⚛️ high-energy experiments

Numerical Study of MRW-Type Unintegrated Double Parton Distribution Functions from Non-Factorized DPDFs

यह शोध पत्र गैर-कारक (non-factorized) GS09 कोलिनियर DPDFs से निर्मित MRW-प्रकार के अनइंटीग्रेटेड डबल पार्टन डिस्ट्रीब्यूशन फंक्शन्स का एक संख्यात्मक अध्ययन प्रस्तुत करता है, जिसमें ट्रांसवर्स मोमेंटम निर्भरता, नॉर्मलाइजेशन गुणों और अनुदैर्ध्य सहसंबंधों (longitudinal correlations) के प्रति संवेदनशीलता का विश्लेषण करने के लिए डबल मॉडिफाइड KMRW, डबल वर्चुअलिटी ऑर्डर्ड MRW और एक नॉर्मलाइजेशन-मैच्ड वेरिएंट की तुलना की गई है।

मूल लेखक: R. Kord Valeshabadi, S. Rezaie, K. Azizi

प्रकाशित 2026-05-18

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: R. Kord Valeshabadi, S. Rezaie, K. Azizi

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

एक प्रोटॉन की कल्पना एक ठोस मार्बल के रूप में नहीं, बल्कि एक व्यस्त, भीड़भाड़ वाले डांस फ्लोर के रूप में करें जो पार्टोंस (क्वार्क्स और ग्लूऑन्स) नामक छोटे, ऊर्जावान नर्तकों से भरा हुआ है। आमतौर पर, जब दो प्रोटॉन एक कण त्वरक (पार्टिकल कोलाइडर) में एक-दूसरे से टकराते हैं, तो हम यह मान लेते हैं कि दोनों तरफ से केवल एक जोड़ी नर्तक आपस में टकराती है। इसे "सिंगल पार्टोन स्कैटरिंग" कहा जाता है।

हालाँकि, बहुत उच्च ऊर्जा पर, यह संभव है कि एक ही टक्कर में दो अलग-अलग जोड़ियाँ एक साथ टकरा जाएँ। यह डबल पार्टोन स्कैटरिंग (DPS) है। इस अराजक नृत्य को समझने के लिए, भौतिकविदों को न केवल एक नक्शा चाहिए कि नर्तक कहाँ हैं, बल्कि यह भी कि वे कितनी तेज़ी से बगल की ओर (ट्रांसवर्स मोमेंटम) घूम रहे हैं और वे एक-दूसरे के साथ कैसे जुड़े हुए हैं।

यह शोध पत्र CHROMA सहयोग (Collaboration) द्वारा एक संख्यात्मक अध्ययन है जो इन तीन अलग-अलग तरीकों से एक नक्शा बनाने और परीक्षण करने का काम करता है। यहाँ सरल शब्दों में इसका विवरण दिया गया है:

1. समस्या: "पॉकेट फॉर्मूला" बहुत सरल है

लंबे समय तक, भौतिकविदों ने इन दोहरी टक्करों का अनुमान लगाने के लिए एक "पॉकेट फॉर्मूला" का उपयोग किया था। यह ऐसा था जैसे यह मान लेना कि डांस फ्लोर खाली है और नर्तक एक-दूसरे से पूरी तरह स्वतंत्र हैं। आप बस एक नर्तक के वहाँ होने की संभावना को दूसरे के वहाँ होने की संभावना से गुणा कर देते हैं।

दोष: वास्तविकता में, नर्तक भीड़भाड़ वाले होते हैं। यदि एक नर्तक किसी विशिष्ट स्थान पर है, तो यह दूसरे के कहाँ हो सकता है, इसकी संभावना को बदल देता है। साथ भी, "पॉकेट फॉर्मूला" इस बात को अनदेखा करता है कि नर्तक बगल की ओर कितनी तेज़ी से घूम रहे हैं। यह पेपर तर्क देता है कि हमें एक अधिक विस्तृत मानचित्र की आवश्यकता है जो इन सह-संबंधों (correlations) और बगल की गति (sideways movement) को ध्यान में रखे।

2. सामग्री: "GS09" मानचित्र

लेखक प्रोटॉन के एक पूर्व-मौजूद, उच्च-गुणवत्ता वाले मानचित्र GS09 से शुरुआत करते हैं। यह मानचित्र पहले से ही जानता है कि नर्तकों के बीच "भीड़भाड़" (सह-संबंध) कैसी है। हालाँकि, यह मानचित्र "कोलीनियर" (collinear) है, जिसका अर्थ है कि यह केवल आपको यह बताता है कि नर्तक आगे की ओर कैसे बढ़ रहे हैं, न कि वे बगल की ओर कितना डगमगा (wiggle) रहे हैं।

कार्य: उन्हें इस आगे बढ़ने वाले मानचित्र में "डगमगाहट" (ट्रांसवर्स मोमेंटम) को जोड़ना था, जिससे वे अनइंटीग्रेटेड डबल पार्टोन डिस्ट्रीब्यूशन फंक्शन्स (UDPFs) बना सकें।

3. तीन विधियाँ: डगमगाहट जोड़ने के तीन तरीके

पेपर इस "डगमगाहट" को जोड़ने के तीन अलग-अलग "नुस्खों" (prescriptions) का परीक्षण करता है। इसे ऐसे समझें कि तीन अलग-अलग शेफ एक स्टू (stew) में मसाला डालने की कोशिश कर रहे हैं:

नुस्खा A: "वर्चुअलिटी ऑर्डर्ड" शेफ (DVO-MRW)
- यह कैसे काम करता है: यह शेफ एक सख्त नियम के आधार पर मसाला जोड़ता है: "जितना बड़ा डगमगाहट, उतना ही नुस्खा बदलेगा।" यह तय करने के लिए कि नर्तक कितना डगमगाएंगे, यह नर्तकों के इतिहास को देखता है।
- कमी: यह शेफ थोड़ा अव्यवस्थित है। कभी-कभी, मसाला डालने के बाद, स्टू की कुल मात्रा (कुल प्रायिकता) मूल नुस्खे से मेल नहीं खाती है। यह एक "नॉर्मलाइजेशन मिसमैच" (सामान्यीकरण बेमेल) पैदा करता है।
- सुधार: लेखकों ने एक मैच्ड वर्जन (MDVO-MRW) बनाया। यह वही शेफ है, लेकिन वे स्टू की मात्रा को समायोजित करने के लिए एक अंतिम "स्वाद परीक्षण" चरण जोड़ते हैं ताकि कुल आयतन एकदम सही हो, बिना स्वाद के स्वरूप (डगमगाहट के आकार) को बदले।
नुस्खा B: "नॉर्मलाइज्ड कर्नेल" शेफ (DMKMRW)
- यह कैसे काम करता है: यह शेफ बहुत सटीक है। वे मूल मानचित्र को लेते हैं और हर नर्तक के साथ एक पूर्व-निर्मित, सटीक रूप से मापा गया "डगमगाहट स्टिकर" लगा देते हैं।
- लाभ: क्योंकि स्टिकर पहले से मापे गए हैं, इसलिए यह गारंटी है कि स्टू की कुल मात्रा शुरू से ही सही होगी। किसी भी अव्यवस्थित समायोजन की आवश्यकता नहीं है।
  क्योकि यह विधि मूल मानचित्र को नहीं बदलती, यह बस डगमगाहट को उसके ऊपर जोड़ देती है।
नुस्खा C: "ओल्ड स्कूल" शेफ (Direct LO-MRW)
- क्यों उपयोग नहीं किया गया: पेपर एक पुराने तरीके का उल्लेख करता है जिसमें विभिन्न गति को संभालने के लिए मानचित्र को टुकड़ों (जैसे पहेली) में काटने की आवश्यकता होती है। लेखकों ने पाया कि यह उनकी जरूरतों के लिए बहुत जटिल और बोझिल था, इसलिए वे ऊपर दिए गए दो नए, स्वच्छ नुस्खों पर टिके रहे।

4. निष्कर्ष: मानचित्रों ने क्या दिखाया

लेखकों ने यह देखने के लिए सिमुलेशन चलाए कि ये तीन नुस्खे एक-दूसरे की तुलना में कैसे हैं। यहाँ उन्होंने क्या पाया:

"डगमगाहट" मायने रखती है: बगल की गति को जोड़ने का तरीका अंतिम चित्र को महत्वपूर्ण रूप से बदल देता है, विशेष रूप से जब नर्तक तेज़ गति से चल रहे हों या डांस फ्लोर के किनारे के पास हों (उच्च ऊर्जा)।
सह-संबंध वास्तविक हैं: डांस फ्लोर की "भीड़भाड़" मायने रखती है।
- यदि आप एक ही प्रकार के दो नर्तकों (जैसे, दो "अप" क्वार्क्स) को देखते हैं, तो मानचित्र दिखाता है कि उनके एक साथ पाए जाने की संभावना सरल "पॉकेट फॉर्मूला" की तुलना में कम है। यह ऐसा है जैसे दो एक ही आकार के लोग एक छोटे कोने में घुसने की कोशिश कर रहे हों; वे एक-दूसरे को दूर धकेलते हैं।
- यदि आप विपरीतों की एक जोड़ी (जैसे, एक क्वार्क और एक एंटी-क्वार्क) को देखते हैं, तो वे एक साथ पाए जाने की अधिक संभावना रखते हैं। यह एक चुंबक के जोड़े के एक साथ चिपकने जैसा है।
नुस्खे का चुनाव परिणाम बदल देता है:
- नॉर्मलाइज्ड कर्नेल (DMKMRK) नुस्खा "डगमगाहट" को "भीड़भाड़" से अलग रखता है। बगल की गति वैसी ही दिखती है जैसे नर्तक कहीं भी हों।
- वर्चुअलिटी ऑर्डर्ड (DVO-MRW) नुस्खा उन्हें एक साथ मिला देता है। "डगमगाहट" इस बात पर निर्भर करती है कि क्षेत्र कितना भीड़भाड़ वाला है।
- महत्वपूर्ण रूप से: "अव्यवस्थित शेफ" की आयतन संबंधी समस्या को ठीक करने के बाद भी, दोनों नुस्खों ने बगल की गति के लिए अलग-अलग आकार दिए। इसका मतलब है कि नुस्खे का चुनाव इन टक्करों की भविष्यवाणी करने में अनिश्चितता का एक बड़ा स्रोत है।

5. निष्कर्ष

पेपर यह निष्कर्ष निकालता है कि उच्च ऊर्जा पर प्रोटॉन के टकराने की सटीक भविष्यवाणी करने के लिए, हम सरल "पॉकेट फॉर्मूला" का उपयोग नहीं कर सकते। हमें इन विस्तृत मानचित्रों का उपयोग करना चाहिए जो यह बताते हैं कि पार्टोंस कैसे सह-संबंधित हैं।

हालाँकि, एक पेच है: बगल की गति को जोड़ने के लिए आप कौन सा नुस्खा उपयोग करते हैं, यह मायने रखता। "नॉर्मलाइज्ड कर्नेल" और "वर्चुअलिटी ऑर्डर्ड" विधियाँ अलग-अलग परिणाम देती हैं, विशेष रूप से उच्च-गति वाली टक्करों के लिए। लेखक सुझाव देते हैं कि भविष्य के प्रयोगों को इस बात के प्रति सावधान रहना चाहिए कि वे किस गणितीय "नुस्खे" का उपयोग करते हैं, क्योंकि यह अंतिम उत्तर को बदल सकता है।

संक्षेप में: उन्होंने प्रोटॉन के आंतरिक भाग का एक बेहतर, अधिक विस्तृत मानचित्र बनाया, उस मानचित्र पर "बगल की गति" को जोड़ने के तीन अलग-अलग तरीकों का परीक्षण किया, और पाया कि ड्राइंग विधि का चुनाव अंतिम चित्र को काफी हद तक बदल देता है, विशेष रूप से टक्कर के सबसे ऊर्जावान हिस्सों में।

तकनीकी सारांश: गैर-फैक्टरयुक्त (Non-factorized) DPDFs से MRW-प्रकार के अनइंटीग्रेटेड डबल पार्टन डिस्ट्रीब्यूशन फंक्शन्स का संख्यात्मक अध्ययन

समस्या विवरण
डबल पार्टन स्कैटरिंग (DPS) हैड्रॉन्स के भीतर मल्टी-पार्टन सहसंबंधों (correlations) के लिए एक महत्वपूर्ण जांच है। जबकि मानक फेनोमेनोलॉजिकल दृष्टिकोण "पॉकेट फॉर्मूला" पर निर्भर करता है, जो डबल पार्टन डिस्ट्रीब्यूशन फंक्शन्स (DPDFs) के लिए एक फैक्टरयुक्त रूप मानता है और ट्रांसवर्स मोमेंटा को इंटीग्रेट कर देता है, यह सन्निकटन (approximation) डबल DGLAP इवोल्यूशन समीकरणों और संबंधित मोमेंटम एवं नंबर सम रूल्स (sum rules) को संतुष्ट करने में विफल रहता है। इसके अतिरिक्त, उच्च ऊर्जाओं पर, इनिशियल-स्टेट QCD रेडिएशन महत्वपूर्ण ट्रांसवर्स मोमेंटा ( $k_t$ ) उत्पन्न करता है, जिससे $k_t$ -फैक्टरइजेशन फ्रेमवर्क के भीतर अनइंटीग्रेटेड डबल पार्टन डिस्ट्रीब्यूशन फंक्शन्स (UDPDFs) का उपयोग करना आवश्यक हो जाता है।

एक विशिष्ट चुनौती गैर-फैक्टरयुक्त कोलीनियर DPDFs से UDPDFs के निर्माण में आती है। पारंपरिक लीडिंग ऑर्डर (LO) MRW (मार्टिन-रिसकिन-वाट) प्रेस्क्रिप्शन के लिए एक पीसवाइज ट्रीटमेंट (खंडित उपचार) की आवश्यकता होती है: होमोजेनियस (स्वतंत्र इवोल्यूशन) और नॉन-होमोजेनियस (पर्टर्बेटिव स्प्लिटिंग) घटकों को अलग-अलग माना जाना चाहिए, विशेष रूप से उस क्षेत्र में जहाँ ट्रांसवर्स मोमेंटा इनपुट स्केल ( $k_t < \mu_0$ ) से नीचे होता है। यह पृथक्करण फेनोमेनोलॉजिकल अनुप्रयोगों के लिए बोझिल है, विशेष रूप से पूर्ण, गैर-फैक्टरयुक्त DPDF इनपुट्स जैसे कि GS09 सेट का उपयोग करते समय, जहाँ घटकों को अलग से संग्रहीत नहीं किया जाता है। इसके अलावा, मौजूदा मॉडल अक्सर नॉर्मलाइजेशन अस्पष्टताओं और हार्ड स्केल से ऊपर अवास्तविक टेल्स (unphysical tails) उत्पन्न करने में संघर्ष करते हैं।

लेखक तीन MRW-प्रेरित प्रेस्क्रिप्शन्स का उपयोग करके सीधे गैर-फैक्टरयुक्त कोलीनियर DPDFs से UDPDFs का निर्माण करने वाले एक संख्यात्मक अध्ययन प्रस्तुत करते हैं, जो होमोजेनियस और नॉन-होमोजेनियस टर्म्स के पीसवाइस सेपरेशन से बचते हैं:

इनपुट और इवोल्यूशन: अध्ययन में इनपुट के रूप में GS09 DPDFs का उपयोग किया गया है, जिसे ChromaPDFEvolver नामक एक कस्टम संख्यात्मक डबल DGLAP इवोल्यूशन फ्रेमवर्क का उपयोग करके असमान स्केल ( $\mu_1 \neq \mu_2$ ) तक विकसित किया गया है। यह फ्रेमवर्क वेरिएबल $u = \ln(x/(1-x))$ में एक ग्रिड और एक Runge-Kutta-Fehlberg एल्गोरिदम का उपयोग करके डबल DGLAP समीकरणों (इनहोमोजेनियस "फीड" टर्म सहित) को $x$ -स्पेस में हल करता है। असमान स्केल इवोल्यूशन को मोमेंटम सम रूल के विरुद्ध मान्य किया गया है।
प्रेस्क्रिप्शन 1: डबल वर्चुअलिटी ऑर्डर्ड MRW (DVO-MRW): यह मॉडल पूर्ण कोलीनियर DPDF पर वर्चुअलिटी-ऑर्डर्ड लास्ट-स्टेप इवोल्यूशन लागू करता है। सुडाकोव फॉर्म फैक्टर और कपलिंग के लिए वर्चुअलिटी स्केल $K^2 = k_t^2/(1-z)$ का उपयोग किया जाता है, जो यह सुनिश्चित करता है कि वितरण किनेमैटिक रूप से अनुमत वर्चुअलिटी क्षेत्र से परे शून्य हो। यह बिना किसी अलग लो- $k_t$ एक्सट्रपलेशनेशन की आवश्यकता के डायनेमिक रूप से ट्रांसवर्स मोमेंटा डिपेंडेंस उत्पन्न करता है।
प्रेस्क्रिप्शन 2: नॉर्मलाइजेशन-मैच्ड DVO-MRW (MDVO-MRW): DVO-MRW मॉडल में निहित नॉर्मलाइजेशन विचलन को संबोधित करने के लिए, एक मल्टीप्लिकेटिव मैचिंग फैक्टर पेश किया गया है। यह वर्चुअलिटी-ऑर्डर्ड ट्रांसवर्स मोमेंटा शेप को बनाए रखता है और यह सुनिश्चित करता है कि $k_t$ पर इंटीग्रल सटीक रूप से इनपुट कोलीनियर DPDF को पुनरुत्पादित करे।
प्रेस्क्रिप्शन 3: डबल मॉडिफाइड KMRW (DMKMRW): मॉडिफाइड KMRW (MKMRW) दृष्टिकोण पर आधारित, यह मॉडल प्रत्येक बाहरी पार्टन लेग को नॉर्मलाइज्ड ट्रांसवर्स कर्नेल्स असाइन करता है। ट्रांसवर्स डिपेंडेंस को कोलीनियर DPDF से फैक्टरयुक्त किया जाता है, और मॉडल को डिजाइन द्वारा सटीक रूप से नॉर्मलाइजेशन-प्रिजर्विंग बनाया गया है।

अध्ययन विभिन्न पार्टोनिक चैनल्स ( $gg, ug, uu, u\bar{u}$ ) में इन मॉडलों की तुलना करता है और लॉन्गिट्यूडनल कोरिलेशन के प्रभाव को आइसोलेट करने के लिए गैर-फैक्टरयुक्त और फैक्टरयुक्त डिस्ट्रीब्यूशंस के अनुपात का विश्लेषण करता है।

मुख्य परिणाम

वैलिडेशन: ChromaPDFEvolver असमान स्केल DPDFs के लिए मोमेंटम सम रूल को उच्च संख्यात्मक सटीकता के साथ सुरक्षित रखता है, जो UDPDF निर्माण के लिए इनपुट की वैधता की पुष्टि करता है।
नॉर्मलाइजेशन: DMKMRW मॉडल स्वाभाविक रूप से नॉर्मलाइजेशन-प्रिजर्विंग है। DVO-MRW मॉडल गैर-तुच्छ (non-trivial) नॉर्मलाइजेशन विचलन प्रदर्शित करता है, विशेष रूप से ग्लूऑन-ग्लूऑन चैनल में, जिसे MDVO-MRW वेरिएंट में सफलतापूर्वक ठीक किया गया है।
ट्रांसवर्स मोमेंटा डिपेंडेंस:
- DMKMRW मॉडल में, गैर-फैक्टरयुक्त और फैक्टरयुक्त डिस्ट्रीब्यूशन का अनुपात $k_t$ से स्वतंत्र है। गैर-फैक्टरयुक्त प्रभाव शुद्ध रूप से एक लॉन्गिट्यूडनल कोरिलेशन फैक्टर ( $D_{ij}/f_i f_j$ ) के रूप में प्रकट होते हैं जो नॉर्मलाइजेशन और फ्लेवर डिपेंडेंस को संशोधित करता है लेकिन $k_t$ शेप को नहीं।
- DVO-MRW/MDVO-MRW मॉडलों में, गैर-फैक्टरयुक्त प्रभाव ट्रांसवर्स मोमेंटा के साथ जुड़े हुए हैं। जैसे-जैसे $k_t$ बढ़ता है, वर्चुअलिटी ऑर्डरिंग बाधा इंटीग्रेशन रीजन को प्रतिबंधित करती है, जिससे DPDF किनेमैटिक बाउंड्री ( $x_1+x_2=1$ ) के करीब सैंपल होता है। यह बड़े $x$ और बड़े $k_t$ पर गैर-फैक्टरयुक्त डिस्ट्रीब्यूशन के $k_t$ -डिपेंडेंट सप्रेशन (दमन) की ओर ले जाता है।
चैनल डिपेंडेंस:
- $uu$ चैनल वालेंस नंबर सम रूल्स द्वारा संचालित (valence number sum rules के कारण) गैर-फैक्टरयुक्त डिस्ट्रीब्यूशन में फैक्टरयुक्त सन्निकटन के सापेक्ष मजबूत सप्रेशन दिखाता है।
- $u\bar{u}$ चैनल एन्हांसमेंट दिखा सकता है, जो इनपुट GS09 DPDFs में मौजूद क्वार्क-एंटीक्वार्क कोरिलेशन को दर्शाता है।
मॉडल तुलना: भले ही दोनों मॉडल नॉर्मलाइजेशन-मैच्ड हों (DMKMRW बनाम MDVO-MRW), वे अलग-अलग ट्रांसवर्स मोमेंटा शेप प्रदान करते हैं। MDVO-MRW डिस्ट्रीब्यूशन वर्चुअलिटी ऑर्डरिंग बाधा ( $K^2 < \mu^2$ ) के कारण बड़े $k_t$ पर सप्रेस्ड होता है, जबकि DMKMRW डिस्ट्रीब्यूशन एक टेल (tail) बनाए रखता है जो नॉर्मलाइज्ड कर्नेल द्वारा निर्धारित होती है।

महत्व और दावे
पेपर का दावा है कि गैर-फैक्टरयुक्त DPDFs से UDPDFs का निर्माण DPS के लिए एक सुसंगत $k_t$ -फैक्टरइजेशन विवरण के लिए आवश्यक है। लेखक प्रदर्शित करते हैं कि:

गैर-फैक्टरयुक्त कोरिलेशन यूनिवर्सल नहीं हैं: उन्हें किनेमैटिक्स से स्वतंत्र एक सरल मल्टीप्लिकेटिव फैक्टर द्वारा प्रस्तुत नहीं किया जा सकता है; वे फ्लेवर, लॉन्गिट्यूडनल मोमेंटा अंशों और ट्रांसवर्स मोमेंटा उत्पन्न करने के लिए उपयोग किए जाने वाले विशिष्ट प्रेस्क्रिप्शन पर निर्भर करते हैं।
प्रेस्क्रिप्शन डिपेंडेंस अनिश्चितता का एक स्रोत है: नॉर्मलाइज्ड-कर्नेल अप्रोच (DMKMRW) और वर्चुअलिटी-ऑर्डर्ड कन्वोल्यूशन अप्रोच (DVO/MDVO-MRW) के बीच चयन करने से अनुमानित $k_t$ शेप्स में महत्वपूर्ण अंतर आता है, विशेष रूप से बड़े ट्रांसवर्स मोमेंटा और किनेमैटिक बाउंड्री के पास।
व्यावहारिक उपयोगिता: प्रस्तावित प्रेस्क्रिप्शन (विशेष रूप से MDVO-MRW और DMKMRW) कॉम्पैक्ट, सिंगल-एक्सप्रेशन मॉडल्स प्रदान करते हैं जिन्हें सीधे पूर्ण गैर-फैक्टरयुक्त DPDFs पर लागू किया जा सकता है, जिससे पारंपरिक LO-MRW कंस्ट्रक्शन्स के बोझिल पीसवाइज ट्रीटमेंट से बचा जा सकता है।

लेखक निष्कर्ष निकालते हैं कि जबकि छोटे $x$ और मध्यम $k_t$ के लिए फैक्टरयुक्त सन्निकटन पर्याप्त हो सकते हैं, बड़े $x$ , बड़े $k_t$ , या विशिष्ट वालेंस/क्वार्क-एंटीक्वार्क कोरिलेशन के प्रति संवेदनशील प्रक्रियाओं के लिए गैर-फैक्टरयुक्त UDPDFs का उपयोग महत्वपूर्ण है। वे नोट करते हैं कि प्रक्रिया-स्तरीय DPS गणनाओं में इन डिस्ट्रीब्यूशन को लागू करने के लिए एक पूर्ण मूल्यांकन की आवश्यकता है, जो भविष्य के कार्य के लिए छोड़ा गया है।

1. समस्या: "पॉकेट फॉर्मूला" बहुत सरल है

2. सामग्री: "GS09" मानचित्र

3. तीन विधियाँ: डगमगाहट जोड़ने के तीन तरीके

4. निष्कर्ष: मानचित्रों ने क्या दिखाया

5. निष्कर्ष

इसी तरह के और पेपर