Este artículo presenta un marco para la estimación sistemática de la cuantificación de la incertidumbre (CU) con el fin de evaluar la fiabilidad de las predicciones en modelos probabilísticos de aprendizaje automático. En concreto, nos centramos en el Modelo de Variable Latente del Proceso Gaussiano (GPLVM), que aproxima eficientemente la distribución predictiva mediante un Proceso Gaussiano Aleatorio de Fourier escalable basado en características. Este modelo estima la incertidumbre epistémica y aleatoria, deriva una formulación teórica para la CU y propone un método de estimación basado en el muestreo de Monte Carlo. Los experimentos demuestran el impacto de la estimación de la incertidumbre, proporcionan información sobre las fuentes de incertidumbre predictiva y demuestran la eficacia del enfoque propuesto.
