🧣 🔱 🍰 कार्यों की जटिलता का आकलन 🕴️ ⤵️ 🎅🏼

कार्यों का आकलन

कार्यों की जटिलता का आकलन करते समय, एक पूर्ण स्कोर देना अक्सर मुश्किल होता है। दो कार्यों के सापेक्ष आकार का अनुमान लगाना बहुत आसान है, उदाहरण के लिए, यह कहना कि कार्य A, B से दो गुना बड़ा है।
चुस्त विकास प्रक्रिया के साथ, आपको बहुत सारी उपयोगकर्ता कहानियों का मूल्यांकन करना होगा।
जोड़ीदार तुलना का उपयोग करते हुए, अनुमानों को निर्धारित करने में त्रुटि कम हो जाती है, और इसके अलावा, इस त्रुटि की गणना की जा सकती है।

सिद्धांत

मान लीजिए हमें n कहानियों का मूल्यांकन करने की आवश्यकता है। प्रत्येक कहानी का आकार _{i से} घटाएँ।
प्रत्येक कहानी के आकार को खोजने के लिए, हम सभी कहानियों के सापेक्ष प्रत्येक कहानी के आकार का अनुमान लगाते हैं और परिणाम को मैट्रिक्स A _ix में लिखते हैं:

मैं ध्यान देता हूं कि मैट्रिक्स का केवल ऊपरी भाग भरने के अधीन है, क्योंकि एक _ij = 1 / a _ji ।

कहानी का आकार

इतिहास mrs के औसत सापेक्ष आकार की गणना करने के लिए आपको मैट्रिक्स की i-th पंक्ति के लिए ज्यामितीय माध्य ज्ञात करना होगा, अर्थात।

जियोमेट्रिक माध्य

(1)

कहानी का औसत सापेक्ष आकार हमें बहुत कम बताता है, इसलिए कहानी का आकार, हमें जिन इकाइयों में चाहिए, उनकी गणना इतिहास को ध्यान में रखकर की जाती है, जिसके आकार को हम _{संदर्भ के रूप में} जानते हैं:

इतिहास के आकार की गणना

, (2)

जहाँ _{संदर्भ} उन इकाइयों में संदर्भ इतिहास का आकार है जिनकी हमें ज़रूरत है (कहानी अंक, घंटे, आदि), mrs _{संदर्भ} सूत्र (1) द्वारा गणना संदर्भ इतिहास का सापेक्ष आकार है।

संख्यात्मक उदाहरण

कल्पना कीजिए कि मूल्यांकन के लिए हमारे पास चार उपयोगकर्ता कहानियां हैं, जिनका हम संक्षेप में वर्णन करते हैं:

पंजीकरण / प्राधिकरण
पोस्ट जोड़ें
पदों की सूची दिखाएं
वर्गीकरण के बाद

सापेक्ष अनुमानों के साथ मैट्रिक्स भरें:

	1	2	3	4	सापेक्ष आकार mrs _i	स्कोर _मैं
1. पंजीकरण / प्राधिकरण *	1	0.33	2.00	3.00	1.19	10
2. एक पोस्ट जोड़ें	3.00	1	3.00	5.00	2.59	21.83
3. पदों की सूची दिखाएं	0.50	0.33	1	0.50	0.54	4.52
4. पोस्ट वर्गीकरण	0.33	0.20	2.00	1	0.60	5.08

हमने इतिहास नंबर 1 को संदर्भ मूल्य के रूप में लिया और 10 कहानी बिंदुओं पर मूल्यांकन किया। कहानियों की संख्या 2, 3, 4 का आकार सूत्र (2) द्वारा गणना की गई थी।

अभिसरण सूचकांक और आत्मविश्वास अंतराल गणना

मैट्रिक्स ए _nxn में अनुमानों के विचरण की गणना सूत्र द्वारा की जाती है [1]:

फैलाव

विचरण के वर्गमूल को अभिसरण सूचकांक कहा जाता है:

अभिसरण सूचकांक जितना कम होगा, हमारे अनुमानों के अनुरूप उतना ही अधिक होगा।
हालाँकि, अभिसरण सूचकांक की व्याख्या करना कठिन है। यदि आप अनुमानों के लिए एक आत्मविश्वास अंतराल में अनुवाद करते हैं तो बेहतर है।
इसके लिए, हम यह अनुमान लगाते हैं कि हमारे मूल्यांकन में प्रत्येक कहानी कुल विचरण में समान योगदान देती है, फिर त्रुटि और विश्वास विकल्प की गणना निम्न सूत्रों का उपयोग करके की जाती है:

कार्यान्वयन

मैंने जावास्क्रिप्ट में इस कार्यक्षमता को लागू करने की कोशिश की। मैंने यहां एस्टीमेट . ru पोस्ट किया।

भविष्य की योजना

इस पद्धति का उपयोग करते समय एक स्पष्ट दोष यह है कि मूल्यांकन की गई कहानियों की संख्या में वृद्धि के साथ, आवश्यक तुलनाओं की संख्या बढ़ती है। यह सभी तुलनाओं का उपयोग करके नहीं किया जा सकता है, लेकिन केवल न्यूनतम आवश्यक हैं।
मैट्रिक्स ए में असंगत अनुमान लगाने की एक तकनीक भी है।

संदर्भ:

[१] पेयरिंग कम्पेरिज़न // एडुआर्डो मिरांडा, पियरे बॉर्क, एलेन अब्रान का उपयोग करके उपयोगकर्ता कहानियां का आकार देना

कार्यों की जटिलता का आकलन