Distributions statistiques

Pourquoi utiliser des distributions ?

Dans la réalité, les processus présentent des variations. Un appel au service client dure cinq minutes, un autre vingt-cinq. Une journée apporte cinquante commandes, la suivante cent vingt. Cette variabilité naturelle est une caractéristique fondamentale des processus métier.

Les valeurs fixes (par exemple, « chaque activité dure exactement 10 minutes ») produisent des simulations peu réalistes. Les distributions décrivent mathématiquement la variabilité et permettent de simuler des processus qui se comportent comme dans la réalité. Vous pouvez les tester sur votre propre processus avec un essai gratuit.

L’effet de la variabilité

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

Scénario	Distribution	Effet sur la simulation
10 min fixes	Aucune variation	Files d’attente irréalistes, schémas prévisibles
Normale (moyenne=10, écart-type=3)	Variabilité réaliste	Comportement naturel des files d’attente, délais réalistes

Le second scénario représente mieux la réalité : certaines tâches sont rapides, d’autres prennent plus de temps, et ces variations produisent les effets de file d’attente observés dans les processus réels.

Distributions disponibles

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

Distribution	Utilisation recommandée	Paramètres clés
Fixe	Valeurs constantes, sans variation	valeur
Normal	Variation symétrique autour de la moyenne	mean, stdDev
Uniforme	Probabilité identique dans un intervalle	min, max
Triangulaire	Intervalle avec une valeur la plus probable	min, mode, max
Poisson	Arrivées aléatoires d’événements	lambda, rateUnit
Lognormale	Asymétrie à droite (généralement rapide, parfois long)	mean, stdDev
Weibull	Fiabilité et analyse des défaillances	scale, shape
Bêta	Forme variable entre min et max	min, max, alpha, beta
Pearson VI	Configurations asymétriques complexes	alpha1, alpha2, beta

Distribution fixe

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

Paramètres

Paramètre	Description
valeur	Valeur constante à renvoyer

Caractéristiques

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

Quand l’utiliser

• Réponses automatisées du système avec un délai constant
• Délais d’expiration ou échéances réglementaires
• Configuration initiale d’une simulation avant l’ajout de variations
• 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 répartissent de façon symétrique autour d’une moyenne, et leur probabilité diminue à mesure qu’elles s’en éloignent.

Paramètres

Paramètre	Description
mean	Valeur moyenne (centre de la courbe)
stdDev	Écart type (dispersion des valeurs)

Caractéristiques

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

Quand l’utiliser

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

Exemple

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

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

Distribution uniforme

Toutes les valeurs d’un intervalle ont la même probabilité, ce qui donne une distribution de probabilité uniforme.

Paramètres

Paramètre	Description
min	Valeur minimale possible
max	Valeur maximale possible

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 l’intervalle, mais pas la valeur habituelle
• Sélection aléatoire dans un intervalle
• Durée 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, mais vous ne savez pas quelle durée est habituelle. Toutes les durées de cet intervalle ont la même probabilité.

Distribution triangulaire

Une distribution simple définie par une valeur minimale, une valeur maximale et la valeur la plus probable (le mode), dont la forme évoque un triangle.

Paramètres

Paramètre	Description
min	Valeur minimale possible
mode	Valeur la plus probable (sommet du triangle)
max	Valeur maximale possible

Caractéristiques

• Les valeurs se concentrent autour du mode
• Les valeurs sont comprises entre min et max (aucune valeur ne les dépasse)
• La distribution est asymétrique si mode ≠ (min + max) / 2
• Les estimations sont faciles à établir à partir de l’expérience métier

Quand l’utiliser

• Lorsque vous savez que « la valeur habituelle est X, mais qu’elle peut varier de Y à Z »
• Pour des estimations fondées sur l’expertise
• Lorsque la distribution normale risque de produire des valeurs négatives irréalistes

Exemple

Examen d’une facture :

• Cas le plus favorable (min) : 2 minutes
• Durée habituelle (mode) : 5 minutes
• Cas le plus défavorable (max) : 15 minutes

La plupart des examens durent environ 5 minutes, mais les factures complexes peuvent nécessiter jusqu’à 15 minutes.

Distribution de Poisson

Modélise le nombre d’événements sur une période donnée. Elle convient particulièrement aux processus d’arrivée.

Paramètres

Paramètre	Description
lambda	Taux moyen d’événements
rateUnit	Unité de temps du taux (perHour, perDay, perWeek, perMonth, perYear)

Caractéristiques

• Valeurs discrètes (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
• Création de commandes
• Toute situation où des « événements surviennent au fil du temps »

Exemple

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

Distribution lognormale

Distribution asymétrique à droite : la plupart des valeurs sont faibles, mais certaines sont beaucoup plus élevées. Le logarithme des valeurs suit une distribution normale.

Paramètres

Paramètre	Description
mean	Moyenne des valeurs générées (et non de leur logarithme)
stdDev	Écart type des valeurs générées (et non de leur logarithme)

Caractéristiques

• Toujours positive (aucune valeur négative possible)
• Asymétrique à droite : longue traîne vers les valeurs élevées
• La plupart des valeurs se concentrent dans la partie basse de l’intervalle
• Quelques valeurs élevées apparaissent occasionnellement

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
• Durée 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, plus rares, prennent plusieurs jours

La distribution lognormale représente bien ce schéma : « généralement rapide, parfois long ».

Distribution de Weibull

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

Paramètres

Paramètre	Description
scale	Paramètre d’échelle (durée de vie caractéristique)
shape	Paramètre de forme (détermine la forme de la distribution)

Effet des paramètres de forme

Valeur de shape	Comportement de la distribution
shape inférieur à 1	Taux de défaillance décroissant (mortalité infantile)
shape = 1	Taux de défaillance constant (distribution exponentielle)
shape supérieur à 1	Taux de défaillance croissant (usure)

Quand l’utiliser

• Durée avant la défaillance d’un équipement
• Analyse du délai avant un événement
• Modélisation de la fiabilité
• Lorsque vous devez ajuster librement la forme de la distribution

Distribution bêta

Une distribution flexible qui génère des valeurs entre un minimum et un maximum, avec une forme définie par deux paramètres. Il s’agit de la distribution bêta généralisée (à 4 paramètres).

Paramètres

Paramètre	Description
min	Valeur minimale possible
max	Valeur maximale possible
alpha	Premier paramètre de forme (α > 0)
beta	Deuxième paramètre de forme (β > 0)

Caractéristiques

• Les valeurs sont toujours comprises entre min et max
• La forme varie largement selon α et β
• Lorsque α = β, la distribution est symétrique autour du milieu de [min, max]
• Lorsque α < β, les valeurs se concentrent vers min (asymétrie à gauche)
• Lorsque α > β, les valeurs se concentrent vers max (asymétrie à droite)
• Lorsque α = β = 1, la distribution devient uniforme sur [min, max]
• Moyenne = min + (max − min) × α / (α + β)

Effet des paramètres de forme

Paramètres	Comportement de la distribution
α = 1, β = 1	Uniforme (plate) sur [min, max]
α = β	Courbe en cloche symétrique, centrée sur le milieu
α < β	Asymétrie à gauche (les valeurs se concentrent près de min)
α > β	Asymétrie à droite (les valeurs se concentrent près de max)
α < 1, β < 1	En forme de U (les valeurs se concentrent aux deux extrêmes)

Quand l’utiliser

• Quantités bornées dont vous connaissez l’intervalle et dont vous souhaitez définir la forme de la distribution
• Durées de tâche concentrées près d’une extrémité d’un intervalle connu
• Modélisation de probabilités ou de taux de réussite (utilisez min=0, max=1)
• Scores de qualité, pourcentages d’achèvement ou taux de rendement
• Estimations d’experts pour lesquelles l’intervalle est connu et la concentration habituelle des valeurs peut être estimée

Exemple

Une tâche de vérification dure entre 2 et 15 minutes, et la plupart des vérifications se terminent plutôt rapidement : 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 dans la partie basse de l’intervalle, sans jamais être inférieures à 2 ni supérieures à 15.

Distribution Pearson VI

Une distribution avancée pour les configurations asymétriques complexes que des modèles plus simples ne permettent pas de représenter.

Paramètres

Paramètre	Description
alpha1	Premier paramètre de forme
alpha2	Deuxième paramètre de forme
beta	Paramètre d’échelle

Quand l’utiliser

• Distributions complexes obtenues par l’analyse des données
• Lorsque des distributions plus simples ne correspondent pas à vos données historiques
• Scénarios avancés de modélisation statistique

Choisir la bonne distribution

Repères rapides : temps de traitement

Votre situation	Distribution recommandée
Les durées varient de façon symétrique autour d’une moyenne	Normal
Vous connaissez uniquement l’intervalle (min à max)	Uniforme
Vous connaissez les durées habituelle, minimale et maximale	Triangulaire
Généralement rapide, parfois beaucoup plus long	Lognormale
Durée constante (cas rare)	Fixe
Proportions ou probabilités (de 0 à 1)	Bêta

Repères rapides : taux d’arrivée

Votre situation	Distribution recommandée
Arrivées aléatoires et indépendantes	Poisson
Arrivées à un taux constant	Fixe

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 qu’en cas de besoin.

Appuyez-vous sur l’expertise métier

Les experts du domaine peuvent fournir d’excellentes estimations :

• « Cas le plus favorable ? » → minimum
• « Durée habituelle ? » → moyenne ou mode
• « Cas le plus défavorable ? » → maximum

Vérifiez les résultats à l’aide des 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 atypiques

Les processus réels comportent souvent des valeurs atypiques. Les distributions lognormale et de Weibull les représentent mieux que les distributions normale ou triangulaire.

Adaptez la distribution au comportement du processus

• Variation symétrique → Normal
• Variation bornée → Triangulaire ou uniforme
• Asymétrie à droite → Lognormale
• Proportions (de 0 à 1) → Bêta
• Configurations complexes → Weibull ou Pearson VI

Générer un modèle BPMN personnalisé

Étapes suivantes

Fonctionnement

Découvrez comment le moteur de simulation utilise les distributions.