روشی جدید برای تخمین میانگین و واریانس زمان فعالیت در شبکه پرت
نویسندگان
چکیده مقاله:
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 میگردد و زمان ختم پروژه با میانگین و واریانس محاسبه شده کلیه فعالیتها و بر اساس مفروضات در سطح شبکه محاسبه میگردد. این مقاله روشی برای تخمین میانگین و واریانس زمان ختم فعالیت معرفی مینماید که هیچ فرضی در مورد پارامترهای توزیع قائل نمیشود و با دریافت دو پارامتر از خبره انجام کار تخمینی را برای میانگین و واریانس زمان تکمیل فعالیت ارائه میکند. با استفاده از آزمون فرض t دو نمونهای 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 میکنند، کمتر است.
منابع مشابه
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...
متن کاملروشی 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...
متن کاملروشی 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...
متن کاملمنابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
ذخیره در منابع من قبلا به منابع من ذحیره شده{@ msg_add @}
عنوان ژورنال
دوره 40 شماره 4
صفحات -
تاریخ انتشار 2006-10-23
با دنبال کردن یک ژورنال هنگامی که شماره جدید این ژورنال منتشر می شود به شما از طریق ایمیل اطلاع داده می شود.
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023