INTRODUCCIÓN:

La probabilidad está estrechamente relacionada a la frecuencia relativa. Ciertos resultados acerca

de esta relación son los llamados “Leyes de los grandes números”, esta ley establece el tipo de
convergencia, la convergencia puede ser “débil” o “fuerte”, las frecuencias relativas de un evento
se aproxima a la probabilidad de este.

La ley débil de los grandes números, llamada también Teorema de Bernoulli precede
históricamente a la ley fuerte.

Las dos leyes hacen referencia a la frecuencia relativa con la que sucede un acontecimiento en
pruebas independientes y bajo igualdad de condiciones, es apropiado precisar el espacio de
probabilidad en el cual describimos estas observaciones.

El teorema central del límite expresa que en condiciones generales, la distribución de la suma de
variables aleatorias tiende a una distribución normal cuando la cantidad de variables es muy
grande.

En este documento, conoceremos las características y propiedades de la ley de los grandes

números y del teorema del límite central. Utilizaremos ejemplos y ejercicios con los cuales
conoceremos que en muchos campos de aplicación se encuentran distribuciones normales y
también resaltaremos los conceptos básicos de los dos temas anteriormente mencionados y sus
aplicaciones prácticas.

LEY DE LOS GRANDES NÚMEROS:

La ley de los grandes números viene a decir que la media de n variables

aleatorias X 1 , X 2 , … , X n se aproxima a la media de las n medias
μ1,μ2,...,μn (donde μi=E(Xi)).
X 1 + X 2 +…+ X n u1 +u2 +…+ un
→
n n

Si todas las variables tienen la misma media μ, entonces la media aritmética

de las variables se aproxima al mismo valor.

Un caso en particular de esta ley es el principio de estabilidad de las

frecuencias, o teorema de Bernoulli, recordemos que una variable de Bernoulli
es aquella que toma solo el valor 0 o 1 cuando no ocurre un suceso A con
probabilidades 1-p y p. Sumar n variables de Bernoulli es contar el número de
veces que se repite el suceso A en n pruebas.
Una variable de Bernoulli tiene media p. luego la media de n medias será
también p.

La ley de los grandes números generaliza este resultado a experimentos donde

no necesariamente repetimos siempre la misma prueba. X 1 podría contar si
ocurre un suceso A1 (de probabilidad p1), X 2 si ocurre un suceso A2(de
probabilidad p2), etc… con diferentes probabilidades cada uno. La ley de los
grandes números establecerá la regularidad por cuanto la suma de frecuencias
de ocurrencia de los sucesos tenderá a la media de las probabilidades ( p1 , p2 ,…).

EJEMPLO DE LA LEY DE LOS GRANDES NUMEROS

Se lanza un dado común. Ahora consideremos el evento de que nos salga el

numero 1. Como sabemos, la probabilidad de que salga el número 1 es de
1/6 (el dado tiene 6 caras, una de ellas es el uno)

La ley de los grandes números nos indica que a mediad que vamos
aumentado el numero de repeticiones de nuetro experimento, la frecuencia
con la que se repetirá el evento (nos sale 1) se acercará cada vez mas a una
constante, que tendrá un valor igual a su probabilidad (1/6)

Posiblemente, a los primeros 10 o 20 lanzamientos la frecuencia con que nos

sale 1 no será del 16%, sino otro porcentaje por ejm 5% o 30%. Pero a
medida que hacemos más y más lanzamientos digamos 10000, la frecuencia
en que aparece el 1 sera muy cercana al 16%

En el siguiente grafico vemos un ejemplo de un experimento real donde se

lanza un dado repetidas veces.

Tal como indica la ley de los grandes números, en los primeros lanzamientos
la frecuencia es inestable, pero a medida que aumentamos el numero de
lanzamientos la frecuencia tiende a estabiliarse a un cierto numero que es la
probabilidad de que ocurra el suceso (en este caso números del 1 al 6 ya que
se trata del lanzamiento de un dado)
Grafico1:frecuencia relativa de sacar un determinado numero con un dado

TEOREMA DEL LÍMITE CENTRAL:

Es un Teorema con una gran importancia en la Estadística, especialmente para la parte de
Estadística Inferencial. Establece que si X1,…………., Xn son variables aleatorias independientes con
una media µi y una varianza σi², el margen que tenga el tipo de distribución que sigan los
sumandos, la suma de todas ellas, Y = X1+………+ Xn tiende a distribuirse aproximadamente
normal, con una media µ = (µ1+………..+ µn) y una varianza σ² = (+……….+)/n, siendo las
aproximaciones más exactas a medida que aumenta n.

Al revisar el resultado obtenido, siempre que observemos una variable que sea el resultado de
varias causas independientes, deseamos que su distribución sea normal, debido a que varias de
estas variables reales se consideran la suma de variables independientes. Por ejemplo, las medidas
físicas de una persona son debidas a muchas variables: genética, alimentación, ejercicio físico, etc.
y se esperan que sigan una distribución normal.

Dado que la variable binomial, es la suma de n variables independientes, su distribución puede

aproximarse a la normal a medida que aumenta n, la esperanza E(X)=np y la varianza σ²= np (1‐p),
resultado de la distribución:

X−np
√ np(1− p)
Ecuación 1.Ecuación de convergencia de la distribución binomial a la distribución normal
Converge hacia una distribución normal tipificada o estandarizada, N (0,1) (Peña, 2001). 

Para determinar el tamaño de muestra adecuado para que se aproxime a la normal y obtengamos
resultados aceptables, en este documento trabajaremos con la regla que dicho producto sea np
(1‐p) ≥ 9. En este caso una variable Binomial B(n, p) tiende a aproximarse a una variable normal N
(μ, σ), mediante la siguiente expresión:

B ( n , p ) ∼ N (np , √ np(1−p))
Ecuación 2. Ecuación de transformación distribución binomial a la distribución normal.

Esta situación aparece también con variables de Poisson. Una variable aleatoria X que tiene una
distribución Ps (λ), se aproxima a una distribución normal con media, la esperanza E(X)=  λ y
varianza σ² = λ, cuando n es mayor, requiere un elevado valor de λ. En este documento se
trabajara con la regla de λ ≥ 9.

El procedimiento es similar al caso anterior. Si X es una variable Ps (λ), la distribución:

X− λ
√λ
Ecuación 3.Ecuación de convergencia de la distribución de Poisson  a la distribución normal.

Converge hacia una distribución normal estandarizada, N (0,1). Eso quiere decir que una variable
Ps (λ),  se aproxima a una normal N (μ, σ), mediante la siguiente expresión:

Ps ( λ ) ∼ N ( λ , √ λ)
Ecuación 4. Ecuación de transformación distribución Poisson a la distribución normal.

EJEMPLOS DE TEOREMA DEL LIMITE CENTRAL:

EJEMPLO 1: Calcular la probabilidad obtener 200  puntos al lanzar 70 dados.

Sea la variable X ~ número de puntos obtenidos en los 70 lanzamientos ~ B (n=70, p=1/6).

Consideramos cada uno de los 70 lanzamientos como variables independientes, con lo cual
podemos aplicar el Teorema Central del Límite y aproximarla a una distribución normal, pues se
cumple que np (1‐p)= 9,72 es decir, ≥ 9.

X ~ número de puntos obtenidos en los 20 lanzamientos ~ B (n=20, p=1/6) ~ N (E(X),  σ(X)), donde
E(X) y σ(X) son la esperanza y la desviación típica de la distribución binomial, lanzamiento de 70
dados.
Aprovecharemos la propiedad, de que conocidos lo la esperanza y la varianza de la variable puntos
obtenidos al lanzar un dado, que sigue una distribución B (n=1, p=1/6), con una media E1(X) y una
varianza σ 12(X), podemos calcular, E(X) y σ² (X) como:

E(X)=70* E1(X)=70*3,5=245

σ² (X)=70* σ 12 (X)=70*2,29= 160,3

Luego X~ número de puntos obtenidos en los 70 lanzamientos~ B (n=20, p=1/6) ~ N (245, 12,66)

200−245
(
P ( X >200 ) =P N ( 0,1 )>
12,66 )
=1−P ( N ( 0,1> 3.55 ) )=1−0,00019=0,99981

(Ejemplo sacado de un informe de la universidad politécnica de valencia).

EJEMPLO 2: En un proceso de fabricación se producen en promedio 2 defectos por minuto.

Calcular la aproximadamente la probabilidad de que en una hora se produzcan más de 150
defectos.

X ~ Número defectos por minuto sigue una distribución de Poisson de parámetro λ=2.

En consecuencia, Y~ Número de defectos por hora sigue una distribución de Poisson de parámetro
λ hora=60∗2=120 .

Consideramos cada uno de los defectos por minuto como variables independientes, con lo cual
podemos aplicar el Teorema Central del Límite y aproximarla a una distribución normal, pues se
cumple que λ hora ≥ 9 .

Y~ Número de defectos por hora sigue una distribución de Ps ( λ hora 120 ) ~ N(E(X), σ(X)), donde E(X)
y σ(X) son la esperanza y la desviación típica de la de Poisson.

E(X)=  λ hora= 120

σ2 (X)=  λ hora= 120

200−120
(
P ( Y >150 )=P N ( 0,1 ) >
10,95 )
=P ( N ( 0,1>2,74 ) ) =0,0031

(Ejemplo sacado de un informe de la universidad politécnica de valencia).

BIBLIOGRAFIA:
 Martín Pliego, F.J. (2004). Introducción a la Estadística Económica y Empresarial.
(Ed.)  Thomson. Madrid.
 Mendenhall, W.; Reinmuth, J.E. (1978). Estadística para administración y economía. (Ed.)
Grupo Editorial Iberoamericana. ISBN 968‐7270‐13‐6.
 Peña, D. (2001). Fundamentos de Estadística. (Ed.) Alianza Editorial, S.A. Madrid. ISBN: 84‐
206‐ 8696‐4.
 Romero, R y Zúnica, L.R. (1993). Estadística (Proyecto de Innovación   Educativa). SPUPV‐
93.637.
 Romero, R y Zúnica, L.R. (2000). Introducción a la Estadística. (Ed.). SPUPV‐  2000.4071