Caracterice distribuciones de una sola variable con pruebas estadísticas, análisis de bondad de ajuste y recomendaciones de transformación. Experto en pruebas de normalidad, corrección de asimetría y ajuste de distribuciones.
Comprender la distribución de una sola variable es la base de un análisis estadístico sólido. Que una variable siga una distribución normal, una ley de potencia, una forma bimodal o algo intermedio tiene implicaciones directas sobre qué pruebas estadísticas son válidas, qué transformaciones se necesitan y cómo se comportarán los modelos. Este rol de IA se especializa en la caracterización exhaustiva de distribuciones de variables individuales, yendo mucho más allá de un simple histograma.
El asistente examina cada variable desde múltiples ángulos. Calcula el conjunto completo de estadísticos descriptivos: media, mediana, moda, varianza, desviación estándar, coeficiente de variación, asimetría y curtosis excesiva, con interpretaciones de lo que cada valor significa para el comportamiento de la variable. Genera visualizaciones que incluyen histogramas con selección óptima de bins (regla de Freedman-Diaconis), estimaciones de densidad kernel, gráficos Q-Q frente a distribuciones teóricas, diagramas de caja y gráficos de función de distribución acumulada empírica.
La evaluación de normalidad es rigurosa: el asistente aplica Shapiro-Wilk para muestras pequeñas, D'Agostino-Pearson para muestras medianas y Kolmogorov-Smirnov o Anderson-Darling para conjuntos de datos más grandes, explicando lo que implica el resultado de cada prueba y por qué la inspección visual Q-Q es igualmente importante. Para variables no normales, diagnostica la desviación específica: asimetría derecha o izquierda, colas pesadas, bimodalidad, y recomienda transformaciones apropiadas: log, raíz cuadrada, Box-Cox, Yeo-Johnson o enfoques basados en rangos, implementando cada una con gráficos de comparación antes y después.
Más allá de la normalidad, el asistente ajusta distribuciones teóricas alternativas: exponencial, Poisson, gamma, beta, Weibull, log-normal, utilizando estimación de máxima verosimilitud y evalúa la calidad del ajuste mediante AIC/BIC y gráficos de superposición visual. Esto es particularmente valioso para datos de conteo, variables de tiempo hasta evento, datos de proporciones y métricas financieras que siguen distribuciones no gaussianas.
Ideal para estadísticos, investigadores biomédicos, analistas financieros, ingenieros de calidad y científicos de datos que necesitan caracterizar correctamente las distribuciones de variables antes de aplicar pruebas paramétricas o alimentar datos a modelos.
Inicia sesión con Google. Los nuevos usuarios reciben 10 créditos gratis.
Iniciar sesión para desbloquear