Machine Translated by Google

Resolución  de  
operación  de  Ann  https://doi.org/10.1007/s10479­018­2857­4

INVESTIGACION  ORIGINAL

Cómo  la  adición  de  nueva  información  modifica  la  estimación  
de  la  media  y  la  varianza  en  PERT:  un  enfoque  de  distribución  
de  máxima  entropía

A.  Hernández­Bastida1  ·  MP  Fernández­Sánchez1

©  Springer  Science+Business  Media,  LLC,  parte  de  Springer  Nature  2018

Resumen  Este  artículo  presenta  un  método  alternativo  para  estimar  la  media  y  la  varianza  cuando  
se  utiliza  la  técnica  de  evaluación  y  revisión  de  programas  (PERT).  En  el  escenario  PERT  se  
consideran  diferentes  niveles  de  información,  proporcionados  por  un  experto,  para  obtener  los  
valores  de  la  media  y  la  varianza  mediante  un  enfoque  de  distribución  de  máxima  entropía.  En  
nuestra  opinión,  la  información  a  tener  en  cuenta  debe  ser  únicamente  la  proporcionada  por  el  experto.
También  realizamos  un  análisis  numérico  para  examinar  cómo  varían  las  estimaciones  si  se  agrega  
nueva  información.  De  ello,  concluimos  que  la  inclusión  de  nueva  información  (incluso  con  fines  
analíticos)  produce  cambios  significativos  en  las  estimaciones  propuestas.

Palabras  clave  PERT  ·  Unimodalidad  ·  Máxima  entropía  ·  Distribución  beta

1.  Introducción

La  técnica  de  evaluación  y  revisión  de  programas  (PERT),  muy  utilizada  en  la  gestión  de  proyectos,  
se  basa  en  considerar  una  variable  aleatoria  continua,  T,  con  función  de  densidad  f  (t),  que  es  
positiva,  dentro  de  un  dominio  acotado  que  generalmente  representa  la  tiempo  necesario  para  
realizar  una  determinada  actividad.  Nuestro  interés  específico  es  obtener  la  media  y  la  varianza,  
denotadas  como  μ  y  σ2,  respectivamente.  Este  problema  surge  en  situaciones  en  las  que  no  se  
dispone  de  información  muestral.  Sin  embargo,  un  experto  tendrá  una  opinión  bien  calificada  sobre  
ciertos  aspectos  de  la  distribución  de  la  variable  aleatoria,  y  esta  vista  se  puede  usar  para  construir  
las  mejores  estimaciones  posibles  para  la  media  y  la  varianza  de  la  variable  aleatoria,  que  se  
denotan  como  μˆ  y  σˆ  2,  respectivamente.
Un  enfoque  inicial  de  PERT,  y  aún  el  más  popular,  fue  propuesto  por  Malcolm  et  al.
(1959).  En  este  enfoque,  se  hacen  varios  supuestos:  se  dispone  de  una  opinión  experta  sobre  el  
problema  considerado  (p.  651,  Malcolm  et  al.  op.cit.);  el  dominio  de  definición  de  la  variable

B  MP  Fernández­Sánchez
pilarfs@ugr.es
1 Departamento  de  Métodos  Cuantitativos  en  Economía,  Facultad  de  Económicas,  Universidad  de  Granada,
Campus  de  la  Cartuja  s/n,  18071  Granada,  España

123
Machine Translated by Google

Resolución  operativa  anual

es  [a,  b];  y  la  distribución  es  beta  unimodal  con  moda  dada  por  M.  A  partir  de  esta  información,  los  autores  
propusieron  estimaciones  de  la  media  y  la  varianza  de  T  según  expresiones  intuitivas  que  son  rápidas  y  
sencillas  de  calcular.  Por  otro  lado,  no  abordaron  la  cuestión  de  cómo  deberían  obtenerse  ni  discutieron  
la  necesidad  de  asumir  una  distribución  beta.  Sin  embargo,  en  la  literatura  estas  fórmulas  parecen  ser  
casi  requisitos  previos  para  abordar  este  problema.  Los  puntos  finales  y  M  se  usan  para  estimar  la  media,  
mientras  que  para  la  varianza  generalmente  se  supone  que  la  desviación  estándar  es  un  sexto  del  rango  
y  no  depende  de  M.  Específicamente,

a  +  4M  +  b
μ[1] ; (1)
6
2
2   (b  ­  a)  
σˆ   . (2)
[1]
36

En  las  décadas  de  1960  y  1970,  se  desarrolló  una  controversia  entre  detractores  y  defensores  del  uso  de  
la  distribución  beta  en  PERT.  Muchos  investigadores  cuestionaron  la  suposición,  pero  al  mismo  tiempo  
comenzaron  a  aparecer  muchos  artículos  que  estimaban  la  media  y  la  varianza,  independientemente  de  
la  forma  de  la  distribución  (ver  Kim  et  al.  2014,  y  las  referencias  allí).  Desde  la  década  de  1980,  se  han  
realizado  muchas  investigaciones  sobre  este  tema.  Estos  estudios  se  pueden  dividir  en  dos  clases:  
aquellos  que  buscan  justificar  las  estimaciones  clásicas  de  PERT,  como  Littlefield  y  Randolph  (1987),  
Kamburowski  (1997)  y  Herrerias  et  al.  (2003);  y  aquellos  que  proponen  nuevas  estimaciones  para  la  media  
y/o  la  varianza  (Keefer  y  Bodily  1983;  Golenko­Ginzburg  1989;  Lau  et  al.  1996;  Premachandra  2001;  
Shankar  y  Sireesha  2009,  y  referencias  allí).
Cuando  se  busca  obtener  nuevas  estimaciones,  el  principal  objetivo  suele  ser  evaluar  la  calidad  del  
procedimiento  adoptado  o  comparar  dos  o  más  alternativas  para  determinar  cuál  es  la  más  adecuada.  En  
el  contexto  PERT,  a  menudo  se  considera  una  gran  familia  de  distribuciones  beta  o  una  subfamilia  del  
sistema  de  Pearson,  en  la  que  los  valores  de  la  media  y  la  varianza  son  bien  conocidos.  Luego  se  
comparan  los  procedimientos  de  estimación,  generalmente  medidos  por  el  error  absoluto,  porcentual  o  
promedio  absoluto,  para  determinar  qué  enfoque  proporciona  estimaciones  más  cercanas  a  los  valores  
reales  para  las  distribuciones  de  la  clase.  En  nuestra  opinión,  este  procedimiento,  que  asume  ciertas  
clases  de  distribuciones  y  examina  el  comportamiento  de  cada  una,  tiene  severos  inconvenientes  como  la  
forma  de  verificar  el  tamaño  adecuado  de  la  clase  o  la  calidad  del  valor  estimado.  Hasta  donde  sabemos,  
en  los  supuestos  habituales  del  PERT  clásico,  no  hay  forma  de  saber  cuál  es  la  clase  correcta  con  la  que  
realizar  un  análisis  de  comportamiento.  Desde  nuestra  perspectiva,  la  calidad  de  las  estimaciones  
propuestas  para  la  media  y  la  varianza  viene  dada  por  la  calidad  del  método  utilizado  para  obtenerlas.

En  este  artículo  proponemos  un  método  alternativo,  que  emplea  la  información  proporcionada  por  un  
experto  en  el  escenario  PERT,  para  obtener  los  valores  de  la  media  y  la  varianza,  considerando  un  
enfoque  de  distribución  de  máxima  entropía.
El  resto  de  este  trabajo  está  estructurado  de  la  siguiente  manera:  Secc.  2  describe  el  método  empleado  
y  lo  aplica  a  varios  casos  discutidos  previamente  en  la  literatura.  Insecto.  3  desarrollamos  un  análisis  
numérico  comparativo  que  muestra  cómo  cambian  las  estimaciones  a  medida  que  se  agrega  nueva  
información.  Finalmente,  en  la  Secc.  4,  resumimos  las  principales  conclusiones  extraídas.

2  Información  disponible  y  estimaciones  propuestas

En  esta  sección  presentamos  brevemente  el  método  aplicado  en  este  documento  y  luego  describimos  su  
implementación  en  tres  casos  comunes  de  información  disponible  para  obtener  las  estimaciones  en  un  
escenario  PERT.

123
Machine Translated by Google

Resolución  operativa  anual

Un  ejemplo  temprano  de  este  enfoque  del  problema  se  describe  en  Kotiah  y  Wallace  (1973),  donde  se  
propone  la  distribución  normal  truncada  para  el  tiempo  de  actividad  “porque  hace  uso  de  toda  la  información  
previa  y  nada  más”.  Seguimos  esta  idea  para  proponer  un  método  alternativo  que  vincula  el  método  de  máxima  
entropía  con  la  información  sólo  disponible  del  experto,  para  estimar  la  media  y  la  varianza  de  una  función  de  
densidad  f  (t).  Además,  hacemos  uso  de  la  relación  entre  la  divergencia  de  Kullback­Leibler  y  el  método  de  
máxima  entropía  para  desarrollar  un  nuevo  enfoque  que  proporciona  distribuciones  menos  informativas  y,  por  lo  
tanto,  mejores  estimaciones  en  PERT.

Se  considera  que  una  distribución  es  el  modelo  menos  informativo  si  tiene  el  Kullback­
–Divergencia  de  Leibler  con  respecto  a  la  distribución  U  ni  f  orm[a,  b] .  Dadas  dos  distribuciones  con  pdf  f  (x)  y  
g(x),  la  divergencia  Kullback­Leibler  o  entropía  relativa  de  f  con  f  (x)  con  respecto  a  g  está  definida  por  DK  L  [ f :  
g]  ∫  f  (x).log  dx,  donde  g  (x)  es  la  distribución  
g  (x)  de  referencia  (en  nuestro  caso,  un  dominio  acotado,  la  distribución   Umínima  
  ni  f  orm[a,  
distribución   dde  
ivergencia  
b] ).  La  dcistribución  
referencia,   on   respecto  
sujeta   de  
a  esta  
a  las  
restricciones  de  verificación  de  la  información  disponible,  se  considera  la  distribución  menos  informativa.  En  el  
Apéndice  se  muestran  varios  resultados  del  método  de  máxima  entropía  utilizado  en  este  artículo.

Nuestro  enfoque  del  problema  es  especificar  una  distribución  de  probabilidad  para  la  variable  T,  denotada  
como  f  ( )  (t),  que  es  la  mejor  aproximación  a  f  (t)  basada  únicamente  en  la  información  disponible.  La  media  
y  la  varianza  de  f  ( )  (t)  son  las  estimaciones  que  sugerimos.  Entonces,  F1  es  la  clase  de  distribuciones  de  
probabilidad  posibles  para  T,  según  la  información  disponible.
Este  método  es  muy  simple  y  depende  de  estos  posibles  escenarios:

•  Escenario  1  Si  F1  contiene  una  sola  distribución,  f  ( )  (t),  entonces  el  problema  se  resuelve  y  el
la  media  y  la  varianza  de  f  ( )  (t)  son  las  estimaciones  que  proponemos.
•  Escenario  2  Si  F1  contiene  distribuciones  infinitas,  seleccionamos  de  F1  la  distribución  menos  informativa,  
nuestra  f  ( )  (t).  Luego  se  resuelve  el  problema  y  la  media  y  la  varianza  de  f  ( )  (t)  son  las  estimaciones.  
•  Escenario  3  Si  en  el  escenario  2  la  selección  nos  lleva  a  una  solución  trivial  (distribución  U  ni  forma[a,  b] ),  
determinamos  el  rango  de  variación  del  valor  esperado  en  F1  y  seleccionamos  la  distribución  asociada  al  punto  
medio  de  la  rango  de  variación,  logrando  f  ( )  (t).

El  valor  esperado  y  la  varianza  de  f  ( )  (t)  son  entonces  las  estimaciones.

En  cualquiera  de  los  escenarios  anteriores,  es  posible  llegar  a  f  ( )  (t)  y  obtener  los  valores  que  deseamos
para  determinar.
Analicemos  ahora  tres  casos  comunes  de  información  disponible  en  el  contexto  PERT  y  obtengamos  las  
estimaciones  de  la  media  y  la  varianza  utilizando  el  método  descrito  anteriormente.  Los  casos  progresan  a  través  
de  varios  niveles  de  densidad  de  información.
La  suposición  más  popular  hecha  en  la  literatura,  y  por  lo  tanto  la  que  estudiamos  primero,  es  que  f  (t)  sigue  
una  distribución  beta.  Las  consideraciones  del  problema  basadas  en  otras  distribuciones  están  más  allá  del  
alcance  de  este  documento.  Para  una  revisión  de  este  tema,  ver  Abdelkader  (2004),  Azaron  et  al.  (2007)  o  
García  et  al.  (2010),  y  referencias  en  el  mismo.
Nuestro  análisis  comienza  con  el  escenario  de  información  disponible  más  restrictivo,  el  de  una  distribución  
beta  unimodal  con  modo  conocido.  Luego,  reducimos  gradualmente  los  supuestos,  pasando  primero  a  un  
escenario  que  involucra  solo  unimodalidad  con  Modo  conocido;  finalmente,  esta  suposición  también  se  relaja.

123
Machine Translated by Google

Resolución  operativa  anual

2.1  El  caso  beta  unimodal  con  modo  conocido

Comenzamos  con  T  siguiendo  una  distribución  beta  unimodal  denominada  Beta[a,  b]  (p,  q),  con  moda  
conocida,  M.  Su  función  de  densidad  está  dada  por,
1 1
f  (t/p,  q) (t  −  a)p−1  (b  −  t)  (b  q−1 ; t     [a,  b]. (3)
B  (pag,  q) −  a)p+q−1

Del  modo  (p−1)b+(q−1)a  p+q−2 q(M−a)+a+b−2M  b−M .
M,  se  sigue  que  p
Entonces,  la  información  disponible  conduce  a  f  (t)     QBeta
(1) ,  q   donde  la  clase  F1  viene  dada  por

(METRO  ­  un)  +  un  +  segundo  ­  2M ;  
F1  ≡  QBeta (1) f  ≡  Beta[a,b];M q ;  q  >  1  segundo   . (4)
­  METRO

El  valor  esperado  y  la  varianza  de  cada  elemento  perteneciente  a  QBeta(1) clase  son

q  METRO  (segundo  ­  a)  +  segundo  (segundo  +  un  
EQBeta [T ] , (5)
(1) ­  2M)  q  (segundo  ­  a)  +  segundo  +  un  ­  2M

y
2 2
(b  ­  a) (b  −  M) q  [q  (METRO  ­  a)  +  a  +  b  ­  2M]
V  arQBeta [T ] 2, (6)
(1)
[q  (b  ­  a)  +  a  +  2b  ­  3M]  [q  (b  ­  a)  +  a  +  b  ­  2M]
respectivamente.
Se  puede  demostrar  que  la  divergencia  de  Kullback­Leibler  de  una  distribución  f     QBeta   con
(1)
respecto  a  la  distribución  uniforme,  tiene  un  límite  inferior,  pero  no  un  mínimo,  en  q  1.  Por  lo  tanto,  
elegimos  Beta[a,  b];M  (1 ;  1).  Sin  embargo,  esta  no  es  una  solución  válida  para  nuestros  propósitos.  
Nuestra  propuesta  en  este  caso  es  seleccionar  la  distribución  asociada  al  valor  esperado  dado  por  
el  punto  medio  del  rango  de  variación  de  los  valores  esperados  de  las  distribuciones  de  QBeta
(1) .
∂ −(b−a)(a+b−2M)(b−M)  2 ;  lím  
De [T ] [q(b−a)+b+a−2M] EQBeta [T ] m,  y
∂q  EQBeta (1) q→∞ (1)

a+b   a+b   a+b  

lím  
EQBeta [T ] 2 , se  sigue  que  el  rango  de  variación  es  M, 2
si  M  < y  2 ,
q→1   (1)
a+b   a+b   a+2M+b  4
2 ,
M  si  M  > 2 . En  ambos  casos,  el  punto  medio  es
.
M−a  
Por  tanto,  nuestra  propuesta  es  Beta[a,  b];M  p(av) ;  q(av) , donde  p(media)  1+2 b−a ,
y
b−M
q(av)  1+2  la   b−a .  Bajo  nuestro  enfoque,  las  estimaciones  para  μ  y  σ2  son  los  valores  de
media  y  la  varianza  de  esta  distribución,  dada  por
a  +  2M  +  b
μ[2] (7)
4
y

2   (b  +  2M  −  3a)  (3b  −  2M  −  a)
σˆ   , (8)
[2]
80
respectivamente.  En  la  literatura,  se  han  propuesto  suposiciones  adicionales  con  respecto  al  
primer  y  segundo  momento  para  tratar  el  caso  de  la  c(1)lase  de  distribuciones  QBeta .  La  siguiente
La  subsección  describe  cómo  se  abordan  estas  situaciones.

2.1.1  Condiciones  adicionales  sobre  el  valor  esperado  de  la  distribución  beta

Ahora  analizamos  las  siguientes  situaciones.  Si  la  condición  adicional  es  que  el  valor  esperado  
a+4M+b  6
de  la  distribución  sea  como  en  ,(1)  (ver  Sasieni  1986;  Kotiah  y  Wallace  1973),  entonces

123
Machine Translated by Google

Resolución  operativa  anual

M−a  
QBeta  
(1) es  solo  una  distribución,  señaló  Beta[a,  b];M  (pMRC;  qMRC),  con  pMRC  1+4 b−a
b−M  
y  qMRC  1+4 b−a .
Bajo  nuestro  enfoque,  las  estimaciones  para  μ  y  σ2  son  los  valores  de  la  media  y  la  varianza
de  esta  distribución,  que  son,  respectivamente  
2 (b  +  4M  −  5a)  (5b  −  a  −  4M)  252
μˆ[3]  ≡  ̂μ[1]  y  σˆ [3] . (9)

La  estimación  de  la  varianza  en  (9)  no  coincide  con  la  de  (2).  Sin  embargo,  se  corresponde  con  la  
estimación  de  la  varianza  de  Gallagher  (1987),  donde  la  forma  de  la  distribución  beta  es  
razonablemente  similar  a  la  distribución  normal,  con  la  media  igual  a  la  de  (1)  y  la  varianza  dada  
en  (9 ).
a+kM+bk  
Si  la  condición  adicional  se  refiere  al  valor  esperado  de  la  distribución  dada  por  con  k   +2 ,
>  1  (Sasieni  1986;  Chae  1990),  esta  nueva  condición  no  cambia  el  QBeta  que  permanece  
(1)
clase,
igual,  pero  se  reescribe  en  términos  de  otro  hiperparámetro,  denotado  k  >  1.
Por  lo  tanto,  nuestra  propuesta  es  la  misma  que  en  (7)  y  (8).

2.1.2  Condición  adicional  sobre  la  varianza  de  la  distribución  beta

Ahora  consideramos  una  condición  adicional  relacionada  con  el  momento  de  segundo  orden,  dado  
por  la  varianza  de  la  distribución  que  toma  un  cierto  valor,  anotado  V.  Esto  sigue  una  ecuación  
cúbica  en  q  que  es  bien  conocida  en  PERT  (Littlefield  y  Randolph  1987;  Golenko­  Ginzburg  1988;  
Kamburowski  1997;  Premachandra  2001;  Herrerías  et  al.  2003).  La  única  solución  válida  para  esta  
ecuación  q(V)(M−a)
+a+b−2M ,  q(V)  >  1,  produce  una  distribución  única  Beta[a,  b];M ;  q(V) .  b−M  Las   estimaciones  
proponemos   qeue  
son   l  
valor  esperado  y  la  varianza  de  esta  distribución,  que  vienen  dadas  por

q(V)M(b  ­  a)  +  b(b  +  a  ­  2M)  q(V)
μ[4] (10)
(b  ­  a)  +  b  +  a  ­  2M
y
2  
σˆ  
[4] V (11)
2
respectivamente.  El  caso  más  comúnmente  analizado  en  la  literatura  es  el  de  (2)  es  decir,  V  (b−a)
36 .
Esta  condición  o  una  modificación  de  la  misma  (Golenko­Ginzburg  1989;  Shankar  y  Sireesha  
2009)  se  ha  utilizado  como  comparación  (McCrimmon  y  Ryavec  1964;  Moders  y  Rogers  1968),  
para  justificar  una  expresión  específica  (Littlefield  y  Randolph  1987;  Golenko­Ginzburg  1989 ). ;  
Chae  y  Kim  1990;  Kamburowski  1997;  Herrerías  et  al.  2003),  o  proponer  nuevas  aproximaciones  
a  los  valores  (ver  Kotiah  y  Wallace  1973;  Farnum  y  Stanton  1987;  Premachandra  2001;  Shankar  
et  al.  2010).
En  nuestra  opinión,  el  supuesto  de  distribución  beta  podría  evitarse.  Por  lo  tanto  tenemos
desarrolló  los  siguientes  casos  2.2  y  2.3,  que  consideran  la  información  menos  disponible.

2.2  Un  escenario  más  general:  el  caso  unimodal  con  modo  conocido

En  esta  situación,  la  única  información  disponible  es  que  T  es  unimodal  con  un  modo  dado  por  M.  
Esto  da

F1  ≡  Q(2)  f     Q(0),  unimodal  con  Moda  en  M ,

donde  Q(0)  es  la  clase  de  todas  las  distribuciones  continuas  con  dominio  en  [a,  b].

123
Machine Translated by Google

Resolución  operativa  anual

2  f t 2 t
F
8
1.0

6 0.8

0.6
4 METRO  0.5

0.4

2 METRO  0.2 METRO  0.8

0.2

0  0.0 0.2 0.4 0.6 0.8 t  1.0 0.2 0.4 0.6 0.8 t  1.0

Fig.  1  Función  de  densidad  f  (2)(t)  y  función  de  distribución  acumulada  F(2)(t)  en  el  intervalo  [0,  1]  para  valores  de  la  moda,  M  0.2,  0.5  y  0.8

La  distribución  de  entropía  máxima  para  esta  clase  Q(2)  (ver  "Apéndice  A.2"  para  más  detalles)  viene  
dada  por

M−a
1  ln  
b−a M−t ,
t     [un,  M)
(2)  f  (t) (12)
b−M  
1  ln   t     ( METRO,  segundo]
b−a t−M ,

Se  puede  demostrar  que  f  (2)  (t)  es  una  densidad  propia.  f  (2)  (·/M)  es  una  función  continua  excepto  
en  t  M,  donde  tiene  una  discontinuidad  infinita,  pero  esto  no  es  un  inconveniente  serio.  De  hecho,  
la  definición  de  unimodalidad  contempla  la  posibilidad  de  discontinuidad  infinita  en  la  abscisa  del  
modo  (Feller  1968).  La  función  de  distribución  acumulativa  de  f  (2)  (t)  viene  dada  por
t−a  ln  +  bM−t  
−a   M−t
b−a
M−a
;  t     [un,  M)
M−a t  M
F(2)  (t) b­a ;
(13)
t­a   + t−M  ln   b−M  
;  t     ( METRO,  segundo]
b­a b−a t−M

Para  ilustrar  la  situación  anterior,  la  Fig.  1  muestra  varios  casos  de  la  función  de  densidad  f  (2)(t)  
en  el  intervalo  [0,  1]  y  los  valores  de  la  moda.  La  forma  de  la  densidad  es  típica,  con  cambios  a  la  
derecha  dependiendo  del  valor  de  la  moda.  La  parte  derecha  de  la  Fig.  1  muestra  varios  casos  de  
la  función  de  distribución  acumulada  F(2)(t)  e  indica  diferentes  patrones  de  crecimiento  de  la  
función  dependiendo  del  valor  de  la  moda.
En  este  contexto,  las  estimaciones  propuestas  para  μ  y  σ2  son  los  valores  de  la  media  y  la  
varianza  de  la  distribución  f  (2)(t),  respectivamente.

μˆ[5]  ≡  ̂μ[2],

2  
(a  ­  b) 2 +  6  (un  −  M)  2 +  6  (b  −  M) 2
σˆ   . (14)
[5] 144

Nota  1  Para  el  análisis  numérico  de  la  Secc.  3,  es  útil  saber  la  cantidad  de  probabilidad  que  
razonablemente  puede  asignarse  al  intervalo  tomado  como  intervalo  modal.  Esta  es  una  buena  
aproximación  para  contemplar  intervalos  centrados  en  el  valor  de  la  moda,  por  lo  que  determinamos  
la  probabilidad  de  estos  intervalos  utilizando  la  distribución  de  máxima  entropía  relacionada  con  
este  valor  de  la  moda.  Estas  probabilidades  se  utilizan  en  la  ilustración  numérica  presentada  en  la  
siguiente  sección.

123
Machine Translated by Google

Resolución  operativa  anual

Ahora  consideramos  el  intervalo  [M  −  δ,  M  +  δ],  con  δ  >  0.  La  probabilidad  de  este  tipo  de
intervalo,  anotado     (M,  δ),  donde  δ  es  el  radio,  viene  dado  por
2δ d (b  −  M)(M  −  a)  δ2
(M,  δ)  F(2)(M  +  δ)  −  F(2)(M  −  δ) +  b  ­  un ln   .
segundo  ­  un

a+b  
Además,     (M,  δ)  es  simétrico  en  M  con  respecto  a  M  y,  como  era  de  esperar,  aumenta  
2 monótonamente  
∂ a+b  
en  δ.  Así,  ∂  M     (M,  δ)  es  positivo  para  M  <  yprimer  
  negativo  
en  
yc  d
caso   aso  contrario,  
en  el  stal  
ecrece   que     (M,  δ2)  crece  en  M  en  el  
egundo.

La  Tabla  1  muestra  los  valores  de     (M,  δ)  para  el  intervalo  [a,  b] [0,  1].  Consideramos  dos  tipos  de  

intervalo:  con  radio  δ  0.05  y  radio  δ  0.1.  La  Tabla  1  da  vintervalo  
alores  “razonables”   para  
modal,  y  estos   la  ú
son   ptiles  
robabilidad   de  un  
en  la  siguiente  
sección.
El  caso  final  se  considera  como  una  aproximación  razonable  del  valor  real  de  la  moda  analizada  
anteriormente.  Aquí,  consideramos  un  intervalo  más  o  menos  estrecho,  señalado  [a1,  b1],  que  refleja  una  
alta  probabilidad,  es  decir,  es  un  intervalo  modal  cuya  probabilidad  se  conoce.

2.3  El  caso  de  intervalo  de  probabilidad  conocido

La  información  disponible  es  la  probabilidad  de  un  subconjunto  del  dominio  de  definición,  [a1,  b1]     [a,  b].  
esto  produce
b1
F1  ≡  Q(3)  f     Q(0),  tal  que  ∫  f  (t)dt  ε,  con  ε     [0,  1]  conocido
a1

La  distribución  de  entropía  máxima  para  esta  clase  Q(3)  (ver  "Apéndice  A.2"  para  más  detalles)  viene  dada  
por

  1−ε ;  t     [a,  a1)  b−a+a1−b1

ε (15)
f  (3)(t) ;  b1−a1   t     [a1,  b1)

1−ε ;  t     [b1,  b]  
b−a+a1−b1

Las  estimaciones  propuestas  para  μ  y  σ2  son  los  valores  de  la  media  y  la  varianza  de  la  distribución  f  (3)  
(t),  respectivamente.
ε 1  −  ε   b2  ­  a2  ­  b2  +  a2
1 1
μ[6] (a1  +  b1)  +  2 , (dieciséis)
2 segundo  ­  un  ­  b1  +  a1

(1  −  ε)(b3  −  a3  −  b3  +  a31 1
)
2  
+  ε +  a2 (17)
σˆ  
[6] 1 1 +  a1b1  −  μˆ[6]2 .  b2  
3(b  −  a  −  b1  +  a1)

Nota  2  Si  el  intervalo  modal  está  en  el  punto  medio  del  dominio  de  definición,  es  decir,  [a1,  b1]
a+b  
2  
−  δ; a+b  +  d  2 , con  δ  >  0,  la  media  y  la  mediana  de  f  (3)(t)  coinciden  y  son  iguales  cualquiera  que  
a+b a+b  
2 .  Por  lo  tanto,μˆ[6] sea  el  valor  del  radio  y  la  probabilidad  del  intervalo.  4δ2+2(b−a)(1−ε)δ+(a−b)  
2 ,
2 2(1−ε)
La  estimación  de  la  varianza  viene  dada  por  σˆ  [6]   12
, que  depende
sobre  δ  y  ε.

Nota  3  Una  pregunta  interesante  es  si  existe  un  valor  para  ε,  la  probabilidad  del  intervalo  [a1,  b1],  que  sea  
exactamente  equivalente  al  valor  de  la  moda,  es  decir,  μˆ[6] ˆμ[5].

En  la  estimación  de  la  media,  existe  una  probabilidad  ε  tal  que  μˆ[6]  cuando   ˆμ[5]  y  esto  ocurre  Este  
ε b1−a1  
1  +  b−a . valor  de  ε  varía  de  ε  0.5  (cuando  b1  a1  M)  a  ε  1
1  2

123
 123
0.10 0.05 d Tabla  
1  
Valores  
de  
probabilidad  
del  
intervalo  
M[ −  
δ,  
M  
+  
δ]  
para  
varios  
valores  
de  
la  
moda  
M  
y  
del  
radio  
δ
0.4198 0.2792 0.10 METRO
0.4546 0.2966 0.15
0.4773 0.3079 0.20
0.4931 0.3159 0.25
0.5045 0.3215 0.30
0.5125 0.3255 0.35
0.5178 0.3282 0.40
0.5209 0.3298 0,45
0.5219 0.3303 0.50
Resolución  operativa  anual
Machine Translated by Google
Machine Translated by Google

Resolución  operativa  anual

a+2M+b  
(cuando  [a1,  b1]  [a,  b]).  Para  el  valor  extremo  ε  0.5,  se  sigue  que  μˆ[6]  μˆ[5],  y  para  el  valor  extremo  ε  1,   como  en  4
a+b  
se  sigue  que  μˆ[6]  ̂σ2  para  ε  conducen  a  soluciones  desordenadas,  por  lo  que  estas  [5] 2 .
2
Los  resultados  generales  para  la  ecuación  σˆ  [6]
se  omiten  los  resultados.

Nota  4  La  estimación,μˆ[6]  como  función  de  la  probabilidad  ε,  es  una  función  monótona  con  y  a1+b1  2 ,  
b2−a2−b2  1+a2  
valores  extremos  para  ε  0  y  para  ε 1,  a  saber 1  2(b−a−b1+a1)
respectivamente.   Sdi  ecrece  
+  b,  μˆ[6]   a1  +  b1  
e<n  
  aε  .  

Si  a1  +  b1  >  a  +  b  ocurre  lo  contrario.

Los  valores  extremos  de  μˆ[6],  en  función  de  ε,  se  obtienen  para  valores  inverosímiles  de  ε.  En  consecuencia,  
el  intervalo  de  variación  de  μˆ[6]  es  excesivamente  grande  y  sólo  tiene  una  función  ilustrativa.

Nota  5  El  comportamiento  de  μˆ[6],  en  función  de  la  longitud  del  intervalo  [a1,  b1],  se  obtiene  directamente  tomando  
b1  a1  +  δ,  donde  δ  >  0  es  la  
longitud  
+  (1  −  ε)  d0el  
,  yi  ntervalo.  
Los  
δ  vbalores  
por  cuando   extremos,  
  −  a  (en   sin  
ε interés  práctico,  vienen  dados  por  εa1  
este  caso  
a+b   a+b  
2 cuando  d 2
1).

Si  δ  <  (b  −  a)  −  √2(1  −  ε)(b  −  a)(a1  −  a),  entonces  μˆ[6]  aumenta  con  la  longitud  del
intervalo  y  ocurre  lo  contrario  para  la  desigualdad  inversa.
2
Nota  6  La  estimación  σˆ  [6] es  un  polinomio  de  segundo  grado  en  ε.  El  rango  de  variación  para  0,  ε  1,  y  para
2
ε     [0,  1]  se  obtiene  eligiendo  adecuadamente  entre  σˆ  [6] para  ε
2
ε ˆε,  donde  εˆ  es  la  única  raíz  de  ∂  σˆ  [6] /∂ε.  Los  valores  para  ε  0  y  ε 1  son
2
a3−b3+(b1−a1)  a2  1+a1b1+b2  1   − −a2+a2  1+b2−b2   2 2
y  (b1−a1) ,  respectivamente.  El  análisis  de  σˆ  como  [6]
3(a−a1−b+b1) 1  4(−a+a1+b−b1)2 12
una  función  de  la  longitud  del  intervalo  [a1,  b1]  es  tediosa  y  desordenada,  y  por  lo  tanto  se  ha  omitido.

3  Análisis  numérico  y  comparativo

En  esta  sección,  analizamos  y  comparamos  las  estimaciones  descritas  anteriormente.  Para  ello,  primero  consideramos  
el  rango  de  variación  de  las  estimaciones  relacionadas  con  el  dominio  de  la  variable.  Así,  comparamos,  para  las  seis  
estimaciones  de  la  media,  la  proporción  del  dominio  de  definición  en  la  que  la  estimación  propuesta  no  presenta  
ningún  valor.  Este  valor,  expresado  en  porcentaje,  viene  dado  por  1  −  ·  100,  donde  el  rango  de  variación  (RV)  se  
RV  
obtiene  como  la  diferencia  entre  el  valor  
b­amáximo  (Max)  y  el  mínimo  posible  (Min)  de  la  estimación  en  cuestión.

Como  muestra  la  Tabla  2 ,  estos  porcentajes  son  directamente  comparables  para  las  primeras  cinco  estimaciones  
y  las  magnitudes  son  considerables.  Para  la  última  estimación,  el  resultado  depende  de  los  valores  del  intervalo  
modal,  pero  se  puede  demostrar  fácilmente  que,  también  en  este  caso,  las  magnitudes  son  sustanciales.

A  continuación,  comparamos  las  estimaciones,  pero  teniendo  en  cuenta,  como  se  mencionó  anteriormente,  que  
desde  nuestro  punto  de  vista  no  hay  posibilidad  de  comparar  la  calidad  de  las  estimaciones  a  partir  de  los  resultados.
Nuestra  propuesta  es  que  la  calidad  de  las  estimaciones  pueda  determinarse  por  el  hecho  de  que  sólo  se  utiliza  la  
información  disponible.  En  consecuencia,  nuestro  objetivo  es  examinar  cómo  cambian  las  estimaciones  cuando  se  
agrega  nueva  información  y  determinar  los  riesgos  que  se  deben  asumir  cuando  se  obtienen  estimaciones  utilizando  
esta  información,  especialmente  cuando  la  información  ha  sido

123
Machine Translated by Google

Resolución  operativa  anual

Tabla  2  Valores  mínimos  (Min)  y  máximos  (Max)  posibles  de  las  estimaciones  μˆ[i],  i dieciséis

RV  
μ[i] máx. mínimo RV  =Máx–Mín 1  −  b−a ·  100

5a+b   a+5b   2(b−a)  

μˆ[1]  ≡  ̂μ[3]   6 6   3
33%

μˆ[2]  ≡  ̂μ[5]   0,75a  +  0,25b 0.25a  +  0.75b 0.5(b  ­  a)   50%

μˆ[4] 0,795a  +  0,2053b b 0.795  (b­a) 20,52%

a2−a2  1−b2+b2   (a−b)(a−a1+b−b1)   3a−3a1−b+b1   %

μ[6] 0.5(a1  +  b1) 1  2(a−a1−b+b1) 2(a−a1−b+b1) 2(a−a1−b+b1)

Rango  de  variación  (RV)  de  la  estimación  y  la  parte  del  dominio  donde  las  estimaciones  no  presentan  ningún  valor,  1  −  b−a ,  
casa  rodante

expresado  como  porcentaje  del  dominio

añadido  por  conveniencia  analítica.  Los  análisis  numéricos  se  presentan  en  orden,  de  menor  a  mayor  
información  disponible,  es  decir,  en  orden  inverso  a  los  análisis  mostrados  en  la  Secc.  2.
Para  mayor  claridad,  todos  los  análisis  numéricos  se  realizan  con  el  intervalo  [a,  b] [0,  1].

(A)  Comenzamos  con  la  situación  que  involucra  la  menor  información  disponible,  cuando  conocemos  
el  intervalo  modal  y  su  probabilidad,  como  en  la  Secc.  2.3.  Considere  un  grupo  de  intervalos  modales  
que  abarcan  el  intervalo  [0,  1].  Luego,  seleccione  dos  tipos  de  intervalo  para  representar  varios  niveles  
de  imprecisión.  Las  probabilidades  para  los  intervalos  se  toman  de  la  Tabla  1  y  se  tienen  en  cuenta  
todas.  Los  resultados  obtenidos  en  este  caso  se  muestran  en  la  Tabla  3  (para  radio  δ  0,05)  y  la  Tabla  
4  (para  radio  δ  0,1).  Ambas  tablas  
consideran  
práctica.   valores  
los  d
Aunque   e  probabilidad  
intervalos   ε  razonables  
modales   para  sue  
seleccionados   na  aplicación  
encuentran  
dentro  del  intervalo  [0,  1]  para  completar,  en  nuestra  opinión  es  razonable  suponer  que  estos  intervalos  
no  están  en  una  ubicación  extrema,  es  decir,  por  debajo  de  0,2  o  por  encima  de  0,8.

Los  cuadros  3  y  4  presentan  idéntico  comportamiento  en  las  estimaciones.  Para  un  valor  fijo  de  la  
probabilidad,  la  estimación  de  la  media  aumenta  a  medida  que  el  intervalo  modal  se  mueve  hacia  la  
derecha,  como  se  esperaba.  Este  aumento  se  acentúa  a  medida  que  crece  la  probabilidad  ε.  En  el  caso  
de  la  varianza,  el  comportamiento  es  completamente  simétrico  respecto  al  intervalo  central  del  dominio  de  
definición.  La  estimación  de  la  varianza  disminuye  hasta  el  intervalo  que  incluye  el  punto  medio  del  
dominio  de  definición  y  luego  aumenta.
Para  un  valor  fijo  del  intervalo  modal  por  debajo  del  intervalo  central  del  dominio,  la  estimación  de  la  
media  disminuye  a  medida  que  crece  la  probabilidad,  a  partir  de  la  cual  aumenta  cuando  el  intervalo  
modal  es  mayor  que  el  central.  Para  los  intervalos  al  lado  del  central,  las  diferencias  entre  las  estimaciones  
de  las  Tablas  3  y  4  son  insignificantes.  En  esta  situación,  hay  poca  diferencia  entre  las  tablas.  La  
estimación  de  la  varianza  disminuye  a  medida  que  crece  la  probabilidad,  excepto  en  los  intervalos  más  
extremos  de  la  Tabla  3.

(B)  Ahora,  agregamos  la  suposición  de  que  f  (t)  es  unimodal  y  que  se  conoce  el  valor  de  la  moda,  
como  en  la  Secc.  2.2.  La  Tabla  5  muestra  estas  estimaciones.

Ahora,  comparamos  las  tablas  3  y  4  con  la  tabla  5  para  examinar  cómo  cambian  las  estimaciones  
propuestas  cuando  se  agrega  nueva  información.  En  este  caso,  la  nueva  información  consiste  en  que  el  
experto  identifica  un  valor  singular  en  el  intervalo  modal,  como  por  ejemplo  la  moda.  Las  estimaciones  se  
comparan  por  cociente  en  la  Tabla  6  (para  radio  δ  0,05)  y  en  la  Tabla  7  (para  radio  δ  0,1).
El  comportamiento  reflejado  es  similar  en  ambas  tablas.
Para  un  valor  fijo  de  la  probabilidad,  los  cocientes  de  la  media  aumentan  a  medida  que  el  intervalo  
modal  se  desplaza  hacia  la  derecha  e  incluyen  el  valor  100,  lo  que  indica  que  las  dos  estimaciones  coinciden.
Nuevamente,  hay  una  ligera  diferencia  al  lado  del  intervalo  central,  donde  las  desviaciones  varían

123
123
0,85–
0,95 0,75–
0,85 0,65–
0,75 0,55–
0,65 0,45–
0,55 0,35–
0,45 0,25–
0,35 0,15–
0,25 0,05–
0,15 Intervalo  
modal Tabla  
3  
Valores  
de  
ˆμ[6]  
y  
ˆσ2[6]  
para  
intervalo  
modal  
con  
radio  
δ  
=  
0.05  
y  
valores  
para  
probabilidades  
ε  
=  
0.15,  
0.20,  
0.30,  
0.40  
y  
0.55
0.522 0.517 0.511 0.506 0.500 0.494 0.489 0.483 0.478 0.15 μ[6] ˆ
0.544 0.533 0.522 0.511 0.500 0.489 0.478 0.467 0.456 0.20
0.589 0.567 0.544 0.522 0.500 0.478 0.456 0.433 0.411 0.30
0.633 0.600 0.567 0.533 0.500 0.467 0.433 0.400 0.367 0.40
0.700 0.650 0.600 0.550 0.500 0.450 0.400 0.350 0.300 0,55
0.087 0.084 0.081 0.079 0.079 0.079 0.081 0.084 0.087 0.15 σ2[6]
0.090 0.083 0.078 0.075 0.074 0.075 0.078 0.083 0.090 0.20
0.093 0.081 0.072 0.067 0.060 0.067 0.072 0.081 0.093 0.30
0.091 0.076 0.065 0.058 0.056 0.058 0.065 0.076 0.091 0.40
0.082 0.065 0.052 0.045 0.042 0.045 0.052 0.065 0.082 0,55
Resolución  operativa  anual
Machine Translated by Google
 123
0,7–
0,9 0,6–
0,8 0,5–
0,7 0,4–
0,6 0,3–
0,5 0,2–
0,4 0,1–
0,3 Intervalo  
modal Tabla  
4  
Valores  
de  
ˆμ[6]  
y  
ˆσ2[6]  
para  
intervalo  
modal  
con  
radio  
δ=  
0.1  
y  
valores  
para  
probabilidades  
ε  
=  
0.25,  
0.30,  
0.40,  
0.50  
y  
0.60
0.519 0.513 0.506 0.500 0.494 0.488 0.481 0.25 μ[6] ˆ
0.538 0.525 0.513 0.500 0.488 0.475 0.463 0.30
0.575 0.550 0.525 0.500 0.475 0.450 0.425 0.40
0.594 0.575 0.538 0.500 0.463 0.425 0.388 0.50
0.650 0.600 0.550 0.500 0.450 0.400 0.350 0,60
0.084 0.081 0.079 0.078 0.079 0.081 0.084 0.25 σ2[6]
0.083 0.078 0.074 0.073 0.074 0.078 0.083 0.30
0.080 0.071 0.065 0.063 0.065 0.071 0.080 0.40
0.074 0.063 0.056 0.053 0.056 0.063 0.074 0.50
0.066 0.053 0.046 0.043 0.046 0.053 0.066 0,60
Resolución  operativa  anual
Machine Translated by Google
123
El  
rango  
de  
variación  
ˆμ[5]  
es  
0.4  
y  
para  
ˆσ2[5]  
es  
0.0133.  
ˆμ[5]  
coincide  
con  
ˆμ[6]  
para  
ε  
0.55  
cuando  
δ  
0.05  
(como  
en  
la  
Tabla  
4)  
y  
para  
ε  
0.6  
cuando  
δ  
0.1  
(como  
en  
la  
Tabla  
4) σ2[5] μ[5] ˆ METRO Tabla  
5  
Valores  
de  
ˆμ[5]  
y  
ˆσ2[5]  
para  
varios  
valores  
de  
la  
moda  
M
0.041 0.30 0.10
0.035 0.35 0.20
0.031 0.40 0.30
0.029 0,45 0.40
0.028 0.50 0.50
0.029 0,55 0,60
0.031 0,60 0.70
0.035 0,65 0.80
0.041 0.70 0.90
Resolución  operativa  anual
Machine Translated by Google
Machine Translated by Google

Resolución  operativa  anual

2 2
Tabla  6  Cocientes  [μˆ[5]/μˆ[6]]  ·  100  y  σˆ  [5]/σˆ [6] ·  100

2   2
Intervalo   [μˆ[5]/μˆ[6]]  ·  100 σˆ ·  100
[5]/σˆ[6]
modal

0.15 0.20 0.30 0.40 0.15 0.20 0.30 0.40

0,05–0,15 62.8 65.7 73.0 81.8 47.2 45.7 44.3 45,0

0,15–0,25 72.4 75,0 80.8 87.5 42.3 42.5 43.8 46.6

0,25–0,35 81.8 83.7 87.8 92.3 38.5 39.8 43.3 48.1

0,35–0,45 91.0 92.0 94.2 96.4 36.1 38.1 42,9 49.2

0,45–0,55 100.0 100.0 100.0 100.0 35.3 37.5 46.3 49.8
0,55–0,65 108.8 107.6 105.3 103.1 36.1 38.1 42,9 49.2
0,65–0,75 117.4 114.9 110.2 105.9 38.5 39.8 43.3 48.1

0,75–0,85 125.8 121.9 114.7 108.3 42.3 42.5 43.8 46.6

0,85–0,95 134.0 128.6 118.9 110.5 47.2 45.7 44.3 45,0

2
μˆ[6]  y  σˆ  se  
calculan  
0,30  pyara  
0,20,   intervalos  
μˆ[5]  y  m
  0,40.   σodales,  
ˆ con  radio  δ  [6]  =  0,15,   0.05,  y  los  valores  de  la  probabilidad  ε
2
se  calculan  con  la  moda  como  el  punto  medio  del  intervalo  modal  [5]

2 2
Tabla  7  Cocientes  [μˆ[5]/μˆ[6]]  ·  100  y  σˆ  [5]/σˆ [6] ·  100

2   2
Intervalo   [μˆ[5]/μˆ[6]]  ·  100 σˆ ·  100
[5]/σˆ[6]
modal

0.25 0.3 0.40 0.50 0.25 0.30 0.40 0.50

0,10–0,30 72.7 75.7 82.4 90.3 42.2 42.4 44.0 47.4

0,20–0,40 82.1 84.2 88,9 94.1 38.5 40,0 43,9 49.6

0,30–0,50 91.1 92.3 94.7 97.3 36.2 38.4 43,9 51.3

0,40–0,60 100.0 100.0 100.0 100.0 35.5 37,9 43,9 52.2

0,50–0,70 108.6 107.3 104.8 102.3 36.2 38.4 43,9 51.3

0,60–0,80 117.1 114.3 109.1 104.3 38.5 40,0 43,9 49.6

0,70–0,90 125.3 120.9 113.0 109.5 42.2 42.4 44.0 47.4

2
μˆ[6]  y  σˆ  se  
calculan  
0,40  pyara  
0,30,   intervalos  
μˆ[5]  y  m
  0,50.   σodales,  
ˆ con  radio  δ  [6]  =  0,25,   0,10,  y  los  valores  de  la  probabilidad  ε  se  
2
calculan  con  la  moda  como  punto  medio  del  intervalo  modal  [5]

del  3  al  9%.  En  el  caso  de  la  varianza,  los  cocientes  decrecen  hasta  el  intervalo  central  y  2  luego  
aumentan  simétricamente.  Estos  cocientes  están  siempre  por  debajo  de  100,  tal  que  σˆ  2<  σ [6].
ˆ  [5]  
Además,  las  desviaciones  entre  las  dos  estimaciones  son  mayores  que  en  el  caso  de  la  media.  La  
desviación  más  pequeña  es  casi  48%.
Para  un  valor  fijo  del  intervalo  modal,  las  desviaciones  entre  μˆ[5]  y  μˆ[6]  disminuyen  como
la  probabilidad  crece.

(C)  Finalmente,  agregamos  al  caso  anterior  la  suposición  de  que  la  distribución  subyacente  es  
beta  (como  en  la  Sección  2.1)  y  los  casos  que  agregan  una  suposición  adicional  a  la  distribución  
beta  (como  las  Secciones  2.1.1  y  2.1.2) .  Luego  analizamos  las  consecuencias  de  agregar  estos  
supuestos  comparando  los  pares  de  estimaciones  para  cada  caso  cuando  [a,  b]  se  particulariza  
a  [0,1].  Este  procedimiento  nos  permite  comparar  los  resultados  obtenidos  con  las  estimaciones

123
Machine Translated by Google

Resolución  operativa  anual

Tabla  8  Cocientes  para  varias  estimaciones  de  μ  y  σ2,  como  porcentajes,  considerando  el  intervalo  [a,  b]  [0,  1]  valores  de  la  
moda  M  de  0.1  a  0.9  y  algunos  valores  especiales  de  la  moda  para  estas  comparaciones

METRO σˆ
2 2 σˆ
2   2 σˆ
2 2 σˆ
2 2 σˆ
2 2
[5]/σˆ[2] μˆ[5]/μˆ[1] [5]/σˆ[1] [5]/σˆ[3] μˆ[5]/μˆ[4] [2]/σˆ[4] [2]/σˆ[3]

0.09175 100

0.10 97.8 128.6 148.0 160.9 123.8 151.1 163.9

0.2 77.6 116.7 127.0 117.6 119.5 163.7 151.7

0.26751 100

0.30 64.8 109.1 112.0 93.8 112.6 172.7 144.5

0.40 57.8 103.9 103.0 81.6 105.7 178.1 141.0

0.50 55,6 100 100.0 77.8 100 179.9 140.1

0,60 57.8 97.1 103.0 81.6 95.8 178.1 141.0

0.70 64.8 94.7 112.0 93.8 93.0 172.7 144.5

0.7325 100

0.80 77.6 92,9 127.0 117.6 91,9 163.7 151.7

0.90 97.8 91.3 148.0 160.9 92.4 151.1 163.9

0.90825 100

propuesta  por  Malcolm  et  al.  (1959).  Los  resultados  del  análisis  numérico  se  muestran  en  la  Tabla  8.

Comparación  de  las  estimaciones  obtenidas  en  las  Seccs.  2.1  y  2.2  muestra  que  μˆ[5]  ≡  ̂μ[2].  Para  σ2
a+b   − b a+b  b  +  2
observamos  que  para  cualquier  valor  de  la  moda  perteneciente  al  intervalo 2
,
√−a  6 √−a  6
2
[en  la  Tabla  8  como  (0.09175,  0.90825)],  σˆ  El  
intervalo  
Por   <  σˆ  indicado  tiene  una  longitud  de  [5]  0.8165  (b  −  a).  
l2  
o   tanto,  
[2]. la  desigualdad  indicada  en  la  estimación  de  la  
varianza  ocurre  en  la  mayoría  de  los  casos.  La  segunda  columna  del  Cuadro  8  revela  la  intensidad  de  la  
diferencia,  que  alcanza  el  44,4%.

Además,  al  comparar  nuestros  resultados  con  los  de  Malcolm  et  al.  (1959)  observamos  que  μˆ[5]  <  
a+b  
μˆ[1]  si  y  solo  si  M  >  La  intensidad  de  la  divergencia  
2 . tercera  
entre  
clolumna  
as  dos  edstimaciones  
e  la  Tabla  8.  
(28.6%)  
Con  respecto  
se  refleja  
a  la  
evn  
arianza,  
la  
se  2  verifica  que  σˆ  siempre.  La  cuarta  columna  de  la  Tabla  8  muestra  que  la  diferencia  es  [5]
2  >  σˆ  
[1]
48,0%.
En  aras  de  la  exhaustividad,  también  consideramos  algunos  supuestos  adicionales  a  la  distribución  beta  
(como  en  las  secciones  2.1.1  y  2.1.2),  comparando  estas  estimaciones  con  las  de  las  secciones.  2.1  y  2.2,  
y  analice  las  consecuencias  de  estos  supuestos  adicionales.
Como  tenemos  μˆ[3]  ≡  ̂μ[1],  la  comparación  entre  μˆ[5]  y  μˆ[3]  es  como  se  describe  en  el  párrafo  anterior,  
y  la  divergencia  entre  ellos  es  como  se  muestra  en  la  tercera  columna  de  la  Tabla  2  8.  Para  la  varianza,  se  
2 sigue  que  σˆ  <  σˆ  si  la  moda  cae  dentro  del  
intervalo  [5]  [3],

a+b   − a+b  
(b  ­  a), +  2 (b  −  a),  es  decir  (0.26751,  0.7325)  en  la  Tabla  8.  La  longitud
2 2  37 2  37

del  intervalo  es  0.465  (b  −  a).  La  quinta  columna  de  la  Tabla  8  muestra  el  análisis  numérico,  según  el  cual  la  
diferencia  es  del  60,9%.
Los  resultados  de  la  comparación  entre  las  estimaciones  obtenidas  en  la  Secc.  2.2  y  los  de  la  Secc.  
2.1.2,  en  el  caso  de  la  media,  se  muestran  en  la  sexta  columna  de  la  Tabla  8.  Aquí,  se  puede  ver  que  μˆ[5]  
a+b  
>  μˆ[4]  si  y  solo  si  M  <  La  diferencia  es  23.8%.  Para  
2 . la  
[5]
varianza,  la  comparación  es  la  misma  que  para  σˆ  
2
2  y  σˆ  [1].

123
Machine Translated by Google

Resolución  operativa  anual

Comparación  de  las  estimaciones  de  las  Seccs.  2.1  y  de  2.1.1  muestra  que  los  resultados  para  la  media  
son  los  mismos  que  en  la  comparación  entre  μˆ[5]  y  μˆ[1].  En  el  caso  de  la  varianza,  2  2  se  sigue  que  σˆ  
>  σˆ  siempre.  Los  resultados  numéricos  se  muestran  en  la  última  columna  de  [2]  [3]

Cuadro  8,  donde  con  comportamiento  simétrico,  la  diferencia  es  del  63,9%.
Finalmente,  comparando  las  estimaciones  de  las  Seccs.  2.1  y  2.1.1,  vemos  que  el  resultado  es  el  2  y  σˆ  
2 [1] para  el  [2]  
lo  mismo  que  en  la  comparación  de  μˆ[5]  y  μˆ[4]  en  el  caso  de  la  media  y  como  σˆ  
varianza.  Se  comprueba  que  σˆ  [22] 2  >  σˆ  cualquiera  que  sea  el  valor  de  la  moda.  Los  resultados  numéricos  
[4]  se  muestran  en  la  séptima  columna  de  la  Tabla  8,  con  una  
diferencia  del  79,9%.

4.  Conclusiones

En  este  artículo  presentamos  estimaciones  en  PERT  utilizando  la  distribución  de  máxima  entropía,  mostrando  
que  la  media  y  la  varianza  se  pueden  estimar  utilizando  solo  la  información  proporcionada  por  un  experto,  
sin  requerir  otras  suposiciones.  Examinamos  estimaciones  cuando  el  experto  indica  la  probabilidad  de  un  
intervalo  y  comparamos  estas  estimaciones  con  las  obtenidas  cuando  se  conoce  la  moda.

Las  estimaciones  así  derivadas  fueron  examinadas  para  varios  casos  propuestos  en  la  literatura,  y  
calculamos  cuánto  cambiarían  las  estimaciones  a  medida  que  se  agregara  nueva  información,  y  el  riesgo  
que  se  debe  asumir  en  cada  caso.
La  principal  conclusión  que  se  extrae  de  nuestro  estudio  es  que  las  estimaciones  difieren  de  forma  muy  
significativa  cuando  se  incorpora  información  adicional.  Por  lo  tanto,  en  nuestra  opinión,  no  se  debe  
,
incorporar  información  adicional  a  la  distribución  de  la  variable  T  a  menos  que  esté  plenamente  
justificada.

Los  hallazgos  presentados  en  este  documento  podrían  ser  muy  útiles  para  los  profesionales,  ya  que  
destacan  las  implicaciones  para  los  tiempos  de  duración  del  proyecto  si  se  hacen  ciertas  suposiciones.  
Además,  proporcionamos  una  descripción  general  completa  de  la  literatura  en  este  campo  y  proponemos  un  
método  alternativo  para  obtener  la  media  y  la  varianza  en  el  contexto  de  PERT.

Agradecimientos  AHB  gracias  al  Proyecto  ECO2017­85577­P.  Los  autores  agradecen  los  valiosos  comentarios  de  los  
revisores  anónimos  y  del  editor  en  jefe.

Cumplimiento  de  normas  éticas

Conflicto  de  interés  Los  autores  no  reportan  ningún  conflicto  de  interés.  Los  autores  son  los  únicos  responsables  del  
contenido  y  redacción  de  este  documento.

Apéndice

Los  resultados  que  se  muestran  en  este  Apéndice  son  de  “Distribuciones  de  máxima  entropía  con  
restricciones  de  posición  y  unimodalidad”,  un  documento  de  trabajo  inédito,  Universidad  de  Las  Palmas  de  
Gran  Canaria  (2009)  disponible  a  pedido  de  los  autores.
Dadas  dos  distribuciones  con  función  de  densidad  de  probabilidad  (pdf)  f  (x)  y  g(x),  la  divergencia  
Kullback­Leibler  o  entropía  relativa  de  f  con  respecto  a  g  está  definida  por  f  (x)
DK  L  [ f :  g]  ∫  f  (x)  ·  log  dx,  donde  g(x)  
es  la  dlistribución  
acotado,   de  rdeferencia.  
a  distribución   En  
ens  
e  referencia   uestro   caso,  g(x)  
la  distribución  U  enn  
i  fu  on  
dominio  
rm[a,  
b] .  Si  
consideramos  restricciones  escritas  como  E  f  [gk  (t)]  μk ,  para  k  1, ... ,  m,  donde  gk  (t)  son  funciones  
conocidas  y  μk  son  valores  fijos  y  conocidos.  Entonces,  max  {−DK  L  [ f :  g]},  sujeto  a  E  f  [gk  (t)]  μk ,

123
Machine Translated by Google

Resolución  operativa  anual

metro

para  k  1, ... ,  m;  tiene  la  solución  f  (t)     exp λkgk  (t) ,  donde  la  constante  de  proporción

1
nalidad  f  (t)  es  una  función  de  densidad  y  λk  están  dadas  por  las  restricciones.

La  mínima  divergencia  de  la  distribución  de  la  forma  U  ni  [a,  b]  es  la  menor  información  posible  sujeta  a  la  restricción  de  
pertenecer  a  la  clase  Q .

A.1.  Obtención  de  f  (3)(t)  En  este  caso  los  supuestos  son  g0(t)  g1(t)  1[a1,   1[a,  b](t)  con  μ0  =  1,  y,
b1](t)  con  μ1  ε.
A.2.  Obtención  de  f  (2)(t).  Para  obtener  f  (2)(t)  se  realizan  las  siguientes  afirmaciones  (sin  prueba)
son  necesarios.

La  siguiente  Proposición  1  se  conoce  como  la  caracterización  de  Khintchine.

Proposición  1  (ver  Feller  1968).  Una  variable  aleatoria  T  es  unimodal  con  moda  en  M  si  y  solo  si  T−M=UZ  donde  U  
es  una  variable  aleatoria  que  sigue  una  distribución  de  forma  U  en  [0,  1]  y  Z  es  una  variable  aleatoria  independiente  
de  U.

En  adelante,  g(z)  denota  la  función  de  densidad  desconocida  de  la  variable  aleatoria  Z.  La
siguiente  proposición  conecta  la  función  de  densidad  de  probabilidad  de  T  con  la  de  Z.

Proposición  2  Sea  T  una  variable  aleatoria,  unimodal  con  moda  en  M,  entonces  f  (t)  se  puede  escribir  como:

∞
1
g(z)  · dz;  si  t  ≥  M
z
t−M  t   .
f  (t) −  M
1
g(z)  · dz;  si  t  <  M
−z
−∞

La  Proposición  3,  a  continuación,  nos  permite  especificar  restricciones  sobre  T  como  restricciones  sobre  Z.

Proposición  3  Sea  T  una  variable  aleatoria,  unimodal  con  moda  en  M,  es  decir,  T−M=UZ  como  en  la  Proposición  1.  
Por  lo  tanto,  E[h(t)]  μ,  donde  h(·)  es  una  función  
conocida  y  μ  es  una  constante  conocida,  si  y  solo  si  E[h
donde (z)]  μ,  

z
1
h(M  +  u)du;  z  >  0
z
0
h (z) 0
1
h(M  +  u)du;  z  <  0
−zz

A  partir  de  estas  proposiciones  podemos  obtener  distribuciones  de  máxima  entropía  con  restricciones  de  
unimodalidad  con  modo  conocido.  El  método  para  hacerlo  consiste  en  usar  la  Proposición  3  y  luego  especificar  la  
distribución  máxima  de  entropía  para  Z  bajo  las  restricciones.  A  partir  de  esta  distribución  y  utilizando  la  Proposición  
2  obtenemos  la  distribución  de  T .  En  concreto,  para  obtener  f  (2)(t)  la  restricción  sobre  
(t)  
T  yv  iene  
μ  =  d1ada  
  que  
psor  
e  chonvierte  
(t)  1[a,  b]
en  una  restricción  sobre  Z  dada  por  h (z)  1[ a−M,  b−M](z).

Referencias

Abdelkader,  YH  (2004).  Evaluar  los  tiempos  de  finalización  del  proyecto  cuando  los  tiempos  de  actividad  se  distribuyen  en  weibull.
Revista  europea  de  investigación  operativa,  157(3),  704–715.
Azaron,  A.,  Katagiri,  H.  y  Sakawa,  M.  (2007).  Compensación  de  costo­tiempo  a  través  de  la  teoría  de  control  óptimo  en  Markov
red  PERT.  Annals  of  Operational  Research,  150,  47–64.

123
Machine Translated by Google

Resolución  operativa  anual

Chae,  KC  (1990).  Una  interpretación  geométrica  de  los  supuestos  PERT  sobre  el  tiempo  de  actividad.  Internacional
Revista  de  Educación  Matemática  en  Ciencia  y  Tecnología,  21(2),  283–288.
Chae,  KC  y  Kim,  S.  (1990).  Estimación  de  la  media  y  la  varianza  del  tiempo  de  actividad  PERT  utilizando  la  razón  de  verosimilitud  de  
la  moda  y  el  punto  medio.  IEEE  Transactions  on  Engineering  Management,  22(3),  198–203.
Farnum,  NR  y  Stanton,  LW  (1987).  Algunos  resultados  sobre  la  estimación  de  los  parámetros  de  distribución  beta  en  PERT.  Revista  
de  la  Sociedad  de  Investigación  Operativa,  38(3),  287–290.
Feller,  W.  (1968).  Introducción  a  la  teoría  de  la  probabilidad  y  sus  aplicaciones  (Vol.  1).  Nueva  York:  Wiley.
Gallagher,  C.  (1987).  Una  nota  sobre  los  supuestos  PERT.  Ciencias  de  la  administración,  33(10),  1360.
García,  CB,  García,  J.,  &  Cruz,  S.  (2010).  Propuesta  de  una  nueva  distribución  en  metodología  PERT.  Anales  de
Investigación  operativa,  181,  515–538.
Golenko­Ginzburg,  D.  (1988).  Sobre  la  distribución  del  tiempo  de  actividad  en  el  PERT.  Diario  de  la  Investigación  Operativa
Sociedad,  39(8),  767–771.
Golenko­Ginzburg,  D.  (1989).  Supuestos  PERT  revisados.  OMEGA  Revista  Internacional  de  Gestión
Ciencia,  17(4),  393–396.
Herrerías,  R.,  García,  J.,  &  Cruz,  S.  (2003).  Una  nota  sobre  la  razonabilidad  de  la  hipótesis  PERT.  Cartas  de  investigación  operativa,  
31,  60–62.
Kamburowski,  J.  (1997).  Nuevas  validaciones  de  tiempos  PERT.  OMEGA  Revista  Internacional  de  Gestión
Ciencia,  25(3),  323–328.
Keefer,  DL  y  Corporal,  SE  (1983).  Aproximaciones  de  tres  puntos  para  variables  aleatorias  continuas.  Administrar
ment  Science,  39(9),  1086–1091.
Kim,  SD,  Hammond,  RK  y  Bickel,  JE  (2014).  Fórmulas  mejoradas  de  estimación  de  media  y  varianza  para  análisis  PERT.  IEEE  
Transactions  on  Engineering  Management,  61(2),  362–369.
Kotiah,  TCT  y  Wallace,  ND  (1973).  Otra  mirada  a  los  supuestos  de  Pert.  Ciencias  de  la  administración,  20(1),
44–49.
Lau,  A.,  Lau,  H.  y  Zhang,  Y.  (1996).  Una  alternativa  simple  y  lógica  para  hacer  estimaciones  de  tiempo  PERT.  IEEE
Transactions  on  Engineering  Management,  28(3),  183–192.
Littlefield,  JR  y  Randolph,  PH  (1987).  Una  respuesta  a  la  pregunta  de  Sasieni  sobre  los  tiempos  del  PERT.  Ciencias  de  la  gestión,  
33(10),  1357–1359.
MacCrimmon,  KR  y  Ryavec,  CA  (1964).  Un  estudio  analítico  de  los  Supuestos  PERT.  Investigación  de  operaciones,  12,  16–37.

Malcolm,  DG,  Roseboom,  JH,  Clark,  CE  y  Fazar,  W.  (1959).  Aplicación  de  una  técnica  para  la  investigación.
y  evaluación  de  programas  de  desarrollo.  Investigación  de  operaciones,  7,  646–669.
Moders,  JJ  y  Rodgers,  EG  (1968).  Estimaciones  de  juicio  de  los  momentos  de  distribuciones  tipo  PERT.
Ciencias  de  la  administración,  15(2),  B76–B83.
Premachandra,  IM  (2001).  Una  aproximación  de  la  distribución  de  la  duración  de  la  actividad  en  PERT.  Computadoras  y
Investigación  de  operaciones,  28,  443–452.
Sasieni,  MW  (1986).  Una  nota  sobre  los  tiempos  PERT.  Ciencias  de  la  gestión,  32  (12),  1652–1653.
Shankar,  NR,  Rao,  SN  y  Sireesha,  V.  (2010).  Estimación  de  la  media  y  la  varianza  de  la  duración  de  la  actividad  en
IMPERTINENTE.  Foro  Matemático  Internacional,  5(18),  861–868.
Shankar,  NR  y  Sireesha,  V.  (2009).  Una  aproximación  para  la  distribución  de  la  duración  de  la  actividad,  apoyando  el  PERT  original.  
Ciencias  Matemáticas  Aplicadas,  3(57),  2823–2834.

123