Unfortunately, these models are fre

Unfortunately, these models are frequently misused
in practice, at great cost to the client organization.
This happens when they are applied to the study
of “macroscopic” issues that can have only approximate
answers because of the uncertainty inherent in
the input data. An example is a question that often
confronts airport operators: When will airside delays
reach a level that will require a major expansion of an
airport’s capacity (e.g., through the construction of a
new runway)? Questions of this type, often requiring
a look far into the future, are best answered through
the approximate analytical models surveyed earlier,
which permit easy exploration of a large number of
alternative scenarios and hypotheses. Detailed simulation
models, by contrast, cannot cope well with the
massive uncertainty involved because they require
inputs that are difficult to produce (e.g., a detailed
schedule of aircraft movements at the airport for a
typical day 10 or 15 years hence) and lack credibility
under the circumstances.

ผลลัพธ์ (ไทย) 1:

อับ โมเดลเหล่านี้มักจะผิดในทางปฏิบัติ ต้นทุนที่ดีสำหรับลูกค้าองค์กรนี้เกิดขึ้นเมื่อมีใช้ในการศึกษาปัญหา "macroscopic" ที่ได้โดยประมาณเท่านั้นคำตอบเนื่องจากความไม่แน่นอนในข้อมูลที่ป้อนเข้า ตัวอย่างคือ คำถามที่มักจะกับความผู้ประกอบการสนามบิน: เมื่อจะ airside ความล่าช้าถึงระดับที่ต้องการขยายใหญ่ของการความจุของสนามบิน (เช่น ผ่านการก่อสร้างการรันเวย์ใหม่) คำถามชนิดนี้ จะต้องมองไกลไปในอนาคต มีส่วนตอบผ่านแบบจำลองวิเคราะห์ประมาณสำรวจก่อนหน้านี้ซึ่งอนุญาตให้บรรดากลายเป็นจำนวนมากสถานการณ์อื่นและสมมุติฐาน รายละเอียดการจำลองแบบจำลอง โดยคมชัด ไม่สามารถรับมือกับการขนาดใหญ่ความไม่แน่นอนที่เกี่ยวข้องเนื่องจากพวกเขาต้องการปัจจัยการผลิตที่ยากต่อการผลิต (เช่น มีรายละเอียดกำหนดการของการเคลื่อนย้ายเครื่องบินที่สนามบินเพื่อการวันปกติ 10 หรือ 15 ปีดังนั้น) และขาดความน่าเชื่อถือภายใต้สถานการณ์

ผลลัพธ์ (ไทย) 2:

แต่น่าเสียดายที่รูปแบบเหล่านี้จะถูกนำไปใช้บ่อย
ในการปฏิบัติที่ค่าใช้จ่ายที่ดีให้กับองค์กรของลูกค้า.
นี้เกิดขึ้นเมื่อพวกเขาถูกนำไปใช้กับการศึกษา
ของปัญหา "เปล่า" ที่สามารถมีตัวอย่างเท่านั้น
คำตอบเนื่องจากความไม่แน่นอนอยู่ใน
การป้อนข้อมูล ตัวอย่างเช่นเป็นคำถามที่มักจะเป็น
ผู้ประกอบการสนามบิน confronts: เมื่อจะ Airside ความล่าช้า
ถึงระดับที่จะต้องมีการขยายตัวที่สำคัญของ
ความจุของสนามบิน (เช่นผ่านการก่อสร้าง
รันเวย์ใหม่)? คำถามประเภทนี้มักจะต้อง
มองไกลไปในอนาคตมีคำตอบที่ดีที่สุดผ่าน
รูปแบบการวิเคราะห์ตัวอย่างการสำรวจก่อนหน้านี้
ที่อนุญาตให้สำรวจง่ายของจำนวนมากของ
สถานการณ์ทางเลือกและสมมติฐาน จำลองรายละเอียด
รุ่นโดยคมชัดไม่สามารถรับมือได้ดีกับ
ความไม่แน่นอนขนาดใหญ่มีส่วนร่วมเพราะพวกเขาต้องการ
ปัจจัยการผลิตที่มีความยากในการผลิต (เช่นรายละเอียด
กำหนดการของการเคลื่อนไหวของเครื่องบินที่สนามบินสำหรับ
วันปกติ 10 หรือ 15 ปีที่ผ่านมาด้วยเหตุนี้) และขาดความน่าเชื่อถือ
ภายใต้ สถานการณ์

ผลลัพธ์ (ไทย) 3:

แต่น่าเสียดายที่รุ่นนี้มีบ่อย misused
ในทางปฏิบัติที่ค่าใช้จ่ายที่ดีต่อองค์กร ลูกค้า
นี้เกิดขึ้นเมื่อพวกเขาจะใช้เพื่อการศึกษา
" ประเด็นทาง " ที่สามารถมีเพียงประมาณ
คำตอบเพราะความไม่แน่นอนในตัว
ข้อมูลเริ่มต้น ตัวอย่างคำถามที่มักจะ
confronts ผู้ประกอบการสนามบิน : เมื่อจะ airside ความล่าช้า
ถึงระดับนั้นจะต้องมีการขยายใหญ่ของความจุการ
สนามบิน ( เช่นที่ผ่านการก่อสร้างของ
รันเวย์ใหม่ ) คำถามประเภทนี้มักจะต้อง
มองไกลไปในอนาคต ที่ดีที่สุดตอบผ่าน

ประมาณแบบจำลองเชิงวิเคราะห์สำรวจก่อนหน้านี้ ซึ่งอนุญาตให้มีการสำรวจที่ง่ายของตัวเลขขนาดใหญ่ของ
สถานการณ์ทางเลือกและสมมติฐาน แบบจำลอง
รายละเอียดโดยคมชัด , ไม่สามารถรับมือได้ดี

ใหญ่ไม่แน่นอนเพราะพวกเขาต้องใช้ปัจจัยการผลิตที่ยากต่อการผลิต ( เช่น ตารางรายละเอียด
การเคลื่อนไหวของอากาศยานที่สนามบินสำหรับ
ทั่วไปวันที่ 10 หรือ 15 ปี ดังนั้น ) และ
เงินขาดภายใต้สถานการณ์