Monte Carlo Simulering

[fusion_builder_container hundred_percent=”no” hundred_percent_height=”no” hundred_percent_height_scroll=”no” hundred_percent_height_center_content=”yes” equal_height_columns=”no” menu_anchor=”” hide_on_mobile=”small-visibility,medium-visibility,large-visibility” status=”published” publish_date=”” class=”” id=”” link_color=”” link_hover_color=”” border_size=”” border_color=”” border_style=”solid” margin_top=”” margin_bottom=”” padding_top=”” padding_right=”” padding_bottom=”” padding_left=”” gradient_start_color=”” gradient_end_color=”” gradient_start_position=”0″ gradient_end_position=”100″ gradient_type=”linear” radial_direction=”center center” linear_angle=”180″ background_color=”” background_image=”” background_position=”center center” background_repeat=”no-repeat” fade=”no” background_parallax=”none” enable_mobile=”no” parallax_speed=”0.3″ background_blend_mode=”none” video_mp4=”” video_webm=”” video_ogv=”” video_url=”” video_aspect_ratio=”16:9″ video_loop=”yes” video_mute=”yes” video_preview_image=”” filter_hue=”0″ filter_saturation=”100″ filter_brightness=”100″ filter_contrast=”100″ filter_invert=”0″ filter_sepia=”0″ filter_opacity=”100″ filter_blur=”0″ filter_hue_hover=”0″ filter_saturation_hover=”100″ filter_brightness_hover=”100″ filter_contrast_hover=”100″ filter_invert_hover=”0″ filter_sepia_hover=”0″ filter_opacity_hover=”100″ filter_blur_hover=”0″][fusion_builder_row][fusion_builder_column type=”1_1″ layout=”1_1″ spacing=”” center_content=”no” link=”” target=”_self” min_height=”” hide_on_mobile=”small-visibility,medium-visibility,large-visibility” class=”” id=”” hover_type=”none” border_size=”0″ border_color=”” border_style=”solid” border_position=”all” border_radius=”” box_shadow=”no” dimension_box_shadow=”” box_shadow_blur=”0″ box_shadow_spread=”0″ box_shadow_color=”” box_shadow_style=”” padding_top=”” padding_right=”” padding_bottom=”” padding_left=”” margin_top=”” margin_bottom=”” background_type=”single” gradient_start_color=”” gradient_end_color=”” gradient_start_position=”0″ gradient_end_position=”100″ gradient_type=”linear” radial_direction=”center center” linear_angle=”180″ background_color=”” background_image=”” background_image_id=”” background_position=”left top” background_repeat=”no-repeat” background_blend_mode=”none” animation_type=”” animation_direction=”left” animation_speed=”0.3″ animation_offset=”” filter_type=”regular” filter_hue=”0″ filter_saturation=”100″ filter_brightness=”100″ filter_contrast=”100″ filter_invert=”0″ filter_sepia=”0″ filter_opacity=”100″ filter_blur=”0″ filter_hue_hover=”0″ filter_saturation_hover=”100″ filter_brightness_hover=”100″ filter_contrast_hover=”100″ filter_invert_hover=”0″ filter_sepia_hover=”0″ filter_opacity_hover=”100″ filter_blur_hover=”0″ last=”no”][fusion_tabs design=”classic” layout=”horizontal” justified=”yes” backgroundcolor=”” inactivecolor=”” bordercolor=”” icon=”” icon_position=”” icon_size=”” hide_on_mobile=”small-visibility,medium-visibility,large-visibility” class=”” id=””][fusion_tab title=”Beskrivning” icon=”fa-align-left fas”]

Den här artikeln förklarar Monte Carlo-simuleringen på ett praktiskt sätt. När du har läst det kommer du att förstå grunderna i detta kraftfulla beslutsfattande verktyg.

[/fusion_tab][fusion_tab title=”Referenser” icon=”fa-atlas fas”][/fusion_tab][fusion_tab title=”Filer/dokument” icon=”fa-file-download fas”][/fusion_tab][/fusion_tabs][/fusion_builder_column][/fusion_builder_row][/fusion_builder_container][fusion_builder_container hundred_percent=”no” equal_height_columns=”no” menu_anchor=”” hide_on_mobile=”small-visibility,medium-visibility,large-visibility” class=”” id=”” background_color=”” background_image=”” background_position=”center center” background_repeat=”no-repeat” fade=”no” background_parallax=”none” parallax_speed=”0.3″ video_mp4=”” video_webm=”” video_ogv=”” video_url=”” video_aspect_ratio=”16:9″ video_loop=”yes” video_mute=”yes” overlay_color=”” video_preview_image=”” border_size=”” border_color=”” border_style=”solid” padding_top=”” padding_bottom=”” padding_left=”” padding_right=””][fusion_builder_row][fusion_builder_column type=”1_1″ layout=”1_1″ background_position=”left top” background_color=”” border_size=”” border_color=”” border_style=”solid” border_position=”all” spacing=”yes” background_image=”” background_repeat=”no-repeat” padding_top=”” padding_right=”” padding_bottom=”” padding_left=”” margin_top=”0px” margin_bottom=”0px” class=”” id=”” animation_type=”” animation_speed=”0.3″ animation_direction=”left” hide_on_mobile=”small-visibility,medium-visibility,large-visibility” center_content=”no” last=”no” min_height=”” hover_type=”none” link=””][fusion_text columns=”” column_min_width=”” column_spacing=”” rule_style=”default” rule_size=”” rule_color=”” hide_on_mobile=”small-visibility,medium-visibility,large-visibility” class=”” id=”” animation_type=”” animation_direction=”left” animation_speed=”0.3″ animation_offset=””]

Vad är Monte Carlo-simuleringen?

Monte Carlo-simuleringen är en datorstyrd teknik där en fysisk process inte simuleras en gång, utan många gånger. På detta sätt kommer möjliga risker i kvantitativ analys och beslutsfattande fram. Det erbjuder en stor skala av möjliga resultat och chanser och visar alla möjligheter för att komma till rätt beslut. Det säger inte bara vad som kan hända, utan också sannolikheten för att något händer. Denna simuleringsteknik kan användas inom olika områden, såsom finans, försäkring, projektledning, produktion och teknik.

Kasino

Termen härstammar från det berömda kasinot i Monte Carlo, beläget på den franska revieran. Simuleringstekniken användes först av forskare som arbetade med atombomben under andra världskriget. Termen har inget att göra med spel. Det händer bara att i ett kasino spelar man baserat på sannolikhet, på samma sätt som sannolikheten spelar en stor roll i att komma till en riskanalys i Monte Carlo-simuleringen.

Ansökan

Det används ofta när det visar sig att resultatet av en simulering inte är tillräckligt representativt. På detta sätt kan det fastställas vilka faktiska förväntade variationer är. Denna metod kan också ge tillräcklig extra tillförlitlighet i fall av variation eller osäkerhet i startförhållandena. Denna simuleringsteknik realiseras med beräkningar via datorer. För att komma till en önskad tillförlitlighetsnivå upprepas beräkningarna tiotals eller till och med tusentals gånger, varje gång med en ny uppsättning ingångsvariabler.

Monte Carlo-simuleringssteg

Generellt består det av tre faser: förprocessor, simulering, efterbehandling.

1. Förprocessor

Först måste en komplett uppsättning variabler, som representerar ett nominellt värde, anges. Sedan definieras sannolikhetsfördelningen. Förprocessorn väljer ett värde efter önskan för var och en av dessa variabler med hänsyn till sannolikhetsfördelningen.

2. Simulering

Därefter exekveras simuleringarna, varvid varje simulering inkluderar en annan uppsättning inmatningsvariabler.

3. Efterbehandling

Simuleringen avslutas med en stor utgång av organiserade resultat av simuleringarna, som representeras i form av bland annat sannolikhetsfördelningar.

Riskanalys

En simulering utför en riskanalys. De erhållna resultaten beräknas om och om igen, varje gång med en annan uppsättning slumpmässiga värden. Så småningom leder detta till tusentals möjliga beräkningar och möjliga resultatvärden. För att slutföra riskanalysen levereras slumpmässiga nummer från inmatningssannolikhetsfördelningarna slumpmässigt under simuleringen. Eftersom Monte Carlo-simuleringen upprepar detta upp till tusentals gånger leder detta till en sannolikhetsfördelning av möjliga resultat. Detta skapar en mest fullständig bild av möjliga risker.

Monte Carlo-simulering: sannolikhetsfördelning

Osäkerhet beträffande eventuella resultat och egenskaper kan uppstå i varje designfas i ett system. Den tillhörande sannolikhetsfördelningen är ofta också svår att fastställa. Detta har att göra med variationen i fysiska egenskaper och / eller omständigheterna. Genom att använda sannolikhetsfördelningar kan variabler leda till olika resultat. Därför är sannolikhetsfördelningar ett realistiskt verktyg för att beskriva osäkerhet i variabler i en riskanalys.

Monte Carlo-simuleringsexempel

Kanske vill ett produktionsföretag av brandbeständiga material testa och beräkna brandfarlighet. Dessa material används bland annat inom frakt och luftfart. Brännbarheten beror på flera variabler, som alla måste tas med i beräkningarna, enligt Monte Carlo-simuleringen. Tänk på olika typer av basmaterial, beläggningar, fibertjocklek, densitet, smälttemperatur, indunstningstemperatur, vidhäftning och så vidare.

En simulering med nominella värden för alla dessa variabler visar endast brandfarligheten på ett sätt som ett resultat. Enligt Monte Carlo-simuleringen måste varje inmatningsvariabel ersättas av en spridning kring ett nominellt värde, med en motsvarande sannolikhetsfördelning. Denna simulering kommer också att utföras några gånger och ger flera resultat med en sannolikhetsfördelning inom det fältet. Resultatet är att produktionsföretaget får en realistisk bild av brandfarliga material som de producerar.

[/fusion_text][/fusion_builder_column][/fusion_builder_row][/fusion_builder_container]