parsimonia_AIC
juan gabriel romero
2026-10-01
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) en el ajuste de distribuciones**
La verosimilitud es una función que mide qué tan compatibles son los datos observados (ej. caudales máximos anuales) con una distribución y sus parámetros. Se calcula como el producto de las densidades evaluadas en cada dato: L ( θ ∣ datos ) = ∏ f ( x i ∣ θ ) L(θ∣datos)=∏f(x i ∣θ). A mayor L L, mejor explica el modelo a los datos.
¿Por qué evaluarla? Aunque distribuciones como Gamma y Lognormal puedan verse similares en gráficos o pasar pruebas de bondad de ajuste, pueden tener verosimilitudes muy distintas, sobre todo en el comportamiento de las colas (eventos extremos). La verosimilitud permite comparar modelos de forma objetiva mediante criterios como AIC o BIC.
Importancia en Ingeniería Agrícola: Elegir la distribución con mayor verosimilitud garantiza estimaciones más confiables de caudales de diseño (ej. período de retorno de 100 años), lo que impacta directamente en la seguridad y costo de obras hidráulicas como vertedores, canales y embalses
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.”
** Desempate entre distribuciones: Parsimonia y AIC**
Parsimonia: entre modelos con ajuste similar, se prefiere el más simple (menos parámetros), porque un modelo más complejo puede sobreajustar el ruido y fallar al extrapolar eventos extremos.
AIC: combina ajuste y complejidad mediante:
A I C = − 2 ln ( L ) + 2 k AIC=−2ln(L)+2k donde L L es la verosimilitud máxima y k k el número de parámetros. Menor AIC = mejor modelo.
Analogía: como elegir un muro de canal con 2 parámetros simples vs. uno con 4 refuerzos que apenas mejora un 1 %. El AIC premia el buen desempeño pero penaliza cada parámetro extra.
Regla de oro ( Δ A I C ΔAIC):
0 0: mejor modelo.
≤ 2 ≤2: evidencia similar (indistinguibles).
2 2 a 7 7: evidencia moderada.
10 10: modelo descartado.
Conclusión: gana la distribución con el AIC más bajo, siempre que la diferencia con las demás supere 2 puntos.