Memanfaatkan simulasi Monte Carlo

Simulasi Monte Carlo di Python

Izzy Weber

Curriculum Manager, DataCamp

Aplikasi luas

Simulasi Monte Carlo digunakan di bidang seperti...

Keuangan dan bisnis
Rekayasa
Ilmu fisika

Prediksi harga saham

Grafik yang menampilkan harga saham simulasi dari waktu ke waktu

¹ https://marketxls.com/monte-carlo-simulation-excel

Manajemen risiko

grafik yang menampilkan interval kepercayaan VaR

¹ https://www.investopedia.com/articles/04/092904.asp https://corporatefinanceinstitute.com/course/modeling-risk-monte-carlo-simulation/

Identifikasi situs pengikatan

grafik situs pengikatan protein

¹ https://pubs.rsc.org/en/content/articlelanding/2020/ra/d0ra01127d

Analisis keandalan dalam rekayasa

grafik yang menampilkan domain aman dan gagal

¹ www.researchgate.net/publication/228814883_Probabilistic_Transformation_Method_in_Reliability_Analysis

Manfaat simulasi Monte Carlo

Mempertimbangkan rentang nilai untuk berbagai input
Menunjukkan bukan hanya apa yang mungkin terjadi, tetapi juga peluang tiap hasil
Memudahkan visualisasi rentang hasil yang mungkin
Dapat menilai apa yang terjadi di skenario berbeda

optimalkan dengan simulasi Monte Carlo

Kantong berisi dadu bias

Kocok dua dadu dari dua kantong, masing-masing berisi tiga dadu bias:

bag1 = [[1, 2, 3, 6, 6, 6], [1, 2, 3, 4, 4, 6], [1, 2, 3, 3, 3, 5]]
bag2 = [[2, 2, 3, 4, 5, 6], [3, 3, 3, 4, 4, 5], [1, 1, 2, 4, 5, 5]]

Simulasi:

Pilih acak satu dadu dari tiap kantong; kocok keduanya
Sukses jika jumlah sisi bernilai delapan; selain itu gagal
Hitung probabilitas sukses untuk tiap kombinasi dadu unik

Simulasi dadu bias

def roll_biased_dice(n):
    results = {}

    for i in range(n):
        bag_index1 = random.randint(0, 2)
        die_index1 = random.randint(0, 5)
        bag_index2 = random.randint(0, 2)
        die_index2 = random.randint(0, 5)

        point1 = bag1[bag_index1][die_index1]
        point2 = bag2[bag_index2][die_index2]

        key = "%s_%s" % (point1, point2)

        if point1 + point2 == 8: 
            if key not in results:
                results[key] = 1
            else:
                results[key] += 1

Hasil dadu bias

dice1_dice2	probability_of_success
6_2	5.54
3_5	2.67
2_6	1.45
4_4	4

Hasil dadu bias

bag1 = [[1, 2, 3, 6, 6, 6], [1, 2, 3, 4, 4, 6], [1, 2, 3, 3, 3, 5]]
bag2 = [[2, 2, 3, 4, 5, 6], [3, 3, 3, 4, 4, 5], [1, 1, 2, 4, 5, 5]]

Hasil simulasi 10.000 percobaan: diagram batang yang menunjukkan probabilitas keberhasilan kombinasi dadu

Hasil dadu bias

bag1 = [[2, 2, 3, 4, 6, 6], [1, 2, 2, 4, 6, 6], [1, 2, 3, 3, 3, 3]]
bag2 = [[1, 2, 3, 4, 5, 6], [1, 3, 3, 4, 4, 6], [2, 2, 2, 3, 5, 5]]

Hasil simulasi 10.000 percobaan: diagram batang yang menunjukkan probabilitas keberhasilan kombinasi dadu

Keterbatasan simulasi Monte Carlo

Keluaran model hanya sebaik inputnya
Kejadian ekstrem sering diremehkan probabilitasnya

Ayo berlatih!

Simulasi Monte Carlo di Python