parcimonia-AIC

Definición fundamental: La verosimilitud \(L(\theta \vert{} x)\) mide qué tan probable o plausible es haber observado tus datos reales de caudal máximo (\(x\)), asumiendo que provienen de una distribución específica con parámetros \(\theta\). A diferencia de la probabilidad (que calcula la chance de un dato futuro dado un modelo), la verosimilitud evalúa la coherencia del modelo ya fijado frente a los datos históricos observados.El dilema de selección de modelos: Cuando distribuciones como Gamma y Lognormal muestran un ajuste visual o gráfico similar (por ejemplo, en un gráfico de probabilidad o papel hidrológico), las pruebas empíricas visuales no bastan. La verosimilitud cuantifica matemáticamente cuál de las funciones de densidad de probabilidad asigna la mayor densidad conjunta global a todo tu registro histórico de caudales.Criterio de decisión objetivo: Evaluar la verosimilitud permite seleccionar cuantitativamente el mejor modelo probabilístico mediante el Máximo Criterio de Verosimilitud (MLE) o aplicando criterios de información derivados (como AIC o BIC). En ingeniería agrícola, esto garantiza elegir la distribución que reduzca la incertidumbre al estimar caudales de diseño para obras hidráulicas o períodos de retorno (\(T\)).

Principio de Parsimonia: Prefiere el modelo más simple que explique bien los datos, evitando complejidad innecesaria. En ingeniería agrícola, es como diseñar un canal o muro con el mínimo material necesario para que funcione correctamente, sin sobredimensionarlo.

Criterio de Información de Akaike (AIC): Es una fórmula que evalúa el equilibrio entre el ajuste del modelo y su complejidad. Penaliza modelos muy complejos para evitar sobreajuste, buscando el mejor compromiso entre precisión y simplicidad.

Analogía en campo: Imagina que tienes dos diseños para un canal. Uno es muy elaborado y usa mucho concreto (modelo complejo), el otro usa menos material pero cumple igual su función (modelo simple). El AIC te ayuda a elegir el diseño eficiente que no gaste recursos sin necesidad.

Regla de oro AIC: El modelo ganador es el que tiene el menor valor de AIC. Matemáticamente: A I C = 2 k − 2 ln ⁡ ( L ) AIC=2k−2ln(L) donde k es el número de parámetros y L es la verosimilitud máxima del modelo. Menor AIC = mejor modelo.