• 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

Explorando la paradoja de San Petersburgo: un juego con recompensa infinita

Paradoja

diciembre 20, 2023 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 3 minutos

La paradoja de San Petersburgo es un dilema que ha fascinado a los matemáticos, filósofos y economistas a lo largo de los siglos. Un juego aparentemente sencillo cuya solución tiene grandes implicaciones. Cuando se analiza en detalle el juego este obliga a plantearse profundas cuestiones sobre la teoría de probabilidad, la toma de decisiones y la percepción del riesgo. El problema se conoce desde el siglo XVIII. La formulación original de la paradoja cuya formulación original aparece en una carta de Nicolaus Bernoulli fechada el 9 de septiembre de 1713 y que fue enviada a Pierre de Montmort. En esta entrada se realizará una exposición de la paradoja, para examinar los resultados aparentemente contradictorios y analizar las consecuencias de esta.

Invitación a un juego de azar

La paradoja de San Petersburgo comienza con la invitación a participar en un juego de azar en el que se lanza una moneda hasta que aparece por primera vez una cara. La recompensa que logra el jugador se duplica en cada tirada. Esto es, si por la primera cruz el jugador obtiene por ejemplo un Euro, por la segunda serán dos, por la tercera cuatro y así hasta que salga la primera cara. Si en la primera tirada sale una cara el jugador no recibe ninguna recompensa. Matemáticamente la recompensa obtenida se puede expresar como 2^{n-1} donde n es la cantidad de cruces que salen antes de la primera cara.

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

Ahora la pregunta es ¿cuál es la cantidad máxima que estaría dispuesto a pagar para participar en este juego?

Usando la esperanza matemática para calcular la cantidad a pagar

El método más adecuado para estimar la cantidad máxima que se debería pagar para participar en el juego es calcular la esperanza matemática (algo que también deberíamos hacer antes de jugar a la lotería u otros juegos de azar como la ruleta). Esto es, las ganancias esperadas que se pueden obtener. Para ello, simplemente se tiene que sumar el producto de todas las posibles recompensas que se pueden obtener por la probabilidad de estas. Así se sabe que la probabilidad de obtener una cruz, si la moneda no está trucada, es de \frac{1}{2}, dos cruces seguidas es de \frac{1}{4} y en generar la probabilidad de obtener n cruces seguidas es de \frac{1}{2^n}.

Ahora, conocidas las probabilidades y las recompensas que se pueden obtener en el juego, la esperanza matemática o ganancia esperada se puede obtener fácilmente E = \frac{1}{2} 1 + \frac{1}{4} 2 + \frac{1}{8} 4 + \ldots + \frac{1}{2^n} 2^{n-1} = \sum_{n=1}^\infty \frac{1}{2^n} 2^{n-1} = \sum_{n=1}^\infty \frac{1}{2} = \infty. Esto es esperanza matemática de participar en el juego es infinita, por lo que cualquier cantidad para participar en el juego está justificada.

La paradoja de San Petersburgo: las decisiones matemáticas frente las decisiones humanas

El hecho de que el juego tenga una esperanza matemática infinita es algo que entra en conflicto con la intuición y experiencia cotidiana. Además de la falta de racionalidad económica. La paradoja surge al contrastar los resultados matemáticos con la toma de decisiones práctica.

En las situaciones cotidianas nunca nos encontramos con la posibilidad de obtener una ganancia infinita. Las expectativas y decisiones siempre están limitadas por una cantidad de recursos finitos. Por ejemplo, el tiempo, sería necesario jugar un tiempo infinito para obtener la recompensa infinita, tiempo del que no se dispone. Así, el concepto de un valor esperado infinito va en contra de la intuición basada en experiencia finita.

Además, también se debe tener en cuenta el efecto de la adveración al riesgo. Un concepto que es importante en la teoría económica. En situaciones de esperanza infinita, las personas pueden mostrar una adhesión al riesgo y no estar dispuestas a apostar grandes sumas de dinero debido a la incertidumbre de una posible pérdida.

En resumen, la paradoja de una esperanza infinita destaca la brecha entre las abstracciones matemáticas y las decisiones prácticas en la vida real. Aunque desde un punto de vista matemático la esperanza infinita puede tener sentido, las limitaciones y las preferencias humanas introducen complejidades que desafían la aplicación directa de estos conceptos en la toma de decisiones cotidiana.

Conclusiones

La paradoja de San Petersburgo pone de relieve la diferencia que existe entre los conceptos matemáticos de infinito y la experiencia donde los recursos y ganancias esperadas son finitos. A pesar de que el juego propuesto ofrece una esperanza matemática infinita, no parece razonable apostar una cantidad infinita en el juego.

Imagen de Peter H 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

  • Shallow copy vs Deep copy en Python: la mutación inesperada
  • Cómo Proyectar Cuándo Alcanzarás la Independencia Financiera
  • 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
  • == vs is en Python: la diferencia que causa bugs misteriosos
  • Curiosidad: El puerto 80 y los números de puerto

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

Cómo Explorar un Dataset antes de Modelar

noviembre 17, 2026 Por Daniel Rodríguez

Curiosidad: “Wi-Fi” no significa “Wireless Fidelity”

noviembre 12, 2026 Por Daniel Rodríguez

Shallow copy vs Deep copy en Python: la mutación inesperada

noviembre 10, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Creación de gráficos de barras y gráficos de columnas con Seaborn publicado el julio 18, 2023 | en Python
  • Codificación JSON Archivos JSON con Python: lectura y escritura publicado el julio 16, 2018 | en Python
  • Gráficos de barras en Matplotlib publicado el julio 5, 2022 | en Python
  • pandas Pandas: Seleccionar las primeras o últimas filas de un DataFrame Pandas con head() o tail() publicado el marzo 8, 2021 | en Python
  • Trabajar con archivos Excel en Matlab publicado el marzo 20, 2019 | en Matlab

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