovoljava postavljenu funkciju kriterijuma sa nekim stepenom pouzdanosti. Jedan od numerikih statistikih algoritama koji je naao veliku primjenu u inenjerskoj praksi, a naroito pri opisivanju problema koji su povezani sa pitanjima transportnih tokova je Monte Carlo algoritam (slika3). Kljuna prednost Monte Carlo pristupa se krije u injenici da se gotovo svako okruenje tj. prouavani sistem moe dovoljno tano modelirati, za razliku od deterministikih algoritama koji su podloni brojnim ogranienjima. Ova ogranienja u znaajnoj mjeri oteavaju, a esto i onemoguavaju modeliranje realnog okruenja to iziskuje odreena uoptenja posmatranog sistema zbog ega i rezultati tako dobivenih modela ne opisuju najbolje stanje sistema .

Slika3. Monte Carlo simulacija fizikalnog sistema

. Zrni, D. Petrovi: Stohastiki procesi u transportu, Beograd, 1987 godine 7

Monte Carlo simulacija je kompjuterski podrana matematika metoda koja omoguava proraun i analizu rizinih ulaganja i donoenju odluka. Metoda se koristi u mnogim poljima kao to su: financije, voenje projekata, energija, proizvodnja, inenjerstvo, istraivanje i razvoj. Monte Carlo simulacija opskrbljuje donositelja odluke sa irokim poljem moguih ishoda i vjerovatnosti koje e se desiti na osnovu izbora djelovanja. Pokazuje ekstremne vjerovatnoe, ishode koje su najkonzervativnije i one koje to nisu. Na slici 3 opisan je slijed Monte Carlo metode gdje se vidi da se posmatrani sistem podvrgava sluajnim dogaajima koji se opisuju funkcijom vjerovatnoe, simuliranjem podataka koji su dobiveni uzorkovanjem dobivamo eljene rezultate. Sluajni dogaaji koji karakteriziraju neki sistem su opisani odgovarajuim raspodjelama, koje su u veini sluajeva poznate. Obino se raspodjele dobivaju pomou temeljnih predpostavki statistikih skupova (statistiko ponaanje sistema) ili preko velikog broja uzoraka. Naravno, postoje sluajevi u kojima je raspodjela nepoznata, niti se zna da li je pretpostavka zadovoljavajua. Ova vrsta sluajeva moe se osloviti Monte Carlo simulacionom metodom. Neke upotrebe Monte Carlo metode za statistiko zakljuivanje su sljedee: Vrenje statistike obrade ako je postupak analitikim putem neizvodljiv Zakljuivanje uinkovitosti izmjenom pretpostavki Testiranje nulte i alternativne hipoteze pod razliitim uvjetima; Ocjenjivanje rezultata koji su dobiveni metodom zakljuivanja, usporeivanjem kvalitete procjenitelja.

Kada je malo saznanje o raspodjeli uzoraka, esto se koristi metoda bootstrap (Efron i Tibshirani 1993.). Metoda bootstrap je metoda Monte Carlo simulacije u kojoj nema parametarskih predpostavki o osnovnoj populaciji iz koje se generiraju nasumini uzorci. Umjesto toga se koristi uzorci kao izvor podataka populacije. 2.4. Opis stvaranja metode Monte Carlo simulacija obavlja analizu rizika izgradnjom modela moguih rezultata zamjenom raspona vrijednosti (raspodjele vjerovatnosti) za bilo koji faktor koji ima svojstvenu nesigurnost. Tada, rauna rezultate iznova i iznova, svaki put koristei drugaiji skup sluajnih vrijednosti iz funkcije vjerovatnosti. Ovisno o broju sluajnih dogaaja i njihovog dijapazona moguih ishoda, Monte Carlo simulacija moe obuhvatiti hiljadu ili desetke hiljada rekalkulacija prije nego to je dovrena. Monte Carlo simulacija stvara distribucije moguih izlaznih vrijednosti (ishoda). Kada se izvrava Monte Carlo metoda postoje 4 koraka koja treba da se izvedu: Definisati distribuciju (raspodjelu) moguih ulaza za svaku nasumice odabranu ulaznu varijablu (promjenljivu); Generirati sluajne ulaze na osnove odabrane distribucije (raspodjele); Izvriti deterministiki proraun koristei taj skup ulaza; Objedini rezultate pojedinih prorauna u zavrni rezultat.

Ova etiri koraka zahtijevaju potrebne komponente, kako bi se postigao zavrni rezultat. Te komponente mogu ukljuiti slijedee korake: Raspodjele vjerovatnoa funkcije za svaku sluajnu promjenljivu; Generator sluajnih brojeva; Pravilo uzimanja uzoraka - propis uzimanja uzoraka iz funkcije gustine raspodjele f(x); Bodovanje - metoda kombiniranja rezultata za svaki ponovljen proraun u zavrni rezultat Procjena pogreke procjena statistike greke simulacije izlaza u ovisnosti o broju ponavljanja i drugih parametara.

Korak 1 Zahtjeva od modelatora da uskladi statistike distribucije za svaku ulaznu promjenljivu. Ako je raspodjela poznata ili postoji dovoljno podataka o njoj, onda je ovaj korak jednostavan. Meutim, ako ponaanje ulaznih varijabli (promjenljivih) nije dovoljno shvaeno, onda modelator mora procijeniti ovu raspodjelu na temelju empirijskih posmatranja ili oslonit se na svoju strunost iz ove oblasti. Modelator, takoer moe da koristi uniformnu distribuciju, ako nedostaje specifinog znanja o karakteristikama promjenljivih. Kada se dodatne informacije za definiranje promjenljivih prikupe, mogue je uniformnu raspodjelu zamijeniti sa odgovarajuom raspodjelom. Korak 2 Zahtjeva nasumino uzimanje uzoraka za promjenljive ulazne distribucione veliine, mnogo puta da bi se razvio vektor ulaza za svaku varijablu. Mogu se pretpostaviti dvije ulazne sluajne varijable X i Z. Nakon uzorkovanja n puta, dobiva se = (1, 2, . . . , ) i = (1, 2, . . . , ). Elementi iz tih vektora se zatim redom izabiru kao ulazi u funkciji definiranja modela. Pitanje koliko veliko treba da bude n, je veoma vano, jer broj uzoraka odreuje mo izlaznog statistikog ispitivanja, odnosno tanost. Kako se broj uzoraka poveava, standardna devijacija (mjera rasprenosti podataka, prosjeno odstupanje od iznosa i to u apsolutnom iznosu) statistikog ispitivanja raste. Drugim rijeima, postoji manje odstupanje na izlazu sa veim brojem uzoraka. Meutim, poveanje moi (tanosti) nije linearno sa brojem uzoraka. Inkrementalno poboljanje tanosti se smanjuje za faktor od oko 1 , tako da postoji taka u kojoj vie uzimanja uzoraka daje mala poboljanja. Korak 3 Ukljuuje redom odabrane elemente iz nasumino generiranih ulaznih vektora i raunanje vrijednosti izlazne varijable ili varijabli sve dok se svih n izlaza generira za svaku izlaznu varijablu. Korak 4 Ukljuuje zbrajanje svih rezultata. Ako se pretpostavi da postoji jedna izlazna varijabla Y. Tada dobivamo kao rezultat izlazni vektor Y=(y1,y2,...yn). Nakon ega se mogu obaviti razliite statistike testove na Y, kako bi analizirali izlaz.

Koritenjem raspodjele vjerovatnoe, varijable mogu imati razliite vjerovatnoe razliitih izlaznih vrijednosti (dogaaja). Distribucija (raspodjela) vjerovatnoe je mnogo realniji nain za opisivanje neizvjesnih varijabli u analizi sistema. Korak 5 Predstavlja standardnu pogreku aproksimacija ( ). Veliina greke ne zavisi o veliine integrala funkcije koja opisuje posmatrani sistem, a takoer se smanjuje pogreka Monte Carlo analiza sa kvadratnim korijenom broja uzoraka.

3. PRIMJER 3.1.Simuliranje rada jednokanalnog sistema masovnog usluivanja Upotrebom metode Monte Carlo treba oponaati rad jednokanalnog sistema masovnog usluivanja. Praenjem je utvreno da klijenti dolaze na usluivanje u vremenskom razmaku od 6, 7, 8 i 9 minuta, a usluivanje po jednom klijentu trajalo je 4, 5, 6, 7 i 8 minuta. U tabelama su prikazane vjerovatnoe dolazaka i usluivanja.
Tabela 01. Vrijeme dolaska i usluivanja klijenata

Razmak izmeu dolazaka klijenata u minutima 6 7 8 9

Vjerovatnoa 0,2 0,2 0,5 0,10

Vrijeme usluivanja klijenata u minutima 4 5 6 7 8

Vjerovatnoa 0,1 0,2 0,4 0,2 0,1

Potrebno je formirati model rada sistema za usluivanje uvoenjem pripadajuih sluajnih brojeva od 00-99. Rad sistema treba oponaati kod opsluivanja 8 klijenata. Za potrebe modela generisani su slijedei sluajni brojevi:

10

Tabela 02. Sluaajni brojevi

Redni broj dolaska 1 2 3 4 5 6 7 8

Sluajni brojevi Razmak izmeu dolaska Vrijeme trajanja usluivanja klijenta 7 73 18 60 25 30 3 22 19 5 69 78 99 95 15 39

Izraunati osnovne karakteristike sistema.

Rjeenje:

Tabela 03. Monte Carlo simulacija

Razmak izmeu dolazaka 6 7 8 9

Vjerovatnoa 0,2 0,2 0,5 0,1

Kumulativ 0,2 0,4 0,9 1

Sluajni brojevi (0-19) (20-39) (40-89) (90-99)

Vrijeme usluivanja 4 5 6 7 8

Vjerovatnoa 0,1 0,2 0,4 0,2 0,1

Kumulativ 0,1 0,3 0,7 0,9 1

Sluajni brojevi (0-9) (10-29) (30-69) (70-89) (90-99)

Redni broj dolaska 1 2 3 4 5 6 7 8

Sluajni broj 7 18 25 3 19 69 99 15

Razmak dolazaka 6 6 7 6 6 8 9 6

Sluajni broj 73 60 30 22 5 78 95 39

Vrijeme usluge 7 6 6 5 4 7 8 6

Sistem je poeo kao prazan u trenutku t=0.

11

Prvi dolazak D1 slijedi nakon 6 minuta pa je t=0+6=6 minuta. Simulacija skae sa 0 na 6 minuta. Drugi dolazak D2 slijedi nakon 6+6=12 minuta. Prvi klijent dobiva uslugu koja traje 7 minuta tako da je njegovo vrijeme odlaska t=6+7=13 m, Vrijeme dok je usluno mjesto prazno je 0+6=6 minuta. Trei dolazak D3 slijedi nakon 12 minuta. Usluno mjesto je zauzeto i klijent staje u red. Duina reda je Lq=0+1=1 (trenutak t = 12 minuta). etvrti dolazak D4 slijedi u t=12+7=19 minuta. Drugi klijent poinje uslugu u t=13 minuta i odlazi u t=13+6=19 minuta. Trei klijent moe odmah na uslugu, itd.
Tabela 04. Monte Carlo simulacija
Vrijeme dolaska 6 6+6=12 12+7=19 25 31 39 48 55 Vrijeme usluge 7 6 6 5 4 7 8 6 Ukupno Poetak usluge 6 13 19 25 31 39 48 56 Vrijeme odlaska 13 19 25 30 35 46 56 62 Duina reda 0 1 0 0 0 0 0 1 2 Usluno mjesto prazno (min) 0 6 13-12=1 0 0 0 0 0 0 1 0 4 0 2 1 0 2 13 Vrijeme ekanja

Klijent 1 2 3 4 5 6 7 8

Prema tome, karakteristike sistema su: u simuliranom periodu objekat je prazan 21% vremena (13/62), prosjeno vrijeme ekanja klijenta je 0,25 minuta (2/8) i prosjena duina reda je 0,3 klijenta (2/62).
D3 O2 D4 O3

D1 D2 O1

O4 D5

O5

D6

O6 D7

D8 O7

O8

12 13

19

25

30 31

35

39

46 48

55 56

62

12

ZAKLJUAK

Simulacije imaju vrlo iroku primjenu od rjeavanja problema npr. u matematici, preko rjeavanja problema u vojnoj strategiji i taktici do rjeavanja problema poslovnog odluivanja (upravljanje zalihama, transporta,usluivanja,ponaanje potroaa, poslovna prognostika i sl). Znaajnije primjene simulacije baziraju se na mogunosti koritenja raunara da numerike proraune provedu dovoljno efikasno. Monte Carlo metoda, kao vrlo znaajan alat u modelima simulacije, predstavlja metodu zasnovanu na statistikim predvianjem i generiranju sluajnih brojeva. Iako osmiljena za igre na sreu, Monte Carlo metoda danas zauzima bitnu ulogu u razvoju proizvoda, hemijskoj industriji, inenjerstvu, ekonomiji, i u mnogim naunim oblastima kao to je fizika i matematika. Ona nam putem simulacija i koritenjem sluajnih brojeva daje dosta dobre aproksimacije nekih, veoma tekih problema. Jedan od razloga iroke primjene ove metode je injenica da veliki dio vanih problema nije mogue rjeiti analitikim putem. Drugi razlog je to to je relativno lako shvatiti osnovne koncepte ove metode i primjeniti ih u praksi. Svaki postavljeni problem, prethodno treba pokuati rjeavati analitiki jer se na taj nain moe doi do tanog rjeenja, dok e Monte Carlo dati priblino rjeenje. Ako nije mogue doi do analitikog rjeenja, Monte Carlo predstavlja koristan i veoma praktian alat za dobijanje traenog rezultata.

13

LITERATURA

D. Tipuri: Poslovno odluivanje, Zagreb, 1994 godine S. Fazlovi: Statistika deskriptivna i inferencijalna analiza, Tuzla, 2006 godine . Zrni, D. Petrovi: Stohastiki procesi u transportu, Beograd, 1987 godine M. Jovanovi: Predavanja Logistike simulacije, Ni

http://bs.scribd.com/ http://en.wikipedia.org http://www.dmi.uns.ac.rs/ http://www.fonforum.org/

14