Introducción
La Investigación de Operaciones (IO) es una disciplina que utiliza métodos analíticos avanzados para tomar decisiones óptimas. En este contexto, los métodos estadísticos juegan un papel crucial al permitir el análisis de datos, la modelización de incertidumbres y la optimización de procesos. Desde la planificación de recursos hasta la logística, estos métodos ofrecen herramientas poderosas para resolver problemas complejos en el mundo real.
En este artículo, exploraremos técnicas estadísticas fundamentales en IO, demostraremos teoremas clave y resolveremos ejercicios prácticos. Si deseas profundizar en conceptos básicos de aritmética, puedes visitar esta introducción.
1. Regresión Lineal en Optimización
La regresión lineal es una técnica estadística utilizada para modelar la relación entre variables dependientes e independientes. En IO, se emplea para predecir resultados y optimizar decisiones.
Ejemplo 1: Predicción de Costos
Supongamos que queremos predecir el costo de producción ($Y$) basado en la cantidad de unidades producidas ($X$). Tenemos los siguientes datos:
- $(10, 50)$
- $(20, 80)$
- $(30, 120)$
El modelo de regresión lineal es $Y = a + bX$. Calculamos $a$ y $b$ usando mínimos cuadrados:
$$ b = \frac{n\sum XY – (\sum X)(\sum Y)}{n\sum X^2 – (\sum X)^2} $$
$$ a = \bar{Y} – b\bar{X} $$
Sustituyendo los valores, obtenemos $Y = 20 + 3.5X$.
2. Teorema del Límite Central en IO
Este teorema es fundamental para entender la distribución de muestras grandes en modelos de IO.
Teorema 1: Teorema del Límite Central
Dada una población con media $\mu$ y varianza $\sigma^2$, la distribución de la media muestral $\bar{X}$ tiende a una distribución normal $N(\mu, \frac{\sigma^2}{n})$ cuando $n \to \infty$.
Demostración:
Usando funciones características, sea $X_i$ i.i.d. con función característica $\phi(t)$. La función característica de $\bar{X}$ es:
$$ \phi_{\bar{X}}(t) = \left[\phi\left(\frac{t}{n}\right)\right]^n $$
Para $n$ grande, $\phi_{\bar{X}}(t) \approx e^{it\mu – \frac{\sigma^2 t^2}{2n}}$, que corresponde a $N(\mu, \frac{\sigma^2}{n})$.
3. Análisis de Varianza (ANOVA)
ANOVA permite comparar múltiples medias para determinar si existen diferencias significativas entre grupos.
Ejemplo 2: Comparación de Procesos
Tenemos tres métodos de producción con tiempos medios:
- Método A: 10, 12, 11
- Método B: 9, 8, 10
- Método C: 11, 13, 12
Calculamos la suma de cuadrados entre grupos (SSB) y dentro de grupos (SSW):
$$ SSB = \sum n_i (\bar{X}_i – \bar{X})^2 $$
$$ SSW = \sum \sum (X_{ij} – \bar{X}_i)^2 $$
Con $F = \frac{SSB/(k-1)}{SSW/(N-k)}$, comparamos con el valor crítico para determinar significancia.
4. Teorema de Bayes en Toma de Decisiones
Este teorema actualiza probabilidades basadas en nueva información.
Teorema 2: Teorema de Bayes
Para eventos $A$ y $B$ con $P(B) > 0$:
$$ P(A|B) = \frac{P(B|A)P(A)}{P(B)} $$
Demostración:
Por definición de probabilidad condicional:
$$ P(A|B) = \frac{P(A \cap B)}{P(B)} $$
$$ P(B|A) = \frac{P(A \cap B)}{P(A)} $$
Despejando $P(A \cap B)$ y sustituyendo se obtiene el resultado.
Ejercicio 1: Aplicación de Bayes
Una fábrica tiene dos máquinas: M1 (60% producción) y M2 (40%). M1 produce 2% defectuosos y M2 3%. Si se encuentra un artículo defectuoso, ¿cuál es la probabilidad de que venga de M1?
Solución:
Definimos:
- $P(M1) = 0.6$
- $P(M2) = 0.4$
- $P(D|M1) = 0.02$
- $P(D|M2) = 0.03$
Aplicando Bayes:
$$ P(M1|D) = \frac{0.02 \times 0.6}{0.02 \times 0.6 + 0.03 \times 0.4} = 0.5 $$
5. Cadenas de Markov
Modelos estocásticos donde el futuro depende solo del presente.
Teorema 3: Distribución Estacionaria
Para una cadena de Markov irreducible y aperiódica, existe una única distribución estacionaria $\pi$ que satisface:
$$ \pi P = \pi $$
Demostración:
Por el teorema de Perron-Frobenius, la matriz $P$ tiene un autovalor 1 con autovector izquierdo $\pi$ cuyas entradas suman 1.
Ejercicio 2: Cadena de Markov
Un sistema tiene dos estados (A y B) con matriz de transición:
$$ P = \begin{bmatrix} 0.7 & 0.3 \\ 0.4 & 0.6 \end{bmatrix} $$
Encuentre la distribución estacionaria.
Solución:
Resolvemos $\pi P = \pi$ y $\pi_A + \pi_B = 1$:
$$ 0.7\pi_A + 0.4\pi_B = \pi_A $$
$$ 0.3\pi_A + 0.6\pi_B = \pi_B $$
Obtenemos $\pi_A = \frac{4}{7}$, $\pi_B = \frac{3}{7}$.
Aplicaciones Prácticas
Los métodos estadísticos en IO tienen amplias aplicaciones:
- Logística: Optimización de rutas usando regresión.
- Manufactura: Control de calidad con ANOVA.
- Finanzas: Modelos de riesgo con cadenas de Markov.
Para más sobre aplicaciones matemáticas, visita este enlace.
Más Ejercicios Resueltos
Ejercicio 3: Mínimos Cuadrados
Ajuste una recta $y = ax + b$ a los puntos $(1,2)$, $(2,3)$, $(3,5)$.
Solución:
Calculamos:
$$ a = \frac{3 \times 23 – 6 \times 10}{3 \times 14 – 6^2} = 1.5 $$
$$ b = \frac{10}{3} – 1.5 \times 2 \approx 0.333 $$
Recta: $y = 1.5x + 0.333$.
Ejercicio 4: Probabilidad Total
En una tienda, 30% de clientes compran A, 50% B y 20% C. Las probabilidades de devolución son 5%, 10% y 15% respectivamente. Calcule la probabilidad de que un artículo sea devuelto.
Solución:
$$ P(D) = 0.3 \times 0.05 + 0.5 \times 0.1 + 0.2 \times 0.15 = 0.095 $$
Ejercicio 5: Valor Esperado
Un juego tiene premios: \$100 (prob 0.1), \$50 (0.3), \$0 (0.6). Calcule el valor esperado.
Solución:
$$ E = 100 \times 0.1 + 50 \times 0.3 + 0 \times 0.6 = \$25 $$
Conclusión
En este artículo hemos explorado métodos estadísticos clave en Investigación de Operaciones, incluyendo regresión lineal, teorema del límite central, ANOVA, teorema de Bayes y cadenas de Markov. Hemos demostrado teoremas fundamentales y resuelto ejercicios prácticos que ilustran su aplicación. Estas herramientas son esenciales para la toma de decisiones óptimas en contextos con incertidumbre.
El dominio de estas técnicas permite a los profesionales de IO enfrentar desafíos complejos en diversas industrias, desde la logística hasta las finanzas. Para continuar aprendiendo, te invitamos a explorar más contenidos en nuestro sitio.
«`