PRINCIPIO DE PARASIMONIA
PRINCIPIO DE PARASIMONIA

Prompt 1: 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.”

Prompt 2: 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.”

Prompt 1: El problema y la Verosimilitud

  • Verosimilitud (Likelihood): mide qué tan bien una distribución y sus parámetros explican los datos que realmente observamos. Se expresa como \(L\), y una mayor verosimilitud indica un mejor ajuste a los datos.

  • En caudales máximos anuales, distribuciones como Gamma y Lognormal pueden parecer ajustarse bien visualmente. La verosimilitud permite compararlas de manera cuantitativa, usando la misma información observada.

  • Es necesaria porque no basta con que una distribución “se vea bien”: necesitamos determinar qué modelo explica mejor los datos antes de considerar otros criterios como el AIC.

Prompt 2: El desempate — Parsimonia y AIC

Principio de Parsimonia

  • Busca el modelo que explique bien los datos sin agregar complejidad innecesaria.
  • En otras palabras: entre modelos con un ajuste similar, se prefiere el que tenga menos parámetros.

Analogía en una obra agrícola

Imagina dos diseños para un canal de riego que cumplen adecuadamente su función. Si uno necesita más materiales, componentes y cálculos sin proporcionar una mejora importante, el diseño más sencillo resulta más eficiente. En estadística ocurre algo similar: se busca un buen ajuste, pero evitando modelos innecesariamente complejos.

Criterio de Información de Akaike (AIC)

El AIC combina:

  • Calidad del ajuste: \(-2\ln(L)\)
  • Penalización por complejidad: \(2k\)

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

Donde:

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

⭐ Regla de oro

\[ \boxed{\text{El modelo con el AIC más bajo es el preferido}} \]

Idea clave: el AIC busca el mejor equilibrio entre buen ajuste + menor complejidad.