Imagina que participas en un concurso. Frente a ti hay tres puertas. Detrás de una hay un premio; detrás de las otras dos, nada. Eliges una puerta. El presentador, que sabe perfectamente dónde está el premio, abre otra puerta distinta a la tuya y muestra que está vacía. Entonces te hace la gran pregunta:
¿Quieres mantener tu elección o cambiar de puerta?
La intuición de muchas personas dice que da igual. Quedan dos puertas, así que “debe ser 50-50”. Sin embargo, la probabilidad demuestra que esa intuición es incorrecta. Y este pequeño juego mental, conocido como el problema de Monty Hall, es un excelente ejemplo de por qué la estadística y la probabilidad son tan importantes… también en el mundo del Data Science.
Contenido de este artículo
El error intuitivo: cuando el cerebro falla con las probabilidades
Cuando eliges una puerta al principio, tu probabilidad de acertar es de 1 entre 3, es decir, un 33,3 %. Eso no cambia cuando el presentador abre una puerta vacía, porque esa información no se produce al azar: el presentador evita conscientemente la puerta correcta.
Aquí está la clave estadística:
-
Tu elección inicial mantiene su probabilidad original (1/3).
-
La probabilidad restante (2/3) se concentra en la única puerta que queda libre.
Por tanto, cambiar de puerta duplica tus probabilidades de ganar, pasando de un 33 % a un 66 %. No es magia ni un truco psicológico: es pura probabilidad condicionada.
Este fenómeno resulta tan contraintuitivo que incluso matemáticos y científicos han llegado a discutirlo… hasta que los datos y las simulaciones lo confirman una y otra vez.
De un concurso de televisión al Data Science
¿Y qué tiene que ver todo esto con el Data Science? Mucho más de lo que parece.
En Data Science trabajamos constantemente con:
-
Información incompleta
-
Nuevos datos que modifican escenarios
-
Decisiones basadas en probabilidades, no en certezas
El problema de Monty Hall es, en el fondo, un ejemplo sencillo de actualización de probabilidades a partir de nueva información, algo que en estadística formal se relaciona con conceptos como la probabilidad condicional o el razonamiento bayesiano.
En un proyecto real de Data Science, esta lógica se aplica cuando:
-
Ajustamos un modelo tras recibir nuevos datos
-
Recalculamos la probabilidad de un evento al cambiar una variable
-
Evaluamos si una decisión inicial sigue siendo la mejor tras observar nueva evidencia
La puerta que se abre en el concurso es como un nuevo dato en un dataset: no invalida lo anterior, pero cambia la distribución de probabilidades.
Simulaciones, datos y evidencia empírica
Otro aspecto muy interesante del problema de Monty Hall es que se puede resolver fácilmente mediante simulación, una técnica habitual en Data Science.
Si simulamos miles o millones de partidas con un algoritmo sencillo:
-
Cuando el jugador no cambia, gana aproximadamente el 33 % de las veces.
-
Cuando el jugador siempre cambia, gana alrededor del 66 %.
Aquí aparece una lección fundamental para cualquier data scientist:
cuando la intuición falla, los datos no mienten.
Las simulaciones permiten validar hipótesis, detectar sesgos cognitivos y confirmar resultados teóricos. Por eso lenguajes como Python o R, tan presentes en el análisis de datos, son herramientas clave para entender fenómenos probabilísticos complejos de forma práctica.
Pensar como un data scientist
El problema de Monty Hall no va solo de puertas y premios. Va de aprender a:
-
Desconfiar de la intuición cuando no está respaldada por datos
-
Entender cómo la información condiciona las probabilidades
-
Tomar mejores decisiones basadas en análisis estadístico
Estas habilidades son esenciales en el día a día de cualquier profesional del Data Science. Desde la predicción del comportamiento de usuarios hasta la detección de fraudes o la optimización de modelos de negocio, la lógica probabilística está siempre presente.
Más allá del truco matemático
Cambiar de puerta es la decisión correcta, pero lo verdaderamente importante es por qué lo es. El problema de Monty Hall nos recuerda que el mundo no siempre funciona como nuestra intuición espera y que entender la estadística puede marcar la diferencia entre acertar o fallar.
En ID Bootcamps, este tipo de razonamiento es la base del aprendizaje en el Bootcamp en Data Science: aprender a pensar con datos, a interpretar probabilidades y a usar la estadística como una herramienta práctica para resolver problemas reales.
Porque, en Data Science, como en el concurso, tener más información no siempre simplifica el problema… pero saber interpretarla correctamente sí cambia el resultado.
