The Secretary Problem Site
  • Home
  • Classical Problem
  • Simulations
  • Backward Induction
  • Variants
  • Resources
  • Timeline
  • References
  • About
  • Español

En esta página

  • El problema clásico de la secretaria
  • Explorador interactivo del umbral óptimo
  • Para profundizar

El problema clásico de la secretaria: demostración y regla del 37 %

Derivación exacta de la probabilidad de éxito, el umbral óptimo para un número finito de aspirantes y la regla del 37 %.

Inicio · Problema clásico · Simulaciones · Inducción hacia atrás · Variantes · Recursos · Cronología · Referencias · Acerca del sitio

El problema clásico de la secretaria

¿Por qué conviene rechazar aproximadamente al primer 37 % de los aspirantes antes de seleccionar a alguien? Este es un problema clásico de parada óptima: las decisiones se toman sucesivamente, cada rechazo es definitivo y se busca elegir al mejor aspirante de todos.

A continuación se demuestra la solución exacta para un número finito de aspirantes y se deduce la regla del 37 %. También puedes experimentar con la estrategia.

El problema en palabras sencillas

Supón que vas a entrevistar a 100 personas en un orden aleatorio. Después de cada entrevista sabes cómo se compara esa persona con las que ya entrevistaste, pero desconoces cómo se comparará con las siguientes. Debes contratarla o rechazarla inmediatamente.

¿Deberías contratar a una persona prometedora al principio o esperar, arriesgándote a perder las mejores opciones?

La regla clásica tiene dos etapas:

  1. Observar: rechazar a un grupo inicial y recordar quién fue el mejor dentro de ese grupo.
  2. Seleccionar: contratar al primer aspirante posterior que supere a todos los entrevistados anteriormente. Si nadie lo consigue, no se selecciona a nadie.

Cuando el número de aspirantes es grande, conviene observar aproximadamente al 37 % del total. Con 100 aspirantes esto sugiere observar a unos 37; el umbral entero óptimo exacto se obtiene con los cálculos que siguen.

El resultado depende de los supuestos del modelo. No es una recomendación universal para decisiones reales de contratación, pareja o inversión.

Prueba el juego de entrevistas →

Modelo y supuestos

Tenemos (n) aspirantes, cuyos rangos absolutos van de (1) (el mejor) a (n) (el peor). El modelo clásico de información relativa supone que:

  1. Los aspirantes se presentan en orden uniformemente aleatorio: cada una de las (n!) permutaciones tiene la misma probabilidad.
  2. Al entrevistar a un aspirante solo se conoce su rango relativo entre los entrevistados hasta ese momento, no su rango absoluto.
  3. Se puede seleccionar a lo sumo a un aspirante, y los rechazos son definitivos.
  4. El objetivo es maximizar la probabilidad de seleccionar al único mejor aspirante de todos.

Un aspirante establece un récord si es mejor que todos los anteriores. Un aspirante que no establece récord no puede ser el mejor de todos, por lo que nunca conviene seleccionarlo con este objetivo.

Estrategia de umbral

Fijemos un entero (r) con (0r<n):

  1. Rechazamos a los primeros (r) aspirantes y observamos sus rangos relativos.
  2. Desde la posición (r+1), seleccionamos al primer aspirante que establezca un nuevo récord.
  3. Si no aparece un récord posterior, no seleccionamos a nadie y el intento fracasa. Obligar a seleccionar al último aspirante no cambiaría la probabilidad de contratar al mejor.

Cuando (r=0), seleccionamos de inmediato al primer aspirante. Esta misma convención se utiliza en la simulación.

El teorema clásico establece que una estrategia de umbral es óptima entre todas las reglas de parada basadas en rangos relativos, no solo entre las estrategias de umbral. Puedes consultar la demostración por inducción hacia atrás.

Probabilidad exacta de éxito para un horizonte finito

Sea (P_n(r)) la probabilidad de seleccionar al aspirante de rango absoluto (1) mediante la estrategia de umbral (r).

Proposición. Para (1r<n),

\[ \boxed{ P_n(r)=\frac{r}{n}\sum_{k=r+1}^{n}\frac{1}{k-1} =\frac{r}{n}\left(H_{n-1}-H_{r-1}\right), } \]

donde (H_m=_{j=1}^m 1/j) para (m) y (H_0=0). Si (r=0), entonces (P_n(0)=1/n).

Demostración. Denotemos por (K) la posición en que llega el mejor aspirante. Por el orden aleatorio uniforme,

\[ \Pr(K=k)=\frac1n,\qquad k=1,\ldots,n. \]

Si (Kr), rechazamos al mejor y no podemos tener éxito. Si (K=k>r), lo seleccionamos precisamente cuando el mejor de los primeros (k-1) aspirantes apareció entre las primeras (r) posiciones. De lo contrario, habríamos elegido a un aspirante que estableció un récord después de la posición (r).

Condicionado a (K=k), cada posición entre las primeras (k-1) tiene la misma probabilidad de contener al mejor de ese grupo. En consecuencia,

\[ \Pr(\text{éxito}\mid K=k)=\frac{r}{k-1},\qquad k>r. \]

Sumando sobre las posibles posiciones del mejor aspirante obtenemos

\[ P_n(r) =\sum_{k=r+1}^{n}\Pr(K=k)\Pr(\text{éxito}\mid K=k) =\frac{r}{n}\sum_{k=r+1}^{n}\frac{1}{k-1}. \]

Si (r=0), se selecciona al primero, que es el mejor con probabilidad (1/n). ()

¿Qué umbral es óptimo para un valor de (n)?

Criterio para un horizonte finito. Si (1r<n-1),

\[ \boxed{ P_n(r+1)-P_n(r) =\frac1n\left(\sum_{j=r+1}^{n-1}\frac1j-1\right). } \]

Para verificarlo, restamos las expresiones:

\[ \begin{aligned} nP_n(r+1)&=(r+1)\sum_{j=r+1}^{n-1}\frac1j,\\ nP_n(r)&=1+r\sum_{j=r+1}^{n-1}\frac1j. \end{aligned} \]

La suma que aparece en la diferencia disminuye estrictamente al crecer (r). Por tanto, las probabilidades aumentan mientras la suma sea mayor que (1), coinciden para dos umbrales consecutivos si vale exactamente (1) y disminuyen cuando es menor que (1).

El caso (r=0) se considera por separado: para (n), (P_n(1)=H_{n-1}/n>1/n=P_n(0)); para (n=2) ambas probabilidades son iguales. Así, cuando (n), el menor umbral óptimo es

\[ \boxed{ r_n^\star=\min\left\{r\in\{1,\ldots,n-1\}: \sum_{j=r+1}^{n-1}\frac1j\le1\right\}. } \]

Una suma vacía vale (0). Si la suma en el umbral de transición es exactamente (1) y (r_n^<n-1), el umbral siguiente (r_n^+1) también es óptimo. Para (n=2), tanto (r=0) como (r=1) tienen probabilidad de éxito (1/2).

Por ejemplo, con (n=10), el umbral óptimo es (r^), y

\[ P_{10}(3)=\frac3{10}\left(\frac13+\frac14+\cdots+\frac19\right)\approx0.39869. \]

El valor entero óptimo no tiene por qué coincidir con el resultado de redondear (n/e).

¿De dónde surge la regla del 37 %?

Supongamos que (n) crece y que (r/nx(0,1)). Para la suma armónica se cumple

\[ \sum_{j=r}^{n-1}\frac1j =\log\left(\frac nr\right)+o(1). \]

En consecuencia,

\[ P_n(r)=\frac rn\sum_{j=r}^{n-1}\frac1j \longrightarrow -x\log x. \]

Al derivar,

\[ \frac{d}{dx}[-x\log x]=-\log x-1. \]

La derivada se anula en (x=e^{-1}), donde la segunda derivada, (-1/x), es negativa. El criterio de optimalidad finita también permite demostrar que (r_n^/n/e). Por tanto,

\[ \boxed{ \frac{r_n^\star}{n}\longrightarrow\frac1e, \qquad P_n(r_n^\star)\longrightarrow\frac1e \approx 0.367879. } \]

Interpretación: para un grupo grande, rechazamos aproximadamente al primer 36.8 % y después seleccionamos al siguiente aspirante que establezca un récord. La probabilidad máxima de seleccionar al mejor también tiende a 36.8 %. Son dos cantidades distintas que comparten el mismo límite, pero que generalmente difieren para un valor finito de (n).

Explorador interactivo del umbral óptimo

Explora la curva exacta para cada umbral de rechazo con (n) finito. Selecciona (n), mueve (r) y compara tu elección con el menor umbral óptimo. La gráfica utiliza la suma armónica, no una simulación de Monte Carlo.

Tu probabilidad exacta

Menor umbral óptimo

Azul: probabilidad exacta · Naranja: umbral elegido · Verde: umbral óptimo. Si existen empates para \(n\) finito, se elige el menor umbral que alcanza el máximo.

EXPERIMENTO INTERACTIVO

Prueba la regla de parada

El rango 1 corresponde al mejor aspirante. Las barras más altas representan mejores aspirantes. Los rangos absolutos se muestran después de la decisión simulada; quien toma la decisión no conoce esos rangos.

Probabilidad exacta de éxito
Umbral óptimo
Periodo de observación Periodo de selección Seleccionado Mejor de todos

37%

Observar y después seleccionar

Cuando (n) es grande, rechaza aproximadamente al primer (37,%) de los aspirantes y selecciona al siguiente que establezca un récord. El umbral óptimo exacto para (n) finito se determina con el criterio de la suma armónica.

Para profundizar

  • Inducción hacia atrás: por qué la estrategia de umbral es óptima entre todas las reglas admisibles.
  • Simulaciones interactivas: decisiones sucesivas y comparación de frecuencias empíricas con probabilidades exactas.
  • Variantes y extensiones: qué ocurre con información completa, con otros rangos objetivo o con varias selecciones.
  • Cronología de la investigación y referencias: investigaciones fundamentales y desarrollos posteriores.

El análisis clásico se encuentra en Gilbert y Mosteller (1966) y el estudio de conjunto en Freeman (1983); el contexto histórico se presenta en Ferguson (1989).

Versión en inglés

Referencias

Ferguson, Thomas S. 1989. «Who Solved the Secretary Problem?» Statistical Science 4 (3): 282-89. https://doi.org/10.1214/ss/1177012493.
Freeman, P. R. 1983. «The Secretary Problem and Its Extensions: A Review». International Statistical Review 51 (2): 189-206. https://doi.org/10.2307/1402748.
Gilbert, John P., y Frederick Mosteller. 1966. «Recognizing the Maximum of a Sequence». Journal of the American Statistical Association 61 (313): 35-73. https://doi.org/10.1080/01621459.1966.10502008.

© 2026 José Ángel Islas Anguiano

Secretary problems and optimal stopping

Facultad de Ciencias Naturales y Exactas (FACINE), Universidad Autónoma de Sinaloa (UAS)