Distribuciones estadísticas

¿Por qué utilizar distribuciones?

En el mundo real, los procesos presentan variaciones. Una llamada de atención al cliente dura 5 minutos y otra, 25. Un día llegan 50 pedidos y al siguiente, 120. Esta variabilidad natural es una característica fundamental de los procesos empresariales.

Los valores fijos (como «cada actividad dura exactamente 10 minutos») crean simulaciones poco realistas. Las distribuciones capturan matemáticamente la variabilidad y producen simulaciones que se comportan como procesos reales.

El impacto de la variación

Considere dos escenarios para una tarea cuya duración media es de 10 minutos:

Escenario	Distribución	Efecto en la simulación
10 min fijos	Sin variación	Colas poco realistas, patrones predecibles
Normal (media=10, stdDev=3)	Variación realista	Comportamiento natural de las colas, retrasos realistas

El segundo escenario representa mejor la realidad: algunas tareas son rápidas, otras tardan más y esta variación genera los efectos de cola que se observan en los procesos reales.

Distribuciones disponibles

ProcessMind ofrece nueve tipos de distribución para modelar distintos tipos de variación:

Distribución	Ideal para	Parámetros clave
Fija	Valores constantes e invariables	value
Normal	Variación simétrica alrededor del promedio	mean, stdDev
Uniforme	Probabilidad igual dentro de un intervalo	min, max
Triangular	Intervalos con un valor más probable	min, mode, max
Poisson	Llegadas aleatorias de eventos	lambda, rateUnit
Lognormal	Sesgo hacia la derecha, normalmente rápida y ocasionalmente larga	mean, stdDev
Weibull	Análisis de fiabilidad y fallos	scale, shape
Beta	Forma flexible entre min y max	min, max, alpha, beta
Pearson VI	Patrones complejos con sesgo	alpha1, alpha2, beta

Distribución fija

La distribución más sencilla: siempre devuelve el mismo valor.

Parámetros

Parámetro	Descripción
valor	El valor constante que se devolverá

Características

• Ninguna variación
• Cada muestra devuelve exactamente el valor especificado
• Útil para modelar pasos controlados por el sistema o automatizados

Cuándo utilizarla

• Respuestas automatizadas del sistema con tiempos constantes
• Tiempos de espera o plazos regulatorios
• Configuración inicial de la simulación antes de añadir variación
• Modelado de SLA o límites de tiempo contractuales

Ejemplo

Un correo electrónico generado por el sistema siempre se envía exactamente en 5 segundos.

Distribución normal (gaussiana)

La conocida «curva de campana»: los valores se agrupan simétricamente alrededor de un promedio y la probabilidad disminuye al alejarse del centro.

Parámetros

Parámetro	Descripción
mean	Valor promedio, el centro de la curva
stdDev	Desviación estándar, la dispersión de los valores

Características

• Simétrica alrededor del promedio
• El 68 % de los valores se encuentra dentro de 1 desviación estándar
• El 95 % de los valores se encuentra dentro de 2 desviaciones estándar
• El 99,7 % de los valores se encuentra dentro de 3 desviaciones estándar
• En teoría puede producir valores negativos, aunque la simulación gestiona este caso

Cuándo utilizarla

• Tiempos de procesamiento que varían simétricamente alrededor de un promedio
• Mediciones con errores aleatorios
• Cualquier cantidad influida por muchos factores pequeños e independientes

Ejemplo

Una tarea de introducción de datos tiene una duración media de 5 minutos y una desviación estándar de 1 minuto:

• El 68 % de las entradas tarda entre 4 y 6 minutos
• El 95 % tarda entre 3 y 7 minutos
• Pocas tardan menos de 2 minutos o más de 8

Distribución uniforme

Todos los valores dentro de un intervalo tienen la misma probabilidad, lo que crea una distribución de probabilidad plana.

Parámetros

Parámetro	Descripción
min	Valor mínimo posible
max	Valor máximo posible

Características

• Probabilidad plana: ningún valor es más probable que otro
• Límites definidos en min y max
• El promedio es exactamente (min + max) / 2

Cuándo utilizarla

• Cuando solo conoce el intervalo, no el valor habitual
• Selección aleatoria dentro de un intervalo
• Tiempo de espera de un evento programado
• Modelado de la incertidumbre cuando no hay datos históricos

Ejemplo

Una aprobación tarda entre 2 y 8 minutos, pero no hay información sobre el tiempo habitual. Todas las duraciones de este intervalo tienen la misma probabilidad.

Distribución triangular

Una distribución sencilla con valores mínimo, máximo y más probable (moda), que forma un triángulo.

Parámetros

Parámetro	Descripción
min	Valor mínimo posible
mode	Valor más probable, el punto máximo del triángulo
max	Valor máximo posible

Características

• Los valores se agrupan alrededor de la moda
• Está limitada por min y max, sin valores atípicos fuera de estos límites
• Es asimétrica si mode ≠ (min + max) / 2
• Es fácil de estimar a partir del conocimiento experto

Cuándo utilizarla

• Cuando sabe «normalmente X, pero puede variar entre Y y Z»
• Escenarios de estimación experta
• Cuando la distribución normal podría producir valores negativos poco realistas

Ejemplo

Una revisión de factura:

• Mejor caso (min): 2 minutos
• Habitual (mode): 5 minutos
• Peor caso (max): 15 minutos

La mayoría de las revisiones se concentra alrededor de 5 minutos, con una cola que llega hasta 15 minutos en el caso de facturas complejas.

Distribución de Poisson

Modela el número de eventos que ocurren en un periodo fijo; es ideal para los procesos de llegada.

Parámetros

Parámetro	Descripción
lambda	Tasa media de eventos
rateUnit	Unidad de tiempo de la tasa (perHour, perDay, perWeek, perMonth, perYear)

Características

• Valores discretos, es decir, números enteros: 0, 1, 2, 3…
• La varianza es igual al promedio
• Los eventos son independientes
• Modela bien las «llegadas aleatorias»

Cuándo utilizarla

• Llegadas de casos al proceso
• Llegadas de clientes
• Generación de pedidos
• Cualquier escenario de «eventos por periodo»

Ejemplo

Lambda=20, rateUnit=perDay modela aproximadamente 20 casos que llegan al día. Algunos días puede haber 15 y otros 25: es la variación natural de las llegadas aleatorias.

Distribución lognormal

Distribución con sesgo hacia la derecha: la mayoría de los valores son pequeños, pero ocasionalmente aparecen valores grandes. El logaritmo de los valores sigue una distribución normal.

Parámetros

Parámetro	Descripción
mean	Promedio de la distribución normal subyacente
stdDev	Desviación estándar de la distribución normal subyacente

Características

• Siempre positiva, sin valores negativos posibles
• Sesgo hacia la derecha: cola larga hacia los valores más altos
• La mayoría de los valores se agrupa cerca del extremo inferior
• Valores grandes ocasionales

Cuándo utilizarla

• Tareas que normalmente terminan rápido, pero a veces tardan mucho más
• Datos financieros y distribuciones de ingresos
• Tiempos de respuesta con retrasos ocasionales
• Tiempos de corrección de errores

Ejemplo

Tickets de soporte técnico:

• La mayoría se resuelve en 1 o 2 horas
• Algunos requieren un día completo
• Los problemas complejos poco frecuentes tardan varios días

La distribución lognormal representa este patrón de «normalmente rápido, ocasionalmente largo».

Distribución de Weibull

Una distribución flexible que se utiliza habitualmente en ingeniería de fiabilidad y análisis de fallos.

Parámetros

Parámetro	Descripción
scale	Parámetro de escala, la vida útil característica
shape	Parámetro de forma, determina la forma de la distribución

Efectos del parámetro de forma

Valor de shape	Comportamiento de la distribución
shape menor que 1	Tasa de fallos decreciente, mortalidad infantil
shape = 1	Tasa de fallos constante, distribución exponencial
shape mayor que 1	Tasa de fallos creciente, desgaste

Cuándo utilizarla

• Tiempos hasta el fallo de equipos
• Análisis del tiempo hasta un evento
• Modelado de la fiabilidad
• Cuando necesita controlar con flexibilidad la forma de la distribución

Distribución beta

Una distribución flexible que genera valores entre un mínimo y un máximo, con una forma controlada por dos parámetros. Es la distribución beta generalizada de 4 parámetros.

Parámetros

Parámetro	Descripción
min	Valor mínimo posible
max	Valor máximo posible
alpha	Primer parámetro de forma (α > 0)
beta	Segundo parámetro de forma (β > 0)

Características

• Los valores siempre se encuentran entre min y max
• La forma es extremadamente flexible según α y β
• Cuando α = β, la distribución es simétrica alrededor del punto medio de [min, max]
• Cuando α < β, los valores se inclinan hacia min, con sesgo hacia la izquierda
• Cuando α > β, los valores se inclinan hacia max, con sesgo hacia la derecha
• Cuando α = β = 1, se convierte en una distribución uniforme en [min, max]
• Promedio = min + (max − min) × α / (α + β)

Efectos del parámetro de forma

Parámetros	Comportamiento de la distribución
α = 1, β = 1	Uniforme, plana, en todo [min, max]
α = β	Forma de campana simétrica centrada en el punto medio
α < β	Sesgo hacia la izquierda, con valores agrupados cerca de min
α > β	Sesgo hacia la derecha, con valores agrupados cerca de max
α < 1, β < 1	Forma de U, con valores agrupados en ambos extremos

Cuándo utilizarla

• Cantidades limitadas cuyo intervalo conoce y cuya forma desea controlar
• Duraciones de tareas agrupadas cerca de uno de los extremos de un intervalo conocido
• Modelado de probabilidades o tasas de éxito, usando min=0 y max=1
• Puntuaciones de calidad, porcentajes de finalización o tasas de rendimiento
• Estimaciones expertas con un intervalo conocido y una idea de dónde tienden a agruparse los valores

Ejemplo

Una tarea de revisión tarda entre 2 y 15 minutos, y la mayoría de las revisiones termina cerca del extremo inferior: use Beta(min=2, max=15, α=2, β=5). El promedio es aproximadamente 2 + 13 × 2/7 ≈ 5,7 minutos; los valores se agrupan hacia el extremo inferior, pero nunca son inferiores a 2 ni superiores a 15.

Distribución Pearson VI

Una distribución avanzada para patrones complejos con sesgo que no se ajustan a modelos más sencillos.

Parámetros

Parámetro	Descripción
alpha1	Primer parámetro de forma
alpha2	Segundo parámetro de forma
beta	Parámetro de escala

Cuándo utilizarla

• Distribuciones complejas derivadas del análisis de datos
• Cuando las distribuciones más sencillas no se ajustan a sus datos históricos
• Escenarios de modelado estadístico avanzado

Elegir la distribución adecuada

Referencia rápida: tiempos de procesamiento

Su situación	Distribución recomendada
Los tiempos varían simétricamente alrededor de un promedio	Normal
Solo conoce el intervalo, de min a max	Uniforme
Conoce el tiempo habitual, el mejor caso y el peor caso	Triangular
Normalmente rápido, a veces mucho más largo	Lognormal
El tiempo es constante, algo poco frecuente	Fija
Proporciones o probabilidades, de 0 a 1	Beta

Referencia rápida: tasas de llegada

Su situación	Distribución recomendada
Llegadas aleatorias e independientes	Poisson
Llegadas a una tasa constante	Fija

Buenas prácticas

Comience con algo sencillo

Comience con distribuciones Normal o Triangular. Son fáciles de entender y parametrizar, y normalmente ofrecen resultados suficientemente buenos. Añada complejidad solo cuando sea necesario.

Utilice el conocimiento experto

Las personas expertas en la materia pueden proporcionar excelentes estimaciones:

• «¿Mejor caso?» → mínimo
• «¿Habitual?» → promedio o moda
• «¿Peor caso?» → máximo

Valide con los datos

Si dispone de datos históricos:

1. Ajuste las distribuciones a sus datos
2. Compare los resultados simulados con el rendimiento real
3. Perfeccione los parámetros de las distribuciones

Considere los valores atípicos

Los procesos reales suelen incluir valores atípicos. Las distribuciones Lognormal y Weibull pueden representarlos mejor que Normal o Triangular.

Adapte la distribución al comportamiento del proceso

• Variación simétrica → Normal
• Variación limitada → Triangular o Uniforme
• Sesgo hacia la derecha → Lognormal
• Proporciones, de 0 a 1 → Beta
• Patrones complejos → Weibull o Pearson VI

Próximos pasos

Cómo funciona

Comprenda cómo utiliza las distribuciones el motor de simulación.