parsimonia_AIC

PRINCIPIO DE PARASIMONIA

PRINCIPIO DE PARASIMONIA

Prompt 1: El problema y la Verosimilitud

• Verosimilitud (Likelihood): mide qué tan compatibles son los datos observados con una distribución estadística y unos determinados parámetros. En otras palabras, indica qué tan probable es obtener los datos registrados si el modelo propuesto fuera correcto.
• ¿Por qué evaluarla? Cuando distribuciones como Gamma y Lognormal se ajustan visualmente bien a los caudales máximos anuales, la verosimilitud permite comparar cuál representa mejor los datos de manera cuantitativa.
• Interpretación: una mayor verosimilitud indica un mejor ajuste de la distribución a los datos observados, aunque para comparar modelos también se deben considerar criterios como el AIC, que penaliza la complejidad.

Prompt 2: El desempate — Parsimonia y AIC

• Principio de parsimonia: entre varios modelos que explican adecuadamente los datos, se prefiere el modelo más sencillo, es decir, el que logra un buen ajuste utilizando la menor complejidad necesaria.
• AIC (Criterio de Información de Akaike): combina el ajuste del modelo con una penalización por el número de parámetros. Así evita escoger una distribución únicamente porque se adapta demasiado a los datos.
• Analogía: para diseñar un canal de riego, no tendría sentido construir una estructura innecesariamente compleja si otra más sencilla cumple correctamente su función. De forma similar, el AIC busca un modelo que ajuste bien los caudales sin agregar complejidad innecesaria.

Regla de oro matemática:

\[ \boxed{AIC=2k-2\ln(L)} \]

Donde:

• \(k\) = número de parámetros estimados.
• \(L\) = máxima verosimilitud del modelo.

\[ \boxed{\text{Menor AIC}=\text{mejor modelo según AIC}} \]

En resumen: si Gamma y Lognormal tienen un ajuste parecido, se compara su AIC y gana la distribución con el AIC más bajo.