Documentos de Académico
Documentos de Profesional
Documentos de Cultura
8.10.1007@s10479 018 2857 4
8.10.1007@s10479 018 2857 4
8.10.1007@s10479 018 2857 4
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)
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.
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
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
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
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
0.26751 100
0.7325 100
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
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