Todas las guías de opciones
Dos teoremas límite que responden preguntas distintas15 min de lectura
Ley de los Grandes Números vs Teorema Central del Límite
Compara la convergencia de los promedios muestrales con la distribución de sus fluctuaciones, incluidas las leyes débil y fuerte, el escalado, la dependencia, la ergodicidad y su interpretación financiera
Preparado por Mark · Fuentes principales al final
Respuesta directa
La Ley de los Grandes Números afirma que, bajo condiciones adecuadas, la media muestral se acerca a la media poblacional. El Teorema Central del Límite describe la distribución del error aleatorio escalado alrededor de ese límite y a menudo permite una aproximación normal. La primera indica adónde va la media; el segundo explica cómo fluctúa durante el recorrido
Los teoremas responden preguntas distintas
Para observaciones X_1,…,X_n con media μ, la media muestral es X̄_n=n^(−1)Σ_iX_i
Una ley de grandes números pregunta si X̄_n se acerca a μ cuando n crece; un teorema central pregunta por la distribución límite de una diferencia escalada como √n(X̄_n−μ)
Converger al valor correcto no proporciona por sí solo una tasa de error, una forma, un intervalo de confianza ni una aproximación útil con muestras finitas
La ley débil usa convergencia en probabilidad
La ley débil establece que P(|X̄_n−μ|>ε)→0 para todo ε>0 bajo sus supuestos declarados
Significa que desaparece la probabilidad de un error de tamaño fijo, no que toda trayectoria realizada permanezca cerca para siempre a partir de algún punto
Con observaciones iid, una esperanza finita basta para una ley débil amplia, aunque las demostraciones sencillas con varianzas suelen suponer varianza finita
La ley fuerte es una afirmación sobre trayectorias
La ley fuerte establece que X̄_n→μ casi seguramente: la convergencia se cumple para todos los resultados salvo un conjunto de probabilidad cero
La convergencia casi segura implica convergencia en probabilidad, pero lo contrario no es cierto sin estructura adicional
La ley fuerte sigue siendo asintótica y no indica qué tamaño n alcanza una tolerancia concreta para una decisión
El teorema central amplifica el error restante
Para variables iid con varianza finita positiva σ², √n(X̄_n−μ)/σ converge en distribución a N(0,1)
El factor √n evita que el error decreciente colapse a cero y revela una forma límite no degenerada
La ley de grandes números puede cumplirse cuando falla el teorema central clásico, por ejemplo si existe la media pero no la varianza debido a colas pesadas
La dependencia exige más que un historial largo
Un proceso estacionario y ergódico puede satisfacer una ley de grandes números, mientras que un teorema central exige control adicional sobre la dependencia y las fluctuaciones
Las series financieras cambian de media, varianza, exposición, liquidez y régimen, por lo que un historial largo no equivale necesariamente a extracciones repetidas de una sola ley
Más datos del mismo grupo de crisis o de un régimen obsoleto pueden aportar mucha menos información efectiva de la que su número de filas sugiere
La diversificación usa una lógica relacionada pero distinta
El promedio de choques idiosincráticos puede estabilizarse entre muchas posiciones con dependencia suficientemente débil, un efecto parecido al de la ley de grandes números
Los factores comunes, la dependencia de cola, los pesos concentrados y los impagos correlacionados no desaparecen solo por mantener muchos activos
Del mismo modo, una media histórica larga no revela necesariamente una rentabilidad esperada permanente si cambia el conjunto de oportunidades
La inferencia práctica necesita ambos diagnósticos
Grafica medias acumuladas y estimaciones por subperiodos; después examina dependencia, rupturas estructurales, momentos de cola y tamaño muestral efectivo
Usa un error estándar justificado por el teorema central o el remuestreo pertinente, en vez de confundir la convergencia de la media con una medida de incertidumbre
Declara el estimando, los supuestos de convergencia, el horizonte, las bandas de error y la sensibilidad a ventanas o regímenes antes de invocar cualquier teorema
Preguntas frecuentes
¿Cuál es la diferencia principal entre la Ley de los Grandes Números y el Teorema Central del Límite?
La primera trata la convergencia de una media hacia un objetivo; el segundo, la distribución escalada de las desviaciones alrededor de ese objetivo
¿La Ley de los Grandes Números requiere datos normales?
No. Se aplica mucho más allá de la distribución normal cuando se cumplen sus condiciones de momentos y dependencia
¿Puede cumplirse la Ley de los Grandes Números y fallar el Teorema Central del Límite?
Sí. Una media finita puede permitir la convergencia del promedio, aunque una varianza infinita impida el teorema central normal clásico
¿Tener más datos financieros siempre mejora la fiabilidad?
No. La dependencia, los cambios de régimen, la calidad y un objetivo inestable pueden reducir mucho la información efectiva frente al número de observaciones
Fuentes
Aplique esta idea a una opción
Elija un contrato y un objetivo para mantener visibles los supuestos de precio, tiempo y volatilidad en un mismo análisis
Analizar mi opción en inglés