Una colección de resultados que afirman que las medias muestrales (o medias empíricas) convergen hacia la esperanza poblacional cuando aumenta el tamaño muestral: en probabilidad (ley débil) o casi seguro (ley fuerte), bajo condiciones como independencia e integrabilidad.

Principio

La idea organizadora es la estabilización por agregación: las fluctuaciones aleatorias se promedian cuando se combinan muchas contribuciones independientes e idénticamente distribuidas, de modo que las medias empíricas tienden al valor esperado determinista en el límite de muestras grandes.

Demostración

Para lanzamientos independientes de una moneda con probabilidad de éxito p, la proporción de éxitos tras n ensayos converge a p casi seguramente; en la práctica esto sustenta la estimación por Monte Carlo donde las medias muestrales aproximan esperanzas al aumentar el número de muestras.

Aplicación incorrecta

Aplicar la ley sin comprobar sus hipótesis —por ejemplo a series temporales dependientes, distribuciones no idénticas o variables sin esperanza finita— puede producir conclusiones inválidas; la LLN no dice nada sobre la magnitud del error en muestras finitas.

Consecuencia

La LLN justifica usar medias empíricas como estimadores consistentes de esperanzas y apoya los cimientos de la estadística, la teoría del muestreo y métodos Monte Carlo; garantiza convergencia pero no la velocidad a la que ocurre.

Inversión

Invertir la conclusión resalta situaciones dominadas por aleatoriedad persistente: cuando fallan las hipótesis (p. ej. esperanza infinita o dependencia fuerte), las medias muestrales pueden no estabilizarse y quedar dominadas por eventos extremos raros.

Límite

Requiere integrabilidad apropiada (esperanza finita) y a menudo independencia o ergodicidad; existen versiones para secuencias dependientes y arreglos triangulares, y la LLN no especifica la rapidez de convergencia ni la distribución de fluctuaciones (que tratan CLT y grandes desviaciones).

Tensión semántica

Hay tensión entre las afirmaciones de convergencia casi segura/estocástica de la LLN y las necesidades prácticas de cotas de error cuantitativas y tasas; a veces se confunde la LLN (consistencia) con el TCL (fluctuaciones normales) o se esperan garantías para muestras finitas de una ley asintótica.

Síntesis

La Ley De Los Grandes Números formaliza que las medias de muchas variables aleatorias adecuadas se estabilizan en la esperanza; garantiza la consistencia de las medias empíricas bajo integrabilidad y dependencia débil, mientras que las tasas y el comportamiento para muestras finitas requieren resultados complementarios.