Este modelo muestra cómo una Red Bayesiana combina evidencias para calcular probabilidades condicionales. En la práctica, se puede enriquecer con más variables (precio, reseñas, temporada) y ajustar las probabilidades con datos reales de clientes para mejorar la precisión.
Ejemplo de escenario
Cliente con historial de compras, poco tiempo en el sitio y clic en promoción:
python
evidencias = {
"HistorialCompras": 1,
"TiempoEnElSitio": 0,
"ClicóEnPromocion": 1
}
resultados = calcular_probabilidad_compra(evidencias)
print(resultados)
De aquí saldría como resultado:
Probabilidad de compra ≈ 0.70
Probabilidad de no compra ≈ 0.30
Como conclusión este modelo muestra cómo una Red Bayesiana combina evidencias para calcular probabilidades condicionales. En la práctica, se puede enriquecer con más variables (precio o reseñas) y ajustar las probabilidades con datos reales de clientes para mejorar la precisión.
