Mathematics">
Distribución Biparabolica
Distribución Biparabolica
Distribución Biparabolica
TRATAMIENTO DE LA INCERTIDUMBRE
Resumen
Este hecho tiene una sencilla interpretación geométrica que consiste en que el
crecimiento marginal de la función de densidad a la derecha de la moda es diferente al
crecimiento marginal por la izquierda. Es decir:
f +′ (m) ≠ f −′ (m)
2
Esta característica de discontinuidad que, como hemos dicho anteriormente, padecen
las distribuciones empleadas hasta ahora en el campo de valoración, no es ni mucho
menos deseable, ya que es lógico pensar que lo más conveniente en cualquier caso
será una distribución en la cual la variación de la densidad sea continua en todo su
recorrido.
La distribución biparabolica se obtiene a partir de los tres valores típicos del método
PERT, es decir (a, m, b), y la propiedad fundamental que la diferencia del resto de
distribuciones usadas hasta ahora en el ámbito de la valoración es que su función de
densidad es derivable en la moda.
(a,0) (m,h), por otro lado, los puntos (b,0) (m,h) determinan la parábola f 2 ( x) . La
distribución biparabolica surge, y de aquí deriva su nombre, de la conjunción de
ambas parábolas. Véase la figura 2.
Figura 2
Parábolas f1(x) y f2(x)
3
Se define la función de densidad de la distribución biparabolica como:
⎧ f ( x), si a ≤ x ≤ m
f ( x) = ⎨ 1
⎩ f 2 ( x), si m ≤ x ≤ b
(1)
En la figura 3, se presenta gráficamente la construcción de la función de densidad
biparabolica.
Figura 3
Construcción de la función de densidad biparabolica
Se puede comprobar:
f1 ( x) = A( x − a )( x − (2m − a ))
f 2 ( x) = B ( x − b)( x − (2m − b))
(2)
Para establecer las ecuaciones recogidas en la expresión (2) se han buscado los puntos
de corte de ambas funciones con el eje de abcisas. Se sabe que dichas funciones cortan
al eje de abcisas en los puntos (a,0) y (b,0) respectivamente. Si se toma m como la
abcisa de cada parábola en su vértice se puede definir otro punto de corte con el eje de
abcisas para cada parábola que será: (2m-a,0) y (2m-b,0). Para determinar los valores
A y B se le impondrá a la función f(x) por un lado la condición propia de una función
de densidad y por otro la condición de continuidad.
(m − b) 2
A=B
(m − a ) 2
(3)
4
2) Para que la función f(x) sea considerada una función de densidad debe
cumplirse:
b
∫ f ( x)dx = 1
a
(4)
Se puede demostrar que:
b
2 2
∫ f ( x)dx = − 3 A(m − a) − B(b − m) 3
3
a
3
2 B (b − m) 2 2
− 2
(m − a ) 3 − B (b − m) 3 = 1
3 (m − a ) 3
y despejando se obtienen las siguientes expresiones para A y B:
3 1
A=−
2 (m − a ) 2 (b − a )
(5.a)
3 1
B=−
2 (b − m) 2 (b − a )
(5.b)
⎧ 3 1 2
⎪− 2 (m − a ) 2 (b − a ) ( x - 2mx + (2m - a )·a ) si a ≤ x ≤ m
⎪
f ( x)⎨
⎪− 3 1
( x 2 - 2mx + (2m - b)·b ) si m ≤ x ≤ b
⎪⎩ 2 (m − b) 2 (b − a)
(6)
5
A partir de aquí, se obtiene la función de distribución como:
⎧ 3 1 x3 − a3
⎪ − − m( x 2 − a 2 ) + (2m − a)( x − a)a si a ≤ x ≤ m
⎪ 2 ( m − a ) 2
( b − a ) 3
F ( x) ⎨
⎪1 − 3 1 ⎡b3 − x3 ⎤
⎢ − m(b 2 − x 2 ) + (2m − b)b(b − x) ⎥ si m ≤ x ≤ b
⎪ 2 ( m − b) (b − a ) ⎣ 3
2
⎦
⎩
(7)
⎧ 1 ( x − a) 2 ( x − 3m + 2a )
⎪− , si a ≤ x ≤ m
⎪ 2 (m − a) 2 (b − a)
F ( x)⎨
2
⎪1 − 1 ( x − b) ( x − 3m + 2b) , si m ≤ x ≤ b
⎪ 2 (m − b) 2 (b − a)
⎩
(7.bis)
Se puede comprobar que:
m−a
F (m) = =M
b−a
Es decir, el valor de la función de distribución en la moda, m, es precisamente la moda
estandarizada M. Esta es una propiedad que cumple la distribución TSP de Van Dorp.
Una vez obtenidas la función de distribución y la función de densidad de la
distribución biparabolica, se presentan sus momentos centrales y su varianza:
2m + 3b + 3a
E ( x) =
8
(8)
2( m − a ) + 3(b − a ) ( m − a ) 2 + 3( m − a )(b − a ) + 4(b − a ) 2
E ( x 2 ) = a 2 + 2a +2
8 20
(9)
12(m − a ) 2 − 12(m − a)(b − a) + 19(b − a) 2
Var ( x) =
320
(10)
6
3. La distribución biparabolica estandarizada
(11)
y la función de distribución:
⎧ 1 t 2 (t − 3M )
⎪− si 0 ≤ t ≤ M
⎪ 2 M2
F (t ) = ⎨ 2
⎪1 − 1 (t − 1) (t − 3M + 2) si M ≤ t ≤ 1
⎪⎩ 2 ( M − 1) 2
(12)
En cuanto a sus momentos centrales y su varianza:
2M + 3
E (t ) =
8
(13)
2 M 2 + 3M + 4
Et( )2
=
20
(14)
12 M 2 − 12 M + 19
V (t ) =
320
(15)
7
El uso del sistema generador introducido por Van Dorp y Kotz (2003) va a permitir
simplificar cálculos y realizar una presentación más elegante de la distribución
biparabolica.
Sabemos, véase Van Dorp y Kotz (2003) que si p(·/ψ) es una apropiada función de
densidad definida en [0,1] con parámetros ψ (puede ser un vector de parámetros)
entonces, haciendo uso del sistema Van Dorp, se puede construir la siguiente función
de densidad unimodal en M:
⎧ ⎛ t ⎞
⎪ p⎜ /ψ ⎟ si 0 ≤ t ≤ M
⎧
g ⎨t / M , p⎛⎜ • ⎞⎟⎫⎬ = ⎪⎨ ⎝ M ⎠
⎩ ⎝ ψ ⎠⎭
⎪ p⎛⎜ 1 − t /ψ ⎞⎟ si M ≤ t ≤ 1
⎪ ⎝1− M ⎠
⎩
(16)
Figura 4
Representación de p(·/ψ)
p(x)=ax2+bx+c
8
- En primer lugar, dado que la función pasa por el punto (0,0) se puede
demostrar que c=0
- Además, para que sea una función de densidad en [0,1) debe cumplirse que:
1
∫ a( x − 2 x)dx = 1 ⇒ a = −3 / 2 .
2
Por lo tanto,
3
p⎛⎜ x ⎞⎟ = − ( x 2 − 2 x )
⎝ ψ ⎠ 2
(17)
por lo que se puede afirmar que p(x) no depende de ningún parámetro y esta
totalmente determinado.
⎧ 3 ⎛ t2 t ⎞
⎪− ⎜⎜ 2 − 2 ⎟⎟ si 0 ≤ t ≤ M
⎪ 2⎝M M⎠
g (t / M , p ( x) ) = ⎨
⎪ 3 ⎡⎛ 1 − t ⎞ ⎞⎤
2
⎛ 1− t
⎪− 2 ⎢⎜⎝ 1 − M ⎟⎠ − 2⎜⎝ 1 − M ⎟⎥
⎠⎦⎥
si M ≤ t ≤ 1
⎩ ⎣⎢
(18)
9
⎧ 3 1 2
(
⎪⎪− 2 M 2 t − 2 Mt ) si 0 ≤ t ≤ M
g (t / M , p ( x) ) = ⎨
⎪− 3 1
( t 2 − 2 Mt + (2 M − 1) ) si M ≤ t ≤ 1
⎩⎪
2
2 (1 − M )
(19)
Si se tiene en cuenta que la función de distribución G (t / M , P ( x )) de la distribución
biparabolica g se puede obtener a partir de su generadora p, siguiendo a Van Dorp y
Kotz (2003):
⎧ ⎛ t ⎞
⎪MP⎜ M ψ ⎟ 0≤t≤M
⎪ ⎝ ⎠
G (t / M , P( x)) = ⎨
⎪1 − (1 − M ) P⎛⎜ 1 − t ψ ⎞⎟ M ≤ t ≤1
⎪⎩ ⎝1− M ⎠
(19.1)
⎧ 3 ⎡1 ⎛ t ⎞3 ⎛ t ⎞2 ⎤
⎪− M ⎢ ⎜ ⎟ − ⎜ ⎟ ⎥ 0≤t≤M
⎪⎪ 2 ⎢⎣ 3 ⎝ M ⎠ ⎝ M ⎠ ⎥⎦
G (t ) = ⎨
⎛ 3 ⎞⎡ 1 ⎛ 1 − t ⎞ ⎛ 1 − t ⎞ ⎤
3 2
⎪
⎪1 − (1 − M )⎜ − ⎟ ⎢ ⎜ ⎟ −⎜ ⎟ ⎥ M ≤ t ≤1
⎪⎩ ⎝ 2 ⎠ ⎣⎢ 3 ⎝ 1 − M ⎠ ⎝ 1 − M ⎠ ⎦⎥
(19.3)
10
Una característica muy importante de las funciones de densidad pertenecientes al
sistema generador de Van Dorp es que cualquier función de este sistema cumple la
condición de que F(M)=M, siendo F la función de distribución y M la moda
estandarizada.
Se puede demostrar, Van Dorp y Kotz (2003) la siguiente relación entre los momentos
de la generadora p (x ) y la g (t )
( ) (
E t k M , p = M k +1 E x k ψ + ) k⎛k ⎞
[
⎜ ⎟(−1) i (1 − M ) i +1 E x i /ψ
i =0 ⎜ i ⎟
∑ ]
⎝ ⎠
(20)
Haciendo uso de la expresión (20) se calculan los valores de los momentos de la
distribución biparabolica con respecto al origen:
E (t M , p ) = (2M − 1) E ( x ψ ) + (1 − M )
[ ]
Var (t / M , p ) = M 3 + (1 − M ) Var ( x /ψ ) + M (1 − M ){E ( x /ψ ) − 1}
3 2
3
Teniendo en cuenta que p⎛⎜ x ⎞⎟ = − ( x 2 − 2 x ) operando podemos obtener otras
⎝ ψ ⎠ 2
expresiones más sencillas, y que coincidirán con las expresiones (13) y (15):
2M + 3
E (t M , p ) =
8
(21)
12 M 2 − 12 M + 19
Var (t / M , p ) =
320
(22)
11
5. Calculo de los momentos centrales de la distribución biparabolica
estandarizada
2M + 3 2M + 3
E (t ) = =3
8 24
2 M 2 + 3M + 4 2 M 2 + 3M + 4
E (t ) =
2
=3
20 60
2 M 3 + 3M 2 + 4 M + 5 2 M 3 + 3M 2 + 4 M + 5
E (t ) =
3
=3
40 210
2 M 4 + 3M 3 + 4 M 2 + 5 M + 6 2 M 4 + 3M 3 + 4 M 2 + 5 M + 6
E (t ) =
4
=3
70 210
Y en general,
k
k −1
2 M + 3M + 4 M
k k −2
+ ... + (2 + k )
∑ (2 + j ) M
j =0
k− j
E (t k ) = 3 =3
(k + 1)(k + 2)(k + 3) (k + 1)(k + 2)(k + 3)
(23)
Utilizando la expresión de Stuart y Ord (1994), podemos relacionar los momentos
centrales con los momentos respecto de la media:
µ 2 = m2 − m1 2
µ 3 = m3 − 3m2 m1 + 2m13
µ 4 = m4 − 4m3 m1 + 6m2 m1 2 − 3m1 4
Así pues:
12 M 2 − 12 M + 19
µ2 =
320
(24)
8M 3 − 12 M 2 − 10 M + 7
µ3 =
1280
(25)
12
624 M 4 − 1248M 3 + 2088M 2 − 1464 M + 1095
µ4 =
143·360
(26)
13
Figura 5
Representación del coeficiente de asimetría
14
Figura 6
Representación del coeficiente de curtosis
15
Variable aleatoria x Variable t estandarizada
Triangular
a+m+b n +1
E ( x) = E (t ) =
3 3
(b − a ) 2 − ( m − a )(b − m)
V ( x) =
18 1 − M (1 − M )
V (t ) =
18
Beta clásica a + 4m + b 1 + 4M
E ( x) = E (t ) =
6 6
1
(b − a ) 2 V (t ) =
V ( x) = 36
36
Biparabolica 2m + 3a + 3b 2M + 3
E ( x) = E (t ) =
8 8
Trapezoidal ⎧ ⎡ ⎛1 ⎞ ⎤
CPR ⎧ ⎡ 1 ⎤
⎪ ⎢ ⎜ − M ⎟(1 − M ) ) ⎥
⎪1 ⎢ 3 ⎥ 1
⎪ 1 ⎢ 1 + 1 M + (1 − M ) 2 − ⎝ 2 ⎠ ⎥ si M <
1
⎪ ⎢M + − 2 ⎥ si M < ⎪18 ⎢ 4 2 2
⎥ 2
⎪ ⎢3 2 3 2 ⎪ ⎢ ⎛ 3 ⎞
−M⎥ ⎜ −M⎟ ⎥
⎪⎪ ⎣⎢ ⎦⎥
E (t ) = ⎨
2 ⎪ ⎣⎢ ⎝2 ⎠ ⎦⎥
⎪ ⎡ ⎤ V (t ) = ⎨
⎪1 ⎢ 3 M ⎥ 1 ⎪ ⎡ ⎛ 1⎞ ⎤
⎪ ⎢M + − 1 ⎥ si M >
⎪ 1 ⎢1 1 ⎜ M − ⎟M ⎥
⎪3 ⎢ 2
+M⎥
2 2⎠ ⎥ 1
⎪⎩ ⎢⎣ 2 ⎥⎦ ⎪ ⎢ + (1 − M ) 2 + M 2 − ⎝ si M >
⎢
⎪18 4 2 ⎛ 1⎞ ⎥
2
2
⎪ ⎢ ⎜M + ⎟ ⎥
⎩ ⎣⎢ ⎝ 2 ⎠ ⎦⎥
Cuadro 1
Valores esperados y varianzas de las distribuciones más usadas en el ámbito del PERT
16
En la figura 7 se compara la varianza de la distribución biparabolica con las varianzas
de las distribuciones CPR, Triangular y Beta. Se observa que la varianza de la
distribución biparabolica esta siempre por encima de las demás.
0,07
0,06
0,05
0,04 CPR
Triangular
Beta
0,03 Biparabolica
0,02
0,01
0
0
0,03
0,06
0,09
0,12
0,15
0,18
0,21
0,24
0,27
0,3
0,33
0,36
0,39
0,42
0,45
0,48
0,51
0,54
0,57
0,6
0,63
0,66
0,69
0,72
0,75
0,78
0,81
0,84
0,87
0,9
0,93
0,96
0,99
Figura 7
Comparación de varianzas
0,9
0,8
0,7
0,6
0,5 CPR
Triangular
Beta
0,4 Biparabolica
0,3
0,2
0,1
0
1
4
7
10
13
16
19
22
25
28
31
34
37
40
43
46
49
52
55
58
61
64
67
70
73
76
79
82
85
88
91
94
97
100
Figura 8
Comparación de medias
17
Por ultimo, en la figura 9 se representan las densidades de las anteriores distribuciones
y como conclusión fundamental se destaca que la ordenada en la moda es menor para
la distribución biparabolica que para la distribución triangular y la distribución
trapezoidal CPR, cuyas expresiones vienen dadas por:
Triangular hT =
2
b−a
Uniforme hU =
1
b−a
Biparabolica 3
hBp = 2
b−a
⎧ 2 a+b
⎪ si m <
1 2
Trapezoidal ⎪b − a + − m
⎪ 2
hCPR =⎨
⎪ 2 a+b
CPR ⎪ 1
si m >
2
⎪b − a + m − 2
⎩
Cuadro 2
Alturas modales
Figura 9
Comparación de densidades y alturas modales
18
En conclusión, si se aplica el criterio de máxima varianza defendido por Taha y
Herrerías (1994), la distribución biparabolica seria la mas conveniente para ser usada
en el ámbito del PERT, ya que tiene una media casi tan moderada como la trapezoidal
CPR, que presenta la media más moderada de las distribuciones conocidas hasta
ahora, pero una varianza mucho mayor que las demás.
tendremos las distribuciones B1S (0, M 1 ,1) y B2S (0, M 2 ,1) cuyas funciones de
⎧ 3 ⎡ ⎛ t ⎞3 ⎛ t ⎞2 ⎤
⎪− M i ⎢ 1 ⎜ i ⎟ − ⎜ i ⎟ ⎥ 0 ≤ t ≤ Mi
⎪ 2
⎪ ⎢⎣ 3 ⎜⎝ M i ⎟⎠ ⎜⎝ M i ⎟⎠ ⎥⎦
Gi (t i ) = ⎨ (i = 1, 2)
⎛ 3 ⎞ ⎡⎢ 1 ⎛⎜ 1 − t i ⎞⎟ ⎛⎜ 1 − t i
3 2⎤
⎪ ⎞
⎪1 − (1 − M i )⎜ − ⎟ ⎜ ⎟ − ⎜1− M ⎟⎟ ⎥ Mi ≤ t ≤1
⎝ 2 ⎠ ⎢ 3 1 − ⎥⎦
⎪⎩ ⎣ ⎝ i ⎠ ⎝ ⎠
M i
(29)
Dado un valor concreto del índice t 20 debemos encontrar el valor del activo t10 que
cumple la condición:
(
G1 (t10 ) = G2 (t 20 ) ⇒ t10 = G1−1 G 2 (t 20 ) )
(30)
19
Y posteriormente el valor será:
X 10 = a1 + t10 (b1 − a1 )
Al plantear este análisis, nos encontramos con dos casos que a su vez se subdividen en
tres casos particulares:
Primer caso Segundo caso
⎧t 20 ∈ (0, M 2 ) ⎧t 20 ∈ (0, M 1 )
⎪ ⎪
M2<M1 ⎪⎨t 20 ∈ (M 1 ,1) M2>M1 ⎪⎨t 20 ∈ (M 2 ,1)
⎪0 ⎪0
⎪⎩t 2 ∈ (M 2 , M 1 ) ⎪⎩t 2 ∈ (M 1 , M 2 )
Solución caso 1
Proposición 1: Cuando M2<M1 ⇒ G 2 (t 20 ) > G1 (t10 ) ∀t ∈ (0,1) . Véase la figura 10:
Figura 10
Proposición 2
- Si 0<t<M2 ⇒ G2 (t ) < G2 ( M 2 ) = M 2 < M 1
- Si M1<t<1 ⇒ G2 (t ) > G2 ( M 1 ) > G1 ( M 1 ) M 2 = M 1
- Si M2<t< M1 ⇒ G 2 (t ) <> M 1 véase la zona critica de la gráfica
3 ⎡1 ⎛ t ⎞3 ⎛ t ⎞ 2 ⎤ 3 ⎡1 ⎛ t ⎞3 ⎛ t ⎞2 ⎤
G1 (t10 ) = − M 1 ⎢ ⎜⎜ 1
⎟⎟ − ⎜⎜ 1
⎟⎟ ⎥ = − M 2 ⎢ ⎜⎜ 2 ⎟⎟ − ⎜⎜ 2 ⎟⎟ ⎥ = G2 (t 20 )
2 3
⎢⎣ ⎝ 1 ⎠ ⎝ 1 ⎠ ⎥⎦
M M 2 ⎢⎣ 3 ⎝ M 2 ⎠ ⎝ M 2 ⎠ ⎥⎦
(31)
20
Operando:
3 2
1 ⎛⎜ t10 ⎞⎟ ⎛⎜ t10 ⎞⎟ 2 G 2 (t 20 )
− = −
3 ⎜⎝ M 1 ⎟⎠ ⎜⎝ M 1 ⎟⎠ 3 M1
donde:
2 G2 (t 20 )
k=−
3 M1
(32)
t10
z=
M1
(33)
Obteniendo la siguiente ecuación cúbica:
z 3 − 3z 2 − 3k = 0
(34)
Una vez resuelta la ecuación cúbica, utilizaremos los valores (a,m,b) para calcular t10 y
X 10 = a1 + t10 (b1 − a1 ) .
Caso 1.2. Dado t 20 ∈ (M 1 ,1) se deduce que G 2 (t 20 ) >M1 y de manera análoga al caso
anterior planteamos la siguiente ecuación:
⎛ 3 ⎞ ⎡⎢ 1 ⎛ 1 − t1 ⎞ ⎛ 1 − t1 ⎞ ⎤⎥
3 2
1 − (1 − M 1 )⎜ − ⎟ ⎜⎜ ⎟⎟ − ⎜⎜ ⎟⎟ = G 2 (t 20 )
⎝ 2 3
⎠ ⎢⎣ ⎝ 1 − M 1⎠ ⎝ 1 − M 1⎠ ⎥ ⎦
(35)
2
1 ⎛ 1 − t1 ⎞ ⎛ 1 − t1 ⎞ 2 1 − G2 (t 20 )
Operando: ⎜⎜ ⎟⎟ − ⎜⎜ ⎟⎟ = −
3 ⎝1 − M1 ⎠ ⎝ 1 − M1 ⎠ 3 (1 − M 1 )
Donde:
1 − t1
z=
1 − M1
(36)
2 1 − G 2 (t 20 )
k=−
3 (1 − M 1 )
(37)
21
Se obtiene la siguiente ecuación cúbica:
1 3
z − z2 = 0
3
(38)
Esto nos permitiría obtener un valor para z 0 , y a partir de este valor obtener un valor
Caso 1.3. Dado t 20 ∈ (M 2 , M 1 ) puede ocurrir que G 2 (t 20 ) sea menor o mayor que M1.
Solución caso 2
Figura 11
Proposición 4
22
Caso 2.1.
3 ⎡1 ⎛ t ⎞3 ⎛ t ⎞2 ⎤
− M 1 ⎢ ⎜⎜ 1 ⎟⎟ − ⎜⎜ 1 ⎟⎟ ⎥ = G2 (t 20 )
2 ⎢⎣ 3 ⎝ M 1 ⎠ ⎝ M 1 ⎠ ⎥⎦
(39)
3 2
1 ⎛ t1 ⎞ ⎛ t1 ⎞ 2 G2 (t 20 )
operando: ⎜⎜ ⎟⎟ − ⎜⎜ ⎟⎟ = −
3 ⎝ M1 ⎠ ⎝ M1 ⎠ 3 M1
Donde
⎛ t ⎞
z = ⎜⎜ 1 ⎟⎟
⎝ M1 ⎠
(40)
2 G2 (t 20 )
k=−
3 M1
(41)
Se obtiene la siguiente ecuación cúbica:
z 3 − 3z − 3k = 0
(42)
Esto nos permitiría obtener un valor para z 0 , y a partir de este valor obtener un valor
Caso 2.2.
Dado t 20 ∈ (M 2 ,1) se deduce que G2 (t 20 ) >M1 y aplicando la igualdad de la expresión
(39) obtenemos la expresión (43). Este caso se resuelve de manera similar al caso 1.2.
⎛ 3 ⎞ ⎡⎢ 1 ⎛ 1 − t1 ⎞ ⎛ 1 − t1 ⎞ ⎤⎥
3 2
1 − (1 − M 1 )⎜ − ⎟ ⎜⎜ ⎟⎟ − ⎜⎜ ⎟⎟ = G 2 (t 20 )
⎝ 2 3
⎠ ⎢⎣ ⎝ 1 − M 1⎠ ⎝ 1 − M 1⎠ ⎥ ⎦
(43)
23
Caso 2.3
Dado t 20 ∈ (M 1 , M 2 ) puede ocurrir que G 2 (t 20 ) sea menor o mayor que M1. En el caso
Una vez expuestos todos los posibles casos con sus correspondientes planteamientos
se presenta en el cuadro 3 una síntesis de todos los resultados obtenidos:
0<t<M2 0<t<M1 0
2 G2 (t 2 ) t0 z 3 − 3 z 2 − 3k = 0 t10 = z0 M1 X 10 = a1 + t10 (b1 − a1 )
k=− z= 1
3 M1 M1
G 2 (t 20 ) >M1 ⇒ CASO 2
Cuadro 3
(
p ( x ) = a x 2α − 2 x α )
(44)
Que será la función generadora de densidad:
1
∫
0
( )
a x 2α − 2 x α dx = 1 , de donde se deduce que a =
( 2α + 1)(α + 1)
− 3α − 1
En el caso en que α = 1 tendríamos la distribución biparabolica. Por lo tanto, la
función generadora de densidad será:
p ( x) =
( 2α + 1)(α + 1) 2α
− 3α − 1
(
x − 2 xα )
(45)
24
Valor esperado de x
(2α + 1)(3α + 2)
E ( x) =
2(α + 2)(3α + 1)
(46)
Valor esperado de x n
[ ]
E xn =
(2α + 1)(α + 1) ⎡
3α + 1 ⎢
3α + n + 1 ⎤
⎥
⎣ (2α + n + 1)(α + n + 1) ⎦
(47)
Definimos la función de densidad g (t ) en el intervalo [0,1] tomando como generadora
a la función p (x ) de la expresión (1).
⎧ (2α + 1)(α + 1) ⎛ ⎛ t ⎞ 2α α ⎞
⎪ ⎜ ⎜ ⎟ − 2⎛⎜ t ⎞⎟ ⎟ 0≤t≤M
⎪⎪ − 3α − 1 ⎜⎝ ⎝ M ⎠ ⎝ M ⎠ ⎟⎠
g (t M , p (• α ) ) = ⎨
2α α
⎪ (2α + 1)(α + 1) ⎛⎜ ⎛ 1 − t ⎞ ⎛ 1 − t ⎞ ⎞⎟
⎪ ⎜ ⎟ − 2⎜ ⎟ M ≤ t ≤1
⎪⎩ − 3α − 1 ⎜⎝ ⎝ 1 − M ⎠ ⎝ 1 − M ⎠ ⎟⎠
(48)
M 6α 2 + 7α + 2
E (t ) =
6α 2 + 14α + 4
(49)
Se comprueba que si estuviésemos en el intervalo (a,m,b) el valor esperado de x,
x−a
t= , sería:
b−a
E ( x) =
(7α + 2)a + 6α 2 m + (7α + 2)b
2
6α + 14α + 4
(50)
25
6α 2
Luego la ponderación de la moda sería: 2
6α + 14α + 4
Con respecto a la varianza
Var(t M , α ) =
(148α 4
) (
+ 244α 3 + 40α 2 M 2 − 148α 4 + 244α 3 + 40α 2 M + 82α 4 + 247α 3 + 247α 2 + 96α + 12 ) ( )
4(3α + 1) (α + 2) (2α + 3)(α + 3)
2 2
(51)
Con el objeto de obtener conclusiones acerca de la distribución generalizada se
presentan las figuras 12.a, 12.b, 12.c, 12.d, 12.e, 12.f, 12.g, 12.h, y 12.i, , que recogen
funciones de densidades para valores concretos de M y α.
1,2
0,8
0,6
0,4
0,2
0
1
24
47
70
93
116
139
162
185
208
231
254
277
300
323
346
369
392
415
438
461
484
507
530
553
576
599
622
645
668
691
714
737
760
783
806
829
852
875
898
921
944
967
990
Figura 12.a
M=0,4 α =0,08
700
600
500
400
300
200
100
0
1
25
49
73
97
121
145
169
193
217
241
265
289
313
337
361
385
409
433
457
481
505
529
553
577
601
625
649
673
697
721
745
769
793
817
841
865
889
913
937
961
985
Figura 12.b
M=0,4 α =90
26
0
0,5
1
1,5
2
2,5
3
3,5
4
0
2
4
6
8
10
12
14
16
0,2
0,4
0,6
0,8
1,2
1,4
0
1
1 1 24
24 24 47
47 47 70
70 93
70
93 116
93
116 139
116
162
139 139
185
162 162
208
185 185
231
208 208
254
231 231
277
254 254
300
277 277
323
300 300
346
323 323 369
346 346 392
369 369 415
392 392 438
415 415 461
M=0,8
M=0,2
438 438 484
M=0,4
27
461 507
α
461
α
α
Figura 12.e
Figura 12.c
Figura 12.d
=3
553
=20
=0,4
507 507
530 530 576
944 944
967 967
990 990
0
0,2
0,4
0,6
0,8
1
1,2
1,4
0
1
2
3
4
5
6
7
8
1
1
0
1
2
3
4
5
6
7
8
24
1 24
47
24 47
70
47 70
93
70 93
116
93 116
139
116 139
162
139 162
185
162 185
208
185 208
231
208 231
254
231 254
277
254 277
300
277 300
323
300 323
346
323 346
369
346 369
392
369 392
415
M=0,5
M=0,2
M=0,5
392 415
28
438
α
α
α
415 438
461
438 461
Figura 12.f
Figura 12.g
Figura 12.h
484
=10
=10
=0,7
461 484
507
484 507
530
507 530
553
530 553
576
553 576
599
576 599
622
599 622
645
622 645
668
645 668
691
668 691
714
691 714
737
714 737
760
737 760
783
760 783
806
783 806
829
806 829
852
829 852
875
852 875
898
875 898
921
898 921
944
921 944
967
944 967
990
967 990
990
8
0
1
24
47
70
93
116
139
162
185
208
231
254
277
300
323
346
369
392
415
438
461
484
507
530
553
576
599
622
645
668
691
714
737
760
783
806
829
852
875
898
921
944
967
990
Figura 12.i
M=0,8 α =10
Como se observa en los gráficos 12.a y 12.i la distribución biparabolica generalizada,
puede adoptar la forma de la distribución uniforme, a medida que α tiende a 0, o
puede ser una distribuciones degenerada con toda la masa concentrada en un punto,
figura 12.b, a media que α tiende a infinito. Para valores de α entre 1 y 10 la
distribución adopta formas parecidas a la distribución normal, con la diferencia de que
la distribución biparabolica generalizada puede ser asimétrica, figura12.c y figura
12.d. Para valores de α entre 0 y 1 pero próximos a 0,5 la distribución es parecida a
una biparabolica muy suavizada, figura 12.e y figura 12.f, con α =10 podemos ver
como la similitud con la normal es bastante acentuada, grafica 12.g, y se desdibuja a
medida que aumenta la asimetría en las gráficas 12.h y 12.i.
29
Por otro lado, se conoce que la beta del PERT clásico tiene la misma varianza y
curtosis que la distribución normal. Es evidente que la intención fue utilizar una
distribución acotada y con posibles asimetrías que fuese lo más parecida posible a la
distribución normal. La distribución biparabolica, como se puede comprobar en la
figura 12 anterior, reúne las dos condiciones mencionadas y su parecido con la normal
se manifiesta claramente. Por otra parte, es posible conseguir que tenga la misma
varianza que la distribución normal (1/36), igualando la expresión (51) a 1/36 lo que
conduciría a resolver la siguiente ecuación sexta:
3,5
2,5
alfa
1,5
0,5
0
03
06
09
12
15
18
21
24
27
3
33
36
39
42
45
48
51
54
57
6
63
66
69
72
75
78
81
84
87
9
93
96
M
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
Figura 13
Se puede comprobar que para cada valor M ∈ (0,1) , existe un solo valor de α>0 que
verifica la ecuación (52), la figura 13 recoge la relación entre M y α. Los valores de α
entre 2,2 y 3,2 dan lugar a biparabolicas generalizadas que adoptan formas similares a
la distribución normal.
30
10. Aplicación practica
Se toma como punto de partida el caso práctico desarrollado por Alonso y Lozano,
(1985), trabajo que ha sido reiteradamente citado en la aplicaciones del método que
nos ocupa, Un simple representación gráfica en un diagrama de dispersión nos permite
ver que en principio la variable ingresos/Ha, puede tener capacidad para explicar el
valor de las tierras.
50000
Ingresos/Hectárea
40000
30000
20000
10000
0
0 100000 200000 300000 400000 500000
Valor de la Finca
En la Tabla 1, tenemos recogidos en las columnas (1) y (2), los valores de las fincas y
los ingresos por hectárea, y en las columnas (3) y (4) dichos datos estandarizados. Al
aplicar la distribución biparabolica en el método de las dos funciones de distribución
se plantea un análisis algebraico que fue resuelto en el apartado correspondiente y que
en este apartado llevaremos a la practica. En primer lugar hay que tener en cuenta que
dado un valor determinado del índice t 20 debemos encontrar el valor del activo t10 que
cumple la condición:
(
G1 (t10 ) = G2 (t 20 ) ⇒ t10 = G1−1 G 2 (t 20 ) )
Y desestandarizando el valor resultante será: X 10 = a1 + t10 (b1 − a1 )
Si partimos de los valores para el índice aportados por el experto, cuadro 4:
31
Y de los valores para el valor del activo, cuadro 5:
Se observa que la moda del activo, M1, es inferior a la moda del índice, M2. Por tanto
nos encontramos en el primer caso descrito en el cuadro 3. El siguiente paso es hallar
el valor de G2 (t 20 ) , y para ello se diferencian tres casos:
3 ⎡1 ⎛ t ⎞3 ⎛ t ⎞ 2 ⎤
- cuando t 20 ∈ (0, M 2 ) : − M 1 ⎢ ⎜⎜ 1 ⎟⎟ − ⎜⎜ 1 ⎟⎟ ⎥ = G2 (t 20 )
2 ⎢⎣ 3 ⎝ M 1 ⎠ ⎝ M 1 ⎠ ⎥⎦
⎛ 3 ⎞ ⎡⎢ 1 ⎛ 1 − t1 ⎞ ⎛ 1 − t1 ⎞ ⎤⎥
3 2
- cuando t 20 ∈ (M 1 ,1) : 1 − (1 − M 1 )⎜ − ⎟ ⎜⎜ ⎟⎟ − ⎜⎜ ⎟⎟ = G 2 (t 20 )
⎝ 2 3
⎠ ⎢⎣ ⎝ 1 − M 1⎠ ⎝ 1 − M 1⎠ ⎥ ⎦
32
(1) (4)
Valor de la (2) (3) Ingresos (5) (6) (7) (8) (9)
Finca Ingresos /HaValor Estandarizad Estandarizados G(t0) CASO z t Valor estimad
400000 30810 0,6 0,360333333 0,51710714 2 0,847427 0,28672069 321680,174
450000 38587,5 0,8 0,619583333 0,81045109 2 0,516938 0,56489329 391223,321
400000 38587,5 0,6 0,619583333 0,81045109 2 0,516938 0,56489329 391223,321
450000 47400 0,8 0,913333333 0,98905881 2 0,119756 0,89920137 474800,344
300000 30870 0,2 0,362333333 0,51971545 2 0,845001 0,28876266 322190,665
400000 37472,5 0,6 0,582416667 0,77484446 2 0,565837 0,523735 380933,749
400000 34590 0,6 0,486333333 0,67198619 2 0,690203 0,41905613 354764,034
350000 25725 0,4 0,190833333 0,28277518 1 0,833533 0,13194827 282987,068
336000 30870 0,344 0,362333333 0,51971545 2 0,845001 0,28876266 322190,665
350000 31600 0,4 0,386666667 0,55109452 2 0,815252 0,31380239 328450,598
275000 25942,5 0,1 0,198083333 0,2932389 1 0,86907 0,13757378 284393,445
300000 25942,5 0,2 0,198083333 0,2932389 1 0,86907 0,13757378 284393,445
300000 37920 0,2 0,597333333 0,78943361 2 0,546259 0,5402138 385053,45
400000 39514 0,6 0,650466667 0,83809154 2 0,476018 0,59933565 399833,912
300000 34360 0,2 0,478666667 0,66316352 2 0,699981 0,41082599 352706,498
400000 39514 0,6 0,650466667 0,83809154 2 0,476018 0,59933565 399833,912
350000 34360 0,4 0,478666667 0,66316352 2 0,699981 0,41082599 352706,498
380000 44010 0,52 0,800333333 0,94417987 2 0,274398 0,7690392 442259,801
250000 29340 0 0,311333333 0,45191147 2 0,90561 0,23774806 309437,016
350000 34760 0,4 0,492 0,67845226 2 0,685465 0,42304411 355761,027
320000 33007 0,28 0,433566667 0,60959906 2 0,75699 0,36284152 340710,379
300000 26519 0,2 0,2173 0,32081962 1 0,965866 0,15289659 288224,147
250000 22752 0 0,091733333 0,13721403 1 0,382994 0,06062795 265156,988
350000 33741 0,4 0,458033333 0,63900355 2 0,726174 0,38877934 347194,836
350000 34760 0,4 0,492 0,67845226 2 0,685465 0,42304411 355761,027
300000 32274 0,2 0,409133333 0,57945757 2 0,787483 0,33717556 334293,89
325000 34360 0,3 0,478666667 0,66316352 2 0,699981 0,41082599 352706,498
295000 32274 0,18 0,409133333 0,57945757 2 0,787483 0,33717556 334293,89
300000 29340 0,2 0,311333333 0,45191147 2 0,90561 0,23774806 309437,016
368000 34360 0,472 0,478666667 0,66316352 2 0,699981 0,41082599 352706,498
Tabla 1
33
Valores OBSERVADOS Valores ESTIMADOS e e^2 abs e
REALES REALES REALES REALES REALES
400000 321680,174 78319,8265 6.133.995.219,07 78.319,83
450000 391223,321 58776,6787 3.454.697.953,13 58.776,68
400000 391223,321 8776,67865 77.030.088,13 8.776,68
450000 474800,344 -24800,3437 615.057.047,64 24.800,34
300000 322190,665 -22190,6646 492.425.594,28 22.190,66
400000 380933,749 19066,2507 363.521.916,71 19.066,25
400000 354764,034 45235,9663 2.046.292.644,83 45.235,97
350000 282987,068 67012,9315 4.490.732.991,57 67.012,93
336000 322190,665 13809,3354 190.697.744,88 13.809,34
350000 328450,598 21549,4021 464.376.730,87 21.549,40
275000 284393,445 -9393,44525 88.236.813,66 9.393,45
300000 284393,445 15606,5548 243.564.551,16 15.606,55
300000 385053,45 -85053,4499 7.234.089.344,14 85.053,45
400000 399833,912 166,08765 27.585,11 166,09
300000 352706,498 -52706,4981 2.777.974.939,33 52.706,50
400000 399833,912 166,08765 27.585,11 166,09
350000 352706,498 -2706,49808 7.325.131,83 2.706,50
380000 442259,801 -62259,8008 3.876.282.801,88 62.259,80
250000 309437,016 -59437,0158 3.532.758.841,27 59.437,02
350000 355761,027 -5761,02738 33.189.436,42 5.761,03
320000 340710,379 -20710,3792 428.919.808,68 20.710,38
300000 288224,147 11775,8531 138.670.715,06 11.775,85
250000 265156,988 -15156,9876 229.734.271,59 15.156,99
350000 347194,836 2805,16395 7.868.944,79 2.805,16
350000 355761,027 -5761,02738 33.189.436,42 5.761,03
300000 334293,89 -34293,8897 1.176.070.872,47 34.293,89
325000 352706,498 -27706,4981 767.650.035,58 27.706,50
295000 334293,89 -39293,8897 1.544.009.769,72 39.293,89
300000 309437,016 -9437,01575 89.057.266,27 9.437,02
368000 352706,498 15293,5019 233.891.201,13 15.293,50
40.771.367.282,71 835.028,75
Tabla 2
34
RESIDUOS
35
Se observa que la distribución biparabolica ofrece una desviación absoluta media algo
superior a la obtenida mediante el uso de la distribución STSP y el uso de la regresión.
Sin embargo, se ha de tener en cuenta que la distribución STSP es una distribución
tetraparametrica y la regresión hace uso del conjunto total de datos, mientras que la
distribución biparabolica es una distribución triparametrica y aun así presenta una
menor desviación media que mediante el uso de otras distribuciones como la Normal,
la Triangular, la Beta, el método de error mínino y la regresión STSP
11. Conclusiones
1. La distribución biparabolica es una distribución que reparte la densidad de
forma continua, en el sentido que la moda no supone un punto de discontinuidad para
la derivada de la función de densidad
2. La distribución biparabolica es la distribución más adecuada para su uso en el
ámbito del PERT, de entro todas las distribuciones que pueden obtenerse a partir de
las tres estimaciones habituales del experto, pesimista, mas probable y optimista, en el
sentido de que es la que tienen mas varianza y solo le supera en moderación la
distribución Trapezoidal CPR.
3. La distribución biparabolica generalizada es una distribución que se puede
obtener a partir de las tres estimaciones habituales del PERT, esta definida en un
dominio acotado, tiene forma similar a la distribución normal y puede presentar
asimetrías por todo ello se puede afirmar que satisface las intenciones que perseguían
los creadores de PERT con el uso de la distribución Beta, y refiriéndonos a esta ultima
presenta la ventaja de que conocemos , explícitamente, su función de distribución, por
lo que resulta adecuado para ser utilizada en el MDFD.
4. Como puede observarse en las figuras 12.a-12.i la distribución biparabolica
puede adoptar casi la forma de una distribución uniforme (12.a), de una distribución
casi-degenerada (con toda la masa concentrada en un punto) (12.b) pasando por
formas similares a la normal (12.g), otras formas que recuerdan una normal en la que
se ha forzado la asimetría (12.c),(12.d), (12.h) y (12.i), una distribución que recuerda
la trapezoidal en la que se han suavizado las artistas, (12.e) y una distribución
cuadrática (12.f). En conclusión, la distribución biparabolica presenta una gran
versatilidad.
36
5. La aplicación en el MDFD presenta dificultades pues es necesario resolver una
ecuación cúbica, a pesar de ello, en el caso practico tiene el mejor comportamiento de
entre todas las distribuciones triparametricas empleadas.
A partir de (53) se podría construir una Distribución bicúbica y a partir de ella una
bicubica generalizada.
37
13. Bibliografía
Athanassoulis, Skarsoulis, Belibassakis (1994). Bivariate distributions with given marginals
with an application to wave climate description. Applied Ocean research, nº 16, pg.1-17
Alonso, R., Lozano, J. (1985). El método de las dos funciones de distribución: Una aplicación a la
valoración de fincas agrícolas en las comarcas Centro y Tierra de Campos (Valladolid). Anales del
INIA, Economía, 9, 295-325.
Ballestero, E. (1973). Nota sobre un nuevo método rápido de valoración. Revista de Estudios
Agrosociales, 85, Octubre-Diciembre 1973, pp. 75-78.
Ballestero, E., Caballer, V., (1982). Il metodo delle due beta. Un procedimiento rapido nella
stima dei beni fondiari. Genio Rurale, vol. 45, nº 6, pp. 33-36.
Ballestero, E., Rodríguez, J.A. (1999). El precio de los inmuebles urbanos. CIE Inversiones
Editoriales DOSSAT 2000.
Caballer, V., (1994). Métodos de valoración de empresas. Ediciones Pirámide, S.A., Madrid,
101-104.
Caballer, V., (1998). Valoración agraria. Teoría y práctica. Ediciones Mundi-Prensa, Madrid, 4ª
edición.
Cañas, J. A., Domingo, J., Martínez, J. A. (1994). Valoración de tierras en las campiñas y la
Subética de la provincia de Córdoba por el método de las funciones de distribución.
Investigación Agraria. Serie Economía, vol. 9, nº 3, 447-467.
Eyraud H. (1936) , Les principes de la mesure des corrélations, Ann. Univ. Lyon, Sect. A1, 30-
47.
Farlie, D.J.G. (1960), “The perfomance of some correlation coefficients for a general Bivariate
distribution” Biometrika, 47, 307-323
Frechet, M. (1951). “ Sur les Tableux de Corrélation Dont les Marges Sont Données” Annals
de l’Université de Lyon, Ser. 3, 14, 53-77
38
García, J., Cruz, S., Andújar, A. S., (1999). Il metodo delle due funzioni di distribuzione: Il
modello triangolare. Una revisione. Genio Rurale, 11, 3-8.
García, J., Cruz, s., García L.B. (2002a). Generalización del Método de las dos funciones de
distribución (MDFD) a familias betas determinadas con los tres valores habituales. Análisis,
Selección y Control de Proyectos y Valoración. Servicio de publicaciones de la Universidad de
Murcia.
García, J., Cruz, S., García, L.B. (2002b). Regresión a través de las funciones de Distribución.
Actas de la XVI Reunión Asepelt-España, Madrid (publicación en CD-Rom)
García, J., Cruz, S., Rosado, Y., (2000). Las funciones de distribución multivariantes en la
teoría general de valoración. Actas de la XIV Reunión Asepelt-España, Oviedo (publicación en
CD-Rom).
García, J., Cruz, S., Rosado, Y, (2002). Extensión multi-índice del método beta en valoración
agraria. Economía Agraria y Recursos Naturales. Vol. 2 Num. 2 , pp. 3-26
García, J., Trinidad, J. E., García L.B. ( ). Valoración por el método de las dos funciones de
distribución: Como seleccionar la mejor distribución.
García, J., Trinidad, J. E., Gómez, J. (1999): El método de las dos funciones de distribución: la
versión trapezoidal. Revista Española de Estudios Agrosociales y Pesqueros. Nº 185 pp. 57-80.
García, J., Trinidad, J. E., Sánchez, M. (1997). Selección de una cartera de cultivos: el principio
“primero la seguridad” de Roy. Investigación Agraria. Serie Economía Vol. 12, nº 1,2,3, pp.
425-445.
Genest C., Mackay J., (1986) The joy of copulas: Bivariate Distributions with Uniform Marginals.
The American Statistician, noviembre 1986, Vol. 40, nº 4, pg.280-283
Herrerías Pleguezuelo, R., García Pérez, J., Cruz Rambaud, S. Herrerías Velasco, J.M. (2001).
Il modello probabilistico trapezoidale nel metodo delle due distribución della teoria generale de
valutazioni. “Genco Rurale”. Estimo e Territorio. Rivista de Scienze Ambientali ANNO LXIV
Aprile 2001 nº 4, pp. 3-9.
Johnson Mark E., Tenenbein A. (1981). A bivariate Distributon Family with specified
marginals. Journal of the American Statistical Association, Marzo 1981, vol. 76, nº 373,pg.
198-201
Kimeldorf, G., Sampson, A.R. (1975), “One-Parameter Families of Bivariate Distributions with
Fixed Marginals” Communications in Statistics, 4, 293-301
Kotz S., Drouet M. (2001), Correlation and dependence. Imperial College Press, Londres.
39
Kotz S., Johnson, N.L. (1977). On some generalized Farlie-Gumbel-Morgenstern Distributions-
Regresion, correlation and further generalizations. Commun. Statist.-Theor. Meth, A6(6), pg 485-
496
Nataf, A. (1962). “Determination des distributions de Probabilités don des Marges sont
Données” C.R. Academy of Sciences, 225, 42-43.
Palacios, F., Callejón, J., Herrerías, J.M., (2000). Fundamentos probabilísticos del Método de
Valoración de las dos distribuciones. Actas de la XIV Reunión Asepelt-España, Oviedo
(publicación en CD-Rom).
Placket, R. L. (1965), A class of bivariate distributions. J. Am. Statistical Assoc. nº 60, pg 516-
522
Romero, C. (1977). Valoración por el método de las dos distribuciones beta: Una extensión.
Revista de Economía Política, 75, pp. 47-62.
Schweizer B., Sklar A., (1983), Probabilistic Metric Spaces, New York: North Holland.
Van Dorp, J.R. y Kotz, S. (2002a). “A novel extension of the triangular distribution and its
parameter estimation”. The Statistician, 51 1, 63-79.
Van Dorp, J.R. y Kotz, S. (2002b). “The Standard Two Sided Power distribution and its
properties: with applications in financial engineering”. The American Statistician, 56 2, 90-99.
Van Dorp, J.R. y Kotz, S. (2002c). “A versatile bivariate distribution on a bounded domain:
another look at the product moment correlation”. Journal of Applied Statistics, Vol 29. nº 8,
2002, pag 1165-1179
Van Dorp, J.R. y Kotz, S (2003). Generalizations of two Sided Power Distributions and their
convolution. Communications and statistics: Theory and Method. vol.32. nº 9.
40