Ya estoy inscrito ¿Todavía no tienes acceso? Nuestros Planes
Ya estoy inscrito ¿Todavía no tienes acceso? Nuestros Planes
1
respuesta

Para esto se realizara la matriz para predecir el clima.

matriz_transicion = np.array([
[0.7, 0.2, 0.1], # Si hoy está Soleado: 70% Soleado, 20% Nublado, 10% Lluvioso
[0.3, 0.4, 0.3], # Si hoy está Nublado: 30% Soleado, 40% Nublado, 30% Lluvioso
[0.2, 0.4, 0.4] # Si hoy está Lluvioso: 20% Soleado, 40% Nublado, 40% Lluvioso
])

y se define la manera en la que se predecirá el clima del día de mañana.

#Caso 1: Calcular probabilidades exactas a 3 días vista
hoy = "Soleado"
dias = 3
probabilidades_3_dias = predecir_clima_futuro(hoy, dias)

print(f"--- Predicción probabilística a {dias} días ---")
print(f"Si hoy está [{hoy}], la probabilidad dentro de {dias} días será:")
for est, prob in zip(estados, probabilidades_3_dias):
print(f" - {est}: {prob * 100:.2f}%")

print("\n" + "-"*40 + "\n")

Con ello nos da una solución para poder predecir el clima de tres días futuros.

1 respuesta

Hola, Luis! ¿Cómo vas?

Tu ejemplo está muy bien conectado con el uso de cadenas de Markov, ya que defines una matriz de transición para representar las probabilidades de cambio entre estados del clima: soleado, nublado y lluvioso. También es correcto usar una función para calcular la predicción a varios días, porque en este tipo de modelo el estado futuro depende del estado actual y de las probabilidades definidas.

Sigue practicando con este enfoque, porque ayuda a entender cómo la IA puede trabajar con escenarios inciertos usando probabilidades. Una dica es verificar que cada fila de la matriz sume 1, ya que representa el 100% de las posibilidades para cada estado inicial; así evitas resultados inconsistentes en la predicción. ¿Qué resultado esperarías comparar si cambias el estado inicial de Soleado a Lluvioso?

Cuenta con el apoyo del foro en tu viaje. Saludos y buenos estudios!