Opções Binárias 2013

Robô de opção binária Como iniciar os indicadores de negociação O melhor robô de compra automática para opções binárias O robô de opção binária original (que está disponível apenas neste site) foi publicado pela primeira vez em janeiro de 2013 por uma empresa francesa e com a ajuda de comerciantes profissionais. O objetivo deste software é automatizar a negociação de comerciantes profissionais. Ao usar os melhores métodos e indicadores para gerar sinais binários, o Binary Option Robot permite obter lucros nos mercados automaticamente. Robô de opção binária foi copiado várias vezes e até mesmo por produtos usando exatamente o mesmo nome, mas o real é o francês. A empresa francesa que criou o Binary Option Robot possui direitos autorais nos EUA e na UE. Então, tome cuidado e não seja fraudulento por outros produtos de negociação automática usando o mesmo nome. Sistemas de negociação versáteis Opção binária O robô pode executar 3 sistemas de negociação diferentes Sistema clássico Sistema mais seguro Sistema Martingale Sistema mais rentável Sistema Fibonacci Sistema mais preciso Opção binária multiplataforma O robô está sempre com você. Use em casa no seu computador usando o webtrader ou baixando o software. Use em qualquer lugar em seu celular com o webtrader móvel ou com o aplicativo Android. A negociação de câmbio em margem traz um alto nível de risco e pode não ser adequada para todos os investidores. O desempenho passado não é indicativo de resultados futuros. O alto grau de alavancagem pode funcionar contra você, bem como para você. Antes de decidir investir em divisas, você deve considerar cuidadosamente seus objetivos de investimento, nível de experiência e apetite de risco. Existe a possibilidade de que você possa sustentar a perda de algum ou todo seu investimento inicial e, portanto, você não deve investir dinheiro que não pode perder. Você deve estar ciente de todos os riscos associados à negociação cambial e procurar o conselho de um consultor financeiro independente se tiver dúvidas. Estações de opções de opções de negócios 2013 Esta seção foi especialmente criada para ajudá-lo a diferenciar corretores de opções binárias confiáveis ​​de golpistas. ATUALIZAÇÃO: EVITAR O LOTE Nossa equipe de pesquisadores e comerciantes está atualmente pesquisando quaisquer reclamações e problemas existentes para todos os corretores da indústria. Em uma escala de 1-10: 0 Scam Broker, 10 Relativamente seguro. Uma pontuação mais alta é igual a um corretor mais seguro e mais confiável. Tenha em mente que todo corretor é susceptível de ter queixas de algum tipo na internet, seja de comerciantes irritados que perdem dinheiro ou aqueles que não passaram a ler os Termos e Condições com atenção. De um modo geral, todos os corretores com uma classificação de fraude de 5 ou menos são SCAMS. Corretores de opções binárias SCAM: Aqui você pode localizar revisões imparciais e cuidadosamente pesquisadas em todos os corretores atualmente ativos no mercado. Um dos nossos objetivos principais é fornecer-lhe os melhores procedimentos que você pode utilizar, a fim de evitar fraudes de corretores e práticas abusivas. Para atingir esse objetivo, estamos implantando uma metodologia que difere substancialmente daqueles usados ​​por outros sites similares. A maioria deles tende a ser orientada para o mercado com o principal objetivo de promover os principais benefícios e vantagens dos corretores preferenciais. Eles não fazem qualquer tentativa de retratar as experiências reais dos comerciantes que usaram essas empresas, mas, em vez disso, apenas concentraram-se nos principais pontos de venda para atrair novo costume. Em contraste, tentamos apresentar uma imagem mais completa da realidade através da produção de artigos com base nas experiências da vida real dos investidores que são ou foram membros registrados dos corretores de opções digitais aplicáveis. Por exemplo, estamos interessados ​​em coletar os comentários dos comerciantes sobre suas próprias aventuras de opções binárias para que possamos compilar a imagem mais precisa possível do estado atual do mercado de opções binárias. Então, como avaliamos a qualidade de um corretor, você Pode muito bem perguntar Essencialmente, usamos duas ferramentas primárias para nos permitir realizar esta tarefa. O primeiro envolve o uso de nossa própria rede abrangente de consultores qualificados que são bem versados ​​em fornecer-nos estudos abrangentes e comentários sobre corretores e todos os últimos desenvolvimentos de opções binárias. Além disso, também realizamos extensas investigações na Internet, visitando sites de revisão, fóruns e fóruns apropriados, etc. Quão confiáveis ​​são suas avaliações de corretores. Tentamos produzir as avaliações mais atualizadas e precisas sobre corretores possível. No entanto, estamos sempre interessados ​​em receber outros pontos de vista relacionados, caso possamos ter perdido quaisquer pontos importantes. Tais eventos podem acontecer porque a indústria de opções binárias está evoluindo a um ritmo tão intenso atualmente. Consequentemente, se você pode fornecer informações úteis, entre em contato conosco e avise-nos. Podemos assegurar-lhe que sempre estudaremos cuidadosamente seus comentários. Embora nós nos esforçamos para fornecer avaliações precisas, você não deve esquecer que a negociação de opções binárias é um empreendimento de alto risco e pode não ser apta para todos os investidores. Conseqüentemente, você sempre é aconselhado a executar sua própria diligência, especialmente se você estiver planejando fazer um depósito monetário real com um corretor. A informação que é apresentada aqui destina-se a ajudá-lo a cumprir grandemente esta missão. Um corretor pode facilmente obter uma classificação aprovada de você. Não, eles não podem. Para que eles consigam esse status, eles devem confirmar que implementaram as políticas necessárias capazes de fornecer um serviço de opções binárias que cumpre o mais alto nível de regulamentos e leis internacionais. Eles precisam verificar se estão totalmente registrados com a autoridade reguladora apropriada que opera dentro da sua localização de residência. Além disso, procuraremos provas que demonstrem que existem poucos ou nenhuns comentários negativos na internet sobre o referido corretor. Esta seção também analisará o atual estado regulatório do setor de opções binárias, além de informar sobre todos os novos desenvolvimentos. Esta informação é de grande importância porque a natureza simplista da negociação de opções binárias criou inadvertidamente um ambiente que atualmente é supervisionado por sistemas regulatórios diversos e inadequados em todo o mundo. Como tal, iniciações substanciais globais estão atualmente em andamento para corrigir essa situação amadora, ao produzir uma indústria de opções binárias mais profissional. Vamos mantê-lo a par de todos os desenvolvimentos importantes. As operações de compra oferecidas neste site podem ser consideradas operações de negociação de alto risco e sua execução pode ser muito arriscada. Comprar instrumentos financeiros ou utilizar os serviços oferecidos no site pode resultar em perdas significativas ou mesmo em uma perda total de todos os fundos em sua conta. Você tem direitos limitados e não transferíveis limitados para usar o IP fornecido neste site para fins pessoais e não comerciais em relação aos serviços oferecidos apenas no site. A Companhia atua fora da Federação Russa. Eu. iqoption é detida e operada pela Iqoption Europe Ltd. IQ Option, 2013-2017 As informações de recuperação de senha foram enviadas com sucesso para o seu e-mail O registro atualmente não está disponível na Federação Russa. Se você acha que está vendo esta mensagem por engano, entre em contato com supporttiqoption.

Citações De Opções Binárias Cboe

Volatility Finder O Volatility Finder verifica ações e ETFs com características de volatilidade que podem prever os próximos movimentos de preços ou podem identificar opções subjugadas ou sobrevalorizadas em relação a um histórico de preços a longo prazo e de longo prazo para identificar potenciais oportunidades de compra ou venda . Otimizador de volatilidade O otimizador de volatilidade é um conjunto de serviços de análise de opções e ferramentas de estratégia gratuitas, incluindo o índice IV, uma calculadora de opções, um scanner de estrategista, um scanner espalhado, um classificador de volatilidade e mais para identificar potenciais oportunidades de negociação e analisar os movimentos do mercado . Calculadora de opções A Calculadora de opções alimentada pela iVolatility é uma ferramenta educacional destinada a ajudar os indivíduos a entender como as opções funcionam e fornece valores justos e gregos em qualquer opção usando dados de volatilidade e preços atrasados. Negociação de Opções Virtuais A Ferramenta de Comércio Virtual é uma ferramenta de última geração projetada para testar seu conhecimento comercial e permite que você experimente novas estratégias ou pedidos complexos antes de colocar seu dinheiro na linha. PaperTRADE A ferramenta PaperTRADE é um sistema de negociação simulado e fácil de usar, com recursos sofisticados, incluindo análise de risco e risco, gráficos de desempenho, criação de propagação fácil usando spreadMAKER e várias personalizações de arrastar e soltar. Ofertas especiais Anúncios de terceiros thinkorswim trade w ferramentas de negociação avançadas. Abra uma conta e obtenha até 600 Obtenha as cadeias de opções de opções em tempo real novas posições de teste com a TradeStation. Saber mais. Livre gratuitamente por 60 dias em thinkorswim da TD Ameritrade. Economize até 1.500 em comissões até março de 2017. Abra uma conta da TradeStation hoje OptionsHouse 1 Plataforma baseada na Web no StockBrokers Revista 2016 Troque nossa plataforma de negociação mais votada. Inscreva-se no OptionsHouse hoje Abra fundo uma conta da OptionsHouse para obter até 1.000 em negociações Opções comerciais 4.95 0.50contração na plataforma poderosa OptionsHousesSymbol Lookup Copyright copy 2017 MarketWatch, Inc. Todos os direitos reservados. Ao usar este site, você concorda com os Termos de Serviço. Política de Privacidade e Política de Cookies. Dados intraday fornecidos pela SIX Informações Financeiras e sujeito aos termos de uso. Dados históricos e atuais do fim do dia fornecidos pela SIX Financial Information. Dados intraday atrasados ​​por requisitos de troca. Índices SPDow Jones (SM) da Dow Jones Company, Inc. Todas as cotações estão em tempo de troca local. Dados em tempo real da última venda fornecidos pelo NASDAQ. Mais informações sobre o NASDAQ trocaram símbolos e seu status financeiro atual. Os dados intraday atrasaram 15 minutos para Nasdaq e 20 minutos para outras trocas. Índices SPDow Jones (SM) da Dow Jones Company, Inc. Os dados intrínsecos da SEHK são fornecidos pela SIX Financial Information e pelo menos 60 minutos atrasados. Todas as cotações estão em tempo de troca local. MarketWatch Top StoriesOil: Aumento da produção dos EUA afetará os ganhos pós-OPEC Por Erik Norland 09 de janeiro de 2017 O papel dos Estados Unidos como produtor de swing poderia assumir o centro do estágio no mercado de petróleo ressurgido, já que os produtores da OPEP reduziram a produção para aumentar os preços. Sete dos dias de negociação mais notáveis ​​de 2016 Por Bluford Putnam 04 de janeiro de 2017 Do resultado das eleições dos EUA para o corte da produção da OPEP, houve sete dias de negociação notáveis ​​no ano passado, cujos efeitos poderiam se transformar em 2017. O Fed aumenta as taxas, mais caminhadas para Siga em 2017 Por Bluford Putnam 15 de dezembro de 2016 Assista um vídeo do Economista Chefe do Grupo CME, Blu Putnam, do Futures Institute, que discute as implicações da caminhada de segunda classe da Feds desde a Grande Recessão. Negociação de opções de futuros

Shadow Trading System

DEFINIÇÃO da Sombra Uma sombra, ou um pavio, é uma linha encontrada em uma vela em um gráfico de candelabro que é usado para indicar onde o preço de uma ação flutuou em relação aos preços de abertura e fechamento. Essencialmente, essas sombras ilustram os preços mais altos e mais baixos nos quais uma garantia negociou durante um período de tempo específico. BREAKING DOWN Shadow Uma sombra pode ser localizada acima do preço de abertura ou abaixo do preço de fechamento. Quando há uma longa sombra no fundo da vela (como a de um martelo), há uma sugestão de aumento do nível de compra e, dependendo do padrão, potencialmente um fundo. Existem duas formas principais de análise na negociação: análise fundamental e técnica. A análise fundamental baseia-se no desempenho da empresa para fornecer pistas e informações sobre a direção futura do estoque. Analistas fundamentais rastreiam resultados e métricas de receita. Em comparação, analistas técnicos concentram-se nos movimentos de preço. Eles tentam identificar padrões de ação de preços e, em seguida, usam esses padrões para prever a direção do preço no futuro. A análise fundamental ajuda os analistas a selecionar quais ações negociarem, enquanto a análise técnica diz quando trocar. O gráfico de candlestick é uma das muitas ferramentas para análise técnica. Identificando o Shadow Cada formação de castiçal tem um aberto, alto, baixo e fechado. O aberto, alto, baixo e próximo refere-se aos preços das ações. Estes são os valores que criam o padrão do castiçal. A parte da caixa do castiçal, que é vazia ou cheia, é referida como o corpo. As linhas em cada extremidade do corpo são referidas como mecha ou sombra, e representam o intervalo alto ou baixo para o período de tempo ou carrapato. Os castiçais são usados ​​em várias medidas, como tempo e carrapatos, e vários quadros como um minuto, dois minutos, 1.000 carrapatos ou 2.000 carrapatos. Independentemente da medida ou quadro, a formação e as regras funcionam da mesma forma. Usando The Shadow Alguns analistas técnicos acreditam que uma sombra alta ou longa significa que o estoque girará ou inverterá. Alguns acreditam que uma sombra curta ou baixa significa que um aumento de preços está chegando. Em outras palavras, uma sombra alta e alta significa que uma desaceleração está chegando, enquanto uma sombra inferior alta significa que um aumento está chegando. Uma sombra superior alta ocorre quando o preço se move durante o período, mas volta para baixo, o que é um sinal de baixa. Uma sombra baixa e alta se forma quando os ursos empurram o preço para baixo, mas os touros o puxam de volta, o que deixa uma longa linha ou sombra. Isso é considerado um sinal de alta. Sistema bancário de sombra O que é o sistema bancário das sombras Um sistema bancário paralelo refere-se aos intermediários financeiros envolvidos na facilitação da criação de crédito em todo o sistema financeiro global, mas cujos membros não estão sujeitos a supervisão regulamentar. O sistema bancário paralelo também se refere a atividades não regulamentadas por instituições regulamentadas. Exemplos de intermediários não sujeitos a regulamentação incluem hedge funds, derivados não cotados e outros instrumentos não cotados, enquanto exemplos de atividades não regulamentadas por instituições regulamentadas incluem swaps de inadimplência de crédito. Carregando o jogador. BREAKING Down Sistema bancário Shadow O sistema bancário sombra escapou regulação principalmente porque não aceita depósitos bancários tradicionais. Como resultado, muitas das instituições e instrumentos conseguiram empregar maiores riscos de mercado, crédito e liquidez. E não têm requisitos de capital proporcionais a esses riscos. Após o colapso do subprime em 2008, as atividades do sistema bancário sombrio passaram por um crescente escrutínio e regulamentos. A Breadth of the US Shadow Banking System O Shadow banking é um termo geral para descrever atividades financeiras que ocorrem entre instituições financeiras não bancárias fora do escopo dos reguladores federais. Estes incluem bancos de investimento, credores hipotecários, fundos do mercado monetário, companhias de seguros, hedge funds, fundos de private equity e credores de payday, todos os quais são uma fonte significativa e crescente de crédito na economia. Apesar do maior nível de escrutínio das instituições bancárias das sombras na sequência da crise financeira, o setor cresceu significativamente, com mais de 25 trilhões de recursos que circulam pelo sistema em 2015. A maioria dos centros de atividades em torno da criação de empréstimos garantidos e Contratos de recompra utilizados para empréstimos de curto prazo entre instituições não bancárias e corretores. Os credores não bancários, como Quicken Loans, representam uma parcela crescente de hipotecas nos Estados Unidos. Um dos segmentos de crescimento mais rápido do setor bancário sombra é o empréstimo peer-to-peer (P2P), com credores populares, como o LendingClub e o Propser. Os credores P2P iniciaram mais de 1,7 bilhão de empréstimos em 2015. Quem está assistindo os bancos sombra Embora o setor bancário sombra desempenhe um papel crítico no atendimento ao aumento da demanda de crédito nos Estados Unidos, sua operação fora dos regulamentos bancários tradicionais levanta preocupações com o risco financeiro Isso representa para o sistema financeiro. As reformas promulgadas através do Ato Dodd-Frank de 2010 focaram principalmente no setor bancário, deixando o setor bancário paralelo em grande parte intacto. Embora o Ato tenha imposto uma maior responsabilidade sobre as empresas financeiras que vendem produtos financeiros exóticos, a maioria das atividades não bancárias ainda não estão regulamentadas. O Conselho da Reserva Federal propôs que os bancos não bancários, como os corretores, operam sob requisitos de margem similares aos bancos.

Melhor Livro Em Opções De Fx

Dennis é um comerciante forex privado a tempo parcial que se baseia nos EUA. Ele construiu um vasto conhecimento do comércio de moeda através da leitura e teste de estratégias em ambientes de negociação ao vivo usando somas muito pequenas. Isso permitiu que ele desenvolvesse seu próprio estilo de negociação específico que minimizasse o risco e maximizasse os ganhos. 10 de outubro Os 10 melhores livros para expandir seu conhecimento de Forex Permite usar este parágrafo introdutório como apenas um pouco de um aviso legal. Esta não é uma lista abrangente dos melhores livros forex. É difícil dizer o que é melhor porque cada leitor vai tirar coisas diferentes de cada trabalho. Nem tudo será relevante ou necessário para o seu estilo de negociação. Livros são sobre o melhor lugar para construir um corpo específico de conhecimento em oposição aos recursos da internet. Por que um livro que esteve fora por um longo período de tempo, terá sido lido (e provavelmente revisado) por várias outras pessoas. Você pode eliminar rapidamente os livros sub-par pesquisando opiniões sobre eles. Além disso, é preciso um pouco mais de esforço para escrever um livro do que para escrever um site ou um artigo de blog. Nem todo mundo vai tomar o tempo e o esforço para fazê-lo adequadamente, especialmente se eles estão apenas por dinheiro rápido ou para vender algum software ou robô de negociação automatizado. Então letrsquos começa com nossa lista dos 10 melhores livros para expandir seu conhecimento de forex. Troca de moeda por Dummies por Mark Galant e Brian Dolan Nível de habilidade: novato Novos comerciantes devem começar em algum lugar. A troca de moeda para Dummies cobre todos os conceitos básicos e essenciais apresentados de forma fácil de entender. É uma ótima plataforma para começar a aprender como o mercado funciona, fatores de condução e como efetivamente negociar. Os comerciantes avançados podem não demorar muito, como é implícito no fato de ser um livro para Dummies, mas pode valer a pena procurar atualizar os conceitos básicos se você tiver sofrido um downswing no desempenho. Este livro também oferece uma introdução excelente e fácil de entender para a análise fundamental. Comércio na Zona por Mark Douglas Nível de Habilidade: Moderado A psicologia e a mente são os maiores obstáculos a serem superados nas negociações bem-sucedidas. O comércio na Zona visa desconsiderar vários mitos e eliminar aleatoriedade como fator de sucesso. Ele fornece uma visão sobre olhar além da aleatoriedade percebida para fazer avaliações precisas do risco de negociação com base em fato. O equívoco do sucesso do comércio forex sendo puramente aleatório sabota o sucesso de muitos novos comerciantes. Day and Swing Trading the Currency Market: Estratégias técnicas e fundamentais para lucrar com movimentos de mercado por Kathy Lien Nível de habilidade: Moderado Se você ainda não encontrou uma estratégia que fale com você, essa oferta de Kathy Lien pode valer a pena um olhar forte. Kathy apresenta uma série de estratégias para longos períodos de tempo que abrangem os dois tipos de análise. Seu livro difere dos outros, na medida em que não recomeça os princípios básicos essenciais, ao mesmo tempo em que toca as estratégias. O foco é mais sobre as estratégias onde deveria ser. Os 10 Essentials of Forex Trading: as regras para transformar os padrões de negociação em lucro por Jared F. Martinez Nível de habilidade: novato Este livro prático aborda muitas áreas importantes para o comerciante de forex, como previsão e compreensão do mercado, métodos de gráficos, insights de um Comerciante experiente e gerenciamento de riscos. Como guia, é uma ótima plataforma para o novo comerciante ou para um comerciante experiente adicionar à sua caixa de ferramentas. O Guia Sensível para o Forex: formas mais seguras e inteligentes de sobreviver e prosperar desde o início por Cliff Wachtel Nível de habilidade: novato O Guia Sensível ao Forex difere de outros livros do tipo, pois não depende de alto risco e alta alavancagem Negocia ganhar dinheiro. Este livro é construído especificamente para o comerciante adverso ao risco. É escrito com comerciantes de varejo e de longo prazo em mente ao invés de ser espirrado com material voltado para profissionais. Melhorando o desempenho do comerciante: Estratégias comprovadas desde a ponta da Psicologia de Negociação por Brett Steenbarger Nível de Habilidade: Novato O jogo de psicologia é importante para ganhar na negociação forex. O Dr. Brett Steenbarger aborda muitos pontos psicológicos e corrige os equívocos neste trabalho. Seu corpo de conhecimento sobre os desafios que os comerciantes enfrentam vem de suas próprias atividades de tutoria e coaching. Deve-se notar que este livro pode não fornecer um grande valor aos comerciantes de varejo que não possuem o mesmo conjunto de recursos que um comerciante institucional pode ter por meio de sua empresa. Market Wizards por Jack Schwager Nível de Habilidade: Novice Market Wizards é mais um par de palavras-chave do que um título. Jack Schwager fez vários livros Market Wizards diferentes que são coleções de entrevistas com comerciantes de sucesso. Estes livros são um interessante vislumbre das personalidades e abordagens de vários comerciantes de sucesso. Eles não podem fornecer um tutorial ativo ou material educacional puro, mas há muito a aprender com aqueles que caminharam pela estrada à sua frente. Qualquer uma dessas séries é uma leitura que vale a pena. Técnicas de cartilagem de castiçal japonês por Steve Nison Nível de habilidade: Moderado Um oldie, mas um goodie, técnicas de cartografia de castiçal japonês é considerado um deve ter por muitos comerciantes técnicos. Steve fornece uma excelente visão sobre a aplicação de gráficos de candlestick com outros indicadores técnicos para prever os movimentos do mercado. Pode ser uma leitura difícil para o comerciante sem um bom conhecimento do básico, mas definitivamente vale a pena olhar mais longe na estrada. Castiçais e suas formações em níveis específicos, você pode contar muito sobre o que o mercado quer fazer. Faça o seu caminho para a liberdade financeira pelo Dr. Van Tharp Nível de habilidade: Novatos Os vários livros do Dr. Van Tharps fornecem uma visão valiosa sobre a base da formulação de estratégias vencedoras, entrevistas com melhores comerciantes e muitos dos desafios que os comerciantes enfrentarão. A popularidade do seu trabalho é o motivo que aparece nesta lista. Há muitos que concordam que seu trabalho é benéfico. No entanto, há críticas consideráveis ​​de que o trabalho é propositalmente elaborado com muitas sugestões para comprar produtos adicionais. De muitas maneiras, é mais uma ferramenta de marketing do que uma ferramenta educacional. Tenha em mente que você deve decidir gastar dinheiro em seu trabalho. Trading With Intermarket Analysis, Enhanced Edition: uma abordagem visual para superar os mercados financeiros usando fundos negociados em bolsa por John J. Murphy Nível de habilidade: Avançado A análise fundamental é um componente importante da negociação de longo prazo (em particular, meses de semanas). Ele pode fornecer insights sobre movimentos imediatos, mas eventos fundamentais normalmente levam mais tempo para jogar. O Trading With Intermarket Analysis é destinado a players financeiros em múltiplos mercados. Embora não seja estritamente um livro forex, ele fornece informações valiosas sobre como vários mercados financeiros trabalham uns com os outros com muitos princípios que se aplicam ao forex. Há tantos livros e materiais de educação em forex. Lembre-se de que nem todo conhecimento adquirido é relevante ou necessário para sua estratégia. Tome tudo com um grão de sal, leia, pesquise e teste. Tens o que as contas Demo são para depois. Tenham alguma sugestão para o material que você vê como leitura obrigatória. Deixe-nos saber nos comentários. Esta publicação foi escrita por Dennis Heil, um comerciante de Forex privado. Da Ventura CA. Você pode ler mais artigos de Dennis em sua página de autor MahiFX. Os quatro livros que você deve ler se você realmente deseja entender os mercados de moeda 25 de junho de 2015, 1:03 PM EDT Porque a taxa de câmbio é um preço relativo, não absoluto , O predicamento xA0is da thexA0SNBx2019s indica muito mais do que questões domésticas. Neste caso particular, a força do francauto também aponta para um desalinhamento regional que tem irritado as autoridades suíças por um bom tempo: como manter a posição tradicional da Suíça como um porto seguro e seu papel como lar de capital estrangeiro enquanto o Banco Central Europeu adotou Políticas monetárias experimentais envolvendo compra em grande escala de títulos e expansões significativas de seu balanço patrimonial. X2014xA0 Mohamed El-Erian, Bloomberg View Pensamos que o USD-CHF e as posições baixas no curto prazo do CHF-JPY parecem atraentes, independentemente da diferença da crise política grega. Previstimos USD-CHF para apreciar para 1,03 inxA0Q3 2015, que o mercado parece abaixo do preço ao atribuir apenas uma probabilidade de 8% e avançar para 1,08 no primeiro trimestre de 2016 e 1,11 no segundo trimestre de 2016. x2014xA0 Barclays As histórias de negócios mais importantes do dia. Receba o boletim diário Bloombergaposs. A escola, o trabalho e os hacks de vida que você precisa seguir em frente. Você receberá agora a newsletter do Game Plan. O franco suíço e o franco suíço estão nas notícias. A broca de dois minutos é que a nação é extremamente bem sucedida, enquanto os seus vizinhos não são. Assim, o dinheiro rola e ajuda a desestabilizar a economia. Há benefícios para os suíços, sim, mas também há problemas. Tudo é gerido pelo Banco Nacional Suíço em meio a um rugido debate político doméstico suíço. A coisa a se concentrar dentro da complexidade é a função do tempo: a Europa mais longa é surreal, os efeitos mais profundos e intratáveis ​​sobre a Suíça. Dois tratamentos estão acima. Dr. El-Erian escreve um ensaio brilhante para o Bloomberg View enrolado em torno de seu comando da teoria dos jogos euro-suíços. A equipe da FX da Barclays escreve uma nota baseada no mercado sobre como ganhar dinheiro e, de forma crítica, como não perder dinheiro no mercado de CHF, o CHF não possui uma insuficiência cardíaca quotcongestiva, seja o código ISO que os computadores do banco usam para francos suíços. Ambas as abordagens são complexas, avançadas e sofisticadas. Aqui estão três bons lugares para começar, se você realmente quer entender o FX: esta é uma queda na Bíblia da moeda. Ligue para o Codex FXus: pague a edição de capa dura. Há muito tempo e muito longe (pre-PDF pensa, a idade do quill) as pessoas inteligentes em Wall Street apertaram e protegiam sob o bloqueio de seus Michael Rosenberg, Xerox de 20 páginas em câmbio. Foi o trabalho de Merrill Lynch, Pierce, Fenner amp. Smith, mas todos em Wall Street queriam. Rosenberg foi brilhante e concisa, e ele combinou análises fundamentais e técnicas com a macroeconomia do FX. Então ele escreveu o livro acima. Foi um clássico instantâneo e ainda é incrivelmente valioso em 2015. Sim, algumas das 388 páginas são datadas, mas, em sua maior parte, expande o estranho espaço entre El-Erian e a nota de pesquisa do Barclays. Vale o seu peso em ouro ao ligar a dinâmica monetária internacional ao que realmente acontece nos mercados de moeda. Rosenberg é sobre síntese e liga economia e finanças diferentes. A previsão de moeda destrói, aproximadamente a cada 15 páginas, o inepto blather ouviu depois de horas nos bares de Wall Street e, por minuto, no businessxA0TV andxA0radio. Este livro é o primer: EUR-CHF: Pop Quiz Qual é o numerador que o denominador Sam Y. Cross escreveu este guia mais de duas décadas atrás. Ainda é o melhor curto, conciso, incomparável, deve ser lido no FX. Sim, é datado, mas a realidade sem corte é que é o caminho mais curto para a compreensão do mercado comercial real. Melhor ainda, arado através de Cross, então leia Rosenberg. Mais recente é essa jóia curta: Barry Eichengreen escreve livros longos e curtos. Esta é uma leitura rápida maravilhosa sobre seus medos internos do dólar. A China vencerá armas, todos vão morrer. Eichengreen tem costeletas acadêmicas de primeira ordem. Ele é o seguidor de alguns dos gigantes cobertos pelo clássico de Michael Rosenbergaposs. Aqui ele, como sempre em silêncio, explica por que o dólar americano é diferente e como a histeria sobre a marca do Deutsche, a libra libanesa, o franco suíço, o iene japonês e agora o renminbi chinês está exagerado. Finalmente, perguntei a Maury Harris, da UBS, se ele tivesse o livro axA0favorite FX: Aqui está Charles Kindleberger do MIT no FX e a condição humana. Os melhores 5 livros de Forex Trading A popularidade explosiva do comércio de Forex online foi refletida por uma grande quantidade de Livros sobre o assunto sendo publicados todos os anos. Escolher o melhor não é uma tarefa fácil e certamente outros livros poderiam ter feito essa lista. No entanto, na seleção abaixo, você encontrará um conhecimento poderoso por alguns dos melhores especialistas do negócio que o ajudarão a melhorar como comerciante. Também aqui estão a lista de ebooks de forex de qualidade gratuita para baixar agora. Guia de Forex e opções binárias gratuitas. Inscreva-se e faça o download aqui agora Etoro trading school programme e openbook aqui O líder do forex Markets oferece um ótimo web site gratuito de alta qualidade. Clique aqui para fazer o download de tudo Comércio de moeda e análise de mercado: Como lucrar com as correntes de mudança nos mercados globais Por Ashraf Ladi Poucas pessoas entendem o mercado de divisas como o autor deste livro. Como estrategista principal de um dos líderes mundiais do Forex, o Sr. Ladi oferece ao leitor sua análise das forças que estão por trás dos preços da moeda, bem como sua interação com taxas de juros, ações e commodities. Não há uma melhor fonte para ajudá-lo a entender: os motivos por trás da moeda, o ouro. Petróleo e outros preços das commodities e os movimentos das taxas de juros A relação entre as taxas de juros de curto e longo prazos e como pode ser usado para antecipar pontos decisivos no crescimento econômico A luta de poder em evolução entre o dólar e o euro Uma abordagem baseada em ouro para Valorizando as principais moedas e determinando suas forças e fraquezas seculares ao longo das últimas décadas. Este livro lhe dará uma compreensão sólida desses princípios e de muitos outros que o colocará em uma posição melhor para fazer negócios vencedores. Forex Trading para lucro máximo: o segredo mais bem guardado de Wall Street Por Raghee Horner Raghee Horner é um especialista autodidacta que começou a começar a operar na tenra idade de 17. Desde então, ela se tornou uma lenda no negócio e desenvolveu a sua própria Método de negociação técnica de Forex que ela compartilha com você neste livro. Totalmente focado em técnicas de análise e gráficos, o livro irá mostrar-lhe como replicar a estratégia de Horner8217s que lhe permitiu alcançar o retorno típico por comércio de 34. Simplesmente, ninguém melhor para ensinar a negociação de moeda técnica. 3 grátis ebook grátis forex para baixar agora Beat the Forex Dealer: Um insider8217s olha para negociar mercado de câmbio today8217s Por Agustin Silvani Este é um livro difícil que dissipa o mito de fazer dinheiro fácil no mercado Forex. O autor não escreve suas palavras, pois ele rapidamente aponta todas as razões pelas quais você não deve negociar moedas. A taxa de perda do mercado 8217s é o número um na lista. Ele continua a revelar a miríade de 8220dirty8221 práticas usadas por corretores on-line para roubar clientes de lucros, incluindo caça à parada, sombreamento de preços e negociação contra clientes. Torna-se claro que o investidor médio está jogando um jogo de cartas com o deck empilhado firmemente contra ele. Neste livro, o Sr. Silvani irá ensinar-lhe como evitar as armadilhas dos concessionários e implementar estratégias vencedoras. Dominando o Comércio: Técnicas comprovadas para lucrar com as configurações de comércio intra-americano e Swing Por John F. Carter Em 432 páginas, este livro é uma leitura elevada, mas também é uma que vale a pena o tempo. Nele, o comerciante veterano John Carter compartilha sua técnica única de cinco pontos desenvolvida ao longo de vinte anos de experimentação como comerciante de um dia. O autor deixa de lado o material geral e introdutório e, em vez disso, ensina ao leitor seus métodos testados pela batalha para: Determinar os níveis exatos de entrada, saída e parada de perda para negociações Preparando lista de verificação de mercado para analisar o comportamento recente do mercado e calcular o que fazer, como Faça isso e por que usar técnicas de controle de risco não negociáveis ​​que protejam o capital comercial e muito mais. Este é um livro orientado a resultados que irá fornecer-lhe as estratégias de negociação específicas, incluindo as configurações de gráfico necessárias, para executar negociações vencedoras consistentemente. Trinta dias de FOREX Trading: Trades, Tactics e Techniques Por Raghee Horner Outro excelente livro de Raghee Horner. Desta vez, ela leva o leitor para uma jornada de 30 dias, pois nos dá um acesso sem precedentes à sua rotina comercial. Estruturado como um jornal, cada capítulo leva os leitores a cada passo da jornada de trabalho da Sra. Horner8217s. Certamente, uma maneira divertida e eficaz de aprender como uma visão sobre o ombro8221 de um mestre em seu ofício. Há também um CD-ROM incluído com explicação detalhada dos negócios no livro pelo autor. Moedas de negociação não é para os fracos de coração. Em um mercado onde mais de 90 dos participantes perdem dinheiro, é preciso uma preparação, trabalho árduo e disciplina mental para se tornar um dos poucos bem-sucedidos. As técnicas e ferramentas fornecidas nestes livros irão ajudá-lo a vencer o mercado. Publicações relacionadas:

Frequência Exponencial Em Movimento Média Corte Off

Simulação de sistemas de modelagem e simulação: a rota mais curta para aplicativos Este site possui informações sobre modelagem e simulação discreta de sistemas de eventos. Inclui discussões sobre modelagem de simulação descritiva, comandos de programação, técnicas de estimativa de sensibilidade, otimização e busca de objetivos por simulação, e análise do que acontece. Os avanços no poder de computação, a disponibilidade de modelagem e simulação baseadas em PC e uma metodologia computacional eficiente permitem a modelagem de simulação prescrita de ponta, como a otimização para investigações em processos de análise, projeto e controle de sistemas que anteriormente estavam fora do alcance dos modeladores E tomadores de decisão. Para pesquisar o site. Experimente E dit F ind na página Ctrl f. Digite uma palavra ou frase na caixa de diálogo, p. ex. Quot optimizationquot ou quot sensitivityquot Se a primeira aparência da frase em palavra não for o que você procura, tente Find Next. Estatísticas e Probabilidade para Simulação Tópicos em Simulação Descritiva Técnicas de Modelagem para Estimativa de Sensibilidade Técnicas de Otimização Baseadas em Simulação Metamodelagem e Problemas de Procura de Objetivos Técnicas de Análise de Quais são Se Resumo Os usuários, administradores e designers do sistema informático geralmente têm o objetivo de desempenho mais alto a menor custo . A modelagem e a simulação do comércio de design de sistemas são uma boa preparação para decisões de design e engenharia em empregos do mundo real. Neste site, estudamos modelagem e simulação de sistemas informáticos. Precisamos de um conhecimento adequado das técnicas de modelagem de simulação e dos próprios sistemas simulados. O cenário descrito acima é apenas uma situação em que a simulação por computador pode ser efetivamente usada. Além da sua utilização como ferramenta para melhor compreensão e otimização do desempenho e / ou confiabilidade dos sistemas, a simulação também é amplamente utilizada para verificar a correção dos projetos. A maioria, senão todos os circuitos integrados digitais fabricados hoje, são simulados amplamente antes de serem fabricados para identificar e corrigir erros de projeto. A simulação no início do ciclo de projeto é importante porque o custo para reparar erros aumenta drasticamente o último no ciclo de vida do produto que o erro é detectado. Outra aplicação importante da simulação é o desenvolvimento de ambientes virtuais. por exemplo. para treinamento. Analogamente ao holodeck no popular programa de televisão de ficção científica Star Trek, as simulações geram ambientes dinâmicos com os quais os usuários podem interagir como se estivessem realmente lá. Essas simulações são usadas extensivamente hoje para treinar pessoal militar para situações de campo de batalha, em uma fração do custo de execução de exercícios envolvendo tanques reais, aeronaves, etc. A modelagem dinâmica em organizações é a capacidade coletiva de entender as implicações da mudança ao longo do tempo. Essa habilidade é o cerne de um processo de decisão estratégico bem sucedido. A disponibilidade de modelagem e simulação visual efetiva permite que o analista e o tomador de decisões promovam sua decisão dinâmica, ensaiando a estratégia para evitar armadilhas ocultas. A simulação do sistema é a imitação da operação de um sistema real, como a operação diária de um banco, ou o valor de um portfólio de estoque ao longo de um período de tempo, ou o funcionamento de uma linha de montagem em uma fábrica, ou A atribuição de pessoal de um hospital ou uma empresa de segurança, em um computador. Em vez de construir modelos matemáticos extensivos por especialistas, o software de simulação prontamente disponível possibilitou modelar e analisar o funcionamento de um sistema real por não especialistas, que são gerentes, mas não programadores. Uma simulação é a execução de um modelo, representado por um programa de computador que fornece informações sobre o sistema que está sendo investigado. A abordagem de simulação de análise de um modelo é oposta à abordagem analítica, onde o método de análise do sistema é puramente teórico. Como esta abordagem é mais confiável, a abordagem de simulação oferece mais flexibilidade e conveniência. As atividades do modelo consistem em eventos, que são ativados em determinados momentos e, desse modo, afetam o estado geral do sistema. Os pontos no tempo em que um evento é ativado são randomizados, portanto nenhuma entrada de fora do sistema é necessária. Os eventos existem de forma autônoma e são discretos, entre a execução de dois eventos, nada acontece. O SIMSCRIPT fornece uma abordagem baseada em processos para escrever um programa de simulação. Com essa abordagem, os componentes do programa consistem em entidades, que combinam vários eventos relacionados em um único processo. No campo da simulação, o conceito de princípio da equivalência computacional tem implicações benéficas para o tomador de decisão. A experimentação simulada acelera e substitui efetivamente a espera e vê ansiedades na descoberta de novas idéias e explicações sobre o comportamento futuro do sistema real. Considere o seguinte cenário. Você é o designer de uma nova opção para redes de modo de transferência assíncrono (ATM), uma nova tecnologia de comutação que apareceu no mercado nos últimos anos. A fim de ajudar a garantir o sucesso do seu produto nisso é um campo altamente competitivo, é importante que você projete a mudança para produzir o melhor desempenho possível, mantendo um custo de fabricação razoável. Quanta memória deve ser incorporada no switch Se a memória estiver associada a links de comunicação recebidos para limpar as mensagens à medida que elas chegam, ou deve ser associada a links de saída para manter mensagens concorrentes para usar o mesmo link Além disso, qual é a melhor organização de Componentes de hardware dentro do switch Estas são apenas algumas das questões que você deve responder ao prover um projeto. Com a integração da inteligência artificial, agentes e outras técnicas de modelagem, a simulação tornou-se um suporte de decisão eficaz e apropriado para os gerentes. Ao combinar a ciência emergente da complexidade com a tecnologia de simulação recentemente popularizada, o PricewaterhouseCoopers, o Emergent Solutions Group constrói um software que permite que a gerência sênior desempenhe com segurança o que se os cenários em mundos artificiais. Por exemplo, em um ambiente de varejo de consumo, ele pode ser usado para descobrir como os papéis de consumidores e funcionários podem ser simulados para atingir o máximo desempenho. Estatísticas para dados correlacionados Nós nos preocupamos com n realizações relacionadas ao tempo, isto é, tendo n observações correlacionadas, a estimativa da média é dada por S X i n médio, onde a soma é superior a i 1 a n. Onde a soma é superior a j 1 a m, então a variância estimada é: 1 43 2A S 2 n Onde S 2 a estimativa de variância usual rj, x o jº coeficiente de autocorrelação m o intervalo de tempo máximo para o qual as autocorrelações são computadas, tal que J 1, 2, 3. m Como uma boa regra geral, o intervalo máximo para o qual as autocorrelações são calculadas deve ser aproximadamente 2 do número de n realizações, embora cada rj, x possa ser testado para determinar se é significativamente diferente de zero. Determinação do tamanho da amostra: podemos calcular o tamanho mínimo da amostra exigido por n 1 43 2A S 2 t 2 (d 2 médio 2) Aplicação: uma corrida piloto foi feita de um modelo, observações numeradas 150, a média foi de 205,74 minutos e a variância S 2 101, 921.54, a estimativa dos coeficientes de lag foi calculada como: r 1, x 0.3301 r 2, x 0.2993 e r 3, x 0.1987. Calcule o tamanho mínimo da amostra para assegurar que a estimativa esteja dentro de 43 d 10 da média real com 0,05. N (1.96) 2 (101,921,54) 1 43 2 (1-14) 0,3301 43 (1 - 24) 0,2993 43 (1- 34) 0,197 (0,1) 2 (205,74) 2 O que é o teorema do limite central Para fins práticos, o principal A idéia do teorema do limite central (CLT) é que a média de uma amostra de observações extraídas de alguma população com qualquer distribuição de formas é aproximadamente distribuída como uma distribuição normal se certas condições forem atendidas. Nas estatísticas teóricas existem várias versões do teorema do limite central, dependendo de como essas condições são especificadas. Estes estão preocupados com os tipos de suposições feitas sobre a distribuição da população-mãe (população a partir da qual a amostra é desenhada) e o procedimento de amostragem real. Uma das versões mais simples do teorema diz que se é uma amostra aleatória de tamanho n (digamos, n maior que 30) de uma população infinita, desvio padrão finito. Então, a média padronizada da amostra converge para uma distribuição normal padrão ou, de forma equivalente, a média da amostra se aproxima de uma distribuição normal com média igual à média da população e desvio padrão igual ao desvio padrão da população dividido pela raiz quadrada do tamanho da amostra n. Em aplicações do teorema do limite central para problemas práticos na inferência estatística, no entanto, os estatísticos estão mais interessados ​​em quão próxima a distribuição aproximada da média da amostra segue uma distribuição normal para tamanhos de amostra finitos, do que a própria distribuição limitante. O acordo suficientemente completo com uma distribuição normal permite que os estatísticos usem a teoria normal para fazer inferências sobre os parâmetros da população (como a média) usando a média da amostra, independentemente da forma real da população-mãe. É bem sabido que, independentemente da população-mãe, a variável padronizada terá uma distribuição com uma média 0 e desvio padrão 1 em amostragem aleatória. Além disso, se a população-mãe é normal, então ela é distribuída exatamente como uma variável normal padrão para qualquer número inteiro positivo n. O teorema do limite central indica o resultado notável de que, mesmo quando a população-mãe não é normal, a variável padronizada é aproximadamente normal se o tamanho da amostra for grande o suficiente (digamos gt 30). Geralmente não é possível indicar condições sob as quais a aproximação dada pelo teorema do limite central funciona e quais tamanhos de amostra são necessários antes que a aproximação se torne suficientemente boa. Como uma orientação geral, os estatísticos usaram a receita de que, se a distribuição dos pais for simétrica e relativamente curta, a média da amostra atinge uma normalidade aproximada para amostras menores do que se a população-mãe estiver distorcida ou de cauda longa. Nesta lição, estudaremos o comportamento da média de amostras de diferentes tamanhos extraídas de uma variedade de populações de pais. Examinar as distribuições de amostragem de meios de amostra, calculados a partir de amostras de diferentes tamanhos tirados de uma variedade de distribuições, nos permitem obter uma visão do comportamento da média da amostra sob essas condições específicas, bem como examinar a validade das diretrizes mencionadas acima para usar a Teorema do limite central na prática. Sob certas condições, em grandes amostras, a distribuição de amostragem da média da amostra pode ser aproximada por uma distribuição normal. O tamanho da amostra necessária para que a aproximação seja adequada depende fortemente da forma da distribuição dos pais. A simetria (ou sua falta) é particularmente importante. Para uma distribuição original simétrica, mesmo que seja muito diferente da forma de uma distribuição normal, pode-se obter uma aproximação adequada com pequenas amostras (por exemplo, 10 ou 12 para a distribuição uniforme). Para distribuições parentais simétricas de cola curta, a média da amostra atinge uma normalidade aproximada para amostras menores do que se a população-mãe estiver distorcida e de cauda longa. Em alguns casos extremos (por exemplo, binomiais), são necessários tamanhos de amostras que excedem as diretrizes típicas (por exemplo, 30) para uma aproximação adequada. Para algumas distribuições sem primeiro e segundo instantes (por exemplo, Cauchy), o teorema do limite central não é válido. O que é um modelo de mínimos quadrados Muitos problemas na análise de dados envolvem descrever como as variáveis ​​estão relacionadas. O mais simples de todos os modelos que descrevem a relação entre duas variáveis ​​é um modelo linear ou linear. O método mais simples de montagem de um modelo linear é a bola ocular uma linha através dos dados em uma trama. Um método mais elegante e convencional é o dos mínimos quadrados, que encontra a linha minimizando a soma das distâncias entre pontos observados e a linha ajustada. Perceba que o ajuste da melhor linha por olho é difícil, especialmente quando há uma grande variabilidade residual nos dados. Saiba que existe uma conexão simples entre os coeficientes numéricos na equação de regressão e a inclinação e a intercepção da linha de regressão. Saiba que uma única estatística de resumo, como um coeficiente de correlação, não conta a história inteira. Uma trama de dispersão é um complemento essencial para examinar a relação entre as duas variáveis. ANOVA: Análise de Variância Os testes que aprendemos até este ponto nos permitem testar hipóteses que examinam a diferença entre apenas dois meios. A análise de variância ou ANOVA nos permitirá testar a diferença entre 2 ou mais meios. A ANOVA faz isso examinando a proporção de variabilidade entre duas condições e variabilidade dentro de cada condição. Por exemplo, digamos que damos uma droga que acreditamos que irá melhorar a memória de um grupo de pessoas e dar um placebo a outro grupo de pessoas. Podemos medir o desempenho da memória pelo número de palavras lembradas de uma lista que pedimos a todos para memorizar. Um teste t compararia a probabilidade de observar a diferença no número médio de palavras lembradas para cada grupo. Um teste de ANOVA, por outro lado, compararia a variabilidade que observamos entre as duas condições para a variabilidade observada em cada condição. Lembre-se de que nós medimos a variabilidade como a soma da diferença de cada pontuação da média. Quando calculamos uma ANOVA, usaremos uma fórmula curta. Assim, quando a variabilidade que prevemos (entre os dois grupos) é muito maior do que a variabilidade que não prevemos (dentro de cada grupo), concluiremos que nossos tratamentos produzem Resultados diferentes. Função de densidade exponencial Uma classe importante de problemas de decisão sob incerteza diz respeito à chance entre os eventos. Por exemplo, a chance de o período de tempo até a próxima quebra de uma máquina não exceder um certo tempo, como a máquina de cópia em seu escritório para não quebrar durante esta semana. A distribuição exponencial dá distribuição de tempo entre eventos independentes que ocorrem a uma taxa constante. Sua função de densidade é: onde l é o número médio de eventos por unidade de tempo, que é um número positivo. A média e a variância da variável aleatória t (tempo entre eventos) são 1 l. E 1 l 2. respectivamente. As aplicações incluem a avaliação probabilística do tempo entre a chegada dos pacientes à sala de emergência de um hospital e a chegada dos navios a uma determinada porta. Comentários: caso especial de ambas as distribuições Weibull e gama. Você pode gostar de usar Exponential Applet para executar seus cálculos. Você pode gostar de usar o seguinte teste de Lilliefors Exponencialmente para realizar o teste de qualidade de ajuste. Processo de Poisson Uma classe importante de problemas de decisão sob incerteza é caracterizada pela pequena chance de ocorrência de um evento específico, como um acidente. Dá probabilidade de ocorrências exatamente x independentes durante um determinado período de tempo se os eventos acontecerem independentemente e a uma taxa constante. Também pode representar o número de ocorrências em áreas ou volumes constantes. As seguintes afirmações descrevem o processo de Poisson. As ocorrências dos eventos são independentes. A ocorrência de eventos de um conjunto de suposições em um intervalo de espaço ou tempo não tem efeito sobre a probabilidade de uma segunda ocorrência do evento no mesmo intervalo, ou qualquer outro. Teoricamente, um número infinito de ocorrências do evento deve ser possível no intervalo. A probabilidade de ocorrência única do evento em um determinado intervalo é proporcional ao comprimento do intervalo. Em qualquer porção infinitesimamente pequena do intervalo, a probabilidade de mais de uma ocorrência do evento é insignificante. O processo de Poisson é freqüentemente usado, por exemplo, no controle de qualidade, confiabilidade, reivindicação do seguro, número de chamadas recebidas e teoria da fila. Uma Aplicação: Uma das aplicações mais úteis do Processo de Poisson está no campo da teoria da fila. Em muitas situações em que as filas ocorrem, verificou-se que o número de pessoas que se juntam à fila em um determinado período de tempo segue o modelo de Poisson. Por exemplo, se a taxa de chegadas a uma sala de emergência for l por unidade de período (digamos 1 hora), então: P (n chegadas) l n e - l n A média e variância da variável aleatória n são ambos l. No entanto, se a média e variância de uma variável aleatória com valores numéricos iguais, não é necessário que sua distribuição seja um Poisson. P (0 chegada) e - l P (1 chegada) l e - 1 1 P (2 chegada) l 2 e - l 2 e assim por diante. Em geral: P (n1 chegadas) l Pr (n chegadas) n. Você pode gostar de usar o Applet de Poisson para executar seus cálculos. Goodness-of-Fit para Poisson Substitua os dados de exemplo numéricos por seus pares de valores observados de até 14 pares de freqüências. E depois clique no botão Calcular. As caixas em branco não estão incluídas nos cálculos. Ao inserir seus dados para mover de célula para célula na matriz de dados, use a tecla Tab, sem seta ou digite as chaves. Aplicação de Função de Densidade Uniforme: Dá probabilidade de que a observação ocorra dentro de um intervalo particular quando a probabilidade de ocorrência dentro desse intervalo é diretamente proporcional ao comprimento do intervalo. Exemplo: Usado para gerar números aleatórios na amostragem e simulação de Monte Carlo. Comentários: Caso especial de distribuição beta. A função de massa da média geométrica de n uniformes independentes 0,1 é: P (X x) n x (n - 1) (Log1x n) (n -1) (n - 1). Z L U L - (1-U) L L diz que tem TuDys simétrico l - distribuição. Você pode gostar de usar o Applet Uniform para executar seus cálculos. Alguns comandos SPSS úteis Para mais programas SPSS úteis para a análise da entrada de entrada de simulação, visite as Rutinas de análise de dados. Geradores de números aleatórios Os geradores de números aleatórios uniformes clássicos têm alguns defeitos principais, como o curto período de duração e a falta de maior dimensão uniforme. No entanto, hoje em dia, há uma classe de geradores bastante complexos que é tão eficiente quanto os geradores clássicos enquanto desfruta da propriedade de um período muito mais longo e de uma uniformidade de maior dimensão. Programas de computador que geram números aleatórios usam um algoritmo. Isso significa que se você conhece o algoritmo e os valores de semente, você pode prever o que os números irão resultar. Porque você pode prever os números que eles não são verdadeiramente aleatórios - eles são pseudorandom. Para fins estatísticos, bons geradores de números de pseudorandom são bons o suficiente. O código Random Number Generator RANECU A FORTRAN para um gerador de números aleatórios uniformes em 0,1. O RANECU é um gerador congruente linear multiplicativo adequado para uma plataforma de 16 bits. Ele combina três geradores simples e tem um período superior a 81012. Ele é construído para um uso mais eficiente, fornecendo uma seqüência de tais números, o LEN no total, para ser retornado em uma única chamada. Um conjunto de três sementes inteiras não-zero pode ser fornecido, falhando em que um conjunto padrão é empregado. Se forem fornecidas, essas três sementes, em ordem, devem estar nas faixas 1.32362, 1.31726 e 1.31656, respectivamente. A rotina de baralhar no Visual Basic O método do histograma quadrado É dado um histograma, com barras verticais com alturas proporcionais à probabilidade com que queremos produzir um valor indicado pelo rótulo na base. Um simples histograma, colocado em plano, pode ser: a idéia é cortar as barras em pedaços, em seguida, montá-las em um histograma quadrado, todas as alturas iguais, com cada barra final com uma parte inferior, bem como uma parte superior indicando onde veio de. Uma única variável aleatória uniforme U pode então ser usada para escolher uma das barras finais e para indicar se deve usar a parte inferior ou superior. Há muitas maneiras de fazer isso cortando e remontando o mais simples parece ser o Algoritmo de Robin Hood: tire do mais rico para levar os mais pobres até a média. PASSO 1: O histograma original (horizontal), altura média 20: Pegue 17 da faixa a para trazer a faixa e acima da média. Registre o dador e use o antigo nível pobre para marcar a parte inferior do donatário: depois traga d até a média com o doador b. Registre o doador e use o antigo nível pobre para marcar a parte inferior do donatário: em seguida, traga uma média até a média com o doador c. Registre o doador e use o antigo nível pobre para marcar a parte inferior do donatário: Finalmente, traga b até a média com o doador c. Registre o doador e use o nível antigo e pobre para marcar a parte inferior do donee: agora temos um histograma quadrado, ou seja, um retângulo com 4 tiras de área igual, cada tira com duas regiões. Uma única variável uniforme U pode ser usada para gerar a, b, c, d, e com as probabilidades requeridas. 32. 27. 26. 12 .06. Configuração: faça tabelas, seja j a parte inteira de 15U, com U uniforme em (0,1). Se U lt Tj retornar Vj, então, devolva VKj. Em muitas aplicações, nenhuma tabela V é necessária: Vii e o procedimento de geração se torna Se U lt Tj retornar j, então, retornar Kj. Referências Leituras adicionais: Aiello W. S. Rajagopalan e R. Venkatesan, Design de geradores de números aleatórios práticos e provávelmente bons, Journal of Algorithms. 29, 358-389, 1998. Dagpunar J. Princípios da Geração Variável Aleatória. Clarendon, 1988. Fishman G. Monte Carlo. Springer, 1996. James, versão Fortran do gerador LEcuyer, Comput. Phys. Comm. . 60, 329-344, 1990. Knuth D. The Art of Computer Programming, Vol. 2. Addison-Wesley, 1998. LEcuyer P. Geradores de números aleatórios combinados eficientes e portáteis, Comm. ACM, 31, 742-749, 774, 1988. LEcuyer P. Geração aleatória de números aleatórios, Ann. Op. Res. 53, 77-120, 1994. LEcuyer P. Geração de números aleatórios. No Manual de Simulação. J. Banks (ed.), Wiley, 1998. Maurer U. Um teste estatístico universal para geradores de bits aleatórios, J. Cryptology. 5, 89-105, 1992. Sobol I. e Y. Levitan, um gerador de números pseudo-aleatórios para computadores pessoais, Matemática de computadores com aplicativos. 37 (4), 33-40, 1999. Tsang W-W. Um algoritmo de árvore de decisão para esquartejar o histograma na geração de números aleatórios, Ars Combinatoria. 23A, 291-301, 1987 Teste de aleatorização Precisamos testar tanto a aleatoriedade quanto a uniformidade. Os testes podem ser classificados em 2 categorias: testes empíricos ou estatísticos e testes teóricos. Os testes teóricos lidam com as propriedades do gerador usado para criar a realização com a distribuição desejada e não olhe o número gerado. Por exemplo, não usaríamos um gerador com poucas qualidades para gerar números aleatórios. Os testes estatísticos baseiam-se unicamente nas observações aleatórias produzidas. Teste de aleatoriedade: A. Teste de independência: trace a x i realização versus x i1. Se houver independência, o gráfico não mostrará nenhum padrão distintivo, mas será perfeitamente disperso. B. Executa testes. (Run-ups, run-downs): Este é um teste direto da suposição de independência. Existem duas estatísticas de teste a considerar: uma baseada em uma aproximação normal e outra usando aproximações numéricas. Teste baseado na aproximação normal: suponha que você tenha N realizações aleatórias. Deixe um ser o número total de execuções em uma seqüência. Se o número de corridas positivas e negativas for superior a 20, a distribuição de a é razoavelmente aproximada por uma distribuição Normal com média (2N - 1) 3 e (16N - 29) 90. Rejeitar a hipótese de independência ou existência de corridas Se Zo gt Z (1-alpha2) onde Zo é o escore Z. C. Testes de correlação: os números aleatórios exibem uma correlação discernível. Calcule a função de autenticação da amostra. Frequência ou Teste de Distribuição Uniforme: use o teste de Kolmogorov-Smirimov para determinar se as realizações seguem um U (0,1) Referências Leituras adicionais: Headrick T. Transformação de polinômio de quinta ordem rápida para gerar distribuições não convencionais univariadas e multivariadas, Estatísticas computacionais e análise de dados . 40 (4), 685-711, 2002. Karian Z. e E. Dudewicz, Modern Statistical Systems e GPSS Simulation. CRC Press, 1998. Kleijnen J. e W. van Groenendaal, Simulação: uma perspectiva estatística. Wiley, Chichester, 1992 Os experimentos estatísticos de Korn G. Real podem usar software de pacote de simulação, prática de modelagem de simulação e teoria. 13 (1), 39-54, 2005. Lewis P. e E. Orav, metodologia de simulação para estatísticos, analistas de operações e engenheiros. Wadsworth Inc. 1989 Madu Ch. E Ch-H. Kuei, Projetos Estatísticos Experimentais e Análise em Modelagem de Simulação. Greenwood Publishing Group, 1993. Pang K. Z. Yang, S. Hou e P. Leung, geração variável aleatória não uniforme pelo método da tira vertical, European Journal of Operational Research. 142 (3), 595-609, 2002. Robert C. e G. Casella, Métodos estatísticos de Monte Carlo. Springer, 1999. Simulação de modelagem A simulação em geral é fingir que se lida com uma coisa real enquanto realmente trabalha com uma imitação. Na pesquisa de operações, a imitação é um modelo informático da realidade simulada. Um simulador de vôo em um PC também é um modelo de computador de alguns aspectos do vôo: ele mostra na tela os controles e o que o piloto (o jovem que o opera) deve ver do cockpit (sua poltrona). Por que usar modelos Para voar um simulador é mais seguro e mais barato do que o avião real. Por esse motivo precisamente, os modelos são usados ​​no comércio e nos militares da indústria: é muito dispendioso, perigoso e muitas vezes impossível fazer experimentos com sistemas reais. Desde que os modelos sejam descrições adequadas da realidade (são válidos), experimentar com elas pode economizar dinheiro, sofrer e até mesmo tempo. Quando usar simulações Sistemas que mudam com o tempo, como um posto de gasolina onde os carros vão e vão (chamados sistemas dinâmicos) e envolvem aleatoriedade. Ninguém pode adivinhar exatamente a que horas o próximo carro deve chegar à estação, são bons candidatos para a simulação. A modelagem de sistemas dinâmicos complexos teoricamente precisa de muitas simplificações e os modelos emergentes podem não ser válidos. A simulação não requer muitos pressupostos simplificadores, tornando-se a única ferramenta mesmo na ausência de aleatoriedade. Como simular Suponha que estamos interessados ​​em um posto de gasolina. Podemos descrever o comportamento deste sistema graficamente, traçando o número de carros na estação, o estado do sistema. Toda vez que chega um carro, o gráfico aumenta em uma unidade enquanto um carro de partida faz com que o gráfico caia uma unidade. Este gráfico (chamado caminho da amostra), pode ser obtido a partir da observação de uma estação real, mas também pode ser artificialmente construído. Essa construção artificial e a análise do caminho de amostra resultante (ou mais caminhos de amostra em casos mais complexos) consiste na simulação. Tipos de simulações: evento discreto. O caminho da amostra acima consistiu em apenas linhas horizontais e verticais, pois as chegadas e partidas de carros ocorreram em diferentes pontos de tempo, o que nos referimos como eventos. Entre dois eventos consecutivos, nada acontece - o gráfico é horizontal. Quando o número de eventos é finito, chamamos o evento discreto de simulação. Em alguns sistemas, o estado muda o tempo todo, não apenas no momento de alguns eventos discretos. Por exemplo, o nível de água em um reservatório com entradas e saídas recebidas pode mudar o tempo todo. Nesses casos, a simulação contínua é mais apropriada, embora simulação discreta de eventos possa servir de aproximação. Consideração mais detalhada de simulações de eventos discretos. Como é realizada a simulação As simulações podem ser realizadas manualmente. Na maioria das vezes, no entanto, o modelo do sistema é escrito como um programa de computador (para um exemplo, clique aqui) ou como algum tipo de entrada no software do simulador. Estado: uma variável que caracteriza um atributo no sistema, como o nível de estoque no inventário ou o número de trabalhos em espera de processamento. Evento: ocorrência em um ponto no tempo que pode mudar o estado do sistema, como a chegada de um cliente ou o início do trabalho em um trabalho. Entidade: um objeto que passa pelo sistema, como carros em uma interseção ou ordens em uma fábrica. Muitas vezes, um evento (por exemplo, chegada) está associado a uma entidade (por exemplo, cliente). Fila: uma fila não é apenas uma fila física de pessoas, também pode ser uma lista de tarefas, um buffer de produtos acabados esperando o transporte ou qualquer lugar onde as entidades esperem que algo aconteça por qualquer motivo. Criando: criar está causando a chegada de uma nova entidade ao sistema em algum momento. Agendamento: o agendamento é o ato de atribuir um novo evento futuro a uma entidade existente. Variável aleatória: uma variável aleatória é uma quantidade incerta, como o tempo interarrival entre dois vôos recebidos ou o número de peças defeituosas em uma remessa. Variação aleatória: uma variável aleatória é uma variável aleatória gerada artificialmente. Distribuição: uma distribuição é a lei matemática que rege as características probabilísticas de uma variável aleatória. Um exemplo simples: construindo um posto de simulação com uma única bomba servida por um único homem de serviço. Suponha que a chegada dos carros também os tempos de serviço são aleatórios. Inicialmente, identifique: estados: número de carros em espera de serviço e número de carros atendidos em qualquer momento eventos: chegada de carros, início de serviço, entidades de fim de serviço: são a fila de carros: a fila de carros em frente ao Bomba, aguardando realizações aleatórias de serviço: tempos interarrival, distribuições de tempos de serviço: devemos assumir distribuições exponenciais tanto para o tempo interarrival quanto para o tempo de serviço. Em seguida, especifique o que fazer em cada evento. O exemplo acima seria assim: no evento da chegada da entidade: Criar próxima chegada. Se o servidor estiver livre, envie a entidade para o início do serviço. Caso contrário, ele se junta à fila. No evento do início do serviço: o servidor se torna ocupado. Programe o fim do serviço para esta entidade. No evento do fim do serviço: o servidor torna-se gratuito. Se alguma entidade aguardando na fila: remova a primeira entidade da fila, envie-a para o início do serviço. Alguma iniciação ainda é necessária, por exemplo, a criação da primeira chegada. Por fim, o acima é traduzido em código. Isso é fácil com uma biblioteca apropriada que possui sub-rotinas para criação, agendamento, cronogramas adequados de eventos, manipulações de filas, geração de variação aleatória e coleta de estatísticas. Como simular Além do acima, o programa registra o número de carros no sistema antes e depois de cada mudança, juntamente com o comprimento de cada evento. Desenvolvimento de sistemas de simulação Os sistemas de eventos discretos (DES) são sistemas dinâmicos que evoluem no tempo pela ocorrência de eventos em intervalos de tempo possivelmente irregulares. DES abundam em aplicações do mundo real. Exemplos incluem sistemas de tráfego, sistemas flexíveis de fabricação, sistemas de comunicação por computador, linhas de produção, sistemas de vida coerentes e redes de fluxo. A maioria desses sistemas pode ser modelada em termos de eventos discretos cuja ocorrência faz com que o sistema mude de um estado para outro. Ao projetar, analisar e operar sistemas tão complexos, um está interessado não só na avaliação de desempenho, mas também na análise e otimização de sensibilidade. Um sistema estocástico típico possui um grande número de parâmetros de controle que podem ter um impacto significativo no desempenho do sistema. To establish a basic knowledge of the behavior of a system under variation of input parameter values and to estimate the relative importance of the input parameters, sensitivity analysis applies small changes to the nominal values of input parameters. For systems simulation, variations of the input parameter values cannot be made infinitely small. The sensitivity of the performance measure with respect to an input parameter is therefore defined as (partial) derivative. Sensitivity analysis is concerned with evaluating sensitivities (gradients, Hessian, etc.) of performance measures with respect to parameters of interest. It provides guidance for design and operational decisions and plays a pivotal role in identifying the most significant system parameters, as well as bottleneck subsystems. I have carried out research in the fields of sensitivity analysis and stochastic optimization of discrete event systems with an emphasis on computer simulation models. This part of lecture is dedicated to the estimation of an entire response surface of complex discrete event systems (DES) from a single sample path (simulation), such as the expected waiting time of a customer in a queuing network, with respect to the controllable parameters of the system, such as service rates, buffer sizes and routing probabilities. With the response surfaces at hand, we are able to perform sensitivity analysis and optimization of a DES from a single simulation, that is, to find the optimal parameters of the system and their sensitivities (derivatives), with respect to uncontrollable system parameters, such as arrival rates in a queuing network. We identified three distinct processes. Descriptive Analysis includes: Problem Identification Formulation, Data Collection and Analysis, Computer Simulation Model Development, Validation, Verification and Calibration, and finally Performance Evaluation. Prescriptive Analysis: Optimization or Goal Seeking. These are necessary components for Post-prescriptive Analysis: Sensitivity, and What-If Analysis. The prescriptive simulation attempts to use simulation to prescribe decisions required to obtain specified results. It is subdivided into two topics - Goal Seeking and Optimization. Recent developments on single-run algorithms for the needed sensitivities (i. e. gradient, Hessian, etc.) make the prescriptive simulation feasible. Click on the image to enlarge it and THEN print it. Problem Formulation: Identify controllable and uncontrollable inputs. Identify constraints on the decision variables. Define measure of system performance and an objective function. Develop a preliminary model structure to interrelate the inputs and the measure of performance. Click on the image to enlarge it and THEN print it. Data Collection and Analysis: Regardless of the method used to collect the data, the decision of how much to collect is a trade-off between cost and accuracy. Simulation Model Development: Acquiring sufficient understanding of the system to develop an appropriate conceptual, logical and then simulation model is one of the most difficult tasks in simulation analysis. Model Validation, Verification and Calibration: In general, verification focuses on the internal consistency of a model, while validation is concerned with the correspondence between the model and the reality. The term validation is applied to those processes which seek to determine whether or not a simulation is correct with respect to the real system. More prosaically, validation is concerned with the question Are we building the right system. Verification, on the other hand, seeks to answer the question Are we building the system right Verification checks that the implementation of the simulation model (program) corresponds to the model. Validation checks that the model corresponds to reality. Calibration checks that the data generated by the simulation matches real (observed) data. Validation: The process of comparing the models output with the behavior of the phenomenon. In other words: comparing model execution to reality (physical or otherwise) Verification: The process of comparing the computer code with the model to ensure that the code is a correct implementation of the model. Calibration: The process of parameter estimation for a model. Calibration is a tweakingtuning of existing parameters and usually does not involve the introduction of new ones, changing the model structure. In the context of optimization, calibration is an optimization procedure involved in system identification or during experimental design. Input and Output Analysis: Discrete-event simulation models typically have stochastic components that mimic the probabilistic nature of the system under consideration. Successful input modeling requires a close match between the input model and the true underlying probabilistic mechanism associated with the system. The input data analysis is to model an element (e. g. arrival process, service times) in a discrete-event simulation given a data set collected on the element of interest. This stage performs intensive error checking on the input data, including external, policy, random and deterministic variables. System simulation experiment is to learn about its behavior. Careful planning, or designing, of simulation experiments is generally a great help, saving time and effort by providing efficient ways to estimate the effects of changes in the models inputs on its outputs. Statistical experimental-design methods are mostly used in the context of simulation experiments. Performance Evaluation and What-If Analysis: The what-if analysis is at the very heart of simulation models. Sensitivity Estimation: Users must be provided with affordable techniques for sensitivity analysis if they are to understand which relationships are meaningful in complicated models. Optimization: Traditional optimization techniques require gradient estimation. As with sensitivity analysis, the current approach for optimization requires intensive simulation to construct an approximate surface response function. Incorporating gradient estimation techniques into convergent algorithms such as Robbins-Monroe type algorithms for optimization purposes, will be considered. Gradient Estimation Applications: There are a number of applications which measure sensitivity information, (i. e. the gradient, Hessian, etc.), Local information, Structural properties, Response surface generation, Goal-seeking problem, Optimization, What-if Problem, and Meta-modelling Report Generating: Report generation is a critical link in the communication process between the model and the end user. A Classification of Stochastic Processes A stochastic process is a probabilistic model of a system that evolves randomly in time and space. Formally, a stochastic process is a collection of random variables all defined on a common sample (probability) space. The X(t) is the state while (time) t is the index that is a member of set T. Examples are the delay of the ith customer and number of customers in the queue at time t in an MM1 queue. In the first example, we have a discrete - time, continuous state, while in the second example the state is discrete and time in continuous. The following table is a classification of various stochastic processes. The man made systems have mostly discrete state. Monte Carlo simulation deals with discrete time while in discrete even system simulation the time dimension is continuous, which is at the heart of this site. Change in the States of the System A Classification of Stochastic Processes Simulation Output Data and Stochastic Processes To perform statistical analysis of the simulation output we need to establish some conditions, e. g. output data must be a covariance stationary process (e. g. the data collected over n simulation runs). Stationary Process (strictly stationary): A stationary stochastic process is a stochastic process with the property that the joint distribution all vectors of h dimension remain the same for any fixed h. First Order Stationary: A stochastic process is a first order stationary if expected of X(t) remains the same for all t. For example in economic time series, a process is first order stationary when we remove any kinds of trend by some mechanisms such as differencing. Second Order Stationary: A stochastic process is a second order stationary if it is first order stationary and covariance between X(t) and X(s) is function of t-s only. Again, in economic time series, a process is second order stationary when we stabilize also its variance by some kind of transformations such as taking square root. Clearly, a stationary process is a second order stationary, however the reverse may not hold. In simulation output statistical analysis we are satisfied if the output is covariance stationary . Covariance Stationary: A covariance stationary process is a stochastic process having finite second moments, i. e. expected of X(t) 2 be finite. Clearly, any stationary process with finite second moment is covariance stationary. A stationary process may have no finite moment whatsoever. Since a Gaussian process needs a mean and covariance matrix only, it is stationary (strictly) if it is covariance stationary. Two Contrasting Stationary Process: Consider the following two extreme stochastic processes: - A sequence Y 0 . Y 1 . of independent identically distributed, random-value sequence is a stationary process, if its common distribution has a finite variance then the process is covariance stationary. - Let Z be a single random variable with known distribution function, and set Z 0 Z 1 . Z. Note that in a realization of this process, the first element, Z 0, may be random but after that there is no randomness. The process i . i 0, 1, 2. is stationary if Z has a finite variance. Output data in simulation fall between these two type of process. Simulation outputs are identical, and mildly correlated (how mild It depends on e. g. in a queueing system how large is the traffic intensity r ). An example could be the delay process of the customers in a queueing system. Techniques for the Steady State Simulation Unlike in queuing theory where steady state results for some models are easily obtainable, the steady state simulation is not an easy task. The opposite is true for obtaining results for the transient period (i. e. the warm-up period). Gather steady state simulation output requires statistical assurance that the simulation model reached the steady state. The main difficulty is to obtain independent simulation runs with exclusion of the transient period. The two technique commonly used for steady state simulation are the Method of Batch means, and the Independent Replication. None of these two methods is superior to the other in all cases. Their performance depend on the magnitude of the traffic intensity. The other available technique is the Regenerative Method, which is mostly used for its theoretical nice properties, however it is rarely applied in actual simulation for obtaining the steady state output numerical results. Suppose you have a regenerative simulation consisting of m cycles of size n 1 . n 2,n m . respectivamente. The cycle sums is: The overall estimate is: Estimate S y i S n i . the sums are over i1, 2. m The 100(1- a 2) confidence interval using the Z-table (or T-table, for m less than, say 30), is: Estimate 177 Z. S (n. m ) n S n i m, the sum is over i1, 2. m and the variance is: S 2 S (y i - n i . Estimate) 2 (m-1), the sum is over i1, 2. m Method of Batch Means: This method involves only one very long simulation run which is suitably subdivided into an initial transient period and n batches. Each of the batch is then treated as an independent run of the simulation experiment while no observation are made during the transient period which is treated as warm-up interval. Choosing a large batch interval size would effectively lead to independent batches and hence, independent runs of the simulation, however since number of batches are few on cannot invoke the central limit theorem to construct the needed confidence interval. On the other hand, choosing a small batch interval size would effectively lead to significant correlation between successive batches therefore cannot apply the results in constructing an accurate confidence interval. Suppose you have n equal batches of m observations each. The means of each batch is: mean i S x ij m, the sum is over j1, 2. m The overall estimate is: Estimate S mean i n, the sum is over i1, 2. n The 100(1- a 2) confidence interval using the Z-table (or T-table, for n less than, say 30), is: Estimate 177 Z. S where the variance is: S 2 S (mean i - Estimate) 2 (n-1), the sum is over i1, 2. n Method of Independent Replications: This method is the most popularly used for systems with short transient period. This method requires independent runs of the simulation experiment different initial random seeds for the simulators random number generator. For each independent replications of the simulation run it transient period is removed. For the observed intervals after the transient period data is collected and processed for the point estimates of the performance measure and for its subsequent confidence interval. Suppose you have n replications with of m observations each. The means of each replication is: mean i S x ij m, the sum is over j1, 2. m The overall estimate is: Estimate S mean i n, the sum is over i1, 2. n The 100(1- a 2) confidence interval using the Z-table (or T-table, for n less than, say 30), is: Estimate 177 Z. S where the variance is: S 2 S (mean i - Estimate) 2 (n-1), the sum is over i1, 2. n Further Reading: Sherman M. and D. Goldsman, Large-sample normality of the batch-means variance estimator, Operations Research Letters . 30, 319-326, 2002. Whitt W. The efficiency of one long run versus independent replications in steady-state simulation, Management Science . 37(6), 645-666, 1991. Determination of the Warm-up Period To estimate the long-term performance measure of the system, there are several methods such as Batch Means, Independent Replications and Regenerative Method. Batch Means is a method of estimating the steady-state characteristic from a single-run simulation. The single run is partitioned into equal size batches large enough for estimates obtained from different batches to be approximately independent. In the method of Batch Means, it is important to ensure that the bias due to initial conditions is removed to achieve at least a covariance stationary waiting time process. An obvious remedy is to run the simulation for a period large enough to remove the effect of the initial bias. During this warm-up period, no attempt is made to record the output of the simulation. The results are thrown away. At the end of this warm-up period, the waiting time of customers are collected for analysis. The practical question is How long should the warm-up period be. Abate and Whitt provided a relatively simple and nice expression for the time required (t p ) for an MM1 queue system (with traffic intensity r ) starting at the origin (empty) to reach and remain within 100p of the steady - state limit as follows: C( r )2 r ( r 2 4 r ) 4. Some notions of t p ( r ) as a function of r and p, are given in following table: Time ( t p ) required for an MM1 queue to reach and remain with 100p limits of the steady-state value. Although this result is developed for MM1 queues, it has already been established that it can serve as an approximation for more general i. e. GIG1 queues. Further Reading: Abate J. and W. Whitt, Transient behavior of regular Brownian motion, Advance Applied Probability . 19, 560-631, 1987. Chen E. and W. Kelton, Determining simulation run length with the runs test, Simulation Modelling Practice and Theory . 11, 237-250, 2003. Determination of the Desirable Number of Simulation Runs The two widely used methods for experimentation on simulation models are method of bath means, and independent replications. Intuitively one may say the method of independent replication is superior in producing statistically a good estimate for the systems performance measure. In fact, not one method is superior in all cases and it all depends on the traffic intensity r. After deciding what method is more suitable to apply, the main question is determination of number of runs. That is, at the planning stage of a simulation investigation of the question of number of simulation runs (n) is critical. The confidence level of simulation output drawn from a set of simulation runs depends on the size of data set. The larger the number of runs, the higher is the associated confidence. However, more simulation runs also require more effort and resources for large systems. Thus, the main goal must be in finding the smallest number of simulation runs that will provide the desirable confidence. Pilot Studies: When the needed statistics for number of simulation runs calculation is not available from existing database, a pilot simulation is needed. For large pilot simulation runs (n), say over 30, the simplest number of runs determinate is: where d is the desirable margin of error (i. e. the absolute error), which is the half-length of the confidence interval with 100(1- a ) confidence interval. S 2 is the variance obtained from the pilot run. One may use the following sample size determinate for a desirable relative error D in , which requires an estimate of the coefficient of variation (C. V. in ) from a pilot run with n over 30: These sample size determinates could also be used for simulation output estimation of unimodal output populations, with discrete or continuous random variables provided the pilot run size (n) is larger than (say) 30. The aim of applying any one of the above number of runs determinates is at improving your pilot estimates at feasible costs. You may like using the following Applet for determination of number of runs. Further Reading: Daz-Emparanza I, Is a small Monte Carlo analysis a good analysis Checking the size power and consistency of a simulation-based test, Statistical Papers . 43(4), 567-577, 2002. Whitt W. The efficiency of one long run versus independent replications in steady-state simulation, Management Science . 37(6), 645-666, 1991. Determination of Simulation Runs Size At the planning stage of a simulation modeling the question of number of simulation runs (n) is critical. The following Java applets compute the needed Runs Size based on current avialable information ontained from a pilot simulation run, to achieve an acceptable accuracy andor risk. Enter the needed information, and then click the Calculate button. The aim of applying any one of the following number of simulation runs determinates is at improving your pilot estimates at a feasible cost. Notes: The normality condition might be relaxed for number of simulation runs over, say 30. Moreover, determination of number of simulation runs for mean could also be used for other unimodal simulation output distributions including those with discrete random variables, such as proportion, provided the pilot run is sufficiently large (say, over 30). Runs Size with Acceptable Absolute Precision Simulation Software Selection The vast amount of simulation software available can be overwhelming for the new users. The following are only a random sample of software in the market today: ACSL, APROS, ARTIFEX, Arena, AutoMod, CSIM, CSIM, Callim, FluidFlow, GPSS, Gepasi, JavSim, MJX, MedModel, Mesquite, Multiverse, NETWORK, OPNET Modeler, POSES, Simulat8, Powersim, QUEST, REAL, SHIFT, SIMPLE, SIMSCRIPT, SLAM, SMPL, SimBank, SimPlusPlus, TIERRA, Witness, SIMNON, VISSIM, and javasim. There are several things that make an ideal simulation package. Some are properties of the package, such as support, reactivity to bug notification, interface, etc. Some are properties of the user, such as their needs, their level of expertise, etc. For these reasons asking which package is best is a sudden failure of judgment. The first question to ask is for what purpose you need the software Is it for education, teaching, student-projects or research The main question is: What are the important aspects to look for in a package The answer depends on specific applications. However some general criteria are: Input facilities, Processing that allows some programming, Optimization capability, Output facilities, Environment including training and support services, Input-output statistical data analysis capability, and certainly the Cost factor. You must know which features are appropriate for your situation, although, this is not based on a Yes or No judgment. For description of available simulation software, visit Simulation Software Survey. Reference Further Reading: Nikoukaran J. Software selection for simulation in manufacturing: A review, Simulation Practice and Theory . 7(1), 1-14, 1999. Animation in Systems Simulation Animation in systems simulation is a useful tool. Most graphically based software packages have default animation. This is quite useful for model debugging, validation, and verification. This type of animation comes with little or no additional effort and gives the modeler additional insight into how the model. This type of animation comes with little or no additional effort and gives the modeler additional insight into how the model works. However, it augments the modeling tools available. The more realistic animation presents qualities which intend to be useful to the decision-maker in implementing the developed simulation model. There are also, good model management tools. Some tools have been developed which combined a database with simulation to store models, data, results, and animations. However, there is not one product that provides all of those capabilities. SIMSCRIPT II.5 Without computer one cannot perform any realistic dynamic systems simulation. SIMSCRIPT II.5 is a powerful, free-format, English-like simulation language designed to greatly simplify writing programs for simulation modelling. Programs written in SIMSCRIPT II.5 are easily read and maintained. They are accurate, efficient, and generate results which are acceptable to users. Unlike other simulation programming languages, SIMSCRIPT II.5 requires no coding in other languages. SIMSCRIPT II.5 has been fully supported for over 33 years. Contributing to the wide acceptance and success of SIMSCRIPT II.5 modelling are: A powerful worldview, consisting of Entities and Processes, provides a natural conceptual framework with which to relate real objects to the model. SIMSCRIPT II.5 is a modern, free-form language with structured programming constructs and all the built-in facilities needed for model development. Model components can be programmed so they clearly reflect the organization and logic of the modeled system. The amount of program needed to model a system is typically 75 less than its FORTRAN or C counterpart. A well designed package of program debug facilities is provided. The required tools are available to detect errors in a complex computer program without resorting an error. Simulation status information is provided, and control is optionally transferred to a user program for additional analysis and output. This structure allows the model to evolve easily and naturally from simple to detailed formulation as data becomes available. Many modifications, such as the choice of set disciplines and statistics are simply specified in the Preamble. You get a powerful, English-like language supporting a modular implementation. Because each model component is readable and self-contained, the model documentation is the model listing it is never obsolete or inaccurate. For more information contact SIMSCRIPT Guidelines for Running SIMSCRIPT on the VAX System System Dynamics and Discrete Event Simulation The modeling techniques used by system dynamics and discrete event simulations are often different at two levels: The modeler way of representing systems might be different, the underlying simulators algorithms are also different. Each technique is well tuned to the purpose it is intended. However, one may use a discrete event approach to do system dynamics and vice versa. Traditionally, the most important distinction is the purpose of the modeling. The discrete event approach is to find, e. g. how many resources the decision maker needs such as how many trucks, and how to arrange the resources to avoid bottlenecks, i. e. excessive of waiting lines, waiting times, or inventories. While the system dynamics approach is to prescribe for the decision making to, e. g. timely respond to any changes, and how to change the physical structure, e. g. physical shipping delay time, so that inventories, sales, production, etc. System dynamics is the rigorous study of problems in system behavior using the principles of feedback, dynamics and simulation. In more words system dynamics is characterized by: Searching for useful solutions to real problems, especially in social systems (businesses, schools, governments. ) and the environment. Using computer simulation models to understand and improve such systems. Basing the simulation models on mental models, qualitative knowledge and numerical information. Using methods and insights from feedback control engineering and other scientific disciplines to assess and improve the quality of models. Seeking improved ways to translate scientific results into achieved implemented improvement. Systems dynamics approach looks at systems at a very high level so is more suited to strategic analysis. Discrete event approach may look at subsystems for a detailed analysis and is more suited, e. g. to process re-engineering problems. Systems dynamics is indicative, i. e. helps us understand the direction and magnitude of effects (i. e. where in the system do we need to make the changes), whereas discrete event approach is predictive (i. e. how many resources do we need to achieve a certain goal of throughout). Systems dynamics analysis is continuous in time and it uses mostly deterministic analysis, whereas discrete event process deals with analysis in a specific time horizon and uses stochastic analysis. Some interesting and useful areas of system dynamics modeling approach are: Short-term and long term forecasting of agricultural produce with special reference to field crops and perennial fruits such as grapes, which have significant processing sectors of different proportions of total output where both demand and supply side perspectives are being considered. Long term relationship between the financial statements of balance sheet, income statement and cash flow statement balanced against scenarios of the stock markets need to seek a stablegrowing share price combined with a satisfactory dividend and related return on shareholder funds policy. Managerial applications include the development and evaluation of short-term and long-term strategic plans, budget analysis and assessment, business audits and benchmarking. A modeler must consider both as complementary tools to each other. Systems dynamic to look at the high level problem and identify areas which need more detailed analysis. Then, use discrete event modeling tools to analyze (and predict) the specific areas of interest. What Is Social Simulation Social scientists have always constructed models of social phenomena. Simulation is an important method for modeling social and economic processes. In particular, it provides a middle way between the richness of discursive theorizing and rigorous but restrictive mathematical models. There are different types of computer simulation and their application to social scientific problems. Faster hardware and improved software have made building complex simulations easier. Computer simulation methods can be effective for the development of theories as well as for prediction. For example, macro-economic models have been used to simulate future changes in the economy and simulations have been used in psychology to study cognitive mechanisms. The field of social simulation seems to be following an interesting line of inquiry. As a general approach in the field, a world is specified with much computational detail. Then the world is simulated (using computers) to reveal some of the non-trivial implications (or emergent properties) of the world. When these non trivial implications are made known (fed back) in world, apparently it constitutes some added values. Artificial Life is an interdisciplinary study enterprise aimed at understanding life-as-it-is and life-as-it-could-be, and at synthesizing life-like phenomena in chemical, electronic, software, and other artificial media. Artificial Life redefines the concepts of artificial and natural, blurring the borders between traditional disciplines and providing new media and new insights into the origin and principles of life. Simulation allows the social scientist to experiment with artificial societies and explore the implications of theories in ways not otherwise possible. Reference and Further Readings: Gilbert N. and K. Troitzsch, Simulation for the Social Scientist . Open University Press, Buckingham, UK, 1999. Sichman J. R. Conte, and N. Gilbert, (eds,), Multi-Agent Systems and Agent-Based Simulation . Berlin, Springer-Verlag, 1998. What Is Web-based Simulation Web-based simulation is quickly emerging as an area of significant interest for both simulation researchers and simulation practitioners. This interest in web-based simulation is a natural outgrowth of the proliferation of the World-Wide Web and its attendant technologies, e. g. HTML, HTTP, CGI, etc. Also the surging popularity of, and reliance upon, computer simulation as a problem solving and decision support systems tools. The appearance of the network-friendly programming language, Java, and of distributed object technologies like the Common Object Request Broker Architecture (CORBA) and the Object Linking and Embedding Component Object Model (OLECOM) have had particularly acute effects on the state of simulation practice. Currently, the researchers in the field of web-based simulation are interested in dealing with topics such as methodologies for web-based model development, collaborative model development over the Internet, Java-based modeling and simulation, distributed modeling and simulation using web technologies, and new applications. Parallel and Distributed Simulation The increasing size of the systems and designs requires more efficient simulation strategies to accelerate the simulation process. Parallel and distributed simulation approaches seem to be a promising approach in this direction. Current topics under extensive research are: Synchronization, scheduling, memory management, randomized and reactiveadaptive algorithms, partitioning and load balancing. Synchronization in multi-user distributed simulation, virtual reality environments, HLA, and interoperability. System modeling for parallel simulation, specification, re-use of modelscode, and parallelizing existing simulations. Language and implementation issues, models of parallel simulation, execution environments, and libraries. Theoretical and empirical studies, prediction and analysis, cost models, benchmarks, and comparative studies. Computer architectures, VLSI, telecommunication networks, manufacturing, dynamic systems, and biologicalsocial systems. Web based distributed simulation such as multimedia and real time applications, fault tolerance, implementation issues, use of Java, and CORBA. References Further Readings: Bossel H. Modeling Simulation . A. K. Peters Pub. 1994. Delaney W. and E. Vaccari, Dynamic Models and Discrete Event Simulation . Dekker, 1989. Fishman G. Discrete-Event Simulation: Modeling, Programming and Analysis . Springer-Verlag, Berlin, 2001. Fishwick P. Simulation Model Design and Execution: Building Digital Worlds . Prentice-Hall, Englewood Cliffs, 1995. Ghosh S. and T. Lee, Modeling Asynchronous Distributed Simulation: Analyzing Complex Systems . IEEE Publications, 2000. Gimblett R. Integrating Geographic Information Systems and Agent-Based Modeling: Techniques for Simulating Social and Ecological Processes . Oxford University Press, 2002. Harrington J. and K. Tumay, Simulation Modeling Methods: An Interactive Guide to Results-Based Decision . McGraw-Hill, 1998. Haas P. Stochastic Petri Net Models Modeling and Simulation . Springer Verlag, 2002. Hill D. Object-Oriented Analysis and Simulation Modeling . Addison-Wesley, 1996. Kouikoglou V. and Y. Phillis, Hybrid Simulation Models of Production Networks . Kluwer Pub. 2001. Law A. and W. Kelton, Simulation Modeling and Analysis . McGraw-Hill, 2000. Nelson B. Stochastic Modeling: Analysis Simulation . McGraw-Hill, 1995. Oakshott L., Business Modelling and Simulation . Pitman Publishing, London, 1997. Pidd M. Computer Simulation in Management Science . Wiley, 1998. Rubinstein R. and B. Melamed, Modern Simulation and Modeling . Wiley, 1998. Severance F. System Modeling and Simulation: An Introduction . Wiley, 2001. Van den Bosch, P. and A. Van der Klauw, Modeling, Identification Simulation of Dynamical Systems . CRC Press, 1994. Woods R. and K. Lawrence, Modeling and Simulation of Dynamic Systems . Prentice Hall, 1997. Techniques for Sensitivity Estimation Simulation continues to be the primary method by which engineers and managers obtain information about complex stochastic systems, such as telecommunication networks, health service, corporate planning, financial modeling, production assembly lines, and flexible manufacturing systems. These systems are driven by the occurrence of discrete events and complex interactions within these discrete events occur over time. For most discrete event systems (DES) no analytical methods are available, so DES must be studied via simulation. DES are studied to understand their performance, and to determine the best ways to improve their performance. In particular, one is often interested in how system performance depends on the systems parameter v, which could be a vector. DESs system performance is often measured as an expected value. Consider a system with continuous parameter v 206 V 205 R n . where V is an open set. Let be the steady state expected performance measure, where Y is a random vector with known probability density function (pdf), f(y v) depends on v, and Z is the performance measure. In discrete event systems, Monte Carlo simulation is usually needed to estimate J(v) for a given value v v 0 . By the law of large numbers converges to the true value, where y i . i 1, 2. n are independent, identically distributed, random vector realizations of Y from f (y v 0 ), and n is the number of independent replications. We are interested in sensitivities estimation of J(v) with respect to v. Applications of sensitivity information There are a number of areas where sensitivity information (the gradient, Hessian, etc.) of a performance measure J(v) or some estimate of it, is used for the purpose of analysis and control. In what follows, we single out a few such areas and briefly discuss them. Local information: An estimate for dJdv is a good local measure of the effect of on performance. For example, simply knowing the sign of the derivative dJdv at some point v immediately gives us the direction in which v should be changed. The magnitude of dJd also provides useful information in an initial design process: If dJdv is small, we conclude that J is not very sensitive to changes in. and hence focusing concentration on other parameters may improve performance. Structural properties: Often sensitivity analysis provides not only a numerical value for the sample derivative, but also an expression which captures the nature of the dependence of a performance measure on the parameter v. The simplest case arises when dJdv can be seen to be always positive (or always negative) for any sample path we may not be able to tell if the value of J(v) is monotonically increasing (or decreasing) in v. This information in itself is very useful in design and analysis. More generally, the form of dJdv can reveal interesting structural properties of the DES (e. g. monotonicity, convexity). Such properties must be exploited in order to determine optimal operating policies for some systems. Response surface generation: Often our ultimate goal is to obtain the function J(v), i. e. a curve describing how the system responds to different values of v. Since J(v) is unknown, one alternative is to obtain estimates of J(v) for as many values of v as possible. This is clearly a prohibitively difficult task. Derivative information, however may include not only first-order but also higher derivatives which can be used to approximate J(v). If such derivative information can be easily and accurately obtained, the task of response surface generation may be accomplished as well. Goal-seeking and What-if problems: Stochastic models typically depend upon various uncertain parameters that must be estimated from existing data sets. Statistical questions of how input parameter uncertainty propagates through the model into output parameter uncertainty is the so-called what-if analysis. A good answer to this question often requires sensitivity estimates. The ordinary simulation output results are the solution of a direct problem: Given the underlying pdf with a particular parameter value v. we may estimate the output function J(v). Now we pose the goal-seeking problem: given a target output value J 0 of the system and a parameterized pdf family, find an input value for the parameter, which generates such an output. There are strong motivations for both problems. When v is any controllable or uncontrollable parameter the decision maker is, for example, interested in estimating J(v) for a small change in v , the so called what-if problem, which is a direct problem and can be solved by incorporating sensitivity information in the Taylors expansion of J(v) in the neighborhood of v. However, when v is a controllable input, the decision maker may be interested in the goal-seeking problem: what change in the input parameter will achieve a desired change in output value J(v). Another application of goal-seeking arises when we want to adapt a model to satisfy a new equality constraint (condition) for some stochastic function. The solution to the goal-seeking problem is to estimate the derivative of the output function with respect to the input parameter for the nominal system use this estimate in a Taylors expansion of the output function in the neighborhood of the parameter and finally, use Robbins-Monro (R-M) type of stochastic approximation algorithm to estimate the necessary controllable input parameter value within the desired accuracy. Optimization: Discrete-event simulation is the primary analysis tool for designing complex systems. However, simulation must be linked with a mathematical optimization technique to be effectively used for systems design. The sensitivity dJdv can be used in conjunction with various optimization algorithms whose function is to gradually adjust v until a point is reached where J(v) is maximized (or minimized). If no other constraints on v are imposed, we expect dJdv 0 at this point. Click on the image to enlarge it and THEN print it. Finite difference approximation Kiefer and Wolfowitz proposed a finite difference approximation to the derivative. One version of the Kiefer-Wolfwitz technique uses two-sided finite differences. The first fact to notice about the K-W estimate is that it requires 2N simulation runs, where N is the dimension of vector parameter q. If the decision maker is interested in gradient estimation with respect to each of the components of q. then 2N simulations must be run for each component of v. This is inefficient. The second fact is that it may have a very poor variance, and it may result in numerical calculation difficulties. Simultaneous perturbation methods The simultaneous perturbation (SP) algorithm introduced by Dr. J. Spall has attracted considerable attention. There has recently been much interest in recursive optimization algorithms that rely on measurements of only the objective function to be optimized, not requiring direct measurements of the gradient of the objective function. Such algorithms have the advantage of not requiring detailed modeling information describing the relationship between the parameters to be optimized and the objective function. For example, many systems involving complex simulations or human beings are difficult to model, and could potentially benefit from such an optimization approach. The simultaneous perturbation stochastic approximation (SPSA) algorithm operates in the same framework as the above K-W methods, but has the strong advantage of requiring a much lower number of simulation runs to obtain the same quality of result. The essential feature of SPSA, which accounts for its power and relative ease of use in difficult multivariate optimization problems--is the underlying gradient approximation that requires only TWO objective function measurements regardless of the dimension of the optimization problem (one variation of basic SPSA uses only ONE objective function measurement per iteration). The underlying theory for SPSA shows that the N-fold savings in simulation runs per iteration (per gradient approximation) translates directly into an N-fold savings in the number of simulations to achieve a given quality of solution to the optimization problem. In other words, the K-W method and SPSA method take the same number of iterations to converge to the answer despite the N-fold savings in objective function measurements (e. g. simulation runs) per iteration in SPSA. Perturbation analysis Perturbation analysis (PA) computes (roughly) what simulations would have produced, had v been changed by a small amount without actually making this change. The intuitive idea behind PA is that a sample path constructed using v is frequently structurally very similar to the sample path using the perturbed v. There is a large amount of information that is the same for both of them. It is wasteful to throw this information away and to start the simulation from scratch with the perturbed v. In PA, moreover, we can let the change approach zero to get a derivative estimator without numerical problems. We are interested in the affect of a parameter change on the performance measure. However, we would like to realize this change by keeping the order of events exactly the same. The perturbations will be so small that only the duration, not the order, of the states will be affected. This effect should be observed in three successive stages: Step 1: How does a change in the value of a parameter vary the sample duration related to that parameter Step 2: How does the change in an individual sample duration reflect itself as a change in a subsequent particular sample realization Step 3: Finally, what is the relationship between the variation of the sample realization and its expected value Score function methods Using the score function method, the gradient can be estimated simultaneously, at any number of different parameter values, in a single-run simulation. The basic idea is that, the gradient of the performance measure function, J( v ), is expressed as an expectation with respect to the same distribution as the performance measure function itself. Therefore, the sensitivity information can be obtained with little computational (not simulation) cost, while estimating the performance measure. It is well-known that the crude form of the SF estimator suffers from the problem of linear growth in its variance as the simulation run increases. However, in the steady-state simulation the variance can be controlled by run length. Furthermore, information about the variance may be incorporated into the simulation algorithm. A recent flurry of activity has attempted to improve the accuracy of the SF estimates. Under regenerative conditions, the estimator can easily be modified to alleviate this problem, yet the magnitude of the variance may be large for queueing systems with heavy traffic intensity. The heuristic idea is to treat each component of the system (e. g. each queue) separately, which synchronously assumes that individual components have local regenerative cycles. This approach is promising since the estimator remains unbiased and efficient while the global regenerative cycle is very long. Now we look at the general (non-regenerative) case. In this case any simulation will give a biased estimator of the gradient, as simulations are necessarily finite. If n (the length of the simulation) is large enough, this bias is negligible. However, as noted earlier, the variance of the SF sensitivity estimator increases with increase in n so, a crude SF estimator is not even approximately consistent. There are a number of ways to attack this problem. Most of the variations in an estimator comes from the score function. The variation is especially high, when all past inputs contribute to the performance and the scores from all are included. When one uses batch means, the variation is reduced by keeping the length of the batch small. A second way is to reduce the variance of the score to such an extent that we can use simulations long enough to effectively eliminate the bias. This is the most promising approach. The variance may be reduced further by using the standard variance reduction techniques (VRT), such as importance sampling. Finally, we can simply use a large number of iid replications of the simulation. Harmonic analysis Another strategy for estimating the gradient simulation is based on the frequency domain method, which differs from the time domain experiments in that the input parameters are deterministically varied in sinusoidal patterns during the simulation run, as opposed to being kept fixed as in the time domain runs. The range of possible values for each input factor should be identified. Then the values of each input factor within its defined range should be changed during a run. In time series analysis, t is the time index. In simulation, however, t is not necessarily the simulation clock time. Rather, t is a variable of the model, which keeps track of certain statistics during each run. For example, to generate the inter-arrival times in a queueing simulation, t might be the variable that counts customer arrivals. Frequency domain simulation experiments identify the significant terms of the polynomial that approximates the relationship between the simulation output and the inputs. Clearly, the number of simulation runs required to identify the important terms by this approach is much smaller than those of the competing alternatives, and the difference becomes even more conspicuous as the number of parameters increases. Conclusions Further Readings PA and SF (or LR) can be unified. Further comparison of the PA and SF approaches reveals several interesting differences. Both approaches require an interchange of expectation and differentiation. However, the conditions for this interchange in PA depend heavily on the nature of the problem, and must be verified for each application, which is not the case in SF. Therefore, in general, it is easier to satisfy SF unbiased conditions. PA assumes that the order of events in the perturbed path is the same as the order in the nominal path, for a small enough change in v. allowing the computation of the sensitivity of the sample performance for a particular simulation. For example, if the performance measure is the mean number of customer in a busy period, the PA estimate of the gradient with respect to any parameter is zero The number of customers per busy period will not change if the order of events does not change. In terms of ease of implementation, PA estimators may require considerable analytical work on the part of algorithm developer, with some customization for each application, whereas SF has the advantage of remaining a general definable algorithm whenever it can be applied. Perhaps the most important criterion for comparison lies in the question of accuracy of an estimator, typically measured through its variance. If an estimator is strongly consistent, its variance is gradually reduced over time and ultimately approaches to zero. The speed with which this happens may be extremely important. Since in practice, decisions normally have to be made in a limited time, an estimator whose variance decreases fast is highly desirable. In general, when PA does provide unbiased estimators, the variance of these estimators is small. PA fully exploits the structure of DES and their state dynamics by extracting the needed information from the observed sample path, whereas SF requires no knowledge of the system other than the inputs and the outputs. Therefore when using SF methods, variance reduction is necessary. The question is whether or not the variance can be reduced enough to make the SF estimator useful in all situations to which it can be applied. The answer is certainly yes. Using the standard variance reduction techniques can help, but the most dramatic variance reduction occurs using new methods of VR such as conditioning, which is shown numerically to have a mean squared error that is essentially the same as that of PA. References Further Readings: Arsham H. Algorithms for Sensitivity Information in Discrete-Event Systems Simulation, Simulation Practice and Theory . 6(1), 1-22, 1998. Fu M. and J-Q. Hu, Conditional Monte Carlo: Gradient Estimation and Optimization Applications . Kluwer Academic Publishers, 1997. Rubinstein R. and A. Shapiro, Discrete Event Systems: Sensitivity Analysis and Stochastic Optimization by the Score Function Method . John Wiley Sons, 1993. Whitt W. Minimizing delays in the GIG1 queue, Operations Research . 32(1), 41-51, 1984. Simulation-based Optimization Techniques Discrete event simulation is the primary analysis tool for designing complex systems. Simulation, however, must be linked with a optimization techniques to be effectively used for systems design. We present several optimization techniques involving both continuous and discrete controllable input parameters subject to a variety of constraints. The aim is to determine the techniques most promising for a given simulation model. Many man-made systems can be modeled as Discrete Event Systems (DES) examples are computer systems, communication networks, flexible manufacturing systems, production assembly lines, and traffic transportation systems. DES evolve with the occurrence of discrete events, such as the arrival of a job or the completion of a task, in contrast with continuously variable dynamic processes such as aerospace vehicles, which are primarily governed by differential equations. Owing to the complex dynamics resulting from stochastic interactions of such discrete events over time, the performance analysis and optimization of DES can be difficult tasks. At the same time, since such systems are becoming more widespread as a result of modern technological advances, it is important to have tools for analyzing and optimizing the parameters of these systems. Analyzing complex DES often requires computer simulation. In these systems, the objective function may not be expressible as an explicit function of the input parameters rather, it involves some performance measures of the system whose values can be found only by running the simulation model or by observing the actual system. On the other hand, due to the increasingly large size and inherent complexity of most man-made systems, purely analytical means are often insufficient for optimization. In these cases, one must resort to simulation, with its chief advantage being its generality, and its primary disadvantage being its cost in terms of time and money. Even though, in principle, some systems are analytically tractable, the analytical effort required to evaluate the solution may be so formidable that computer simulation becomes attractive. While the price for computing resources continue to dramatically decrease, one nevertheless can still obtain only a statistical estimate as opposed to an exact solution. For practical purposes, this is quite sufficient. These man-made DES are costly, and therefore it is important to operate them as efficiently as possible. The high cost makes it necessary to find more efficient means of conducting simulation and optimizing its output. We consider optimizing an objective function with respect to a set of continuous andor discrete controllable parameters subject to some constraints. Click on the image to enlarge it and THEN print it. The above figure illustrates the feedback loop application. Although the feedback concept is not a simulation but a systemic concept, however, whatever paradigm we use one can always incorporate feedback. For example, consider a discrete event system (DES) model that employs resources to achieve certain tasksprocesses, by only incorporating decision rules regarding how to manage the stocks and thence how the resource will be deployed depending on the stock level, clearly, in the system structure there are feedback loops. Usually when modelers choose a DES approach they often model the system as open loop or nearly open loop system, making the system behave as if there where no superior agent controlling the whole productionservice process. Closing the loops should be an elemental task that simulation modeler should take care of, even if the scope does not involve doing it, there must be awareness of system behavior, particularly if there is known to be that the system if under human decision making processesactivities. In almost all simulation models, an expected value can express the systems performance. Consider a system with continuous parameter v 206 V, where V is the feasible region. Let be the steady state expected performance measure, where Y is a random vector with known probability density function (pdf), f(y v) depends on v, and Z is the performance measure. In discrete event systems, Monte Carlo simulation is usually needed to estimate J(v) for a given value v v 0 . By the law of large numbers converges to the true value, where y i . i 1, 2. n are independent, identically distributed, random vector realizations of Y from f (y v 0 ), and n is the number of independent replications. The aim is to optimize J(v) with respect to v. We shall group the optimization techniques for simulation into seven broad categories namely, Deterministic Search, Pattern Search, Probabilistic Search, Evolutionary Techniques, Stochastic Approximation, Gradient Surface, and some Mixtures of the these techniques Click on the image to enlarge it and THEN print it. Deterministic search techniques A common characteristic of deterministic search techniques is that they are basically borrowed from deterministic optimization techniques. The deterministic objective function value required in the technique is now replaced with an estimate obtained from simulation. By having a reasonably accurate estimate, one hopes that the technique will perform well. Deterministic search techniques include heuristic search, complete enumeration, and random search techniques. Heuristic search technique The heuristic search technique is probably most commonly used in optimizing response surfaces. It is also the least sophisticated scheme mathematically, and it can be thought of as an intuitive and experimental approach. The analyst determines the starting point and stopping rule based on previous experience with the system. After setting the input parameters (factors) to levels that appear reasonable, the analyst makes a simulation run with the factors set at those levels and computes the value of the response function. If it appears to be a maximum (minimum) to the analyst, the experiment is stopped. Otherwise the analyst changes parameter settings and makes another run. This process continues until the analyst believes that the output has been optimized. Suffice it to say that, if the analyst is not intimately familiar with the process being simulated, this procedure can turn into a blind search and can expend an inordinate amount of time and computer resources without producing results commensurate with input. The heuristic search can be ineffective and inefficient in the hand of a novice. Complete enumeration and random techniques The complete enumeration technique is not applicable to continuous cases, but in discrete space v it does yield the optimal value of the response variable. All factors ( v ) must assume a finite number of values for this technique to be applicable. Then, a complete factorial experiment is run. The analyst can attribute some degree of confidence to the determined optimal point when using this procedure. Although the complete enumeration technique yields the optimal point, it has a serious drawback. If the number of factors or levels per factor is large, the number of simulation runs required to find the optimal point can be exceedingly large. For example, suppose that an experiment is conducted with three factors having three, four, and five levels, respectively. Also suppose that five replications are desired to provide the proper degree of confidence. Then 300 runs of the simulator are required to find the optimal point. Hence, this technique should be used only when the number of unique treatment combinations is relatively small or a run takes little time. The random search technique resembles the complete enumeration technique except that one selects a set of inputs at random. The simulated results based on the set that yields the maximum (minimum) value of the response function is taken to be the optimal point. This procedure reduces the number of simulation runs required to yield an optimal result however, there is no guarantee that the point found is actually the optimal point. Of course, the more points selected, the more likely the analyst is to achieve the true optimum. Note that the requirement that each factor assumes only a finite number of values is not a requirement in this scheme. Replications can be made on the treatment combinations selected, to increase the confidence in the optimal point. Which strategy is better, replicating a few points or looking at a single observation on more points, depends on the problem. Response surface search Response surface search attempts to fit a polynomial to J(v). If the design space v is suitably small, the performance function J(v) may be approximated by a response surface, typically a first order, or perhaps quadratic order in v. possibly after transformation, e. g. log ( v ). The response surface method (RSM) requires running the simulation in a first order experimental design to determine the path of steepest descent. Simulation runs made along this path continue, until one notes no improvement in J(v). The analyst then runs a new first order experimental design around the new optimal point reached, and finds a new path of steepest descent. The process continues, until there is a lack of fit in the fitted first order surface. Then, one runs a second order design, and takes the optimum of the fittest second order surface as the estimated optimum. Although it is desirable for search procedures to be efficient over a wide range of response surfaces, no current procedure can effectively overcome non-unimodality (surfaces having more than one local maximum or minimum). An obvious way to find the global optimal would be to evaluate all the local optima. One technique that is used when non-unimodality is known to exist, is called the Las Vegas technique. This search procedure estimates the distribution of the local optima by plotting the estimated J( v ) for each local search against its corresponding search number. Those local searches that produce a response greater than any previous response are then identified and a curve is fitted to the data. This curve is then used to project the estimated incremental response that will be achieved by one more search. The search continues until the value of the estimated improvement in the search is less than the cost of completing one additional search. It should be noted that a well-designed experiment requires a sufficient number of replications so that the average response can be treated as a deterministic number for search comparisons. Otherwise, since replications are expensive, it becomes necessary to effectively utilize the number of simulation runs. Although each simulation is at a different setting of the controllable variables, one can use smoothing techniques such as exponential smoothing to reduce the required number of replications. Pattern search techniques Pattern search techniques assume that any successful set of moves used in searching for an approximated optimum is worth repeating. These techniques start with small steps then, if these are successful, the step size increases. Alternatively, when a sequence of steps fails to improve the objective function, this indicates that shorter steps are appropriate so we may not overlook any promising direction. These techniques start by initially selecting a set of incremental values for each factor. Starting at an initial base point, they check if any incremental changes in the first variable yield an improvement. The resulting improved setting becomes the new intermediate base point. One repeats the process for each of the inputs until one obtains a new setting where the intermediate base points act as the initial base point for the first variable. The technique then moves to the new setting. This procedure is repeated, until further changes cannot be made with the given incremental values. Then, the incremental values are decreased, and the procedure is repeated from the beginning. When the incremental values reach a pre-specified tolerance, the procedure terminates the most recent factor settings are reported as the solution. Conjugate direction search The conjugate direction search requires no derivative estimation, yet it finds the optimum of an N-dimensional quadratic surface after, at most, N-iterations, where the number of iterations is equal to the dimension of the quadratic surface. The procedure redefines the n dimensions so that a single variable search can be used successively. Single variable procedures can be used whenever dimensions can be treated independently. The optimization along each dimension leads to the optimization of the entire surface. Two directions are defined to be conjugate whenever the cross-product terms are all zero. The conjugate direction technique tries to find a set of n dimensions that describes the surface such that each direction is conjugate to all others. Using the above result, the technique attempts to find two search optima and replace the n th dimension of the quadratic surface by the direction specified by the two optimal points. Successively replacing the original dimension yields a new set of n dimensions in which, if the original surface is quadratic, all directions are conjugate to each other and appropriate for n single variable searches. While this search procedure appears to be very simple, we should point out that the selection of appropriate step sizes is most critical. The step size selection is more critical for this search technique because - during axis rotation - the step size does not remain invariant in all dimensions. As the rotation takes place, the best step size changes, and becomes difficult to estimate. Steepest ascent (descent) The steepest ascent (descent) technique uses a fundamental result from calculus ( that the gradient points in the direction of the maximum increase of a function), to determine how the initial settings of the parameters should be changed to yield an optimal value of the response variable. The direction of movement is made proportional to the estimated sensitivity of the performance of each variable. Although quadratic functions are sometimes used, one assumes that performance is linearly related to the change in the controllable variables for small changes. Assume that a good approximation is a linear form. The basis of the linear steepest ascent is that each controllable variable is changed in proportion to the magnitude of its slope. When each controllable variable is changed by a small amount, it is analogous to determining the gradient at a point. For a surface containing N controllable variables, this requires N points around the point of interest. When the problem is not an n-dimensional elliptical surface, the parallel-tangent points are extracted from bitangents and inflection points of occluding contours. Parallel tangent points are points on the occluding contour where the tangent is parallel to a given bitangent or the tangent at an inflection point. Tabu search technique An effective technique to overcome local optimality for discrete optimization is the Tabu Search technique. It explores the search space by moving from a solution to its best neighbor, even if this results in a deterioration of the performance measure value. This approach increases the likelihood of moving out of local optima. To avoid cycling, solutions that were recently examined are declared tabu (Taboo) for a certain number of iterations. Applying intensification procedures can accentuate the search in a promising region of the solution space. In contrast, diversification can be used to broaden the search to a less explored region. Much remains to be discovered about the range of problems for which the tabu search is best suited. Hooke and Jeeves type techniques The Hooke and Jeeves pattern search uses two kinds of moves namely, an exploratory and a pattern move. The exploratory move is accomplished by doing a coordinate search in one pass through all the variables. This gives a new base point from which a pattern move is made. A pattern move is a jump in the pattern direction determined by subtracting the current base point from the previous base point. After the pattern move, another exploratory move is carried out at the point reached. If the estimate of J(v) is improved at the final point after the second exploratory move, it becomes the new base point. If it fails to show improvement, an exploratory move is carried out at the last base point with a smaller step in the coordinate search. The process stops when the step gets small enough. Simplex-based techniques The simplex-based technique performs simulation runs first at the vertices of the initial simplex i. e. a polyhedron in the v - space having N1 vertices. A subsequent simplex (moving towards the optimum) are formed by three operations performed on the current simplex: reflection, contraction, and expansion. At each stage of the search process, the point with the highest J(v) is replaced with a new point foundvia reflection through the centroid of the simplex. Depending on the value of J(v) at this new point, the simplex is either expanded, contracted, or unchanged. The simplex technique starts with a set of N1 factor settings. These N1 points are all the same distance from the current point. Moreover, the distance between any two points of these N1 points is the same. Then, by comparing their response values, the technique eliminates the factor setting with the worst functional value and replaces it with a new factor setting, determined by the centroid of the N remaining factor settings and the eliminated factor setting. The resulting simplex either grows or shrinks, depending on the response value at the new factor settings. One repeats the procedure until no more improvement can be made by eliminating a point, and the resulting final simplex is small. While this technique will generally performance well for unconstrained problems, it may collapse to a point on a boundary of a feasible region, thereby causing the search to come to a premature halt. This technique is effective if the response surface is generally bowl - shaped even with some local optimal points. Probabilistic search techniques All probabilistic search techniques select trial points governed by a scan distribution, which is the main source of randomness. These search techniques include random search, pure adaptive techniques, simulated annealing, and genetic methods. Random search A simple, but very popular approach is the random search, which centers a symmetric probability density function (pdf) e. g. the normal distribution, about the current best location. The standard normal N(0, 1) is a popular choice, although the uniform distribution U-1, 1 is also common. A variation of the random search technique determines the maximum of the objective function by analyzing the distribution of J(v) in the bounded sub-region. In this variation, the random data are fitted to an asymptotic extreme-value distribution, and J is estimated with a confidence statement. Unfortunately, these techniques cannot determine the location of J. which can be as important as the J value itself. Some techniques calculate the mean value and the standard deviation of J(v) from the random data as they are collected. Assuming that J is distributed normally in the feasible region. the first trial, that yields a J-value two standard deviations within the mean value, is taken as a near-optimum solution. Pure adaptive search Various pure adaptive search techniques have been suggested for optimization in simulation. Essentially, these techniques move from the current solution to the next solution that is sampled uniformly from the set of all better feasible solutions. Evolutionary Techniques Nature is a robust optimizer. By analyzing natures optimization mechanism we may find acceptable solution techniques to intractable problems. Two concepts that have most promise are simulated annealing and the genetic techniques. Simulated annealing Simulated annealing (SA) borrows its basic ideas from statistical mechanics. A metal cools, and the electrons align themselves in an optimal pattern for the transfer of energy. In general, a slowly cooling system, left to itself, eventually finds the arrangement of atoms, which has the lowest energy. The is the behavior, which motivates the method of optimization by SA. In SA we construct a model of a system and slowly decrease the temperature of this theoretical system, until the system assumes a minimal energy structure. The problem is how to map our particular problem to such an optimizing scheme. SA as an optimization technique was first introduced to solve problems in discrete optimization, mainly combinatorial optimization. Subsequently, this technique has been successfully applied to solve optimization problems over the space of continuous decision variables. SA is a simulation optimization technique that allows random ascent moves in order to escape the local minima, but a price is paid in terms of a large increase in the computational time required. It can be proven that the technique will find an approximated optimum. The annealing schedule might require a long time to reach a true optimum. Genetic techniques Genetic techniques (GT) are optimizers that use the ideas of evolution to optimize a system that is too difficult for traditional optimization techniques. Organisms are known to optimize themselves to adapt to their environment. GT differ from traditional optimization procedures in that GT work with a coding of the decision parameter set, not the parameters themselves GT search a population of points, not a single point GT use objective function information, not derivatives or other auxiliary knowledge and finally, GT use probabilistic transition rules, not deterministic rules. GT are probabilistic search optimizing techniques that do not require mathematical knowledge of the response surface of the system, which they are optimizing. They borrow the paradigms of genetic evolution, specifically selection, crossover, and mutation. Selection: The current points in the space are ranked in terms of their fitness by their respective response values. A probability is assigned to each point that is proportional to its fitness, and parents (a mating pair) are randomly selected. Crossover: The new point, or offspring, is chosen, based on some combination of the genetics of the two parents. Mutation: The location of offspring is also susceptible to mutation, a process, which occurs with probability p, by which a offspring is replaced randomly by a new offspring location. A generalized GT generates p new offspring at once and kills off all of the parents. This modification is important in the simulation environment. GT are well suited for qualitative or policy decision optimization such as selecting the best queuing disciplines or network topologies. They can be used to help determine the design of the system and its operation. For applications of GT to inventory systems, job-shop, and computer time-sharing problems. GT do not have certain shortcomings of other optimization techniques, and they will usually result in better calculated optima than those found with the traditionally techniques. They can search a response surface with many local optima and find (with a high probability) the approximate global optimum. One may use GT to find an area of potential interest, and then resort to other techniques to find the optimum. Recently, several classical GT principles have been challenged. Differential Evolution. Differential Evolution (DE) is a genetic type of algorithm for solving continuous stochastic function optimization. The basic idea is to use vector differences for perturbing the vector population. DE adds the weighted difference between two population vectors to a third vector. This way, no separate probability distribution has to be used, which makes the scheme completely self-organizing. A short comparison When performing search techniques in general, and simulated annealing or genetic techniques specifically, the question of how to generate the initial solution arises. Should it be based on a heuristic rule or on a randomly generated one Theoretically, it should not matter, but in practice this may depend on the problem. In some cases, a pure random solution systematically produces better final results. On the other hand, a good initial solution may lead to lower overall run times. This can be important, for example, in cases where each iteration takes a relatively long time therefore, one has to use some clever termination rule. Simulation time is a crucial bottleneck in an optimization process. In many cases, a simulation is run several times with different initial solutions. Such a technique is most robust, but it requires the maximum number of replications compared with all other techniques. The pattern search technique applied to small problems with no constraints or qualitative input parameters requires fewer replications than the GT. GT, however, can easily handle constraints, and have lower computational complexity. Finally, simulated annealing can be embedded within the Tabu search to construct a probabilistic technique for global optimization. References Further Readings: Choi D.-H. Cooperative mutation based evolutionary programming for continuous function optimization, Operations Research Letters . 30, 195-201, 2002. Reeves C. and J. Rowe, Genetic Algorithms: Principles and Perspectives . Kluwer, 2002. Saviotti P. (Ed.), Applied Evolutionary Economics: New Empirical Methods and Simulation Techniques . Edward Elgar Pub. 2002. Wilson W. Simulating Ecological and Evolutionary Systems in C . Cambridge University Press, 2000. Stochastic approximation techniques Two related stochastic approximation techniques have been proposed, one by Robbins and Monro and one by Kiefer and Wolfowitz. The first technique was not useful for optimization until an unbiased estimator for the gradient was found. Kiefer and Wolfowitz developed a procedure for optimization using finite differences. Both techniques are useful in the optimization of noisy functions, but they did not receive much attention in the simulation field until recently. Generalization and refinement of stochastic approximation procedures give rise to a weighted average, and stochastic quasi-gradient methods. These deal with constraints, non-differentiable functions, and some classes of non-convex functions, among other things. Kiefer-Wolfowitz type techniques Kiefer and Wolfowitz proposed a finite difference approximation to the derivative. One version of the Kiefer-Wolfwitz technique uses two-sided finite differences. The first fact to notice about the K-W estimate is that it requires 2N simulation runs, where N is the dimension of vector parameter v. If the decision maker is interested in gradient estimation with respect to each of the components of v. then 2N simulations must be run for each component of v. This is inefficient. The second fact is that it may have a very poor variance, and it may result in numerical calculation difficulties. Robbins-Monro type techniques The original Robbins-Monro (R-M) technique is not an optimization scheme, but rather a root finding procedure for functions whose exact values are not known but are observed with noise. Its application to optimization is immediate: use the procedure to find the root of the gradient of the objective function. Interest was renewed in the R-M technique as a means of optimization, with the development of the perturbation analysis, score function (known also as likelihood ratio method), and frequency domain estimates of derivatives. Optimization for simulated systems based on the R-M technique is known as a single-run technique. These procedures optimize a simulation model in a single run simulation with a run length comparable to that required for a single iteration step in the other methods. This is achieved essentially be observing the sample values of the objective function and, based on these observations, updating the values of the controllable parameters while the simulation is running, that is, without restarting the simulation. This observing-updating sequence is done repeatedly, leading to an estimate of the optimum at the end of a single-run simulation. Besides having the potential of large computational savings, this technique can be a powerful tool in real-time optimization and control, where observations are taken as the system is evolving in time. Gradient surface method One may combine the gradient-based techniques with the response surface methods (RSM) for optimization purposes. One constructs a response surface with the aid of n response points and the components of their gradients. The gradient surface method (GSM) combines the virtue of RSM with that of the single - run, gradient estimation techniques such as Perturbation Analysis, and Score Function techniques. A single simulation experiment with little extra work yields N 1 pieces of information i. e. one response point and N components of the gradient. This is in contrast to crude simulation, where only one piece of information, the response value, is obtained per experiment. Thus by taking advantage of the computational efficiency of single-run gradient estimators. In general, N-fold fewer experiments will be needed to fit a global surface compared to the RSM. At each step, instead of using Robbins-Monro techniques to locate the next point locally, we determine a candidate for the next point globally, based on the current global fit to the performance surface. The GSM approach has the following advantages The technique can quickly get to the vicinity of the optimal solution because its orientation is global 23, 39. Thus, it produces satisfying solutions quickly Like RSM, it uses all accumulated information And, in addition, it uses gradient surface fitting, rather than direct performance response-surface fitting via single-run gradient estimators. This significantly reduces the computational efforts compared with RSM. Similar to RSM, GSM is less sensitive to estimation error and local optimality And, finally, it is an on-line technique, the technique may be implemented while the system is running. A typical optimization scheme involves two phases: a Search Phase and an Iteration Phase. Most results in analytic computational complexity assume that good initial approximations are available, and deal with the iteration phase only. If enough time is spent in the initial search phase, we can reduce the time needed in the iteration phase. The literature contains papers giving conditions for the convergence of a process a process has to be more than convergent in order to be computationally interesting. It is essential that we be able to limit the cost of computation. In this sense, GSM can be thought of as helping the search phase and as an aid to limit the cost of computation. One can adopt standard or simple devices for issues such as stopping rules. For on-line optimization, one may use a new design in GSM called single direction design. Since for on-line optimization it may not be advisable or feasible to disturb the system, random design usually is not suitable. Post-solution analysis Stochastic models typically depend upon various uncertain and uncontrollable input parameters that must be estimated from existing data sets. We focus on the statistical question of how input-parameter uncertainty propagates through the model into output - parameter uncertainty. The sequential stages are descriptive, prescriptive and post-prescriptive analysis. Rare Event Simulation Large deviations can be used to estimate the probability of rare events, such as buffer overflow, in queueing networks. It is simple enough to be applied to very general traffic models, and sophisticated enough to give insight into complex behavior. Simulation has numerous advantages over other approaches to performance and dependability evaluation most notably, its modelling power and flexibility. For some models, however, a potential problem is the excessive simulation effort (time) required to achieve the desired accuracy. In particular, simulation of models involving rare events, such as those used for the evaluation of communications and highly-dependable systems, is often not feasible using standard techniques. In recent years, there have been significant theoretical and practical advances towards the development of efficient simulation techniques for the evaluation of these systems. Methodologies include: Techniques based on importance sampling, The restart method, and Hybrid analyticsimulation techniques among newly devised approaches. Conclusions Further Readings With the growing incidence of computer modeling and simulation, the scope of simulation domain must be extended to include much more than traditional optimization techniques. Optimization techniques for simulation must also account specifically for the randomness inherent in estimating the performance measure and satisfying the constraints of stochastic systems. We described the most widely used optimization techniques that can be effectively integrated with a simulation model. We also described techniques for post-solution analysis with the aim of theoretical unification of the existing techniques. All techniques were presented in step-by-step format to facilitate implementation in a variety of operating systems and computers, thus improving portability. General comparisons among different techniques in terms of bias, variance, and computational complexity are not possible. However, a few studies rely on real computer simulations to compare different techniques in terms of accuracy and number of iterations. Total computational effort for reduction in both the bias andvariance of the estimate depends on the computational budget allocated for a simulation optimization. No single technique works effectively andor efficiently in all cases. The simplest technique is the random selection of some points in the search region for estimating the performance measure. In this technique, one usually fixes the number of simulation runs and takes the smallest (or largest) estimated performance measure as the optimum. This technique is useful in combination with other techniques to create a multi-start technique for global optimization. The most effective technique to overcome local optimality for discrete optimization is the Tabu Search technique. In general, the probabilistic search techniques, as a class, offer several advantages over other optimization techniques based on gradients. In the random search technique, the objective function can be non-smooth or even have discontinuities. The search program is simple to implement on a computer, and it often shows good convergence characteristics in noisy environments. More importantly, it can offer the global solution in a multi-modal problem, if the technique is employed in the global sense. Convergence proofs under various conditions are given in. The Hooke-Jeeves search technique works well for unconstrained problems with less than 20 variables pattern search techniques are more effective for constrained problems. Genetic techniques are most robust and can produce near-best solutions for larger problems. The pattern search technique is most suitable for small size problems with no constraint, and it requires fewer iterations than the genetic techniques. The most promising techniques are the stochastic approximation, simultaneous perturbation, and the gradient surface methods. Stochastic approximation techniques using perturbation analysis, score function, or simultaneous perturbation gradient estimators, optimize a simulation model in a single simulation run. They do so by observing the sample values of the objective function, and based on these observations, the stochastic approximation techniques update the values of the controllable parameters while the simulation is running and without restarting the simulation. This observing-updating sequence, done repeatedly, leads to an estimate of the optimum at the end of a single-run simulation. Besides having the potential of large savings in computational effort in the simulation environment, this technique can be a powerful tool in real-time optimization and control, where observations are taken as the system is evolving over time. Response surface methods have a slow convergence rate, which makes them expensive. The gradient surface method combines the advantages of the response surface methods (RSM) and efficiency of the gradient estimation techniques, such as infinitesimal perturbation analysis, score function, simultaneous perturbation analysis, and frequency domain technique. In the gradient surface method (GSM) the gradient is estimated, and the performance gradient surface is estimated from observations at various points, similar to the RSM. Zero points of the successively approximating gradient surface are then taken as the estimates of the optimal solution. GSM is characterized by several attractive features: it is a single run technique and more efficient than RSM at each iteration step, it uses the information from all of the data points rather than just the local gradient it tries to capture the global features of the gradient surface and thereby quickly arrive in the vicinity of the optimal solution, but close to the optimum, they take many iterations to converge to stationary points. Search techniques are therefore more suitable as a second phase. The main interest is to figure out how to allocate the total available computational budget across the successive iterations. For when the decision variable is qualitative, such as finding the best system configuration, a random or permutation test is proposed. This technique starts with the selection of an appropriate test statistic, such as the absolute difference between the mean responses under two scenarios. The test value is computed for the original data set. The data are shuffled (using a different seed) the test statistic is computed for the shuffled data and the value is compared to the value of the test statistic for the original, un-shuffled data. If the statistics for the shuffled data are greater than or equal to the actual statistic for the original data, then a counter c, is incremented by 1. The process is repeated for any desired m number of times. The final step is to compute (c1)(m1), which is the significant level of the test. The null hypothesis is rejected if this significance level is less than or equal to the specified rejection level for the test. There are several important aspects to this nonparametric test. First, it enables the user to select the statistic. Second, assumptions such as normality or equality of variances made for the t-test, ranking-and-selection, and multiple-comparison procedures, are no longer needed. A generalization is the well-known bootstrap technique. What Must Be Done computational studies of techniques for systems with a large number of controllable parameters and constraints. effective combinations of several efficient techniques to achieve the best results under constraints on computational resources. development of parallel and distributed schemesdevelopment of an expert system that incorporates all available techniques. References Further Readings: Arsham H. Techniques for Monte Carlo Optimizing, Monte Carlo Methods and Applications . 4(3), 181-230, 1998. Arsham H. Stochastic Optimization of Discrete Event Systems Simulation, Microelectronics and Reliability . 36(10), 1357-1368, 1996. Fu M. and J-Q. Hu, Conditional Monte Carlo: Gradient Estimation and Optimization Applications . Kluwer Academic Publishers, 1997. Rollans S. and D. McLeish, Estimating the optimum of a stochastic system using simulation, Journal of Statistical Computation and Simulation . 72, 357 - 377, 2002. Rubinstein R. and A. Shapiro, Discrete Event Systems: Sensitivity Analysis and Stochastic Optimization by the Score Function Method . John Wiley Sons, 1993. Metamodeling and the Goal seeking Problems The simulation models although simpler than the real-world system, are still a very complex way of relating input (v) to output J(v). Sometimes a simpler analytic model may be used as an auxiliary to the simulation model. This auxiliary model is often referred to as a metamodel. In many simulation applications such as systems analysis and design applications, the decision maker may not be interested in optimization but wishes to achieve a certain value for J(v), say J 0 . This is the goal-seeking problem. given a target output value J 0 of the performance and a parameterized pdf family, one must find an input value for the parameter, which generates such an output. Metamodeling The simulation models although simpler than the real-world system, are still a very complex way of relating input (v) to output J(v). Sometimes a simpler analytic model may be used as an auxiliary to the simulation model. This auxiliary model is often referred to as a metamodel. There are several techniques available for metamodeling including: design of experiments, response surface methodology, Taguchi methods, neural networks, inductive learning, and kriging. Metamodeling may have different purposes: model simplification and interpretation, optimization, what-if analysis, and generalization to models of the same type. The following polynomial model can be used as an auxiliary model. where d v v-v 0 and the primes denote derivatives. This metamodel approximates J(v) for small d v. To estimate J(v) in the neighborhood of v 0 by a linear function, we need to estimate the nominal J(v) and its first derivative. Traditionally, this derivative is estimated by crude Monte Carlo i. e. finite difference which requires rerunning the simulation model. Methods which yield enhanced efficiency and accuracy in estimating, at little additional computational (Not simulation) cost, are presented in this site. The Score Function method of estimating the first derivative is: where Sf(y v) f(y v)d Lnf(y v) dv is the Score function and differentiations is with respect to v, provided that, f(y v) exist, and f(y v) is positive for all v in V. The Score function approach can be extended in estimating the second and higher order of derivatives. For example, an estimate for the second derivative based on the Score Function method is: Where S and H S S 2 are the score and information functions, respectively, widely used in statistics literature, such as in the construction of Cramer-Rao bounds. By having gradient and Hessian in our disposal, we are able to construct a second order local metamodel using the Taylors series. An Illustrative Numerical Example: For most complex reliability systems, the performance measures such as mean time to failure (MTTF) are not available in analytical form. We resort to Monte Carlo Simulation (MCS) to estimate MTTF function from a family of single-parameter density functions of the components life with specific value for the parameter. The purpose of this section is to solve the inverse problem, which deals with the calculation of the components life parameters (such as MTTF) of a homogeneous subsystem, given a desired target MTTF for the system. A stochastic approximation algorithm is used to estimate the necessary controllable input parameter within a desired range of accuracy. The potential effectiveness is demonstrated by simulating a reliability system with a known analytical solution. Consider the coherent reliability sub-system with four components component 1, and 2 are in series, and component 3 and 4 also in series, however these two series of components are in parallel, as illustrated in the following Figure. All components are working independently and are homogeneous i. e. manufactured by an identical process, components having independent random lifetimes Y1, Y2, Y3, and Y4, which are distributed exponentially with rates v v 0 0.5. The system lifetime is Z (Y1,Y2,Y3,Y4 v 0 ) max min (Y3,Y4), min (Y1,Y2). It is readily can be shown that the theoretical expected lifetime of this sub-system is The underlying pdf for this system is: f(y v) v 4 exp(-v S y i ), the sum is over i 1, 2, 3, 4. Applying the Score function method, we have: S(y) f (y v) f(y v) 4v - S y i . the sum is over i 1, 2, 3, 4. H(y) f (y v) f(y v) v 2 ( S y i ) 2 - 8v ( S y i ) 12 v 2 , the sums are over i 1, 2, 3, 4. The estimated average lifetime and its derivative for the nominal system with v v 0 0.5, are: respectively, where Y i, j is the j th observation for the i th component (i 1, 2, 3, 4). We have performed a Monte Carlo experiment for this system by generating n 10000 independent replications using SIMSCRIPT II.5 random number streams 1 through 4 to generate exponential random variables Y1, Y2, Y3, Y4. respectively, on a VAX system. The estimated performance is J(0.5) 1.5024, with a standard error of 0.0348. The first and second derivatives estimates are -3.0933 and 12.1177 with standard errors of 0.1126 and 1.3321, respectively. The response surface approximation in the neighborhood of v 0.5 is: J(v) 1.5024 (v - 0.5) (-3.0933) (v - 0.5) 2 (12.1177)2 6.0589v 2 - 9.1522v 4.5638 A numerical comparison based on exact and the approximation by this metamodel reveals that the largest absolute error is only 0.33 for any v in the range of 0.40, 0.60. This error could be reduced by either more accurate estimates of the derivatives andor using a higher order Taylor expansion. A comparison of the errors indicates that the errors are smaller and more stable in the direction of increasing v. This behavior is partly due to the fact that lifetimes are exponentially distributed with variance 1v. Therefore, increasing v causes less variance than the nominal system (with v 0.50). Goal seeking problem In many systems modeling and simulation applications, the decision maker may not be interested in optimization but wishes to achieve a certain value for J(v), say J 0 . This is the goal-seeking problem. given a target output value J 0 of the performance and a parameterized pdf family, one must find an input value for the parameter, which generates such an output. When is a controllable input, the decision maker may be interested in the goal-seeking problem: namely, what change of the input parameter will achieve a desired change in the output value. Another application of the goal-seeking problem arises when we want to adapt a model to satisfy a new equality constraint with some stochastic functions. We may apply the search techniques, but the goal-seeking problem can be considered as an interpolation based on a meta-model. In this approach, one generates a response surface function for J(v). Finally, one uses the fitted function to interpolate for the unknown parameter. This approach is tedious, time-consuming, and costly moreover, in a random environment, the fitted model might have unstable coefficients. For a given J(v) the estimated d v, using the first order approximation is: provided that the denominator does not vanish for all v 0 in set V. The Goal-seeker Module: The goal-seeking problem can be solved as a simulation problem. By this approach, we are able to apply variance reduction techniques (VRT) used in the simulation literature. Specifically, the solution to the goal-seeking problem is the unique solution of the stochastic equation J(v) - J 0 0. The problem is to solve this stochastic equation by a suitable experimental design, to ensure convergence. The following is a Robbins - Monro (R-M) type technique. where d j is any divergent sequence of positive numbers. Under this conditions, d v J 0 - J(v j ) converges to approach zero while dampening the effect of the simulation random errors. These conditions are satisfied, for example, by the harmonic sequence d j 1j. With this choice, the rate of reduction of di is very high initially but may reduce to very small steps as we approach the root. Therefore, a better choice is, for example d j 9 (9 j). This technique involves placing experiment i1 according to the outcome of experiment i immediately preceding it, as is depicted in the following Figure: Under these not unreasonable conditions, this algorithm will converge in mean square moreover, it is an almost sure convergence. Finally, as in Newtons root-finding method, it is impossible to assert that the method converges for just any initial v v 0 . even though J(v) may satisfy the Lipschits condition over set V. Indeed, if the initial value v 0 is sufficiently close to the solution, which is usually the case, then this algorithm requires only a few iterations to obtain a solution with very high accuracy. An application of the goal-seeker module arises when we want to adapt a model to satisfy a new equality constraint (condition) for some stochastic function. The proposed technique can also be used to solve integral equations by embedding the Importance Sampling techniques within a Monte Carlo sampling. One may extend the proposed methodology to the inverse problems with two or more unknown parameters design by considering two or more relevant outputs to ensure uniqueness. By this generalization we could construct a linear (or even nonlinear) system of stochastic equations to be solved simultaneously by a multidimensional version of the proposed algorithm. The simulation design is more involved for problems with more than a few parameters. References and Further Readings: Arsham H. The Use of Simulation in Discrete Event Dynamic Systems Design, Journal of Systems Science . 31(5), 563-573, 2000. Arsham H. Input Parameters to Achieve Target Performance in Stochastic Systems: A Simulation-based Approach, Inverse Problems in Engineering . 7(4), 363-384, 1999. Arsham H. Goal Seeking Problem in Discrete Event Systems Simulation, Microelectronics and Reliability . 37(3), 391-395, 1997. Batmaz I. and S. Tunali, Small response surface designs for metamodel estimation, European Journal of Operational Research . 145(3), 455-470, 2003. Ibidapo-Obe O. O. Asaolu, and A. Badiru, A New Method for the Numerical Solution of Simultaneous Nonlinear Equations, Applied Mathematics and Computation . 125(1), 133-140, 2002. Lamb J. and R. Cheng, Optimal allocation of runs in a simulation metamodel with several independent variables, Operations Research Letters . 30(3), 189-194, 2002. Simpson T. J. Poplinski, P. Koch, and J. Allen, Metamodels for Computer-based Engineering Design: Survey and Recommendations, Engineering with Computers . 17(2), 129-150, 2001. Tsai C-Sh. Evaluation and optimisation of integrated manufacturing system operations using Taguchs experiment design in computer simulation, Computers And Industrial Engineering . 43(3), 591-604, 2002. What-if Analysis Techniques Introduction The simulation models are often subject to errors caused by the estimated parameter(s) of underlying input distribution function. What-if analysis is needed to establish confidence with respect to small changes in the parameters of the input distributions. However the direct approach to what-if analysis requires a separate simulation run for each input value. Since this is often inhibited by cost, as an alternative, what people are basically doing in practice is to plot results and use a simple linear interpolationextrapolation. This section presents some simulation-based techniques that utilize the current information for estimating performance function for several scenarios without any additional simulation runs. Simulation continues to be the primary method by which system analysts obtain information about analysis of complex stochastic systems. In almost all simulation models, an expectedvalue can express the systems performance. Consider a system with continuous parameter v 206 V, where V is the feasible region. Let be the steady state expected performance measure, where Y is a random vector with known probability density function (pdf), f(y v) depends on v, and Z is the performance measure. In discrete event systems, Monte Carlo simulation is usually needed to estimate J(v) for a given value v. By the law of large numbers where y i . i 1, 2. n are independent, identically distributed, random vector realizations of Y from f (y v ), and n is the number of independent replications. This is an unbiased estimator for J(v) and converges to J(v) by law of large numbers. There are strong motivations for estimating the expected performance measure J(v) for a small change in v to v d v, that is to solve the so-called what if problem. The simulationist must meet managerial demands to consider model validation and cope with uncertainty in the estimation of v. Adaptation of a model to new environments also requires an adjustment in v. An obvious solution to the what if problem is the Crude Monte Carlo (CMC) method, which estimates J(v d v) for each v separately by rerunning the system for each v d v. Therefore costs in CPU time can be prohibitive The use of simulation as a tool to design complex computer stochastic systems is often inhibited by cost. Extensive simulation is needed to estimate performance measures for changes in the input parameters. As as an alternative, what people are basically doing in practice is to plot results of a few simulation runs and use a simple linear interpolationextrapolation. In this section we consider the What-if analysis problem by extending the information obtained from a single run at the nominal value of parameter v to the closed neighborhood. We also present the use of results from runs at two or more points over the intervening interval. We refer to the former as extrapolation and the latter as interpolation by simulation. The results are obtained by some computational cost as opposed to simulation cost . Therefore, the proposed techniques are for estimating a performance measure at multiple settings from a simulation at a nominal value. Likelihood Ratio (LR) Method A model based on Radon-Nikodym theorem to estimate J(v d v) for stochastic systems in a single run is as follows: where the likelihood ratio W is: W f(y v d v) f(y v) adjusts the sample path, provided f(y v) does not vanish. Notice that by this change of probability space, we are using the common realization as J(v). The generated random vector y is roughly representative of Y, with f(v). Each of these random observations, could also hypothetically came from f(v d v). W weights the observations according to this phenomenon. Therefore, the What-if estimate is: which is based on only one sample path of the system with parameter v and the simulation for the system with v d v is not required. Unfortunately LR produces a larger variance compared with CMC. However, since E(W)1, the following variance reduction techniques (VRT) may improve the estimate. Exponential Tangential in Expectation Method In the statistical literature the efficient score function is defined to be the gradient S(y) d Ln f(y v) dv We consider the exponential (approximation) model for J(v d v) in a first derivative neighborhood of v by: J(v d v) E Z(y). exp d vS(y) Eexp( d S(y)) Now we are able to estimate J(v d v) based on n independent replications as follows: Taylor Expansion of Response Function The following linear Taylor model can be used as an auxiliary model. J(v d v) J(v) d v. J (v) . where the prime denotes derivative. This metamodel approximates J(v d v)) for small d v. For this estimate, we need to estimate the nominal J(v) and its first derivative. Traditionally, this derivative is estimated by crude Monte Carlo i. e. finite difference, which requires rerunning the simulation model. Methods which yield enhanced efficiency and accuracy in estimating, at little additional cost, are of great value. There are few ways to obtain efficiently the derivatives of the output with respect to an input parameter as presented earlier on this site. The most straightforward method is the Score Function (SF). The SF approach is the major method for estimating the performance measure and its derivative, while observing only a single sample path from the underlying system. The basic idea of SF is that the derivative of the performance function, J(v), is expressed as expectation with respect to the same distribution as the performance measure itself. Therefore, for example, using the estimated values of J(v) and its derivative J(v), the estimated J(v d v) is: VarJ(v d v) VarJ(v) ( d v) 2 VarJ(v) 2 d v CovJ(v), J(v). This variation is needed for constructing a confidence interval for the perturbed estimate. Interpolation Techniques Given two points, v1 and v2 (scalars only) sufficiently close, one may simulate at these two points then interpolates for any desired points in between. Assuming the given v1 and v2 are sufficiently close and looks for the best linear interpolation in the sense of minimum error on the interval. Clearly, Similar to the Likelihood Ratio approach, this can be written as: where the likelihood ratios W1 and W2 are W1 f(y v) f(y v1) and W2 f(y v) f(y v2), respectively. One obvious choice is f f(y v1) f(y v1)f(y v2). This method can easily extended to k-point interpolation. For 2-point interpolation, if we let f to be constant within the interval 0, 1, then the linear interpolated what-if estimated value is: where the two estimates on the RHS of are two independent Likelihood Ratio extrapolations using the two end-points. We define f as the f in this convex combination with the minimum error in the estimate. That is, it minimizes By the first order necessary and sufficient conditions, the optimal f is: Thus, the best linear interpolation for any point in interval v1, v2 is: which is the optimal interpolation in the sense of having minimum variance. Conclusions Further Readings Estimating system performance for several scenarios via simulation generally requires a separate simulation run for each scenario. In some very special cases, such as the exponential density f(y v)ve - vy. one could have obtained the perturbed estimate using Perturbation Analysis directly as follow. Clearly, one can generate random variate Y by using the following inverse transformation: where Ln is the natural logarithm and U i is a random number distributed Uniformly 0,1. In the case of perturbed v, the counterpart realization using the same U i is Clearly, this single run approach is limited, since the inverse transformation is not always available in closed form. The following Figure illustrates the Perturbation Analysis Method: Since the Perturbation Analysis Approach has this serious limitation, for this reason, we presented some techniques for estimating performance for several scenarios using a single-sample path, such as the Likelihood Ratio method, which is illustrated in the following Figure. Research Topics: Items for further research include: i) to introduce efficient variance reduction and bias reduction techniques with a view to improving the accuracy of the existing and the proposed methods ii) to incorporate the result of this study in a random search optimization technique. In this approach one can generate a number of points in the feasible region uniformly distributed on the surface of a hyper-sphere each stage the value of the performance measure is with a specified radius centered at a starting point. At estimated at the center (as a nominal value). Perturbation analysis is used to estimate the performance measure at the sequence of points on the hyper-sphere. The best point (depending whether the problem is max or min) is used as the center of a smaller hyper - sphere. Iterating in this fashion one can capture the optimal solution within a hyper-sphere with a specified small enough radius. Clearly, this approach could be considered as a sequential self-adaptive optimization technique. iii) to estimate the sensitivities i. e. the gradient, Hessian, etc. of J(v) can be approximated using finite difference. For example the first derivative can be obtained in a single run using the Likelihood Ratio method as follows: the sums are over all i, i 1, 2, 3. n, where The last two estimators may induce some variance reductions. iv) Other interpolation techniques are also possible. The most promising one is based on Kriging. This technique gives more weight to neighboring realizations, and is widely used in geo-statistics. Other items for further research include some experimentation on large and complex systems such as a large Jacksonian network with routing that includes feedback loops in order to study the efficiency of the presented technique. References Further Readings: Arsham H. Performance Extrapolation in Discrete-event Systems Simulation, Journal of Systems Science . 27(9), 863-869, 1996. Arsham H. A Simulation Technique for Estimation in Perturbed Stochastic Activity Networks, Simulation . 58(8), 258-267, 1992. Arsham H. Perturbation Analysis in Discrete-Event Simulation, Modelling and Simulation . 11(1), 21-28, 1991. Arsham H. What-if Analysis in Computer Simulation Models: A Comparative Survey with Some Extensions, Mathematical and Computer Modelling . 13(1), 101-106, 1990. Arsham H. Feuerverger, A. McLeish, D. Kreimer J. and Rubinstein R. Sensitivity analysis and the what-if problem in simulation analysis, Mathematical and Computer Modelling . 12(1), 193-219, 1989. PDF Version The Copyright Statement: The fair use, according to the 1996 Fair Use Guidelines for Educational Multimedia. of materials presented on this Web site is permitted for non-commercial and classroom purposes only. This site may be mirrored intact (including these notices), on any server with public access. All files are available at home. ubalt. eduntsbarshBusiness-stat for mirroring. Kindly e-mail me your comments, suggestions, and concerns. Obrigado. This site was launched on 2111995, and its intellectual materials have been thoroughly revised on a yearly basis. The current version is the 9 th Edition. All external links are checked once a month. EOF: 211 1995-2015.What is a Filter In a modern control system, a filter is an algorithm (or function block) used mainly for the reduction of noise on a process measurement signal (Figure 1). But that is not its only use as we will see later. Figure 1. Noise filter. Types of Filters Control systems generally provide first-order lag andor moving-average filters. A few control systems provide higher-order filters. The different types of filters are briefly discussed below. First-Order Lag Filter The most common type of filter is the first-order lag filter of which the output approaches the value of the input in an exponential way over time (Figure 2). This is also called a low-pass filter because high-frequencies (fast changes) are attenuated and low-frequencies (slow changes) are passed through. This makes the first-order lag filter ideal to reduce the noise component in a process measurement signal because noise tends to be of higher frequency than process changes. Figure 2. Response of a 20-second first-order lag filter to a step-change in its input. The time constant of a first-order lag filter is the time it takes for its output to change 63.2 of a sustained change on its input (Figure 2). Moving-Average Filter Another type of filter is the moving average filter. This type of filter stores a number of samples in a first-in-first-out buffer. On every execution cycle a new value from the filters input is stored in the buffer and the oldest value is discarded. The filter then calculates the average of all the stored values, which then becomes the new output of the filter, as depicted in Figure 3. Figure 3. Moving-average filter. The output of a moving average filter approaches the final value linearly and then comes to an abrupt stop, as opposed to a first-order lag that approaches the final value exponentially (Figure 4). Figure 4. Output of a moving-average filter compared to that of a first-order lag filter. Higher-Order Filters Higher-order filters consist of multiple lags and leads arranged in a specific way to provide a steeper cut-off or just filter out specific frequencies (such as 60 Hz). Although these filters are much more common in the electronics industry, some control systems also provide at least a subset of them. Higher-order filter types include low-pass, band-pass, notch, and high-pass (although the latter would be very uncommon in process control applications. There probably are situations in which the use of higher-order filters would be preferable over simple first-order lag filters, but for most cases in general process control, first-order lag filters are adequate for smoothing noisy process measurement signals. Since higher-order filters are rarely used in control loops, I will not delve deeper into their design and application here. Should I Use a First-Order or a Moving-Average Filter If you have a choice, do not use a moving-average filter for smoothing a noisy process measurement. A first-order lag filter is better suited for smoothing out noise. The reason is as follows: With a first-order lag filter, newly sampled values contribute more to the output than older samples the newest value contributes the most and the contribution of older samples decreases exponentially over time. W ith a moving-average filter, all values in the buffer contribute equally to the output. If there is a spike on the input of a moving-average filter, its contribution stays unchanged until it suddenly disappears when the value drops off the buffer. With a lag filter, the contribution of the spike will wane over time. Filter Applications There are three main applications for filters in control systems. These are discussed below. Noise Filter Also called a smoother, noise filters are used to smooth out high-frequency noise from a process measurement signal as depicted in Figure 1. These filters are commonly applied to flow-measurement signals, because of the tendency of these signals to have a substantial noise component. A first-order lag filter with a time constant of two to three seconds is normally sufficient for a flow control loop. Longer time constants may be used if needed, but be careful that the filter does not become the dominant lag in the loop. Some level measurements can also have a large noise component, e. g. where boiling or liquid-gas separation affects the level. Level controllers (except on steam drums and surge tanks) often require a high controller gain, making the controller output very sensitive to noise. In these cases filters with longer time constants (e. g. 10 to 20 seconds) may be required. An appropriate filter time constant (Tf) can be calculated as follows: Tf (Amplitude of Noise) (Desired Amplitude after Filtering) (Period of Noise) (2 x PI) Where PI 3.14 and the period of the noise can be determined by counting the number of peaks in a signal over one minute, and then inverting this number, i. e. use 1x. The equation above will then give you the filter time in minutes. Convert this number to seconds (multiply by 60) if your control system uses seconds as the time unit for filters. Note that adding a filter in a control loop or changing the filters time constant changes the dynamic behavior of the control loop. This requires retuning the controller to accommodate the loops new dynamics. Also, use the minimum filtering possible, because a filter introduces lag which will likely result in a slower-performing control loop, and it may hide process problems. Anti-Aliasing Filter In process control, anti-aliasing filters are used on analog input signals to remove high-frequency components from the signals before they are sampled by the digital control system. This is done to prevent aliasing problems in which high-frequency components in the original signal appear as low-frequency aliases after sampling by the control system. YouTube has some nice videos demonstrating aliasing. Anti-alias filtering must be done in the transmitter, i. e. before the analog signal is sampled by the AD converter in the control systems input module. The anti-aliasing filter should provide a minimum of -12 dB of attenuation at the Nyquist frequency, but preferably more as explained in a 1994 paper by EnTech. This can be provided by a first-order low-pass filter with a time constant set to at least 1.3 times the slowest sampling period. For example, if the input card samples the analog inputs at a rate of 1 sample per 500 milliseconds, and the controller execution interval is 1 second, a minimum filter time constant of 1.3 seconds should be used. Setpoint Filter A setpoint filter passes the control loops setpoint through a first-order lag filter before the controller receives the signal. A setpoint filter can be used to reduce or eliminate overshoot on control loops that receive operator-made setpoint changes. This will mostly apply to lag dominant processes that have been tuned for fast disturbance rejection. It can also be used to reduce the amount of abrupt control action as a result of the setpoint change. (However, my preferred solution in both cases is to apply the proportional and derivative modes only on the process variable instead of on error, if the control algorithm supports this.) Figure 5. Effect of a standard setpoint change versus setpoint filtering. Control guru Greg McMillan recommends that the setpoint filters time constant be set equal to the integral time in the controller, or 1.5 times the integral time if the controller is tuned more aggressively for minimum settling time. Setpoint filters should never be used in control loops that are required to closely track their setpoints (such as in cascade, feedforward, and ratio control) because it slows down the controllers response to setpoint changes. Final Words Filters are handy devices in control systems and have multiple uses, the main one being to reduce the noise component on measurement signals. Only use filters when needed, and then as little filtering as possible. And remember that a filter alters the dynamic response of the loop (except for setpoint filters), so the controller has to be retuned after a filters time constant has been changed.