Mavzu: Parallel xisoblash tizimlari

16-Amaliy mashg’ulot

Mavzu: Python dasturlash tilida taqsimlash ehtimolini immitatsion modeli metodlari.
Ishdan maqsad: Talabalarda taqsimlash ehtimolini immitatsion modeli metodlari to’g’risida tushuncha hosil qilish, Python dasturlash tilida taqsimlash ehtimolini immitatsion modeli metodlarini o’rganish.


Nazariy qism
Matematik statistika va ehtimollik nazariyasi elementlaridan keng foydalaniladigan navbat tizimlari nazariyasiga asoslangan simulyatsiya modellashtirish usullari. Ushbu maqolaning maqsadi - ehtimollarni taqsimlash va navbat elementlariga asoslangan modellarni yaratish uchun ishlatilishi mumkin bo'lgan usullarni ishlab chiqish.

Usullarni ishlab chiqishga kirishishdan oldin biz ushbu jarayonda foydalanadigan asosiy yondashuvlarni aniqlaymiz: tasodifiy o'zgaruvchilarni yaratish, ehtimollik taqsimoti, shuningdek, ehtimollar nazariyasi va matematik statistikaning ba'zi elementlari. Tajribalar natijalarida tasodifiy jarayonlarni taqlid qilish va simulyatsiya qilish xatti-harakatining eksperimental namoyishini ko'ramiz. Bularning barchasi bizga ehtimollik taqsimoti paydo bo'ladigan turli xil simulyatsiya modellarini yaratish uchun instrumental asos yaratadi.

Ushbu tadqiqot uchun barcha modellashtirish usullari Python dasturlash tilida keltirilgan. Ushbu til tadqiqot va o'qitishning keng tarqalgan vositasidir.

Tadqiqotning kelgusi maqolalarida keltirilgan keyingi bosqichlarida biz yanada murakkab tajribalarga o'tamiz: ushbu maqola doirasiga kiritilmagan ehtimollik taqsimotlarini ko'rib chiqing, navbat tizimlari va tarmoqlarini simulyatsiya qilishni ko'rib chiqing, shuningdek, parallel hisoblash yordamida bunday modellarni dasturlashni namoyish eting.

Python tasodifiy o'zgaruvchilarni modellashtirish texnikasi va tasodifiy sonlar generatorlari

Bir yoki bir nechta zarni tashlashning oddiy modellarini ko'rib chiqing. Tasodifiy sonlar hosil qilish orqali simulyatsiyani boshlaymiz. Raqamlarni yaratish muammosi va haqiqiy va kvazi-tasodifiylik haqidagi savollar bizning tadqiqotimizga kiritilmagan, ammo siz ushbu munozaralarni boshqa manbalarda topishingiz mumkin. Bizning modellarimiz Python psevdo-tasodifiy o'zgaruvchan generatoridan foydalanadi. Dastlabki bosqichda, tadqiqotning aniqligi uchun siz simulyatsiya natijasini kuzatish orqali testlar sonini ko'paytirishingiz mumkin.

Tasodifiy o'zgaruvchilar hosil qilishdan boshlaymiz. Ularni yaratish usullari standart Python kutubxonalaridan foydalanishga qisqartirildi.

Standart kutubxonadan tasodifiy modul 0 dan 1 gacha bo'lgan oraliqdagi tasodifiy haqiqiy sonlarni, berilgan oraliqdagi tasodifiy butun sonlarni, ketma-ketlik elementlarini tasodifiy tanlashni va boshqa ko'p narsalarni olish imkoniyatini beradi:

Tasodifiy moduldan, masalan, kartadagi kartalarni aralashtirish, slayd-shou dasturidagi rasmni, statistik simulyatorlarda va hokazolarni tasodifiy tanlash uchun foydalanish mumkin. Qo'shimcha ma'lumot uchun Python standart kutubxonasi qo'llanmasiga qarang.

Python uchun matematik dasturni o'z ichiga olgan NumPy kengaytmasi kompilyatsiya qilingan va optimallashtirilgan kengaytirilgan kutubxonalarni Python NumPy tili bilan birlashtirish orqali Pythonni kuchli, samarali va qulay matematik vositaga aylantiradi.

...
lambd = 10

# Массив значений

values = []
for i in range(trials):
values.append(random.expovariate(lambd))
pylab.hist(values, 20, facecolor='lightgreen', edgecolor='white')
...
Xulosa
Ushbu maqolada Python tilida ehtimollarni taqsimlash modellarining bir nechta dasturiy ta'minoti ko'rib chiqildi. Ushbu modellar o'zingizning tajribangiz va izlanishlaringiz uchun asos yaratadi.
Ushbu bosqichda faqat ba'zi usullar va yondashuvlar taqdim etiladi va kelajakda muallif ehtimollik taqsimotlari, Python dasturlash tili va navbat nazariyasi yordamida modellashtirish uchun qo'shimcha usullarni taqdim etadi.