Генерация случайных значений
В этом упражнении вы применяете и изучаете различные методы генерации случайных значений. Цель — научиться уверенно работать с этими методами и понять, как каждый из них влияет на характер генерируемых чисел. Каждый метод полезен в разных ситуациях, поэтому важно понимать их различия.
Представьте, что у вас есть бизнес-процесс, выполнение которого занимает около 15 минут. При этом фактическая продолжительность может отклоняться примерно на пять минут в ту или иную сторону. Используйте различные методы из пакета random, чтобы контролируемым образом генерировать варианты этой продолжительности.
Это упражнение является частью курса
Дискретно-событийное моделирование на Python
Инструкции к упражнению
- Сгенерируйте 1000 случайных значений продолжительности процесса в виде целых чисел на основе приведённых данных.
- Сгенерируйте 1000 случайных значений продолжительности процесса в виде чисел с плавающей точкой на основе приведённых данных.
- Сгенерируйте 1000 псевдослучайных значений продолжительности в виде чисел с плавающей точкой на основе нормального распределения (Гаусса) со средним значением 15 и стандартным отклонением 5.
- Сгенерируйте 1000 псевдослучайных значений продолжительности в виде чисел с плавающей точкой на основе экспоненциального распределения с параметром лямбда 1,5 (положительным) и пиком при значении 15.
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# 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)