• Saltar al contenido principal
  • Skip to secondary menu
  • Saltar a la barra lateral principal
  • Saltar al pie de página
  • Inicio
  • Secciones
    • Ciencia de datos
    • Criptografía
    • Herramientas
    • Machine Learning
    • Noticias
    • Opinión
    • Productividad
    • Programación
      • JavaScript
      • Julia
      • Matlab
      • Python
      • R
  • Programación
    • JavaScript
    • Julia
    • Matlab
    • Python
    • R
  • Laboratorio
    • Estadística
      • Calculadora del Tamaño Muestral en Encuestas
      • Calculadora de estadísticos descriptivos
      • Test de normalidad
      • Calculadora de contrastes de hipotesis
      • Calculadora de tamano del efecto
      • Simulador de Regresión Lineal con Ruido
      • Descenso de gradiente
      • Visualizador de PCA
      • Visualizador de Series Temporales
      • Simulador de Regresión Logística
      • Matriz de confusión e informe de clasificación
      • Visualizador de fronteras de decisión
      • Simulador de K-Means
      • Número Óptimo de Clusters
      • Simulador de DBSCAN
      • Detector de la Ley de Benford
      • Ajuste de Curvas
      • Calculadora de Matrices
    • Probabilidad
      • Calculadora de Probabilidad de Distribuciones
      • Problema del cumpleaños
      • Calculadora de Probabilidades de Lotería
      • Simulador del Problema de Monty Hall
      • La aguja de Buffon
      • Simulador de la Estrategia Martingala
      • Simulador de Cadenas de Markov
    • Finanzas
      • Calculadora de Préstamos e Hipotecas
      • Conversor TIN ↔ TAE
      • Calculadora DCA con ajuste por inflación
      • Comparador de tarifas de luz 2.0TD
      • Calculadora XIRR con Flujos Irregulares
      • Simulador FIRE (Financial Independence, Retire Early)
      • Frontera Eficiente
    • Negocios
      • CLV
      • Scoring
    • Herramientas
      • Formateador / Minificador de JSON
      • Conversor CSV ↔ JSON
      • Consultar CSV con SQL en el navegador
      • Extractor de tickets (OCR)
      • Comparador y Formateador de Texto y JSON
      • Formateador y Tester de Expresiones Regulares
      • Inspector de JWT
      • Generador y verificador de hashes
      • Calculadora HMAC
      • Codificador / Decodificador Base64 y URL
      • Conversor de bases numericas
      • Conversor de Timestamp Unix
      • Conversor de colores
      • Generador de UUIDs
      • Editor de expresiones cron
      • Conversor de unidades
    • Juegos
      • Tres en Raya
      • Nim con Q-Learning
    • Más
      • Método D’Hondt
      • Generador de Contraseñas Seguras
  • Noticias
  • Boletín
  • Contacto
  • Tienda
    • Libros
    • Equipamiento de oficina
    • Equipamiento en movilidad

Analytics Lane

Ciencia e ingeniería de datos aplicada

  • Ciencia de datos
  • Machine Learning
  • IA Generativa
  • Python
  • Pandas
  • NumPy
  • R
  • Excel

El problema de Monty Hall (o de las tres puertas)

Paradoja

julio 8, 2020 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 3 minutos

El problema de Monty Hall debe su nombre al presentador del popular concurso de televisión “Let’s Make a Deal” en el que apareció este juego. Un concursante tiene que escoger entre tres puertas detrás de las que se esconde el premio, en dos de ellas hay una cabra y en la otra un coche. Tras seleccionar una de las puertas Monty Hall, el presentador del programa, abre una de las dos que el concursante no ha seleccionado, donde siempre hay una cabra. Dando la posibilidad al concursante de cambiar de puerta. ¿Cuál es la mejor opción para ganar el coche? Aunque parezca antiintuitivo, las posibilidades de ganar el coche aumentan si se cambia la puerta seleccionada. Siendo esto lo que se conoce como el problema de Monty Hall.

¿Por qué cambiar de puerta?

Ahora podemos ver porque es aconsejable cambiar de puerta. Al comenzar el juego tenemos una probabilidad de ganar el coche 1/3 y 2/3 de ganar una cabra. Salvo que deseemos una cabra es aconsejable cambiar de puerta porque después de abrir una las probabilidades se mantienen exactamente igual.

Al mantener la primera opción se mantienen las posibilidades iniciales, 1/3 de ganar el coche y 2/3 de ganar la cabra. Ahora la probabilidad de obtener cualquier premio no ha cambiado a 1/2. La puerta que no se seleccionada en primer lugar tiene ahora el doble de posibilidades de ganar. Algo que se puede entender mejor con más puertas.

Shallow copy vs Deep copy en Python: la mutación inesperada
En Analytics Lane
Shallow copy vs Deep copy en Python: la mutación inesperada

El juego con más puertas

Supongamos que en vez de 3 hay 10 puertas. En tal caso las posibilidades de ganar son 1/10 en la primera elección. Ahora si el presentador va eliminado el resto de las puertas hasta que no queda más que dos. ¿Nos quedamos con la primera opción? Realmente no, porque en tal caso las nueve puertas que no elegimos inicialmente tenían una probabilidad de 9/10, probabilidad que ahora corresponde a una única puerta.

Pero ¿con dos puertas las probabilidades no son del 50%?

Con dos puertas sin información adicional sí, pero en este caso donde la propia mecánica del juego nos aporta información adicional para que no sea así. Por lo que las probabilidades de ganar con una u otra puerta no son las mismas.

Es lo mismo que en una carrera de caballos. Si nos mandan escoger entre dos caballos al azar en una carrera tenemos una posibilidad del 50% de escoger al ganador. Basándonos para ello en el nombre del caballo o cualquier otra característica que no tiene que ver con las capacidades. Pero, sí sabemos que uno de ellos ha ganado múltiples carreras en el pasado y otro no, las opciones de seleccionar el campeón son mayores. Esto es, la información es importante.

Otra manera de pensar sería darnos cuenta de que la mecánica del juego nos permite escoger entre seleccionar dos puertas, las que no se han seleccionado en primer lugar, puertas o una, la que se ha seleccionado en primer lugar. ¿En qué situación hay más posibilidades de ganar? Visto así el problema posiblemente nadie dude que la mejor opción es cambiar de puerta.

Conclusiones

En esta entrada hemos usado el problema de Monty Hall para ver cómo la información es importante, incluso en elecciones aleatorias. Asumir que al elegir entre dos opciones siempre las posibilidades son siempre del 50/50 es algo que es erróneo. Ya que si existe información adicional es posible las probabilidades no están repartidas por igual.

Imagen de Arek Socha en Pixabay

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 3 / 5. Votos emitidos: 1

Ya que has encontrado útil este contenido...

¡Síguenos en redes sociales!

¡Siento que este contenido no te haya sido útil!

¡Déjame mejorar este contenido!

Dime, ¿cómo puedo mejorar este contenido?

Publicaciones relacionadas

  • Shallow copy vs Deep copy en Python: la mutación inesperada
  • Cómo Proyectar Cuándo Alcanzarás la Independencia Financiera
  • Analytics Lane lanza la versión 1.5 del laboratorio con un extractor de tickets por OCR y consultas SQL sobre CSV en el navegador
  • Cómo Saber si una Diferencia Significativa es Importante
  • Curiosidad: “Wi-Fi” no significa “Wireless Fidelity”
  • Cómo Explorar un Dataset antes de Modelar
  • Cómo Elegir el Test de Hipótesis Correcto para tus Datos
  • Tuplas vs Listas en Python: parecen lo mismo, pero no
  • Guía Completa para Usar el Panda Planner: Tu Camino hacia la Productividad y el Bienestar

Publicidad

Publicado en: Ciencia de datos Etiquetado como: Paradoja

Interacciones con los lectores

Deja una respuesta Cancelar la respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

I accept the Terms and Conditions and the Privacy Policy

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.

Barra lateral principal

Suscríbete a nuestro boletín

Suscríbete al boletín semanal para estar al día de todas las publicaciones.

Política de Privacidad

Analytics Lane en redes sociales

  • Amazon
  • Bluesky
  • Facebook
  • GitHub
  • Instagram
  • Mastodon
  • Pinterest
  • RSS
  • Telegram
  • Tumblr
  • Twitter
  • YouTube

Publicidad

Entradas recientes

Guía Completa para Usar el Panda Planner: Tu Camino hacia la Productividad y el Bienestar

noviembre 19, 2026 Por Daniel Rodríguez

Noticias

Analytics Lane lanza la versión 1.5 del laboratorio con un extractor de tickets por OCR y consultas SQL sobre CSV en el navegador

noviembre 18, 2026 Por Daniel Rodríguez

Cómo Explorar un Dataset antes de Modelar

noviembre 17, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Copiar y pegar Activar copiar y pegar en VirtualBox publicado el mayo 1, 2019 | en Herramientas
  • WOE e IV: La Base Matemática del Credit Scoring publicado el mayo 5, 2026 | en Ciencia de datos
  • Solución del error 504 Gateway Timeout en NGINX publicado el abril 10, 2024 | en Herramientas
  • Guía Completa para Usar el Panda Planner: Tu Camino hacia la Productividad y el Bienestar publicado el noviembre 19, 2026 | en Productividad
  • pandas Pandas: Cómo crear un DataFrame vacío y agregar datos publicado el noviembre 16, 2020 | en Python

Publicidad

Lo mejor valorado

4.9 (24)

Seleccionar filas y columnas en Pandas con iloc y loc

4.6 (16)

Archivos JSON con Python: lectura y escritura

4.4 (14)

Ordenación de diccionarios en Python mediante clave o valor

4.7 (13)

Operaciones de filtrado de DataFrame con Pandas en base a los valores de las columnas

4.1 (11)

Aplicar el método D’Hondt en Excel

Comentarios recientes

  • Daniel Rodríguez en Curiosidad: La Paradoja de Simpson, o por qué no siempre debes fiarte de los promedios
  • Hatepi en Curiosidad: La Paradoja de Simpson, o por qué no siempre debes fiarte de los promedios
  • Daniel Rodríguez en Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
  • Juan en Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
  • bif en JSON en bases de datos: cuándo es buena idea y cuándo no

Publicidad


Footer

Analytics Lane

  • Acerca de Analytics Lane
  • Boletín de noticias
  • Contacto
  • Libros
  • Lo más popular
  • Noticias
  • Tienda
  • Tiendas afiliadas

Secciones

  • Ciencia de datos
  • Criptografía
  • Herramientas
  • Machine Learning
  • Opinión
  • Productividad
  • Programación
  • Reseñas

Sobre de Analytics Lane

En Analytics Lane tratamos de explicar los principales conceptos de la ciencia e ingeniería de datos con un enfoque práctico. Los principales temas tratados son ciencia de datos, ingeniería de datos, inteligencia artificial, machine learning, deep learning y criptografía. Además, también se habla de los principales lenguajes de programación y herramientas utilizadas por los científicos e ingenieros de datos.

Copyright © 2018-2026 Analytics Lane ·Términos y condiciones ·Política de Cookies ·Política de Privacidad ·Herramientas de privacidad ·Contacto