Modelo Oculto de Mar k ov Explicación del Modelo Oculto de Markov mediante un ejemplo relacionado con el clima. Juan y María hacen llamadas todas las noches pues viven en diferentes lugares. El clima de la ciudad de Juan afecta el ánimo que tiene en su día, y en cada llamada le cuenta a María cuál ha sido su ánimo, pero no le comenta el clima que percibió. ¿Cómo haría María para saber el clima de ese día con el HMM? Se considerará un único clima: soleado o lluvioso, y un único ánimo: triste o feliz, en todo un día. Inicialmente, María recibe un conjunto de datos o dataset A partir de eso, María, busca encontrar la probabilidad que el clima se mantenga o cambie al siguiente día, por lo q ue realiza un análisis de datos. Primero, María cuenta los posibles casos del evento 1 cuando el día soleado es previo a un día soleado o día lluvioso. Realiza lo mismo cuando e l día lluvioso es previo a otro clima (evento 2). De esta manera, resultan la s probabilidades de transición María ya presenta una idea sobre qué clima ocurriría al siguiente día si conoce el del día anterior, pero ella únicamente conoce el ánimo de Juan , por lo que necesita información sobre la relación entre el ánimo y el clima para responder la pregunta inicial. María recibe más datos. A partir de ello, realiza un análisis similar al anterior para obtener la probabilidad de un determinado ánimo s egún el clima. De esta manera, resultan las probabilidades de emi sión. El HMM es la estructura compuesta por probabil idades de transición y emisión. Es llamado Modelo oculto de Markov pues presenta factores observables (ánimo de Juan) y factores ocul tos (clima). Las probabilidades en el HMM sirven para determinar una conclusión precisa, tal como qué clima surgió un día si Juan estaba triste. Para ello, se planten ecuacione s y se obtienen probabilidades. Estos datos se relacion an para conseguir la respuesta. Sorprendentemente, también es posible calcular la probabilidad de este evento mediante el Teorema de Bayes