ot number of probabilistic events,

ot number of probabilistic events, and some representation must be made of the combinations.
ln cases such as those outlined above, a particular application of random sampling called the Monte Carlo technique can serve to obtain a satisfactory solution. Basically, the technique is a process for developing data through the use of some random-number gen-erator. For variables which are difficult to evaluate, the Ivionte Carlo tec'nnque can be used to generaie their respective values from the proper distribution. In other words, a sample of values can be generated and used to represent observations. in the real world.
Exan-iples of such approaches might include the generation of arrival times at some servicing station. Actual data from operations might not provide enough information unless collected over a long period of time. In order to facilitate analysis, the real world is simula ted in the form of arrivals. Other problem areas such as transporttic-m, production, inventory, and distribution usually have random factors which are too complicated for mathematical treatment. ln such cases Monte Carlo techniques can be used to simulate activitcy, and hence develop approximations which suffice in thc decision-making process. The use of Monte Carlo tech-niques to simulate certain aspects of problems which cannot be approached via rigorous mathematical analysis points up the need for techniques which allow more flexibility in the analytical process.
SIMULATION
Simulation means "to obtain the essence of, without reality." In the narrow sense, simulation can be used in the application of operation.s research techniques to specific problems. When apply¬ing Monte Carlo techniques, the method involves setting up a sto¬chastic"" model of a real situation and then performing sampling experiments upon the model. The stochastic model is the feature that distinguishes a simulation from a mere sampling experiment in the classical sense.'" This approach allows the generation of a large amounts of data which otherwise might take years or months to accumulate. Following the generation of data via simulation,
"Variable quantities with a definite range of values, each one of which, depending on cbance, can be attained with a definite probability. A stochastic variable is defined (I) if the set of its possible values is given and (2) if the probability of
cach particular value is also given.
-lohn 'Simulation Techniques in Operations Research: A Review,"
)1.cratios: Re,:•arch, May-June 1958, pp. 307 -319.

Hasil (Bahasa Indonesia) 1:

PL jumlah probabilistik peristiwa, dan beberapa perwakilan harus terbuat dari kombinasi.LN kasus seperti yang diuraikan di atas, aplikasi tertentu sampling acak yang disebut teknik Monte Carlo dapat melayani untuk mendapatkan solusi yang memuaskan. Pada dasarnya, teknik adalah proses pengembangan data melalui beberapa nomor acak gen-erator. Untuk variabel yang sulit untuk mengevaluasi, Carlo Ivionte tec'nnque dapat digunakan untuk generaie nilai-nilai mereka masing-masing dari distribusi yang tepat. Dengan kata lain, contoh nilai dapat dihasilkan dan digunakan untuk mewakili pengamatan. dalam dunia nyata.Exan-iples pendekatan seperti itu mungkin termasuk generasi kedatangan di beberapa stasiun yang melayani. Data aktual dari operasi mungkin tidak memberikan informasi yang cukup kecuali jika dikumpulkan selama jangka waktu yang panjang. Untuk memudahkan analisa, dunia nyata adalah simula ted dalam bentuk kedatangan. Bidang masalah lainnya seperti transporttic-m, produksi, persediaan dan distribusi biasanya memiliki faktor acak yang terlalu rumit untuk pengobatan matematika. LN kasus-kasus seperti Monte Carlo teknik dapat digunakan untuk mensimulasikan activitcy, dan karenanya mengembangkan pendekatan yang cukup di thc proses pengambilan keputusan. Penggunaan teknologi-niques Monte Carlo untuk mensimulasikan aspek-aspek tertentu dari masalah yang tidak boleh didekati melalui analisis matematis ketat poin kebutuhan teknik yang memungkinkan lebih banyak fleksibilitas dalam proses analisis.SIMULASISimulasi berarti "untuk mendapatkan inti dari, tanpa realitas." Dalam pengertian sempit, simulasi dapat digunakan dalam aplikasi teknik penelitian operation.s untuk masalah tertentu. Ketika apply¬ing Monte Carlo teknik, metode yang melibatkan menyiapkan sto¬chastic "" model situasi nyata dan kemudian melakukan pengambilan sampel percobaan berdasarkan model. Model stokastik adalah fitur yang membedakan simulasi dari sekedar sampling percobaan dalam arti klasiknya.'" Pendekatan ini memungkinkan pembentukan sejumlah besar data yang dinyatakan mungkin mengambil tahun atau bulan untuk mengumpulkan. Mengikuti generasi data melalui simulasi,"Variabel jumlah dengan berbagai pasti nilai-nilai, masing-masing yang, tergantung pada cbance, dapat dicapai dengan probabilitas tertentu. Variabel stokastik didefinisikan (I) jika seperangkat nilai-nilai yang mungkin diberikan dan (2) jika probabilitasAlpine nilai tertentu juga diberikan.-lohn ' teknik simulasi in operasi penelitian: Tinjauan, ") 1.cratios: Re,: •arch, Mei-Juni 1958, ms. 307-319.

Hasil (Bahasa Indonesia) 2:

jumlah ot peristiwa probabilistik, dan beberapa perwakilan harus terbuat dari kombinasi.
Pada kasus seperti yang diuraikan di atas, aplikasi tertentu dari random sampling disebut teknik Monte Carlo dapat berfungsi untuk mendapatkan solusi yang memuaskan. Pada dasarnya, teknik ini adalah proses untuk mengembangkan data melalui penggunaan beberapa nomor acak gen-erator. Untuk variabel yang sulit untuk mengevaluasi, yang tec'nnque Ivionte Carlo dapat digunakan untuk generaie nilai masing-masing dari distribusi yang tepat. Dengan kata lain, sampel nilai dapat dihasilkan dan digunakan untuk mewakili pengamatan. di dunia nyata.
Exan-iples pendekatan tersebut mungkin termasuk generasi kedatangan kali di beberapa stasiun pelayanan. Data aktual dari operasi mungkin tidak memberikan informasi yang cukup kecuali dikumpulkan dalam jangka waktu yang panjang. Untuk memudahkan analisis, dunia nyata adalah Simula ted dalam bentuk kedatangan. Masalah daerah lain seperti transporttic-m, produksi, persediaan, dan distribusi biasanya memiliki faktor acak yang terlalu rumit untuk perawatan matematika. Dalam kasus seperti teknik Monte Carlo dapat digunakan untuk mensimulasikan activitcy, dan karenanya mengembangkan pendekatan yang cukup dalam THC proses pengambilan keputusan. Penggunaan Monte Carlo tech-teknik-untuk mensimulasikan aspek-aspek tertentu dari masalah yang tidak dapat didekati melalui analisis matematis ketat menunjukkan up kebutuhan teknik yang memungkinkan lebih banyak fleksibilitas dalam proses analisis.
SIMULASI
Simulasi berarti "untuk mendapatkan esensi, tanpa realitas. " Dalam arti sempit, simulasi dapat digunakan dalam penerapan teknik penelitian operation.s untuk masalah tertentu. Ketika apply¬ing teknik Monte Carlo, metode melibatkan menyiapkan sto¬chastic "" model dari situasi nyata dan kemudian melakukan percobaan pengambilan sampel pada model. Model stokastik adalah fitur yang membedakan simulasi dari percobaan pengambilan sampel hanya dalam arti klasik. '"Pendekatan ini memungkinkan generasi dari sejumlah besar data yang dinyatakan mungkin waktu bertahun-tahun atau bulan untuk menumpuk. Setelah generasi data melalui simulasi ,
"jumlah Variabel dengan berbagai pasti nilai, masing-masing salah satunya, tergantung pada cbance, dapat dicapai dengan probabilitas yang pasti. Sebuah variabel stokastik didefinisikan (I) jika set nilai yang mungkin yang diberikan dan (2) jika probabilitas
cach nilai tertentu juga diberikan.
-lohn 'Teknik Simulasi di Riset Operasi: A Review, "
) 1.cratios: Re,: • lengkungan, Mei-Juni 1958, hlm 307 -319..