PRINCIPIO DE PARSIMONIA
Yuliani Celada(QWEN)
2026-09-30
El problema y la Verosimilitud
“Actúa como mi tutor de estadística para Ingeniería Agrícola. Explícame en máximo 3 viñetas (bullet points) qué es la Verosimilitud (Likelihood) y por qué es necesaria evaluarla cuando varias distribuciones (como Gamma y Lognormal) parecen ajustarse bien a mis datos históricos de caudales máximos anuales. Usa un lenguaje técnico pero claro, ideal para tomar notas a mano.”
Aquí tienes la explicación solicitada, estructurada en 3 viñetas concisas, técnicas y listas para tus apuntes de Ingeniería Agrícola:
Definición de Verosimilitud (Likelihood): Es la probabilidad conjunta de observar tus datos históricos de caudales máximos anuales, evaluada como una función de los parámetros del modelo (ej. forma y escala en Gamma o Lognormal). A diferencia de la probabilidad clásica (que predice datos futuros dados parámetros conocidos), la verosimilitud mide cuán “compatible” o plausible es un conjunto específico de parámetros dados los datos que ya observaste. Su maximización (MLE) encuentra los parámetros que hacen que tus datos observados sean menos “sorprendentes” bajo ese modelo.
El peligro del ajuste visual en colas extremas: Gráficos como histogramas o Q-Q plots pueden sugerir que varias distribuciones se ajustan bien en la zona central de los datos, pero a menudo divergen críticamente en las colas. En ingeniería agrícola (diseño de drenajes, azudes o presas), la región de interés es la cola derecha (eventos extremos). La verosimilitud evalúa rigurosamente el ajuste global de todos los datos, evitando que un engañoso ajuste visual central enmascare un pobre rendimiento en la predicción de caudales de retorno alto.
Base para la selección objetiva y parsimoniosa de modelos: La verosimilitud por sí sola siempre favorece al modelo con más parámetros (riesgo de sobreajuste). Por ello, es la componente fundamental de criterios de información como el AIC (Criterio de Información de Akaike) o el BIC. Estos criterios combinan la verosimilitud con una “penalización” por el número de parámetros, permitiéndote comparar formalmente Gamma vs. Lognormal y elegir el modelo más parsimonioso: aquel que ofrece el mejor equilibrio entre bondad de ajuste y simplicidad, garantizando mayor robustez en extrapolaciones hidrológicas.
¿Te gustaría que profundicemos en cómo calcular el AIC a partir de la verosimilitud para tus datos de caudales?
El desempate (Parsimonia y AIC)
“Ahora necesito anotar el concepto de desempate. Explícame brevemente el Principio de Parsimonia y el Criterio de Información de Akaike (AIC). Dame una analogía sencilla relacionada con el diseño de una obra en el campo (ej. un canal o un muro) y termina con la ‘regla de oro’ matemática para saber qué distribución gana según el AIC. Estructúralo para copiarlo en mi cuaderno.” Aquí tienes el resumen estructurado para tus apuntes:
1. Principio de Parsimonia (Navaja de Occam) * Concepto: Entre varios modelos que explican los datos con similar calidad, debe preferirse el más simple (menos parámetros). * Razón: Los modelos complejos tienden a “memorizar” el ruido de los datos históricos (sobreajuste) y fallan al predecir eventos futuros extremos. La simplicidad garantiza mayor robustez y generalización.
2. Criterio de Información de Akaike (AIC) * Concepto: Es una métrica que cuantifica la calidad relativa de un modelo estadístico, equilibrando dos factores: * Bondad de ajuste: Medida a través de la verosimilitud (qué tan bien explica el modelo los datos). * Complejidad: Penaliza el uso de más parámetros para evitar el sobreajuste. * Fórmula general: AIC = 2k − 2ln(L), donde k es el número de parámetros y L es la verosimilitud máxima.
3. Analogía: Diseño de un muro de contención * Imagina que debes diseñar un muro para proteger un cultivo de inundaciones. * Modelo simple (pocos parámetros): Un muro recto de altura fija. Es fácil de construir, mantener y entender. * Modelo complejo (muchos parámetros): Un muro con curvas, espesores variables y materiales distintos en cada tramo. * Si ambos muros contienen el agua con igual eficacia, elegirías el recto: es más barato, menos propenso a errores de construcción y más fácil de reparar. La parsimonia aplica lo mismo a los modelos estadísticos: si Gamma y Lognormal ajustan igual de bien, quédate con la que tenga menos parámetros.
4. Regla de Oro del AIC * Criterio de selección: Entre las distribuciones candidatas (ej. Gamma vs. Lognormal), gana aquella con el valor de AIC más bajo. * Interpretación: Un AIC menor indica el mejor equilibrio entre ajustar bien los datos y mantener la simplicidad. La diferencia entre AICs (ΔAIC) permite cuantificar cuánta más evidencia tiene un modelo sobre otro.