• 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
    • 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)
    • Riesgo
      • Constructor de Scorecards de Crédito
      • Aplicar Scorecard de Crédito
    • 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

Números calientes en Bonoloto: mismos resultados que el azar

octubre 9, 2020 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 4 minutos

Existen múltiples estrategias para ganar en los juegos de azar con las que se promete mejorar las probabilidades de ganar. Algo que, si el juego es de azar, como son las loterías, no tiene ningún sentido. Entre estas técnicas se encuentra jugar los números “calientes” o “fríos”. Los números que respectivamente han aparecido más o menos en los últimos eventos. Un hecho que se conoce como la falacia del apostador. En esta entrada vamos a ver experimentalmente que haber jugado números calientes en Bonoloto no genera mejores resultados de los que predice la teoría.

Números calientes

En un juego de azar se conoce como número caliente aquel que ha aparecido más veces en los últimos eventos. Sea una lotería, la ruleta o simplemente jugar a cara o cruz. Por otro lado, los números fríos son aquellos que han aparecido menos en los últimos eventos. Existen teorías que justifican por qué jugar a estos números, pero como se explica en esta entrada, ninguna de ellas tiene sentido estadístico.

Evaluar el resultado de jugar números calientes en Bonoloto

Para comprobar el resultado de jugar con números calientes en Bonoloto se puede utilizar el histórico de sorteos. El cual se puede descargar fácilmente en diferentes formatos. Para el experimento se van a utilizar los datos desde el primer sorteo en 1988 hasta el 25 de septiembre de 2020. Lo que representa un total de 7312 sorteos. Por otro lado, el número de aciertos esperado en cada una de las combinaciones se puede obtener mediante cálculo de probabilidades. El código utilizado para realizar el experimento es el mismo que se usó para comprobar el resultado de los números calientes y fríos en la Primitiva.

Nuevo test de normalidad interactivo en el laboratorio de Analytics Lane
En Analytics Lane
Nuevo test de normalidad interactivo en el laboratorio de Analytics Lane

Publicidad


Resultados con 10 últimos sorteos

En primer lugar, podemos ver que sucede si se utilizan los 10 últimos sorteos para seleccionar la combinación. Usando tanto los números calientes como los fríos. Además de esto, dado que se extrae un séptimo número (el complementario) vamos a usar también este número para calcular la temperatura de los diferentes números. Pudiendo pensar que, si este número también se extrae, aunque solo se utiliza para el premio de segunda categoría, tenga más posibilidades o menos de aparecer en un próximo sorteo. Así tenemos los siguientes resultados.

AcierosCalientesCalientes + CFríosFríos + CMímimoMáximo
0316231443263323630703296
1302130222963299329063126
2100610079439389051029
3105116125128106152
47386212
5100101
Aciertos obtenidos calculando los número calientes y fríos con los 10 últimos sorteos y los valores esperados con un nivel de confianza del 95%.

La primera columna de esta tabla la categoría de la fila, la segunda muestra los resultados de jugar los números calientes sin el complementario, la tercera los números calientes con el complementario, la cuarta los números fríos sin el complementario, la quinta los números fríos con el complementario y en la sexta y séptima el número de aciertos máximo y mínimo que se esperaría con un 95% de confianza para cada categoría. Observándose en la tabla que el máximo número de aciertos es cinco.

En la tabla se puede ver que existe un caso que se sale del margen de error: el acierto de tres números en el caso de los números calientes. Pero es un único caso por debajo del límite. En el resto de los casos todos los valores se encuentran dentro del margen de error. Por lo que esta estrategia da los resultados esperados por la teoría.

Resultados con 100 últimos sorteos

Se puede repetir el experimento con los 100 últimos números, lo que nos da la siguiente tabla.

AcierosCalientesCalientes + CFríosFríos + CMímimoMáximo
0309531693222322330323256
1397229292927289828693088
210059509449678931017
3133156114120105150
47754212
5010001
Aciertos obtenidos calculando los número calientes y fríos con los 100 últimos sorteos y los valores esperados con un nivel de confianza del 95%.

En este caso se obtienen los mismos resultados, solamente se encuentra un caso en el que los resultados salen del margen de confianza. Los tres aciertos en la columna de números calientes con el complementario muestran seis aciertos más de lo que se esperaría como máximo en el 95% de los casos. Además, el máximo número de aciertos es cinco. Resultado que tampoco justifica que el método sea mejor que jugar al azar.

Resultados con 200 últimos sorteos

Finalmente se puede repetir el experimento con los 200 últimos sorteos. Con lo que se obtiene la siguiente tabla.

AcierosCalientesCalientes + CFríosFríos + CMímimoMáximo
0310430183202315829893212
1289929872808288228293046
29859639819398801003
3115137117128103148
49735212
5000001
Aciertos obtenidos calculando los número calientes y fríos con los 200 últimos sorteos y los valores esperados con un nivel de confianza del 95%.

Como es de esperar los resultados son los mismos. El máximo número de aciertos es cinco y solamente en un caso estamos fuera del margen de error. En este caso los números fríos sin complementario que para un acierto da veinte casos menos de lo esperado.

El hecho de que exista en todos los casos un evento que se salga de los límites es comprensible y, en cierta medida, esperable. Los límites se calcularon con un nivel de confianza del 95%, lo que indica que uno de cada veinte casos estará fuera de los límites. Siendo justamente veinte casos los que se muestran en cada una de las tablas.

Publicidad


Conclusiones

Al realizar el experimento se puede ver que los resultados son los esperados. En un juego de azar, los eventos pasados no influyen en los futuros. Por lo que jugar números calientes en Bonoloto no ofrece una ventaja respecto al azar. Ni tampoco fríos. Posiblemente sea una desventaja, ya que en estos juegos el premio se reparte entre los acertantes. Así, si se emplea una técnica popular para seleccionar los números es probable que en el caso el número de acertantes sea mayor.

El código utilizado para el experimento se puede ver en una entrada anterior sobre la Primitiva. Por lo que, si alguien desea repetir el experimento para otros sorteos, solamente tiene que conseguir la serie histórica para comprobar que en el resto de los sorteos los resultados son similares. Salvo que los sorteos no se realicen al azar.

Imagen de Alejandro Garay 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

  • Nuevo test de normalidad interactivo en el laboratorio de Analytics Lane
  • Nuevo conversor de timestamp Unix en el laboratorio de Analytics Lane
  • Calculadora de Contrastes de Hipótesis: interpreta correctamente el p-valor y toma decisiones estadísticas con confianza
  • Calculadora de Tamaño del Efecto: la herramienta clave para entender cuánto importa realmente una diferencia
  • Simulador de DBSCAN: descubre cómo encontrar clusters reales (y ruido) sin fijar K
  • Conversor de Colores: convierte, compara y valida cualquier color en tiempo real
  • Analytics Lane lanza su Generador de UUIDs: identificadores únicos, seguros y listos para producción en segundos
  • 1200 publicaciones en Analytics Lane
  • Analytics Lane lanza su Conversor TIN ↔ TAE: la herramienta definitiva para entender el coste real de depósitos, préstamos e hipotecas

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

Interés compuesto: la fuerza que multiplica tu dinero (y los errores que la anulan)

mayo 14, 2026 Por Daniel Rodríguez

Cómo comparar datos con barras en Matplotlib: agrupadas, apiladas y porcentuales

mayo 12, 2026 Por Daniel Rodríguez

Costes hundidos en ciencia de datos: cuándo mantener un modelo y cuándo migrar

mayo 7, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Operaciones de filtrado de DataFrame con Pandas en base a los valores de las columnas publicado el mayo 10, 2019 | en Python
  • Hoja de cálculo para repartir los escaños en base al método D’Hont Aplicar el método D’Hondt en Excel publicado el abril 14, 2021 | en Herramientas
  • ¿Por qué el azar no es tan aleatorio como parece? publicado el noviembre 11, 2025 | en Opinión
  • Número óptimo de clústeres con Silhouette e implementación en Python publicado el junio 23, 2023 | en Ciencia de datos
  • Sistema de ecuaciones Sistemas de ecuaciones lineales con numpy publicado el octubre 29, 2018 | 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

  • 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
  • Daniel Rodríguez en Probabilidad básica: cómo entender el azar en nuestra vida diaria
  • Pepe en Probabilidad básica: cómo entender el azar en nuestra vida diaria

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