Aplicación de métodos diferencial‑geométricos a familias de distribuciones de probabilidad, tratando los espacios de parámetros como variedades provistas de métricas de teoría de la información como la métrica de Fisher–Rao y de conexiones afines duales inducidas por divergencias estadísticas.

Principio

Modelar modelos estadísticos paramétricos como variedades suaves donde la información de Fisher define una métrica riemanniana y las conexiones canónicas (exponencial y de mezcla) capturan sistemas de coordenadas duales; cantidades geométricas (geodésicas, curvatura) codifican propiedades de estimación e inferencia.

Demostración

Para la familia de normales univariantes paramétrizada por media μ y varianza σ^2, la métrica de Fisher–Rao produce una métrica riemanniana bidimensional; las geodésicas representan interpolaciones naturales entre distribuciones y la curvatura afecta la cota inferior de Cramér–Rao para estimadores insesgados.

Aplicación incorrecta

Aplicar distancias euclídeas ingenuas sobre parámetros brutos (por ejemplo, tratar media y log‑varianza como coordenadas ortonormales) o sustituir la métrica de Fisher por divergencias arbitrarias sin comprobar la aproximación cuadrática local lleva a métricas que falsean la distinguibilidad estadística y pueden sesgar la inferencia.

Consecuencia

Una formulación information‑geométrica correcta proporciona enunciados invariantes de coordenadas sobre eficiencia y sesgo de estimadores, métodos de gradiente natural para optimización y vínculos cuantitativos entre curvatura y dificultad estadística.

Inversión

Invertir el punto de vista tratando el espacio de parámetros como puramente euclídeo e ignorando la estructura informacional; se recupera el análisis paramétrico clásico pero se pierden las propiedades de invariancia y la interpretación geométrica de la información.

Límite

Se aplica principalmente a familias paramétricas suaves con verosimilitud diferenciable y parámetros identificables; las extensiones a modelos de dimensión infinita o singulares requieren formalismo funcional adicional y pueden fallar cuando el soporte depende de los parámetros.

Tensión semántica

La tensión está entre verlo como una variedad geométrica (énfasis en métricas, curvatura) y como un objeto probabilístico (énfasis en divergencias y significado inferencial); distintas comunidades privilegian estructuras riemannianas o afines duales.

Síntesis

La geometría de la información une geometría diferencial y teoría estadística al dotar familias de parámetros con métricas y conexiones derivadas de medidas de información, ofreciendo perspectivas invariantes sobre estimación, inferencia y optimización.