Resumen: Tradicionalmente, se han modelado los problemas de Ciencias, Ingeniería, Medioambiente y otras aplicaciones mediante modelos matemáticos deterministas que describen leyes naturales subyacentes. En la actualidad, se tiende cada vez más a incorporar algún tipo de incertidumbre para representar la falta de conocimiento sobre parámetros y datos físicos relevantes, variaciones aleatorias en las condiciones de operación o pura ignorancia sobre cómo debiera ser el modelo en realidad. El objetivo es obtener predicciones de cantidades de interés con incertidumbre cuantificada. Nos centraremos en formulaciones Bayesianas, por su versatilidad en este contexto, y en su aplicación práctica a través de aproximaciones de Laplace y técnicas de optimización para determinar las mejores soluciones a posteriori por un lado, y muestreo mediante cadenas de Markov Monte Carlo por otro. Ejemplificaremos estas técnicas mediante el análisis de casos prácticos: identificación de parámetros en modelos epidémicos, reconstrucción de imágenes en elastografía médica, microscopía y estudios del subsuelo en geofísica.