Porqué no se puede ganar siempre

Respuesta al post anterior

La técnica mostrada en el post anterior se denomina martingala y es muy antigua. Obviamente, a pesar de lo que puedan decir algunos, no funciona. Pero porqué la simulación anterior parecía mostrar lo contrario?

El motivo principal del fallo de la simulación es no limitar la cantidad de dinero del jugador disponible para apostar. Como la cantidad que se requiere apostar crece exponencialmente con la cantidad de jugadas, en una cantidad relativamente pequeña de estas se excederán las reservas del jugador y no podrá continuar apostando.

Otro problema de la simulación es que, incluso una cantidad grande de simulaciones, puede obviar acontecimientos muy improbables. Esto no es problemático cuando los eventos en cuestión no tienen consecuencias excepcionales pero, cuando conducen a un impacto proporcional a su improbabilidad, puede distorsionarse mucho el valor esperado (probar la nueva simulación Javascript con M = 100000 para N = 1000 y N = 1000000; observar las diferencias en los valores esperados estimados).

Pero puede objetarse (con razón!) que solo demostramos el fallo de una estrategia de apuesta, no de todas las posibles. Por lo tanto, a continuación, demostraremos que esto se aplica a cualquier estrategia.

Porqué los sistemas no funcionan

Como en toda demostración matemática, necesitaremos hacer ciertas suposiciones sobre el problema en cuestión:

El juego consiste en una cierta serie de jugadas, cada una asociada con una variable aleatoria $X_i$ . Asumimos que todas las variables $X_i$ tienen la misma distribución.
En la jugada $i$ el jugador apuesta una cantidad $m_i$ a un evento aleatorio $e_i$ (donde tomamos $e_i$ como un subconjunto de lso valores que podría tomar $X_i$ ).
Si el evento ocurre al que el jugador apostó ocurre, este recibe el monto apostado multiplicado por una constante $k(e_i)$ dependiente del evento al que apostó. En caso contrario, pierde lo apostado.
$k(e) P(e) \le 1$ .
Los valores de las variables aleatorias $X_1, X_2, ..., X_{i-1}$ no aportan información sobre el valor de $X_i$ .

Las primeras 3 suposiciones son simplemente una descripción general de un juego de azar, mientras que 5 nos indica que las anteriores jugadas no nos dan información sobre la jugada actual. La suposición 4 parece más compleja, pero esencialmente nos indica que los factores $k$ han sido correctamente elegidos por el casino.

Para ver esto, supongamos que existe un evento $e$ tal que $k(e) P(e) > 1$ . Entonces, si elegimos una estrategia de apostar $N$ veces al evento $e$ un monto unitario, nuestro balance esperado será:

$\displaystyle E[b] = E[\sum_{i=1}^N b_i]$

$\displaystyle = \sum_{i=1}^N E[b_i]$

$\displaystyle = \sum_{i=1}^N ((k(e)-1)P(e) - (1-P(e)))$

$\displaystyle = N (k(e)P(e) - 1)$

$\displaystyle > 0$ ,

donde $b$ es el balance general del jugador y $b_i$ el balance de la jugada $i$ .

Eso implicaría que podríamos ganar simplemente repitiendo una apuesta una y otra vez (puede demostrarse sin mucha dificultad que ni siquiera necesitaríamos reservas muy grandes, solo de orden $\sqrt(N)$ ). Como eso claramente no ocurre en los casinos, es obvio que los multiplicadores están elegidos correctamente (de hecho, por ejemplo en la ruleta, están elegidos “a favor” del casino por la existencia del cero).

Busquemos ahora el valor esperado de una estrategia de apuestas $m_i(i, X_1, X_2, ..., X_{i-1}), e_i(i, X_1, X_2, ..., X_{i-1})$ :

$\displaystyle E[b] = E[\sum_{i=1}^N b_i]$

$\displaystyle = E[\sum_{i=1}^N b_i]$

$\displaystyle = \sum_{i=1}^N E[b_i]$

$\displaystyle = \sum_{i=1}^N ((k(e_i)-1)P(e_i) - (1-P(e_i)))m_i$

$\displaystyle = \sum_{i=1}^N (k(e_i)P(e_i) - 1)m_i$

siendo $e_i$ y $m_i$ las funciones anteriormente descritas. Pero la suposición 5 nos dice que

$P(e_i|i,X_1=x_1, X_2=x_2, ..., X_{i-1} = x_{i-1}) = P(e_i)$ ,

es decir que esa información no nos modifica la probabilidad de ningún evento y, en particular, de $e_i$ . Combinando con la suposición 4 llegamos a

$\displaystyle E[b] \le 0$ ,

siempre que $m_i$ sea positivo, como es razonable.

Caminos de escape

Aunque una demostración fuera perfecta, sus conclusiones nunca será más fuertes que sus hipótesis. En esta sección analizaremos algunas formas en las que las hipótesis pueden ser falsas:

m_i < 0: Este es esencialmente el método utilizado por los casinos. Suele ser bastante complejo de seguir, pero muy redituable 🙂

Fallo en la hipótesis 4: Los multiplicadores son fáciles de determinar conociendo las probabilidades y generalmente se utilizan probabilidades “nominales” (por ejemplo, suponer equiprobables a los 37 o 38 números de la ruleta). Pero si algún observador encuentra evidencia que lo mueva a probabilidades distintas de las nominales, puede que existan apuestas con valor esperado positivo.

Fallo en la hipótesis 5: Pueden existir correlaciones no esperadas entre las variables aleatorias. Esto es más común en los juegos por computadora, que suelen usar números pseudoaleatorios y, en algunos casos, tienen errores de implementación que vuelven predecibles las secuencias generadas.

Spin Foam

Just another WordPress.com weblog

Porqué no se puede ganar siempre

Respuesta al post anterior

Porqué los sistemas no funcionan

Caminos de escape

Leave a Reply Cancel reply

Respuesta al post anterior

Porqué los sistemas no funcionan

Caminos de escape

Share this:

Like this:

Related

Leave a Reply Cancel reply