一些选择包括Weibull、Gamma（包括指数）和对数正态分布，如果存在非零最小可能时间，则可能带有移位参数。（但是从您的图表看来，也可能存在离散性问题。）

如果演示图相当准确，则可能需要移位参数。

如果时间有高度偏斜的趋势，则可以考虑对数逻辑、逆高斯或帕累托。（虽然这里看起来不是这样。）

您可能想尝试Erlang发行版。以下是该页面的一些摘录：

该分布是一个连续分布，它对所有大于零的实数都具有正值，并由两个参数给出：形状，它是一个正整数，和速率，它是一个正实数$k$$\lambda$

以某个平均速率独立发生的事件用泊松过程建模。次事件之间的等待时间是 Erlang 分布的。$k$

我不确定是否有一个很好的直观解释来说明为什么 Erlang 适合这里，但我会试一试：如果您认为每个任务都由较小的子任务组成，那么您可以通过三种方式对其进行建模：

1. 每个子任务花费大约相同的时间（因此使用 Wikipedia 页面的符号，所有任务的都是相同的，但较大的估计值具有更高的子任务数量（Erlang 公式中的）。$\mu$$k$

2. 相反：每个大小的任务都有相同数量的子任务，但每个子任务更长。

3. (1) 和 (2) 的组合。

在拟合时要小心，您有足够的历史数据来构建一个体面的模型，而不会过度拟合，并感谢您将统计数据应用于 Scrum 项目估计！