Distribuzioni statistiche

Perché utilizzare le distribuzioni?

Nella realtà, i processi presentano variazioni. Una chiamata al servizio clienti dura 5 minuti, un’altra 25. In un giorno arrivano 50 ordini, il giorno successivo 120. Questa variabilità naturale è una caratteristica fondamentale dei processi aziendali.

I valori fissi (ad esempio, «ogni attività dura esattamente 10 minuti») producono simulazioni poco realistiche. Le distribuzioni rappresentano matematicamente la variabilità e consentono di ottenere simulazioni che riproducono il comportamento dei processi reali. Può provarle sui Suoi processi con una prova gratuita.

L’effetto della variabilità

Consideri due scenari per un’attività che dura in media 10 minuti:

Scenario	Distribuzione	Effetto sulla simulazione
Fisso: 10 min	Nessuna variazione	Code irrealistiche, andamento prevedibile
Normale (media=10, stdDev=3)	Variazione realistica	Comportamento naturale delle code, ritardi realistici

Il secondo scenario rappresenta meglio la realtà: alcune attività sono rapide, altre richiedono più tempo, e questa variabilità crea gli effetti di coda che si osservano nei processi reali.

Distribuzioni disponibili

ProcessMind offre nove tipi di distribuzione per modellare diversi tipi di variabilità:

Distribuzione	Ideale per	Parametri principali
Fisso	Valori costanti e invariabili	valore
Normale	Variazioni simmetriche intorno alla media	mean, stdDev
Uniforme	Probabilità uniforme all’interno di un intervallo	min, max
Triangolare	Intervallo con un valore più probabile	min, mode, max
Poisson	Arrivi casuali di eventi	lambda, rateUnit
Lognormale	Asimmetria a destra (di solito valori bassi, talvolta elevati)	mean, stdDev
Weibull	Analisi dell’affidabilità e dei guasti	scale, shape
Beta	Forma flessibile tra min e max	min, max, alpha, beta
Pearson VI	Andamenti complessi e asimmetrici	alpha1, alpha2, beta

Distribuzione fissa

La distribuzione più semplice: restituisce sempre lo stesso valore.

Parametri

Parametro	Descrizione
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 usarla

• Risposte automatizzate del sistema con tempi costanti
• Timeout o scadenze previsti dalla normativa
• Configurazione iniziale della simulazione, prima di introdurre 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 nota «curva a campana»: i valori si concentrano simmetricamente intorno alla media e diventano meno probabili man mano che ci si allontana dal centro.

Parametri

Parametro	Descrizione
mean	Valore medio (centro della curva)
stdDev	Deviazione standard (dispersione dei valori)

Caratteristiche

• Simmetrica rispetto alla media
• Il 68% dei valori rientra in una deviazione standard
• Il 95% dei valori rientra in due deviazioni standard
• Il 99,7% dei valori rientra in tre deviazioni standard
• In teoria può generare valori negativi (la simulazione gestisce questo caso)

Quando usarla

• Tempi di elaborazione che variano simmetricamente intorno alla media
• Misurazioni con errori casuali
• Qualsiasi quantità influenzata da molti fattori piccoli e indipendenti

Esempio

Un’attività di inserimento dati richiede in media 5 minuti, con una deviazione standard di 1 minuto:

• Il 68% delle operazioni richiede 4-6 minuti
• Il 95% richiede 3-7 minuti
• Poche richiedono meno di 2 o più di 8 minuti

Distribuzione uniforme

Tutti i valori compresi in un intervallo hanno la stessa probabilità, dando luogo a una distribuzione di probabilità piatta.

Parametri

Parametro	Descrizione
min	Valore minimo possibile
max	Valore massimo possibile

Caratteristiche

• Probabilità uniforme: nessun valore è più probabile degli altri
• Limiti netti in corrispondenza di min e max
• La media è esattamente (min + max) / 2

Quando usarla

• Quando si conosce solo l’intervallo, ma non il valore tipico
• Selezione casuale all’interno di un intervallo
• Tempo di attesa per un evento programmato
• Per modellare l’incertezza quando non si dispone di dati storici

Esempio

Un’approvazione richiede da 2 a 8 minuti, ma non si sa quale sia il tempo tipico. Tutte le durate comprese nell’intervallo hanno la stessa probabilità.

Distribuzione triangolare

Una distribuzione semplice, definita da un valore minimo, uno massimo e quello più probabile (moda), che assume una forma triangolare.

Parametri

Parametro	Descrizione
min	Valore minimo possibile
mode	Valore più probabile (picco del triangolo)
max	Valore massimo possibile

Caratteristiche

• I valori si concentrano intorno alla moda
• I valori sono compresi tra min e max (non possono esserci valori anomali al di fuori dell’intervallo)
• È asimmetrica se mode ≠ (min + max) / 2
• È facile da stimare sulla base dell’esperienza degli esperti

Quando usarla

• Quando si sa che «di solito occorrono X, ma il tempo può variare da Y a Z»
• Per le stime degli esperti
• Quando la distribuzione normale potrebbe generare valori negativi irrealistici

Esempio

Revisione di una fattura:

• Caso migliore (min): 2 minuti
• Tipico (mode): 5 minuti
• Caso peggiore (max): 15 minuti

La maggior parte delle revisioni richiede circa 5 minuti, ma quelle relative a fatture complesse possono arrivare a 15.

Distribuzione di Poisson

Modella il numero di eventi che si verificano in un intervallo di tempo fisso; è ideale per i processi di arrivo.

Parametri

Parametro	Descrizione
lambda	Frequenza media degli eventi
rateUnit	Unità di tempo della frequenza (perHour, perDay, perWeek, perMonth, perYear)

Caratteristiche

• Valori discreti (numeri interi: 0, 1, 2, 3…)
• La varianza è uguale alla media
• Gli eventi sono indipendenti
• Modella bene gli «arrivi casuali»

Quando usarla

• Arrivi dei casi nel processo
• Arrivi dei clienti
• Generazione degli ordini
• Qualsiasi scenario che preveda «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 normale variabilità degli arrivi casuali.

Distribuzione lognormale

Distribuzione asimmetrica a destra, in cui la maggior parte dei valori è bassa, ma talvolta si verificano valori elevati. Il logaritmo dei valori segue una distribuzione normale.

Parametri

Parametro	Descrizione
mean	Media dei valori generati (non dei loro logaritmi)
stdDev	Deviazione standard dei valori generati (non dei loro logaritmi)

Caratteristiche

• I valori sono sempre positivi (non possono essere negativi)
• Asimmetria a destra: coda lunga verso i valori più elevati
• La maggior parte dei valori si concentra nella parte bassa dell’intervallo
• Si verificano occasionalmente valori elevati

Quando usarla

• Attività che di solito si concludono rapidamente, ma che talvolta richiedono molto più tempo
• Dati finanziari e distribuzioni del reddito
• Tempi di risposta con ritardi occasionali
• Tempi di correzione dei bug

Esempio

Ticket di assistenza tecnica:

• La maggior parte si risolve in 1-2 ore
• Alcuni richiedono un’intera giornata
• I rari problemi complessi richiedono diversi giorni

La distribuzione lognormale rappresenta questo andamento: «di solito rapido, talvolta 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 (durata caratteristica)
shape	Parametro di forma (determina la forma della distribuzione)

Effetti dei parametri di forma

Valore di shape	Comportamento della distribuzione
shape inferiore a 1	Frequenza dei guasti in diminuzione (mortalità infantile)
shape = 1	Frequenza dei guasti costante (distribuzione esponenziale)
shape superiore a 1	Frequenza dei guasti in aumento (usura)

Quando usarla

• Tempi di guasto delle apparecchiature
• Analisi del tempo che precede un evento
• Modellazione dell’affidabilità
• Quando serve controllare con flessibilità la forma della distribuzione

Distribuzione Beta

Una distribuzione flessibile che genera valori compresi tra un minimo e un massimo, con una forma determinata da due parametri. Si tratta della distribuzione Beta generalizzata (a 4 parametri).

Parametri

Parametro	Descrizione
min	Valore minimo possibile
max	Valore massimo possibile
alpha	Primo parametro di forma (α > 0)
beta	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
• Se α = β, la distribuzione è simmetrica rispetto al punto medio di [min, max]
• Se α < β, i valori tendono verso min (asimmetria a sinistra)
• Se α > β, i valori tendono verso max (asimmetria a destra)
• Se α = β = 1, si ottiene una distribuzione uniforme su [min, max]
• Media = min + (max − min) × α / (α + β)

Effetti dei parametri di forma

Parametri	Comportamento della distribuzione
α = 1, β = 1	Uniforme (piatta) su [min, max]
α = β	Forma a campana simmetrica, centrata sul punto medio
α < β	Asimmetria a sinistra (i valori si concentrano vicino a min)
α > β	Asimmetria a destra (i valori si concentrano vicino a max)
α < 1, β < 1	Forma a U (i valori si concentrano a entrambi gli estremi)

Quando usarla

• Quantità limitate, per cui si conosce l’intervallo e si vuole controllare la forma della distribuzione
• Durate delle attività che si concentrano vicino a un estremo dell’intervallo noto
• Per modellare probabilità o tassi di successo (impostare min=0, max=1)
• Punteggi di qualità, percentuali di completamento o tassi di rendimento
• Stime degli esperti con un intervallo noto e un’indicazione dei valori attorno a cui tendono a concentrarsi

Esempio

Un’attività di revisione richiede da 2 a 15 minuti e la maggior parte delle revisioni si conclude nella parte bassa dell’intervallo: si usi Beta(min=2, max=15, α=2, β=5). La media è circa 2 + 13 × 2/7 ≈ 5,7 minuti; i valori si concentrano nella parte bassa, ma non scendono mai sotto 2 né superano 15.

Distribuzione Pearson VI

Una distribuzione avanzata per rappresentare andamenti complessi e asimmetrici che non si adattano ai modelli più semplici.

Parametri

Parametro	Descrizione
alpha1	Primo parametro di forma
alpha2	Secondo parametro di forma
beta	Parametro di scala

Quando usarla

• Distribuzioni complesse ricavate dall’analisi dei dati
• Quando le distribuzioni più semplici non si adattano ai dati storici
• Scenari avanzati di modellazione statistica

Come scegliere la distribuzione più adatta

Riepilogo rapido: tempi di elaborazione

Situazione	Distribuzione consigliata
I tempi variano simmetricamente intorno alla media	Normale
Si conosce solo l’intervallo (da min a max)	Uniforme
Si conoscono il valore tipico, il caso migliore e quello peggiore	Triangolare
Di solito è rapido, ma talvolta richiede molto più tempo	Lognormale
Il tempo è costante (caso raro)	Fisso
Proporzioni o probabilità (da 0 a 1)	Beta

Riepilogo rapido: frequenze di arrivo

Situazione	Distribuzione consigliata
Arrivi casuali e indipendenti	Poisson
Arrivi a frequenza costante	Fisso

Buone pratiche

Inizi con un modello semplice

Cominci con distribuzioni normali o triangolari: sono facili da comprendere e configurare e, nella maggior parte dei casi, sono sufficienti. Aggiunga complessità solo se necessario.

Si basi sull’esperienza degli esperti

Gli esperti del settore possono fornire stime eccellenti:

• «Caso migliore?» → minimo
• «Tipico?» → media o moda
• «Caso peggiore?» → massimo

Convalidi i risultati con i dati

Se dispone di dati storici:

1. Adatti le distribuzioni ai dati
2. Confronti i risultati simulati con le prestazioni effettive
3. Affini i parametri delle distribuzioni

Tenga conto dei valori anomali

Nei processi reali si verificano spesso valori anomali. Le distribuzioni lognormale e Weibull possono rappresentarli meglio di quelle normale o triangolare.

Scelga la distribuzione in base al comportamento del processo

• Variazione simmetrica → Normale
• Variazione limitata → Triangolare o uniforme
• Asimmetria a destra → Lognormale
• Proporzioni (da 0 a 1) → Beta
• Andamenti complessi → Weibull o Pearson VI

Generare un modello BPMN personalizzato

Prossimi passaggi

Come funziona

Scopra come il motore di simulazione utilizza le distribuzioni.