Parsimonia AIC
Jimena Morales
2026-09-30
Prompt 1 para la IA: 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.”
respuesta
- Verosimilitud (Likelihood): mide qué tan compatibles son los datos observados con los parámetros de un modelo probabilístico. Para datos \(x_1,\ldots,x_n\), se define como \(L(\theta)=\prod_{i=1}^{n} f(x_i\mid\theta)\), donde \(f\) es la función de densidad y \(\theta\) representa los parámetros.
- ¿Por qué evaluarla? Cuando distribuciones como Gamma y Lognormal parecen ajustarse visualmente a los caudales máximos anuales, la verosimilitud permite comparar cuantitativamente qué modelo explica mejor los datos observados, considerando simultáneamente todas las observaciones.
- Interpretación práctica: un modelo con mayor log-verosimilitud (o menor \(-2\log L\)) presenta mayor compatibilidad con los datos, aunque para seleccionar el modelo también pueden emplearse criterios que penalizan la complejidad, como AIC o BIC.
Prompt 2 para la IA: 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.”
respuesta
Desempate: Parsimonia y AIC
Principio de Parsimonia: entre varios modelos que explican adecuadamente los datos, se prefiere el más sencillo, evitando parámetros innecesarios. La idea es lograr un buen ajuste sin complicar excesivamente el modelo.
AIC (Criterio de Información de Akaike): combina calidad de ajuste y complejidad. Penaliza los modelos que usan más parámetros.
\[ AIC=2k-2\ln(L) \]
donde \(k\) = número de parámetros estimados y \(L\) = máxima verosimilitud.Analogía: si diseñas un canal de riego, dos diseños pueden conducir el caudal requerido. Si uno necesita menos elementos y materiales, pero mantiene un desempeño adecuado, representa una solución más parsimoniosa. El AIC aplica una lógica similar: busca equilibrio entre ajuste y simplicidad.
# Regla de oro 🏆
\[ \boxed{\text{Gana la distribución con el MENOR AIC}} \]
Menor AIC = mejor equilibrio entre ajuste y complejidad.