<<
>>

Сложная смесь

В центре любой модели риска — метод определения объединенного воздействия двух и более неопределенностей:

К концу следующей главы будет показано, как это работает в проектах разработки программного обеспечения.

А прямо сейчас мы намерены предложить для иллюстрации рассказ об очевидно надуманной проблеме, которую зато легче понять.

Предположим, что вы — бегун. Вы честно бегаете ежедневно, но время пробежки варьируется в зависимости от других ваших дел. Ваша ежедневная тренировка занимает от 15 минут до 1 часа. Вы ведете записи и обнаруживаете, что совершенно независимо от расстояния (в указанном временном диапазоне) скорость бега варьируется от 6,5 до 9 миль/час. Записи вы ведете так давно, что накоплена вполне приличная статистика:

Реальные данные, возможно, были в форме гистограммы, а то, что мы показываем здесь, является огибающей кривой, примерно повторяющей эту гистограмму. Это похоже на диаграмму неопределенности, ею она и является. На самом деле это можно представить в двух обычных формах, как показано ниже:

Это распределение прошлых результатов можно рассматривать как представление неопределенности в отношении того, как быстро вы побежите в следующий раз.

Предположим, что ваша скорость является не единственной неопределенностью, влияющей на следующий забег. Предположим, вы решили побежать по дорожке неизвестной длины: по периметру площадки для гольфа. Поскольку вы никогда раньше там не бегали, вы совсем не уверены, сколь длительным будет забег. У вас есть какие-то данные, полученные от Профессиональной ассоциации гольфа, о периметре площадки, из которых следует, что это расстояние может быть от двух до четырех миль, причем наиболее вероятна длина периметра примерно в 2,8 мили. Это тоже можно изобразить как распределение:

Эти данные более «зернистые» из-за недостаточного их количества.

Итак, сколько займет ваш следующий забег? Вы помните, что время — это расстояние, деленное на скорость (мили расстояния, поделенные на мили/час). Если расстояние и скорость были бы фиксированными величинами, то нам предстояло бы элементарное арифметическое действие, но в данном случае, оба параметра являются неопределенными, меняющимися в рамках определенного диапазона. Это обеспечивает наличие неопределенности также и в результате:

В целях выведения результирующей кривой, составленной из двух входных кривых, нам понадобилось бы использовать метод из области интегрального исчисления. Но такая «крутая» математика непозволительна в этой главе. Что же нам делать?

Вместо того чтобы строить кривую, мы намерены создать ее приближенный вариант путем моделирования ряда последовательных забегов. Для этого нам понадобится построить инструмент, который даст ряд выборочных данных из неопределенности любого вида и в то же время гарантирует соблюдение формы этой неопределенности по времени. Такой инструмент в применении к диаграмме скорости будет выглядеть так:

Если бы вы сами осуществляли механизм выборки в этом случае, как бы вы действовали дальше? Первую точку выбрать легко: смотрите на переход от минимума к максимуму и берете любую точку где-то посередине между ними. Кто оспорит ваше решение, на каком бы числе вы ни остановили свой выбор? Но если это нужно проделать больше одного раза, требование «соблюдать форму неопределенности во времени» заставляет задуматься. Как выбрать ряд данных с соблюдением такого же разброса вероятностей, как показан на исходной диаграмме неопределенности?

Как бы вы это ни сделали, фигура из выбранных точек должна, в конечном счете, повторять изначальную диаграмму неопределенности. Чтобы проверить себя, вы можете собрать свои результаты за некоторый период времени, рассортированные по удобным группам, и использовать их для построения гистограммы своих выбранных результатов. Если вы правильно рассчитали процесс выборки, последовательные гистограммы (для все большего и большего числа элементов выборки) могли бы выглядеть так:

В итоге, когда вы наберете пару сотен точек, огибающая вашей гистограммы будет очень похожа на диаграмму неопределенности, с которой вы начали:

<< | >>
Источник: Том ДеМарко. Вальсируя с Медведями Управление рисками в проектах по разработке программного обеспечения. 2005

Еще по теме Сложная смесь:

  1. Сложные общества
  2. Статья 188. Сложные вещи
  3. сложные умения
  4. 1.7. Сложные вопросы
  5. Глава 8 Просто о сложном
  6. Простая сложная работа
  7. ГЛАВА ТРЕТЬЯ СЛОЖНЫЕ И СОВОКУПНЫЕ ОБЯЗАТЕЛЬСТВА
  8. простые и сложные умения
  9. Сложные профессиональные умения
  10. Очень сложно обосновать
  11. А в интернет попасть не так уж сложно
  12. Слишком сложные вопросы для начала беседы.
  13. Обеспечение деятельности сотрудников правоохранительных органов в сложных условиях20.
  14. 7. Производительный труд – это сложнейший мир социальных влияний, противоречий, первые опыты подлинно гражданского поведения
  15. Проверка содержательности и достоверности информации является более сложным делом и требует другого аппарата и других методов проверки.
  16. 7. Каждый школьник – это сложнейший мир проблем и задач. Забота о своевременном решении этих проблем и задач составляет основу строительства новой школы
  17. § 9 Сложные и совокупные обязательства. – Соединение нескольких обязательств в одном договоре. – Условие о процентах. – Процен- ты по условию. – Проценты умедления. – Проценты процессу- альные. – Законная мера процентов. – Причисление процентов к капиталу. – Экономический спор о мере процентов. – Понятие о лихве. – Отмена законных ограничений и возражение против отмены. – Учет процентов. – Проценты текущего счета.
  18. Мне нравится моя селезёнка
  19. Пограничнаяобласть Близнецы/Рак
  20. Вопросы для повторения