Simulao com Pert Modificado

Paulo Buchsbaum 9 de junho de 2012 Abstract

Distribution Pert is one of more useful functions for modeling and simulation in the companies. However, usually it is applied in a inadequate and mechanical way. This article decodes Pert Distribution and related distributions (Modified Pert Distribution and Generalized Beta Distribution) stimulating a more intuitive understanding of this relation by analysis and graphical visualization. Furthermore, it is suggested a method for specifying parameters in Modified Pert, more suitable for estimations inside the companies involved in simulation processes. It's created a numerical method for determining the parameters of the Generalized Beta, in the proposed methodology. Key words: Beta Distribution, Generalized Beta Distribution, Pert Distribution, Modified Beta Distribution, Simulation

Resumo
Distribuio Pert uma das mais teis para modelagem e simulao nas empresas, mas usada nas aplicaes de forma, em geral, mecnica e inadequada Esse artigo decifra a Distribuio Pert e suas relacionadas (Distribuio Pert Modificada e Distribuio Beta Generalizada ) estimulando uma compreenso mais intuitiva dessa relao por meio de anlise e visualizao grfica. Alm disso, sugerido um mtodo para especificao paramtrica do Pert Modificado, muito mais apropriado para estimativas dentro das empresas que envolvem processos de simulao. proposto um mtodo numrico para determinao dos parmetros do Beta Generalizado, dentro da metodologia proposta. Palavras Chaves: Distribuio Beta, Distribuio Beta Generalizada, Distribuio Pert, Distribuio Beta Modificada, Simulao

I) Introduo
A Distribuio Pert uma das distribuies mais importantes para uso prtico nas empresas, porque ela muito utilizada para gerar valores aleatrios dentro de um intervalo, na modelagem e simulao de modelos financeiros, na rea de processos e anlises em geral. A Distribuio Pert, assim como uma variao denominada Distribuio Pert Modificada, um caso particular da Distribuio Beta Generalizada, que abrange uma grande variedade de distribuies definidas dentro de um intervalo. Inicialmente estabelece-se a relao entre os parmetros da Distribuio Pert Modificada e os parmetros da Distribuio Beta Generalizada, de uma forma completa e intuitiva, com exibio de famlias de Pert em modo grfico. Segue-se uma argumentao para mostrar que a forma normalmente usada da Distribuio Pert para simulao no muito adequada a situaes reais.

O artigo finaliza propondo uma forma alternativa para especificar a Pert Modificada e desenvolve um mtodo numrico para proceder da forma sugerida.

II) Distribuio Beta

A Distribuio Beta Generalizada, daqui para frente referida simplesmente como Beta, definida por 4 parmetros, dois deles (a e b) definem a forma da funo e so denominados parmetros shape, doravante apelidados de parmetros de formato, e outros dois definem o intervalo (Min e Max) dentro do qual h possibilidade de se ter um valor. Quando Min=0 e Max=1, o Beta se converte na Distribuio Beta Padro ou simplesmente Distribuio Beta e adequada para modelar percentuais, por exemplo, percentuais de votos em uma eleio. Pode-se observar ilustraes de alguns formatos que o Beta assume em http://en.wikipedia.org/wiki/Beta_distribution, e tambm as frmulas funcionais da curtose e da funo de distribuio acumulada (CDF), entre outras; alm de outras informaes. Essa distribuio tem a propriedade de apresentar uma frequncia de valores em volta da moda (valor mais frequente) que cai no seu entorno com suavidade configurvel, ao contrrio da Distribuio Triangular, que diminui abruptamente da moda na direo dos extremos. Essa caracterstica faz o Beta ser mais realista em aplicaes prticas do que a Triangular, porque no sensato que uma situao real apresente esse tipo de descontinuidade. O desvio padro (DP), a mdia (Med) e a moda (Moda) no Beta so calculadas a partir das seguintes frmulas: Med = min + (max - min) * (a/(a+b)) (1) 2 DP = Raiz(a/(a+b) * b/(a+b) * (Max-Min) / (a+b+1)) (2) Moda = Min + (a-1)/(a+b-2) * (Max - Min) (3) O mnimo e o mximo so parmetros intuitivos, j que representam o intervalo possvel de ocorrncia dos valores. Para fazer sentido da forma que usado nas empresas, preciso que os parmetros de formato (a e b) sejam ambos acima de 1. No entanto, o Beta, do jeito que ela definida, tem seu uso prtico dificultado porque no intuitivo estimar diretamente os parmetros a e b de formato.

III) Distribuio Pert

A Distribuio Pert definida a partir do mnimo (min), mximo (max) e da moda (moda). Ela um subconjunto do Beta onde Med = ( min + 4 * moda + max ) / 6 A frmula acima, que define a mdia (Med), termina por identificar exatamente qual Beta se aplica situao dada. Sem uma definio extra como a acima no seria possvel calcular os parmetros de formato a e b, porque haveria muitas possibilidades diferentes, com a mesma moda e os mesmos valores extremos (min e max) A frmula da mdia uma ponderao onde a moda influencia duas vezes mais no clculo da mdia que os extremos. Repare que a mdia diferente da moda. Se a moda est mais perto do mnimo, a cauda fica mais longa do lado do mximo, puxando a mdia para cima e vice-versa. Essa distribuio bastante utilizada para modelar tempos de durao de projeto em anlises Pert, de onde se origina seu nome. Nessa modelagem, o usurio especifica a moda (durao mais comum), a durao mnima e a durao mxima. A partir desses dados, a distribuio fica completamente definida.

A Pert pode ser usada para estimar durao de projetos, despesas, margem, markups, coberturas; enfim, diversas variveis presentes no mundo dos negcios. A partir dessas definies podemos calcular os parmetros de formato a e b correspondente ao Beta, mas vamos deixar esse desenvolvimento para o prximo tpico.

IV) Distribuio Pert Modificada

IV.1) Introduo
O estatstico David Vose, proprietrio da Vose Software, props a Distribuio Pert Modificada (Modified Pert),. que tambm foi adotado por Wolfram no software Mathematica. Essa distribuio mais verstil para as aplicaes, porque a mdia (Med) calculada de forma mais flexvel. Med = ( min + * moda + max ) / ( +2) (4) Nessa formula fcil ver que quanto maior o valor de lambda () mais ngreme a funo fica nas imediaes da moda (curtose mais elevada), essa caracterstica termina por diminuir a distncia entre a mdia e a moda e tambm faz os trechos das curvas perto dos extremos (mnimo e mximo) serem menos importantes e frequentes. Obviamente a Pert Modificada se converte na Pert quando lambda () vale 4.

IV.2) Determinao dos formatos em funo da mdia e dos extremos

Substituindo (4) em (1) e (2) e isolando os parmetros a e b: a/(a+b) = (Med-Min) / (Max-Min) (5) (a-1)/(a+b-2) = (Moda-Min)/(Max-Min) (6) Isolando a em (5): a* (1 - (Med-Min) / (Max-Min)) = b * (Med-Min) / (Max-Min) a* (Max-Med)/ (Max-Min)) = b * (Med-Min) / (Max-Min) a = b * (Med-Min) /(Max-Med) (7) Preparando para Substituir em (6), com (7): a-1 = ( b* (Med - Min) - (Max-Med) ) / (Max-Med) (8) (a+b-2) = ( b * (Med-Min) + (b-2)*(Max-Med) ) /(Max-Med) (a+b-2) = ( b * (Max - Min) - 2*(Max-Med) ) /(Max-Med) (9) Substituindo (8) e (9) em (13): ( b*(Med-Min) - (Max-Med))/( b*(Max - Min) - 2*(Max-Med) ) = (Moda-Min)/(Max-Min) ( b*(Med-Min) - (Max-Med)) = b*(Moda - Min) - 2*(Max-Med)*(Moda-Min)/(Max-Min) b*(Med-Moda)= (Max-Med)*(Max-Min)/(Max-Min)-2*(Max-Med)*(Moda-Min)/(Max-Min) b*(Med-Moda)=(Max-Med)*(Max-2*Moda+Min)/(Max-Min) b=(Max-Med)*(Max-2*Moda+Min)/( (Max-Min)*(Med-Moda)) (10) Substituindo (10) em (7) temos:

a=(Med-Min)*(Max-2*Moda+Min)/( (Max-Min)*(Med-Moda)) (11) Adicionando (10) e (11) fica: a+b =(Max-2*Moda+Min)/(Med-Moda) Substituindo acima Med por (4): a+b =(Max-2*Moda+Min)/((Min+Lambda*Moda+Max)/(Lambda+2) -Moda) a+b =(Max-2*Moda+Min)/((Min - 2*Moda+Max)/(Lambda+2)) a+b=Lambda+2 (12) O resultado acima surpreendente, porque uma simplificao extrema de duas expresses complexas. Ela expressa que a Distribuio Pert Modificada abrange toda a famlia de distribuies cuja soma dos parmetros de formato aquela constante (lambda + 2), o que traz uma similaridade patente entre as diferentes curvas que compartilham o mesmo lambda, como veremos de forma grfica na seo seguinte. Chamando a+b de SS (Sum of Shapes) e substituindo em (10) e (11) obtemos: a=(Med-Min)/(Max-Min)*SS (13) b=(Max-Med)/(Max-Min)*SS (14)

IV.3) Visualizao das Famlias Pert

Abaixo, mostra-se uma famlia Pert, mapeada para Beta Padro, com lambda = 4. Plotase o valor de ponto da funo de distribuio (PDF) contra os possveis valores que a varivel Beta pode assumir. Como se trata do Beta Padro, a distribuio s pode assumir valores entre 0 e 1. A altura do ponto da curva da PDF proporcional probabilidade da distribuio assumir aquele valor, mais precisamente, a imediata vizinhana daquele valor, j que no faz sentido falar em probabilidade de uma distribuio assumir um valor especfico. 1 A moda sempre o valor mais alto da curva, que representa o valor mais provvel. No caso, a moda pode assumir qualquer valor entre os dois extremos (0 e 1). Atravs da observao das curvas, observa-se que o comportamento do Beta degenera, quando a moda se aproxima dos extremos. Isso pode ser apenas imaginado pela figura abaixo, porque s usamos valores de moda no intervalo entre 0.1 e 0.9.

S faz sentido falarmos em probabilidade intervalar, ou seja, probabilidade que a distribuio assuma um valor dentro de um intervalo, que dada pela integral da curva PDF entre os dois pontos. A integral total da curva PDF em uma distribuio sempre deve valer 1, ou seja, 100%, ou seja, abrange todas as possibilidades.

Beta Padro Pert (Lambda = 4)

0,1

0,2

0,3

0,4

0,5

0,6

0,7

0,8

0,9

Observe a suavidade da variao de valores da distribuio perto da moda. Esse um comportamento realista do Beta, porque os fenmenos naturais no apresentam, em geral, variaes bruscas. Veja ainda como nas curvas menos centrais, praticamente no h valores perto dos extremos no lado da cauda mais longa. Quando a moda aproxima-se do meio entre os dois extremos, a curva simtrica. Deslocando-se para os lados, surge, de forma crescente, a forma assimtrica. Essa versatilidade, diferente da Normal, sempre simtrica, que faz a Beta uma funo to til para modelar inmeras mtricas do mundo dos negcios, porque comum uma situao em que atribumos uma faixa de valores para uma varivel, embora saibamos que o valor mais provvel se aproxima mais de um dos dois extremos. Por exemplo, podemos estimar uma expectativa de crescimento de vendas entre 20% e 40%, sendo 25% o crescimento mais provvel, porque um crescimento maior dependeria de aes mais incertas. Mostra-se que para valores de lambda de 4 para cima, sempre possvel encontrar uma Distribuio Normal que se aproxime do Beta simtrico (moda igual mdia), com a aproximao se tornando mais precisa quanto mais alto o valor de lambda. No entanto, o desvio 2 padro da Normal maior que a Beta e cada vez se afasta mais do desvio padro da Beta. A mdia, por sua vez, exceto quando a moda equidistante dos extremos, sempre deslocada para a direo da cauda mais longa, que termina "puxando" a mdia. Abaixo plotamos duas variaes de famlias de curvas. Para lambda = 2 observa-se o achatamento das curvas, lembrando a sela de um cavalo, com curtose mais baixa. J com lambda = 8 as curvas ficam mais ngremes, expressa por uma curtose mais elevada, tornando as imediaes da moda mais bruscas. Observe, nesse caso, como o vale no meio mais cavado do que a curva com lambda = 4.

A Distribuio Normal no uma distribuio adequada para expressar variveis que apresentam um intervalo limitado de valores. Alguns autores usam a Distribuio Normal Truncada para isso, mas ela cria uma descontinuidade nos extremos que no muito realista.

Beta Padro Pert (Lambda = 2)

0,1

0,2

0,3

0,4

0,5

0,6

0,7

0,8

0,9

Beta Padro Pert (Lambda = 8)

0,1

0,2

0,3

0,4

0,5

0,6

0,7

0,8

0,9

IV.4) Determinao dos formatos em funo da moda e dos extremos

A frmula (4) que expressa a mdia em funo da moda e dos extremos repetida abaixo. Med = (Min+Lambda*Moda+Max)/(Lambda+2) Partindo-se da definio dos parmetros a e b em (10) e (11) fica a=((Min+Lambda*Moda+Max)/(Lambda+2) -Min)/(Max-Min)*(Lambda+2) a=((Min*(-1-Lambda) +Lambda*Moda+Max)/(Lambda+2)/(Max-Min)*(Lambda+2) a=((Min*(-1-Lambda) +Lambda*Moda+Max)/(Max-Min) (15) b=(Lambda+2) - ((Min*(-1-Lambda) +Lambda*Moda + Max)/(Max-Min) b=( Lambda*Max+2*Max -Lambda*Min -2*Min + Min*(1+Lambda) -Lambda* Moda- Max)/(Max-Min) b=( (Lambda+1)*Max - Min -Lambda* Moda)/(Max-Min) (16)

IV.5) Determinao do desvio padro em funo da moda e dos extremos

A frmula (2) que expressa o DP em funo dos formatos e dos extremos repetida abaixo. DP = Raiz(a/(a+b) * b/(a+b) * (Max-Min)^2 / (a+b+1)) Substituindo-se a*b de acordo com os valores em (10) e (11) fica: a*b = (Max-Med)*(Med-Min)*( (Max-2*Moda+Min)/( (Max-Min)*(Med-Moda)))^2 (17)

O pedao (Max-Med)*(Med-Min) da frmula acima pode ser expandido usando-se a definio de mdia em (4): (Max-Med)*(Med-Min) = ((Lambda+1)*Max - Lambda*Moda - Min ) *( -(Lambda+1)*Min + Lambda*Moda + Max )/(Lambda+2)^2 O pedao (Med - Moda) da frmula (17) pode ser expandido usando-se a definio de mdia em (4): Med-Moda = ( Min - 2*Moda + Max ) / (Lambda + 2) Substituindo as subexpresses acima em (17) temos: a*b = ((Lambda+1)*Max - Lambda*Moda - Min)*(-(Lambda+1)*Min+Lambda*Moda+Max )/(Max-Min)^2 Coloca-se ento paulatinamente os outros componentes da frmula em (2) para simplificar: a*b * (Max-Min)^2 / (a+b+1) =((Lambda+1)*Max - Lambda*Moda-Min)* ( -(Lambda+1)*Min + Lambda*Moda+Max )/(Lambda+3) a*b * (Max-Min)^2 / (a+b+1) / (a+b)^2 = ( (Lambda+1)*Max - Lambda*Moda - Min)* ( -(Lambda+1)*Min + Lambda*Moda + Max ) / ( (Lambda+3)*(Lambda+2)^2) O lado esquerdo j corresponde formula do DP em (2), s que com raiz quadrada e o lado direito est pronto: DP = Raiz ( ((Lambda+1)*Max - Lambda*Moda - Min ) * ( -(Lambda+1)*Min + Lambda*Moda + Max )/((Lambda+3)*(Lambda+2)^2) ) (18)

IV.6) Frmula usual do desvio padro em funo dos extremos

A frmula do desvio padro da Pert que usualmente mostrada, alguns at reconhecendo que se trata de uma aproximao, a seguinte: DP = (Max - Min)/6 (19) Na Pert Modificada a frmula acima fica DP = (Max - Min)/(Lambda+2) (19a) Mostra-se facilmente que essa aproximao bem fraca. Ron Davis (2008) usa a frmula aproximada em (19) para demonstrar uma relao equivocada para o clculo dos parmetros de formato do Beta. Pleguezuele (1999) concentra-se muito em se basear na aproximao acima (19) para deduzir outras propriedades, usando inclusive uma equao cbica.

V) Sugesto de Especificao para a Pert Modificada

V.1) Motivao
Como vimos acima, a maneira mais fcil de definir os parmetros de um Beta atravs da Pert Modificada, mas essa ainda no a situao ideal. O problema que os extremos representam valores na prtica inatingveis, porque, para a maioria das situaes aplicveis, mostra-se que mesmo os percentis3 perto das pontas (5. e 95) so ainda muito distantes dos extremos tericos, especialmente do lado da cauda longa. Sendo assim, uma proposta mais vivel, seria elaborar uma especificao de entrada que incluiria a moda e dois percentis simtricos, ao invs da moda e dos extremos. Por exemplo, pode-se especificar que o usurio estime o percentil 5 e o percentil 95, como sendo respectivamente o ponto que abaixo dele s existe 5% dos casos e o ponto que acima dele s existe 5% dos casos. O leitor pode perceber com facilidade que muito mais fcil treinar profissionais para estimar extremos incomuns, mas possveis, do que estimar valores virtualmente impossveis, que so os extremos verdadeiros. A partir da, o sistema calcularia os extremos, supondo que a mdia obedece a frmula em (4). A ferramenta @Risk da Palisade oferece a possbilidade, atravs da funo RiskPertAlt, de se entrar com percentis, mas infelizmente a funo no permite usar outro valor da funo lambda que no seja 4. O exemplo abaixo, usando a citada funo do @Risk, ilustra a questo: =RiskPertAlt(5%;10;"m. likely";15;95%;30) Nesse caso, a varivel a ser simulada tem percentil 5. de 10, percentil 95. de 30 e o valor mais provvel 15. Essa distribuio tem os seguintes parmetros a = 1,8 b = 4.2 Min = 7,9 Mximo = 43,5 Observe como o percentil 95. (30) distante do mximo. Mesmo o percentil 99.(34,5) ainda fica bem distante. Como se espera que um profissional, ainda que treinado em probabilidades, consiga estimar o mximo se ele virtualmente no existe? A ideia, semelhante ao exemplo citado, especificar o lambda, o P5, o P95 e a moda para definir o Beta a ser utilizado.

V.2) Clculo dos parmetros da Beta

preciso ento encontar um mtodo independente de ferramenta para estimar os parmetros do Beta a partir da moda e dos percentis. O ponto de partida a seleo do lambda, que costuma ser mais central no modelo. O lambda desejado depende, como falamos acima, do ritmo de queda desejado em relao moda em ambas as direes. Quanto mais alto o valor de lambda (e, portanto a soma dos parmetros a e b de formato), mais elevada a moda, mais abrupta a queda e diminui a

Um percentil de Xo. significa um valor que a varavel estocstica assume onde teoricamente X% dos valores possveis dessa varivel ficam abaixo desse valor.

influncia dos extremos. O lambda poder definir uma famlia de funes que poder ser compartilhada em todos os modelos. De todo modo, o principal problema que esses dados de entrada no permitem obter diretamente o mnimo e o mximo do Beta. O mnimo tambm denominado de localizao e a diferena entre o mximo e o mnimo chamada de escala. Muitos parmetros estatsticos p' do Beta Padro (aquele que o mnimo 0 e o mximo 1) pode ser convertido para o mesmo parmetro estatstico p do Beta, pela relao abaixo: p = Min + p' * ( Max - Min) (20) A declarao acima vale tambm para a moda, a mdia e os percentis. preciso ento encontrar alguma relao entre os dados de entrada que seja independente da escala. Uma forma adequada expressa pela seguinte relao: Fator = ( P95 - Moda ) / (Moda - P5) (21) Pode-se facilmente verificar que tal relao independente da localizao e da escala, isso , assume o mesmo valor, qualquer que sejam os valores do mnimo e do mximo. O fator poderia servir para determinar univocamente a relao AShare, envolvendo os parmetros de formato AShare = a / SS (22) Onde SS = a+b Optou-se por tentar determinar o AShare e no o a, j que aquela propriedade mais estvel, porque no est ligada ao valor absoluto dos parmetros de formato. A partir desse ponto, j existe um lambda selecionado e, portanto o valor da soma dos parmetros de formato (SS) lambda + 2 (vide (12)) A seguir, montou-se no Excel uma tabela de dados como preparativo para um processo de ajuste de curva, usando o Beta Padro. O valor de entrada primitiva mais fcil a moda, porque sabemos que o seu valor est no intervalo (0,1). Por exemplo, se variarmos a moda entre 0 e 1, com passo 0,05 em 0,05, excluindo os pontos extremos, obtemos quase 200 pontos. Da moda, calcula-se o a e o b: a = Moda*Lambda + 1 b = SS - a Calculam-se os percentis 5 e 90 atravs do inverso da funo cumulativa de Distribuio (CDF) da Beta, que, no caso do Excel, corresponde funo BETA.ACUM.INV. Finalmente, geram-se as colunas Fator (Vide (21)) e AShare (Vide (22)) Essas colunas formam respectivamente a varivel independente (Fator) e uma varivel dependente (AShare) de alguma funo que pode ser ajustada a esses pontos. Foi ento utilizada a ferramenta de ajuste de curva LabFit (www.labfit.net), produto comercial brasileiro, que automatiza completamente o ajuste de uma curva a partir de um banco de centenas de curvas. Tomou-se o cuidado, para evitar a deformao nas extremidades do ajuste, de considerar apenas os pontos onde o mnimo (a, b) seja maior que 1,2. O uso dessa ferramenta gerou a curva de Harris, funo que obteve o melhor ajuste segundo a estatstica de erro adotada: Y = 1/(A+B*X**C)+D (23)

O parmetro estatstico que a ferramenta usa para ordenar as escolhas de ajuste o qui-quadrado reduzido, cujo valor ficou inferior a 1:1.000.000: Onde O o dado observado, E o dado esperado ou terico, o desvio padro dos dados observados e n o nmero de observaes. Para lambda = 4, obtemos A=1,6056, B=1,6056, C=1,3985 e D=0,18859 Para lambda = 6, obtemos A=1,4257, B=1,4257, C=1,5843 e D=0,1493 A partir dessa parametrizao, os passos de determinao dos parmetros do Beta so os seguintes: 1) Calcule o Fator do Beta especificado, por (21): Fator = ( P95 - Moda ) / (Moda - P5) 2) Descubra AShare em funo do Fator, de acordo com os parmetros A, B, C e D, obtido para o lambda desejado. Se lambda = 4, a equao (23) se torna: AShare = 1/ (1,6056 + 1,6056 * Fator ^1,3985) + 0,18859 3) Calcule a e b: a = AShare * SS b = SS - b 4) Calcule a moda do Beta Padro: Moda' = (a-1)/lambda 5) Calcule P5 do Beta Padro, usando o inverso da funo cumulativa de distribuio, que corresponde no Excel funo BETA.ACUM.INV P5' = BETA.ACUM.INV(0,05;a;b) 6) Calcule a escala (Max-Min): Escala=(P5 - Moda ) /(P5' - Moda') 7) Calcule o mnimo: Min = Moda - Moda' * Escala 8) Calcule o mximo: Max = Min + Escala Foi usado o processo acima para o caso lambda=4, para comparar com a ferramenta @Risk. Moda = 15 P5=15 P95=30 O erro qui-quadrado reduzido ficou em menos de 0,2%, exceto para o mximo (0,36%), mostrando-se perfeitamente aplicvel em situaes prticas, com a vantagem de poder ser calibrado para qualquer valor de lambda.

Red2 = 1/(n-1) * (O - E)2 / 2

VI) Concluso
Esse artigo cumpre a misso de explicar a Distribuio Pert, justificar a lgica de sua generalizao (Distribuio Pert Modificada) e elucidar sua relao com a Distribuio Beta Generalizada, destacando a elegncia do parmetro lambda ( ) que somado com 2 define a soma dos parmetros shape do Beta.

A importncia prtica da Distribuio Beta ou Distribuio Pert to grande que os profissionais deveriam utiliz-la com plena conscincia do que esto fazendo. Isso justifica o foco desse trabalho em dar uma viso intuitiva e grfica da Pert Modificada, onde cada valor de lambda define uma famlia de curvas com formato similar. Em seguir mostraram-se as fraquezas da especificao paramtrica convencional da Pert, denunciando a dificuldade do usurio definir o mnimo e o mximo, finalizando com uma sugesto de especificao onde se substitui o mnimo e o mximo por percentis, mantendo-se a especificao da moda. O artigo finaliza mostrando como se implantar essa nova especificao sugerida, usando tcnicas de clculo numrico, que pode ser aplicada a qualquer ambiente de desenvolvimento. Cumprimos nosso objetivo se o leitor ficar com uma viso menos seca e menos "caixa preta" de uma Distribuio to til quanto a famlia Beta-Pert.

VII) Bibliografia
DAVIS, Ron. "Teaching Project Simulation in Excel Using PERT-Beta Distributions", Informs - Transactions on Education, Vol. 8, No. 3, pp. 139148, 2008 EVANS, Merran. Statistical Distributions. 3.ed. New York - John Wiley & Sons, 2000 JENSEN, Paul. "Beta Distribution", Operations Management/Industrial Engineering, 2004 http://www.me.utexas.edu/~jensen/ORMM/omie/computation/unit/project/beta.html LAB Fit Curve Fitting Software (Nonlinear Regression and Treatment of Data Program) 1999-2011 PALISADE. Risk Analysis and Simulation Add-In for Microsoft Excel, 2010 PLEGUEZUELO, Rafael et alli. "The Parameters of the Classical Pert and Assessesment of its Success", Central European Journal of Operations Research, v.7, issue 3, pp 159175, 1999 VOSE Software "Modified PERT distribution" - www.vosesoftware.com WIKIPEDIA. "Beta Distribution" - http://en.wikipedia.org/wiki/Beta_distribution WOLFRAM "Pert Distribution" http://reference.wolfram.com/mathematica/ref/PERTDistribution.html