ABSTRACT: Las operaciones de construccin estn sujetos a una amplia

variedad de fluctuaciones e interrupciones. La variacin de las condiciones

climticas, el desarrollo del aprendizaje en las operaciones repetitivas, las
averas de equipos, gestin de la interferencia, y otros factores externos
puede afectar el proceso de produccin de la construccin. Como resultado
de tales interferencias, el comportamiento de los procesos de construccin a
estar sujeta a variaciones aleatorias. Esto requiere operaciones de
construccin de modelos como procesos aleatorios durante la simulacin.
Procesos aleatorios en la simulacin incluyen la actividad y tiempos de
procesamiento, procesos de llegada (por ejemplo, los patrones del tiempo) y
las interrupciones. En el contexto de estudios de simulacin de la
construccin, el modelado de un proceso aleatorio de entrada se realiza
generalmente mediante la seleccin y el ajuste de una distribucin de
probabilidad suficientemente flexible para que el proceso basado en datos
de la muestra. Para ajustar una distribucin beta generalizada en este
contexto, se presenta un programa de ordenador fundada sobre varios
procedimientos numricos rpido, robusto basado en un nmero de
mtodos de estimacin estadstica. En particular, los mtodos siguientes se
obtuvieron e implementados: coincidente momento de mxima
verosimilitud, y la reduccin al mnimo de los mnimos cuadrados. Se
encontr que el mtodo de minimizacin de mnimos cuadrados proporcion
una mejor calidad se adapta en general, en comparacin con los otros dos
enfoques. Los procedimientos de ajuste adoptadas se han implementado en
BetaFit, un paquete de software basado en un microordenador interactiva,
que est en el dominio pblico. El funcionamiento de BetaFit se discute, y se
presentan algunas aplicaciones de este paquete para la simulacin de
proyectos de construccin.
INTRODUCCION
En una amplia diversidad de estudios de simulacin de la construccin, a
menudo es necesario para representar una secuencia particular de entradas
de simulacin como variables aleatorias independientes tomadas de una
distribucin de probabilidad subyacente comn; y luego el objetivo principal
de la modelizacin de simulacin de entrada es aproximar esta distribucin
con precisin y con un mnimo de esfuerzo computacional. Un elemento
clave en la toma de la simulacin por ordenador accesible a los
profesionales de la construccin es la automatizacin de las tcnicas
estadsticas y numricas complejas necesarias para lograr la precisin
deseada dentro de un experimento de simulacin.
Distribucin estadstica de montaje a la muestra de datos se puede
encontrar en muchas aplicaciones de construccin, incluyendo el anlisis de
riesgos, control de calidad, y sobre todo, con un costo y la programacin.
A1-Masri (1985) equipado lognormal y otras distribuciones en el estudio de
las operaciones de movimiento de tierras. Touran y Wiser (1992) discuten
una tcnica de Monte Carlo se utiliza para la "estimacin de rango" que
requiere el ingeniero de costos para modelar las distribuciones subyacentes
de los datos de costes unitarios, por ejemplo. En su aplicacin, los datos
correlacionados deba ser modelada y su eleccin de la distribucin
logartmica normal era. Ejemplos adicionales incluyen una reciente trabajar
por Farid y Aziz (1993), que involucr a distribuciones beta de ajuste para

muestrear los datos de movimiento de tierras en el proceso de validacin de

modelos de colas y la simulacin de los tiempos de viaje no estacionarios a
travs del uso del cicln.
El nfasis principal de la presente solicitud es el modelado de entrada para
la simulacin de la construccin. Esto incluye el modelado de la variabilidad
de los tiempos de las actividades de programacin de proyectos y
probabilstico paquete de trabajo variabilidad de costos en el contexto de la
estimacin de rango. La construccin de modelos de simulacin (por
ejemplo, aplicaciones de cicln) tambin requiere la modelizacin
estadstica precisa de entrada.
AbouRizk y Halpin (1992a) presentan un estudio emprico muestra que una
distribucin flexible, a menudo se requiere y se recomienda para modelar
los tiempos de actividad. AbouRizk et al. (1992) presentaron un mtodo
para tiempos de actividad de modelado en la ausencia de datos para la
simulacin de la construccin. Cuando una muestra de datos puede ser
recogido (por ejemplo, de una operacin en curso de movimiento de
tierras), una distribucin adecuada se puede utilizar para proporcionar una
representacin precisa del proceso aleatorio subyacente del tiempo de
actividad o coste. Para hacer esta disponible para los profesionales de la
construccin y los investigadores una tcnica automatizada que leer una
muestra recogida de los datos y realizar muchas aproximaciones numricas
para llegar a una adecuada distribucin beta fue desarrollado.
MONTAJE EN DISTRIBUCION EN ESTUDIOS DE SIMULACION
El enfoque convencional para el modelado de simulacin de entrada es para
adaptarse a una distribucin de probabilidad de una familia estndar de las
distribuciones continuas en base a datos de la muestra. En comparacin con
las discontinuidades e irregularidades de la funcin de densidad
acumulativa (CDF) del conjunto de datos de ejemplo, este enfoque produce
una aproximacin suave, regular a la CDF desconocido de donde se tom la
muestra. Este enfoque tambin elimina la necesidad de almacenar y
manipular grandes cantidades de datos de la muestra al generar muestras
aleatorias a partir de un proceso de entrada particular.
La principal dificultad en el modelado de entrada de simulacin es la amplia
gama de formas de distribucin que deben ser alojados en la prctica. Esto
motiva el uso de una familia flexible de las distribuciones que es capaz de
alcanzar una amplia variedad de formas. Entre estas familias son el sistema
Pearson (Johnson y Kotz 1970), el sistema de traduccin Johnson (Johnson
1948), la familia de distribucin Lambda y sus modificaciones (Tukey 1960;
Schmeiser y Deutch 1976;. Ramberg et al 1979), y el beta generalizada
familia de distribuciones (Hahn y Shapiro 1967). En el presente trabajo, el
foco est en la familia beta generalizada de las distribuciones, que ha sido
ampliamente utilizado en una variedad de aplicaciones de ingeniera de
construccin y de gestin, es bien conocido, y est disponible en casi todos
los paquetes de software de simulacin.
La precisin de ajuste en la simulacin de la construccin de distribucin
depende en gran medida de la aplicacin involucrada y la medida
estadstica de rendimiento requerido. Un estudio realizado por AbouRizk

(1990) demostr que si el parmetro buscado de la simulacin es una

medida media de rendimiento (por ejemplo, tiempo de finalizacin del
proyecto o coste de media) el uso de una triangular, lognormal, o
distribucin beta como modelos de entrada en el experimento de simulacin
podra rendimiento valores cercanos de la media estimada, siempre y
cuando los medios de los modelos de entrada utilizados son los mismos. A
medida que la orden de la estimacin estadstica aumenta los resultados de
la simulacin comienzan reflejando mayor sensibilidad al tipo de distribucin
utilizado. Por ejemplo, cuando se requiere que el valor del percentil 90 del
tiempo de espera en una cola de camiones, el uso de distribuciones
lognormal, triangulares, o beta dentro del modelo puede producir resultados
considerablemente diferentes. Por lo tanto, es esencial en tales aplicaciones
que la distribucin seleccionada para modelar los datos recogidos realmente
refleja las propiedades de los datos. Esto puede ser validado a travs la
bondad comn de las pruebas de ajuste o mediante estimacin visual de la
CDF equipada frente a muestras recogidas. Un resumen del efecto de
modelado de entrada de simulacin de construccin se puede encontrar en
AbouRizk y Halpin (1992b).
FAMILIA BETA GENERALIZADA DE LAS DISTRIBUCIONES
La funcin de densidad de probabilidad (PDF) para la distribucin beta
generalizada definida en el intervalo [L, U] con parmetros de forma a y b
viene dada por:

Donde el lmite inferior L y el lmite superior T satisfacen L <T < ;

parmetros de forma a y b son positivos; y la funcin gamma (z) se define
por

La CDF correspondiente sobre el intervalo [L, U] con los parmetros de

forma A y B viene dada por:

Si X es una variable aleatoria que tiene la distribucin generalizada beta (3),

a continuacin, la media, la varianza, asimetra y curtosis de la X se dan,
respectivamente, por las siguientes expresiones:

Ver Hahn y Shapiro (pginas 91-98, 126-128, 1967). Ecs. (6) y (7) muestran
cmo la forma de la densidad beta generalizada f (x) est determinada por
los valores de los dos parmetros de forma a y b. Del mismo modo, (4) y (5)
mostrar cmo la media y la varianza de la distribucin beta generalizada
dependen del parmetro de ubicacin L y el parmetro de escala (U - L).
Deje O = (L, T, a, b) denota el vector de parmetros que define la densidad
beta generalizada (1). Para enfatizar la dependencia de la PDF, (1), y el CDF,
(3), en este vector de parmetros, f (x; O) y F (x; O) se utilizar
posteriormente para representar estas funciones.

METODOS ESTADISTICOS PARA DISTRIUCIONES BETA

Como se mencion anteriormente, la distribucin de probabilidad beta
generalizada se utiliza con frecuencia en estudios de simulacin para
modelar el comportamiento de una magnitud de entrada que est sujeto a
la variacin aleatoria o que simplemente no se sabe con certeza.
Supongamos que {Xi: 1 - <i - n} es una muestra aleatoria de tamao n de la
distribucin de probabilidad subyacente de inters. Se postula que este
desconocido CDF tiene la forma F (x; O) dada por (3), y un mtodo
estadstico preciso y eficiente computacionalmente para estimar O para
especificar por completo se est buscando el modelo de entrada necesaria.
Momento de congruencia
Para ajustar una distribucin postulado con parmetros desconocidos k en
base a datos de la muestra, el mtodo de momento a juego requiere los
siguientes pasos:
(A) Calcular los primeros momentos de la muestra k; (B) equiparar estas
estadsticas a los momentos tericos correspondientes para obtener un
sistema de ecuaciones k en los parmetros desconocidos K; y (C) resolver
este sistema de ecuaciones para las estimaciones de los parmetros
correspondientes.
Varias variantes de esta idea bsica se han especializado para el caso de
distribuciones beta de montaje. Para adaptarse a una distribucin beta por
una versin simplificada del momento coincidente, Riggs (1989) sugiri que

el lmite inferior L y el lmite superior U deben ser estimadas,

respectivamente, por las observaciones mnimo y mximo de la muestra al
azar ~ {X); por tanto, slo los parmetros de forma a y b deben estimarse
comparando la media y la varianza de la distribucin beta equipada [vase
(4) y (5)] para la media calculada y la varianza de la muestra.
Este enfoque da como resultado un sistema lineal de dos ecuaciones con
dos incgnitas del ayb que puede ser resuelto fcilmente; (C.f. Hahn y
Shapiro, pgina 95, 1967). Hay dos problemas fundamentales con este
enfoque. En primer lugar, la densidad equipada anula en los mayores y
menores valores observados en la muestra, lo que implica que estos valores
tendran posibilidad insignificante de que se produzca con el modelo de
entrada equipada. Y segundo, la flexibilidad sustancial en la distribucin
adaptada se pierde puesto que no hay capacidad para que coincida con la
asimetra y curtosis observada en la muestra. Por lo tanto se consideraron
procedimientos ms generales momento de congruencia para estimar
distribuciones beta. Dado que la distribucin beta generalizada tiene k = 4
parmetros, los primeros cuatro momentos tericos especificados por (4) (7) debe ser adaptado a los momentos de la muestra correspondientes
calculados a partir del conjunto de datos {Xi} como se da de la siguiente
manera:

El siguiente sistema de ecuaciones no lineales debe resolverse para

determinar O:

Para resolver el sistema de ecuaciones no lineales definidas por (12) y (13)

para la estimacin momento de coincidencia de L, g), a, y b, se utiliza
convencionalmente un enfoque de dos etapas. En la primera etapa, el
sistema (13) se resuelve para a y b minimizando iterativamente la suma de
las diferencias al cuadrado entre los lados izquierdo y derecho de (13); a
continuacin, dando como resultado valores de a y b se sustituyen en el
subsistema lineal (12) para resolver para L y U. En la prctica se ha

encontrado que este procedimiento puede producir estimaciones no

factibles los lmites inferiores o superiores de tal manera que

Esta condicin inviabilidad implica que la muestra observada ^ {X;} tiene

probabilidad cero de que se produzca en el marco del modelo de entrada
equipada f (x; O) - y es la creencia de los autores de que una inconsistencia
lgica es completamente inaceptable, tanto desde el terico y punto de
vista prctico. Aunque una modificacin de este en dos etapas
procedimiento momento de coincidencia convencional se ha investigado y
desarrollado que fue especialmente diseado para garantizar la viabilidad
de las estimaciones finales L y (J eliminando el requisito para que coincida
con la varianza de la muestra en (12), este procedimiento modificado
tambin ha demostrado ser poco fiable en la prctica. en concreto, tanto el
de dos etapas procedimiento momento de coincidencia convencional, as
como el procedimiento modificado a un conjunto de conjuntos de datos de
80 muestras que representan un amplio espectro de procesos de entrada
que surgen en la simulacin de proyectos de construccin se ha aplicado
(AbouRizk 1990). En un nmero sustancial de estos conjuntos de datos, las
distribuciones beta armarios eran inaceptables claramente aunque
excelentes ajustes podran ser obtenidos por otros mtodos. estos
resultados condujeron al desarrollo de una implementacin alternativa de
momento de coincidencia que es diseado para el ajuste de una distribucin
beta a la muestra de datos por bsqueda de los cuatro momentos de la
muestra lo ms cerca posible evitando al mismo tiempo la condicin
inviabilidad (14).