Distributions statistiques

Pourquoi utiliser des distributions ?

Dans le monde réel, les processus présentent des variations. Un appel au service client dure 5 minutes, un autre 25 minutes. Une journée compte 50 commandes, la suivante 120. Cette variabilité naturelle est une caractéristique fondamentale des processus métier.

Les valeurs fixes, comme « chaque activité dure exactement 10 minutes », produisent des simulations irréalistes. Les distributions représentent mathématiquement la variabilité et produisent des simulations qui se comportent comme des processus réels.

L’impact de la variation

Considérez deux scénarios pour une tâche dont la durée moyenne est de 10 minutes :

Le deuxième scénario représente mieux la réalité : certaines tâches sont rapides, d’autres prennent plus de temps, et cette variation crée les effets de file d’attente que vous observez dans les processus réels.

Distributions disponibles

ProcessMind propose neuf types de distributions pour modéliser différentes formes de variation :

Distribution fixe

La distribution la plus simple : elle renvoie toujours la même valeur.

Paramètres

Caractéristiques

• Aucune variation
• Chaque échantillon renvoie exactement la valeur spécifiée
• Utile pour modéliser les étapes contrôlées par le système ou automatisées

Quand l’utiliser

• Réponses automatisées du système avec un délai constant
• Délais réglementaires ou échéances
• Configuration initiale d’une simulation avant l’ajout de variation
• Modélisation des SLA ou des délais contractuels

Exemple

Un e-mail généré par le système est toujours envoyé exactement 5 secondes plus tard.

Distribution normale (gaussienne)

La célèbre « courbe en cloche » : les valeurs se concentrent symétriquement autour d’une moyenne, avec une probabilité qui diminue à mesure qu’elles s’en éloignent.

Paramètres

Caractéristiques

• Symétrique autour de la moyenne
• 68 % des valeurs se situent à moins d’un écart type
• 95 % des valeurs se situent à moins de deux écarts types
• 99,7 % des valeurs se situent à moins de trois écarts types
• Peut théoriquement produire des valeurs négatives, ce que la simulation prend en charge

Quand l’utiliser

• Temps de traitement qui varient symétriquement autour d’une moyenne
• Mesures comportant une erreur aléatoire
• Toute quantité influencée par de nombreux facteurs indépendants de faible amplitude

Exemple

Une tâche de saisie de données dure en moyenne 5 minutes, avec un écart type de 1 minute :

• 68 % des saisies prennent entre 4 et 6 minutes
• 95 % prennent entre 3 et 7 minutes
• Peu prennent moins de 2 minutes ou plus de 8 minutes

Distribution uniforme

Chaque valeur d’un intervalle est aussi probable que les autres, ce qui produit une distribution de probabilité uniforme.

Paramètres

Caractéristiques

• Probabilité uniforme : aucune valeur n’est plus probable qu’une autre
• Limites nettes à min et max
• La moyenne est exactement égale à (min + max) / 2

Quand l’utiliser

• Lorsque vous connaissez uniquement l’intervalle, et non la valeur habituelle
• Sélection aléatoire dans un intervalle
• Temps d’attente avant un événement planifié
• Modélisation de l’incertitude en l’absence de données historiques

Exemple

Une approbation prend entre 2 et 8 minutes, sans que vous sachiez quelle durée est habituelle. Toutes les durées de cet intervalle sont aussi probables les unes que les autres.

Distribution triangulaire

Une distribution simple définie par une valeur minimale, une valeur maximale et une valeur la plus probable, ou mode, qui forme un triangle.

Paramètres

Caractéristiques

• Les valeurs se concentrent autour du mode
• Les valeurs sont limitées par min et max, sans valeurs aberrantes au-delà
• La distribution est asymétrique si mode ≠ (min + max) / 2
• Elle est facile à estimer à partir de l’expertise métier

Quand l’utiliser

• Lorsque vous savez que la durée est généralement de X, mais peut varier de Y à Z
• Scénarios fondés sur l’estimation d’experts
• Lorsque la distribution normale risque de produire des valeurs négatives irréalistes

Exemple

Une vérification de facture :

• Meilleur cas (min) : 2 minutes
• Durée habituelle (mode) : 5 minutes
• Pire cas (max) : 15 minutes

La plupart des vérifications durent environ 5 minutes, avec une queue pouvant atteindre 15 minutes pour les factures complexes.

Distribution de Poisson

Cette distribution modélise le nombre d’événements qui se produisent pendant une période donnée. Elle convient particulièrement aux processus d’arrivée.

Paramètres

Caractéristiques

• Valeurs discrètes, c’est-à-dire des nombres entiers : 0, 1, 2, 3…
• La variance est égale à la moyenne
• Les événements sont indépendants
• Modélise bien les « arrivées aléatoires »

Quand l’utiliser

• Arrivées de cas dans le processus
• Arrivées de clients
• Génération de commandes
• Tout scénario d’« événements par période »

Exemple

Lambda=20, rateUnit=perDay modélise environ 20 cas arrivant chaque jour. Certains jours, il peut y en avoir 15 et d’autres 25 : c’est la variation naturelle des arrivées aléatoires.

Distribution lognormale

Distribution asymétrique à droite, dans laquelle la plupart des valeurs sont faibles, mais où certaines valeurs élevées apparaissent occasionnellement. Le logarithme des valeurs suit une distribution normale.

Paramètres

Caractéristiques

• Toujours positive, sans valeur négative possible
• Asymétrique à droite, avec une longue queue vers les valeurs élevées
• La plupart des valeurs se concentrent vers l’extrémité basse
• Certaines valeurs sont exceptionnellement élevées

Quand l’utiliser

• Tâches généralement rapides, mais qui prennent parfois beaucoup plus de temps
• Données financières et distributions de revenus
• Temps de réponse avec des retards occasionnels
• Temps de correction des bogues

Exemple

Tickets d’assistance technique :

• La plupart sont résolus en 1 à 2 heures
• Certains prennent une journée entière
• Les problèmes complexes et rares prennent plusieurs jours

La distribution lognormale reproduit ce schéma « généralement rapide, parfois très long ».

Distribution de Weibull

Une distribution flexible couramment utilisée en ingénierie de la fiabilité et pour l’analyse des défaillances.

Paramètres

Effets du paramètre de forme

Quand l’utiliser

• Temps avant la défaillance d’un équipement
• Analyse du temps avant événement
• Modélisation de la fiabilité
• Lorsque vous avez besoin de contrôler précisément la forme de la distribution

Distribution bêta

Une distribution flexible qui génère des valeurs entre un minimum et un maximum, avec une forme contrôlée par deux paramètres. Il s’agit de la distribution bêta généralisée à quatre paramètres.

Paramètres

Caractéristiques

• Les valeurs se situent toujours entre min et max
• La forme est extrêmement flexible selon α et β
• Lorsque α = β, la distribution est symétrique autour du point médian de [min, max]
• Lorsque α < β, les valeurs sont orientées vers min, avec une asymétrie à gauche
• Lorsque α > β, les valeurs sont orientées vers max, avec une asymétrie à droite
• Lorsque α = β = 1, la distribution devient uniforme sur [min, max]
• Moyenne = min + (max − min) × α / (α + β)

Effets du paramètre de forme

Quand l’utiliser

• Quantités bornées dont vous connaissez l’intervalle et dont vous souhaitez contrôler la forme
• Durées de tâches concentrées vers une extrémité d’un intervalle connu
• Modélisation de probabilités ou de taux de réussite, avec min=0 et max=1
• Scores de qualité, pourcentages d’achèvement ou taux de rendement
• Estimations d’experts fondées sur un intervalle connu et une idée de la zone de concentration des valeurs

Exemple

Une tâche de vérification dure entre 2 et 15 minutes, la plupart des vérifications se terminant vers l’extrémité basse de l’intervalle : utilisez Beta(min=2, max=15, α=2, β=5). La moyenne est d’environ 2 + 13 × 2/7 ≈ 5,7 minutes. Les valeurs se concentrent vers l’extrémité basse, sans jamais être inférieures à 2 ni supérieures à 15.

Distribution de Pearson VI

Une distribution avancée destinée aux schémas asymétriques complexes que les modèles plus simples ne permettent pas de représenter.

Paramètres

Quand l’utiliser

• Distributions complexes dérivées de l’analyse des données
• Lorsque les distributions plus simples ne correspondent pas à vos données historiques
• Scénarios de modélisation statistique avancée

Choisir la bonne distribution

Référence rapide : temps de traitement

Référence rapide : taux d’arrivée

Bonnes pratiques

Commencez simplement

Commencez par les distributions normale ou triangulaire. Elles sont faciles à comprendre et à paramétrer, et donnent généralement de bons résultats. N’ajoutez de la complexité que si nécessaire.

Utilisez l’expertise métier

Les experts du domaine peuvent fournir d’excellentes estimations :

• « Meilleur cas ? » → minimum
• « Durée habituelle ? » → moyenne ou mode
• « Pire cas ? » → maximum

Validez avec les données

Si vous disposez de données historiques :

1. Ajustez les distributions à vos données
2. Comparez les résultats simulés aux performances réelles
3. Affinez les paramètres des distributions

Tenez compte des valeurs aberrantes

Les processus réels comportent souvent des valeurs aberrantes. Les distributions lognormale et de Weibull peuvent mieux les représenter que les distributions normale ou triangulaire.

Adaptez la distribution au comportement du processus

• Variation symétrique → Normale
• Variation bornée → Triangulaire ou uniforme
• Asymétrie à droite → Lognormale
• Proportions, de 0 à 1 → Bêta
• Schémas complexes → Weibull ou Pearson VI

Étapes suivantes