Parsimonia AIC

# 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.” - Verosimilitud (Likelihood): mide qué tan compatibles son los datos observados con un modelo estadístico específico. Para una distribución con parámetros \(\theta\), se expresa como \(L(\theta\mid x)=\prod_{i=1}^{n} f(x_i\mid\theta)\). A diferencia de la probabilidad, aquí los datos se consideran fijos y se evalúan distintos valores de los parámetros. - En caudales máximos anuales: si distribuciones como Gamma y Lognormal presentan un buen ajuste visual o mediante alguna prueba estadística, la verosimilitud permite evaluar qué modelo explica mejor los datos observados considerando toda su información estadística. Usualmente se trabaja con la log-verosimilitud, \(\ell(\theta)=\sum \ln f(x_i\mid\theta)\), para facilitar los cálculos. - ¿Por qué evaluarla? Porque un buen ajuste aparente no garantiza que el modelo sea el más adecuado. Comparar la verosimilitud (y criterios derivados como AIC o BIC) ayuda a seleccionar de forma objetiva entre modelos candidatos, algo importante cuando posteriormente se estiman caudales de diseño y períodos de retorno.

#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.”

#Parsimonia y criterio AIC

Desempate: Parsimonia y AIC

• Principio de Parsimonia: entre varios modelos que explican bien los datos, se prefiere el más sencillo, es decir, el que utiliza menos parámetros sin perder capacidad de explicación.
• Criterio de Información de Akaike (AIC): combina el buen ajuste del modelo con una penalización por su complejidad. Así, evita elegir un modelo innecesariamente complicado.
• Analogía: al diseñar un canal de riego, no conviene construirlo con más elementos y complejidad de la necesaria si dos diseños cumplen la misma función. Se busca un diseño que funcione bien y sea sencillo; de forma similar, el AIC busca un modelo que ajuste bien sin añadir complejidad innecesaria.

### Regla de oro

\[ \boxed{\text{Gana la distribución con el MENOR AIC}} \]

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

donde \(k\) = número de parámetros del modelo y \(L\) = máxima verosimilitud.

En resumen: buen ajuste + menor complejidad = menor AIC.