ассистент

М.Н. Шелест

должность, уч. степень, звание

подпись, дата

инициалы, фамилия

ОТЧЕТ О ЛАБОРАТОРНОЙ РАБОТЕ №3

Моделирование входного потока запросов

по курсу: ИМИТАЦИОННОЕ МОДЕЛИРОВАНИЕ

СТУДЕНТКА ГР.

4716

С.А. Янышева

подпись, дата

инициалы, фамилия

№ варианта

Порядок эрланговского потока

Параметр 

20

4

20

import numpy as np from matplotlib import pyplot as plt #Функия для преобразования равномерного распределения в экспонениальное: f_exp = lambda lmb: -(1/lmb)*np.log(np.random.random()) #Функия для преобразования экспоненциального распределения в гамма: f_gamma = lambda k, lmb: sum([f_exp(lmb) for _ in range(k)]) k, lmb = 4, 20 #Теор. значения интенсивности потока и коэф. вариации: t_lmb = 1/(k/lmb) t_v = 1/k**0.5 print("Теор. значения интенсивности потока и коэф. вариации") print("lmd = ", t_lmb, "v = ", t_v) #Объём выборки n = 2 #Старые и новые значения для интенсивности потока и коэф. вариации lmb_old, v_old = 10*100, 10*100 lmb_new, v_new = [], [] while 1: #Выборка sample = [f_gamma(k, lmb) for _ in range(n)] #Среднее значение по выборке s_mean = np.mean(sample) lmb_new.append(1 / s_mean) v_new.append(np.std(sample) / s_mean) if (abs((lmb_new[-1] - lmb_old) / lmb_old) > 0.01 or\ abs((v_new[-1] - v_old) / v_old) > 0.01): n = n*2 lmb_old = lmb_new[-1] v_old = v_new[-1] else: break plt.plot([2,2**(len(lmb_new))], [t_lmb]*2, label = 'Интенсивность потока') plt.plot([2**(i+1) for i in range(len(lmb_new))], lmb_new, label = 'Оценка интенсивности потока') plt.xscale('log', basex = 2) plt.title('График зависимотси интенсивности потока от объёма выборки') plt.legend() plt.show() plt.plot([2,2**(len(v_new))], [t_v]*2, label = 'Коэф. вариации') plt.plot([2**(i+1) for i in range(len(v_new))], v_new, label = 'Оценка коэф. вариации') plt.xscale('log', basex = 2) plt.title('График зависимотси коэф. вариации от объёма выборки') plt.legend() plt.show()