Una de las formas en que me ayuda a pensar en esto es en términos de un lanzamiento de moneda. El proceso de un n -El paseo aleatorio discreto en 1d es el mismo volteando 2n contras, consiguiendo h cabezas, y tomando 2∗(h−n) . Si lanzo una moneda justa 10 millones de veces, ¿cuál es la probabilidad de que obtenga exactamente 5 millones de caras? Muy poco probable, ¿verdad? Y si lanzo 10 mil millones de monedas, es aún menos probable que obtenga exactamente 5 mil millones de caras. Por lo tanto, las monedas hacen que sea obvio, al menos para mí, que la distribución se extiende más en términos del número real de cabezas que obtienes, por lo que la RMS esperada se hace más grande, y, de hecho, tan grande como quieras, lo que tal vez no sea tan difícil de adivinar, ya que intuitivamente está subiendo.
Sin embargo, para la proporción esperada, las monedas también lo dejan claro. Porque, si lanzo 10 millones de monedas justas, aunque es muy poco probable que saque exactamente 5 millones de caras, también es bastante improbable que el 51% de ellas salgan caras. Y si lanzo 10 mil millones de monedas es aún menos probable. Así que, intuitivamente, la diferencia porcentual esperada va a cero, y eso equivale de nuevo a que la varianza esperada en la proporción de pasos en cualquier dirección en tu paseo aleatorio va a cero.
Por cierto, si estás familiarizado con el teorema de Demoivre-Laplace, esto puede ser bastante riguroso de una manera algo más intuitiva, ya que las distribuciones se ensanchan, por lo que la RMS esperada es creciente, pero al tomar proporciones contraemos la recta numérica de manera que se acortan para las proporciones, ya que se contraen cada vez más, lo que es un argumento totalmente riguroso.