MONTE CARLO S MLASYONUNDA BET MSEL RNEKLEME YAKLA IMI VE GDA BAKIRKY VEZNELER NE B R UYGULAMA ALI MASI S.

Erdal D NER(*) Habib KOAK(**)

zet: Monte Carlo uygulamalar sonucunda ortaya kan, d k de erdeki kesinlik tesadfi davran larn tanmlanmasnda kullanlan girdi rneklemlerin tesadfi olarak olu turulmasndan kaynaklanmaktadr. Bu nedenle ortaya kan olumsuzluklar gidermeye ynelik olarak varyans azaltma tekniklerine ba vurulmakta ancak bu da i lem yknn artmasna neden olmaktadr. Bu sorunu ortadan kaldrmak amacyla basit tesadfi rneklemeye kar lk olarak betimsel rnekleme ynteminden yararlanlmakta ve bu yntemle elde edilen sonularn ok daha kesin de erlere sahip oldu u grlmektedir. Bu al mada, betimsel rnekleme ynteminin basit tesadfi rnekleme yntemine gre Monte Carlo simlasyonunda ok daha uygun sonulara ula t n gstermeye ynelik olarak gerek bir duruma uygulamasna al lm ve elde edilen sonularn betimsel rnekleme lehine olduka uygun sonular ierdi i grlm tr. Abstract: In any Monte Carlo application, sampled distributions are assumed to be known. Using simple random sampling, sample histograms or, equivalently, sample moments will vary at random, thus producing an imprecise description of the known input distribution, and consequently increasing the variance of simulation estimates. This problem can be avoided with descriptive sampling, here proposed as a more appropriate approach in Monte Carlo simulation than simple random sampling. The basis of topic, examples of its use and emprical results are presented.

I. Giri Bugne kadar Monte Carlo simlasyonunda tesadfi davran larn tanmlanmasnda kullanlan girdi rneklemler tesadfi olarak olu turulmaktayd. Basit tesadfi rnekleme, simlasyonda standart rneklemeye dn trlerek i leme tabii tutulmaktadr. Bu durum yksek de i kenlik gsteren tahminlerin yan sra, bu yksek de i kenlik gsteren tahminlerden dolay da geerlili i olduka tart mal sonularn meydana gelmesine neden olmaktadr. Simlasyon tahminlerindeki bu d k de erdeki kesinlik Monte Carlo uygulamalar sonucunda ortaya kmakta ve bu da varyans azaltma tekniklerinin kullanlmas zorunlulu unu gndeme getirmektedir. Varyans azaltma tekniklerine rnek olarak; antitetik varyans, tabakal rnekleme, ortak tesadfi
(*)

(**)

r.Gr.Marmara niversitesi BF Ekonometri Blm r.Gr.Marmara niversitesi BF Ekonometri Blm

128

S.Erdal D NER, Habib KOAK

saylar ve yeni geli tirilen Latin hiper kp rneklemesi verilebilir. Bu tr al malarda, varyans kontrolnden ba ka, ok daha kontrol edilebilir rneklem seimine ihtiya duyulmaktadr. Ancak Monte Carlo prensiplerini veya kavramsal yapsn krmadan bunun gerekle mesi olduka zor bir i lemdir. Ayrca pek ok Monte Carlo uygulamasnda kullanlan rneklemlerin bilinen bir da lma uydu u da kabul edilmek zorundadr. Uygulamalardan elde edilen sonular kullanlan yntemlerin hatal oldu unu gstermekte ve bir anaktle hakknda gereken bilgilerin elde edilmesinde derinlemesine bir tesadfi rneklemeye ihtiya duyuldu unu ortaya koymaktadr (James, 1985: 525). Bu al mada, rneklemenin amac Monte Carlo rneklemesi iin ok daha iyi ve uygun oldu u belirlenen betimsel rnekleme tekni inin stnl n basit tesadfi rnekleme tekni i ile kar la trarak gstermektir. Bu yeni yakla mn ana farkll al malarda kullanlan rneklemin amaca ynelik olarak belirlenmesinde betimsel rneklemeden faydalanlmasdr. Betimsel rnekleme ynteminde rneklemin seiminde sunulan da lm ile ara trmaya dahil edilen rneklemlere ait da lmn uygunlu unun gerekle tirilmesi temel zorunluluk olup, ara trmaya dahil edilen rneklemlerin ise tesadfili i sz konusudur. Betimsel rnekleme uygulamada kolay bir yntemdir. lem srasnda herhangi bir dzeltme ve iyile tirmeye ihtiya duymaz. Genel olarak ok daha iyi ve uygun tahminler retmektedir. Betimsel rneklemenin kullanm iin gerekli olan yalnzca ba langta kullanlacak olan rnek bykl nn belirlenmesidir. Betimsel rnekleme simlasyon uygulamalarna katkda bulunmasna ra men daha etkili tahminlerin elde edilmesine de yardmc olmaktadr. al mann temel noktasn bir Monte Carlo al masnda rnek de i kenlerin belirlenmesinde basit tesadfi rneklemenin kullanlmasnn art olmad gr n gstermek olu turmaktadr. Bu nokta aka ortaya konulduktan sonra simlasyon dahil olmak kaydyla herhangi bir Monte Carlo uygulamasnda bunu kantlamak mmkn olmaktadr (Saliby, 1989: 123). II. Monte Carlo Simlasyonu Sistemin durumunu de i tiren olaylarn gerekle me zamanlarna ait de erlerinin bir olaslk da lmndan faydalanlarak belirlenmesi Monte Carlo simlasyonu olarak adlandrlr (Taha, 1989: 694). Yntem sistemin belli bir zaman aral nda yer alan belirli bir ann durumunu yanstt iin bir statik simlasyon modelidir. Bu metod olaslk teorisine ba ldr. Genel olarak, bir probleme uygulanmas, problemin tesadfi saylar kullanlarak defalarca simle edilip, hesap edilmek istenen parametrenin bu simlasyonlarn sonucuna baklarak yakla k olarak hesaplanmas fikrine dayanr. Gerek bir durumun stokastik modelini olu turup, bu model zerinden rnekleme deneyleri hazrlama tekni i olarak da tanmlanabilir. Bu tip simlasyonlar stokastik

ktisadi ve dari Bilimler Dergisi, Cilt: 19 Eyll 2005 Say: 2

129

yapda birbirleriyle ili kili ok sayda de i kene sahip sistem ktlarnn al masnda kullanlmaktadr (Laufer, 1995:168). Bu konu hakkndaki ilk al malar 1873 ylnda A. Hall tarafndan pi says zerinde ba latlm , daha sonra 1890 yllarnda W.Gosset tarafndan geli tirilmeye al lm tr. 1899 ylnda Rayleigh tarafndan parabolik diferansiyel denklemlere ait tek boyutlu rastgele saylarn yakla k de erlerini bulma al mas gerekle tirilmi tir. 1931de Kolmogorov belirli diferansiyel denklemlerin integral hesaplarnda bir ba lant kurmu tur (Kalos ve Whitlock, 1986:45). Monte Carlo simlasyonu zellikle 1930lardan sonra hzla geli meye ba lam matematiksel bir tekniktir. Bu metot 1940 ylnda nkleer silah geli tirilmesi projesinde al an J.Von Neumann, Fermi ve Ulam adl bilim adamlarnca geli tirilmi tir. Ba lang bir simlasyon problemi a a daki gibi sunulabilir; (a) Sistem davran n tasvir eden bir model (b) ekil 1. de yer alan bu model kendisine dahil edilen tesadfi girdi (X A , X B ,...) tesadfi kt de i kenlere ( Z A , Z B ,...) de i kenlerini dn trmektedir. Bu de i kenlere cevap de i kenleri ad verilmektedir (Law ve Kelton, 1991: 247).
Girdi De i kenleri Cevap De i kenleri

XA XB XC

ZA ZB ZC

. . .

. . .
ekil 1: rnek Bir Simlasyon Modeli

(c) Girdi de i kenlerinin da lmnn bilindi i ancak cevap de i kenlerinin da lmnn ise bilinmedi i varsaylmaktadr. Buradaki ama cevap de i kenlerinin veya onlara ait parametrelerin da lmlarn incelemektir. (d) Problem simle edildi inde, girdi tesadfi de i kenleri rnekler aracl yla de i tirilirler. (e) Simlasyon i lemi ba latld nda, her bir cevap de i keni iin bir de i kenler kmesi olu turularak hesaplamalar gerekle tirilir. Burada dikkat

130

S.Erdal D NER, Habib KOAK

edilmesi gereken sonlu bir sistemin simle edilmesi durumunda her bir denemenin her bir cevap de i keni iin bir gzlem de erini olu turdu u ve cevap de i kenleri kmesinden simlasyon tahmininin ise N hesapland dr. Bundan dolay da simlasyon i letilmesi N deneme tarafndan tanmlanmaktadr. Di er simlasyon al malarndan fark her i lemin bir tahmin ve simlasyon denemesi olmasdr. Cevap parametrelerinin sabit olmasna ra men her bir simlasyon i lemi farkl bir tahminler kmesini olu turmaktadr. Bu farkl tahminler kmesindenkaynaklanan ve minimize edilmesi gereken tahmin hatas Monte Carlo ynteminin kullanmnda katlanlmas zorunlu bir durumu olu turmaktadr (Kleijnen, 1974: 318). III. Betimsel rnekleme al maya katlan bir cevap de i keni ve tesadfi girdi de i keninin simlasyonu ynlendirdi ini varsayacak olursak, simlasyonun al masn fonksiyon eklinde ifade edebiliriz.
Y j = Fj ( x , x ,..., x n ) , j = , ,..., L

(1)

Burada Y j , j = , ,..., L , cevap de i keni da lm ile ili kili olmak zere

Q j parametresi iin tahmincidir ve Fj , Y j , j = , ,..., L , tahmincisine uygun

olarak ili kilendirilmi girdi de i keni, X i , (i = , ,..., n ) nin bir deterministik fonksiyonudur. Girdi rneklem hacmi sonsuza ynlendi inde iki asimptotik zellik sz konusu olmaktadr. Bunlar; Yanszlk ; E (Yj ) Q j , j = , ,..., L ve Uygunluk ; Var(Yj ) , j = , ,..., L Bu al mada N, sonlu bir sistem iin tek bir al maya gre dzenlenmi denemeler saysn, T, sonsuz bir sistem iin al ma uzunlu unu ifade etmekte ve n ise her bir al ma iin girdi rneklem hacmini gstermektedir (Tocher, 1963: 256). (1) nolu denklemden, simlasyon tahminlerine ait de i kenlerin yalnzca girdi rnek de i kenli ine ba l oldu unu grmekteyiz. Her bir deneme iin farkl bir girdi rne i izmek mmkndr. Bu da birbirinden farkl tahminler kmesini olu turmaktadr. Beklendi i zere, cevap de i kenleri ve girdi de i kenleri arasnda bir ili ki sz konusudur. Simlasyonun genel kabulne ba l olarak, her bir girdi rneklemi 2 genel zellik asndan incelenmektedir. a. De erler kmesi; tm rnek de erleri toplu halde gz nnde bulundurularak tanmlanr, fakat onlarn zel sralanmalar gz nne alnmaz.

ktisadi ve dari Bilimler Dergisi, Cilt: 19 Eyll 2005 Say: 2

131

b. Bu de erler zel sralamalarda meydana gelirler. Her iki zellikte iki temel olaslk kavramyla yakndan ili kilidir. Bunlar, de erler kmesinin da lm ile greceli sklk da lmnn uygunluk gstermesi ile sralamann tesadfi olmayan bir ili ki gstermesidir. Basit tesadfi rneklemenin kullanlmas durumunda kme elemanlarnn ve sralamann her ikisinin de de i mesine izin verilmektedir. Bu nedenle her iki zellik simlasyon tahminlerindeki de i imin kayna olarak kabul edilmektedir (Saliby,1990: 319). A. Tahminlerin De i kenli i Basit tesadfi rneklemenin kullanlmas durumunda simlasyon tahminlerindeki de i kenlik a a da yer alan ana hatlarla ortaya konulabilir. 1. Kme de i kenli i tahminlerin varyanslar zerinde nemli ve zelle tirilmi bir etkiye sahip olan girdi rneklemi ile ili kilidir. Kme de i kenli inin varyansn tahminine greceli etkisi %50 veya daha fazladr. Kme de i kenli inin greceli etkisinin bir di er nemli sonucu al ma uzunlu unun gz ard edilmesidir. al ma uzunlu unun artmasyla girdi rnekleminin tanmlanan da lm daha kapal hale gelmekte, ancak kme de i kenli inin greceli etkisi ise ayn kalmaktadr. 2. Do rusal bir regresyon modeli uygun teorik de erler ile girdi rnek momentleri arasndaki sapmalardaki veri etkisini ortaya koymaktadr. Do rusal regresyon modeli matematiksel olarak kontrol de i imi yntemiyle ayndr. Do rusal regresyon modeli yardmyla aklanan de i kenlik R de eriyle ifade edilmektedir. R katsays set etkisinin tahmin edilmesine olanak sa lamaktadr. 3. Kme etkisi pek ok simlasyon probleminde ortak zellik olarak kar mza kmaktadr. Bunun en bariz rne i M/M/1 (Poisson geli li/ Poisson ayrl l/ Tek kanall) kuyruk simlasyonu olarak gsterilebilir. Kme etkisi do rusal regresyon modeli yardmyla aklanabilmesine ra men birbirini takip eden zellikleri tahmine ynelik olarak geli tirilmi genel bir model mevcut de ildir (Saliby, 1989:135). Basit tesadfi rnekleme ynteminin kullanlmas e itli simlasyon al malar arasnda farkll n olu masna neden olmaktadr. Tesadfi seim, tahmin de erlerinin varyansn arttrmakta ve veri etkisine neden olmaktadr. Monte Carlo simlasyonunda basit tesadfi rneklemenin kullanlmas kavramsal yapnn taklit edilmesi durumunun ortaya kmasna sebep olmakta ve bundan dolay da tesadfi davran larn tanmlanmas zorunlulu unu ortaya karmaktadr. Bu durumda herhangi bir rneklem bu durumu taklit etmek zorundadr (Stuart, 1976:165). Tesadfi bir davran tanmlayabilmenin iki temel olaslk kavramyla ili kisi vardr. Bunlar; (a) Sklk

132

S.Erdal D NER, Habib KOAK

(b) Tesadfili e sahip olma Betimsel rnekleme Monte Carlo rneklemesinde kme de i kenli ini ortadan kaldrmaya veya en aza indirgemeye yneliktir. Yntem girdi de i kenlerinin ve onlarn tesadfi yerle melerinin belirleyici bir seiminin yaplmasna dayanmaktadr. Sembolik olarak; Betimsel rnekleme=Deterministik veri . Tesadfi seri Basit tesadfi rnekleme= Tesadfi veri . Tesadfi seri ifade edilebilir (Saliby, 1990:1133). B. Betimsel rneklemenin Uygulanmas Basit tesadfi rneklemenin zorlu una kar n, betimsel rneklemenin kullanm ve programlamas son derece kolaydr. Bundan daha da nemlisi, herhangi bir zel programlamaya ihtiya duymakszn tamamen hzl bir ekilde kullanlabilmektedir. Genel olarak betimsel rnekleme iki ana admdan meydana gelmektedir. Bunlar, betimsel de i kenlerin ve bu de i kenlerin tesadfi yerle im setlerinin olu turulmasdr (Saliby, 1990: 319). C. De i kenler Kmesinin Olu turulmas Betimsel rnekleme srecinde, de i kenler kmesi daha sonra kullanlmak zere dzenlenir. Tek bir de i iklik yardmyla terse dn trme i leminin genel algoritmas kullanlarak betimsel rnekleme de erleri retilir. Bunun iin gerekli formlasyon a a da yer almaktadr (Saliby, 1989: 120). Tablo 1: Negatif Bir Exponansial Da lm in De erler Setinin Tanmlanmas Xd i = F 1 .[(i 0,5) / n] , i = , ,..., n (i , ) / n Xd i = ln[1 (i 0,5) / n] i 1 0,05 0,051 2 0,15 0,163 3 0,25 0,288 4 0,35 0,431 5 0,45 0,598 6 0,55 0,798 7 0,65 1,050 8 0,75 1,386 9 0,85 1,897 10 0,95 2,996 Toplam 0,50 0,9

ktisadi ve dari Bilimler Dergisi, Cilt: 19 Eyll 2005 Say: 2

133

Tablo 1.de ortalama E(x) = 1 ve n =10 durumu iin terse evirme i lemi X = ln( R ) durumuyla ifade edilmi tir. Simlasyon iin n = 10 gibi kk bir rneklem olmasna ra men bu rneklem da lmnda olduka ba arl bir sonuca ula lm tr. Da lm fonksiyonunun tersinin eldesi analitik olarak mmkn de ildir. Bu nedenle yakla k bir durum tercih edilir. Burada dikkat edilmesi gereken bir di er durumda tesadfi rneklemenin olu turulmasnda da ayn mant n geerli oldu udur. Ters dn mn sz konusu olmas durumunda betimsel de i kenlerin olu turulmasnda da ayn admlar geerlidir. Bir simlasyon al masnda tm i letimler iin set de erleri yalnzca bir defa kullanlabilir. Uygulamada, yer de i tirme olmakszn i lem zinciri daha nce tanmlanm de i kenler kmesinin nsel tanmlanmasyla olu turulan rneklem ile olu turulur. Burada veri yaps algoritma ile tanmlanr. Veri yapsna ynelik olarak, her bir tesadfi girdi de i keni iin a a da yer alan kapsam dahilinde bir kayt olu turulur (Saliby, 1990:1133). n = rnek hacmi Xd = Kme de erlerinden olu an gerek sralama [ , ,..., n ] P= En kk Xd elemanna kar lk gelen indeks de eri ayet P=1 ise herhangi bir grafiksel gsterim sz konusu de ildir. ayet P=n+1 ise tm de erler kmesi grafiksel gsterime hazrdr. Algoritma iki a amadan meydana gelir; 1. Ba lang a amas: Simlasyona ba lamadan nce n tanmlanr. Kme de erleri (Xd) olu turulur ve P=1 olarak kabul edilir. 2. rneklem al maya dahil edilmeden bir betimsel rnek de eri talep edilir. a. P > n ise P = olarak kabul edilir. b. Tesadfi olarak bir tamsay belirlenir. c. Xd[ P] ile Xd[Tesadfi tamsay] yer de i tirilir. d. P= P+1 olarak kabul edilir.
P, Xd vektrn iki ksma ayrmaktadr. lk para P-1, bu para grafiksel olarak ifade edilmi olan kme de erlerinden olu maktadr. Di er para ise geri kalan ifade edilmemi kme de erlerinden olu maktadr. = dngs izilmek suretiyle tamamlanr. Bundan sonra tesadfi yer de i tirme i lemi ba latlr. Bu srada herhangi bir anda veri kar trma i lemine ba lanabilir. Benzer bir yakla mla ayn veri yaps ve olu turulan kme de erleri rneklemin olu turulmasnda kullanlr. IV. Uygulama Monte Carlo uygulamalar sonucunda ortaya kan ve varyans azaltma tekniklerinin kullanlmasn zorunlu hale getiren tesadfi rneklemeye kar n, bu sorunlar ortadan kaldrmada daha ba arl bir yntem olan betimsel

134

S.Erdal D NER, Habib KOAK

rneklemenin uygulanabilirlili inin gsterilmesine ynelik olarak gerek bir problem zerinde uygulama al mas yaplm tr. Bu uygulamaya konu olan al ma GDA a ait Bakrky hizmet veznelerini kapsamakta olup klasik M/M/S sabit servis sisteminden hareketle gerekle tirilmi tir. Simlasyon i lemi iin 30 al ma gn ve gnlk 480 dakikalk al ma zaman baz alnm olup, uygulamaya konu olan servis oran (t) ssel da lma, var larn oran (t) ise poisson da lmna uygunluk gstermektedir. Ortalama geli oran 3 m teri/dk. ve ortalama servis oran 0.5 m teri/dk. olarak hesaplanm tr. Uygulamadan elde edilen sonularn geerlili inin test edilmesine ynelik olarak her iki rnekleme yntemini de kapsayacak ekilde hizmet gi elerinin saylarna ynelik alternatif senaryolar retilmi ve zmler bu alternatif senaryolara gre gerekle tirilmi tir. M/M/S kuyruk sisteminin betimsel rnekleme yntemiyle zme ula trlmasnda servis zaman iin a a da yer alan set de erleri olu turulmu tur (Saliby, 1990:1135). i=1,2,......,n TSi = - MS . ln [(i-0.5)/n], Burada MS ortalama servis zamann ifade etmektedir. Var sresi iin ise; TAi = - MA. ln [(i-0.5)/n], i=1,2,......,n Burada yer alan MA ortalama var sresini ifade etmektedir.

Betimsel rneklemenin basit tesadfi rneklemeye nazaran daha uygun sonu verdi ini vurgulamaya ynelik olarak 4 farkl servis kanal senaryosu sonular Tablo 1. de yer almaktadr.
Elde edilen sonularn tm gz nne alnd nda betimsel rnekleme yardmyla gerekle tirilen kuyruk simlasyonu al masndan elde edilen sonularn varyanslar basit tesadfi rnekleme ynteminin kullanlmasyla elde edilen sonulara nazaran olduka d k de erlerde oldu u grlmektedir. Drt farkl senaryonun olu turularak zlmesi ve her birinde de ayn sonucun elde edilmesi betimsel rneklemenin Monte Carlo al malarnda basit tesadfi rneklemeye nazaran ok daha uygun sonu verdi ini gstermektedir.

ktisadi ve dari Bilimler Dergisi, Cilt: 19 Eyll 2005 Say: 2

135

Basit Tesadfi rnekleme Bekleme Zaman (dk) S=3 Ortalama Varyans S=4 Ortalama Varyans S=5 Ortalama Varyans S=6 Ortalama Varyans Bekleme Zaman (dk) S=3 Ortalama Varyans S=4 Ortalama Varyans S=5 Ortalama Varyans S=6 Ortalama Varyans 0 0.525 0.049 0.283 0.031 0.146 0.017 0.071 0.009 0 0.430 0.024 0.274 0.025 0.116 0.010 0.048 0.003 1 0.418 0.067 0.185 0.030 0.080 0.013 0.032 0.008 1 0.018 0.009 0.050 0.019 0.006 0.006 0.021 0.002 2 0.333 0.068 0.126 0.028 0.044 0.012 3 0.269 0.058 0.085 0.026 0.023 0.010 4 0.219 0.032 0.055 0.013 0.011 0.008 5 0.182 0.025 0.036 0.009 0.006 0.007 0.000 0.000 5 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 6 0.153 0.023 0.022 0.007 0.002 0.005 0.000 0.000 6 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 7 0.128 0.021 0.013 0.005 0.001 0.002 0.000 0.000 7 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000

0.013 0.006 0.002 0.005 0.002 0.001 Betimsel rnekleme 2 0.004 0.005 0.006 0.006 0.000 0.002 0.002 0.000 3 0.000 0.000 0.001 0.002 0.000 0.000 0.000 0.000 4 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000

Tablo 2: X Dakikadan Daha Fazla Bekleme Olaslklar

V. Sonu Bu al mada, Monte Carlo uygulamalar sonucunda ortaya kan ve basit tesadfi rneklemeden kaynaklanan tahminlerdeki d k de erdeki kesinli in yol at bir takm glkleri ve dzeltme tekniklerinin kullanlma zorunlulu unu ortadan kaldrmaya ynelik olarak geli tirilen betimsel rneklemenin uygulanabilirlili inin ve genel i leyi admlarnn incelenmesine al lm tr. Bu ama do rultusunda yaplan al ma sonucunda Monte Carlo uygulamalarnda kullanlan basit tesadfi rneklemeye nazaran betimsel rnekleme ynteminin kullanlmasyla elde edilen sonularn ok daha d k

136

S.Erdal D NER, Habib KOAK

varyans de erlerine sahip oldu u ve bu nedenle de varyans indirgeme tekniklerinin kullanlmasna ihtiya duyulmad grlm tr. Bu elde edilen sonular ve literatrlerde bu konuya ynelik olarak yer alan di er al malardan da hareketle Monte Carlo al malarna yeni bir bak as geli tirilebilece i ve bunun da yaplacak al malarn daha etkin ve geerli sonulara sahip olmas asndan yardmc olaca grlmektedir. Kaynaklar Stuart A. (1976), Basic Ideas of Scientific Sampling, 2nd Ed. Griffin, London. James B.A.P. (1985), Variance Reduction Technigues Journal of Operations Research Society, Vol:36, ss. 525-530. Saliby E. (1989), Rethinking Simulation: Descriptive Sampling Atlas, EDUFRJ, Sao Paula. Saliby E. (1990), Understanding the Variability of Simulation Results; an Emprical Study, Journal of Operations Research Society, Vol: 41, ss.319-327. Saliby E. (1990), Descriptive Sampling: A better Approach to Monte Carlo Simulation, Journal of Operations Research Society, Vol:12, ss.1133-1142. Kleijnen J.P.C. (1974), Statistical Technigues in Simulation,Part.1. Marcel Dekker, New York. Kalos, M.H., Whitlock, P.A., (1986), Monte Carlo Methods Volume:1 Basics, John Wiley&Sons. Laufer, A., (1995), Operations Management, Ohio:South-Western Publishing Co., Ohio, USA. Law, A., Kelton W., (1991), Simulation Modelling & Analysis, 2th. Ed., Mc Graw Hill, New York. Taha A.H., (1989), Operations Research An Introduction, 4th Ed., Mac Millan Publishing Company, New York Simandl M., Soukup T.,(2002) Simulation Monte Carlo Methods in Extended Stochastic Volatility Models, International Journal of Intelligent Systems in Accounting Finance and Management, Apr/Jun, ss. 109120 Gagne R., Ouellette.P. (1998), On The Choice of Functional Forms: Summary of a Monte Carlo Experiment, Journal of Business and Economic Statistics, ss.118-129