parsimonia_ICA
Brandon Ortiz Hernández
2026-09-30
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.”
respuesta
· Definición: La verosimilitud L(x) es la probabilidad de observar los datos históricos x dado un conjunto de parámetros de una distribución supuesta. No es una probabilidad sobre los parámetros, sino una función que mide qué tan compatibles son los datos con cada valor paramétrico. · Comparación entre modelos: Aunque Gamma y Lognormal “se vean” bien en un histograma o en papel probabilístico, la verosimilitud cuantifica el ajuste de forma objetiva: a mayor L , mejor explica esa distribución los caudales máximos observados. Sirve para discriminar entre candidatas que visualmente son similares. · Uso práctico en Ingeniería Agrícola: Se evalúa para estimar parámetros por máxima verosimilitud (MLE), calcular criterios como AIC/BIC y sustentar decisiones de diseño hidrológico (ej. vertederos, drenajes). Con datos de caudales máximos anuales, elegir la distribución con mayor verosimilitud reduce el riesgo de subestimar eventos extremos.
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.”
respuesta
Desempate entre distribuciones: Parsimonia y AIC
· Principio de Parsimonia (Navaja de Ockham): entre dos modelos que
explican casi igual los datos, prefiere el más simple (menos
parámetros). Un modelo con más parámetros casi siempre ajusta mejor “a
la fuerza”, pero puede estar sobreajustando el ruido muestral y ser
menos robusto para extrapolar eventos extremos. · Criterio de
Información de Akaike (AIC): penaliza la complejidad del modelo. Se
define como = -2,(L) + 2k ]
donde L es la verosimilitud máxima y k el número de parámetros
estimados. El primer término premia el buen ajuste; el segundo castiga
los parámetros extra. · Analogía de obra agrícola: imagina que diseñas
un muro de contención o un canal de riego. Dos diseños resisten igual el
caudal de diseño, pero uno usa más materiales, juntas y refuerzos
innecesarios. El más simple es más barato, fácil de construir y con
menos puntos de falla. Eso es parsimonia: no agregar complejidad si no
mejora sustancialmente el desempeño. · Regla de oro para elegir
distribución: gana la distribución con menor AIC. Si la diferencia es
pequeña (por ejemplo, < 2 ), los modelos son prácticamente
equivalentes y se prefiere el más simple por parsimonia. Si > 10 ,
hay evidencia fuerte a favor del modelo con menor AIC.