Die PERT-Verteilung war ein Meilenstein in der Entwicklung von Monte-Carlo-Simulationsmodellen im Unternehmensbereich. Sie ist bereits in den 1950er Jahren aufgekommen und wurde ausdrücklich als Verteilung zusammengestellt, um eine spezielle Aufgabe zu erfüllen: die Bewertung von Großprojekten.
Wir zeigen im Folgenden, wie die Verteilung definiert ist, wofür sie entwickelt wurde und wie sie aussieht. Danach gehen wir darauf ein, wann sie passt, und simulieren ein Projekt mit 25 Tätigkeiten in Excel mit Risk Kit. An diesem Beispiel sehen wir auch, wo die Grenzen der PERT-Verteilung liegen.
Was ist eine PERT-Verteilung?
Eine PERT-Verteilung wird durch drei Werte beschrieben: das Minimum, den wahrscheinlichsten Wert und das Maximum. Den wahrscheinlichsten Wert nennt man auch Modus. Die PERT-Verteilung ist immer begrenzt, ihre Werte liegen zwischen Minimum und Maximum.
Entstanden ist sie aus der Beta-Verteilung. Die Beta-Verteilung ist extrem flexibel, aber sehr abstrakt parametrisiert. Für die PERT-Verteilung hat man sie vereinfacht und ihre beiden abstrakten Parameter auf Minimum, wahrscheinlichsten Wert und Maximum zurückgeführt. Schreiben wir a für das Minimum, b für den wahrscheinlichsten Wert und c für das Maximum. Dann entsteht eine PERT-verteilte Zufallszahl X aus einer Beta-verteilten Zufallszahl Y, die auf den Bereich von a bis c gestreckt wird:
X = a + (c − a) · Y
Die beiden Parameter α und β der Beta-Verteilung ergeben sich dabei aus den drei Werten:
α = 1 + 4 · (b − a) / (c − a) und β = 1 + 4 · (c − b) / (c − a)
Wofür wurde die PERT-Verteilung entwickelt?
Der Anwendungsfall, der damals Pate gestanden hat, war die Bewertung von Großprojekten. Man wollte Projekte durchführen, die aus Hunderten oder Tausenden von einzelnen Tätigkeiten bestanden. In vielen Bereichen war nicht klar, wie sie funktionieren und was in den einzelnen Tätigkeiten genau zu tun war. Es waren also Forschungsprojekte und Produktionsprojekte zugleich.
Beispiele sind die Entwicklung von Atomraketen für U-Boote oder die Durchführung der Olympischen Spiele in Grenoble. Dort mussten viele Spielstätten entwickelt werden, über einen Zeitraum von Jahren, von Tausenden von Personen und in einem komplizierten Umfeld in den Alpen. Für diese Anwendungssituation wurde die PERT-Verteilung maßgeschneidert.
Wie ein solches Projekt als Modell aufgebaut ist
Die Anwendungssituation ist vorbildlich strukturiert, und man kann an ihr sehr gut sehen, wie Modelle überhaupt aufgebaut sind. Zielgröße ist das Großprojekt als Ganzes: Man möchte wissen, wie sehr es vom Plan abweichen kann.
Dafür fragt man nicht direkt nach der Verzögerung des Gesamtprojekts. Man bricht das Projekt auf einzelne Tätigkeiten herunter und sieht sich an, wie diese Tätigkeiten im Projektplan zusammenhängen. Das eigentliche Modell, also der sachliche Zusammenhang zwischen den Tätigkeiten, ist damit bereits durch den Projektplan gegeben. Die Quelle der Unsicherheit ist nur die einzelne Tätigkeit. Die Unsicherheit des Gesamtsystems ergibt sich erst daraus.
Für diesen kleinen Baustein wurde die PERT-Verteilung maßgeschneidert: für die einzelne Tätigkeit, gewissermaßen die elementare (atomare) Unsicherheit, die sich nicht weiter teilen lässt.
Drei Werte für eine einzelne Tätigkeit
Welche Eigenschaften sind dafür wichtig? Eine einzelne Tätigkeit in einem Projekt ist im Umfang begrenzt. Sie hat eine Mindestdauer, unter der man sie gar nicht erledigen kann. Sie hat aber auch eine maximale Dauer: Bis dahin ist sie fertig, oder sie eskaliert und wird abgebrochen. Der Zeitraum ist also beschränkt. Innerhalb dieses Zeitraums gibt es einen Bereich, in dem die Dauer mit der größten Wahrscheinlichkeit liegen wird. Insgesamt ist die Dauer damit durch drei Werte gekennzeichnet: durch das Minimum, das Maximum und den wahrscheinlichsten Wert.
Die zweite wichtige Eigenschaft: Der Projektleiter sollte die Verteilung der Dauer selbst bewerten können. Er kennt das Projekt und weiß, in welcher Größenordnung die Aufwände und die Unsicherheit liegen. Deshalb kann er diese drei Eckpunkte benennen. Genau dafür hat man die Beta-Verteilung zur PERT-Verteilung vereinfacht.
Wie sieht ein Projektmodell mit PERT-Verteilungen aus?
Unser Beispielprojekt besteht aus fünf Meilensteinen und 25 Tätigkeiten. Die Meilensteine laufen nacheinander und teilweise parallel, sodass das Projekt insgesamt schon recht unübersichtlich ist. Wir bewerten jede Tätigkeit einzeln nach ihrer minimalen Dauer, ihrem Modus, also der wahrscheinlichsten Dauer, und ihrer maximalen Dauer.
Abbildung 1 zeigt den linken Teil der Excel-Tabelle. Jeder blaue Kasten ist ein Meilenstein mit fünf Tätigkeiten, die hier Aufgabe 1 bis Aufgabe 25 heißen. In den Spalten „Minimum“, „Modus“ und „Maximum“ stehen die drei Werte jeder Aufgabe in Kalendertagen. In der blau hinterlegten Spalte „Ist“ steht die Dauer, die sich in einem Simulationslauf für die Aufgabe ergibt. Die Zeile „Gesamt“ nennt die Dauer des Meilensteins. Sie entspricht in den Spalten „Modus“ und „Ist“ jeweils dem größten Wert seiner fünf Aufgaben, bei Meilenstein 1 also dem Modus 98 von Aufgabe 2. Die Pfeile zeigen den Ablauf: Auf Meilenstein 1 folgen Meilenstein 2 und 3, parallel dazu läuft Meilenstein 4. Meilenstein 5 schließt sich weiter rechts in der Tabelle an. Für später merken wir uns Aufgabe 2 in Zeile 7: Sie hat das Minimum 83, den Modus 98 und das Maximum 165 Tage. Ihre Ist-Zelle F7 ist noch leer.
Abbildung 1: Das Beispielprojekt in Excel. Jede Aufgabe hat ein Minimum, einen Modus und ein Maximum in Tagen. Die Ist-Zelle F7 von Aufgabe 2 ist noch leer.
Wie sieht die PERT-Verteilung aus?
Abbildung 2 zeigt die PERT-Verteilung für Aufgabe 2 mit dem Minimum von 83, dem wahrscheinlichsten Wert von 98 und dem Maximum von 165 Tagen als orange Fläche. Auf der waagerechten Achse steht die Dauer in Tagen, auf der senkrechten Achse die Dichte. Je höher die Fläche über einer Dauer ist, desto wahrscheinlicher sind Dauern in dieser Gegend. Die blaue Linie gehört zum Vergleich im nächsten Abschnitt.
Die Dichte ist schön glatt, ohne Ecken und Knicke. Sie beginnt beim Minimum mit dem Wert null, steigt bis zum Gipfel beim wahrscheinlichsten Wert 98 und endet beim Maximum wieder bei null. Die lange Seite ist hier die rechte. Dort fällt die PERT-Verteilung schnell ab und ist ab etwa 151 Tagen kaum noch zu sehen.
Abbildung 2: Dichte der PERT-Verteilung mit Minimum 83, wahrscheinlichstem Wert 98 und Maximum 165 (orange Fläche) und die Dreiecksverteilung mit denselben drei Werten (blaue Linie)
Was unterscheidet die PERT-Verteilung von der Dreiecksverteilung?
Dass die PERT-Verteilung auf der langen Seite schnell abfällt, ist der wichtigste Unterschied zur Dreiecksverteilung. Zum Vergleich legen wir eine Dreiecksverteilung mit denselben Eckdaten darüber. Im Eingabedialog von Risk Kit, den wir weiter unten zeigen, geht das mit „Overlay hinzufügen“: Wir wählen die Dreiecksverteilung aus und geben dieselben drei Werte ein.
Dann zeigt sich, dass die Dreiecksverteilung am langen Ende viel langsamer abfällt. In Abbildung 2 liegt die blaue Linie rechts vom Schnittpunkt der beiden Kurven deutlich über der orangen Fläche und erreicht erst beim Maximum die Null. Extrem lange Laufzeiten für eine Tätigkeit kommen bei der Dreiecksverteilung also deutlich häufiger vor als bei der PERT-Verteilung.
Genau das war auch der Wunsch der Modellierer: Extremwerte sollten möglich sein, aber nicht so häufig vorkommen, dass man sie praktisch ständig sieht. Denn dass extreme Laufzeiten ständig vorkommen, hielt niemand für realistisch.
Wann passt eine PERT-Verteilung?
Eine PERT-Verteilung passt, wenn die folgenden Punkte zutreffen:
- Die unsichere Größe ist begrenzt. Sie hat ein Minimum, unter das sie nicht fallen kann, und ein Maximum, das sie nicht überschreitet.
- Zwischen Minimum und Maximum gibt es einen wahrscheinlichsten Wert.
- Jemand, der die Sache gut kennt, kann diese drei Werte benennen, so wie der Projektleiter bei der Dauer einer Tätigkeit.
- Es handelt sich um eine elementare Unsicherheit, die sich nicht weiter teilen lässt, wie die einzelne Tätigkeit in einem Projekt.
- Extremwerte sollen möglich sein, aber selten vorkommen.
Für zusammengesetzte Größen, die sich aus vielen einzelnen Unsicherheiten speisen, eignet sich die PERT-Verteilung dagegen nicht. Das gilt auch für Größen, die nach oben offen sind. Dazu mehr am Ende dieses Beitrags.
Wie simuliert man eine PERT-Verteilung in Excel?
Kurz gesagt: Risk Kit ist ein Add-in für Microsoft Excel, mit dem man Monte-Carlo-Simulationen direkt in der Tabelle aufbaut und auswertet. Was wir hier zeigen, gilt aber allgemein. Ob man mit Risk Kit, mit Python oder mit einem anderen Tool simuliert: Die PERT-Verteilung hat überall dieselben Parameter und liefert dieselben Ergebnisse.
Wir bleiben beim Beispielprojekt aus Abbildung 1. Die drei Werte von Aufgabe 2 stehen in Zeile 7: das Minimum 83 in Zelle C7, der Modus 98 in Zelle D7 und das Maximum 165 in Zelle E7. Die PERT-verteilte Dauer soll in Zelle F7 entstehen, der Ist-Zelle von Aufgabe 2. Die übrigen Aufgaben sind im Modell bereits auf dieselbe Weise PERT-verteilt. Als Ergebnis interessiert uns die Planabweichung, also um wie viele Tage das ganze Projekt länger oder kürzer dauert als geplant. Diese Zelle ist im Modell bereits als Ausgabe markiert und gelb hinterlegt. Wir gehen in vier Schritten vor:
- Zelle F7 auswählen, auf der Risk-Kit-Toolbar die Schaltfläche „Beliebt“ öffnen und „Pert“ auswählen.
- Im Eingabedialog sind als Parameter Minimum, Modus und Maximum eingestellt. In die Felder Min, Mode und Max tragen wir die Bezüge C7, D7 und E7 ein. Rechts neben den Feldern zeigt Risk Kit die Werte an, auf die die Bezüge verweisen: 83, 98 und 165.
- Mit „Einfügen“ schreibt Risk Kit die Funktion Pert_variate mit diesen drei Bezügen in Zelle F7, also =Pert_variate(C7;D7;E7).
- Auf der Risk-Kit-Toolbar auf „Simulation“ klicken.
Abbildung 3 zeigt den Eingabedialog. Links sind die Zellen C7, D7 und E7 mit den Werten 83, 98 und 165 zu sehen, die Ist-Zelle F7 ist noch leer. Die Titelzeile des Dialogs nennt die Zielzelle und die Funktion: [F7] = Pert_variate(…). Darunter beschreibt Risk Kit die Funktion als Zufallszahl einer Pert-Verteilung mit den Parametern min, mode und max. In den Feldern Min, Mode und Max stehen die Bezüge C7, D7 und E7, rechts daneben deren Werte. Im selben Dialog zeigt Risk Kit weiter rechts, außerhalb des Bildausschnitts, die Dichte aus Abbildung 2.
Abbildung 3: Eingabedialog der Funktion Pert_variate für Zelle F7. Min, Mode und Max verweisen auf die Zellen C7, D7 und E7 mit den Werten 83, 98 und 165.
Insgesamt ergibt sich für das Projekt eine geplante Laufzeit von 335 Tagen. Sie folgt aus den wahrscheinlichsten Werten, die hier mit dem Projektplan übereinstimmen. Uns interessiert die Abweichung von diesem Plan. Sie kann nach oben und nach unten gehen: Wir können schneller fertig werden, wenn alles sehr günstig läuft, und wir können auch länger brauchen.
Abbildung 4 zeigt den rechten Teil der Tabelle mit Meilenstein 5. Darunter stehen links die geplante Projektlaufzeit von 335 Tagen und rechts die Planabweichung, die gelb hinterlegte Ausgabe. In der Abbildung beträgt sie 4 Tage. Das ist nur das Ergebnis einer einzigen Berechnung, denn die Dauern in der Spalte „Ist“ sind Zufallszahlen. Wie groß die Planabweichung werden kann, zeigt erst die Simulation.
Abbildung 4: Meilenstein 5 mit der geplanten Projektlaufzeit von 335 Tagen und der Planabweichung, die als Ausgabe gelb hinterlegt ist
Das Ergebnis der Simulation
Nach der Simulation zeigt Risk Kit die Statistiken für die Planabweichung (Abbildung 5). Links steht die Liste der Ausgaben und Eingaben. Unter „Ausgabe“ steht die Planabweichung, unter „Eingabe“ stehen die Zufallszahlen des Modells, zum Beispiel die Aufgaben 11 bis 20. Unsere Zelle F7 erscheint dort mit ihrer Adresse, weil wir ihr keinen Namen gegeben haben. Rechts stehen die Kennzahlen der Planabweichung, alle in Tagen.
Der Mittelwert liegt bei 23 Tagen, also deutlich im positiven Bereich. Im Mittel brauchen wir wesentlich länger als geplant, ungefähr 6 bis 7 % länger als die 335 Tage des Plans. Eine Unterschreitung des Plans kann bis zu 26 Tage betragen, das zeigt das Minimum von −26 Tagen. Sie ist aber relativ unwahrscheinlich: Das 5-%-Quantil liegt bei −4 Tagen, das 10-%-Quantil schon bei 1 Tag. Eine Unterschreitung passiert also nur in 5 bis 10 % der Fälle. In mehr als 90 % der Fälle dauert das Projekt länger als geplant, in der Simulation um bis zu 102 Tage (Minimum −26 plus Spannweite 128 Tage).
Abbildung 5: Statistiken der Planabweichung nach der Simulation, unter anderem Mittelwert 23 Tage, Minimum −26 Tage, 5-%-Quantil −4 Tage und 10-%-Quantil 1 Tag
Oben in der Tabelle von Abbildung 5 steht ein kleines Histogramm. Größer zeigt es Abbildung 6. Die Höhe der Säulen zeigt, wie häufig Planabweichungen in diesem Bereich in der Simulation vorkamen. Auf der waagerechten Achse stehen die Tage. Die mittlere gestrichelte Linie markiert den Mittelwert bei 23 Tagen. Die rechte Linie markiert das 95-%-Quantil bei 56 Tagen Verzögerung: In 95 % der Fälle ist das Projekt höchstens 56 Tage im Verzug. Die linke Linie steht bei 0, also beim Planwert. Ihre Beschriftung nennt 8,93 %: Den Planwert tatsächlich zu unterbieten, sehen wir in etwa 9 % der Fälle.
Abbildung 6: Histogramm der Planabweichung mit dem Mittelwert, dem Planwert 0, der in 8,93 % der Fälle unterschritten wird, und dem 95-%-Quantil bei 56 Tagen
Wo liegt die Grenze der PERT-Verteilung?
An diesem Beispiel sehen wir auch eine Grenze der PERT-Verteilung. Wir haben sie für eine elementare Unsicherheit eingesetzt, die einzelne Tätigkeit. Was passiert, wenn wir sie für die gesamte Planabweichung verwenden wollen? In der Praxis wird genau das oft versucht. Wegen ihrer Einfachheit nimmt man die PERT-Verteilung für sehr viel mehr als nur elementare Risiken, auch für zusammengesetzte Risiken, die sich aus vielen einzelnen Unsicherheiten speisen.
Wir vergleichen deshalb die simulierte Verteilung mit der PERT-Verteilung. Dazu passen wir in Risk Kit verschiedene Verteilungen an die simulierten Werte an, man sagt auch: Wir kalibrieren sie. Dann sehen wir: Manche Verteilungen passen sich der simulierten Verteilung wunderbar an, zum Beispiel die Poly-Verteilung. Die PERT-Verteilung unterscheidet sich dagegen deutlich vom Ergebnis der Simulation. Sehr lange Verzögerungen hält sie für viel wahrscheinlicher, als sie in der Simulation vorkamen, und sehr große Beschleunigungen ebenfalls.
Abbildung 7 zeigt das Ergebnis der Kalibrierung. Links oben stehen die beiden kalibrierten Verteilungen, Poly und Pert, jeweils mit einem Kolmogorov-Smirnov-Wert, einem Maß für die Abweichung von den simulierten Daten: 0,0030 für Poly und 0,0841 für Pert. Je kleiner der Wert, desto besser passt die Verteilung. Darunter stehen die geschätzten Parameter der PERT-Verteilung A, B und C, also Minimum, Modus und Maximum, mit rund −26, 18 und 102 Tagen. Im Diagramm rechts sind die orangen Säulen die simulierten Werte der Planabweichung, die blaue Linie ist die Poly-Verteilung und die grüne Linie die PERT-Verteilung. Die blaue Linie folgt den Säulen fast genau. Die grüne Linie liegt in der Mitte deutlich unter den Säulen, am rechten Ende und ganz links dagegen über ihnen.
Abbildung 7: Kalibrierung an die simulierte Planabweichung. Die Poly-Verteilung (blau) folgt den Daten, die PERT-Verteilung (grün) liegt an beiden Enden über den Säulen und in der Mitte darunter.
Wie kommt es dazu? Damit der Projektplan völlig aus dem Ruder läuft und wir zig bis hundert Tage im Verzug sind, muss es zu einer Verkettung unglücklicher Umstände kommen. Es muss viel Negatives auf einmal zusammenkommen, und das ist sehr unwahrscheinlich. Viel wahrscheinlicher ist es in der Praxis, dass manche Tätigkeiten sehr gut laufen und andere schlechter. In der Summe gleicht sich das ein Stück weit aus, sodass wir mit sehr hoher Wahrscheinlichkeit in einem Mittelfeld landen. Das unterschätzt die PERT-Verteilung.
Im guten Bereich ist es genau dasselbe. Damit wir dorthin kommen, muss alles sehr gut laufen. Die Wahrscheinlichkeit dafür überschätzt die PERT-Verteilung, hier ist sie zu optimistisch. Am langen Ende ist sie dagegen zu pessimistisch. Sie ist also zugleich zu pessimistisch und zu optimistisch.
Das ist eine subtile, aber charakteristische Grenze der PERT-Verteilung. Sie ist nicht geeignet, um zusammengesetzte Risiken zu beschreiben. Denn dort sind dünne, lange Ausläufer an den Rändern an der Tagesordnung, und die hat die PERT-Verteilung nicht.
Wofür ist die PERT-Verteilung gut geeignet?
Umgekehrt ist die PERT-Verteilung für elementare Risiken sehr gut geeignet. Dort sind auch die Experteneinschätzungen, die man für sie in der Regel verwendet, nicht besonders problematisch. Denn es geht um ganz konkrete Dinge, die eingeschätzt werden müssen. Diese konkreten Dinge kennen Experten sehr viel genauer, als wenn sie selbst im Kopf viele Risiken zu einem Gesamtrisiko zusammenfassen müssten.
So entsteht die überraschende Situation, dass wir ein Modell haben, in dem jeder einzelne Risikofaktor PERT-verteilt ist, die Gesamtverteilung des Systems aber nicht mehr. Durch die Überlagerung der einzelnen Faktoren hat sich eine andere Verteilung ergeben.
Was gilt, wenn die Unsicherheit nach oben offen ist?
Noch deutlicher wird diese Grenze, wenn ein System in seiner Gesamtauswirkung nicht begrenzt ist, wenn die Unsicherheit also nach oben offen ist. Das haben wir zum Beispiel bei Finanzmärkten. Kurzfristige Preisbewegungen können teilweise extreme Ausschläge zeigen. Dort können wir nicht ohne Weiteres eine obere Grenze angeben.
Mit der PERT-Verteilung, die immer begrenzt ist, ist man in diesem Fall überhaupt nicht gut aufgestellt. Man muss eine andere Verteilung wählen, die diese Offenheit an den Rändern nachbilden kann.
Weitere Verteilungen
Den Überblick über alle Verteilungen gibt unser Leitfaden „Wann nehme ich welche Verteilung?“.
- Wann nehme ich eine Bernoulli-Verteilung in einer Monte-Carlo-Simulation?Definition, Formel und Beispiele: wann die Bernoulli-Verteilung passt und welche Rolle sie als Weiche in einer Simulation spielt.
- Wann nehme ich eine Binomialverteilung in einer Monte-Carlo-Simulation?Definition, Formel und Beispiele: wie die Binomialverteilung die Zahl der Erfolge in n unabhängigen Versuchen beschreibt und wie man sie in Excel berechnet.
- Wann nehme ich eine Poisson-Verteilung in einer Monte-Carlo-Simulation?Definition, Formel und Beispiele: wie die Poisson-Verteilung die Häufigkeit unabhängiger Ereignisse beschreibt und wann sie passt.
- Wann nehme ich eine Normalverteilung in einer Monte-Carlo-Simulation?Definition, Formel und Beispiele: wann die Normalverteilung passt, wo ihre Grenzen liegen und wie man sie abschneidet.
- Wann nehme ich eine Dreiecksverteilung in einer Monte-Carlo-Simulation?Definition, Formel und Beispiel: wann die Dreiecksverteilung passt, warum der wahrscheinlichste Wert nicht der Erwartungswert ist und wo ihre Grenzen liegen.
- Experteneinschätzungen in einer Monte-Carlo-Simulation quantifizieren: die ExpertverteilungExperteneinschätzungen besser quantifizieren: wie die Expertverteilung Schätzungen über Grenzen und Quantile abbildet, auch ohne festes Minimum oder Maximum.
- Wann nehme ich eine Lognormalverteilung in einer Monte-Carlo-Simulation?Definition, Eigenschaften und Grenzen: wann die Lognormalverteilung proportionale Wachstumsprozesse richtig beschreibt und wie man sie in Excel parametrisiert.
- Benutzerdefinierte Verteilungen in einer Monte-Carlo-Simulation: die Flex-VerteilungBenutzerdefinierte Verteilungen: wie die Flex-Verteilung aus Werten und Wahrscheinlichkeiten entsteht und wann sie passt, von Experteneinschätzungen bis zur Übertragung von Simulationsergebnissen.