Un proyecto, dos formas de usarlo
Phitter es un proyecto de código abierto para ajustar distribuciones de probabilidad a datos observados. Está formado por dos partes estrechamente relacionadas:
- La librería de Python aporta el motor de ajuste, las implementaciones de distribuciones, las pruebas de bondad de ajuste, los resúmenes y los gráficos.
- La aplicación web ejecuta ese trabajo directamente en un navegador moderno mediante Pyodide, de modo que un primer análisis no requiere instalar Python localmente.
Ambas parten de la misma pregunta práctica: dada una muestra, ¿qué distribuciones teóricas pueden representarla de forma razonable y qué evidencia respalda esa conclusión?
Por qué existe
El ajuste de distribuciones es fácil de describir y suele ser laborioso de ejecutar. Hay que estimar parámetros, comparar modelos candidatos y revisar los resultados con algo más que una sola métrica. Además, las definiciones cambian entre referencias y librerías—en especial cuando una distribución puede expresarse con parámetros de localización, escala, forma, mínimo o máximo.
Phitter nació para convertir ese proceso en un flujo repetible. Sus distribuciones usan interfaces estandarizadas, métodos de estimación de parámetros y recursos de validación. Cuando un sistema de ecuaciones paramétricas puede resolverse de forma eficiente, Phitter lo utiliza; en otros casos puede recurrir a estimación numérica.
Qué produce un análisis
Un ajuste de Phitter no se limita a dibujar una curva sobre un histograma. Según la familia de modelos elegida, puede entregar:
- parámetros estimados de la distribución;
- una clasificación de distribuciones candidatas;
- valores de suma de errores cuadrados;
- resultados de Chi-cuadrado, Kolmogorov–Smirnov y Anderson–Darling cuando sean aplicables;
- histogramas y gráficos de densidad o masa, distribución acumulada y Q–Q;
- acceso directo a las funciones y medidas descriptivas de cada distribución.
El proyecto cubre distribuciones continuas y discretas. El catálogo actual contiene más de 80 modelos, y la documentación incluye fórmulas, notas de implementación y hojas de cálculo para distribuciones individuales.
Qué significa “mejor ajuste”
El modelo que ocupa el primer lugar es un candidato, no una verdad universal. Una decisión útil también considera el soporte de la distribución, la plausibilidad de sus parámetros, las pruebas de bondad de ajuste, los diagnósticos visuales, el tamaño de la muestra y el objetivo del modelo. Dos distribuciones con puntuaciones numéricas parecidas pueden implicar comportamientos muy distintos en sus colas.
Phitter organiza la evidencia; el contexto y el criterio siguen siendo responsabilidad del analista.
Cómo continuar
Sigue con la guía práctica, analiza un conjunto de datos en Phitter Web o consulta la documentación completa de Python.