روشی جدید برای تخمین میانگین و واریانس زمان فعالیت در شبکه پرت
Authors
abstract
پرت روشی برای تخمین زمان مورد نیاز تکمیل یک پروژه است. میانگین و واریانس زمان ختم هر فعالیت بر اساس مفروضات در سطح فعالیت محاسبه می گردد و زمان ختم پروژه با میانگین و واریانس محاسبه شده کلیه فعالیت ها و بر اساس مفروضات در سطح شبکه محاسبه می گردد. این مقاله روشی برای تخمین میانگین و واریانس زمان ختم فعالیت معرفی می نماید که هیچ فرضی در مورد پارامترهای توزیع قائل نمی شود و با دریافت دو پارامتر از خبره انجام کار تخمینی را برای میانگین و واریانس زمان تکمیل فعالیت ارائه می کند. با استفاده از آزمون فرض t دو نمونه ای و آزمون آنالیز واریانس روش جدید با روشهای موجود مقایسه گردیده است. با خطای پذیرش غلط1% (خطای نوع اول)، میانگین خطای مطلق روش جدید از میانگین خطای مطلق کلیه روشهایی که از پارامترهای موضوعی استفاده می کنند، کمتر است.
similar resources
یک کران پایین جدید برای تابع توزیع زمان تکمیل شبکه های پرت احتمالی
در این مقاله روشی جدید برای ایجاد یک کران پایین روی تابع توزیع دقیق زمان تکمیل شبکه های پرت احتمالی ارائه می شود که مبتنی بر ساده سازی ساختار این گونه شبکه ها است. مکانیزم طراحی شده با بهر ه گیری از مضاعف سازی برداری، ساختار شبکه را ساده می کند، به نحوی که تابع توزیع شبکه با استفاده انحصاری از دو عامل ضرب و پیچش قابل محاسبه باشد. نحوه انتخاب بردارهای قابل مضاعف سازی در روش جدید با روش مضاعف ساز...
full textروشی جدید برای ارزیابی عملکرد سبد سهام در مدل میانگین، واریانس و چولگی با استفاده از تکنیک تحلیل پوششی دادههاrnمطالعهی موردی: بازار بورس ایران
تصمیمگیری برای سرمایهگذاری یکپارچه و کارا یکی از پیچیدهترین و پرچالشترین موضوعات مدیریت و تحلیل سرمایهگذاری است. از نظر مارکویتز،یک پورتفولیوی کارا سبد سهامی است که در سطح مشخصی از بازده، کمترین ریسک را دارد. در این نوشتار کاربرد مدل میانگین ـ واریانس ـ چولگی (MVS)، بهجای مدل میانگین ـ واریانس (MV) مارکویتز، بهمنظور سنجش کارایی پیشنهاد میشود. البته اینگونه مدلها در عین برخورداری...
full textروشی جدید برای عضویتدهی به دادهها و شناسایی نوفه و دادههای پرت با استفاده از ماشین بردار پشتیبان فازی
Support Vector Machine (SVM) is one of the important classification techniques, has been recently attracted by many of the researchers. However, there are some limitations for this approach. Determining the hyperplane that distinguishes classes with the maximum margin and calculating the position of each point (train data) in SVM linear classifier can be interpreted as computing a data membersh...
full textMy Resources
Save resource for easier access later
Journal title:
نشریه دانشکده فنیPublisher: دانشکده فنی
ISSN 0803-1026
volume 40
issue 4 2006
Hosted on Doprax cloud platform doprax.com
copyright © 2015-2023