Poslovne

simulacije

3. Monte Carlo simulacije

M. Zeki-Suac, EFO
to ete nauiti u ovom poglavlju
Kako se izgrauju modeli sluajnih varijabli
to je Monte Carlo simulacija
Kako se izgrauje model Monte Carlo
simulacije
Kako se analizira model Monte Carlo simulacije
Primjere Monte Carlo simulacija

M. Zeki-Suac, EFO
Upotreba sluajnih varijabli i
simulacija
U prethodnim poglavljima, ulaznim varijablama
u simulacijskim modelima dodijeljene su neke
unaprijed utvrene vrijednosti.
U stvarnim pojavama, esto su varijacije
vrijednosti ulaznih varijabli nepredvidive. Takve
su varijable sluajne, tj. varijable ije se
vrijednosti ne mogu predvidjeti sa sigurnou.
Kod tablinih kalkulatora postoje generatori
sluajnih brojeva, npr. funkcija RAND() e kao
rezultat dati jednoliko raspodijeljeni sluajni broj
izmeu 0 i 1.
M. Zeki-Suac, EFO
Sluajne varijable u alatu Risk
Solver
Upotrebu sluajnih varijabli u alatu Excel omoguuje dodatak (Add-in) pod
nazivom Risk Solver Platform (ovaj dodatak ne dolazi s instalacijom Excel-
a, nego ga je potrebno posebno instalirati sa stranice proizvoaa i alat
nije besplatan, ali je omogueno javno koritenje u evaluacijskom
razdoblju od 15 dana).
Risk Solver Platform raspoloiv je na adresi: http://www.solver.com/risk-
solver-platform (za download free trial potrebna registracija)
S pomou Risk Solvera mogue je napraviti:
optimizacijske modele koji su ukljueni i u osnovni alat Solver,
ali i dodatne simulacije rizika koje ukljuuju sluajne varijable (Monte
Carlo simulacije).

Izgled trake Risk Solver Platform alata u Excelu.

M. Zeki-Suac, EFO
Suelje Risk Solver Platform alata

M. Zeki-Suac, EFO
Jednolika sluajna razdioba
Ukoliko procjenjujemo da neka varijabla moe poprimiti ogranieni broj
vrijednosti (npr. 1,2, ili 3), te da je vjerojatnost pojavljivanja svake mogue
vrijednosti jednaka, tada se koristi jednolika ili uniformna razdioba
(distribucija) za dodjeljivanje vrijednosti toj sluajnoj varijabli
Primjer upotrebe jednolike (uniformne) sluajne varijable u alatu Risk Solver za
Excel:
Ako imamo 3 scenarija (oznaena brojevima 1,2,3), i pretpostavljamo da je
jednaka vjerojatnost da e se dogoditi scenario 1,2, ili 3, tada bi funkciju
koja dodjeljuje vrijednosti varijabli scenario, napisali ovako:
=PsiIntUniform(1;3)
Tipkom F9 ponovno se dobije drugi sluajni broj iz intervala od 1 do 3.

Histogram
vrijednosti za ovu
funkciju dobiven u
alatu Risk Solver
M. Zeki-Suac, EFO
Platform
Kontinuirana sluajna razdioba
Kod kontinuiranih vrijednosti varijabli (realnih brojeva),
potrebno je koristiti neku od razdioba za takve vrijednosti.
Kod stvarnih pojava najea je normalna razdioba
(Gauss-ova) kod koje je najvei broj vrijednosti oko
aritmetike sredine.
Primjer: izgled normalne razdiobe ako
npr. pretpostavimo da e se cijena
dionice neke tvrtke kretati na taj nain,
s tim da je srednja vrijendost cijene =
25kn, a standardna devijacija
(prosjeno odstupanje od srednje
vrijednosti) = 5 kn.
- Kreirano u alatu Risk Solver Platform

M. Zeki-Suac, EFO
 Kontinuirana sluajna razdioba -
nastavak
Ako bismo npr. eljeli generirati cijene dionica kroz 17 dana prema toj razdiobi,
rezultat u Risk Solver alatu bi bio ovakav:

Graf kretanja
cijene dionice
koja se kree
po sluajnoj
normalnoj
razdiobi oko
srednje
vrijednosti 25,
stdev=5
M. Zeki-Suac, EFO
Kontinuirana sluajna razdioba -
nastavak
Ako bismo, umjesto
normalne, izabrali
trokutastu razdiobu
cijena dionica
(naredba Risk
Solver Platform /
Distribution /
Common /
Triangular, graf
razdiobe bi
izgledao ovako:
Kao minimalna
vrijednost izabrana
je 19, najea 25,
a maksimalna 30. M. Zeki-Suac, EFO
 Kontinuirana sluajna razdioba -
nastavak
Generiranje cijena dionica kroz 17 dana prema toj razdiobi, dalo bi ovakav rezultat
u Risk Solver alatu (slian kao kod normalne razdiobe, ali drugaiji):

Upisana formula:
=PsiTriangular(19,25,30)

M. Zeki-Suac, EFO
Monte Carlo simulacije
= Vrste simulacija koje se temelje na sluajnim
vrijednostima varijabli
Povijest razvoja (prema
http://hr.wikipedia.org/wiki/Monte_Carlo_simulacija):
metoda izvorno osmiljena u Los Alamos dravnom laboratoriju
SAD-a, nakon 2.svj. rata za potrebe vojnih simulacija.
1946. Stanislav Ulam predloio koritenje sluajnog uzorkovanja
za simuliranje putanja neutrona,
1947. John von Neumann razvio detaljan prijedlog za takvu
simulaciju
Ulam i Metropolis objavljuju radove koji populariziraju upotrebu
ove metode
1950- tih naglo rastu istraivanja takve vrste simulacija
Zbog upotrebe sluajnih brojeva, metoda je nazvana Monte Carlo
po gradu u dravici Monako, slavnom po svojim kockarnicama
M. Zeki-Suac, EFO
Kada koristiti Monte Carlo
simulacije?
Kada je potrebno donijeti procjenu prognozu ili odluku
u situaciji gdje postoji znaajna neizvjesnost o kretanju
vrijednosti nekih varijabli
Ukoliko postoji neizvjesnost, nije dobro uzeti prosjenu
vrijednost varijable, nego neku sluajnu razdiobu
Dr. Sam Savage, autoritet u podruju simulacija: "Many
people, when faced with an uncertainty ... succumb to
the temptation of replacing the uncertain number in
question with a single average value. I call this the flaw
of averages, and it is a fallacy as fundamental as the
belief that the earth is flat. (FrontLine Systems, 2013)
M. Zeki-Suac, EFO
Primjer 1 - Simulacija prognoze
poslovanja
U okviru alata Risk Solver kao jednostavan primjer Monte Carlo
simulacije naveden je Business Forecast.xls).
U njemu se sluajno izmjenjuju tri scenarija na tritu, a profit se
dobiva kao srednja vrijednost sluajno dobivenih profita u mnogo
iteracija simulacije

Kao
oekivana
vrijednost
profita uzima
se prosjek
sluajno
dobivenih
vrijednosti

M. Zeki-Suac, EFO
Primjer 1 nastavak (rezultati
Monte Carlo simulacije
Histogram rezultata simulacije pokazuje koja je vjerojatnost
dobivanja odreenih vrijednosti profita (za svaku vrijednost profita
moe se dobiti gornja i donja granica sa pripadajuom sigurnou)
Ova se simulacija moe koristiti i za procjenu i planiranje rizika

M. Zeki-Suac, EFO
Primjer 1 - primjena
Ovaj se primjer simulacije moe koristiti za
procjenu oekivanog profita u nekom razdoblju
poslovanja, kada su obujam prodaje, cijena i
trokovi neizvjesni
Osim u tu svrhu, model se moe koristiti za
what-if analizu rezultata pod razliitim uvjetima
na tritu (promjenom vrijednosti cijena,
koliina, ili drugih ulaznih varijabli i praenjem
to se dogaa s profitom npr. ako se cijena
smanji ili povea)
M. Zeki-Suac, EFO
Primjer 2 Simulacija broja
potrebnih djelatnika
Workforce plan model model izrauna broja potrebnih djelatnika
(odnosno altera) potanskog ureda (raspoloiv u alatu Risk
Solver Platform)
Cilj: odrediti potreban broj djelatnika (altera) u potanskom uredu
u kojem je broj stranaka odreen po sluajnoj razdiobi
Ulazne varijable:
Broj klijenata koje jedan djelatnik moe usluiti dnevno (npr. 30)
Broj klijenata koji ulaze u potanski ured (odreen po nekoj
sluajnoj razdiobi, npr. trokutastoj: minimalno 5, najee 50,
maksimalno 100)

M. Zeki-Suac, EFO
Primjer 2 - nastavak
Podaci za simulaciju izgledaju ovako u Excelu:
H18
=PsiTriangular(5;30;100)
H19
=CEILING(H19/H18;1)
H21
=PsiMean(H21)
H22 Ovo je rezultat simulacije
dakle u prosjeku je potrebno 2
djelatnika
Ovdje se izraunava koliki %
potranje je zadovoljen ako
se zaposli odreeni broj
djelatnika. Vidljivo je da je 4
djelatnika dovoljno da se
100% potranje zadovolji, tj.
da nitko od klijenata ne eka.
 Primjer 2 - nastavak
Nakon unosa ulaznih vrijednosti, simulacija se pokree u
1000 iteracija (koje simuliraju 1000 dana) i dobivaju se
rezultati grafiki i brojano
Rezultati histogram broja djelatnika s pripadajuim
frekvencijama pojavljivanja u simulaciji
Broj iteracija Iz grafikona se vidi da je
u 500 iteracija simulacije
dobiveno da je 2
djelatnika dovoljno, dok
je u 260 iteracija bio
dovoljan 1 djelatnik, u
oko 220 iteracija je bilo
dovoljno 3 djelatnika, a u
samo malom broj
iteracija je potrebno 4
M. Zeki-Suac, EFO
djelatnika.
Broj potrebnih djelatnika
Primjer 2 - Nastavak
Ako se pogleda histogram dolazaka klijenata u
potanski ured, vidljivo je da on slijedi trokutastu
razdiobu koja je zadana na poetku (broj klijenata koji
dolazi je bio ulazna varijabla)
Vjerojatnost pojavljivanja
(0-1)

M. Zeki-Suac, EFO
Broj klijenata koji ulaze
Primjer 2 - primjena
Ovaj se primjer simulacije moe koristiti za
procjenu broja potrebnih djelatnika, altera,
blagajni u prodavaonicama ili ugostiteljskim
objektima i sl.
Osim u tu svrhu, model se moe koristiti za
what-if analizu rezultata pod razliitim uvjetima
(promjenom uestalosti dolazaka klijenata,
promjenom broja kupaca kojeg jedan djelatnik
moe usluiti) i praenjem to se dogaa s
rezultatom (brojem potrebnih djelatnika)
M. Zeki-Suac, EFO
Zakljuak
Monte Carlo simulacije ukljuuju sluajne
varijable, tj. rizik i neizvjesnost u pojavljivanju
ulaznih vrijednosti, te su stoga pogodne za
simuliranje realnih problema
Modele za Monte Carlo simulacije mogue je
izgraditi koritenjem nekih sluajnih razdioba
(jednolike, normalne, trokutaste ili dr.)
Rezultati Monte Carlo simulacija mogu se
koristiti i dobivanje oekivanih vrijednosti i za
what-if analize
M. Zeki-Suac, EFO
Literatura
1. eri, V., i dr., Informacijska tehnologija u poslovanju, Element,
Zagreb, 2004.
2. eri, V., Varga, M., Birolla, H., Poslovno raunalstvo, Znak,
Zagreb, 1998.
3. FrontLine Systems, Monte Carlo Simulation Tutorial,
http://www.solver.com/monte-carlo-simulation-tutorial,
15.10.2013.
4. Wikipedia, Monte Carlo simulacija,
http://hr.wikipedia.org/wiki/Monte_Carlo_simulacija, 17.11.2009.

M. Zeki-Suac, EFO