Обработка результатов моделирования

Введение
При моделировании мы создаем математическую модель системы или процесса, обычно на компьютере, и исследуем поведение модели, выполняя моделирование. Симуляция состоит из многих-часто тысяч-испытаний. Каждое испытание-это эксперимент, в котором мы предоставляем численные значения для входных переменных, оцениваем модель для вычисления числовых значений для результатов, представляющих интерес, и собираем эти значения для последующего анализа.
Для решения задачи моделирования процессов обработки информации используется язык GPSS World student version, который позволяет достоверно воссоздать систему массового обслуживания, обрабатывающую приложения, и представить процесс моделирования и его результат.
Обработка результатов моделирования
При моделировании создается математическая модель системы или процесса, обычно на компьютере, и исследуем поведение модели, выполняя моделирование. Симуляция состоит из многих-часто тысяч-испытаний. Каждое испытание-это эксперимент, в котором предоставляются численные значения для входных переменных, оценивается модель для вычисления числовых значений для результатов, представляющих интерес, и собираются эти значения.
Моделирование дает множество возможных значений для результатов, о которых мы заботимся - от чистой прибыли до воздействия на окружающую среду. Роль имитационного анализа заключается в обобщении и обработке результатов таким образом, чтобы обеспечить максимальную проницательность и помочь в принятии решений. Очень полезно создавать диаграммы, чтобы помочь нам визуализировать результаты, такие как частотные диаграммы и диаграммы кумулятивной частоты.[1]
Моделирование использует выборку возможных значений ваших неопределенных переменных; следовательно, любая статистика, полученная в результате моделирования, включает некоторую степень ошибки выборки. Доверительные интервалы помогают оценить эту ошибку, а также оценить диапазон или интервал, в котором вы можете быть уверены, что истинная статистика лежит на указанном вами уровне доверия.
Диаграммы и графики
Моделирование дает множество возможных значений для результатов, о которых мы заботимся - от чистой прибыли до воздействия на окружающую среду. Роль имитационного анализа заключается в обобщении и анализе результатов таким образом, чтобы обеспечить максимальную проницательность и помочь в принятии решений. Очень полезно создавать диаграммы, чтобы помочь нам визуализировать результаты, такие как частотные диаграммы и диаграммы кумулятивной частоты.
А)
Б)
Рис.1 А) Диаграмма частоты Б)Кумулятивная частотная диаграмма
 
Статистическая мера
Статистические данные часто играют ключевую роль в обобщении диапазона значений для каждого результата, представляющего интерес в имитационном анализе. Когда результат важен для нас, статистика оживает!
Хороший программный комплекс моделирования, такой как Frontline Risk Solver, предоставляет различные статистические данные:
Показатели центральной тенденции, такие как среднее, медиана и модус.
Меры вариации, такие как дисперсия или стандартное отклонение, асимметрия и эксцесс.
Такие меры риска, как среднее абсолютное отклонение, вариация или меньший частичный момент и полувариация.
Квантильные показатели, такие как процентили, кумулятивные целевые показатели, величина риска и условная величина риска.
Доверительные интервалы, которые говорят нам, насколько близко наше вычисленное выборочное среднее или стандартное отклонение к истинному значению.
Важно рассматривать квантильные показатели, такие как процентили и величина риска, в дополнение к показателям центральной тенденции и вариации. Квантильные меры помогут вам ответить на такие вопросы, как “сколько денег мы можем потерять с вероятностью 5% или 10%?"или" каковы шансы, что мы заработаем хотя бы 100 000 долларов?- на основе вашей имитационной модели.[1]
Моделирование использует выборку возможных значений ваших неопределенных переменных; следовательно, любая статистика, полученная в результате моделирования, включает некоторую степень ошибки выборки . Доверительные интервалы помогают оценить эту ошибку, а также оценить диапазон или интервал, в котором вы можете быть уверены, что истинная статистика лежит на указанном вами уровне доверия.
Анализ чувствительности
Мощным инструментом оценки результатов моделирования является анализ чувствительности, который может помочь нам определить неопределенные входные данные, оказывающие наибольшее влияние на наши ключевые результаты. Например, диаграмма торнадо может дать нам быстрый визуальный обзор неопределенностей с наибольшим положительным и отрицательным влиянием на чистую прибыль. Используя программное обеспечение , мы также можем запускать несколько симуляций, причем входные данные, которые мы выбираем, принимают различное значение для каждой симуляции, и оценивать результаты. Анализ модели может дать нам больше информации, но также и понимание нашей реальной проблемы.[2]
Рис

. 2.Диаграмма Торнадо
Параметризованное моделирование
Еще одним мощным методом анализа имитационного моделирования является параметризованное моделирование . В этом методе мы проводим серию симуляций, где мы изменяем значение одной или нескольких переменных, которые мы можем контролировать, таких как цена предложения, уровень пополнения запасов или распределение инвестиционных фондов по различным классам активов. Каждый запуск моделирования проверяет широкий диапазон значений неопределенных переменных в нашей модели, собирает результаты для наших результатов, представляющих интерес, и создает сводную статистику, диаграммы и графики. Затем мы можем сравнить различные симуляции друг к другу, чтобы лучше понять, как изменение переменной решения влияет на наши результаты, в присутствии неопределенности.
Обработка и анализ результатов моделирования
Решения, принимаемые исследователем на основе результатов моделирования, могут быть конструктивными только при соблюдении двух основных условий:
-полученные результаты обладают требуемой точностью и достоверностью;
-исследователь способен правильно интерпретировать полученные результаты и знает, как их можно использовать.
Возможность выполнения первого условия в основном закладывается на этапе разработки модели и частично на этапе планирования эксперимента. Достоверность результатов моделирования предполагает, что модель, используемая для их получения, не только "правильна", но и отвечает некоторым дополнительным требованиям, предъявляемым к моделям моделирования. Эти требования и методы оценки того, соответствует ли им созданная модель, обсуждаются ниже. Способность исследователя правильно интерпретировать полученные результаты и принимать на их основе важные решения существенно зависит от степени соответствия формы представления результатов целям моделирования.[2]
Если разработчик модели уверен, что полученные результаты будут использованы в соответствии с одной четко определенной целью, то форма их представления может быть определена заранее