Randomizzazione dei valori
In questo esercizio applicherai e confronterai diversi metodi di randomizzazione. L’obiettivo è farti prendere confidenza con i vari metodi e con il loro impatto sul modo in cui vengono generati i numeri casuali. Ognuno di questi metodi è utile in contesti diversi, quindi è importante capirne le differenze.
Immagina di avere un processo aziendale che richiede circa 15 minuti per essere completato. Tuttavia, sai che la durata effettiva varia di circa cinque minuti (in più o in meno). Applica i diversi metodi di randomizzazione del pacchetto random per generare variazioni di questa durata in modo controllato.
Questo esercizio fa parte del corso
Simulazione a eventi discreti in Python
Istruzioni dell'esercizio
- Genera 1000 durate di processo casuali come numeri interi basandoti sulle informazioni fornite.
- Genera 1000 durate di processo casuali come numeri decimali (float) basandoti sulle informazioni fornite.
- Genera 1000 durate pseudo-casuali come numeri decimali (float) basati su una distribuzione gaussiana con media e deviazione standard pari a 15 e 5, rispettivamente.
- Genera 1000 durate pseudo-casuali come numeri decimali (float) basati su una distribuzione esponenziale con parametro lambda pari a 1,5 (positivo) e un picco a 15.
Esercizio pratico interattivo
Prova a risolvere questo esercizio completando il codice di esempio.
# Generate random integer numbers
randint_array = np.array([____ for i in range(1000)])
# Generate random float numbers
uniform_array = np.array([____ for i in range(1000)])
# Generate random float numbers based on the Gaussian distribution
gauss_array = np.array([____ for i in range(1000)])
# Generate random float numbers based on the Exponential distribution
expon_array = np.array([____ + 15 for i in range(1000)])
plot_all(randint_array, uniform_array, gauss_array, expon_array)