To complement the classes
karlbehrensg/introduccion-al-pensamiento-probabilistico
Importance of Distance Metrics in Machine Learning Modelling
Implementa modelos probabilísticos
En la programación probabilística se hace uso de la probabilidad en sí, incluyendo sus ya conocidas distribuciones. La diferencia con la programación estocástica es que en esta se incluyen directamente elementos de aleatoriedad a los programas para calcular probabilidades.
Además, en la programación probabilística se utilizan datos reales que son incorporarados a los modelos para su continuo mejoramiento.
Probabilidades dependientes: cuando un evento B depende de un evento A
Probabilidad de que A y B ocurran:
$$ P(A \, and \, B) = P(A)\cdot P(B|A) $$
Probabilidad de que B ocurra:
$$ P(B) = P(A)P(B|A) + P(\neg A)P(B|\neg A) $$
donde $P(B|A)$ es la probabilidad de A dado B, y $\neg A$ es la negación de A (o sea que no ocurra).
En esta última ecuación se evalua la probabilidad de B en el caso de que A efectivamente ocurra o no, y se suman.
Permite medir la certidumbre de un suceso teniendo en cuenta un conocimiento previo y la evidencia que se disponga.
$$ P(H|E) = \frac{P(H) \, and \, P(E) }{P(E)} = \frac{P(H)\cdot P(E|H) }{P(H)P(E|H) + P(\neg H)P(E|\neg H)} $$