Empieza por el trabajo que necesitas completar
Elegir software de ajuste de distribuciones comienza con una pregunta práctica: ¿qué harás con el modelo ajustado? Explorar una columna en el navegador, mantener un libro de Excel, preparar entradas de simulación y repetir un análisis en Python plantean necesidades distintas.
Esta guía compara Phitter, XLSTAT, ExpertFit y MCP Analytics a partir de documentación oficial consultada el 9 de septiembre de 2026. La publica Phitter. Las recomendaciones se refieren al flujo de trabajo y a funciones documentadas; no hemos realizado una comparación experimental de rendimiento entre estos productos.
Cuatro preguntas antes de comparar herramientas
Anota la variable que modelas, sus unidades y sus límites físicos. Decide si tienes conteos o mediciones y si las observaciones representan un proceso razonablemente estable. Después, pregunta:
- ¿Dónde pueden procesarse los datos? Distingue el cálculo en tu equipo de la carga de un archivo a un servicio.
- ¿Qué debe contener el resultado? Puedes necesitar una gráfica, parámetros identificados, un script ejecutable o una expresión que acepte tu simulador.
- ¿Cómo repetirás el análisis? Una exploración puntual y un proceso mensual necesitan registros distintos de preparación, configuración y versiones.
- ¿Qué evidencia respaldará la decisión? Prevé revisar los diagnósticos y las consecuencias de elegir otro modelo plausible.
Relaciona el flujo de trabajo con la herramienta
| Tu flujo de trabajo | Una opción para evaluar | Qué revisar primero |
|---|---|---|
| Explorar datos interactivamente en el navegador | Phitter web | Familias candidatas y recursos del navegador |
| Repetir ajustes en un cuaderno o script | Phitter Python | Versiones, estimación y datos guardados |
| Mantener el análisis en un libro de Excel | XLSTAT | Método de ajuste requerido y licencia |
| Preparar distribuciones para una simulación | ExpertFit | Formato de exportación al simulador |
| Obtener un informe a partir de un CSV cargado | MCP Analytics | Límite de muestreo y entrega del informe |
Phitter: exploración en navegador y trabajo en Python
La aplicación web de Phitter ajusta 77 distribuciones continuas y 10 discretas, procesa las observaciones localmente mediante Pyodide y acepta valores pegados, TXT, CSV y XLSX. Es gratuita y no requiere cuenta. El paquete de Python permite trabajar con scripts y cuadernos; su código está disponible bajo licencia MIT.
Usa el navegador para examinar una muestra y comparar candidatas. Para trabajo repetido, registra la versión y las opciones en un script. Al pasar de web a Python, comprueba la versión de la implementación, el submuestreo y la configuración de estimación antes de esperar resultados idénticos. Un catálogo amplio ayuda a explorar, pero su tamaño no demuestra precisión. La memoria y el tiempo de cálculo siguen dependiendo de los datos y del equipo.
XLSTAT: ajuste dentro de Excel
La documentación de ajuste de XLSTAT describe estimación por momentos y, para determinadas familias, máxima verosimilitud. Presenta diagnósticos chi-cuadrado y Kolmogorov–Smirnov y superpone la distribución al histograma. Conviene evaluarlo si el documento de trabajo ya es un libro de Excel. Comprueba que estén disponibles la familia y el método necesarios, y confirma la licencia adecuada.
ExpertFit: llevar un ajuste a una simulación
El fabricante de ExpertFit documenta ajuste de distribuciones, diagnósticos gráficos, procesamiento por lotes y versiones orientadas a simulación de eventos discretos. Estas ofrecen formatos para importar distribuciones a paquetes de simulación. Si ese es el siguiente paso, evalúa la transferencia: confirma el destino compatible y la convención de parámetros de tu versión. Una exportación adecuada puede evitar la transcripción manual del modelo.
MCP Analytics: del CSV al informe
La herramienta de MCP Analytics recibe un CSV y anuncia ajuste por máxima verosimilitud, clasificación por AIC/BIC, diagnósticos de bondad de ajuste y gráficas Q–Q. El formulario actual solicita un correo para entregar el informe. La herramienta gratuita indica un límite de 10.000 filas y muestreo aleatorio para archivos mayores. Comprueba si ese muestreo sirve para tu análisis, especialmente cuando importan observaciones poco frecuentes.
Valida el ajuste antes de adoptarlo
La comparación resulta útil cuando planteas la misma pregunta estadística a cada herramienta. Usa las mismas observaciones depuradas y familias candidatas. Registra si se fijan parámetros de localización, cómo se estiman los parámetros y si hay submuestreo. Distintas decisiones pueden producir ajustes diferentes sin que ningún programa esté fallando.
Revisa el histograma junto al modelo y examina una gráfica Q–Q. Comprueba si se asigna probabilidad a valores imposibles. Compara las cantidades que necesita tu aplicación: para tiempos de espera, podría ser la probabilidad de superar un objetivo de servicio. Dos ajustes plausibles pueden conducir a decisiones operativas distintas.
El nombre de una prueba no basta para establecer que la probabilidad reportada esté calibrada para tu problema. La prueba habitual de Kolmogorov–Smirnov para una distribución continua completamente especificada tiene supuestos distintos de una prueba aplicada después de estimar parámetros con esa misma muestra. NIST explica esta limitación.
En problemas adecuados con datos continuos, un bootstrap paramétrico puede considerar la estimación de parámetros reajustando cada muestra simulada. La documentación de goodness_of_fit de SciPy describe el procedimiento y sus límites. Es una validación adicional que puedes considerar; no presupongas que los diagnósticos predeterminados de cada herramienta la ejecutan.
Decide mediante una evaluación pequeña
Procesa un conjunto representativo de datos en dos herramientas adecuadas. Guarda la configuración, las gráficas de diagnóstico y el modelo obtenido; después compara el esfuerzo necesario para repetir el trabajo. Prefiere el flujo que produzca la evidencia y el resultado utilizable que necesita tu proyecto.
Para una primera exploración, ajusta tu muestra con Phitter. Antes de utilizar la primera fila de cualquier clasificación, consulta cómo evaluar ajustes competidores y cómo influye el ajuste en una simulación.