Таблица 14.21. Распределение интервалов случайных чисел для времени поставки заказа
| Время поставки, недель | Вероятность | Кумулятивная вероятность | Случайные числа |
| 1 2 3 4 | 0,20 0,50 0,25 0,05 | 0,20 0,70 0,95 1,00 | 00-19 20-69 70-94 95-99 |
Небольшие отклонения ввиду ошибок округления
Таблица 14.22. Распределение
Интервалов случайных чисел
Для спроса за неделю
| Спрос за неделю | Вероятность | Кумулятивная вероятность | Случайные числа |
| 0,003 | 0,003 | 00-002 | |
| 0,009 | 0,012 | 003-011 | |
| 0,028 | 0,040 | 012-039 | |
| 0,066 | 0,106 | 040-105 | |
| 0,121 | 0,227 | 106-226 | |
| 0,175 | 0,402 | 227-401 | |
| 0,197 ' | 0,599 | 402-598 | |
| 0,175 | 0,774 | 599-773 | |
| 0,121 | 0,895 | 774-894 | |
| 0,066 | 0,961 | 895-960 | |
| 0,028 | 0,989 | 961-988 | |
| 0,009 | 0,998 | 989-997 | |
| * 0,003 | 1,000 | 998-999* |
Теперь можно осуществить моделирование.
| Та | блица 14.23. Моделирование управления запасами | |||||||
| Запас | Спрос | Запас | Повтор- | Время поставки | ||||
| Неделя | на начало | на конец | ный | |||||
| недели | Случайное число | Объем | недели | заказ, Да/нет | Случайное число | Недели | ||
| 034 480 | ||||||||
| 743 505 | ||||||||
| 738 505 | Да | 95 4 | ||||||
| 636 505 | ||||||||
| 964 520 | ||||||||
| 736 505 | ||||||||
| 614 505 | ||||||||
| 698 505 | ||||||||
| 637 505 | Да | 73 3 | ||||||
| 162 490 | ||||||||
| И | 332 495 | |||||||
| 616 505 | ||||||||
| 804 510 | ||||||||
| 560 500 | Да | 10 1 | ||||||
| 111 490 | ||||||||
| 410 500 | ||||||||
| 959 515 | ||||||||
| 774 510 | ||||||||
| 246 495 | Да | 76 3 | ||||||
| 762 505 | ||||||||
| Итого Ю050 |
1. 4. Моделирование в бизнесе
РЕЗЮМЕ
Имитационное моделирование является одним из методов, который применяется специалистами в случаях, когда использование математических моделей вызывает определенные трудности или когда лежащие в их основе предпосылки неадекватны реальным условиям. Метод имитационного моделирования можно применять в сложных ситуациях, не принимая никаких предпосылок об исходных данных.
Мы рассмотрели метод Монте-Карло, в котором всем переменным модели ставится в соответствие определенное множество дискретных значений. Данный метод позволяет на основе собранной исходной информации сгенерировать для каждой переменной соответствующее распределение вероятностей. Из этих распределений с помощью случайных чисел получают значения переменных модели, ■которые используют затем в процессе моделирования. Построение каждой модели начинают с определения входящих в нее переменных и формулирования правил их функционирования. Результаты расчетов по имитационным моделям небольшой размерности обычно представляют в виде таблиц, легко поддающихся количественному анализу.
Существует возможность модификации имитационной модели, по которой вновь производятся расчеты, а затем проводится сравнительный анализ новых результатов с полученными ранее. Методы имитационного моделирования, хотя и не приводят к получению оптимальных решений, как, например, методы линейного программирования, однако, позволяют выработать направления политики, приводящей к лучшим результатам. Но прежде, чем внедрять какой-либо из результатов, полученных по имитационной модели, в практику, необходимо произвести оценку ее надежности и, осуществив расчеты на более длительный период, получить репрезентативные характеристики. Обычно расчеты по имитационным моделям проводятся с помощью пакетов прикладных программ.






