AIC

principio de parsimonia

Prompt 1: El problema y la Verosimilitud Definición (Likelihood): La verosimilitud es una medida de qué tan probable son los datos históricos observados ( x 1 , x 2 , . . . , x n x 1 ​ ,x 2 ​ ,…,x n ​ ) dado un conjunto específico de parámetros ( θ θ) de una distribución teórica. A diferencia de la probabilidad (que mira hacia adelante), la verosimilitud mira hacia atrás: evalúa qué tan “creíbles” son los parámetros que propones a la luz de los datos que ya tienes. Matemáticamente, es el producto de las densidades de probabilidad evaluadas en cada dato: L ( θ ∣ x ) = ∏ f ( x i ∣ θ ) L(θ∣x)=∏f(x i ​ ∣θ)

El problema de las “varias distribuciones”: Cuando ajustas caudales máximos anuales, es común que Gamma y Lognormal (u otras) se vean visualmente similares en un histograma o papel probabilístico. Sin embargo, sus colas y supuestos físicos son distintos. La verosimilitud es necesaria porque cuantifica numéricamente el ajuste, permitiendo comparar “manzanas con manzanas”: no importa si una distribución “se ve bien”, importa qué tan alta es la probabilidad conjunta de haber observado exactamente esa serie de caudales bajo cada modelo.

Por qué es crucial en Ingeniería Agrícola: En obras hidráulicas (ej. aliviaderos, presas), subestimar la cola de la distribución puede ser catastrófico. Evaluar la verosimilitud (y luego su penalización por complejidad) te obliga a elegir el modelo que mejor explica los eventos extremos sin caer en el sobreajuste. Es el insumo directo para el AIC y para la prueba de razón de verosimilitud.

Prompt 2: El desempate (Parsimonia y AIC) Principio de Parsimonia (Navaja de Ockham): “En igualdad de condiciones, la explicación más simple suele ser la correcta”. En estadística, esto significa que si dos modelos ajustan casi igual de bien, prefiere el que tenga menos parámetros. Un modelo con más parámetros (ej. Gamma de 3 parámetros vs. Gamma de 2) siempre tenderá a ajustarse un poco mejor a los datos muestrales, pero puede estar capturando ruido aleatorio en lugar de la señal física real. La parsimonia protege contra el sobreajuste.

Analogía de campo (Canal de riego): Imagina que diseñas un canal de conducción. Tienes dos opciones: (A) un canal de sección trapezoidal simple, con taludes definidos por dos parámetros (base y altura); (B) un canal de sección “optimizada” con 5 parámetros (curvaturas, resaltos, etc.). Ambos conducen el agua, pero el (B) es más caro de construir, más difícil de mantener y cualquier pequeño error en uno de sus parámetros arruina el flujo. El AIC te dice: no elijas el canal complicado solo porque en el papel conduce 0.5% más de agua; quédate con el simple si la diferencia es mínima.

Criterio de Información de Akaike (AIC): Es una métrica que combina el ajuste (verosimilitud) con una penalización por el número de parámetros. Se define como:

A I C = − 2 ln ⁡ ( L ) + 2 k AIC=−2ln(L)+2k donde L L es la verosimilitud máxima y k k es el número de parámetros estimados. El primer término premia el buen ajuste; el segundo castiga la complejidad. Regla de oro: Gana la distribución con el AIC más bajo. Si la diferencia de AIC entre dos modelos es menor a 2, son prácticamente indistinguibles; si es mayor a 10, hay evidencia fuerte de que el modelo con menor AIC es superior.