• 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
      • Visualizador de PCA
      • Visualizador de Series Temporales
      • Simulador de Regresión Logística
      • Simulador de K-Means
      • Simulador de DBSCAN
      • Detector de la Ley de Benford
      • Ajuste de Curvas
      • Calculadora de Matrices
    • Probabilidad
      • Calculadora de Probabilidad de Distribuciones
      • Calculadora de Probabilidades de Lotería
      • Simulador del Problema de Monty Hall
      • Simulador de la Estrategia Martingala
    • Finanzas
      • Calculadora de Préstamos e Hipotecas
      • Conversor TIN ↔ TAE
      • Calculadora DCA con ajuste por inflación
      • Calculadora XIRR con Flujos Irregulares
      • Simulador FIRE (Financial Independence, Retire Early)
    • Negocios
      • CLV
      • Scoring
    • Herramientas
      • Formateador / Minificador de JSON
      • Conversor CSV ↔ JSON
      • Comparador y Formateador de Texto y JSON
      • Formateador y Tester de Expresiones Regulares
      • Inspector de JWT
      • Generador y verificador de hashes
      • Codificador / Decodificador Base64 y URL
      • Conversor de bases numericas
      • Conversor de Timestamp Unix
      • Conversor de colores
      • Generador de UUIDs
    • 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 gordo del sorteo de Navidad no ha sido el 72850

Juegos de azar

diciembre 23, 2021 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 3 minutos

El pasado sábado publiqué una entrada, básicamente en tono de humor, en el que intentaba predecir mediante el uso de series temporales el resultado del Sorteo Extraordinario de Navidad de la Lotería Nacional. Un sorteo de lotería muy popular en España que para muchos supone el comienzo de las fiestas navideñas. La idea de usar una serie temporal para predecir no tenía sentido, los resultados históricos son una serie aleatoria de números. Por al hacer evaluar los resultados en la serie histórica nunca predijo correctamente un resultado. Y como, ya se sabe, tampoco lo ha hecho para el sorteo de 2021. El premio del sorteo no ha sido el 72850, el valor predicho por el modelo, sino que el 86148.

No tiene sentido predecir el azar

Intentar usar un modelo de inteligencia artificial para predecir una serie de valores aleatorios no tiene sentido. Mucho menos el uso de series temporales. Modelos en los que se asume que los nuevos valores se pueden predecir en base a los observados en la serie histórica. Supuesto que no se puede dar por cierto en los procesos aleatorios. Ya que en caso contrario se estaría afirmando que las bolas usadas en el sorteo tienen memoria. Incluso cuando estas se cambian cada poco sorteo por otras nuevas. Por lo que realizar cualquier tipo de cábala no es más que un ejercicio inútil condenado al fracaso. Como en este caso.

Desbalanceo de Clases en Credit Scoring: Por Qué Usamos Ponderación en lugar de Undersampling
En Analytics Lane
Desbalanceo de Clases en Credit Scoring: Por Qué Usamos Ponderación en lugar de Undersampling

Algo que ya se ha demostrado cuando se vio que jugar con número calientes o fríos no ofrece una ventaja sobre seleccionar los números al azar. Dos supuestos que también se basan en asumir una especie de memoria en los sorteos. Los que definen la hipótesis de la existencia de números calientes afirmas que estos tienen mayor probabilidad de salir, por lo que si se seleccionan hay más posibilidades de que ganar. Lo que no es cierto. Incluso, en el caso de que existan defectos físicos en las bolas que provoque que unas salgan con mayor probabilidad que otras, el cambio de estas anula el efecto.

Por otro lado, el modelo de los números fríos se basa en una interpretación errónea de los fundamentos de la estadística. En un proceso aleatorio, cómo puede ser tirar una moneda que no este trucada, a largo plazo el porcentaje de veces que se observa una opción tiende a la probabilidad de estas. Esto es, en el caso de las monedas se obtendrán las mimas caras que cruces. Pero, en el caso de que exista una desviación de este equilibrio, esto no quiere decir que se deba corregir de forma inmediata, en la siguiente tirada, sino que a largo plazo.

¿Tiene sentido jugar a la lotería?

Salvo en el caso de algunos sorteos mal diseñados en los que los premios son mayores que el precio total de los billetes, no es una buena idea como inversión. Sorteos que no suelen durar mucho en el tiempo por causas más que obvias. Generalmente, en un sorteo de lotería la cantidad destinada a premios no suele superar al 70%, siendo más probable que el valor sea más cercano al 50%. Esto es, si alguien pudiese comprar todos los billetes solamente recuperará en torno a la mitad.

Publicidad


Conclusiones

En esta ocasión hemos visto porque no tiene sentido crear un modelo usando técnicas de aprendizaje automático para predecir un sorteo de lotería. Algo que siempre que se ha intentado suele finalizar en fracaso. Por lo que haber jugado al 72850 tenia las mismas posibilidades que cualquier otro número .Creer lo contrario implicaría asumir que los resultados de los sorteos no son aleatorios, algo que es difícil de sostener.

Imagen de Carabo Spain en Pixabay

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 0 / 5. Votos emitidos: 0

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

  • Desbalanceo de Clases en Credit Scoring: Por Qué Usamos Ponderación en lugar de Undersampling
  • Por qué migrar tus proyectos TypeScript a ES Modules en 2026
  • Actualizar expresslanets a ES Modules con tsx y Vitest
  • Curiosidad: Por qué la criptografía habla siempre de Alice y Bob
  • Errores comunes al interpretar resultados estadísticos
  • Método del codo: interpretación correcta y limitaciones
  • Dashboard CLV: cuatro modelos, un mismo dataset, conclusiones muy distintas
  • Pareto/NBD: cuando el abandono silencioso cambia el CLV
  • Cómo construir tu primer scorecard paso a paso

Publicado en: Opinión Etiquetado como: Juegos de azar

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

Cómo construir tu primer scorecard paso a paso

septiembre 29, 2026 Por Daniel Rodríguez

Actualizar expresslanets a ES Modules con tsx y Vitest

septiembre 24, 2026 Por Daniel Rodríguez

Pareto/NBD: cuando el abandono silencioso cambia el CLV

septiembre 22, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Curiosidad: El uso del número 42 para fijar la semilla publicado el julio 7, 2023 | en Opinión
  • Gráficos de barras en Matplotlib publicado el julio 5, 2022 | en Python
  • Análisis de Redes con Python publicado el junio 20, 2025 | en Python
  • Buscar en Excel con dos o más criterios publicado el septiembre 7, 2022 | en Herramientas
  • Operaciones de filtrado de DataFrame con Pandas en base a los valores de las columnas publicado el mayo 10, 2019 | 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

4.9 (11)

Pandas: Cambiar los tipos de datos en los DataFrames

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