Calculadora del BIC (Criterio de Información Bayesiano)
Usa esta calculadora para obtener el BIC de uno o dos modelos y compararlos rápidamente.
Modelo 1
Modelo 2 (opcional, para comparar)
¿Qué es el BIC y para qué sirve?
El BIC (Bayesian Information Criterion o Criterio de Información Bayesiano) es una métrica muy usada en estadística, machine learning y econometría para seleccionar modelos. Su objetivo principal es encontrar un equilibrio entre dos cosas:
- Qué tan bien ajusta un modelo a los datos (verosimilitud).
- Qué tan complejo es el modelo (cantidad de parámetros).
En términos prácticos, si comparas varios modelos ajustados sobre el mismo conjunto de datos, el que tenga el BIC más bajo suele considerarse preferible.
Fórmula del cálculo del BIC
Donde:
- k: número de parámetros del modelo.
- n: número de observaciones.
- ln(L): logaritmo natural de la verosimilitud máxima del modelo.
Como regla de interpretación: menor BIC = mejor balance entre ajuste y simplicidad.
Cómo hacer el cálculo del BIC paso a paso
1) Ajusta el modelo
Primero entrenas o ajustas tu modelo (por ejemplo, una regresión lineal, logística, ARIMA, mezcla gaussiana, etc.) y obtienes su log-verosimilitud máxima.
2) Identifica k y n
Cuenta cuántos parámetros libres tiene tu modelo (k) y cuántos datos usaste (n).
3) Aplica la fórmula
Sustituye los valores en la ecuación del BIC. Si comparas dos modelos, calcula el BIC para cada uno y elige el menor.
4) Evalúa la diferencia (ΔBIC)
La diferencia entre BIC de dos modelos ayuda a medir cuánta evidencia hay a favor del mejor:
| ΔBIC | Interpretación típica |
|---|---|
| 0 a 2 | Evidencia débil |
| 2 a 6 | Evidencia positiva |
| 6 a 10 | Evidencia fuerte |
| > 10 | Evidencia muy fuerte |
Ejemplo rápido de cálculo del BIC
Supongamos:
- n = 120 observaciones
- Modelo 1: k = 5, ln(L) = -220.5
- Modelo 2: k = 7, ln(L) = -216.8
Con la calculadora de arriba verás que, aunque el Modelo 2 ajusta algo mejor (log-verosimilitud menos negativa), también es más complejo. El BIC te ayuda a decidir si esa mejora compensa la complejidad extra.
BIC vs AIC: ¿cuál conviene usar?
Tanto el BIC como el AIC se usan para selección de modelos, pero penalizan de forma diferente la complejidad:
- AIC: suele favorecer modelos algo más complejos cuando mejora el ajuste.
- BIC: penaliza más la complejidad, sobre todo cuando n es grande.
En muestras grandes, el BIC tiende a preferir modelos más parsimoniosos.
Errores comunes al calcular el BIC
- Comparar modelos entrenados con diferentes conjuntos de datos.
- No contar correctamente los parámetros del modelo.
- Confundir log-verosimilitud con otras métricas (MSE, R², accuracy).
- Elegir automáticamente el menor BIC sin revisar supuestos del modelo.
Buenas prácticas para usar BIC en análisis reales
- Compara modelos que respondan al mismo problema y variable objetivo.
- Verifica residuos, estabilidad y capacidad predictiva fuera de muestra.
- Usa BIC junto con criterio experto y contexto del negocio/investigación.
- Documenta k, n y ln(L) para que el análisis sea reproducible.
Conclusión
El cálculo del BIC es una herramienta clave para elegir modelos con criterio estadístico sólido. No solo mira qué modelo “pega mejor” a los datos, sino también cuál lo hace con menos complejidad innecesaria. Si trabajas con regresión, series de tiempo o aprendizaje estadístico, dominar esta métrica te permitirá tomar decisiones más robustas.