Herramienta online para ajustar distribuciones de probabilidad

Phitter ajusta tu muestra contra 87 distribuciones de probabilidad teóricas, estima los parámetros de cada una, ordena las candidatas y te muestra la evidencia detrás de ese orden. Es gratis, no pide registro y se ejecuta por completo dentro de tu navegador.

Cómo funciona el ajuste

Tú aportas una muestra de observaciones. Phitter estima los parámetros de cada distribución candidata a partir de esa muestra, calcula la función de densidad o de masa que implican esos parámetros y la compara contra la distribución empírica de tus datos.

El ranking prioriza las candidatas que no son rechazadas por un mayor número de pruebas de bondad de ajuste. En ajustes continuos, los empates se ordenan por menor BIC, después AIC y después suma de errores cuadrados (SSE). En ajustes discretos, los empates se ordenan por menor SSE; los resultados discretos no reportan AIC ni BIC. Estos criterios ayudan a comparar candidatas, pero no identifican automáticamente el modelo verdadero.

Todo el cálculo es el kernel de Python de Phitter, ejecutado localmente mediante Pyodide y WebAssembly. Tus observaciones nunca se suben a un servidor de ajuste, y el mismo kernel está disponible como paquete de Python si prefieres correr el ajuste en un cuaderno o en un pipeline.

Los datos que puedes traer

Pega los valores directamente o importa un archivo TXT con una observación por línea, un CSV, una hoja XLSX o un archivo servido desde una URL pública. Phitter maneja muestras continuas y conteos discretos, y tú eliges qué familia ajustar antes de correr el análisis.

La aplicación web acepta muestras de al menos 20 observaciones numéricas. Es un requisito de entrada, no una garantía de un ajuste fiable. La cantidad de datos necesaria depende de las diferencias entre modelos, de la precisión que necesitas y de si tu decisión concierne a valores típicos o a eventos raros. Una muestra pequeña puede dificultar la distinción entre varias candidatas.

Las tres pruebas de bondad de ajuste

El estadístico de Kolmogórov-Smirnov mide la mayor distancia vertical entre la distribución acumulada empírica de tu muestra y la ajustada. En general es más sensible en el centro que en las colas; también puede detectar discrepancias en estas últimas.

El estadístico de Anderson-Darling, reportado en ajustes continuos, da mayor peso a las discrepancias acumuladas en las colas. Puede ser útil para examinar tiempos de espera, pérdidas o fallas, pero ninguna prueba es la más potente frente a todo tipo de desviación.

La prueba chi-cuadrado agrupa los datos en intervalos y compara conteos observados contra esperados en cada uno. Es la prueba natural para datos discretos, y para datos continuos su resultado depende de cómo se eligieron los intervalos.

Una prueba puede rechazar un modelo o no rechazarlo; ninguno de esos resultados demuestra qué distribución generó los datos. Los p-valores y los valores críticos también dependen de sus supuestos. Estimar parámetros con la muestra evaluada, tener observaciones discretas o conteos esperados pequeños puede requerir una calibración ajustada. Lee los resultados junto con los gráficos y los supuestos de cada prueba.

87 distribuciones, continuas y discretas

Phitter cubre 77 distribuciones continuas y 10 discretas, desde las que aparecen en cualquier curso hasta familias que rara vez incluyen las herramientas generalistas: Johnson SB y SU, Burr, Dagum, valor extremo generalizado, chi-cuadrado no central, Kumaraswamy y su forma exponenciada.

Cada distribución tiene además su propia página con la función de densidad o de masa, la función acumulada, la función cuantil, los momentos paramétricos y una calculadora interactiva que puedes usar sin ajustar nada.

Distribuciones más consultadas

Un ranking es un punto de partida, no un veredicto

La distribución que encabeza la tabla ocupa el primer puesto según las reglas descritas arriba. Eso no establece que haya generado tus datos. Compara un grupo de candidatas plausibles antes de seleccionar un modelo.

Antes de comprometerte con un modelo, compara el histograma con la densidad ajustada, revisa el gráfico Q-Q y pregúntate si la familia tiene sentido para el proceso. Si una cantidad no puede ser negativa, examina cuánta probabilidad asigna la candidata por debajo de cero y si esa aproximación es aceptable para tu uso.

Preguntas frecuentes

¿Phitter es gratis?
Sí. La aplicación web es de uso gratuito, sin registro, sin límite de filas y sin versión de pago. El kernel de Python que la impulsa es de código abierto con licencia MIT.
¿Mis datos salen de mi navegador?
No. El ajuste se ejecuta localmente mediante Pyodide y WebAssembly, así que tus observaciones se procesan en tu propia máquina y nunca se envían a un servidor de ajuste de Phitter.
¿Cuántas distribuciones ajusta Phitter?
87 en total: 77 distribuciones continuas y 10 discretas, cada una con su estimación de parámetros, sus resultados de bondad de ajuste y sus gráficos interactivos.
¿Qué pruebas de bondad de ajuste ejecuta Phitter?
Los ajustes continuos reportan resultados de Kolmogórov-Smirnov, Anderson-Darling y chi-cuadrado, con AIC y BIC en la tabla. Los ajustes discretos reportan Kolmogórov-Smirnov y chi-cuadrado, con SSE. La calibración depende de los datos y de cómo se estimaron los parámetros; no rechazar un modelo no establece que sea correcto.
¿Qué formatos de archivo puedo importar?
TXT con una observación por línea, CSV, XLSX y archivos servidos desde una URL pública. También puedes pegar los valores directamente en la entrada.
¿Puedo correr el mismo ajuste desde Python?
Sí. Phitter también está disponible como paquete de Python para cuadernos y pipelines. Para comparar un ajuste de Python con la aplicación web, conserva los datos y utiliza las mismas candidatas, opciones de ajuste y versiones del kernel y sus dependencias. Las diferencias de versión o configuración pueden cambiar los resultados.
¿Cuántos datos necesito?
La aplicación web requiere al menos 20 observaciones numéricas. El tamaño necesario para una conclusión estadística útil depende de los modelos, las diferencias que necesitas detectar y las cantidades que deseas estimar. Cumplir el mínimo de entrada no garantiza información suficiente, especialmente sobre las colas.

Phitter tiene un artículo de software revisado por pares en el Journal of Open Source Software, y su kernel, sus fórmulas y su implementación son públicos.