Metody pro interpretaci výsledků simulacích založených na Monte Carlu

From Simulace.info
Revision as of 17:29, 12 June 2016 by Xmolm00 (talk | contribs) (Proces sestrojení simulace)
Jump to: navigation, search



Úvod

Metoda Monte Carlo je nástrojem pro vytváření kvalifikovaných odhadů na základě předchozích dat. Odhaduje s určitou pravděpodobností vývoj událostí, který nelze určit přímým výpočtem a pracuje s nahodilými proměnnými, kterým se říká pseudonáhodná čísla. Podstatou nástroje není fyzická aplikace, nýbrž metodika jak dosáhnout omezeného počtu odpovědí na jasně danou otázku. Příklad takových otázek může být následující formu: „Bude zítra pršet?“, „Je potřeba se na zítřejší prověrku učit?“ anebo „Zvýší se, a popřípadě o kolik, marže logistického podniku, pokud nahradíme poštovní holuby samořízenými vzdušnými droidy?“ Ačkoliv se můžou zdát některé otázky trochu zvláštní, jedná se o typ otázek, na kterou není možno nalézt jednoznačnou odpověď. Na dotaz, zdali bude zítra pršet, lze odpovědět: „S pravděpodobností 78% pršet nebude.“ Na dotaz lajdáckého studenta může simulace odpovědět, že pokud bude test vypsán kantorem A, s pravděpodobností 99% neuspěje. A právě způsob interpretace výsledků je klíčová pro správné zacházení s rozhodnutím, které bylo simulací nalezeno jako nejvhodnější.

Proces sestrojení simulace

Vytváření simulace začíná otázkou, na kterou nelze přímo odpovědět. Tato otázka by měla být obsahově významná. Pokud toto platí, pak je třeba zjistit, zdali tento problém už nějaká simulace neřešila. Jestliže je nazelena simulace, která je schopna tuto otázku replikovat, pak není třeba simulaci modelovat. Pokud ovšem žádná taková simulace neexistuje, je třeba ji navrhnout a vytvořit.

Dále je nutno ověřit, zdali vytvořený model koresponduje s realitou. Toto je blíže popsáno v kapitole Validace. Také se provádí kontrola verifikací. Verifikací se realizuje kontrola modelu na bázi vnitřní struktury, neboli zda se chování a operace v modelu shoduje s naší představou o chování navrhovaného modelu. Pomocí vytvořeného modelu je třeba simulovat danou problematiku dosazením vstupních parametrů. Simulace na konci zobrazí pravděpodobnou variantu výsledku. Aby byly výsledky simulace relevantní, je třeba ji spustit několikrát za sebou se stejným nastavením parametrů. Výsledky/výstupy se vkládají do tabulky, ze které lze pak vytvářet rozhodovací tabulky, statistické výpočty či konstruovat grafy. O tomto tématu bude pojednáno v kapitole o metodách interpretace výsledků.

Verifikace

Verifikace vs. validace [1]

Jak bylo v úvodu kapitoly zmíněno, jedná se o proces kontroly metod simulace vzhledem k formální specifikaci simulace. Bez verifikace není možné považovat výsledky testů za spolehlivé. Provádí se pomocí skupiny logických oprací, jejichž cílem je ověření nebo vyvrácení navrženého modelu.

Validace

Validací se rozumí procedura, při které se kontroluje chování simulace vzhledem reálnému chování modelovaného příkladu. Zjednodušeně řečeno se ověřují data, která jsou použitá na vstupu i v modelu. Taková data, jejichž interval musí v hodnotách kopírovat "hodnoty" reálného chování. Pokud projde model validací, pak se může říci, že je jeho datová základna správná.

Metody interpretace výsledků

Histogram

Rozdělení výše profitu

Tato metoda je pro interpretaci výsledků jednou z nejrychlejších pohledů na vývoj ze simulace Monte Carlo. Opakované testy, které jsou zapisovány do tabulkového editoru (např. Excel), lze jednoduše statisticky převést na graf. Aby byl graf co možná nejvhodnější, je třeba se držet následujících pravidel:

Osa x je převedena na konkrétní hodnoty
  • Data, která se zde zobrazují, jsou reprezentovány svislou osou y
  • Vodorovná osa x slouží pro jednotku parametru, kterou simulace sleduje
  • Měřítko je třeba uzpůsobit, aby se výsledky nejevili příliš stejné, a aby byl vidět trend grafu

Následující příklad je výsledkem simulace metodou Monte Carlo.[2] Zadání úlohy se týká zjednodušené předpovědi prodejů, kde každý krok simulace bude zaznamenáván do tabulky. Celé zadání si lze přečíst zde.) Společnost XYZ by chtěla vědět, jak bude na trhu výnosná s jejich novým produktem. Zároveň si uvědomuje, že je zde spousta parametrů předem neznámých jako nejistota velikosti trhu, náklady společnosti a její výnosy. Po namodelování této simulace jsou provedeny testy, jejichž výsledky ústějí v tabulku, která má 5000 řádků a je dostupná ke stažení na adrese http://www.vertex42.com/ExcelArticles/mc/SalesForecast.html. Z této tabulky je pak profit převeden do grafu.


Z histogramu lze vyčíst následující informace:

  • Zdá se, že výnos bude většinou pozitivní
  • Nejistota je poměrně velká a to v rozmezí -1000 až 3400
  • Rozdělení neodpovídá dokonalému Normálnímu rozdělení
  • V grafu nejsou extrémní hodnoty, výjimky apod.

Jak je v úvodu uvedeno, ačkoliv lze histogram použít pro takto zevrubná pozorování, spíše je třeba se zajímat o hodnotu. Obecně o to, jestli je vyšší nebo nižší než stanovená hodnota anebo se nachází v/mimo rozmezí ze stanoveného intervalu. V tomto případě byl dotaz formulován tak, že odpověď musí vypadat. Předchozí diagram zobrazoval na ose x jakési bary, které zastupují pouze „slepé“ pravítko. V následujícím obrázku jsou výsledky vyobrazeny tak, aby každý sloupec x měl reálnou hodnotu.

Metoda maximální věrohodnosti

Tato metoda se používá obecně v matematické statistice k odhadu neznámých veličin. Tyto odhady jsou založeny na již pozorovaných datech. Metoda maximální věrohodnosti označuje jednu z centrálních metod matematické statistiky. Úlohou matematické statistiky je, zjednodušeně řečeno, odhad neznámých veličin v závislosti na pozorovaných (experimentálních) datech. K odhadu je zapotřebí vytvořit pravděpodobnostní model skutečné situace a ověřit, zdali je tento model aplikovatelný ve skutečnosti.

Jakým způsobem jsou data zpracována, může čtenář naleznout zde. Důležité ovšem je, že tato metoda pomáhá vytvořit odhad věrohodnosti dat, které jsou výsledkem simulace Monte Carlo. Aby však tato metoda fungovala, musí být model simulace a pravděpodobnostní model odrazem reality. Pokud je vágní či zkreslený, pak je odhadovaný vývoj odhadu nesoudržný s výslednými daty simulace. Dále je pro tuto metodu klíčové mít dostatečné množství dat.

Interval spolehlivosti

95% interval spolehlivosti[3]

Intervaly spolehlivosti jsou spíše nástrojem než metodou statistické analýzy. Definují, s jakou pravděpodobností se vyzkoumaný jev objeví. Tímto se samozřejmě řídí i výsledné hodnoty MC simulace. Příkladem bude 95% interval spolehlivosti. Pokud je vybráno 100 náhodně zvolených hodnot, 95% z nich bude v definovaném intervalu. Aplikováno na výše uvedený příklad z byznysu. Pro 95% výsledků bude profit ležet v intervalu <-1000; 3000> $. V intervalu (0; 3000> bude ležet 70% výsledků. Dále už je rozhodování na odpovědné osobě, zdali chce připustit pro svou firmu 30% riziko nenávratnosti při uvedení nového produktu na trh.

Proč využívat interval spolehlivosti v interpretaci výsledků metody Monte Carlo? Protože ne vždy je výsledek aplikovatelný k pouze jedné hodnotě nebo je tolerance problému omezena.

Například pro firmu je důležité utržit zisk, proto musí být profit větší než 0 a samozřejmě není nijak omezena. Ale pro rozhodnutí, na kolik minut je puštěn kotel k udržování zadané teploty (úloha pro termostat - možný námět na simulaci) musí být hodnota v rozmezí. TO znamená že kotel nemůže být vždy vypnutý a zároveň nikdy neběží donekonečna.

Kolmogorovův-Smirnovův test

Tato metoda [4] [5], která je také součástí matematické statistiky, testuje, jestli 2 proměnné pramení ze stejného rozdělení pravděpodobnosti. Pro výsledky z metody Monte Carlo může být tato interpretace klíčová. Dále testuje, zda má jedna hodnota předpokládané rozdělení. Test existuje ve 2 verzích.


Test pro 1 výběr

Příklad Kolmogorovův-Smirnova testu pro 1 výběr [6]

Testo test ověřuje druh hypotéz, které zkoumají, zda má výsledek testu (proměnná) určité rozdělení (např. normální).

Výběr dat, určený k testování teoretického rozdělení, se uvede hypotézou Failed to parse (MathML with SVG or PNG fallback (recommended for modern browsers and accessibility tools): Invalid response ("Math extension cannot connect to Restbase.") from server "https://en.wikipedia.org/api/rest_v1/":): {\displaystyle H_{0}} . Ke vstupu je nutné zasadit k tříd výběru Failed to parse (MathML with SVG or PNG fallback (recommended for modern browsers and accessibility tools): Invalid response ("Math extension cannot connect to Restbase.") from server "https://en.wikipedia.org/api/rest_v1/":): {\displaystyle k} testování a jaký je druh teoretického rozdělení ke každé třídě. Všechny tyto třídy testovaného výběru pak musí mít spočteny četnosti Failed to parse (MathML with SVG or PNG fallback (recommended for modern browsers and accessibility tools): Invalid response ("Math extension cannot connect to Restbase.") from server "https://en.wikipedia.org/api/rest_v1/":): {\displaystyle n_{1i}} a stejně tak se spočítají četnosti i pro teoretické rozdělení Failed to parse (MathML with SVG or PNG fallback (recommended for modern browsers and accessibility tools): Invalid response ("Math extension cannot connect to Restbase.") from server "https://en.wikipedia.org/api/rest_v1/":): {\displaystyle n_{2i}} . Vzorec pro četnost: Failed to parse (MathML with SVG or PNG fallback (recommended for modern browsers and accessibility tools): Invalid response ("Math extension cannot connect to Restbase.") from server "https://en.wikipedia.org/api/rest_v1/":): {\displaystyle f_{i}={\frac {n_{i}}{N}}={\frac {n_{i}}{\sum _{i}n_{i}}}} .

Poté je třeba aplikovat kumulativní rozdíl četností pro Failed to parse (MathML with SVG or PNG fallback (recommended for modern browsers and accessibility tools): Invalid response ("Math extension cannot connect to Restbase.") from server "https://en.wikipedia.org/api/rest_v1/":): {\displaystyle N_{1i}} a Failed to parse (MathML with SVG or PNG fallback (recommended for modern browsers and accessibility tools): Invalid response ("Math extension cannot connect to Restbase.") from server "https://en.wikipedia.org/api/rest_v1/":): {\displaystyle N_{2i}} . Pro znázornění jak vypočítat Failed to parse (MathML with SVG or PNG fallback (recommended for modern browsers and accessibility tools): Invalid response ("Math extension cannot connect to Restbase.") from server "https://en.wikipedia.org/api/rest_v1/":): {\displaystyle N_{ai}=\sum _{j=1}^{i}n_{aj}} , kde Failed to parse (MathML with SVG or PNG fallback (recommended for modern browsers and accessibility tools): Invalid response ("Math extension cannot connect to Restbase.") from server "https://en.wikipedia.org/api/rest_v1/":): {\displaystyle a} představuje 1 nebo 2 v závislosti k hodnocení třídy výběru nebo k hodnocení třídy teoretického rozdělení.

Rozdíl je pak formulován následujícím vzorcem, jehož výslledek představuje hodnocené kritérium:

Failed to parse (MathML with SVG or PNG fallback (recommended for modern browsers and accessibility tools): Invalid response ("Math extension cannot connect to Restbase.") from server "https://en.wikipedia.org/api/rest_v1/":): {\displaystyle D_{1}={\frac {1}{n}}\max _{i}|N_{1i}-N_{2i}|\} , kde Failed to parse (MathML with SVG or PNG fallback (recommended for modern browsers and accessibility tools): Invalid response ("Math extension cannot connect to Restbase.") from server "https://en.wikipedia.org/api/rest_v1/":): {\displaystyle n} zastupuje celkový počet prvků výběru.


Výsledná hodnota Failed to parse (MathML with SVG or PNG fallback (recommended for modern browsers and accessibility tools): Invalid response ("Math extension cannot connect to Restbase.") from server "https://en.wikipedia.org/api/rest_v1/":): {\displaystyle D_{1}} je srovnána s Failed to parse (MathML with SVG or PNG fallback (recommended for modern browsers and accessibility tools): Invalid response ("Math extension cannot connect to Restbase.") from server "https://en.wikipedia.org/api/rest_v1/":): {\displaystyle D_{1max}} , což je krajní hodnota pro hladinu význmnosti, značená α. Pro celkový počet výběru Failed to parse (MathML with SVG or PNG fallback (recommended for modern browsers and accessibility tools): Invalid response ("Math extension cannot connect to Restbase.") from server "https://en.wikipedia.org/api/rest_v1/":): {\displaystyle n\leq 40} je rozdělení k dispozici zde. Pokud je Failed to parse (MathML with SVG or PNG fallback (recommended for modern browsers and accessibility tools): Invalid response ("Math extension cannot connect to Restbase.") from server "https://en.wikipedia.org/api/rest_v1/":): {\displaystyle n>40} , Failed to parse (MathML with SVG or PNG fallback (recommended for modern browsers and accessibility tools): Invalid response ("Math extension cannot connect to Restbase.") from server "https://en.wikipedia.org/api/rest_v1/":): {\displaystyle D_{1max}} je nutné spočítat. K tomuto účelu se podle níže uvedené tabulky tato hodnota dopočítá.

α Failed to parse (MathML with SVG or PNG fallback (recommended for modern browsers and accessibility tools): Invalid response ("Math extension cannot connect to Restbase.") from server "https://en.wikipedia.org/api/rest_v1/":): {\displaystyle D_{1max}}
0,2 Failed to parse (MathML with SVG or PNG fallback (recommended for modern browsers and accessibility tools): Invalid response ("Math extension cannot connect to Restbase.") from server "https://en.wikipedia.org/api/rest_v1/":): {\displaystyle {\frac {1.07}{\sqrt {n}}}}
0,1 Failed to parse (MathML with SVG or PNG fallback (recommended for modern browsers and accessibility tools): Invalid response ("Math extension cannot connect to Restbase.") from server "https://en.wikipedia.org/api/rest_v1/":): {\displaystyle {\frac {1.22}{\sqrt {n}}}}
0,05 Failed to parse (MathML with SVG or PNG fallback (recommended for modern browsers and accessibility tools): Invalid response ("Math extension cannot connect to Restbase.") from server "https://en.wikipedia.org/api/rest_v1/":): {\displaystyle {\frac {1.36}{\sqrt {n}}}}
0,02 Failed to parse (MathML with SVG or PNG fallback (recommended for modern browsers and accessibility tools): Invalid response ("Math extension cannot connect to Restbase.") from server "https://en.wikipedia.org/api/rest_v1/":): {\displaystyle {\frac {1.52}{\sqrt {n}}}}
0,01 Failed to parse (MathML with SVG or PNG fallback (recommended for modern browsers and accessibility tools): Invalid response ("Math extension cannot connect to Restbase.") from server "https://en.wikipedia.org/api/rest_v1/":): {\displaystyle {\frac {1.63}{\sqrt {n}}}}

Test pro 2 výběry

Příklad Kolmogorovův-Smirnova testu pro 2 výběry [7]

Test pro 2 výběry slouží ke srovnávání 2 výběrů rozdělení náhodných veličin.

V hypotéze Failed to parse (MathML with SVG or PNG fallback (recommended for modern browsers and accessibility tools): Invalid response ("Math extension cannot connect to Restbase.") from server "https://en.wikipedia.org/api/rest_v1/":): {\displaystyle H_{0}} je uvedeno, že u obou výběrů dochází ke stejnému rozdělení. Srovnávání probíhá podobným způdobem jako u testu s jedním výběrem. V testu pro 2 výběry se porovnává rozdíl buď kumulativních četností, a to pro ( Failed to parse (MathML with SVG or PNG fallback (recommended for modern browsers and accessibility tools): Invalid response ("Math extension cannot connect to Restbase.") from server "https://en.wikipedia.org/api/rest_v1/":): {\displaystyle n\leq 40} ) anebo se srovnává rozdíl 2 výběrů relativních kumulativních četností pro ( Failed to parse (MathML with SVG or PNG fallback (recommended for modern browsers and accessibility tools): Invalid response ("Math extension cannot connect to Restbase.") from server "https://en.wikipedia.org/api/rest_v1/":): {\displaystyle n>40} ). Přitom platí, že Failed to parse (MathML with SVG or PNG fallback (recommended for modern browsers and accessibility tools): Invalid response ("Math extension cannot connect to Restbase.") from server "https://en.wikipedia.org/api/rest_v1/":): {\displaystyle n_{1},n_{2}} představují sumy počtu elementů z výběru. výpočet kumulativních četností je uveden v kapitole Test pro 1 výběr. Pro relativní kumulativní četnosti platí následující formule: Failed to parse (MathML with SVG or PNG fallback (recommended for modern browsers and accessibility tools): Invalid response ("Math extension cannot connect to Restbase.") from server "https://en.wikipedia.org/api/rest_v1/":): {\displaystyle F_{1i}={\frac {1}{n}}N_{1i}} , Failed to parse (MathML with SVG or PNG fallback (recommended for modern browsers and accessibility tools): Invalid response ("Math extension cannot connect to Restbase.") from server "https://en.wikipedia.org/api/rest_v1/":): {\displaystyle F_{2i}={\frac {1}{n}}N_{2i}} . Hodnoceným kritérium je Failed to parse (MathML with SVG or PNG fallback (recommended for modern browsers and accessibility tools): Invalid response ("Math extension cannot connect to Restbase.") from server "https://en.wikipedia.org/api/rest_v1/":): {\displaystyle D_{2}}  :

Failed to parse (MathML with SVG or PNG fallback (recommended for modern browsers and accessibility tools): Invalid response ("Math extension cannot connect to Restbase.") from server "https://en.wikipedia.org/api/rest_v1/":): {\displaystyle D_{2}=\max _{i}|N_{1i}-N_{2i}|\} , Failed to parse (MathML with SVG or PNG fallback (recommended for modern browsers and accessibility tools): Invalid response ("Math extension cannot connect to Restbase.") from server "https://en.wikipedia.org/api/rest_v1/":): {\displaystyle D_{2}=\max _{i}|F_{1i}-F_{2i}|\} .

Failed to parse (MathML with SVG or PNG fallback (recommended for modern browsers and accessibility tools): Invalid response ("Math extension cannot connect to Restbase.") from server "https://en.wikipedia.org/api/rest_v1/":): {\displaystyle D_{2max}} se vypočítá k vybrané hladině významnosti podle tabulky:

α Failed to parse (MathML with SVG or PNG fallback (recommended for modern browsers and accessibility tools): Invalid response ("Math extension cannot connect to Restbase.") from server "https://en.wikipedia.org/api/rest_v1/":): {\displaystyle D_{2max}}
0,2 Failed to parse (MathML with SVG or PNG fallback (recommended for modern browsers and accessibility tools): Invalid response ("Math extension cannot connect to Restbase.") from server "https://en.wikipedia.org/api/rest_v1/":): {\displaystyle 1.07{\sqrt {\frac {n_{1}+n_{2}}{n_{1}n_{2}}}}}
0,1 Failed to parse (MathML with SVG or PNG fallback (recommended for modern browsers and accessibility tools): Invalid response ("Math extension cannot connect to Restbase.") from server "https://en.wikipedia.org/api/rest_v1/":): {\displaystyle 1.22{\sqrt {\frac {n_{1}+n_{2}}{n_{1}n_{2}}}}}
0,05 Failed to parse (MathML with SVG or PNG fallback (recommended for modern browsers and accessibility tools): Invalid response ("Math extension cannot connect to Restbase.") from server "https://en.wikipedia.org/api/rest_v1/":): {\displaystyle 1.36{\sqrt {\frac {n_{1}+n_{2}}{n_{1}n_{2}}}}}
0,02 Failed to parse (MathML with SVG or PNG fallback (recommended for modern browsers and accessibility tools): Invalid response ("Math extension cannot connect to Restbase.") from server "https://en.wikipedia.org/api/rest_v1/":): {\displaystyle 1.52{\sqrt {\frac {n_{1}+n_{2}}{n_{1}n_{2}}}}}
0,01 Failed to parse (MathML with SVG or PNG fallback (recommended for modern browsers and accessibility tools): Invalid response ("Math extension cannot connect to Restbase.") from server "https://en.wikipedia.org/api/rest_v1/":): {\displaystyle 1.63{\sqrt {\frac {n_{1}+n_{2}}{n_{1}n_{2}}}}}


Pro účely vyhodnocení výsledků a srovnávání s naměřenými hodnotami je vhodnější použít test pro 2 výběry proměnných a zobrazit je trendem vůči bodovému grafu. Pro ukázku jak může vypadat srovnání v testu pro 1 a 2 výběry na obrázku vpravo.

Rozhodování o výsledku

Porovnávání výsledků s intervaly, a rozhodování na základě zvolených podmínek je kritické ke reprezentaci výsledků simulace. Každá simulace musí ve výsledku zodpovědět určitou otázku. Je však nejisté, které hodnoty lze považovat za splněné a které nikoliv. Proto je třeba volit interval hodnotu nebo jednu hodnotu, se kterou se výsledek porovnává, obezřetně.

Interval

V kapitole Interval spolehlivosti bylo uvedeno, pro jaký interval je výsledek z dané spolehlivosti relevantní. Avšak lze vyhodnocovat i obráceným způsobem. Pokud je zadán interval, je třeba vypočíat, na kolik pravděpodobný bude i výsledek ze simulace, tzn. na kolik bude pravděpodobné chování v realitě.

Hodnota

Pro zadanou hodnotu platí, že výsledek simulace se srovnává pomocí operátorů větší, rovno a menší než. Typickým příkladem mmůže být simulace pro výpočet růstu mzdy. Růst mzdy se vypočítává podle ohodnocení zaměstnance, fixního procenta a také podle profitu firmy. Jednotlivec si rozhodne, podle svého užitku, o jakou minimální část chce svoji výplatu rozšiřovat. Tu pak porovnává s výsledekm simulace. Je-li ve vetšině případů (interval spolehlivosti) růst stejný nebo vyšší, pak ve firmě zůstává. Shledá-li svůj užitek vyšší než předpokládaný růst mzdy, pak si může například hledat nové pracovní místo.

Rizika špatné interpretace

Tato kapitola není konstruována matematikou a má za úkol čtenáře seznámit s možným úskalím při vyhodnocování výsledků, ať už jakoukoliv metodou. Velmi lehce se ale opomene na tyto hrozby, což může vést ke špatné dedukce. Následkem mylného pochopení dat, či chybě v modelu se pak vytváří neprávná rozhodnutí.

Nevhodný model reality

Snadno se stane, že zkonstruovaná simulace, která je vytvořena třetí stranou, může být chybná nebo použita pro úzké praktické využití, do kterého úplně nezapadá žádaný příklad. Simulace předpovědi počasí na horách bude mít nejspíše specifické vlastnosti, které se nehodí například pro předpověď v nížinách, na pouštích či nad oceány. Vždy je vhodné si přečíst dokumentaci k vydané simulaci a zjistit, jestli je simulace použitelná pro zadaný příklad.

Vágní simulace

Vytváření správných simulací je nelehký úkol. Vždy se postupuje od sestavení kostry simulace. Následně se simulace zesložiťuje a nabírá na komplexitě. Samozřejmě, že při majoritním rozšiřování komplexity je nutné simulaci řádně testovat, neboť počet chyb v chování simulace roste s přibývající složitostí. Řídit se ale výsledky z nedokončené nebo příliš jednoduché simulaci se nemusí vyplatit. Tato problematika je zahrnuta v kapitole Verifikace.

Nesprávná data

Tento problém je jednoduše pochopitelný. Když se na vstup dostanou chybná data, dá se předpokládat, že simulace nasimuluje ve výstupu výsledky relevatní vstupním parametrům. Kontrola vstupních dat je nutná a v tomto učebním textu již byla zmíněna termínem Validace. Ověřování dat je stejně, ne-li více důležité, než samotný proces simulace.

Málo spuštěných simulací

Statistika dokáže být silný nástroj, ale pouze tehdy, když disponuje dostatečným množstvím dat. Proto je nutné simulaci spustit několikrát po sobě, i se stejnými parametry, aby se mohly výsledky statisticky interpretovat. S malou datovou základnou nelze vyvodit správný závěr.

Špatná interpretace dat

Výše zmíněné metody pro interpretaci statistických výsledků, nejsou samozřejmě alfou omegou pro každou simulaci. Vhodnot jejich použití je klíčová. Lidský přístup velí k rychlému porozumění výsledkům, a tím se rozhodně řídí i skupina histogramů a jiné graficky příjemné diagramy. Výzkumné zprávy vyžatují tvrdá data a tabukou jasně definované hranice výsledků. Rozhodování o financích bude kombinací vhodných grafů a zodpovězenou otázkou.

Výsledek není stoprocentní

Ačkoliv může být model sebelepší, data ověřená, počet spuštěných testů bude dostatečný a zpracování výsledků "user-friendly" je třeba brát v potaz, že model nikdy není dokonalý. Dochází totiž i k extrémním případům chování, zaviněného náhodnými veličinami, které model nemusel ve výsledku zahrnout. Pro interval spolehlivosti 99% je vždy jednoprocentní šance, že se systém bude chovat úplně jinak. To je třeba brát v potaz.

Skrytá nástraha

Skrytou nástrahou se rozumí simulace, která vychází podle představ autora, nicméně díky jinému pohledu je výsledek klamný. Typickým příkladem je příjem společnosti, který se zvyšuje. Co ale není zahrnuto v simulaci je zárověň s příjmem svyčující se hrozba krachu. Čím je firma na trhu viditelnější, stává se terčem silnější konkurence, která může společnost zničit. Toto riziko se špatně odhaluje a tím nelze jej matematicky jakkoliv vyloučit. Samozřejmě pokud je simulace komplexnější, a zahrnuje i vzestupy konkurencí a další faktory trhu, mohou být tyto hrozby minimalizovány.

Příklady ke cvičení

Reference

  1. Obr. ze zdroje: https://www.google.gr/url?sa=i&rct=j&q=&esrc=s&source=images&cd=&ved=0ahUKEwjfz5j286LNAhWIyRQKHV_SB7sQjBwIBA&url=http%3A%2F%2Fimg.docstoccdn.com%2Fthumb%2Forig%2F36524659.png&bvm=bv.124272578,d.d24&psig=AFQjCNHAyBlzsN7_GLUnYSCaqp-vXkts9g&ust=1465835218294858
  2. Wittwer, J.W., Monte Carlo Simulation Basics From Vertex42.com, June 1, 2004, http://www.vertex42.com/ExcelArticles/mc/MonteCarloSimulation.html
  3. Obr. ze zdroje http://www.kean.edu/~fosborne/bstat/06amean.html
  4. Jaromír Baštinec: Statistika, operační výzkum, stochastické procesy. Skripta FEKT VUT v Brně, Brno 2009
  5. Pavlík J.: Aplikovaná statistika. Vysoká škola chemicko-technologická v Praze, Praha 2005. ISBN 80-7080-569-2
  6. Obr. dostupný z http://telliott99.blogspot.gr/2012/04/ks-test.html
  7. Obr. dostupný z http://telliott99.blogspot.gr/2012/04/ks-test.html