Distribuições estatísticas

Por que usar distribuições?

No mundo real, os processos apresentam variação. Uma chamada de atendimento ao cliente leva 5 minutos, enquanto outra leva 25 minutos. Em um dia chegam 50 pedidos; no dia seguinte, 120. Essa variabilidade natural é uma característica fundamental dos processos de negócio.

Valores fixos (como “cada atividade leva exatamente 10 minutos”) criam simulações irreais. As distribuições capturam a variabilidade matematicamente, produzindo simulações que se comportam como processos reais.

O impacto da variação

Considere dois cenários para uma tarefa com média de 10 minutos:

Cenário	Distribuição	Efeito na simulação
Fixo: 10 min	Sem variação	Filas irreais, padrões previsíveis
Normal (média=10, desvio padrão=3)	Variação realista	Comportamento natural das filas, atrasos realistas

O segundo cenário representa melhor a realidade: algumas tarefas são rápidas, outras demoram mais, e essa variação cria os efeitos de fila que você observa nos processos reais.

Distribuições disponíveis

O ProcessMind oferece nove tipos de distribuição para modelar diferentes tipos de variação:

Distribuição	Ideal para	Parâmetros principais
Fixa	Valores constantes e imutáveis	value
Normal	Variação simétrica em torno da média	mean, stdDev
Uniforme	Probabilidade igual dentro de um intervalo	min, max
Triangular	Intervalo com um valor mais provável	min, mode, max
Poisson	Chegada de eventos aleatórios	lambda, rateUnit
Lognormal	Assimetria à direita, geralmente rápida e às vezes longa	mean, stdDev
Weibull	Análise de confiabilidade e falhas	scale, shape
Beta	Formato flexível entre min e max	min, max, alpha, beta
Pearson VI	Padrões complexos e assimétricos	alpha1, alpha2, beta

Distribuição fixa

A distribuição mais simples: sempre retorna o mesmo valor.

Parâmetros

Parâmetro	Descrição
valor	O valor constante a ser retornado

Características

• Nenhuma variação
• Cada amostra retorna exatamente o valor especificado
• Útil para modelar etapas controladas pelo sistema ou automatizadas

Quando usar

• Respostas automatizadas do sistema com tempo consistente
• Prazos ou tempos limite regulatórios
• Configuração inicial da simulação antes de adicionar variação
• Modelagem de SLAs ou limites de tempo contratuais

Exemplo

Um e-mail gerado pelo sistema é sempre enviado exatamente em 5 segundos.

Distribuição normal (gaussiana)

A conhecida “curva de sino”: os valores se concentram simetricamente em torno de uma média, com probabilidade decrescente à medida que se afastam do centro.

Parâmetros

Parâmetro	Descrição
mean	O valor médio, no centro da curva
stdDev	Desvio padrão, que indica a dispersão dos valores

Características

• Simétrica em torno da média
• 68% dos valores ficam dentro de 1 desvio padrão
• 95% dos valores ficam dentro de 2 desvios padrão
• 99,7% dos valores ficam dentro de 3 desvios padrão
• Pode produzir valores negativos em teoria, mas a simulação trata esse caso

Quando usar

• Tempos de processamento que variam simetricamente em torno de uma média
• Medições com erro aleatório
• Qualquer quantidade influenciada por muitos fatores pequenos e independentes

Exemplo

Uma tarefa de entrada de dados leva em média 5 minutos, com desvio padrão de 1 minuto:

• 68% das entradas levam de 4 a 6 minutos
• 95% levam de 3 a 7 minutos
• Poucas levam menos de 2 ou mais de 8 minutos

Distribuição uniforme

Todos os valores dentro de um intervalo têm a mesma probabilidade, criando uma distribuição de probabilidade plana.

Parâmetros

Parâmetro	Descrição
min	Menor valor possível
max	Maior valor possível

Características

• Probabilidade plana: nenhum valor é mais provável que outro
• Limites bem definidos em min e max
• A média é exatamente (min + max) / 2

Quando usar

• Quando você conhece apenas o intervalo, não o valor típico
• Seleção aleatória dentro de um intervalo
• Tempo de espera por um evento programado
• Modelagem de incerteza quando não há dados históricos

Exemplo

Uma aprovação leva entre 2 e 8 minutos, mas não há informações sobre o tempo típico. Todas as durações nesse intervalo têm a mesma probabilidade.

Distribuição triangular

Uma distribuição simples com valores mínimo, máximo e mais provável, ou moda, formando um triângulo.

Parâmetros

Parâmetro	Descrição
min	Menor valor possível
mode	Valor mais provável, o pico do triângulo
max	Maior valor possível

Características

• Os valores se concentram em torno da moda
• Limitada por min e max, sem valores extremos além deles
• Assimétrica quando mode ≠ (min + max) / 2
• Fácil de estimar com base no conhecimento de especialistas

Quando usar

• Quando você sabe que “normalmente é X, mas pode variar de Y a Z”
• Cenários baseados em estimativas de especialistas
• Quando a distribuição normal pode produzir valores negativos irreais

Exemplo

Uma análise de nota fiscal:

• Melhor caso (min): 2 minutos
• Típico (mode): 5 minutos
• Pior caso (max): 15 minutos

A maioria das análises se concentra em torno de 5 minutos, com uma cauda que chega a 15 minutos para notas fiscais complexas.

Distribuição de Poisson

Modela o número de eventos que ocorrem em um período fixo; é ideal para processos de chegada.

Parâmetros

Parâmetro	Descrição
lambda	Taxa média de eventos
rateUnit	Unidade de tempo da taxa (perHour, perDay, perWeek, perMonth, perYear)

Características

• Valores discretos, ou números inteiros: 0, 1, 2, 3…
• A variância é igual à média
• Os eventos são independentes
• Modela bem “chegadas aleatórias”

Quando usar

• Chegada de casos ao processo
• Chegada de clientes
• Geração de pedidos
• Qualquer cenário de “eventos por período”

Exemplo

Lambda=20 e rateUnit=perDay modelam aproximadamente 20 casos chegando por dia. Em alguns dias podem chegar 15, em outros 25: essa é a variação natural de chegadas aleatórias.

Distribuição lognormal

Distribuição assimétrica à direita, em que a maioria dos valores é pequena, mas alguns valores grandes ocorrem ocasionalmente. O logaritmo dos valores segue uma distribuição normal.

Parâmetros

Parâmetro	Descrição
mean	Média da distribuição normal subjacente
stdDev	Desvio padrão da distribuição normal subjacente

Características

• Sempre positiva, sem possibilidade de valores negativos
• Assimétrica à direita, com uma cauda longa em direção aos valores maiores
• A maioria dos valores se concentra perto do limite inferior
• Valores grandes ocasionais

Quando usar

• Tarefas que normalmente terminam rápido, mas às vezes demoram muito mais
• Dados financeiros e distribuições de renda
• Tempos de resposta com atrasos ocasionais
• Tempo para corrigir bugs

Exemplo

Tickets de suporte técnico:

• A maioria é resolvida em 1 a 2 horas
• Alguns levam um dia inteiro
• Problemas complexos e raros levam vários dias

A distribuição lognormal captura esse padrão de “geralmente rápido, ocasionalmente demorado”.

Distribuição de Weibull

Uma distribuição flexível, usada com frequência em engenharia de confiabilidade e análise de falhas.

Parâmetros

Parâmetro	Descrição
scale	Parâmetro de escala, ou vida característica
shape	Parâmetro de forma, que determina o formato da distribuição

Efeitos do parâmetro de forma

Valor de shape	Comportamento da distribuição
shape abaixo de 1	Taxa de falha decrescente, ou mortalidade infantil
shape = 1	Taxa de falha constante, ou distribuição exponencial
shape acima de 1	Taxa de falha crescente, ou desgaste

Quando usar

• Tempos até a falha de equipamentos
• Análise de tempo até o evento
• Modelagem de confiabilidade
• Quando você precisa de controle flexível sobre o formato da distribuição

Distribuição beta

Uma distribuição flexível que gera valores entre um mínimo e um máximo, com o formato controlado por dois parâmetros. Esta é a distribuição beta generalizada, de quatro parâmetros.

Parâmetros

Parâmetro	Descrição
min	Menor valor possível
max	Maior valor possível
alpha	Primeiro parâmetro de forma (α > 0)
beta	Segundo parâmetro de forma (β > 0)

Características

• Os valores estão sempre entre min e max
• O formato é extremamente flexível, dependendo de α e β
• Quando α = β, a distribuição é simétrica em torno do ponto médio de [min, max]
• Quando α < β, os valores tendem a min, com assimetria à esquerda
• Quando α > β, os valores tendem a max, com assimetria à direita
• Quando α = β = 1, ela se torna uma distribuição uniforme em [min, max]
• Média = min + (max − min) × α / (α + β)

Efeitos do parâmetro de forma

Parâmetros	Comportamento da distribuição
α = 1, β = 1	Uniforme, ou plana, em [min, max]
α = β	Formato de sino simétrico, centralizado no ponto médio
α < β	Assimétrica à esquerda, com valores concentrados perto de min
α > β	Assimétrica à direita, com valores concentrados perto de max
α < 1, β < 1	Formato de U, com valores concentrados nos dois extremos

Quando usar

• Quantidades limitadas, quando você conhece o intervalo e quer controlar o formato
• Durações de tarefas concentradas perto de uma extremidade de um intervalo conhecido
• Modelagem de probabilidades ou taxas de sucesso, usando min=0 e max=1
• Pontuações de qualidade, percentuais de conclusão ou taxas de rendimento
• Estimativas de especialistas com intervalo conhecido e uma noção de onde os valores tendem a se concentrar

Exemplo

Uma tarefa de análise leva entre 2 e 15 minutos, e a maioria das análises termina mais perto do limite inferior: use Beta(min=2, max=15, α=2, β=5). A média é aproximadamente 2 + 13 × 2/7 ≈ 5,7 minutos, com os valores concentrados perto do limite inferior, mas nunca abaixo de 2 ou acima de 15.

Distribuição Pearson VI

Uma distribuição avançada para padrões complexos e assimétricos que não se ajustam a modelos mais simples.

Parâmetros

Parâmetro	Descrição
alpha1	Primeiro parâmetro de forma
alpha2	Segundo parâmetro de forma
beta	Parâmetro de escala

Quando usar

• Distribuições complexas derivadas da análise de dados
• Quando distribuições mais simples não se ajustam aos seus dados históricos
• Cenários avançados de modelagem estatística

Escolha da distribuição adequada

Referência rápida: tempos de processamento

Sua situação	Distribuição recomendada
Os tempos variam simetricamente em torno de uma média	Normal
Você conhece apenas o intervalo, de min a max	Uniforme
Você conhece o valor típico, o melhor caso e o pior caso	Triangular
Geralmente rápido, às vezes muito mais demorado	Lognormal
O tempo é constante, o que é raro	Fixa
Proporções ou probabilidades, de 0 a 1	Beta

Referência rápida: taxas de chegada

Sua situação	Distribuição recomendada
Chegadas aleatórias e independentes	Poisson
Chegadas a uma taxa constante	Fixa

Práticas recomendadas

Comece de forma simples

Comece com as distribuições Normal ou Triangular. Elas são fáceis de entender e parametrizar e, em geral, funcionam bem. Adicione complexidade apenas quando necessário.

Use o conhecimento de especialistas

Especialistas no assunto podem fornecer excelentes estimativas:

• “Melhor caso?” → mínimo
• “Típico?” → média ou moda
• “Pior caso?” → máximo

Valide com os dados

Se você tiver dados históricos:

1. Ajuste as distribuições aos seus dados
2. Compare a saída simulada com a performance real
3. Refine os parâmetros da distribuição

Considere os valores extremos

Os processos reais geralmente têm valores extremos. As distribuições Lognormal e Weibull podem capturá-los melhor que Normal ou Triangular.

Ajuste ao comportamento do processo

• Variação simétrica → Normal
• Variação limitada → Triangular ou Uniforme
• Assimetria à direita → Lognormal
• Proporções, de 0 a 1 → Beta
• Padrões complexos → Weibull ou Pearson VI

Próximos passos

Como funciona

Entenda como o mecanismo de simulação usa as distribuições.