•

Ajusta distribuciones de probabilidad online con Phitter

BETA

Phitter analiza conjuntos de datos y determina las mejores distribuciones de probabilidad analíticas que los representan. El kernel de Phitter estudia más de 80 distribuciones de probabilidad entre continuas y discretas, 3 pruebas de bondad de ajuste y visualizaciones interactivas. Para cada distribución de probabilidad seleccionada, se proporciona una guía estándar de modelado y hojas de cálculo que detallan la metodología para utilizar la distribución elegida en ciencia de datos, investigación de operaciones e inteligencia artificial.

Phitter es exhaustivo y libre

ComenzarDistribuciones

De las observaciones a una distribución.

Phitter compara distribuciones de probabilidad analíticas con tu muestra y ordena las candidatas mediante la suma de errores cuadrados.

Para cada modelo ajustado presenta los parámetros estimados, las pruebas de bondad de ajuste y las gráficas necesarias para examinar la concordancia. El cálculo se ejecuta con Python y Pyodide directamente en tu navegador.

Ajustar un conjunto de datos Explorar distribuciones

Un análisis. Todos los resultados a la vista.

Pega observaciones o importa un archivo TXT, CSV, XLSX o remoto. Elige modelos continuos o discretos, ejecuta el ajuste y examina la evidencia antes de seleccionar una distribución.

Entrada
TXT · CSV · XLSX · valores pegados
Tu muestra permanece en el navegador.
Estimación
Ajuste de parámetros y clasificación
Las candidatas se ordenan por suma de errores cuadrados.
Diagnóstico
Histograma o PMF · PDF · CDF · Q–Q
Las comprobaciones visuales acompañan los resultados numéricos.

Ochenta y siete distribuciones. Tres pruebas.

La misma interfaz cubre datos continuos y discretos sin reducir el análisis a una sola puntuación.

Continuas
77 distribuciones
Densidad, acumulada, cuantiles, momentos y parámetros ajustados.
Discretas
10 distribuciones
Masa de probabilidad, acumulada, cuantiles, momentos y parámetros ajustados.
Bondad de ajuste
KS · AD · χ²
Kolmogorov–Smirnov, Anderson–Darling y chi-cuadrado cuando corresponde.

Una clasificación es evidencia, no un veredicto.

El primer modelo de una clasificación es un candidato. También importan el tamaño de la muestra, el proceso que genera las observaciones, la incertidumbre de los parámetros, los supuestos de las pruebas y el diagnóstico visual.

Phitter mantiene esos detalles visibles para que la elección final siga siendo una decisión estadística y no una etiqueta automática.

Local por diseño. Abierto por construcción.

Phitter no requiere una cuenta y no envía tus observaciones a un servidor de ajuste. El kernel de Python de código abierto se ejecuta localmente mediante Pyodide.

La aplicación web es gratuita, y el kernel, la documentación, las fórmulas y la implementación están disponibles públicamente para su inspección.

Un registro científico público.

Phitter cuenta con un artículo de software revisado por pares, ha sido utilizado por autores académicos independientes y aparece en la colección de recursos sobre distribuciones de probabilidad de William & Mary.