NUEVOS ARGUMENTOS A FAVOR DEL MODELO

PROBABILISTICO DEL P.E.R.T

RAFAEL HERRERAS PLEGUEZUELO
EDUARDO PREZ RODRGUEZ
Departamento de Economa Aplicada
Facultad de Ciencias Econmicas y Empresariales
Universidad de Granada


RESUMEN

En el tratamiento terico de los flujos de caja de un proyecto de inversin se
ha venido usando, de forma satisfactoria para los expertos, el modelo conocido
como beta P.E.R.T.. Sin embargo, por parte de los estadsticos tericos ha
recibido un aluvin de criticas en la dcada de los ochenta, y an hoy sigue
recibindolas.
En esta comunicacin se pone de manifiesto una nueva belleza en relacin
con la curtosis del modelo usado en el P.E.R.T. clsico, an indita en la
literatura.
PALABRAS CLAVE: distribucin beta, mtodo P.E.R.T.


1. INTRODUCCIN

En un reciente trabajo de Palacios y Ramos (1995) se justifica el buen
funcionamiento del modelo probabilstico del PERT, en funcin de la
compensacin de errores que se produce si el experto, como es habitual,
proporciona para cada actividad del proyecto, o para el flujo de caja neto de cada
perodo de una inversin, estimaciones modales que unas veces estn por encima
y otras por debajo del centro del intervalo de definicin de la variable.
A pesar de ello, es interesante comprobar que dicho modelo posee
caractersticas que le hacen adecuado en cada etapa o perodo por separado,
aunque en los aos 80 tuviera un aluvin de crticas a partir de la pregunta de
Sasieni (1986) a la comunidad cientfica sobre los fundamentos de tal modelo
probabilstico, lo que dio pie a una serie de trabajos sobre el tema (Gallagher
(1987), Farnum y Stanton (1987), etc), poniendo nuevamente de actualidad al
mtodo PERT.


ndice
ndice de autores
102 RAFAEL HERRERAS EDUARDO PREZ
El objetivo principal de este trabajo es hacer patentes algunas propiedades del
modelo probabilstico del P.E.R.T. que son, a nuestro entender, responsables de su
buen comportamiento. En particular, sus propiedades en relacin con la asimetra
y curtosis, que han sido menos tratadas que otros aspectos y propiedades del
modelo en la literatura especializada.


2. LA DISTRIBUCIN BETA DE PRIMER TIPO (p>1, q>1)

La distribucin beta de parmetros p>1 y q>1, definida en el intervalo (a, b),
responde a la siguiente funcin de densidad:
b < x < a si ) x - (b ) a - (x
q) (p, ) a - (b
1
= f(x)
-1 q -1 p
-1 q + p

(2.1)
y sus principales caractersticas estocsticas son:
a
2 - q + p
1 - q
+ b
2 - q + p
1 - p
= m (moda) (2.2)
a
q + p
q
+ b
q + p
p
= (media) (2.3)

) q + 1)(p + q + (p
) a - pq(b
= (varianza)
2
2
2

(2.4)
Obsrvese que la moda de la distribucin beta B(a, b, p, q) coincide con la
media de la distribucin beta B(a, b, p-1, q-1). Este hecho lo aprovecharon
Farnum y Stanton (1987) para disear un refinamiento de la frmula utilizada en
el P.E.R.T. para el clculo de la media.
Utilizando como nuevo parmetro
2 - q + p = K (2.5)
se obtienen de (2.2) los parmetros p y q de la distribucin beta en funcin de K
y de las tres estimaciones periciales: optimista, pesimista y ms probable, esto
es:

a - b
a - m
K + 1 = p y
a - b
m - b
K + 1 = q (2.6)
y sustituyendo (2.6) en (2.3), resulta la siguiente expresin de la media:

2 + K
b + Km + a
= (2.7)
De forma similar (vase Herreras (1995)) se obtiene que

3 + K
) - a)(b - (
=
2

(2.8)


ndice
ndice de autores
NUEVOS ARGUMENTOS A FAVOR DEL MODELO ... 103
Ntese la consecuencia siguiente, que se obtiene de (2.6):
c =
2
a + b
< m sii q < p y c =
2
a + b
> m sii q > p (2.9)
siendo c el centro del intervalo (a, b).
El parmetro K, que juega en (2.7) el papel de peso o ponderacin del valor
estimado como ms probable, puede representar la confiabilidad que se tenga en
dicha estimacin.
Para este uso, es un inconveniente el que no est acotado, por lo que puede
resultar ms prctico utilizar, en su lugar, el parmetro 2) + K/(K = , que
obviamente est en el intervalo (0,1), en la forma sealada en Prez Rodrguez
(1995).
De forma natural, de (2.7) se obtiene que:
c = lim
k

0
, m = lim
k


(2.10)
indicando que cuando la confianza en el valor estimado modal es infinita, la
media de la duracin de la tarea ser el valor ms probable suministrado por el
experto, mientras que si no se tiene ninguna confianza en el valor estimado
modal, la duracin media de la tarea ser el centro del intervalo.
Anlogamente al tomar lmites cuando 0 K , y cuando + K , (2.8) se
convierte en la varianza de la distribucin uniforme en el intervalo (a, b), y de la
distribucin de Dirac en m, respectivamente.
Para obtener los coeficientes de asimetra y curtosis de la distribucin dada
por (2.1) es conveniente estandarizar el recorrido de la variable x del intervalo
(a, b) al intervalo (0,1) de la variable t, cuestin que se resuelve fcilmente
mediante el cambio de variable

a - b
a - x
= t (2.11)
con lo que la funcin de densidad pasa a ser:
1 < t < 0 si ) t - (1
t
q) (p,
1
= f(t)
-1 q
-1 p

(2.12)
Los momentos no centrales de esta distribucin son:
1,2,... = n
(p)
n) + (p
n) + q + (p
q) + (p
= ]
t
E[ =
n
n

(Dumas de Rauly (1966)) y entre ellos se da la siguiente relacin de recurrencia:
1,2,... = n
1 - n + q + p
1 - n + p
=
-1 n n (2.13)
Como:
[ ]

2
1 1 2 3
3
1 3
2 + 3 - = ) - (t E =


ndice
ndice de autores
104 RAFAEL HERRERAS EDUARDO PREZ

1
2
1 2 1 2 3 3
) - 2( - - = (2.14)
utilizando las expresiones (2.13) y (2.14) se obtiene

2) + q + 1)(p + q + (p ) q + (p
p) - 2pq(q
=
3 3
(2.15)
con lo que el coeficiente de asimetra ser:

2) + q + (p pq
1 + q + p p) - 2(q
= =
3/2
2
3
1

(2.16)
(Canavos (1987)).
Puesto que p y q son positivos, por ser mayores que 1, el signo de la asimetra
viene dado por el de la diferencia q-p.
Obsrvese que (2.16) es invariante frente a cambios de origen y escala como
el dado por (2.11), por lo que dicho coeficiente se puede utilizar tanto para la
distribucin (2.12) como para la (2.1).
Por lo tanto, y teniendo en cuenta la consecuencia (2.9), se obtiene que la
distribucin presenta asimetra positiva, o negativa, si la moda est a la
izquierda, o a la derecha, del punto medio.
Al mismo resultado se llega utilizando el coeficiente de asimetra de Pearson,
que tras sustituir y m , , por (2.2), (2.3) y (2.4), adopta la siguiente
expresin:

2) - q + (p pq
1 + q + p p) - (q
=
m -
= A

(2.17)
Anlogamente, y usando las expresiones (2.13) y (2.14), se tiene para el
momento central de cuarto orden:
[ ]

4
1
2
1 2 1 3 4
4
1 4
3 - 6 + 4 - = ) - (t E =

2
1
2
1 2 1 1 2 3 1 3 4 4
) - 3( + ) - 3( - - =

3) + q + 2)(p + q + 1)(p + q + (p ) q + (p
)] q + p 2( + 2) - q + 3pq[pq(p
=
4
2 2
4
(2.18)
con lo que el coeficiente de curtosis ser:

3) + q + 2)(p + q + pq(p
2p) - 1)(q + q(q + 2q) - 1)(p + p(p
6 = 3 - =
2
2
4
2

(2.19)
(Canavos (1987)). Ntese que (2.19) es invariante frente a un cambio de
variable tal como el de la expresin (2.11), por lo que dicho coeficiente es
utilizable tanto para la distribucin (2.12) como para la (2.1).



ndice
ndice de autores
NUEVOS ARGUMENTOS A FAVOR DEL MODELO ... 105
3. EL MODELO PROBABILISTICO DEL PERT

Al ser imposible la determinacin de a, b, p y q con la informacin
procedente de las tres estimaciones periciales a, b y m se recurre a la imposicin
de una hiptesis adicional sobre el recorrido o rango finito de la variable, y es
que este sea seis desviaciones tpicas, es decir, (Yu, 1974),

6
a - b
= donde de a - b = 6 = Rg(X) (3.1)
Llevada esta hiptesis a (2.4), resulta la ecuacin:

36
1
=
1) + q + (p ) q + (p
pq
2
(3.2)
que junto con (2.2) constituyen un sistema de dos ecuaciones en las incgnitas p
y q. Este sistema no es cmodo de resolver pues conduce a una ecuacin cbica
molesta (Romero,1991), y por ello, ignorando la ecuacin (2.2), se consideran
las siguientes soluciones de (3.2), (Kauffman y Desbazeille, 1965),

2 + 3 = q 2 - 3 = p : S2
2 - 3 = q 2 + 3 = p : S1
,
,
(3.3)
Otra forma de llegar a las soluciones (3.3) es utilizar las relaciones
simplificadoras (Surez, 1980) siguientes:
6 = q + p (3.4)
1 =
1 + q + p
pq
(3.5)
que han sido fuertemente criticadas (Thomas, 1968) por carecer de razones
tericas convincentes y estar sustentadas en la facilidad de clculo que producen
en los dos primeros momentos del modelo probabilstico del P.E.R.T.
Para los valores (3.3) de los parmetros se tienen, al sustituir en (2.3) y (2.4),
las expresiones tpicas del P.E.R.T.

6
b + 4m + a
= (3.6)

36
) a - (b
=
2
2

(3.7)
La super especificacin del modelo probabilstico del P.E.R.T. que se emplea
en cada una de las tareas parciales, ha dado lugar a multitud de crticas, y
sombras, por las rigideces que conlleva. Entre ellas:
a) Siendo la estimacin ms probable tan costosa de obtener, llama la atencin
que no se use para el clculo de la varianza; en la correspondiente frmula
de (3.7) no aparece m. (Se ignora la ms comprometida de las tres


ndice
ndice de autores
106 RAFAEL HERRERAS EDUARDO PREZ
estimaciones periciales.)
b) Difcilmente el valor de m estimado por el experto, coincide con el dado en
(2.2) para los valores de p y q sealados en (3.3); esto es, el suministrado
pericialmente no ser igual a:

c < m si a) - (b
4
2
- c =
4
)a 2 + (2 + )b 2 - (2
c > m si a) - (b
4
2
+ c =
4
)a 2 - (2 + )b 2 + (2
(3.8)
Es decir, no es ya que se ignore, es que no se respeta la estimacin pericial
de m, pues se aplica un modelo cuya moda no coincide con esa estimacin.
c) La frmula de la media que aparece en (3.6) es correcta siempre que m sea la
moda de la distribucin, y en virtud del punto anterior , es sabido que se va a
usar con otra moda distinta. Resulta chocante que a pesar de ello se asigne
una ponderacin, relativamente, alta a la moda pericial.
Dicho todo esto, parece que el modelo P.E.R.T. no tiene ninguna virtud,
aparte de la sencillez de las expresiones (3.7), lo cual no es del todo cierto. El
modelo ha funcionado relativamente bien en diversos campos y ello, creemos
que se debe a sus buenas propiedades respecto a la asimetra y a la curtosis, que
hacen que este modelo sea el ms parecido a una distribucin normal, pero con
dos grandes ventajas sobre ella, que son:
i) el recorrido de la variable est limitado, no presenta colas infinitas como tiene
la distribucin normal, y
ii) el modelo puede presentar asimetras, en contra de los que le ocurre a la
distribucin normal que siempre es simtrica.
Veamos las caractersticas de asimetra y curtosis en el modelo del P.E.R.T..
Si en la expresin (2.17) sustituimos los valores de los parmetros p y q dados
en (3.3) se obtiene:

2
2
= A segn que p < q o bien p > q (3.9)
En cuanto al coeficiente de asimetra (2.16), si se sustituyen los parmetros p
y q por sus valores de (3.3) queda curiosamente que

2
2
=
1
segn que p < q o bien p > q (3.10)
i.e. en el modelo beta P.E.R.T. coinciden los dos coeficientes de asimetra. Esta
propiedad es comn a todas las distribuciones beta tales que 6 = q + p .
Respecto a la curtosis el resultado es, si cabe, ms atrayente. En efecto el
modelo probabilstico del P.E.R.T. tiene una curtosis igual a la de la distribucin
normal, esto es, el modelo P.E.R.T. es mesocrtico, y por tanto el valor del


ndice
ndice de autores
NUEVOS ARGUMENTOS A FAVOR DEL MODELO ... 107
coeficiente
2
es cero.
Efectivamente, advirtiendo el carcter simtrico que, con respecto a p y q,
tiene (2.18) si se sustituyen los valores de p y q por una cualquiera de las
parejas dadas en (3.3), se tiene lo siguiente
0 =
84
2 21 + 2 21 -
= )] 2 3 + )(-3 2 + )(4 2 + (3 + ) 2 3 - )(-3 2 - )(4 2 - [(3
7.8.9
6
=
2

BIBLIOGRAFA

CANAVOS, G.C. (1987). Probabilidad y Estadstica. Aplicaciones y Mtodos. McGraw
Hill. Mexico.
DUMAS DE RAULY, D. (1966). Lstimation statistique. Gauthier-Villars. Paris.
FARNUM, N.R. Y STANTON, L.W (1987). Some Results Concerning the Estimation of
Beta Distribution Parameters in PERT. J, Opl. Res. Soc., Vol. 38, n 3, pp 287-
290.
GALLAGHER, C, (1987). A Note on PERT Assumptions. Management Science, Vol.
33, n 10, p. 1360
HERRERAS, R. (1995). Un nuevo uso de las tres estimaciones subjetivas del PERT.-IX
Reunin ASEPELT-Espaa.- Vol.4, pp. 411-416. Santiago de Compostela.
KAUFMANN, A. Y DESBAZEILLE, G. (1965). Mtodo del Camino Crtico. Sagitario
PREZ, E. (1995). Ajuste de un modelo beta con informacin adicional sobre su
apuntamiento. IX Reunin ASEPELT-Espaa. Vol.4, pp. 445-451. Santiago de
Compostela.
ROMERO, C. (1991). Tcnicas de programacin y control de proyectos (4 ed.).
Pirmide.
SASIENI, M.W. (1986). A Note on PERT Times. Management Science 32, pp 1652-
1653.
SUAREZ, A.S. (1980). Decisiones ptimas de inversin y financiacin de la empresa
(3ed). Pirmide.
THOMAS, G. (1968). Introduction de laleatoire dans les problmes dordonnancement.
Mthode de simulation, en J.Agard: Les Mthodes de simulation. Dunod. Paris.
YU, L. (1974). Aplicaciones prcticas del P.E.R.T. y C.P.M. Ediciones Deusto.







Artculo defendido en la X Reunin Anual de ASEPELT-ESPAA, celebrada en 1996 en
Albacete por la Universidad de Castilla-LaMancha. Publicado en las Actas de la
mencionada Reunin: CD-Rom, Artculo G.27.


ndice
ndice de autores