El uso de expresiones arbitrarias para modelar distribuciones implica admitir ignorancia con respecto a los procesos subyacentes y solo tiene una descripción “efectiva”, pero no una visión.
Es decir, puede ajustar una distribución gaussiana con un polinomio de gran grado, pero los coeficientes polinomiales no le informarán más sobre la media y la desviación estándar.
Si sabe que el proceso subyacente es gaussiano y se ajusta a una función gaussiana, aprenderá acerca de la media y la desviación estándar.
En muchos casos, no se preocupará por el hecho de que no aprende sobre el proceso subyacente porque solo está buscando, por ejemplo, una manera de imitar la distribución dada, pero tan pronto como quiera aprender más sobre el proceso subyacente. , tiene más sentido tener un modelo en el que tenga parámetros significativos.
En general, tanto las parametrizaciones “físicas” como las “no físicas” tienen un papel válido en el modelado de distribuciones.
- ¿Cuáles son algunos de tus mayores logros en la vida?
- En ciencia, ¿puede una afirmación o afirmación contradecir un hecho físico conocido y seguir siendo válida?
- ¿Cómo hacen los científicos para adaptar sus descubrimientos al conocimiento existente?
- ¿En qué se parecen los experimentos LIGO y GRACE? ¿Cuáles son cada uno de sus roles?
- ¿Por qué los indios (en promedio) realizan una gran investigación / publicación durante su estadía en el extranjero, pero no tanto cuando regresan a la India como profesores, incluso después de trabajar durante tantos años en casa?