Paso 1 - Define los estados y la matriz de transición:
Para este apartado, asigne la siguiente matriz de transición, traté de variar los valores para tener más nublados :D
matriz_transicion [
0.6, 0.10, 0.30], # Transiciones a partir de "Soleado"
0.4, 0.5, 0.1], # Transiciones a partir de "Nublado"
0.20, 0.35, 0.45] # Transiciones a partir de "Lluvioso"
]
Paso 2 - Implementa la lógica de la cadena de Markov:
Implementé la lógica idéntica a la vista en clase, sólo cambie un poco los nombres para entenderlo mejor para el casito, creo que para aprender es mejor hacerlo ya que puedo entender que cosa hace cada línea aproximadamente y además es más amigable en mi nivel:
Función para predecir el clima para los próximos días
def predict_weather(initial_state, num_days):
clima_actual = initial_state
forecast = [clima_actual]
for _ in range(num_days - 1):
current_index = get_state_index(clima_actual)
sig_clima = np.random.choice(
climas,
p=matriz_transicion[current_index]
)
forecast.append(sig_clima)
clima_actual = sig_clima
return forecast
Realizar la predicción
forecast = predict_weather(clima_inicial, cant_dias)
Mostrar la predicción
print(f"Estado inicial: {clima_inicial}")
print("Predicción para los próximos días:")
for day, state in enumerate(forecast, start=1):
print(f"Día {day}: {state}")
Paso 3 - Prueba el modelo:
Probando el modelo vemos distintas respuestas para cada ejecución, buscando un poco de esto, es correcto ya que trabajamos con probabilidades y es correcto que sea así:
