FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS

DEPARTAMENTO DE ESTADÍSTICA

VARIABLE ALEATORIA
Prof. J Núñez R.

1. CONCEPTO DE VARIABLE ALEATORIA

El término experimento ha sido empleado para describir cualquier proceso en el
cual se obtienen varias mediciones al azar. A menudo no interesan los detalles
ACADÉMICO
asociados con cada punto muestral PROFESIONAL DEla descripción numérica del
sino únicamente
resultado. ESTADÍSTICA

Ejemplo 1. Consideremos el experimento aleatorio de lanzar una moneda tres

veces y analizar el número de caras que resulte.

Solución:
1°) El espacio muestral.
Ω = {𝑆𝑆𝑆, 𝑆𝑆𝐶, 𝑆𝐶𝑆, 𝐶𝑆𝑆, 𝑆𝐶𝐶, 𝐶𝑆𝐶, 𝐶𝐶𝑆, 𝐶𝐶𝐶} ⟹ 𝑛(Ω) = 8; 𝑟𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜𝑠 𝑝𝑜𝑠𝑖𝑏𝑙𝑒𝑠

2°) Interés: Número de caras que resulte; ⟹ 𝑋 = 0,1,2 𝑦 3 ; 𝑠𝑒 𝑐𝑜𝑛𝑜𝑐𝑒 𝑐𝑜𝑛 𝑒𝑙

𝑛𝑜𝑚𝑏𝑟𝑒 𝑑𝑒 𝑣𝑎𝑖𝑎𝑏𝑙𝑒 𝑙𝑒𝑎𝑜𝑟𝑖𝑎.
𝑑𝑜𝑛𝑑𝑒
𝑋 = 0; 𝑠𝑖𝑔𝑛𝑖𝑓𝑐𝑎 𝑞𝑢𝑒 𝑠𝑒 𝑜𝑏𝑡𝑢𝑣𝑜 𝑛𝑖𝑛𝑔𝑢𝑛𝑎 𝑐𝑎𝑟𝑎.
𝑋 = 1; 𝑠𝑖𝑔𝑛𝑖𝑓𝑐𝑎 𝑞𝑢𝑒 𝑠𝑒 𝑜𝑏𝑡𝑢𝑣𝑜 𝑢𝑛𝑎 𝑐𝑎𝑟𝑎.
𝑋 = 2; 𝑠𝑖𝑔𝑛𝑖𝑓𝑐𝑎 𝑞𝑢𝑒 𝑠𝑒 𝑜𝑏𝑡𝑢𝑣𝑜 𝑑𝑜𝑠 𝑐𝑎𝑟𝑎𝑠.
𝑋 = 3; 𝑠𝑖𝑔𝑛𝑖𝑓𝑐𝑎 𝑞𝑢𝑒 𝑠𝑒 𝑜𝑏𝑡𝑢𝑣𝑜 𝑡𝑟𝑒𝑠 𝑐𝑎𝑟𝑎𝑠.

3°) Ilustraciones mediante un diagrama:

 Ω 𝑋 ℝ

𝑆𝑆𝑆 0

𝑆𝑆𝐶
SCS 1
CSS

𝑆𝐶𝐶
CSC 2
CCS

𝐶𝐶𝐶
3
𝜔 → 𝑋(𝜔) = 𝑥

donde; 𝑋(𝑆𝑆𝑆) = 0
𝑋(𝑆𝑆𝐶) = 𝑋(𝑆𝐶𝑆) = 𝑋(𝐶𝑆𝑆) = 1
𝑋(𝑆𝐶𝐶) = 𝑋(𝐶𝑆𝐶) = 𝑋(𝐶𝐶𝑆) = 2
𝑋(𝐶𝐶𝐶) = 3
2 DEFINICIÓN Una variable aleatoria (𝑣. 𝑎. ) es una función cuyo dominio es el
espacio muestral Ω y cuyo recorrido (rango) es un subconjunto no vacío de números
reales, tal que, para cada uno de los elementos del Ω (ω ∈ Ω) le corresponde un
número real 𝑥 = 𝑋 (ω)

3 CLASES DE VARIABLES ALEATORIAS

3.1. VARIABLES ALEATORIAS DISCRETAS. 𝑋 𝑒𝑠 𝑢𝑛𝑎 𝑣. 𝑎. discreta, si:

a) El recorrido de X es un conjunto finito o infinito numerable;
𝑖. 𝑒: Ω = {𝜔1 , 𝜔2 , 𝜔3 , … }

b) Su función de probabilidad llamada también función de cuantía es:

𝑃(𝑥) = 𝑃(𝑋(𝜔) = 𝑥)
Cumple con las siguientes propiedades:
 𝑖) 𝑃(𝑥𝑖 ) ≥ 0 ; ∀𝑥𝑖

𝑖𝑖) ∑ 𝑃(𝑥𝑖 ) = 1

𝑖𝑖𝑖) 𝑃(𝑥𝑗 < 𝑋 < 𝑥𝑘 ) = 𝑃(𝑥𝑗+1 )𝑃(𝑥𝑗+2 ) + ⋯ + 𝑃(𝑥𝑘−1 )

La función de probabilidad que se representa por un conjunto de pares

ordenados (𝑥𝑖 , 𝑃(𝑥𝑖 )) ∀ 𝑖 = 1, 2, … , 𝑛; donde 𝑥𝑖 ∈ 𝑅𝑥 = recorrido de 𝑋;
en la tabla siguiente

𝑋 𝑥1 𝑥2 … .. 𝑥𝑛
𝑃(𝑋 = 𝑥) 𝑃(𝑥1 ) 𝑃(𝑥2 ) … . 𝑃(𝑥𝑛 )

Ejemplo 2. Determinar la función de probabilidad del ejemplo 1. al lanzar

una moneda tres veces y analizar el número de caras.
Solución
𝑋 0 1 2 3
𝑓(𝑥) = 𝑃(𝑋 = 𝑥) 1/8 3/8 3/8 1/8

donde
1
𝑃(𝑋 = 0) = 𝑃(𝑆𝑆𝑆) =
8
1 1 1 3
𝑃(𝑋 = 1) = 𝑃(𝑆𝑆𝐶 ∪ 𝑆𝐶𝑆 ∪ 𝐶𝑆𝑆) = 𝑃(𝑆𝑆𝐶) + 𝑃(𝑆𝐶𝑆) + 𝑃(𝐶𝑆𝑆) = + + =
8 8 8 8
1 1 1 3
𝑃(𝑋 = 2) = 𝑃(𝑆𝐶𝐶 ∪ 𝐶𝑆𝐶 ∪ 𝐶𝐶𝑆) = 𝑃(𝑆𝐶𝐶) + 𝑃(𝐶𝑆𝐶) + 𝑃(𝐶𝐶𝑆) = 8 + 8 + 8 = 8
1
𝑃(𝑋 = 3) = 𝑃(𝐶𝐶𝐶) =
8
Por lo tanto X es una función de probabilidad.

c) Función de distribución o Función de probabilidad acumulada de la

v.a. X es:
𝒙

𝑭(𝒙) = 𝑷(𝑿 ≤ 𝒙) = ∑ 𝑷(𝒙𝒊 )

𝒊=𝟏

Ejemplo 3. Hallar la función de distribución 𝐹(𝑋) en el ejemplo 2.

Solución
Se tiene las probabilidades acumuladas:

𝑋 0 1 2 3
𝐹(𝑥) = 𝑃(𝑋 ≤ 𝑥) 1/8 4/8 7/8 1

Para:
1
𝐹(0) = 𝑃(𝑋 ≤ 0) = 𝑃(𝑋 = 0) =
8
1 3 4
𝐹(1) = 𝑃(𝑋 ≤ 1) = 𝑃(𝑋 = 0) + 𝑃(𝑋 = 1) = + =
8 8 8
1 3 3 7
𝐹(2) = 𝑃(𝑋 ≤ 2) = 𝑃(𝑋 = 0) + 𝑃(𝑋 = 1) + 𝑃(𝑋 = 2) = + + =
8 8 8 8
1 3 3 1
𝐹(3) = 𝑃(𝑋 ≤ 3) = 𝑃(𝑋 = 0) + 𝑃(𝑋 = 1) + 𝑃(𝑋 = 2) + 𝑃(𝑋 = 3) = + + + = 1
8 8 8 8

Se puede expresar:

0 ; 𝑠𝑖 𝑋<0
1
; 𝑠𝑖 0≤𝑋<1
8
4
𝐹(𝑋) = ; 𝑠𝑖 1≤𝑋<2
8
7
; 𝑠𝑖 2 ≤ 𝑋 < 3
8
[ 1 ; 𝑠𝑖 𝑋≥3
Representación Gráfica
𝐹(𝑥)
1
7/8
4/8
1/8

𝑋
0 1 2 3
Propiedades de la función de distribución 𝑭(𝒙)
i) Es una función monótona no decreciente; esto es:
𝑆𝑖 𝑥1 ≤ 𝑥2 ⟹ 𝐹(𝑥1 ) ≤ 𝐹(𝑥2 )
ii) La función de distribución acotada
0 ≤ 𝐹(𝑥) ≤ 1 ; ∀𝑥
iii) 𝐹(−∞) = lim 𝐹(𝑥) = 0
𝑥→−∞

𝐹(+∞) = lim 𝐹(𝑥) = 1

𝑥→∞

3.2. VARIABLE ALEATORIA CONTINUA Sea 𝑋 una 𝑣. 𝑎. continua, si

existe una función 𝑓(𝑥), 𝑐𝑜𝑛 𝑋 pertenece a un intervalo, llamada
función de densidad f(X);
cumple con las siguientes propiedades:

𝑖) 𝑓(𝑥) ≥ 0; ∀ 𝑋 𝜀 𝑖𝑛𝑡𝑒𝑟𝑣𝑎𝑙𝑜
∞
𝑖𝑖) ∫ 𝑓(𝑥)𝑑𝑥 = 1
−∞
𝑏
𝑖𝑖𝑖) 𝑃(𝑎 < 𝑋 < 𝑏) = ∫𝑎 𝑓(𝑥)𝑑𝑥

Función de distribución acumulada: 𝐹(𝒙)

Su función de distribución es una integral, tal que:
𝑥
𝐹(𝑥) = 𝑃(𝑋 ≤ 𝑥) = ∫ 𝑓(𝑡)𝑑𝑡; ∀𝑥𝜀ℝ
−∞

Propiedades de la función de distribución acumulada

𝑖) 𝐹(𝑥) 𝑒𝑠 𝑢𝑛𝑎 𝑓𝑢𝑛𝑐𝑖ó𝑛 𝑚𝑜𝑛ó𝑡𝑜𝑛𝑎 𝑛𝑜 𝑑𝑒𝑐𝑟𝑒𝑐𝑖𝑒𝑛𝑡𝑒; 𝑖. 𝑒.

𝑠𝑖 𝑎 < 𝑏 ⟹ 𝐹(𝑎) ≤ 𝐹(𝑏)

𝑖𝑖) 𝐹(∞) = 1 = lim 𝐹(𝑥)

𝑥→∞

𝐹(−∞) = 0 = lim 𝐹(𝑥)

𝑥→−∞

𝑖𝑖𝑖) 𝑠𝑖 𝐹(𝑥) 𝑒𝑠 𝑑𝑒𝑟𝑖𝑣𝑎𝑏𝑙𝑒; 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠:

𝑑
𝑓(𝑥) = 𝐹´(𝑥) = (𝐹(𝑥))
𝑑𝑥
 Ejemplo 4. Qué valor debe tener la constante k para que:
𝑘𝑥 ; 0≤𝑥≤2
𝑓(𝑥) = {
0 ; 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑙𝑢𝑔𝑎𝑟
a) Sea una función de densidad (𝑓. 𝑑𝑒 𝑑. )
b) Calcular 𝑃(1 < 𝑥 < 2)
c) Calcular y graficar la función de distribución F(x) y utilizarla para calcular
𝑃(1 < 𝑥 < 2)

Solución:

a) Sea una función de densidad; debe cumplir:

∞ 2 2
𝑥2 1
𝑖) ∫ 𝑓(𝑥) 𝑑𝑥 = 1 ⇒ ∫ 𝑘𝑥 𝑑𝑥 = 𝑘 | ⇒ 𝑘 =
−∞ 0 2 0 2

luego la 𝑓. 𝑑𝑒 𝑑.
1
𝑥 ; 0≤𝑥≤2
𝑓(𝑥) = { 2
0 ; 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑙𝑢𝑔𝑎𝑟

Representación gráfica:

𝑓(𝑥)

1 1
𝑓(𝑥) = 𝑥
2

𝑋
0 2
𝑓(𝑥) = 0 𝑓(𝑥) = 0

𝑖𝑖) 𝑓(𝑥) ≥ 0 ; 𝑝𝑢𝑒𝑠:

1 1 1
0≤𝑥≤2 ⇒ (0) ≤ 𝑥 ≤ (2) ⇒ 0 ≤ 𝑓(𝑥) ≤ 1
2 2 2

luego 𝑓(𝑥) ≥ 0 ; 𝑒𝑛 0 ≤ 𝑥 ≤ 2

Conclusión: por (𝑖) y (𝑖𝑖) 𝑓(𝑥) es una 𝑓. 𝑑𝑒 𝑑.

 2
21 1 𝑥2 3
b) Calculamos 𝑃(1 < 𝑥 < 2 ) = ∫1 2 𝑥 𝑑𝑥 = | =4
2 2 1

c) Calculamos la función de distribución 𝐹(𝑥)

𝒙
Por definición 𝑭(𝒙) = 𝑷(𝑿 ≤ 𝒙) = ∫−∞ 𝒇(𝒕)𝒅𝒕
Para ello, ilustramos en la recta real la 𝑓. 𝑑𝑒 𝑑. Con su respectivo dominio;
así:

1
𝑓(𝑡) = 0 𝑓(𝑡) = 𝑡 𝑓(𝑡) = 0
2

−∞ 𝑥 0 𝑥 2 𝑥 ∞
i)
ii)
iii)

𝑥
i) En el intervalo 𝑋 𝜀 (−∞, 0) ⇒ 𝐹(𝑋) = ∫−∞ 𝑓(𝑡) 𝑑𝑡; 𝑑𝑜𝑛𝑑𝑒 𝑓(𝑡) = 0
𝑥
= ∫−∞ 0. 𝑑𝑡 = 0

𝑥 𝑓(𝑡) = 0 ; 𝑡 𝜀 (−∞, 0)
ii) En el intervalo 𝑋 𝜀 [0, 2] ⇒ 𝐹(𝑋) = ∫−∞ 𝑓(𝑡) 𝑑𝑡 ; 𝑑𝑜𝑛𝑑𝑒 { 1
𝑓(𝑡) = 𝑡 𝑑𝑡 ; 𝑡 𝜀 [0,2]
2
0 𝑥
1
= ∫ 𝑓(𝑡) 𝑑𝑡 + ∫ 𝑡 𝑑𝑡
−∞ 0 2
𝑥
1 𝑡2 1
= 0+ | = 𝑥2
2 2 0 4

𝑓(𝑡) = 0 ; 𝑡 𝜀 (−∞, 0)
𝑥 1
iii) En el intervalo 𝑋 𝜀 (2, ∞) ⇒ 𝐹(𝑋) = ∫−∞ 𝑓(𝑡)𝑑𝑡; 𝑑𝑜𝑛𝑑𝑒 { 𝑓(𝑡) = 𝑡 𝑑𝑡; 𝑡 𝜀 [0,2]
2
𝑓(𝑡) = 0 ; 𝑡 𝜀 (2, ∞)

0 2 ∞
1 1
= ∫ 0. 𝑑𝑡 + ∫ 𝑡 𝑑𝑡 + ∫ 0. 𝑑𝑡
−∞ 0 2 2 2

2
1 𝑡2
=0+ | +0=1
2 2 0
 Se tiene:
0 ; 𝑠𝑖 𝑋 𝜀(−∞, 0)
1 2
𝐹(𝑋) = { 𝑥 ; 𝑠𝑖 𝑋 𝜀[0,2]
4
1 ; 𝑠𝑖 𝑋 𝜀 (2, ∞)

Representación gráfica:
𝐹(𝑥)

𝐹(𝑥) = 1
1
1 1
𝐹(𝑥) = 0
4 𝐹(𝑥) = 𝑥 2
4
0 1 2

1 1 3
luego: 𝑃 (1 < 𝑥 < 2) = 𝐹(2) − 𝐹(1) = 4 (2)2 − 4 (1)2 = 4

4. CARACTERÍSTICAS DE UNA VARIABLE ALEATORIA

Nos referimos a sus medidas de resumen de la variable

1. ESPERANZA MATEMÁTICA
Se le llama también media teórica, valor esperado o simplemente media de
dicha variable.
Notación 𝐸(𝑥) = 𝑀(𝑥) = 𝜇
Definición. Sea 𝑋 una 𝑣. 𝑎. con función de probabilidad 𝑓(𝑥). La esperanza
matemática o valor esperado de 𝑋 es:
𝑛

𝐸(𝑋) = ∑ 𝑋𝑃(𝑥) ; 𝑠𝑖 𝑋 𝑠 𝑑𝑖𝑠𝑐𝑟𝑒𝑡𝑎

𝑥𝑖=1
𝑏
= ∫ 𝑋𝑓(𝑥) ; 𝑠𝑖 𝑋 𝑒𝑠 𝑐𝑜𝑛𝑡𝑖𝑛𝑢𝑎
𝑎

𝑡𝑎𝑙 𝑞𝑢𝑒 𝐸 (𝑋) es un valor comprendido dentro del recorrido de la variable:

𝑥1 ≤ 𝐸(𝑋) ≤ 𝑥𝑛 ó 𝑎 ≤ 𝐸(𝑋) ≤ 𝑏;
Tanto la suma como la integral pueden o no estar definidas entonces 𝐸(𝑋)
no existe.
 Ejemplo 5. Con la información del ejemplo 2. Calcular 𝐸(𝑋)
Solución
𝑋 0 1 2 3
𝑃(𝑋 = 𝑥) 1/8 3/8 3/8 1/8

𝐸(𝑋) = ∑ 𝑋. 𝑃(𝑋)
𝑥𝑖=1
1 3 3 1
= 0 (8) + 1 (8) + 2 (8) + 3(8)

= 1.5 = 𝜇

1.1. PROPIEDADES DE LA ESPERANZA MATEMÁTICA

2. 𝐸(𝐾) = 𝐾 ; donde 𝐾 es una constante.

Prueba podemos considerar a la 𝑣. 𝑎. 𝑋 (𝑑𝑖𝑠𝑐𝑟𝑒𝑡𝑎) que toma un
único valor 𝑥1 = 𝑘 con probabilidad 1.

𝑋 𝑘 ⟹ 𝐸(𝑋) = 𝐸(𝑘) = 𝑘. 1 = 𝑘
𝑓(𝑥) 1

3. 𝐸(𝑋 + 𝑌) = 𝐸(𝑋) + 𝐸(𝑌) ; 𝑠𝑖 𝑋 𝑒𝑠 𝑌 𝑠𝑜𝑛 𝑣. 𝑎.

Prueba

𝐸(𝑋 + 𝑌) = ∑ ∑(𝑋 + 𝑌) 𝑓(𝑋, 𝑌) = ∑ ∑ 𝑋𝑓(𝑋, 𝑌) + ∑ ∑ 𝑌𝑓(𝑋, 𝑌)

𝑋 𝑌 𝑋 𝑌 𝑋 𝑌

= ∑ 𝑋 ∑ 𝑓(𝑥, 𝑦) + ∑ 𝑌 ∑ 𝑓(𝑥, 𝑦) = ∑ 𝑥𝑔(𝑥) + ∑ 𝑌𝑔(𝑌)

𝑋 𝑌 𝑌 𝑋 𝑋 𝑌

= 𝐸(𝑋) + 𝐸(𝑌);
El caso continuo es similar; se puede generalizar para 𝑛 − 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒𝑠.

4. 𝐸(𝑋. 𝑌) = 𝐸(𝑋). 𝐸(𝑌); 𝑠𝑖 𝑦 𝑠𝑜𝑙𝑜 𝑠𝑖 𝑋 𝑒 𝑌 𝑠𝑜𝑛 𝑣. 𝑎. 𝑖𝑛𝑑𝑒𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒𝑠.

Prueba
 𝐸(𝑋. 𝑌) = ∑ ∑(𝑋. 𝑌) 𝑓(𝑋, 𝑌) = ∑ ∑ 𝑋 𝑌 𝑓 (𝑥)𝑓(𝑦)
𝑋 𝑌 𝑋 𝑌

= ∑ 𝑋𝑓(𝑥) ∑ 𝑌𝑓(𝑌) = 𝐸(𝑋). (𝑌)

𝑋 𝑌

5. Si 𝐸(𝑋) 𝑓𝑖𝑛𝑖𝑡𝑜 ⟹ |𝐸(𝑋)| ≤ 𝐸(|𝑥|)

Prueba

|𝐸(𝑥)| = |∑ 𝑋𝑓(𝑥) ≤ ∑ 𝑋𝑓(𝑥) ≤ ∑|𝑋|. |𝑓(𝑥)||

𝑥 𝑥 𝑥

Como 𝑓(𝑥) ≥ 0 ⟹ |𝑓(𝑥)| = 𝑓(𝑥)

≤ ∑|𝑋|𝑓(𝑥) = 𝐸(|𝑥|)
𝑥

6. 𝐸 (𝑘. 𝑋) = 𝑘. 𝐸(𝑋); donde 𝑘 es constante

Prueba supongamos que 𝑘 es 𝑣. 𝑎. independiente de 𝑋.

Por (3): 𝐸(𝑘. 𝑋) = 𝐸(𝐾)𝐸(𝑋) = 𝐾. 𝐸(𝑋)

2. VARIANZA DE UNA VARIABLE ALEATORIA

Definición Sea 𝑋 una 𝑣. 𝑎. con función de probabilidad 𝑓(𝑥), con esperanza
matemática 𝐸(𝑋) = 𝜇; se define la varianza de 𝑋 como la esperanza de los
cuadrados de las desviaciones
𝑉(𝑋) = 𝐸[𝑋 − 𝐸(𝑋)]2 = 𝐸[𝑋 − 𝜇]2
esto es: 𝑉(𝑥) = ∑𝑥𝑖 (𝑥𝑖 − 𝜇)2 𝑓(𝑥𝑖 ) ; 𝑠𝑖 𝑙𝑎 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑒𝑠 𝑑𝑖𝑠𝑐𝑟𝑒𝑡𝑎

= ∫(𝑥 − 𝜇)2 𝑓(𝑥)𝑑𝑥 ; 𝑠𝑖 𝑙𝑎 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑒𝑠 𝑐𝑜𝑛𝑡𝑖𝑛𝑢𝑎

También 𝑉(𝑥) = 𝐸(𝑥 2 ) − 𝜇 2

Ejemplo 6. Con la información del ejemplo 5. Calcular 𝑉(𝑥)

Solución
𝑉(𝑥) = 𝐸(𝑥 2 ) − 𝜇2
 1 3 3 1
= [ 02 ( ) + 12 ( ) + 22 ( ) + 32 ( ) ] − 1.52
8 8 8 8
= 0.75

2.1. PROPIEDADES DE LA VARIANZA

1. 𝑉(𝑥) ≥ 0 ; cualquiera que sea la distribución

Prueba
𝑉(𝑥) = 𝐸[𝑥 − 𝐸(𝑥)]2 ≥ 0 ; 𝑝𝑜𝑟 𝑠𝑒𝑟 𝑐𝑢𝑎𝑑𝑟𝑎𝑑𝑜𝑠

2. 𝑉(𝑘) = 0 ; 𝑑𝑜𝑛𝑑𝑒 𝑘 𝑒𝑠 𝑐𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑒

Prueba
𝑉(𝑥) = 𝐸[𝑘 − 𝐸(𝑘)]2 = 𝐸[𝑘 − 𝑘)]2 = 𝐸[0] = 0
3. 𝑉(𝑘. 𝑥) = 𝑘 2 𝑉(𝑥) ; 𝑘 𝑒𝑠 𝑐𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑒
Prueba
𝑉(𝑘. 𝑥) = 𝐸[𝑘𝑥 − 𝐸(𝑘𝑥)]2 = 𝐸[𝑘𝑥 − 𝑘𝐸(𝑥)]2
= 𝑘 2 𝐸[𝑥 − 𝐸(𝑥)]2 = 𝑘 2 𝑉(𝑥)

4. 𝑉(𝑥 + 𝑘) = 𝑉(𝑥) ; 𝑘 𝑒𝑠 𝑐𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑒

Prueba:
𝑉(𝑥 + 𝑘) = 𝐸[𝑥 + 𝑘 − 𝐸(𝑥 + 𝑘)]2 = 𝐸[𝑥 + 𝑘 − 𝐸(𝑥) − 𝑘]2
= 𝐸[𝑥 − 𝐸(𝑥)]2 = 𝑉(𝑥)