Modelado bayesiano para estimación de propabilidades

Este curso introduce al alumno en el razonamiento bayesiano como una forma de estimar probabilidades a partir de evidencia. El enfoque no es matemáticamente abstracto, sino aplicado: entender cómo cambian las creencias cuando aparece nueva información y cómo eso se traduce en decisiones de datos.

La base viene de la limpieza, la agregación y la visualización previa, porque el modelado bayesiano necesita datos preparados y una lectura mínima de sus patrones. Es un paso natural antes de entrar en regresión y clasificación.

Al finalizar el curso, el participante será capaz de:

• Identificar prior, likelihood y posterior en un problema de datos
• Aplicar el Teorema de Bayes para actualizar estimaciones simples
• Calcular probabilidades condicionales sobre ejemplos concretos
• Interpretar la incertidumbre en decisiones basadas en datos
• Relacionar el enfoque bayesiano con problemas reales de clasificación

1. Fundamentos de probabilidad bayesiana - eventos, probabilidad condicional y actualización de creencias
2. Modelado bayesiano básico - prior, likelihood, posterior y lectura de resultados
3. Casos de uso en datos - clasificación, estimación de riesgo y toma de decisiones

• Python 3 instalado
• Entorno de notebooks o editor con ejecución de scripts
• Bibliotecas pandas, numpy y scipy disponibles

→ DW03 - Concatenación y unión de datasets (merge/join) → DV04 - Mapas de calor (heat maps) y análisis de concentración