Cursul 3

Model de asteptare cu o statie de servire

Teoria astept arii (a relor de asteptare, a cozilor) studiaz a caracteristicile
sistemelor ce pot produce fenomene de asteptare, datorit a solicit arii unui anumit
serviciu de c atre un num ar de clienti ale c aror sosiri au un caracter aleator.
Scopul acestui studiu este de a crea o baz a pentru adoptarea deciziilor capabile
s a nl ature fenomenul de asteptare sau s a-l limiteze. Teoria astept arii studiaz a
o colectie de modele reprezentative, de un grad mare de generalitate, folosind
metodele de investigare ale statisticii matematice si teoria proceselor stochastice.
Fie un sistem n care se execut a o anumit a activitate sau se efectueaz a un
anumit serviciu. Obiectele asupra c arora se execut a activitatea sau serviciul
respectiv se numesc clien ti iar sistemul se numeste sistem de servire. O instalatie
care nu poate deservi dect un singur client n acelasi timp se numeste sta tie
de servire. n cazul n care clientii sosesc prea des, ei trebuie s a astepte pn a
cnd devine disponibil a o statie de servire sau s a renunte la serviciul respectiv;
dac a sosesc prea rar, statiile de servire au de asteptat. Clientii care asteapt a
sau statiile de servire neocupate formeaz a un r de a steptare (coad a). Regulile
dup a care se dispun n asteptare clientii , ordinea n care acestia sunt serviti, se
numeste disciplina rului de asteptare. Ea poate urma regula primul venit -
primul servit -( First In First Out)- sau cu anumite priorit ati.
O problem a de teoria astept arii apare atunci cnd exist a anumite costuri
asociate att timpului de asteptare al clientilor ct si statiilor de servire neocu-
pate si exist a posibilitatea controlului asupra intensit atii sosirii clientilor sau
asupra num arului de statii de servire astfel nct s a se minimizeze suma cos-
turilor. Astfel de probleme apar n managementul sistemelor de comunicatii si
de transport, n b anci, servicii de s an atate, sisteme de operare, dar si n diri-
jarea si controlul function arii n timp real a retelelor de calculatoare, anticiparea
performantelor computerelor, tracul aerian, vanzarea biletelor de avion, etc.
Teoria astept arii este un instrument foarte util pentru previzionarea per-
formantelor sistemelor de calcul, n general si a celor paralele, n particular.
Asociind unui sistem de calcul un model de asteptare, se pot scoate n evi-
dent a disfunctionalit atile existente, iar teoria astept arii ajut a la ecientizarea
function arii acestuia prin indicarea valorilor pe care trebuie s a le ating a anumiti
parametri ai sistemului pentru a se ajunge la un nivel satisf ac ator al perfor-
mantelor. Sistemul de asteptare, format din procesele aate n rul de executie,
asteptnd s a e rulate de c atre procesor/procesoare, este gestionat de catre
un program special, numit planicator, care face alocarea task-urilor pe proce-
soarele disponibile. Planicatorul implementeaz a de fapt disciplina de servire si
gestioneaz a clasele de priorit ati asociate proceselor. Atunci cnd se dezvolt a o
nou a versiune a acestui program, n prima faz a performantele lui sunt estimate
folosind suportul oferit de teoria astept arii, deoarece utilizarea unei versiuni
instabile si netestate ar deranja pe utilizatorii sistemului paralel.
1
1. Caracteristicile modelelor teoriei astept arii
Sosirile clientilor n sistem si durata serviciului au un caracter aleator. Se
consider a urm atoarele m arimi aleatoare:
-numarul de clien ti care intra n sistem n unitatea de timp;
-intervalul de timp dintre doua sosiri consecutive;
-durata de servire a unui client.
n practic a, legile de probabilitate ale acestor variabile aleatoare sunt cunoscute,
determinndu-se prin prelucrarea datelor statistice.
Elementele necunoscute ale unui sistem de asteptare sunt:
- durata de a steptare;
- durata de neocupare a sta tiilor;
- lungimea cozii;
- numarul de clien ti existen ti n sistem.
Toate acestea sunt variabile aleatoare si se urm areste determinarea repar-
titiilor lor sau cel putin a unor valori medii.
Num arul sosirilor nregistrate ntr-un interval de lungime t 0 este deseori o
variabila aleatoare cu distribu tie Poisson, adic a probabilitatea de a avea / sosiri
ntr-un interval de lungime t este:
j
|
(t) =
(`t)
|
/!
c
X|
, / = 0, 1, ..., ` 0.
S a vedem n ce conditii apare aceast a situatie.
a) Sosirile sunt independente ntre ele si totodat a independente de data ob-
serv arii.
b) Probabilitatea ca s a soseasc a doi sau mai multi clienti ntr-un interval de
timp foarte mic este neglijabil a fat a de lungimea intervalului, sau altfel spus,
este practic imposibil s a nregistr am dou a sau mai multe sosiri simultane (clientii
sosesc individual).
c) Probabilitatea nregistr arii unei singure sosiri n intervalul de timp (t, t + /)
este practic, pentru intervale foarte mici, proportional a cu lungimea intervalului
Num arul sosirilor nregistrate n unitatea de timp t = 1 este o variabila aleatoare
cu distribu tie Poisson, unde probabilitatea de a avea / sosiri n unitatea de timp
este:
j
|
=
`
|
/!
c
X
, / = 0, 1, ..., ` 0.
Parametrul ` este numarul mediu de sosiri n sistem n unitatea de timp (
intensitatea sosirilor).
Variabila aleatoare cu reparti tie Poisson este legata de o clasa de evenimente
aleatoare numite evenimente rare; ele sunt independente stochastic, apar n
2
timp si au proprietatea ca nu exista nici un moment de timp n vecinatatea
caruia sa se concentreze apari tia lor. Variabila Poisson reprezinta numarul
de astfel de evenimente ce apar pe unitatea de timp. Ea este strns legata de
variabila exponen tiala de parametru `. Astfel, daca t este intervalul de timp
dintre doua apari tii consecutive de evenimente rare (cu parametrul `) atunci t
are o reparti tie exponen tiala negativa de acela si parametru `.
Functia de repartitie 1 (t) a unei variabile aleatoare exponentiale de parametru
` este:
1 (t) = j (t t) = 1 c
X|
.
Valoarea medie a unei variabile aleatoare exponen tiale de parametru ` este
1
X
.
Vom nota cu : num arul elementelor populatiei din care pot proveni clientii
n sistemul de asteptare. Multimile formate dintr-un num ar mare de clienti se
consider a innite deoarece apar unele simplic ari din punct de vedere matem-
atic.
Num arul de clienti din rul de asteptare si num arul de clienti existenti n sistem
(n asteptare sau n curs de servire) sunt variabile aleatoare pe care le not am cu
0 respectiv :.
Cunoasterea repartitiei lui : permite determinarea multor caracteristici ale
modelelor de asteptare. Fie j
|
probabilitatea s a existe / unit ati (clienti) n
sistem. Distributia lui : este:
: :
_
0 1 2 :
j
0
j
1
j
2
j
n
_
,
1

|=0
j
|
= 1.
Numarul mediu de clien ti din sistem este:
: =
n

|=0
/j
|
.
Dac a not am cu : num arul statiilor de servire, atunci distributia variabilei aleatoare
0 este:
0 :
_
_
1 2 :: 0
j
s+1
j
s+2
j
n
s

|=o
j
|
_
_
.
Numarul mediu de clien ti care a steapta este:
0 =
ns

|=1
/j
s+|
=
n

|=s+1
(/ :) j
|
.
Daca notam cu o numarul de sta tii neocupate, distributia acestei variabile
aleatoare este:
o :
_
_
: : 1 1 0
j
0
j
1
j
s1
n

|=s
j
|
_
_
.
3
Numarul mediu de sta tii neocupate este:
o =
s

|=0
j
|
(: /) .
ntre :, 0, o, : avem relatia : = 0 o + :.
2. Model de asteptare cu o statie de servire, cu sosiri Poisson
si timp de servire exponential
Presupunem c a uxul sosirilor este Poisson cu numarul mediu de sosiri n
sistem n unitatea de timp `, iar durata de servire a unui client este o variabil a
aleatoare cu distributie exponential a cu media de
1

. Presupunem c a lungimea
rului de asteptare(cozii) nu este limitat a, c a un client intrat n sistem nu-l mai
p ar aseste dect dup a ce a fost servit. Ordinea servirii este ordinea intr arii n sis-
tem. Clientul servit p ar aseste sistemul, iar urm atorul (dac a exist a) ocup a statia
instantaneu. Timpul de servire t al unui client este independent de momentul
intr arii n serviciu si de timpii de servire sau de momentele intr arii n sistem a
altor unit ati.
Atunci cnd avem r de asteptare, uxul iesirilor se comport a ca un ux Poisson
de parametru j, unde j este num arul mediu de clienti care ar putea serviti n
unitatea de timp dac a statia ar ocupat a un timp ndelungat f ar a ntrerupere(
intensitatea serviciilor).
Atunci cnd avem r de asteptare, uxul iesirilor se comport a ca un ux Poisson
de parametru j :
j (t /) = 1 c
|
.
Presupunem c a intensitatea sosirilor ` nu dep aseste intensitatea serviciilor
j
(valoarea medie a num arului de clienti care ar putea serviti n unitatea de
timp dac a statia ar ocupat a un timp ndelungat f ar a ntrerupere). Raportul
j =
X

< 1 se numeste intensitatea tracului.

4
Dac a not am cu j
|
probabilitatea ca n sistem s a existe / unit ati, / 0 ,se
demonstreaz a c a veric a ecuatiile:
_
`j
0
= jj
1
(` + j) j
|
= `j
|1
+ jj
|+1
, / 1.
Din prima ecuatie rezult a
j
1
=
X

j
0
= jj
0
.
Lund / = 1 n a doua ecuatie rezult a
j
2
= j
2
j
0
si din aproape n aproape:
j
|
= j
|
j
0
(/ 1).
Pentru a determina j
0
, se foloseste faptul c a j
|
, / 0 formeaz a un sistem com-
plet de probabilit ati:
1

|=0
j
|
= 1,
de unde
j
0
1

|=0
j
|
= 1 )j
0
= 1 j
Rezult a c a :
j
|
= (1 j) j
|
(/ 0).
Cu ajutorul acestor probabilit ati se pot determina caracteristicile modelului
.
Numarul mediu de clien ti aa ti n sistem este:
: =
1

|=0
/j
|
=

(1)
.
Numarul mediu de clien ti aa ti n rul de a steptare:
0 =
1

|=1
(/ 1) j
|
=
j
2
1 j
.
Probabilitatea ca num arul clientilor din sistem s a nu dep aseasc a un num ar dat
/:
j (: /) =
|

=0
j

= 1 j
|+1
.
Probabilitatea ca num arul clientilor din sistem s a e mai mare dect un num ar
dat /

:
j (: /

) = 1 j (: /

) = 1
_
1 j
|

+1
_
= j
|

+1
.
5
Pentru /

= 0 se obtine probabilitaea sa existe cel pu tin un client n sistem

j (: 0) = j.
Durata de asteptare a unui client (din momentul sosirii n sistem pn a n
momentul iesirii din sistem) este o variabil a aleatoare exponential a de parametru
j `. Durata medie de a steptare n sistem este:
t
s
=
1
X
.
Este adev arat a si relatia:
t
s
=
n
X
.
Durata de servire ind exponential a de parametru j,
rezult a c a durata medie de servire egala cu
1

.
Durata medie de a steptare n rul de a steptare este:
t
}
=
1
j `

1
j
=
`
j(j `)
=
0
`
=
:
j
.
n practic a, se stabilesc parametri ` si j si se veric a validitatea
ipotezei Poisson pentru sosiri si serviri, se calculeaz a durata medie
de asteptare a unui client si durata medie de lenevire a statiei si
cunoscnd costul pe unitatea de timp al astept arii clientilor si al
lenevirii statiei, se caut a s a se determine acel ritm de sosire ` sau
acea capacitate a statiei care minimizeaz a costul global al sistemului.
3. Exemple
I. Durata dintre doua apeluri telefonice la un Call Center are distribu tie
exponen tiala cu media de 20 minute. Durata servirii este de asemenea expo-
nen tiala cu media de 5 minute. Care este durata medie de a steptare a unui
client pna este servit si durata medie n sistem?
Rezolvare:
Se consider a ca unitate de timp ora. Num arul de apeluri n unitatea de
timp este variabil a aleatoare Poisson. Num arul mediu de apeluri ntr-o or a este
` = 3.
Num arul mediu de clienti serviti intr-o or a este j =12. Intensitatea tracului
este:
j =
X

=
3
12
=
1
4
.
Durata medie n sistem este:
t
s
=
1
X
=
1
9
orc = 6.67 min.
Durata medie de asteptare a unui client pn a este servit este:
t
}
=
1
X

1

= 6.67 5 = 1.67 min.

II. ntr-un gateway de re tea, masuratorile arata ca pachetele ajung cu o rata
medie de 125 pachete pe secunda (pps) si dureaza 2 milisecunde sa trimita un
6
pachet mai departe. Presupunnd un model cu sosiri Poisson si servicii expo-
nen tiale, 1 server, popula tie innita, disciplina FIFO, care este probabilitatea
de buer overow daca gateway-ul ar avea numai 12 buere.
De cte buere este nevoie pentru a men tine pierderea pachetelor sub 1 /
1.000.000?
Rezolvare:
- Rata medie de sosire ` = 125 jj:.
- Rata de servire j = 500 pps.
- Gradul de utilizare al gateway-ului:
j = `,j =0.25.
- Probabilitatea de a avea k pachete n gateway:
j
|
= (1 j) j
|
= 0.75(0.25)
|
.
- Numarul mediu de pachete n gateway:
: =

(1)
= 0.33.
-Probabilitatea de buer overow = P(mai mult de 12 pachete n gateway)
= j
13
= 0.25
13
= 1.49x10
8
.
-Pentru a limita probabilitatea de pierdere la mai putin de 10
6
:
j
|
10
6
sau
/ lg(10
6
), lg (0.25) = 9.96.
III. Cu metode statistice s-a stabilit ca sosirile clien tilor ntr-un sistem de
servire cu o singura sta tie sunt poissoniene cu media ` = 800 de clien ti ntr-o
luna, iar durata de servire a unui client are o reparti tie exponen tiala cu media
0,02 zile.
Sa se determine:
a. Probabilitatea ca n sistemul de servire sa nu existe nici un client la
un moment dat.
b. Probabilitatea ca n sistem sa existe 5 clien ti la un moment dat.
c. Numarul mediu de clien ti din sistem, numarul mediu de clien ti care
a steapta.
d. Durata medie de a steptare a unui client pna sa e servit si durata
medie n sistem.
Rezolvare:
Se consider a unitatea de timp ziua, durata medie de servire a unui client
este egal a cu
1

=0,02. De aici rezult a c a j are valoarea 50, adic a n medie sunt

serviti 50 de clienti pe zi.
1 lun a = 45 zile lucr atoare;
` =
800clItn|I
20:Ilt
= 40 clienti sosesc n medie ntr-o zi;
j =intensitatea de trac sau factorul de serviciu;
j =
X

=
40
50
= 0, 8
a. j
0
=probabilitatea de a avea 0 clienti n sistem:
j
0
= 1 j = 1 0, 8 = 0, 2.
b. j
5
= j
5
j
0
= 0, 2 (0, 8)
5
.
c. : = num arul mediu de clienti n sistemul de servire:
7
: =

1
=
0,8
10,8
=
0,8
0,2
= 4.
0 =num arul mediu de clienti din rul de asteptare la un moment dat:
0 =

2
1
=
(0,8)
2
10,8
=
0,64
0,2
= 3, 2.
Capacitatea de servire a clientilor este de j =50 de clienti pe zi, dar ea nu
este folosit a integral (doar 80%) existnd perioade de timp n care statia este n
inactivitate pentru c a nu sunt clienti n sistem.
t
}
= durata medie de asteptare a unui client n rul de asteptare:
t
}
=
1

1
zile=
1
50

0,8
10,8
=
0,8
500,2
=
4
50
= 0, 08 zile.
t
s
=timpul mediu de asteptare a unui client n sistem:
t
s
=
1

1
1
zile=
1
500,2
= 0, 1 zile
Se veric a egalitatea: t
s
= t
}
+
1

Matlab.Statistics Toolbox
Statistics Toolbox trateaz a 20 distributii de probabilitate. Pentru ecare
distributie exist a cinci rutine care calculeaz a:
-densitatea de probabilitate (probability density function- pdf );
-functia de repartitie (cumulative distribution function- cdf );
-inversa functiei de repartitie;
-generarea de valori de selectie ale variabilei aleatoare cu distributia speci-
cat a;
-media si dispersia.
Densitatea de probabilitate Poisson (poisspdf )
Sintaxa
y = poisspdf (x,lambda)
Calculeaz a n ecare component a a lui x densitatea de repartitie Poisson
cu parametru corespunz ator din lambda. x si lambda pot vectori, matrice
sau tablouri multidimensionale si au aceeasi dimensiune. Dac a unul dintre ele
este o constant a, ea se extinde la un tablou constant de aceeasi dimensiune cu
cel alalt. Parametri din lambda trebuie s a e pozitivi. Densitatea de repartitie
Poisson este :
j =
`
r
r!
c
X
, r = 0, 1, ..., ` 0
unde x poate orice ntreg nenegativ, altfel densitatea este egal a cu zero.
Densitatea de probabilitate exponential a (exppdf )
Sintaxa:
Y = exppdf (x, mu)
8
Calculeaz a n ecare component a a lui x densitatea de repartitie expo-
nential a cu parametru corespunz ator din mu. x si mu pot vectori, matrice
sau tablouri multidimensionale si au aceeasi dimensiune. Dac a unul dintre ele
este o constant a, ea se extinde la un tablou constant de aceeasi dimensiune cu
cel alalt. Parametri din mu trebuie s a e pozitivi.
Densitatea de repartitie exponential a este :
j =
1
j
c

r
.
Exemple
y = exppdf(5,1:5)
y =
0.0067 0.0410 0.0630 0.0716 0.0736
y = exppdf(1:5,1:5)
y =
0.3679 0.1839 0.1226 0.0920 0.0736
Functia de repartitie 1 (r) a unei variabile aleatoare exponentiale este:
1 (r) = j (t r) = 1 c

r
.
Valoarea medie a unei variabile aleatoare exponen tiale este j .
Distributia exponential a modeleaz a durata de asteptare intr-un sistem de
servire atunci cnd probabilitatea de a astepta nc a o perioad a de timp este
independent a de ct timp s-a asteptat deja.
Exemplu
Presupunem ca durata de livrare t a unei comenzi este o variabila aleatoare
cu distribu tie exponen tiala cu media de 10 zile. Care este probabilitatea ca
livrarea sa dureze mai mult de 21 zile?
Rezolvare:
Durata medie j = 10.
j (t r) = 1 j (t r) = c

r
.
j (t 21) = c
0.121
= 0.122456.
Densitatea de probabilitate normal a (normpdf )
Sintaxa:
Y = normpdf(x,mu,sigma)
Calculeaz a n ecare component a a lui x densitatea de repartitie normal a
cu parametri corespunz atori din mu si sigma. x , mu si sigma pot vectori,
matrice sau tablouri multidimensionale si au aceeasi dimensiune. Dac a una
9
dintre ele este o constant a, ea se extinde la un tablou constant de aceeasi
dimensiune cu celelalte. Parametri din sigma trebuie s a e pozitivi. Densitatea
de repartitie normal a este:
0.0.1
j =
1
o
p
2ji
c

(x)
2
2
2
.
Distributia normal a standard are j = 0 si o = 1. Daca x este normal a standard,
atunci x*o + j este de asemenea normal a cu media j si dispersia o. Invers,
daca y este normal a cu media j si dispersia o, atunci x = (y-j) / o este normal a
standard.
disttool
Comanda disttool creaz a o fereastr a grac a interactiv a, n care se pot reprezenta
diferite distributii de probabilitate. Pentru apelarea acestei functii se tasteaz a
n linia de comand a
disttool
Se alege mai nti distributia, apoi tipul functiei: densitatea (pdf ) sau functia
de repartitie (cdf ). n fereastr a apare gracul functiei. Determinarea valorii
functiei pdf sau cdf ntr-un punct se face introducnd valoarea lui n c asuta
x sau dragnd dreapta vertical a de pe grac, cu mouse-ul, pn a cnd aceasta
trece prin punctul respectiv. Valoarea functiei este asat a n c asuta din stnga
gracului.
Inversa functiei de repartitie (icdf ) g aseste valoarea critic a corespunz atoare
unei probabilit ati specicate, prin tip arirea acesteia n c asuta de pe axa y sau
dragnd dreapta orizontal a.
Generatori de variabile aleatoare in Matlab
n mediul Matlab, n Statistics Toolbox exist a generatori pentru 20 de tipuri
de variabile aleatoare: exponen tiale negative (exprnd), Poisson (poissrnd) ,de
tip gamma (gamrnd) si beta (betarnd), normale (normrnd), binomiala (binornd)
,
2
(chi2rnd), etc.
Toti acesti generatori folosesc generatorul de numere pseudoaleatoare (de dis-
tribu tie uniforma) random. Codul acestor rutine (functii) Matlab se poate tip ari
cu comanda
type_ function_ name .
Codul se poate redenumi si modica pentru o aplicatie proprie.
randtool
10
11
Este o interfat a grac a, care genereaz a valori de selectie pentru diferite legi
de probabilitate. Valorile rezultate pot reprezentate grac n histogram a sau
stocate ntr-un vector. Pentru apelarea acestei functii se tasteaz a n linia de
comand a
randtool
Din c asuta de selectie Distribution a ferestrei se selecteaz a distributia. n
interfat a se pot modica interactiv parametrii distributiei, limitele lor Upper
bound si lower bound precum si num arul de valori de selectie generate, n c asuta
de text Sample.
Cu butonul Resample se poate reprezenta setul de valori generate. Ap asarea
repetat a a butonului determin a generarea altor seturi de valori din aceiasi dis-
tributie, cu parametri si volumul neschimbate.
Cu butonul Export se poate denumi un vector ale c arui componente s a e
valorile de selectie generate.
Aplica tie
S a se genereze 100 valori de selectie distribuite Poisson cu media 5.
poissrnd
Comanda genereaz a valori de selectie ale variabilei aleatoare Poisson.
12
Sintaxa
r = poissrnd(lambda)
r = poissrnd(lambda,v)
r = poissrnd(lambda,m,n)
Descriere
r = poissrnd(lambda)
genereaz a valori de selectie ale variabilei aleatoare Poisson cu media lambda.
lambda poate un vector, o matrice sau un tablou multidimensional . Dimen-
siunea lui r este aceeasi cu a lui lambda.
r = poissrnd(lambda,v)
genereaz a un tablou r de dimensiune v care contine valori de selectie ale
variabilei aleatoare Poisson cu media lambda, unde v este vector linie. Dac a v
este un vector 1x2, atunci r este o matrice cu v(1) linii si v(2) coloane. Dac a
v este 1xn, r este un tablou n-dimensional .
r = poissrnd(lambda,m,n)
genereaz a valori de selectie ale variabilei aleatoare Poisson cu media lambda,
unde scalarii m si n sunt num arul de linii si de coloane ale lui r .
exprnd
13
Genereaz a valori de selectie din distributia exponential a.
Sintaxa
r = exprnd(mu)
r = exprnd(mu,v)
r = exprnd(mu,m,n)
Descriere
r = exprnd(mu)
genereaz a valori de selectie ale variabilei aleatoare exponentiale cu media mu.
mu poate un vector, o matrice, sau un tablou multidimensional. Dimensiunea
lui r este aceiasi cu a lui mu.
r = exprnd(mu,v)
genereaz a un tablou r de dimensiune v care contine valori de selectie ale
variabilei aleatoare exponentiale cu media mu, unde v este vector linie. Dac a v
este un vector 1x2, atunci r este o matrice cu v(1) linii si v(2) coloane. Dac a v
este 1xn, r este un tablou n-dimensional .
r = exprnd(mu,m,n)
genereaz a valori de selectie ale variabilei aleatoare exponentiale cu media
mu, unde scalarii m si n sunt num arul de linii si de coloane ale lui r.
Exemplu
n1 = exprnd(5:10)
n1 =
7.5943 18.3400 2.7113 3.0936 0.6078 9.5841
n2 = exprnd(5:10,[1 6])
n2 =
3.2752 1.1110 23.5530 23.4303 5.7190 3.9876
n3 = exprnd(5,2,3)
n3 =
24.3339 13.5271 1.8788
4.7932 4.3675 2.6468
normrnd
Genereaz a valori de selectie din distributia normal a.
Sintaxa
r = normrnd(mu,sigma)
r = normrnd(mu,sigma,v)
r = normrnd(mu,sigma,m,n)
Descriere
14
r = normrnd(mu,sigma)
genereaz a valori de selectie ale variabilei aleatoare normale cu media mu si
dispersia sigma. mu si sigma pot vectori , matrice sau tablouri multidimen-
sionale cu aceiasi dimensiune cu a lui r .
r = normrnd(mu,sigma,v)
genereaz a un tablou r de dimensiune v care contine valori de selectie ale
variabilei aleatoare normale cu media mu si dispersia sigma, unde v este vector
linie. Dac a v este un vector 1x2, atunci r este o matrice cu v(1) linii si v(2)
coloane. Dac a v este 1xn, r este un tablou n-dimensional .
r = normrnd(mu,sigma,m,n)
genereaz a valori de selectie ale variabilei aleatoare normale cu media mu si
dispersia SIGMA, unde scalarii m si n sunt num arul de linii si de coloane ale
lui r.
Normrnd foloseste functia Matlab randn care genereaz a numere aleatoare.
Rezultatul n urm atorul exemplu depinde de starea curent a a functiei randn.
Exemplu
n1 = normrnd(1:6,1./(1:6))
n1 =
2.1650 2.3134 3.0250 4.0879 4.8607 6.2827
n2 = normrnd(0,1,[1 5])
n2 =
0.0591 1.7971 0.2641 0.8717 -1.4462
n3 = normrnd([1 2 3;4 5 6],0.1,2,3)
n3 =
0.9299 1.9361 2.9640
4.1246 5.0577 5.9864
15