[高项]假设情景分析VS假设分析

本文探讨了假设情景分析在制定项目进度计划中的作用,它用于评估潜在情景对进度的影响,帮助预测并应对可能的问题。同时,介绍了假设分析作为风险识别的一部分,用于检查假设条件的不确定性,将不可靠的假设转化为风险。通过这两种分析方法,项目管理者能更好地识别和管理潜在风险,确保项目的顺利进行。

假设情景分析是制定进度计划过程所用建模技术的一个子技术,是对各进度活动可能出现的各种情景及其对进度计划的影响进行综合评估。通常是对诸如“如果某某情景出现了,情况会怎样?”这样一种可能性进行分析,从而预测某情景对项目进度计划的影响。
通过假设情景分析,就可以评估项目进度计划在不利情况发生后的可行性。
例如:如果某设备的供应商延迟交货会怎样影响项目进度,如果某个工作包所涉及的技术问题没有解决会怎样影响项目进度。通过诸如此类的分析,有利于为克服或减轻意外情况的影响而提早制定应急计划。在软考命题中,题目是往往只假设不利情景出现,而不假设有利情景出现

假设分析是风险识别过程所用的技术之一,是通过对一个一个的假设条件进行
单独的分析,来检验每一个假设条件本身的不确定性程度,从而判断与每个假设条件有关的风险。即:不成立的可能性和后果。
通过假设分析,一旦发现某个假设条件不能实现的可能性较高,就应该把它从假设条件清单中去掉,并改成否定句式列入风险清单。例如:在编制进度计划时假设了“老师将在考前一周面授押题”。通过对这个假设条件进行分析,我们发现按时到位的可能性如果不大,那么就应该去掉这个假设条件,并把“老师不能在考前一周面授押题”列为项目风险。假设条件是编制项目计划时所依据的,假设为真实的前提条件。风险则是万一发生地对项目目标的实现产生不利影响的不确定性事件。

析辨 假设情景分析 假设分析
共性
### 使用Python进行PMP项目管理中的假设情景分析 假设情景分析是一种评估不同变量变化对项目影响的技术。通过模拟不同的场景,可以更好地理解风险并制定应对策略。以下是利用Python实现这一过程的一个方法。 #### 定义参数和输入数据 首先定义项目的各个组成部分及其不确定性范围。对于成本估算来说,可能会有乐观估计、最可能估计以及悲观估计三种情况[^1]。 ```python import numpy as np from scipy.stats import norm, uniform # 假设的成本分布参数 (单位:万元) cost_optimistic = 80 # 乐观估计值 cost_most_likely = 100 # 最可能出现的值 cost_pessimistic = 150 # 悲观估计值 def triangular_distribution(a, b, c): """创建三角形分布""" mode = (a + b + c) / 3 scale = max(abs(c-mode), abs(a-mode)) loc = min(a,b,c)-scale return lambda size=None: norm.rvs(loc=loc, scale=scale/2., size=size) triangular_cost_dist = triangular_distribution(cost_optimistic, cost_most_likely, cost_pessimistic) ``` #### 进行情景模拟 接下来编写函数来执行多次迭代以生成多个潜在的结果集。这里采用蒙特卡罗仿真法来进行随机抽样,并计算每次试验后的总成本。 ```python num_simulations = 10000 # 设置仿真的次数 def monte_carlo_simulation(distribution_func, num_samples=num_simulations): samples = distribution_func(size=num_samples) total_costs = [] for sample in samples: project_total_cost = sum(sample) # 计算单次实验下的总体成本 total_costs.append(project_total_cost) avg_cost = np.mean(total_costs) std_deviation = np.std(total_costs) return { 'average': round(avg_cost), 'stddev': round(std_deviation), 'min': int(min(total_costs)), 'max': int(max(total_costs)) } simulation_results = monte_carlo_simulation(triangular_cost_dist) print(f"平均成本: {simulation_results['average']} ±{simulation_results['stddev']}") print(f"最小成本: {simulation_results['min']}, 最大成本: {simulation_results['max']}") ``` 此段代码展示了如何基于给定的概率密度函数(本例中为三角形分布),运行大量的虚拟案例从而得出预期均值、标准差以及其他统计特征量。这种方法有助于识别哪些因素可能导致不利后果,并据此调整计划或采取预防措施。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

厦门德仔

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值