Clase 13: Ley de los grandes números

Matías Carrasco
27 de agosto de 2019

Resumen Veremos la LGN para sucesiones iid de v.a. con varianza finita.
Motivaremos su contenido con varios ejemplos de sumas de v.a.

Índice
Distribución de una suma 1

Desigualdades de Markov y Chebyshev 8

Ley de los grandes números (LGN) 12

Distribución de una suma

En esta sección vamos a estudiar la distribución de la suma Z =

X + Y de dos variables independientes X e Y. Esto ya lo hemos hecho
cuando estuvimos estudiando la densidad y la fpp de una variable
Z = g( X, Y ). Ahora veremos en más detalle qué ocurre con el caso
especial de g( x, y) = x + y, siendo nuestro principal objetivo entender
la distribución de una suma de un gran número de variables.

Caso discreto
En el caso discreto la distribución de la suma queda determinada
por la fórmula

P ( X + Y = z) = ∑ P (X = x, Y = z − x) .
x

Como además X e Y son independientes, la distribución conjunta

P ( X = x, Y = z − x ) se factoriza como producto

P ( X = x, Y = z − x ) = P ( X = x ) P (Y = z − x ) .

Reescribiendo está ecuación en términos de las f.p.p. de cada variable,

obtenemos la fórmula de convolución discreta

p Z (z) = ∑ p X ( x ) pY ( z − x ) . (1)
x

Esta fórmula describe como obtener la f.p.p. de Z en función de las

de X e Y. La suma debe efectuarse en todos los valores de x en el
recorrido de X.
 Ejemplo 1 Sean X1 y X2 los resultados de lanzar dos veces un dado.

Vamos a determinar la f.p.p. de la suma S2 = X1 + X2 . Los valores
 clase 13: ley de los grandes números 2

posibles para la suma son {2, . . . , 12}. Sea s un número cualquiera de

estos, la fórmula de convolución (1) nos dice que
6
p S2 ( s ) = ∑ p X1 ( x ) p X2 ( s − x )
x =1

Pero p X2 (s − x ) no es cero solamente cuando s − x es también un nú-

mero en {1, . . . , 6}. Es decir, se deben cumplir las dos condiciones si-
guientes:
x ∈ {1, . . . , 6} y s − x ∈ {1, . . . , 6}.
Estas dos condiciones son equivalentes a

x ∈ {1, . . . , 6} ∩ {s − 6, . . . , s − 1}.

Llamemos N (s) a la cantidad de números x que hay en esa intersec-

ción.1 Para los x en la intersección, ambos factores p X1 ( x ) y p X2 (s − x ) 1
N (s) depende s. Por ejemplo, si s = 2
son iguales a 1/6, por lo que la fórmula da hay un solo x que verifica ambas condi-
ciones y es x = 1.

p S2 ( s ) = ∑ p X1 ( x ) p X2 (s − x ) = N (s)/36.
1 2 3
x
4 5 6
x en la intersección
2 X
Nos resta calcular N (s). Los valores de N (s) los podemos obtener vien- 3 X X
4 X X X
do la Tabla 1. 5 X X X X
Resulta entonces que N (s) aumenta linealmente de a uno hasta s = 6 X X X X X
s 7 X X X X X X
7, y luego decrece también linealmente de a uno. Entonces, la fpp de
8 X X X X X
S2 es 9 X X X X
10 X X X
11 X X
Valor de s 2 3 4 5 6 7 8 9 10 11 12 12 X
1 2 3 4 5 6 5 4 3 2 1
p S2 ( s ) 36 36 36 36 36 36 36 36 36 36 36 Tabla 1: Cada cruz X representa un pun-
En lugar de hacerlo de forma analítica con la fórmula de convolu- to de la intersección.

ción (1), haremos ahora un razonamiento visual para ilustrar lo que

ésta fórmula esconde.
El dibujo de la Figura 1 muestra la distribución conjunta de los dos
resultados X1 y X2 . Cada punto verde representa un caso equiproba-
ble, en la horizontal ponemos los de X1 y en la vertical los de X2 .
Los puntos rojos en el interior de las celdas representan casos equi-
probables del par ( X1 , X2 ). Como las variables son independientes, la
cantidad de puntos rojos en la celda (i, j) se obtiene multiplicando la
cantidad de verdes en i por la de verde en j. En este caso esto es siem-
pre 1 × 1 = 1, por eso ponemos un solo punto rojo en cada celda.
Para obtener la distribución de la suma S2 , debemos agrupar las
celdas que suman un mismo valor. Estas son las diagonales que cruzan
el cuadro desde la punta superior izquierda a la inferior derecha. Si
deslizamos los puntos rojos a lo largo de estas diagonales, para que
la fila de puntos comience en una base paralela a la diagonal opuesta,
obtenemos una hermosa imagen de la distribución. Cada punto rojo
 clase 13: ley de los grandes números 3

1 2 3 4 5 6

12
11
10
9
8
7
6
5
4
3
2
Figura 1: Ilustración de la fórmula de
convolución para hallar la fpp de S2 .
es un caso equiprobable de S2 . Observar la forma triangular que se
obtiene. 
 Ejemplo 2 Supongamos ahora que lanzamos una vez más el dado
del ejemplo anterior. Llamemos X3 al resultado y S3 = X1 + X2 + X3
la suma de los tres resultados. ¿Cuál es la distribución de S3 ?

12

11

10

1 2 3 4 5 6

18
17
16
15
14
13
12
11
10
9
8
7
6
5
4
3
Figura 2: Ilustración de la fórmula de
convolución para hallar la fpp de S3 .
 clase 13: ley de los grandes números 4

En el dibujo de la Figura 2 se muestra el mismo mecanismo que nos F.P.P. del promedio con n=1
ayudo a encontrar la distribución de S2 . En este caso, como S3 = X2 +
33.3%

0.22
S2 , los puntos verdes en la horizontal representan casos equiprobables
de X3 , y los de la vertical casos equiprobables de S2 . Observar ahora

Probabilidad

0.18
que las celdas interiores no tienen la misma cantidad de puntos rojos,

0.14
pues los puntos verdes de S2 no están uniformemente repartidos. De
todos modos, el mecanismo es el mismo: dejamos deslizar los puntos

0.10
sobre las diagonales, y el resultado es la distribución de S3 . 
1 2 3 4 5 6
Dos cosas interesantes se observan de los ejemplos con los dados. Valor del promedio
La primera es que la forma de la distribuciones de S1 = X1 , S2 , y S3
son cada vez más acampanadas. Lo segundo es que las distribuciones F.P.P. del promedio con n=2
se van concentrando al rededor de un valor central. En este segundo

0.16
44.4%
punto nos centraremos hoy.
Llamemos X 1 = S1 , X 2 = S2 /2 y X 3 = S3 /3 los promedios de

0.12
Probabilidad
los lanzamientos del dado de los ejemplos anteriores. El valor espe-

0.08
rado de cada uno de ellos es igual 3.5, el valor esperado de un solo

0.04
lanzamiento:


E X 1 = E (S1 ) = E ( X1 ) = 3.5 1 2 3 4 5 6

Valor del promedio

E X 2 = E (S2 ) /2 = ( E ( X1 ) + E ( X2 )) /2 = 3.5


E X 3 = E (S3 ) /3 = ( E ( X1 ) + E ( X2 ) + E ( X3 )) /3 = 3.5
F.P.P. del promedio con n=3

Calculemos la probabilidad de que el promedio esté entre 3 y 4 en

0.12
48.1%

cada caso. Basta contar los puntos rojos correspondientes. Obtenemos

Probabilidad

0.08
así la siguiente tabla:

i Rango X i Rango Si Probabilidad

0.04

1 3-4 3-4 2/6 ≈ 33 %

0.00

2 3-4 6-8 16/36 ≈ 44 %

1 2 3 4 5 6
3 3-4 9-12 104/216 ≈ 48 %
Valor del promedio
La probabilidad va aumentando. ¿Será que al promediar más y más
dados, la probabilidad aumente más y más? F.P.P. del promedio con n=4
He aquí las probabilidades para el promedio de 4 y 5 dados:
52.2%

i Rango X i Rango Si Probabilidad

0.08
Probabilidad

4 3-4 12-16 676/1296 ≈ 52 %

5 3-4 15-20 4332/7776 ≈ 56 %
0.04

De hecho, Abraham De Moivre (1667-1754), un matemático francés que

0.00

vivió exiliado casi toda su vida en Inglaterra por cuestiones religiosas,

1 2 3 4 5 6
calculó la formula exacta para la distribución de la suma de n dados.
Valor del promedio
Su fórmula calcula la probabilidad de obtener una suma igual a s en n
lanzamientos, y es
! !
1 M s − 6k − 1 s−n
 
n
pn (s) = n ∑ (−1) k
, M :=
6 k =0 k n−1 6
 clase 13: ley de los grandes números 5

Esta maravillosa fórmula no sirve de mucho sin una computadora. Pe- F.P.P. del promedio con n=5
ro teniendo una, podemos graficar y calcular probabilidades en segun-
55.7%
dos. Las página siguientes contienen las gráficas para algunos valores

0.08
de n. En cada gráfico, arriba a la izquierda se muestra la probabilidad

Probabilidad
de que el promedio caiga entre 3 y 4.

0.04
0.00
F.P.P. del promedio con n=9 F.P.P. del promedio con n=10
1 2 3 4 5 6
66.6% 68.7%
Valor del promedio

0.06
0.06
Probabilidad

Probabilidad

0.04
0.04

F.P.P. del promedio con n=6

0.02
0.02

58.8%

0.08
0.00

0.00

Probabilidad
1 2 3 4 5 6 1 2 3 4 5 6

0.04
Valor del promedio Valor del promedio

0.00
F.P.P. del promedio con n=12 F.P.P. del promedio con n=15 1 2 3 4 5 6
0.06

72.5% 77.1% Valor del promedio

0.06

0.04
Probabilidad

Probabilidad

F.P.P. del promedio con n=7

0.04

61.7%

0.00 0.02 0.04 0.06 0.08

0.02
0.02

Probabilidad
0.00

0.00

1 2 3 4 5 6 1 2 3 4 5 6

Valor del promedio Valor del promedio

1 2 3 4 5 6
F.P.P. del promedio con n=20 F.P.P. del promedio con n=25
Valor del promedio

83% 87.2%
0.04
0.04

F.P.P. del promedio con n=8

Probabilidad

Probabilidad

0.08

64.2%
0.02
0.02

0.06
Probabilidad

0.04
0.00

0.00

0.02

1 2 3 4 5 6 1 2 3 4 5 6
0.00

Valor del promedio Valor del promedio

1 2 3 4 5 6

Valor del promedio

Podemos completar la tabla con los cálculos hechos en computado-
ra:
 clase 13: ley de los grandes números 6

i Rango X i Rango Si Probabilidad

6 3-4 18-24 ≈ 59 %
7 3-4 21-28 ≈ 62 %
8 3-4 24-32 ≈ 64 %
9 3-4 27-36 ≈ 67 %
10 3-4 30-40 ≈ 69 %
12 3-4 36-48 ≈ 73 %
15 3-4 45-60 ≈ 77 %
20 3-4 60-80 ≈ 83 %
25 3-4 75-100 ≈ 87 %
Estas probabilidades parecen crecer a 100 % a medida que lanzamos
más y más dados. También la forma de la distribución de X n se hace
más y más acampanada.
Lo mismo ocurre si cambiamos el rango, por ejemplo si queremos
que el promedio caiga entre 3.25 y 3.75. A medida que lanzamos más
dados es más probable que el promedio caiga en ese rango. Cuando
el rango es más chico, debemos lanzar más dados para alcanzar un
mismo nivel de probabilidad. Este fenómeno es exactamente lo que
establece la Ley de los grandes números.

Caso continuo
El mismo fenómeno ocurre también cuando promediamos variables
continuas. La distribución de la suma Z = X + Y de dos variables
continuas independientes también tiene una fórmula de convolución
para la densidad, análoga a la fórmula (1).
Llamemos p( x, y) a la densidad conjunta de X e Y. El evento { Z ∈
dz} es el conjunto rayado en el diagrama siguiente

z + dz
{ X ∈ dx }
z

{ X ∈ dx, Y ∈ dy}
y = z−x

{ Z ∈ dz}

x x + dx z z + dz

Este evento puede descomponerse en fetas verticales correspondien-

tes a los valores de X, como está sugerido en el diagrama. El paralelo-
 clase 13: ley de los grandes números 7

gramo sombreado en gris contenido en el evento { Z ∈ dz} y cercano

al punto ( x, z − x ), representa la intersección de los eventos { X ∈ dx }
y { Z ∈ dz} y tiene área dxdz. La densidad de probabilidad cerca de
este pequeño paralelogramo es p( x, z − x ), por lo que

P ( X ∈ dx, Z ∈ dz) = p( x, z − x )dxdz.

Para obtener la densidad marginal de Z basta integrar en todos los

valores de x, y luego dividir por dz, es decir
Z +∞
P ( Z ∈ dz)
p(z) = = p( x, z − x )dx.
dz −∞

Como X e Y son independientes, la densidad conjunta se factoriza

p( x, y) = p X ( x ) pY (y).

De aquí resulta la fórmula de convolución de densidades para la den-

sidad de Z: Z +∞
p Z (z) = p X ( x ) pY (z − x )dx. (2)
−∞
Notar la similitud con la ecuación (1).
 Ejemplo 3 Supongamos que X e Y son independientes, cada una
1
con distribución uniforme en (0, 1). Queremos hallar la densidad de
Z = X + Y, y como en el caso discreto, haremos argumentos visuales z 2-z
para mostrar lo que la fórmula de convolución (1) esconde. dz
2-z
Aquí ( X, Y ) tiene distribución uniforme en el cuadrado de lado 1. 0
0 z z+dz 1 z 2
Para 0 < z < 1, el evento { X + Y ∈ dz} está representado en el diagra- Figura 3: El evento { X + Y ∈ dz}.

ma de la Figura 3 por un conjunto de área zdz + 21 (dz)2 . Para calcular

esta área hemos dividido al conjunto en un paralelogramo de altura z
perpendicular a los lados de ancho dz, y la mitad de un cuadrado de
lado dz. Ignorando el término (dz)2 por despreciable en comparación
con dz, resulta
P ( Z ∈ dz) = zdz,
p(z)
ya que el área total del cuadrado es 1.
Para 1 ≤ z < 2 se puede ver de forma similar que 1 2 z
0
Figura 4: La densidad de Z.
P ( Z ∈ dz) = (2 − z)dz.

Entonces, la densidad de Z viene dada por


z

 si 0 < z < 1;
2−z si 1 ≤ z < 2;


0 en otro caso.


Observar que es de forma triangular como en el caso discreto (Fig 4).


 clase 13: ley de los grandes números 8

 Ejemplo 4 Consideremos ahora T = X + Y + W en donde X, Y, y W

son independientes con distribución uniforme en [0, 1]. Para calcular
la densidad de T, escribimos T = Z + W en donde Z = X + Y tiene la
distribución triangular que calculamos en el ejemplo anterior.
Aplicando la fórmula de convolución (2) vemos que
Z +∞ Z t
p T (t) = pz (z) pW (t − z)dz = p Z (z)dz = P (t − 1 ≤ Z ≤ t) ,
−∞ t −1

ya que pW (w) = 1 si w ∈ [0, 1] y 0 si no.

Basta entonces calcular esta probabilidad. Hay tres casos para dis-
cutir:
Caso 1: 0 < t < 1. Entonces t − 1 < 0, por lo que
1 2
p T (t) = P (t − 1 ≤ Z ≤ t) = t
2
p(z)
pues es el área del triángulo de la Figura 5.
Caso 2: 1 ≤ t < 2. Entonces 0 ≤ t − 1 < 1. El área relevante es 1 1 2
t-1 0 t
menos dos triángulos, por lo que Figura 5: Caso 1: 0 < t < 1

(2 − t )2 ( t − 1)2
p T (t) = P (t − 1 ≤ Z ≤ t) = 1 − − = −t2 + 3t − 3/2.
2 2
p(z)
Ver la Figura 6.
Caso 3: 2 < t < 3. Entonces 1 < t − 1 < 2. El área relevante es ahora
0 t-1 1 t 2
un triángulo Figura 6: Caso 2: 1 ≤ t < 2

(3 − t )2
p T (t) = P (t − 1 ≤ Z ≤ t) = .
2
p(z)
Ver la Figura 7.
En resumen, la densidad de T es una función partida, definida en 0 1 t-1 2 t
los intervalos (0, 1), (1, 2) y (2, 3) por las funciones cuadráticas que Figura 7: Caso 3: 2 < t < 3
hemos calculado en cada caso. Observar la forma simétrica y acampa-
nada de la densidad de T (Fig 8).
 p(t)

Al igual que en el caso discreto, la convolución de dos densidades

t
se puede calcular numéricamente con una computadora. En las figuras 0 1 3/2 2 3
que siguen (en la página siguiente) se muestran las densidades de Figura 8: La densidad de T.

promediar n variables uniformes independientes, de n = 1 a n = 6.

Notar que el valor de la densidad en el promedio µ = 0.5 es cada
vez mayor. Notar a su vez la forma simétrica y acampanada de las
distribuciones.

Desigualdades de Markov y Chebyshev

Las desigualdades de Markov y Chebyshev establecen cotas supe-

riores para las colas de una distribución de una variable en función de
 clase 13: ley de los grandes números 9

Densidad inicial

1.0
● ● ● ● ● ● ● ● ● ● ●

0.8
0.6
f(x)

0.4
0.2
0.0

0.0 0.2 0.4 0.6 0.8 1.0

x
Densidad del promedio para n=2
2.0

0.2
1.5
Densidad

1.0
0.5

0.5
0.0

0.0 0.2 0.4 0.6 0.8 1.0

x
Densidad del promedio para n=3

0.17
2.0
1.5
Densidad

1.0
0.5

0.5
0.0

0.0 0.2 0.4 0.6 0.8 1.0

x
 clase 13: ley de los grandes números 10

Densidad del promedio para n=4

0.14

2.5
2.0
1.5
Densidad

1.0
0.5

0.5
0.0

0.0 0.2 0.4 0.6 0.8 1.0

x
Densidad del promedio para n=5
3.0

0.13
2.5
2.0
Densidad

1.5
1.0
0.5

0.5
0.0

0.0 0.2 0.4 0.6 0.8 1.0

x
Densidad del promedio para n=6

0.12
3.0
2.5
2.0
Densidad

1.5
1.0
0.5

0.5
0.0

0.0 0.2 0.4 0.6 0.8 1.0

x
 clase 13: ley de los grandes números 11

sus momentos. Aunque son muy simples, la demostración de la LGN

se basa en ellas.
La más fundamental es la desigualdad de Markov, de la cual deriva
la de Chebyshev.

Desigualdad de Markov

Sea X una variable aleatoria positiva. Entonces, para todo t > 0

vale que
E (X)
P ( X ≥ t) ≤ .
t

Demostración. Fijemos t > 0, y consideremos la variable aleatoria Ber-

noulli Y que vale 1 si X ≥ t y 0 si no. La probabilidad de éxito de Y
es
p = P (Y = 1 ) = P ( X ≥ t ) .
Notar que tY ≤ X, pues cuando Y = 0 la desigualdad es trivial, y
cuando Y = 1 es porque X ≥ t. Entonces E (tY ) ≤ E ( X ). Por otro
lado, la esperanza de Y es p, de donde tP ( X ≥ t) ≤ E ( X ). Dividiendo
por t se deduce la desigualdad de Markov.

Para aquellos más afines a las demostraciones visuales he aquí una

alternativa. Recordar que la esperanza de X se puede calcular con la
función de distribución mediante la fórmula
Z ∞
E (X) = (1 − F ( x ))dx,
0

que no es otra cosa que el área gris por encima del gráfico de F ( x ) en
el diagrama.
En el gráfico hemos indicado un rectángulo A cuyos lados son t y
P = P ( X ≥ t). La clave es que P ( X ≥ t) es el límite por izquierda de
F ( x ) cuando x tiende a t, y por lo tanto está contenido en la zona gris.
Esto sin importante la eventualidad de una discontinuidad de F en t.
F(x)

P rectángulo A

t x

Claramente

E ( X ) = Area gris ≥ Area de A = tP ( X ≥ t) ,

de donde deducimos igual que antes la desigualdad de Markov.

 clase 13: ley de los grandes números 12

Desigualdad de Chebyshev

Sea X una variable de esperanza µ = E ( X ) y varianza σ2 =

Var ( X ). Entonces, para todo e > 0 vale que

σ2
P (| X − µ| ≥ e) ≤ .
e2

Demostración. Consideremos la variable Y = ( X − µ)2 . Claramente

Y ≥ 0 y su esperanza es
 
E (Y ) = E ( X − µ)2 = Var ( X ) = σ2 .

Si aplicamos la desigualdad de Markov a Y con e2 , obtenemos

  E (Y ) σ2
P Y ≥ e2 ≤ = .
e2 e2
El evento {Y ≥ e2 } es el mismo que {| X − µ| ≥ e}, pues por defi-
√
nición Y = | X − µ|. Entonces la probabilidad a la izquierda en la
desigualdad anterior es igual a P (| X − µ| ≥ e).

Ley de los grandes números (LGN)

La primera versión de la LGN fue probada por Bernoulli en 1713. El

Teorema de Bernoulli da una base rigurosa a la interpretación de las
probabilidades que usamos al principio del curso. Recordar que inter-
pretamos la probabilidad p de un cierto evento como la proporción del
tiempo que el evento ocurre cuando el experimento se repite muchas
veces de forma independiente y en las mismas condiciones.
La LGN es una generalización de esta interpretación a promedios
generales. En palabras se puede enunciar así:
El promedio de muchas realizaciones independientes está (con alta pro-
babilidad) cerca de la esperanza de la distribución subyacente.

Veamos cómo se relaciona esta afirmación sobre promedios con la in-

terpretación de una probabilidad. En el contexto de los ensayos de
Bernoulli, las realizaciones corresponden a los ensayos. La frecuencia
relativa de éxitos en n ensayos (la proporción del tiempo que el evento
ocurre) se puede escribir como un promedio
n
X1 + · · · + X n 1
Xn =
n
=
n ∑ Xi ,
i =1

en donde Xi es la variable Bernoulli que indica la ocurrencia de éxito

en el i-ésimo ensayo. Es usual también escribir Sn = X1 + · · · + Xn
para la suma.
 clase 13: ley de los grandes números 13

Cada Xi es Bernoulli de parámetro p, en donde p es la probabilidad

de éxito. En particular, todas tienen la misma distribución. Más aún, las
Xi son independientes. En la jerga probabilística se dice que X1 , . . . , Xn
son independientes e idénticamente distribuidas, y esto se abrevia con
la sigla i.i.d..
Usando esta notación el Teorema de Bernoulli se enuncia de la si-
guiente manera:

X n − p < e → 1 cuando n → ∞.


Para todo e > 0 : P

En general, si X1 , . . . , Xn son variables i.i.d. con esperanza µ y varianza

σ, entonces las esperanzas y varianzas del promedio y la suma son

Variable Esperanza Varianza Desvío

√
Sn nµ nσ2 nσ
√
Xn µ σ2 /n σ/ n

El cálculo es el siguiente:
!
n n
E ( Sn ) = E ∑ Xi = ∑ E (Xi ) = nµ
i =1 i =1
!
n n
Var (Sn ) = Var ∑ Xi = ∑ Var (Xi ) = nσ2
i =1 i =1

Para el cálculo de la varianza hemos usado que las variables son inde-
pendientes. Como X n = Sn /n, se tiene


E X n = E (Sn /n) = E (Sn ) /n = µ
Var X n = Var (Sn /n) = Var (Sn ) /n2 = σ2 /n

Recordar que las constantes salen al cuadrado de la varianza.

Dos cosas son sorprendentes de los cálculos anteriores:

La primera es que el desvío de la suma no crece linealmente con n,

√
si no que lo hace como n.

El desvío del promedio tiende a cero a medida que n tiende a ∞.

El segundo punto establece que al promediar muchas veces una varia-

ble, su variabilidad decrece. Intuitivamente los excesos por encima de
la media compensan el déficit por debajo de ésta, lo que hace que el
promedio sea más estable.
Sin embargo, el segundo punto, formalmente igual de difícil que
el primero, le llevo muchísimo tiempo a los matemáticos reconocer-
lo. En cierto sentido nos dice que las mediciones no aportan todas la
misma información, si no que a medida que obtenemos más datos la
 clase 13: ley de los grandes números 14

información aportada por cada medición es menor. Es bastante contra-

intuitivo a primera vista, aunque luego de una reflexión pausada no
parece tan descabellado.
 Ejemplo 5 En Inglaterra, en el siglo XII no existía una autoridad
central fuerte, lo que representaba un problema para la política mo-
netaria. Había un rey, pero su autoridad era contrarrestada por la de
varios poderosos barones.
Al mismo tiempo, existía la necesidad comercial de una moneda
confiable. La principal fuente de acuñación británica era la Casa de
la Moneda de Londres, que funcionaba de forma independiente de la
corona. El rey y los barones llevaban oro y plata a la Casa y recibían
monedas a cambio.
El rey estipulaba el peso y la finura de las monedas, y monitoreaba
regularmente el cumplimiento de los estándares estipulados a través
de pomposos juicios.
Los juicios de la Casa de Moneda datan de finales del 1200 y se
siguen haciendo hoy en día. Cada día de producción, una selección
(razonablemente aleatoria) de monedas era separada y puesta en una
caja llamada Pyx para pruebas posteriores.
Cada tres meses, la Pyx se abría en presencia de jueces que represen-
taban a partes interesadas en la precisión de las monedas. Las mismas
eran analizadas para determinar la finura y el peso. Nos concentra-
remos en lo que sucedía con el peso que es más interesante desde el
punto de vista estadístico.
Todos sabían que inevitablemente habría alguna variación en el pe-
so de monedas diferentes. Por ende, el contrato con el rey y los barones
especificaba tanto un peso objetivo (llamémoslo M0 ) y una tolerancia
permitida que se llamaba el “remedio” (denotada por R). Si el peso
estaba por debajo de M0 − R, la Casa debía devolver el dinero faltante
al rey. Incluso, al maestro de la Casa se le podía cortar la mano, o algo
peor. No estaba bien visto robarle al rey.
Las monedas demasiado pesadas también eran un problema, ya que
podían ser eliminadas de circulación y convertidas en lingotes por los
empresarios alertas. Pero en estos casos no había ganancia para la Casa
de la Moneda, y el enfoque principal de la prueba era entonces en las
monedas livianas.
Las monedas se pesaban en lotes, pues la precisión de aquellos tiem-
pos no permitía pesar una sola moneda con exactitud.

Si, por ejemplo, se pesan 100 monedas de oro en un lote, claramente el

objetivo debe ser 100M0 . Pero, ¿cuál sería el remedio? Es decir, ¿cuánto
se debe tolerar?

Es una pregunta muy simple, y por su respuesta casi que se puede

reconocer a una persona bien instruida en estadística.
 clase 13: ley de los grandes números 15

La elección que hicieron (hasta empezado el siglo XIX) fue que el

remedio en ese caso es simplemente 100R; solo si el lote pesaba menos
de 100M0 − 100R, la Casa no pasaría la prueba.
Durante mucho tiempo se pensó que los errores crecen linealmente
con el número de mediciones. Pero el cálculo que hicimos más arriba
nos dice que esto está equivocado; esto es demasiado generoso para la
casa de la moneda.
Es un estándar tan bajo que un maestro alerta podría apuntar casi
tan bajo, como por ejemplo acuñando a un objetivo de M0 − 0.5R, o
incluso M0 − 0.8R, y prácticamente no correr riesgo de fallar en la
prueba.
A modo de ejemplo concreto, pensemos en una moneda como la de
$10 que pesa cerca de M0 = 10g. Supongamos que nuestra tolerancia
para el peso de una moneda es del 5 % del peso de la moneda. En este
caso R = 0.5g.
Si hiciéramos como hacían en el siglo XII, la tolerancia para los lo-
tes sería de 100R = 50g. Notar que el peso promedio es de 100M0 =
1000g, pero si los pesos de las monedas varían de forma independien-
te, (es decir que las monedas individuales no están estadísticamente
relacionadas entre sí) un remedio apropiado para un lote de 100 se-
ría 10R (5g), no 100R. Con pesos estadísticamente independientes, la
variación aumenta como la raíz cuadrada del número de monedas.
Por supuesto, en los primeros años del juicio del Pyx, incluso los
mejores matemáticos no estaban al tanto de lo que ahora se conoce
√
como la regla de la n.
Sin embargo, hubo un maestro de la Casa de la Moneda que fue
un matemático mejor que el promedio: Isaac Newton. De 1696 a 1727
fue maestro de la Casa de la Moneda. Y a su muerte en 1727, Newton
tenía una considerable fortuna. ¿Habrá visto Newton el error en los
procedimientos en el juicio del Pyx, y lo habrá explotado de forma
astuta para su beneficio? 
√
La regla de la n es la clave detrás de la demostración de la LGN.

Ley de los grande números

Sean X1 , X2 , . . . variables i.i.d. con esperanza µ = E ( Xi ) y va-

rianza σ2 = Var ( Xi ). Entonces, para todo e > 0


P Xn − µ < e → 1

cuando n tiende a infinito.

P
Notación: Escribiremos X n → µ para indicar que X n está, con
probabilidad muy alta, tan cerca de µ como queramos.
 clase 13: ley de los grandes números 16

Demostración. Tomando complementos es equivalente probar que

P Xn − µ ≥ e → 0

cuando n → ∞.
Como la varianza de X n es σ2 /n, por la desigualdad de Chebyshev
tenemos

σ2
P Xn − µ ≥ e ≤ 2 .
ne
El lado de la derecha de esta ecuación claramente tiende a cero cuando
n tiende a infinito.