Actividad 1 - Verosimilitud y AIC
Luis Alejandro Merlano Rios
1. Prompt 1 - El problema y la Verosimilitud
Prompt utilizado
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 de la IA
Verosimilitud (Likelihood): mide qué tan probable es observar los datos históricos que tenemos bajo una distribución estadística determinada. En otras palabras, indica qué tan bien una distribución explica los caudales máximos registrados.
¿Por qué evaluarla? Cuando distribuciones como Gamma y Lognormal se ajustan visualmente bien a los datos, la verosimilitud permite compararlas de manera cuantitativa, evitando elegir únicamente por inspección gráfica.
En Ingeniería Agrícola: seleccionar la distribución con mayor verosimilitud (o menor −log-verosimilitud) ayuda a identificar el modelo que representa mejor los caudales máximos anuales, lo cual es importante para estimar eventos de diseño en obras hidráulicas.
2. Prompt 2 - El desempate: Parsimonia y AIC
Prompt utilizado
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 de la IA
Principio de Parsimonia
Cuando varias distribuciones explican adecuadamente los datos, se prefiere el modelo más sencillo, es decir, aquel que utiliza menos parámetros sin perder capacidad de ajuste. En otras palabras, no se debe complicar el modelo si uno más simple explica los datos de manera similar.
Criterio de Información de Akaike (AIC)
El AIC permite comparar modelos considerando simultáneamente:
- La calidad del ajuste del modelo a los datos.
- La complejidad del modelo, relacionada con el número de parámetros.
Analogía en Ingeniería Agrícola: imagine que se deben diseñar dos canales de riego que conducen el agua de manera similar. Si ambos cumplen su función, pero uno requiere un diseño más sencillo y menos elementos, el diseño sencillo resulta preferible. El AIC aplica una idea similar: considera el buen ajuste, pero penaliza la complejidad innecesaria.
Regla de oro del AIC
La distribución seleccionada entre los modelos comparados es la que presenta el menor valor de AIC.
La fórmula es:
\[ AIC = 2k - 2\ln(L) \]
Donde:
- \(k\) = número de parámetros del modelo.
- \(L\) = máxima verosimilitud (Likelihood).
En resumen: menor AIC = mejor equilibrio entre ajuste y simplicidad.
3. Evidencia del manuscrito
A continuación se presenta el resumen elaborado manualmente como parte de la actividad.
Página 1
Página 2
