Estadística on kenji.blog

Tus amigos tienen más amigos que tú: La paradoja de la amistad

Thu, 10 Sep 2026 21:00:00 +0900

“Parece que los demás tienen más amigos que yo y se divierten…” ¿Alguna vez te has sentido así mientras miras las redes sociales?

En realidad, que te sientas así no es por tu personalidad, ni porque seas impopular. Es un hecho matemático probado por la teoría de redes y la estadística, llamado la “Paradoja de la amistad (Friendship Paradox)”.

Descubierta por el sociólogo Scott Feld en 1991, esta paradoja explica el fenómeno contraintuitivo de que “la mayoría de las personas tienen menos amigos que sus propios amigos”.

¿Por qué “los amigos tienen más amigos”?

En conclusión, esto se debe a un simple sesgo de muestreo donde “las personas con muchos amigos (personas populares) aparecen en las listas de amigos de muchas personas”.

Pensemos en una red (grafo) sencilla.

graph TD A["Alice (1 amigo)"] --- C["Charlie (3 amigos)"] B["Bob (1 amigo)"] --- C C --- D["David (1 amigo)"] style A fill:#4FC3F7,stroke:#333,stroke-width:2px style B fill:#4FC3F7,stroke:#333,stroke-width:2px style C fill:#FF9800,stroke:#333,stroke-width:4px style D fill:#4FC3F7,stroke:#333,stroke-width:2px

En este pequeño mundo hay cuatro personas: Alice, Bob, Charlie y David. Charlie es la persona “popular” y es amigo de las otras tres personas. Las otras tres personas solo son amigas de Charlie.

Veamos el número de amigos de cada uno.

Número de amigos de Alice: 1
Número de amigos de Bob: 1
Número de amigos de David: 1
Número de amigos de Charlie: 3 El número medio de amigos de todos es $(1 + 1 + 1 + 3) / 4 = 1.5$.

A continuación, calculemos el “promedio del ’número de amigos de los amigos’ de cada persona”.

Número de amigos del amigo de Alice (Charlie): 3
Número de amigos del amigo de Bob (Charlie): 3
Número de amigos del amigo de David (Charlie): 3
Promedio del número de amigos de los amigos de Charlie (Alice, Bob, David): $(1 + 1 + 1) / 3 = 1$

Ahora, comparemos el “propio” número y el “promedio de sus amigos” para cada uno.

Alice: Propio (1) < Promedio de amigos (3)
Bob: Propio (1) < Promedio de amigos (3)
David: Propio (1) < Promedio de amigos (3)
Charlie: Propio (3) > Promedio de amigos (1)

Tres de las cuatro personas (el 75%) se encuentran en una situación donde “sus amigos tienen más amigos que ellos”. La existencia del popular Charlie eleva fuertemente el “promedio de amigos” de todos los que le rodean.

Prueba matemática: La varianza es la clave

Expresemos esto en una fórmula. En la teoría de redes, sea $k(v)$ el número de amigos (grado) de una persona $v$. Sea $\mu$ el promedio de amigos de toda la red, y $\sigma^2$ la varianza del número de amigos.

Según la prueba de Feld, el valor esperado del “número de amigos de un amigo elegido al azar” es el siguiente:

$$ \text{Promedio del número de amigos de los amigos} = \mu + \frac{\sigma^2}{\mu} $$

La varianza $\sigma^2$ siempre es un valor mayor o igual a 0. Es decir, excluyendo la situación imposible en la que todos tienen exactamente la misma cantidad de amigos ($\sigma^2 = 0$), siempre se cumple la siguiente desigualdad:

$$ \mu + \frac{\sigma^2}{\mu} > \mu $$

El “promedio del número de amigos de los amigos” siempre será mayor que el “promedio total de amigos”.

En la sociedad real y en las redes sociales (como X o Instagram), una pequeña fracción de personas tiene millones de seguidores (amigos), mientras que la gran mayoría solo tiene unas pocas docenas a varios cientos. Dado que la varianza $\sigma^2$ es extremadamente grande, el efecto de esta paradoja se vuelve aún más fuerte.

Aplicación: Pandemias y vacunación

La paradoja de la amistad no se limita solo a la psicología de las redes sociales. Tiene aplicaciones muy eficaces para problemas sociales reales, especialmente en la prevención de enfermedades infecciosas.

Supongamos que hay un número limitado de vacunas y no estás seguro de a quién vacunar. Hay un método más efectivo que vacunar al azar.

Elige a las personas al azar.
Vacuna no a la persona en sí, sino a la persona que él o ella haya nombrado como “amigo”.

¿Por qué? Por la paradoja de la amistad, los “amigos” de las personas elegidas al azar tienen una mayor probabilidad de tener, en promedio, más conexiones (ser un nodo central o hub). Al vacunar prioritariamente a las personas con más conexiones, se puede ralentizar drásticamente la propagación de la infección a toda la red.

Conclusión

Cuando miras las redes sociales y sientes que “todos tienen más amigos que yo y llevan vidas perfectas”, no es tu imaginación, sino una inevitabilidad matemática creada por la estructura de la red.

Dado que las personas populares aparecen en las redes de muchas personas, inevitablemente nos vemos forzados a observar solo a las “personas más populares que el promedio” como nuestra muestra. La próxima vez que te sientas deprimido en las redes sociales, por favor recuerda esta fórmula.

$$ \mu + \frac{\sigma^2}{\mu} > \mu $$

Paradoja de Simpson: el misterioso fenómeno donde ganas en las partes, pero pierdes en el todo

Thu, 10 Sep 2026 07:00:00 +0900

1. ¿En qué hospital deberías operarte?

Has contraído una enfermedad grave y debes someterte a una operación. Frente a ti tienes dos opciones: el Hospital A y el Hospital B. Has solicitado los datos de “tasa de éxito” de las operaciones de cada hospital.

【Tasa de éxito general】

Hospital A: De 1000 personas, 900 tuvieron éxito (tasa de éxito 90%)
Hospital B: De 1000 personas, 800 tuvieron éxito (tasa de éxito 80%)

Al ver esto, cualquiera pensaría “¡El Hospital A es excelente!”. Sin embargo, como tienes una personalidad precavida, decidiste investigar más a fondo para ver cómo cambian los datos según el estado de la enfermedad (leve o grave).

【Tasa de éxito en pacientes con síntomas leves】

Hospital A: De 100 personas, 99 tuvieron éxito (tasa de éxito 99%)
Hospital B: De 900 personas, 870 tuvieron éxito (tasa de éxito 96%) $\rightarrow$ En casos leves, gana el Hospital A (99% > 96%)

【Tasa de éxito en pacientes con síntomas graves】

Hospital A: De 900 personas, 801 tuvieron éxito (tasa de éxito 89%)
Hospital B: De 100 personas, 70 tuvieron éxito (tasa de éxito 70%) $\rightarrow$ Incluso en casos graves, gana el Hospital A (89% > 70%)

¿Eh? ¿No te parece extraño?

Incluso para pacientes “leves”, el Hospital A tiene una tasa de éxito mayor. Para los pacientes “graves”, el Hospital A también tiene una tasa de éxito mayor. Sin embargo, al calcular la tasa de éxito “general” combinando a todos los pacientes… ¿qué sucede?

Hospital A general: $(99 + 801) / 1000 =$ 90%
Hospital B general: $(870 + 70) / 1000 =$ 94%… no, según el cálculo anterior, ¿80%?

Espera un momento, revisemos los datos iniciales de nuevo. Los primeros datos eran así:

Tasa de éxito general del Hospital A: 90%
Tasa de éxito general del Hospital B: 80%

Pero, si recalculamos con los datos divididos detalladamente, la tasa de éxito general del Hospital B debería ser $(870 + 70) / 1000 = 940 / 1000 = $ 94%.

…¡No, has sido engañado! En realidad, este truco numérico es la aterradora trampa estadística que explicaremos esta vez. Permíteme mostrarte los datos correctos de nuevo.

2. Para ti, que fuiste engañado: Los datos reales

【Tasa de éxito en pacientes con síntomas leves】

Hospital A: De 900 personas, 870 tuvieron éxito (tasa de éxito 96%)
Hospital B: De 100 personas, 99 tuvieron éxito (tasa de éxito 99%) $\rightarrow$ En casos leves, gana el Hospital B (99% > 96%)

【Tasa de éxito en pacientes con síntomas graves】

Hospital A: De 100 personas, 30 tuvieron éxito (tasa de éxito 30%)
Hospital B: De 900 personas, 315 tuvieron éxito (tasa de éxito 35%) $\rightarrow$ Incluso en casos graves, gana el Hospital B (35% > 30%)

Es decir, ya sea en casos leves o graves, el Hospital B es abrumadoramente superior.

Entonces, intentemos sumar esto para el “total”.

Hospital A general: $(870 + 30) / (900 + 100) = 900 / 1000 =$ tasa de éxito 90%
Hospital B general: $(99 + 315) / (100 + 900) = 414 / 1000 =$ tasa de éxito 41%

¡Vaya!, aunque el Hospital B gana en todas las “partes”, ¡cuando los combinamos en “general”, el Hospital A obtiene una victoria aplastante! Este fenómeno es conocido como la “Paradoja de Simpson”.

graph TD subgraph "Datos parciales (gana B)" Light["Leves: gana el Hospital B (99% > 96%)"] Heavy["Graves: gana el Hospital B (35% > 30%)"] end subgraph "Datos generales (gana A)" Total["Suma total: Victoria aplastante del Hospital A (90% > 41%)"] end Light -->|Al sumar, misteriosamente se invierte| Total Heavy -->|Al sumar, misteriosamente se invierte| Total style Total fill:#ff9999,stroke:#333,stroke-width:2px

3. ¿Por qué ocurre esta extraña inversión?

La verdadera naturaleza de esta paradoja radica en el “sesgo del tamaño de la muestra (denominador)” y las “variables ocultas (factores de confusión)”.

Observa los datos detenidamente.

El Hospital A acepta masivamente a “pacientes leves fáciles de curar” (900 personas).
El Hospital B acepta masivamente a “pacientes graves difíciles de curar” (900 personas).

Como el Hospital B tiene muy buenos médicos, es una especie de “último recurso” que acepta a muchos pacientes graves difíciles que son rechazados en otros lugares. Naturalmente, la tasa de éxito de los pacientes graves es menor (35%). La “tasa de éxito general” del Hospital B parece baja en conjunto (41%) porque es arrastrada hacia abajo por esta gran cantidad de pacientes graves con baja tasa de éxito.

Por el contrario, como el Hospital A solo trata a pacientes leves y sencillos, su tasa de éxito general solo parece alta (90%), pero cuando se compara en las mismas condiciones (graves con graves, leves con leves), sus habilidades son inferiores a las del Hospital B.

Expresado matemáticamente, la causa es una propiedad de la suma de fracciones. En general, incluso si $\frac{a}{b} < \frac{A}{B}$ y $\frac{c}{d} < \frac{C}{D}$, no siempre se cumple que:

$$ \frac{a+c}{b+d} < \frac{A+C}{B+D} $$

Cuando los tamaños de los denominadores son extremadamente diferentes, la dirección del signo de desigualdad puede invertirse.

4. La “Paradoja de Simpson” ocurrida en el mundo real

Esta paradoja no es solo un rompecabezas aritmético, sino que ocurre frecuentemente en la sociedad real y ha provocado grandes controversias.

Sospechas de discriminación de género en la Universidad de California, Berkeley en 1973

Cuando se investigó la tasa de admisión a los programas de posgrado de la Universidad de Berkeley, se descubrió que la “tasa de admisión de hombres (44%)” era significativamente mayor que la “tasa de admisión de mujeres (35%)”, lo que generó un problema al considerarse una clara discriminación hacia las mujeres. Sin embargo, cuando se dividieron y analizaron los datos detalladamente “por facultad”, se descubrió un hecho sorprendente. En casi todas las facultades, la tasa de admisión de mujeres era mayor que la de hombres.

¿Por qué se invirtieron los números generales? En realidad, las mujeres se postulaban más a “facultades con bajas tasas de admisión (altamente selectivas)”, mientras que los hombres se postulaban más a “facultades con altas tasas de admisión (fáciles de ingresar)”.

Datos de eficacia de la vacuna contra el COVID

Hubo un revuelo cuando circularon datos que indicaban que “las personas vacunadas tienen una tasa de mortalidad más alta que las no vacunadas”. Esto también es el resultado de ignorar los datos por grupos de edad (variable oculta). Dado que las vacunas se administraron con prioridad a los “ancianos (que inherentemente tienen una mayor tasa de mortalidad)”, simplemente sumar las tasas de mortalidad generales hizo que el grupo vacunado estuviera extremadamente sesgado hacia los ancianos, haciendo que la tasa de mortalidad pareciera más alta.

Al dividir y comparar por grupos de edad, se confirmó que en todas las edades “las personas vacunadas tenían una tasa de mortalidad más baja”.

5. Resumen: Los datos no mienten, pero las personas pueden mentir con los datos

La Paradoja de Simpson nos advierte sobre el “peligro de juzgar basándose únicamente en datos generales como valores promedio o totales”.

En el mundo abundan empresas, políticos y medios de comunicación que aíslan los “números generales” para promocionarse a su conveniencia. Incluso si te dicen: “¡Nuestro producto A tiene una satisfacción general mayor que el producto B de la competencia!”, quizás si lo divides en “público joven” y “público mayor”, el producto B de la competencia esté ganando en ambos grupos.

Al mirar los datos, tener una mirada crítica que no se deje engañar por los números “generales” superficiales y preguntarse: “¿No hay un sesgo extremo en las proporciones de los grupos debido a variables ocultas subyacentes (edad, género, gravedad, etc.)?” se convierte en la mejor arma para sobrevivir en la sociedad de la información actual.

El problema de Monty Hall: Una trampa para la intuición y su solución completa mediante inferencia bayesiana

Thu, 10 Sep 2026 00:00:00 +0900

1. El escenario es un concurso de televisión: ¿Qué harías tú?

En 1990, en la columna “Ask Marilyn” (Pregúntale a Marilyn) de la revista de noticias estadounidense Parade, un lector envió la siguiente pregunta:

Eres un concursante en un programa de televisión. Frente a ti hay 3 puertas (A, B, C). Detrás de una de las puertas hay un coche nuevo (premio), y detrás de las otras dos hay cabras (perdedoras).

Primero, tú eliges la Puerta A.

Entonces, Monty Hall, el presentador que sabe detrás de qué puerta está el coche, abre la Puerta B, que revela una cabra.

Monty te dice: “Ahora puedes cambiar a la Puerta C. ¿Qué haces?”

Y bien, ¿deberías cambiar de puerta?

Intuitivamente, podrías pensar: “Quedan dos puertas, A y C. Dado que el coche está en una de ellas de forma completamente aleatoria, la probabilidad de ganar en ambas es de $\frac{1}{2}$ (50%). Así que da lo mismo si cambio o no”.

Sin embargo, la columnista Marilyn vos Savant (reconocida en el Libro Guinness de los Récords por tener el coeficiente intelectual más alto) respondió: “Deberías cambiar. Si cambias, tu probabilidad de ganar se duplica”.

Esta respuesta causó sensación en todo el país y provocó una avalancha de unas 10.000 cartas de protesta (entre ellas unas 1.000 de académicos con doctorado en matemáticas). Fueron bombardeados con duras críticas como “No entiendes lo básico de la probabilidad” y “Lógica de mujeres”. Pero, en conclusión, la respuesta de Marilyn era matemáticamente, de manera absoluta, correcta.

2. La brecha entre la intuición y las matemáticas: Visualizando las ramas de probabilidad con Mermaid

¿Por qué nuestra intuición nos engaña haciéndonos creer que es “$\frac{1}{2}$”? Primero, visualicemos todos los patrones del juego.

graph TD Start["Inicio del juego"] --> CarA["El coche está en la Puerta A (probabilidad 1/3)"] Start --> CarB["El coche está en la Puerta B (probabilidad 1/3)"] Start --> CarC["El coche está en la Puerta C (probabilidad 1/3)"] CarA --> PickA1["Eliges la Puerta A"] CarB --> PickA2["Eliges la Puerta A"] CarC --> PickA3["Eliges la Puerta A"] PickA1 --> HostB_or_C["El presentador abre B o C"] PickA2 --> HostC["El presentador abre C obligatoriamente"] PickA3 --> HostB["El presentador abre B obligatoriamente"] HostB_or_C --> Stay1["No cambias: ¡Premio!"] HostB_or_C --> Switch1["Cambias: Pierdes..."] HostC --> Stay2["No cambias: Pierdes..."] HostC --> Switch2["Cambias: ¡Premio!"] HostB --> Stay3["No cambias: Pierdes..."] HostB --> Switch3["Cambias: ¡Premio!"] style Switch2 fill:#bbf,stroke:#333,stroke-width:2px style Switch3 fill:#bbf,stroke:#333,stroke-width:2px style Stay1 fill:#f99,stroke:#333,stroke-width:2px

Si asumimos que has elegido la “Puerta A”, ocurrirán los siguientes tres escenarios con igual probabilidad ($\frac{1}{3}$).

Escenario 1 (El coche está en A): El presentador abre B o C, donde hay una cabra. Si cambias de puerta, pierdes.
Escenario 2 (El coche está en B): El presentador solo puede abrir C, donde hay una cabra. Si cambias de puerta, ganas.
Escenario 3 (El coche está en C): El presentador solo puede abrir B, donde hay una cabra. Si cambias de puerta, ganas.

En otras palabras, en 2 de las 3 veces (Escenarios 2 y 3), “si cambias de puerta, ganas seguro”. Por lo tanto, la probabilidad de ganar si cambias de puerta es de $\frac{2}{3}$, que es el doble de la probabilidad de $\frac{1}{3}$ de ganar si no cambias.

3. Demostración rigurosa mediante el Teorema de Bayes

Para resolver estrictamente este problema de forma matemática, utilizamos el “Teorema de Bayes”, que calcula la probabilidad condicional.

$$ P(H|E) = \frac{P(E|H) P(H)}{P(E)} $$

Aquí, definimos los eventos de la siguiente manera:

$C_A, C_B, C_C$ : Los eventos donde el coche está en la Puerta A, B y C respectivamente. Las probabilidades a priori son $P(C_A) = P(C_B) = P(C_C) = \frac{1}{3}$.
Supongamos que eliges inicialmente la Puerta A.
$M_B$ : El evento en el que el presentador abre la Puerta B donde hay una cabra.

Lo que queremos averiguar es “la probabilidad de que el coche esté en la Puerta C, dado que el presentador ha abierto la Puerta B”, es decir, la probabilidad a posteriori $P(C_C|M_B)$.

Primero, consideramos la probabilidad de que el presentador abra la puerta B dependiendo de dónde esté el coche, $P(M_B|C_X)$.

Si el coche está en la Puerta A ($C_A$) El presentador puede abrir B o C al azar.
$$ P(M_B|C_A) = \frac{1}{2} $$
Si el coche está en la Puerta B ($C_B$) El presentador no puede abrir la puerta con el coche, por lo que la probabilidad de abrir B es cero.
$$ P(M_B|C_B) = 0 $$
Si el coche está en la Puerta C ($C_C$) El presentador no puede abrir A (la que elegiste) ni C (donde está el coche), así que inevitablemente tiene que abrir B.
$$ P(M_B|C_C) = 1 $$

A continuación, calculamos la probabilidad total de que el presentador abra la puerta B, $P(M_B)$, usando el “Teorema de la probabilidad total”.

$$ P(M_B) = P(M_B|C_A)P(C_A) + P(M_B|C_B)P(C_B) + P(M_B|C_C)P(C_C) $$ $$ P(M_B) = \left(\frac{1}{2} \times \frac{1}{3}\right) + \left(0 \times \frac{1}{3}\right) + \left(1 \times \frac{1}{3}\right) = \frac{1}{6} + 0 + \frac{1}{3} = \frac{1}{2} $$

Finalmente, aplicamos el teorema de Bayes para calcular las probabilidades a posteriori para la Puerta A y la Puerta C.

Probabilidad de que el coche esté en la Puerta A (si no cambias):

$$ P(C_A|M_B) = \frac{P(M_B|C_A) P(C_A)}{P(M_B)} = \frac{\frac{1}{2} \times \frac{1}{3}}{\frac{1}{2}} = \frac{1}{3} $$

Probabilidad de que el coche esté en la Puerta C (si cambias):

$$ P(C_C|M_B) = \frac{P(M_B|C_C) P(C_C)}{P(M_B)} = \frac{1 \times \frac{1}{3}}{\frac{1}{2}} = \frac{2}{3} $$

La demostración matemática también muestra claramente que “cambiar de puerta duplica tus posibilidades de ganar (2/3)”.

4. Sesgo cognitivo: El valor de la información del “condicionamiento”

¿Por qué incluso muchos matemáticos geniales se equivocan intuitivamente en este problema? Se debe al “sesgo de equiprobabilidad” y al “fallo en la actualización de la información” integrados en el cerebro humano.

4.1. Sesgo de equiprobabilidad (Equiprobability Bias)

Los humanos tienden inconscientemente a asignar que “la probabilidad de las opciones restantes es siempre igual” cuando se les presentan opciones desconocidas. En el momento en que vemos que quedan dos puertas, nuestro cerebro las etiqueta automáticamente como “$50\%$ : $50\%$”.

4.2. La información de la “intención” del presentador

La principal razón por la que nuestra intuición falla es ignorar el hecho de que las acciones del presentador no son aleatorias. Si la regla fuera que el presentador “abre una puerta al azar sin saber dónde está el coche y da la casualidad de que es una cabra” (conocido como el problema de Monty Fall), la probabilidad para la Puerta A y la Puerta C sería de $\frac{1}{2}$ para ambas.

Sin embargo, en el problema real de Monty Hall, el presentador actúa bajo las siguientes estrictas restricciones:

No puede abrir la puerta que eligió el concursante.
No puede abrir la puerta donde está el coche.

Debido a estas restricciones, el acto del presentador de “abrir la puerta B” en sí mismo nos da una información enorme sobre la Puerta C. Es un mensaje tácito de: “No pude abrir la puerta C (porque allí está el coche)”.

5. Corrigiendo la intuición con un ejemplo extremo

Si aún no estás convencido, intentemos aumentar el número de puertas a 1 millón.

Tú eliges la Puerta 1 entre 1 millón de puertas. (La probabilidad de acertar es $\frac{1}{1,000,000}$)
El presentador, que lo sabe todo, abre 999.998 puertas con cabras de las 999.999 restantes.
Las únicas puertas cerradas son la “Puerta 1” que tú elegiste y la “Puerta 777.777” que el presentador dejó a propósito.

Ahora, ¿cambias? En este caso, a menos que creas que lograste el milagro de “uno en un millón” en tu primera elección, no deberías mantenerla. Probablemente puedas entender intuitivamente que la probabilidad de que el coche esté en “la única puerta que el presentador no pudo abrir bajo ningún concepto” es de $\frac{999,999}{1,000,000}$.

El problema de Monty Hall (con 3 puertas) es simplemente este mismo fenómeno reducido a la escala de “1 millón de puertas”.

pie title "Efecto de cambiar de puerta (Simulación de 100 veces)" "Ganas cambiando (aprox. 66.7%)" : 67 "Ganas sin cambiar (aprox. 33.3%)" : 33

6. Conclusión: Lecciones para los negocios y la vida de la teoría de la probabilidad

El problema de Monty Hall va más allá de ser un simple concurso y nos enseña valiosas lecciones.

La intuición a menudo se equivoca: El cerebro humano no ha evolucionado para procesar intuitivamente probabilidades condicionales complejas. Es peligroso basarse solo en la intuición para tomar decisiones importantes.
Actualizar probabilidades con nueva información (Actualización bayesiana): Cuando la situación cambia y se dispone de nueva información (como qué puerta abrió el presentador), la clave del éxito está en la capacidad de actualizar tus probabilidades y estrategias de forma flexible, sin aferrarte a tus ideas preconcebidas.

La pequeña decisión de “cambiar de puerta” puede duplicar tus posibilidades de conseguir el “coche nuevo” en tu vida.

Paradoja del cumpleaños: ¿Más del 50% con 23 personas? La magia de las "combinaciones" que engaña a la intuición

Thu, 10 Sep 2026 00:00:00 +0900

1. Prueba de intuición: ¿Cuántas personas se necesitan para que la probabilidad supere el 50%?

Imagina a un grupo de personas reunidas en una fiesta. Aquí, para que la probabilidad de que exista al menos un par de personas en la sala con exactamente el mismo cumpleaños (mes y día) supere el 50%, ¿cuántas personas crees que se necesitan como mínimo? (Excluyendo años bisiestos y asumiendo que un año tiene 365 días, con todos los cumpleaños siendo igualmente probables).

La intuición humana tiende a calcular de la siguiente manera: “Un año tiene 365 días. Como estamos metiendo personas en 365 espacios y deben coincidir, probablemente se necesiten al menos unas 180 personas. Incluso siendo conservadores, ¿no se necesitarían entre 50 y 60 personas para que la probabilidad sea la mitad?”

Sin embargo, la respuesta correcta que deriva la matemática es de solo “23 personas”. En una clase escolar típica (alrededor de 30 a 40 personas), la probabilidad de que haya un par con el mismo cumpleaños salta a entre el 70% y el 89%. Si hay 50 personas, esa probabilidad alcanza el 97%, llegando a un punto en el que “es más raro que no haya personas con el mismo cumpleaños”.

¿Por qué nuestra intuición se desvía tanto de la probabilidad real?

2. Por qué se equivoca la intuición: La diferencia entre “yo y alguien” y “alguien y alguien”

La razón principal por la que la intuición se equivoca en este problema es porque inconscientemente pensamos en la “probabilidad de que alguien tenga el mismo cumpleaños que una persona específica (por ejemplo, yo)”.

Si entras a la sala y buscas “¿Hay alguien con mi mismo cumpleaños?”, la probabilidad de que haya alguien con tu mismo cumpleaños entre 23 personas es de solo alrededor del 6.1%. (Para que esta probabilidad supere el 50%, se necesitan en realidad 253 personas).

Sin embargo, lo que pregunta la paradoja del cumpleaños no es un par de “yo y alguien”. Basta con que coincida 1 solo par entre “todas las combinaciones posibles de todas las personas en la sala (Persona A y Persona B, Persona B y Persona C, Persona C y Persona A…)”.

graph TD subgraph "Ilusión intuitiva: Comparación centrada en 'uno mismo'" You["Tú"] --- P1["Persona A"] You --- P2["Persona B"] You --- P3["Persona C"] You --- P4["Persona D"] style You fill:#ff9999,stroke:#333,stroke-width:4px end subgraph "Realidad: Comparación exhaustiva de 'todos contra todos'" A["Persona A"] --- B["Persona B"] A --- C["Persona C"] A --- D["Persona D"] B --- C B --- D C --- D end

Incluso en un grupo de solo 4 personas, hay 3 comparaciones centradas en “uno mismo”, pero si se comparan todos contra todos hay 6 combinaciones (${}_4 C_2 = 6$). Cuando el número de personas aumenta a 23, las combinaciones de pares explotan a 253 combinaciones (${}_{23} C_2$). Con 253 pares, ¿no empieza a parecer menos extraño que al menos 1 par alcance esa probabilidad de “1 en 365”?

3. Demostración matemática: Una elegante solución usando el suceso complementario

Calcular la “probabilidad de que al menos 1 par comparta cumpleaños” directamente es muy difícil (porque hay demasiados patrones: si solo 1 par es igual, si 2 pares son iguales, si 3 personas comparten cumpleaños…). Por eso, usamos una técnica básica de teoría de probabilidades: el “suceso complementario”.

El suceso complementario es la “probabilidad de que no ocurra”. En otras palabras, calculando la “probabilidad de que los cumpleaños de todos sean diferentes (ningún par coincide)” y restando esto del 100% (1), obtenemos la probabilidad que buscamos.

$$ P(\text{al menos 2 personas coinciden}) = 1 - P(\text{todos tienen cumpleaños diferentes}) $$

Entonces, imaginemos a las personas entrando a la sala una por una y calculemos:

1ª persona: No hay preocupación de coincidir con nadie. La probabilidad es $\frac{365}{365}$.
2ª persona: Debe tener un cumpleaños diferente a la 1ª persona. Cualquiera de los 364 días restantes es seguro. La probabilidad es $\frac{364}{365}$.
3ª persona: Debe tener un cumpleaños diferente a las 2 personas anteriores. Cualquiera de los 363 días restantes es seguro. La probabilidad es $\frac{363}{365}$.

Multiplicando esto hasta la $n$-ésima persona, obtenemos el término general para la probabilidad $P(n)'$ de que todos tengan cumpleaños diferentes.

$$ P(n)' = \frac{365}{365} \times \frac{364}{365} \times \frac{363}{365} \times \dots \times \frac{365 - (n - 1)}{365} $$ $$ P(n)' = \prod_{k=1}^{n-1} \left(1 - \frac{k}{365}\right) $$

Por lo tanto, la “probabilidad de que al menos 2 personas compartan cumpleaños $P(n)$” que buscamos es la siguiente:

$$ P(n) = 1 - \prod_{k=1}^{n-1} \left(1 - \frac{k}{365}\right) $$

Sustituyendo el número de personas $n$ en esta fórmula, vemos que la probabilidad aumenta a una velocidad sorprendente:

Cuando $n = 10$, la probabilidad es aproximadamente 11.7%
Cuando $n = 23$, la probabilidad es aproximadamente 50.7% (¡Aquí supera el 50%!)
Cuando $n = 40$, la probabilidad es aproximadamente 89.1%
Cuando $n = 70$, la probabilidad es aproximadamente 99.9%

pie title "Probabilidades con 23 personas" "Hay un par con el mismo cumpleaños (50.7%)" : 50.7 "Todos son diferentes (49.3%)" : 49.3

4. Cálculo aproximado mediante la serie de Taylor

Calcular multiplicaciones 23 veces a mano es complicado, así que usemos una aproximación matemática para entenderlo de forma más intuitiva.

Consideremos la serie de Taylor de la función exponencial $e^{-x}$. Cuando $x$ es suficientemente pequeño, se cumple la siguiente aproximación:

$$ e^{-x} \approx 1 - x $$

Aplicando esto a cada término $\left(1 - \frac{k}{365}\right)$ de antes, tenemos:

$$ 1 - \frac{k}{365} \approx e^{-\frac{k}{365}} $$

Si multiplicamos todos estos términos (lo cual se convierte en suma según las leyes de los exponentes),

$$ P(n)' \approx e^{-\frac{1}{365}} \times e^{-\frac{2}{365}} \times \dots \times e^{-\frac{n-1}{365}} $$ $$ P(n)' \approx \exp\left(-\sum_{k=1}^{n-1} \frac{k}{365}\right) $$

La suma de 1 a $n-1$ es $\frac{n(n-1)}{2}$ (es decir, el número de combinaciones ${}_n C_2$), así que:

$$ P(n)' \approx \exp\left(-\frac{n(n-1)}{2 \times 365}\right) $$

En esta ecuación, busquemos el valor de $n$ para cuando la probabilidad sea 50% ($0.5$).

$$ 0.5 = e^{-\frac{n(n-1)}{730}} $$

Tomando el logaritmo natural en ambos lados ($\ln 0.5 \approx -0.693$).

$$ -0.693 = -\frac{n(n-1)}{730} $$ $$ n(n-1) = 0.693 \times 730 \approx 505.89 $$

Si aproximamos $n^2 \approx 506$, obtenemos $n = \sqrt{506} \approx 22.49$ ¡La respuesta $n \approx 23$ se ha deducido maravillosamente!

5. Aplicaciones en la vida diaria y “Colisión de hashes”

Esta paradoja no es solo una curiosidad para fiestas. Juega un papel extremadamente importante en la criptografía y seguridad de la información que sustentan la sociedad informática moderna.

En los sistemas informáticos, se utiliza un mecanismo llamado “función hash” para confirmar rápidamente la identidad de contraseñas y archivos. Una función hash devuelve una cadena aleatoria de longitud fija (valor hash) sin importar qué datos se introduzcan. Sin embargo, el fenómeno por el cual estos valores hash resultan ser los mismos por casualidad se denomina “Colisión de hashes”.

Las colisiones de hashes ocurren exactamente bajo el mismo principio que la paradoja del cumpleaños. Contrariamente a la intuición humana que sugiere “como el número de tipos de valores hash es astronómico, las colisiones casi nunca ocurrirán”, es sorprendentemente fácil para un atacante generar una gran cantidad de datos aleatorios y encontrar un “par que coincida (comparta cumpleaños)”.

A esto se le llama “Ataque de cumpleaños (Birthday Attack)”. Los ingenieros que diseñan sistemas de seguridad asumen este hecho matemático de que “las colisiones ocurren mucho más rápido de lo que sugiere la intuición”, y configuran longitudes de valores hash extremadamente largas para garantizar la seguridad.

6. Conclusión: Los límites de la intuición humana

La paradoja del cumpleaños es el ejemplo perfecto de lo frágil que es la intuición humana frente al “crecimiento exponencial” o la “explosión combinatoria”.

Somos buenos para percibir el crecimiento lineal (aditivo), pero nuestro cerebro no puede simular un fenómeno donde el número de pares crece de manera explosiva al ritmo de $n^2$. Detrás de la intuición de que “el número 23 es demasiado pequeño comparado con el gran número 365”, se oculta una red de “253 hilos invisibles (pares)” creados por esas 23 personas.

La próxima vez que vayas a un lugar concurrido, trata de imaginar no solo el “número de personas” visibles, sino también los “hilos de combinaciones” innumerables que existen entre ellos. Tu forma de ver el mundo cambiará, al menos un poco, desde una perspectiva matemática.