El problema del tanque alemán: estimar producción enemiga con números de serie

Segunda Guerra Mundial. Los Aliados necesitan saber cuántos tanques Panther produce Alemania por mes. La inteligencia tradicional da números altísimos. Pero un puñado de estadísticos propone otra cosa: mirar los números de serie de las cajas de cambio y las ruedas de los tanques capturados. El resultado fue asombrosamente preciso.

Este es el problema del tanque alemán, uno de los casos más elegantes de estadística aplicada con consecuencias reales.

El planteo

Si los tanques se numeran 1, 2, 3, ..., N de forma secuencial, y capturás una muestra de ellos, ¿cómo estimás N (la producción total) viendo solo los números de serie de los que tenés?

La tentación es responder "el número más alto que vi". Pero eso casi siempre subestima: es improbable que justo hayas capturado el último tanque fabricado. Hace falta corregir ese sesgo.

El estimador insesgado

La solución es un estimador hermoso. Si $m$ es el número de serie máximo observado y $k$ la cantidad de tanques en tu muestra:

$$\hat{N} = m + \frac{m}{k} - 1$$

La idea intuitiva: el máximo observado más el "hueco promedio" esperado entre el máximo real y el que viste. Cuantos más tanques captures (k mayor), más chico es ese hueco y más confiás en el máximo. Es un estimador insesgado: en promedio, da en el clavo, sin inclinarse sistemáticamente para arriba ni para abajo.

def estimar_produccion(numeros_serie):
    m = max(numeros_serie)
    k = len(numeros_serie)
    return m + m / k - 1

estimar_produccion([12, 47, 83, 102, 60])  # ~121.4

La validación histórica

Lo notable es que después de la guerra, al acceder a los registros reales de producción alemana, los números encajaron de forma escalofriante. Para algunos meses:

• Estimación de inteligencia tradicional (espías, fotos aéreas): ~1.400 tanques/mes.
• Estimación estadística (números de serie): ~250/mes.
• Cifra real de los registros: ~245/mes.

La estadística le ganó por goleada a la inteligencia clásica. Toda esa precisión salió de mirar bien una muestra pequeña —el mismo espíritu de aprender mucho de pocos ejemplos cuando la estructura del problema ayuda.

La lección que sigue vigente

Este caso enseña tres cosas que uso seguido:

1. El máximo de una muestra es un estimador sesgado: casi siempre te quedás corto. Hay que corregir.
2. Una muestra chica bien usada vence a mucho ruido: igual que en la paradoja del cumpleaños, donde pocos elementos esconden mucha información, la cantidad de datos importa menos que entender el proceso que los generó.
3. Mirar los datos "secundarios" paga: los números de serie eran metadata que nadie consideraba. Es la misma actitud que descubre patrones en lo que los valores faltantes te están gritando.

Cómo se aplica hoy

Cuando tengas una muestra y quieras estimar un total —usuarios totales a partir de IDs, tirada de una imprenta a partir de seriales—, no uses el máximo crudo. Corregilo. Y desconfiá del que estima sin entender cómo se generan los números: ese error es primo hermano de enamorarse de un p-valor sin saber qué mide.