1. Nauka
    2. /
  2. Kursy
    3. /
  3. Symulacja zdarzeń dyskretnych w Pythonie
Connected

ćwiczenie

Próbkowanie Monte Carlo dla modeli zdarzeń dyskretnych

Wyobraź sobie fabrykę produkującą zegary ścienne. Popyt na nie stale rośnie i przekroczył już możliwości produkcyjne zakładu. Fabryka pracuje na pełnych obrotach od wielu miesięcy, a ty chcesz lepiej zrozumieć jej działanie i wąskie gardła – po to, by móc podejmować bardziej świadome decyzje zarządcze oraz planować przyszłe inwestycje i rozbudowę.

Opracowano model zdarzeń dyskretnych procesów fabrycznych, a teraz chcesz przeprowadzić analizę próbkowania Monte Carlo w celu zbadania różnych scenariuszy. Proces produkcyjny jest podsumowany w poniższej tabeli, a dane zostały zapisane na liście słowników o nazwie processes – po jednym słowniku na każdy proces. Klucze słownika odpowiadają nagłówkom kolumn tabeli. Następujące pakiety zostały już zaimportowane: numpy as np, matplotlib.pyplot as plt, seaborn as sns, random, pandas as pd oraz time.

Tabela z nazwami procesów i ich statystykami czasu trwania: wartością średnią i odchyleniem standardowym.

Pętla próbkowania Monte Carlo wygeneruje zestaw możliwych trajektorii procesów, jak pokazano na rysunku. Trajektorie Monte Carlo dla różnych scenariuszy procesów.

Instrukcje

100 XP
  • Skonfiguruj główną pętlę for próbkowania Monte Carlo dla n_trajectories próbek, używając zmiennej pomocniczej t.
  • Użyj rozkładu Gaussa z pakietu random, aby pseudolosowo oszacować czas trwania każdego procesu.