## [Ley de los Grandes Números](/es/node/68277) Definición Principio estadístico que establece que, bajo condiciones especificadas (típicamente secuencias de variables aleatorias independientes o débilmente dependientes con esperanza finita), la media muestral converge al valor esperado teórico a medida que crece el tamaño de la muestra; formalizado en formas débil y fuerte con límites probabilísticos precisos. ## Principio Principio La agregación reduce la incertidumbre idiosincrática: al aumentar el número de observaciones independientes e idénticamente distribuidas, la varianza de la media muestral disminuye (habitualmente con tasa 1/n), por lo que la media muestral se convierte en un estimador confiable del valor esperado. ## Demostración Demostración Escenario ilustrativo: una aseguradora que suscribe muchas pólizas independientes, pequeñas e idénticamente distribuidas observa que la pérdida media por póliza se estabiliza conforme aumenta el número de pólizas; el mutualizar reduce la volatilidad relativa de las pérdidas medias, permitiendo cálculos de primas y transferencias de riesgo más previsibles, siempre que la independencia y la esperanza finita se cumplan. ## Aplicación incorrecta Aplicación incorrecta Tratar la LGN como una garantía para eventos individuales, asumir que la diversificación elimina todo riesgo, o aplicarla cuando las observaciones son fuertemente dependientes o tienen colas pesadas (esperanza o varianza infinitas). El error es confundir la estabilización de promedios con certidumbre sobre casos singulares o ignorar las condiciones técnicas requeridas. ## Consecuencia Consecuencia Sustenta técnicas prácticas: mutualización del riesgo, seguro, diversificación y la consistencia de estimadores basados en la muestra. Justifica usar muestras grandes para estimar medias poblacionales y motiva prácticas actuariales y estadísticas, sujetas a sus supuestos. ## Inversión Inversión La convergencia que promete la LGN falla o resulta engañosa cuando las observaciones son dependientes de forma problemática (correlaciones fuertes), no idénticamente distribuidas sin condiciones apropiadas, o provienen de distribuciones sin esperanza finita; en tales casos los promedios pueden no estabilizarse o converger lenta o poco fiablemente. ## Límite Límite Claramente dentro: secuencias de variables independientes e idénticamente distribuidas con esperanza finita (condiciones clásicas de la LGN). Caso límite: dependencia débil o heterogeneidad — la LGN puede mantenerse bajo condiciones técnicas adicionales pero las tasas de convergencia y la fiabilidad práctica varían. Claramente fuera: procesos con dependencia de largo alcance, distribuciones cambiantes o colas pesadas donde los promedios no convergen de forma útil. ## Tensión semántica Tensión semántica Tensión entre la intuición estabilizadora de grandes muestras y la realidad empírica del riesgo de cola, la dependencia y la no estacionariedad: la LGN promete estabilidad de promedios bajo supuestos que muchos procesos económicos y naturales violan para eventos extremos o dependencias sistémicas. ## Síntesis Síntesis La Ley de los Grandes Números explica por qué las medias se vuelven fiables con suficientes observaciones independientes y justifica la mutualización para reducir el riesgo idiosincrático; no elimina la importancia de las estructuras de dependencia o de colas pesadas, que pueden invalidar sus garantías prácticas.