• 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

La paradoja del cumpleaños

Paradoja

julio 1, 2020 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 3 minutos

Si tenemos 23 personas en una habitación, ¿cuales son las probabilidades de que por lo menos dos cumplan años el mismo día? Aunque parezca increíble la probabilidad es de un 50%. Siendo este un resultado que se conoce como la paradoja del cumpleaños. De hecho, para obtener una probabilidad del 99,9% solamente es necesario reunir a 75 personas.

Calculado las probabilidades en la paradoja del cumpleaños

Para conocer las probabilidades de que dos personas en un grupo tengan el cumpleaños el mismo día necesitamos conocer la probabilidad de que una pareja no tenga el cumpleaños el mismo día y el número de parejas que podemos hacer con el grupo de personas. Así, elevando la probabilidad de que dos parejas no tengan el cumpleaños el mismo día se puede obtener la probabilidad de que ninguna pareja en el grupo tenga el cumpleaños el mismo día.

Probabilidad de que dos personas no tengan el cumpleaños el mismo día

Este es un cálculo relativamente sencillo, si en un año hay 365 días (salvo en el caso de bisiestos) la probabilidad de que dos personas cumplas años el mismo día es de 1/365. Así, la probabilidad de que no sea así es de uno menos este valor. Por lo tanto, la probabilidad de que dos personas no cumplan años el mismo día es de

Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
En Analytics Lane
Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)

1 - \frac{1}{365} = 364/365 = 0,9972

Es decir, aproximadamente un 99,7%.

Publicidad


El número de parejas en un grupo

Bien ahora que sabemos la probabilidad de que dos personas no cumplan años el mismo día, necesitamos saber cuántas parejas diferentes existen en un grupo. Lo que también es relativamente fácil de calcular, ya que es la combinación de dos en dos sin repetición. Esto es

\frac{n (n -1)}{2}

En donde n es el número de personas en el grupo, Así, para un grupo de 23 personas el número de parejas diferentes que existen son 253. Si aumentamos a 75 personas el número de parejas es 2738. Lo que nos da una pista de por qué las probabilidades se vuelven altas tan rápido.

Probabilidad en un grupo de que dos personas tengan el cumpleaños el mismo día

Ahora que conocemos cuántas parejas diferentes hay en un grupo y cuál es la probabilidad de que una pareja no tenga el cumpleaños el mismo día solo hay que poner en conjunto ambos valores. Para lo que hay que multiplicar la probabilidad de que todas las parejas no tengan el cumpleaños el mismo día. Algo que se obtiene elevando la probabilidad al número de parejas. Así para el caso de 23 personas tenemos 0,9972 elevado 253, lo que da 0,4995. Esto es, una probabilidad de 49,95% no existir una pareja que tenga el cumpleaños el mismo día. O, lo que es lo mismo, una probabilidad de 50,05% de que exista una pareja que compartan el día del cumpleaños.

Si repetimos el cálculo para el caso de 253 personas podemos ver que la probabilidad de no tener una pareja comparta el día de cumpleaños es de 0,049%. O lo que es lo mismo, la probabilidad de tener por lo menos una pareja es de 99,95%.

¿Por qué se da la paradoja del cumpleaños?

Este es un resultado que parece poco intuitivo, pero es así porque el crecimiento exponencial no es intuitivo. A medida que aumentamos una persona en el grupo el número de parejas no crece linealmente, por lo que aumentamos la probabilidad de que exista una pareja que cumpla años el mismo día.

Publicidad


Conclusiones

La paradoja del cumpleaños es un resultado interesante que nos demuestran que el crecimiento exponencial no es algo que sea intuitivo para los humanos. Los que estamos acostumbrados a pensar en términos lineales. Por lo que se puede en ciertas ocasiones se pueden obtener estos resultados tan sorprendentes.

Imagen de C B 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

  • Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
  • Por Qué las Contraseñas Largas son más Seguras que las Complejas
  • Segmentación RFM: cómo clasificar tu cartera de clientes antes de calcular el CLV
  • PSI: Cómo Saber Cuándo tu Modelo de Credit Scoring se ha Degradado
  • Champion vs Challenger: Cómo los Bancos Validan Modelos Nuevos antes de Ponerlos en Producción
  • Gini, KS y AUC: Cómo Medir la Calidad de un Modelo de Credit Scoring
  • Errores habituales al trabajar con DataFrames grandes en Pandas (y cómo evitarlos)
  • BG/NBD + Gamma/Gamma: el modelo probabilístico para CLV en compras continuas
  • Curiosidad: De dónde vienen foo, bar y foobar

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

Por Qué las Contraseñas Largas son más Seguras que las Complejas

agosto 20, 2026 Por Daniel Rodríguez

Gini, KS y AUC: Cómo Medir la Calidad de un Modelo de Credit Scoring

agosto 18, 2026 Por Daniel Rodríguez

Curiosidad: De dónde vienen foo, bar y foobar

agosto 13, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Por Qué las Contraseñas Largas son más Seguras que las Complejas publicado el agosto 20, 2026 | en Criptografía
  • pandas Pandas: Mostrar todos los elementos de un DataFrame publicado el agosto 26, 2021 | en Python
  • La vanidad del paisaje, o por qué un becario sale a contar grúas a Manhattan – El bestiario de los indicadores económicos absurdos (parte 2) publicado el junio 11, 2026 | en Opinión
  • Utilizar R desde Python con rpy2 publicado el enero 11, 2019 | en Python, R
  • ¿Cómo eliminar columnas y filas en un dataframe pandas? publicado el marzo 25, 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

4.1 (11)

Aplicar el método D’Hondt en Excel

Comentarios recientes

  • 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
  • bif en Cómo desinstalar Oracle Database 19c en Windows
  • M. Pilar en Cómo eliminar las noticias en Windows 11 y recuperar tu concentración

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