Distribuzioni statistiche
Perché utilizzare le distribuzioni?
Nel mondo reale, i processi presentano variabilità. Una chiamata al servizio clienti dura 5 minuti, un’altra 25. Un giorno arrivano 50 ordini, il giorno successivo 120. Questa variabilità naturale è una caratteristica fondamentale dei processi aziendali.
I valori fissi, come “ogni attività dura esattamente 10 minuti”, producono simulazioni irrealistiche. Le distribuzioni rappresentano matematicamente la variabilità e generano simulazioni che si comportano come processi reali.
L’impatto della variabilità
Consideri due scenari per un task con una durata media di 10 minuti:
| Scenario | Distribuzione | Effetto sulla simulazione |
|---|---|---|
| 10 minuti fissi | Nessuna variabilità | Code irrealistiche, schemi prevedibili |
| Normale (media=10, stdDev=3) | Variabilità realistica | Comportamento naturale delle code, ritardi realistici |
Il secondo scenario rappresenta meglio la realtà: alcune task sono rapide, altre richiedono più tempo e questa variabilità crea gli effetti di accodamento che si osservano nei processi reali.
Distribuzioni disponibili
ProcessMind mette a disposizione nove tipi di distribuzione per modellare diversi tipi di variabilità:
| Distribuzione | Ideale per | Parametri principali |
|---|---|---|
| Fissa | Valori costanti e invariabili | value |
| Normale | Variabilità simmetrica intorno alla media | mean, stdDev |
| Uniforme | Probabilità uguale all’interno di un intervallo | min, max |
| Triangolare | Intervalli con un valore più probabile | min, mode, max |
| Poisson | Arrivi casuali di eventi | lambda, rateUnit |
| Lognormale | Distribuzione asimmetrica a destra, di solito rapida ma talvolta lunga | mean, stdDev |
| Weibull | Analisi dell’affidabilità e dei guasti | scale, shape |
| Beta | Forma flessibile tra minimo e massimo | min, max, alpha, beta |
| Pearson VI | Pattern complessi e asimmetrici | alpha1, alpha2, beta |
Distribuzione fissa
La distribuzione più semplice: restituisce sempre lo stesso valore.
Parametri
| Parameter | Description |
|---|---|
| valore | Il valore costante da restituire |
Caratteristiche
- Nessuna variabilità
- Ogni campione restituisce esattamente il valore specificato
- Utile per modellare passaggi controllati dal sistema o automatizzati
Quando utilizzarla
- Risposte automatizzate del sistema con tempi costanti
- Timeout o scadenze previsti dalla normativa
- Configurazione iniziale della simulazione prima di aggiungere variabilità
- Modellazione di SLA o limiti temporali contrattuali
Esempio
Un’e-mail generata dal sistema viene sempre inviata esattamente dopo 5 secondi.
Distribuzione normale (gaussiana)
La familiare “curva a campana”: i valori si concentrano simmetricamente intorno a una media, con una probabilità che diminuisce man mano che ci si allontana dal centro.
Parametri
| Parametro | Descrizione |
|---|---|
| mean | Il valore medio, cioè il centro della curva |
| stdDev | La deviazione standard, cioè la dispersione dei valori |
Caratteristiche
- Simmetrica intorno alla media
- Il 68% dei valori rientra in 1 deviazione standard
- Il 95% dei valori rientra in 2 deviazioni standard
- Il 99,7% dei valori rientra in 3 deviazioni standard
- In teoria può produrre valori negativi, gestiti dalla simulazione
Quando utilizzarla
- Tempi di elaborazione che variano simmetricamente intorno a una media
- Misurazioni soggette a errori casuali
- Qualsiasi quantità influenzata da molti fattori piccoli e indipendenti
Esempio
Una task di inserimento dati richiede in media 5 minuti, con una deviazione standard di 1 minuto:
- Il 68% degli inserimenti richiede da 4 a 6 minuti
- Il 95% richiede da 3 a 7 minuti
- Pochi richiedono meno di 2 o più di 8 minuti
Distribuzione uniforme
Ogni valore all’interno di un intervallo ha la stessa probabilità, creando una distribuzione piatta.
Parametri
| Parametro | Descrizione |
|---|---|
| min | Il valore minimo possibile |
| max | Il valore massimo possibile |
Caratteristiche
- Probabilità uniforme: nessun valore è più probabile di un altro
- Limiti netti in corrispondenza di min e max
- La media è esattamente (min + max) / 2
Quando utilizzarla
- Quando si conosce solo l’intervallo, ma non il valore tipico
- Selezione casuale da un intervallo
- Tempo di attesa per un evento pianificato
- Modellazione dell’incertezza in assenza di dati storici
Esempio
Un’approvazione richiede da 2 a 8 minuti, ma non si dispone di informazioni sul tempo tipico. Tutte le durate comprese in questo intervallo hanno la stessa probabilità.
Distribuzione triangolare
Una distribuzione semplice con valori minimo, massimo e più probabile, detto moda, che forma una figura triangolare.
Parametri
| Parametro | Descrizione |
|---|---|
| min | Il valore minimo possibile |
| mode | Il valore più probabile, cioè il vertice del triangolo |
| max | Il valore massimo possibile |
Caratteristiche
- I valori si concentrano intorno alla moda
- È delimitata da min e max, senza valori anomali oltre questi limiti
- È asimmetrica se mode ≠ (min + max) / 2
- È semplice da stimare sulla base delle conoscenze degli esperti
Quando utilizzarla
- Quando si sa che “di solito richiede X, ma può variare da Y a Z”
- Scenari basati su stime di esperti
- Quando la distribuzione normale potrebbe produrre valori negativi irrealistici
Esempio
Una revisione di una fattura:
- Caso migliore (min): 2 minuti
- Tipico (mode): 5 minuti
- Caso peggiore (max): 15 minuti
La maggior parte delle revisioni si concentra intorno ai 5 minuti, con una coda che arriva fino a 15 minuti per le fatture più complesse.
Stima degli esperti
La distribuzione triangolare si adatta perfettamente alle stime degli esperti. Chieda: “Quanto dura nel caso migliore? Quanto dura normalmente? Quanto dura nel caso peggiore?” Otterrà direttamente min, mode e max.
Distribuzione di Poisson
Modella il numero di eventi che si verificano in un intervallo di tempo fisso ed è ideale per i processi di arrivo.
Parametri
| Parametro | Descrizione |
|---|---|
| lambda | Il tasso medio degli eventi |
| rateUnit | L’unità di tempo del tasso (perHour, perDay, perWeek, perMonth, perYear) |
Caratteristiche
- Valori discreti, cioè numeri interi: 0, 1, 2, 3…
- La varianza è uguale alla media
- Gli eventi sono indipendenti
- Modella bene gli “arrivi casuali”
Quando utilizzarla
- Arrivo di casi nel processo
- Arrivo di clienti
- Generazione di ordini
- Qualsiasi scenario relativo agli “eventi per intervallo di tempo”
Esempio
Lambda=20, rateUnit=perDay modella circa 20 casi in arrivo al giorno. In alcuni giorni potrebbero arrivarne 15, in altri 25: è la variabilità naturale degli arrivi casuali.
Distribuzione lognormale
Distribuzione asimmetrica a destra, in cui la maggior parte dei valori è bassa, ma si verificano occasionalmente valori elevati. Il logaritmo dei valori segue una distribuzione normale.
Parametri
| Parametro | Descrizione |
|---|---|
| mean | La media della distribuzione normale sottostante |
| stdDev | La deviazione standard della distribuzione normale sottostante |
Caratteristiche
- Sempre positiva, quindi non può produrre valori negativi
- Asimmetrica a destra, con una lunga coda verso i valori più elevati
- La maggior parte dei valori si concentra verso l’estremo inferiore
- Presenza occasionale di valori elevati
Quando utilizzarla
- Task che di solito si completano rapidamente, ma talvolta richiedono molto più tempo
- Dati finanziari e distribuzioni dei redditi
- Tempi di risposta con ritardi occasionali
- Tempi di correzione dei bug
Esempio
Ticket di assistenza tecnica:
- La maggior parte viene risolta in 1-2 ore
- Alcuni richiedono un’intera giornata
- I problemi complessi e rari richiedono diversi giorni
La distribuzione lognormale rappresenta questo schema “di solito rapido, occasionalmente lungo”.
Distribuzione di Weibull
Una distribuzione flessibile, comunemente utilizzata nell’ingegneria dell’affidabilità e nell’analisi dei guasti.
Parametri
| Parametro | Descrizione |
|---|---|
| scale | Parametro di scala, cioè la vita caratteristica |
| shape | Parametro di forma, che determina la forma della distribuzione |
Effetti del parametro di forma
| Valore di shape | Comportamento della distribuzione |
|---|---|
| shape inferiore a 1 | Tasso di guasto decrescente, cioè mortalità infantile |
| shape = 1 | Tasso di guasto costante, cioè distribuzione esponenziale |
| shape superiore a 1 | Tasso di guasto crescente, cioè usura |
Quando utilizzarla
- Tempi di guasto delle apparecchiature
- Analisi del tempo all’evento
- Modellazione dell’affidabilità
- Quando serve un controllo flessibile sulla forma della distribuzione
Distribuzione beta
Una distribuzione flessibile che genera valori compresi tra un minimo e un massimo, con una forma controllata da due parametri. Si tratta della distribuzione beta generalizzata a 4 parametri.
Parametri
| Parametro | Descrizione |
|---|---|
| min | Il valore minimo possibile |
| max | Il valore massimo possibile |
| alpha | Il primo parametro di forma (α > 0) |
| beta | Il secondo parametro di forma (β > 0) |
Caratteristiche
- I valori sono sempre compresi tra min e max
- La forma è estremamente flessibile e dipende da α e β
- Quando α = β, la distribuzione è simmetrica intorno al punto medio di [min, max]
- Quando α < β, i valori tendono verso min, con asimmetria a sinistra
- Quando α > β, i valori tendono verso max, con asimmetria a destra
- Quando α = β = 1, diventa una distribuzione uniforme su [min, max]
- Media = min + (max − min) × α / (α + β)
Effetti del parametro di forma
| Parametri | Comportamento della distribuzione |
|---|---|
| α = 1, β = 1 | Uniforme, cioè piatta, su [min, max] |
| α = β | Forma a campana simmetrica centrata sul punto medio |
| α < β | Asimmetria a sinistra, con valori concentrati vicino a min |
| α > β | Asimmetria a destra, con valori concentrati vicino a max |
| α < 1, β < 1 | Forma a U, con valori concentrati a entrambe le estremità |
Quando utilizzarla
- Quantità delimitate, quando si conosce l’intervallo e si desidera controllarne la forma
- Durate delle task concentrate verso un’estremità di un intervallo noto
- Modellazione di probabilità o tassi di successo, usando min=0 e max=1
- Punteggi di qualità, percentuali di completamento o tassi di rendimento
- Stime di esperti con un intervallo noto e un’idea di dove tendano a concentrarsi i valori
Esempio
Una task di revisione richiede da 2 a 15 minuti e la maggior parte delle revisioni termina verso l’estremo inferiore: utilizzi Beta(min=2, max=15, α=2, β=5). La media è circa 2 + 13 × 2/7 ≈ 5,7 minuti, con valori concentrati verso l’estremo inferiore, ma mai inferiori a 2 o superiori a 15.
Distribuzione di Pearson VI
Una distribuzione avanzata per pattern complessi e asimmetrici che non si adattano a modelli più semplici.
Parametri
| Parametro | Descrizione |
|---|---|
| alpha1 | Il primo parametro di forma |
| alpha2 | Il secondo parametro di forma |
| beta | Il parametro di scala |
Quando utilizzarla
- Distribuzioni complesse derivate dall’analisi dei dati
- Quando le distribuzioni più semplici non si adattano ai dati storici
- Scenari di modellazione statistica avanzata
Scelta della distribuzione corretta
Riferimento rapido: tempi di elaborazione
| La situazione | Distribuzione consigliata |
|---|---|
| I tempi variano simmetricamente intorno a una media | Normale |
| Si conosce solo l’intervallo, da min a max | Uniforme |
| Si conoscono il valore tipico, il caso migliore e il caso peggiore | Triangolare |
| Di solito è rapida, ma talvolta molto più lunga | Lognormale |
| Il tempo è costante, caso raro | Fissa |
| Proporzioni o probabilità da 0 a 1 | Beta |
Riferimento rapido: tassi di arrivo
| La situazione | Distribuzione consigliata |
|---|---|
| Arrivi casuali e indipendenti | Poisson |
| Arrivi a un tasso costante | Fissa |
Buone pratiche
Inizi dalla semplicità
Inizi con distribuzioni normali o triangolari. Sono semplici da comprendere e parametrizzare e, nella maggior parte dei casi, sono sufficientemente efficaci. Aggiunga complessità solo quando necessario.
Utilizzi le conoscenze degli esperti
Gli esperti della materia possono fornire stime eccellenti:
- “Caso migliore?” → minimo
- “Tipico?” → media o moda
- “Caso peggiore?” → massimo
Convalidi rispetto ai dati
Se dispone di dati storici:
- Adatti le distribuzioni ai Suoi dati
- Confronti l’output simulato con le prestazioni effettive
- Affini i parametri delle distribuzioni
Consideri i valori anomali
I processi reali presentano spesso valori anomali. Le distribuzioni lognormale e di Weibull possono rappresentarli meglio delle distribuzioni normale o triangolare.
Adatti la distribuzione al comportamento del processo
- Variabilità simmetrica → Normale
- Variabilità delimitata → Triangolare o uniforme
- Asimmetria a destra → Lognormale
- Proporzioni da 0 a 1 → Beta
- Pattern complessi → Weibull o Pearson VI