Apuntes de clase, Estadı́stica.

Variables aleatorias
Luis Fernando González Saavedra

Dpto. de Matemáticas y Estadı́stica

Universidad de Córdoba.
Monterı́a, Córdoba Colombia.
lg1984078@gmail.com

2021

1
Variables Aleatorias.(V.A)

Definiremos a una variable aleatoria como una función que va desde el espacio
muestral al conjunto de números reales. Esto nos permitirá considerar que el
resultado del experimento aleatorio es el número real tomado por la variable
aleatoria. En consecuencia, nuestro interés en el estudio de los experimentos
aleatorios se trasladará al estudio de las distintas variables aleatorias y sus
caracterı́sticas particulares.

Variables aletorias discretas y continuas

Considerando el conjunto de valores que una variable aleatoria puede tomar,
vamos a clasificar a las variables aleatorias en dos tipos: discretas o continuas.
Decimos que una variable aleatoria es discreta cuando el conjunto de valores
que esta toma es un conjunto discreto, es decir, un conjunto finito o nume-
rable. Por ejemplo, el conjunto {0, 1, 2, ..., n} es un conjunto discreto porque
es finito, lo mismo N (el cojunto de los números naturales) pues, aunque este
es un conjunto infinito, es numerable y por lo tanto discreto. Por otra parte,
decimos preliminarmente que una variable aleatoria es continua cuando toma
todos los valores dentro de un intervalo (a, b) . Esta clasificación de variables
aleatorias no es completa pues existen variables que no son de ninguno de
los dos tipos mencionados.

2
Variables aleatorias discretas
Es una función que asigna un número número real a cada elemento del espa-
cio muestral y el conjunto de valores que toma es finito o numerable.

Ejemplo 1. Se lanzan tres monedas (o una moneda tres veces) y se anota

el resultado (Cara o Sello) Consideremos la variable aleatoria X que asigna
a cada punto del espacio muestral el número de sellos.

Donde R es el un conjunto de número reales que contiene todos los posibles

valores de la variable aleatoria X.

Podriamos definir una o más variables aleatorias para todos los espacios
muestrales que hemos mencionado en el curso.

Ejemplo 2. Sea Y la variable aleatoria que cuenta los dı́gitos pares que salen
en el resultado de la loterı́a.
Los valores que puede tomar la V.A Y son {0, 1, 2, 3, 4}.

De ahora en adelante nos centraremos más en el conjunto de los posibles

valores de la variable aleatoria que en el espacio muestral.

3
Distribución de probabilidad de una V.A discreta

Definición.
La distribución de probabilidad de una variable aleatoria X es una descripción
del conjunto de valores posibles de X (rango de X) junto con la probabilidad
asociada a cada uno de estos valores.

Siguiendo con el ejemplo 1, la probabilidad de que X tome el valor de 0 es

equivalente a calcular la probabilidad de obtener ningún sello, es decir,
1
P (X = 0) = P ({CCC}) =
8
La probabilidad de que X tome el valor de 1 es equivalente a calcular la
probabilidad de obtener 1 sello y esto es:
3
P (X = 1) = P ({CCS}, {CSC}, {SCC}) =
8
La probabilidad de que X tome el valor de 2 es equivalente a calcular la
probabilidad de obtener 2 sellos y esto es:
3
P (X = 2) = P ({CSS}, {SCS}, {SSC}) =
8
La probabilidad de que X tome el valor de 3 es equivalente a calcular la
probabilidad de obtener 3 sellos y esto es:
1
P (X = 3) = P ({SSS}) =
8
Las variables aleatorias serán representadas por letras mayúsculas y sus po-
sibles valores por la correspondiente letra minúscula, por ejemplo, X es la
V.A que cuenta el número de sellos al lanzar 3 monedas y x = 0, 1, 2, 3 son
los posibles valores que puede tomar.

Ejemplo 3. La distribución de probabilidad de la V.A X del ejemplo 1 es:

x 0 1 2 3
1 3 3 1
P (X = x) 8 8 8 8

Ejemplo 4. Considere el experimento de extraer al tiempo y sin reemplazo

2 balotas de una urna que contiene 2 balotas blancas y 3 balotas negras.

4
Defina la V.A Y como la variable que cuenta el número de balotas negras en
la extracción.

Encuentre la distribución de probabilidad.

Solución. Los valores que puede tomar Y son y = 0, 1, 2 y las probabilidades

asociadas a cada uno de ellos son:
3 2



1
P (Y = 0) = 0 5
2 =
2
10
3 2



1 1 6
P (Y = 1) = 5
=
2
10
3 2



2 0 3
P (Y = 2) = 5
=
2
10
Luego, la función de probabilidad de esta V.A es:

y 0 1 2
1 6 3
P (Y = y) 10 10 10

Definición.
La función del conjunto de números reales al intervalo [0, 1] definida mediante

 P (X = x) si x pertenece al rango de X
fX (x) = (1)
0 en otro caso


Recibe el nombre de función de probabilidad.

Propiedades.
La función de probabilidad, fX de una variable aleatoria X satisface las si-
guiente propiedades.

1.
fX (x) ≥ 0 para todo x

2. X
fX (x) = 1
x

5
Si una función no cumple alguna de las propiedades anteriores, entonces no
puede llamarse función de probabilidad.

Es fácil verificar que las funciones de probabilidad de los ejemplos 3 y 4

cumplen las 2 propiedades anteriores.
Ambas cumplen la propiedad 1, puesto que fX (x) = P (X = x) ≥ 0 para
todo x.

Además,
X 1 3 3 1 8
fX (x) = + + + = =1
x
8 8 8 8 8
y
X 1 6 3 10
fY (y) = + + = =1
y
10 10 10 10

Lo que muestra que ambas cumplen la segunda propiedad.

Ejemplo 5.
Diga si la siguientes funciones son funciones de probabilidad.

 x
 2
si x = −1, 0, 1, 2
a. fX (x) =
0 en otro caso


y

 2
si y = 1, 2, 3
b. fY (y) =
0 en otro caso


Solución.
Las funciones fX (x) y fY (y) no son funciones de probabilidad porqué la
primera no cumple la propiedad 1 y la segunda no cumple la propiedad 2,
veamos
−1
fX (−1) = <0
2
y
X 1 2 3
fY (y) = fY (1) + fY (2) + fY (3) = + + =3>1
y
2 2 2

6
Las funciones de probabilidad de los ejemplos 3 y 4 pueden ser expresadas
de la siguiente forma
 1

 8
si x = 0
3
si x = 1


 83


8
si x = 2
fX (x) = 1

 8
si x = 3




0 en otro caso

 1

 10
si y = 0
6
si y = 1


 10
3
fY (y) = 10
si y = 2




0 en otro caso


Función de distribución acumulada.

Definición.
La función de distribución acumulada de una variable aleatoria discreta X,
denotada por FX (x) se define como
X
FX (x) = P (X ≤ x) = fX (xi ) (2)
xi ≤x

Propiedades.
La función de distribución acumulada, FX de una variable aleatoria discreta
X cumple las siguientes propiedades.

1. 0 ≤ FX (x) ≤ 1

2. si x ≤ y, entonces FX (x) ≤ FX (y)

Ejemplo 6.
Encontremos la función de distribución acumulada de las variables de los
ejemplos 3 y 4.

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

7
 

 0 si x<0
1
si 0 ≤ x < 1



 8




 4
8
si 1 ≤ x < 2
FX (x) =

 7
 8 si 2 ≤ x < 3







1 si x≥3


y 0 1 2
1 7 10
P (Y ≤ y) 10 10 10
=1


 0 si y<0



 1
si 0 ≤ y < 1


 10


FY (y) = 7

 10
si 1 ≤ y < 2








1 si y≥2


Cálculo de probabilidaes usando FX (x)

Propiedades.

. P (X < a) = FX (a− )

. P (X > a) = 1 − FX (a)

. P (X = a) = FX (a) − FX (a− )

. P (a < X ≤ b) = FX (b) − FX (a)

. P (a < X < b) = FX (b− ) − FX (a)

Consideremos nuevamente el experimento de lanzar una mondeda 3 veces y

la V.A X definida como la variable que cuenta el número de sellos.

La probabilidad de obtener dos sellos o menos es:

8
 1 3 3 7
P (X ≤ 2) = P (X = 0) + P (X = 1) + P (X = 2) = + + =
8 8 8 8
Y usando FX (x) tenemos
7
P (X ≤ 2) = FX (2) =
8

La probabilidad de obtener menos de 2 sellos es:

4
P (X < 2) = FX (2− ) = P (X ≤ 1) =
8

La probabilidad de obtener más de 2 sellos es :

1
P (X > 2) = P (X = 3) =
8

Tmabien se puede calcular usando la probabilidad del complemento

7 1
P (X > 2) = 1 − P (X ≤ 2) = 1 − FX (2) = 1 − =
8 8

La probabilidad de obtener más de 0 sellos pero no más de 2 es :

7 1 6
P (0 < X ≤ 2) = FX (2) − FX (0) = − =
8 8 8

La probabilidad de obtener más de 0 sellos, pero menos de 2 :

4 1 3
P (0 < X < 2) = FX (2− ) − FX (0) = − =
8 8 8

9
Valor esperado o media.

La media o valor esperado de una variable aleatoria discreta X, denotada por

µX o E(X) es
X
µX = E(X) = xfX (x) (3)
x

Varianza.

Suponga que la media de X es µx y que la función de probabilidad es fX ,

entonces la varianza de X se define como

2
 X
= E (x − µx )2 = (x − µx )2 fX (x)

V ar(X) = σX (4)
x

Desviación estándar.

La desviación estándar σX es la raı́z cuadrada positiva de la varianza, es

decir,
q
2
σX = σX (5)

Ejemplo 7. Calcular el número de sellos que se esperan obtener, al lanzar

una moneda 3 veces consecutivas.

Lo que se está pidiendo calcular es un valor esperado, para hacer dicho cálculo
hay que definir a X como la variable aleatoria que cuenta el numero de sellos
que se obtienen en los 3 lanzamientos y encontrar la función de probabilidad
fX , pero dicha función ya la tenemos
 1

 8
si x = 0
3
si x = 1


 83


8
si x = 2
fX (x) = 1

 8
si x = 3




0 en otro caso


10
Luego,
X 1 3 3 1 12 3
µX = E(X) = xfX (x) = 0 · +1· +2· +3· = =
x
8 8 8 8 8 2

La varianza,

X
V ar(X) = (x − µx )2 fX (x)
x
 2  2  2  2
3 1 3 3 3 3 3 1
= 0− · + 1− · + 2− · + 3− ·
2 8 2 8 2 8 2 8
3
=
4

La desviación estandar,
r √
3 3
q
2
σX = σX = = = 0, 866
4 2

Ejerccios.

1. Demuestre que si 0 < p < 1 la siguiente es una función de probabilidad

p (1 − p)x−1 si x = 1, 2, 3, ...




fX (x) =


0 en otro caso


2. Considere el experimento de lanzar 2 dados y defina a Y como la V.A

que registra la suma de los resultados. Encuentre la función de proba-
bilidad fY (y), el valor esperado E(Y ), la varianza V ar(Y ) y la función
de distribucion acumulada FY (y)

11
Distribuciones de probabilidad.

Estudiaremos ahora algunas distribuciones de probabilidad particulares. Las

distribuciones que mencionaremos tienen un nombre propio adquirido ya sea
debido a la situación en la que surgen, o bien debido al nombre de su descubri-
dor o a la persona que inicialmente la utilizó en alguna aplicación importante.

Distribución uniforme discreta

Decimos que una variable aleatoria X tiene una distribuciónn uniforme dis-
creta sobre el conjunto de n números {x1 , x2 , ..., xn } si la probabilidad de que
X tome cualquiera de estos valores es constante 1/n.

Se escribe X ∼ unif {x1 , x2 , ..., xn } en donde el sı́mbolo “∼” se lee “se distri-
buye como” o “tiene una distribución”. La función de probabilidad de esta
variable aleatoria es:
 1
 n si x = x1 , x2 , ..., xn
fX (x) =
0 en otro caso


La esperanza y la varianza para esta distribución se calculan del siguiente

modo:
n
1X
E(X) = xi = µ
n i=1
n
1X
V ar(X) = (xi − µ)2
n i=1
Ejemplo. Sea X ∼ unif {1, 2, 3, 4, 5} la función de probabilidad de X es :
 1
 5 si x = 1, 2, 3, 4, 5
fX (x) =
0 en otro caso


Y la función de distribución acumulada de X es:

12
 

 0 si x < 1



 1
si 1 ≤ x < 2



 5




 52 si 2 ≤ x < 3


FX (x) =
3
si 3 ≤ x < 4




 5


 4
si 4 ≤ x < 5




 5



1 si x ≥ 5


Las gráfica de la función de probabilidad y de la función de distribución acu-

mulada de la distribución uniforme en el conjunto {1, 2, 3, 4, 5} son

Cada salto en la función de distribución es de tamaño 1/5.

Distribución Bernoulli.

Un ensayo Bernoulli se define como aquel experimento aleatorio con única-

mente dos posibles resultados, llamados genéricamente: éxito y fracaso.Supondremos
que las probabilidades de estos resultados son p y 1 − p, respectivamente. Si
se define la variable aleatoria X como aquella función que lleva el resulta-
do éxito al número 1 y el resultado fracaso al número 0, entonces decimos
que X tiene una distribución Bernoulli con parámetro p  (0, 1) y escribimos
X ∼ Ber(p). La función de probabilidad se puede escribir de la siguiente
forma.

13
 

 1−p si x = 0




p si x = 1

fX (x) =






0 en otro caso


O bien de manera compacta,

px (1 − p)1−x si x = 0, 1




fX (x) =


0 en otro caso


Su función de distribución acumulada es



 0 si x < 0



FX (x) = 1 − p si 0 ≤ x < 1




1 si x ≥ 1


Para la distribución Bernoulli de parámetro p, el valor esperado y la varianza

son:

E(X) = p

V ar(X) = p(1 − p)

Distribución Binomial.

Un ensayo Binomial consiste en n ensayos tipo Bernoulli, independientes, con

probabilidad de éxito, p, que permanece constante.

La variable aleatoria X definida como el número de éxitos obtenidos en los n

ensayos tiene una distribución binomial con parámetros p y n y escribiremos

14
X ∼ Bin(n, p). La función de probabilidad es:

n
p (1 − p)n−x si x = 0, 1, 2, ..., n

x


 x

fX (x) =


0 en otro caso


n n!


Recordemos que x
= (n−x)! x!

Para la distribución Binomial de parámetros n y p, el valor esperado y la

varianza son:

E(X) = np

V ar(X) = np(1 − p)

Ejemplo
Un cientı́fico asegura que la vacuna desarrollada por su grupo de investiga-
ción para prevenir el Covid-19, tiene una efectividad del 80 %. Suponga que
el cientı́fico está en lo cierto y para probar la vacuna en humanos, se elige
una muestra de 5 voluntarios. Calcule

a. La probabilidad de que la vacuna funcione exactamente en 2 de los

voluntarios

b. La probabilidad de que la vacuna funcione en más de 3 voluntarios

c. El número de voluntaios en los que se espera que la vacuna funcione

Solución
Se define a X como v.a que cuenta el número de voluntarios en los que la
vacuna funciona, entonces X ∼ Bin(5; 0,8)

a.
5
0,82 (1 − 0,8)5−2 = 0,0512


P (X = 2) = 2

15
b.

P (X > 3) = P (X = 4) + P (X = 5)
   
5 5−4 5
= 4
0,8 (1 − 0,8) + 0,85 (1 − 0,8)5−5
4 5
= 0,4096 + 0,3277
= 0,7373
c.
E(X) = np = (0, 8)(5) = 4.

Se espera que la vacuna funcione en 4 de los voluntarios.

Ejemplo
Se sabe que el 15 % de los estudiantes reprueban el curso de Estádistica. Si
el grupo consta de 30 estudiantes, calcule laprobabilidad de que

a. Exactamente 5 reprueben el curso

b Más de uno repruebe el curso.

Solución
Se define a X como v.a que cuenta el número de estudiantes que reprueban,
entonces X ∼ Bin(30; 0,15)

a.
30
0,155 (1 − 0,15)30−5 = 0,1861


P (X = 5) = 5

b.

P (X > 1) = 1 − P (X ≤ 1)
= 1 − [P (X = 0) + P (X = 1)]
    
30 0 30−0 30 1 30−1
=1− 0,15 (1 − 0,15) + 0,15 (1 − 0,15)
0 1
= 1 − [0,0076 + 0,0404]
= 0,952

16
Distribución Binomial Negativa.

Suponga que se tienen una serie de ensayos Bernoulli independientes, pro-

babilidad de éxito, p, constante y se define a la variable aleatoria X co-
mo el número de ensayos realizados hasta obtener r éxitos, entonces X si-
gue una distribución Binomial Negativa con parámetros r y p, escribiremos
X ∼ BN (r; p). Su función de probabilidad está dada por:

x−1
pr (1 − p)x−r si x = r, r + 1, r + 2, ...




 r−1

fX (x) =


0 en otro caso


Para la distribución Binomial Negativa de parámetros r y p, el valor esperado

y la varianza son:
r
E(X) =
p
r(1 − p)
V ar(X) =
p2

Ejemplo
En un departamento de control de calidad se inspeccionan las unidades ter-
minadas que provienen de una linea de ensamble. Se piensa que la proporción
de unidades defectuosas es 0,05.

¿Cuál es la probabilidad de que sea necesario inspeccionar 20 unidades hasta

encontrar 2 defectuosas?

¿Cuál es el valor esperado y la varianza del número de inspecciones que es

necesario hacer hasta encontrar dos defectuosas?

Solución

Se define a X como la variable aleatoria que cuenta el número de inspecciones

hasta encontrar 2 unidades defectuosas, entonces X ∼ BN (2; 0, 05).

17
La primera pregunta se traduce a :
20−1
0, 052 (1 − 0, 05)20−2 = 0,0189


P (X = 20) = 2−1

El valor esperado
r 2
E(X) = = = 40
p 0, 05
Y la varianza
r(1 − p) 2 · (1 − 0,05)
V ar(X) = 2
= = 760
p 0,052

Distribución Hipergéometrica.

Suponga que tiene una pobalación de N objetos, en donde K de esos N tienen

cierto atributo, los cuales se consideran éxitos. Los restantes N − K objetos,
no tienen dicho atributo, se selecciona una muestra de tamaño n, al azar (sin
reemplazo). Se define a X como la varieble aleatoria que cuenta el número
de éxitos en la muestra, entonces diremos que X sigue una distribución Hi-
pergéometrica con parámetros N , K y n y escribiremos X ∼ Hiper(N ; K; n)

Su función de probabilidad está dada por:

 K N −K
( x ) ( n−x )
 si x = 0, 1, 2, ..., min{K, n}


 (Nn )
fX (x) =




0 en otro caso

Si X tiene distribución hipergeométrica con parámetros N, K y n entonces la

media y la varianza de X son:

N −K N −n
E(X) = n K
N
y V ar(X) = n K
N N N −1

Ejemplo
Un lote de piezas contiene 100 de un proveedor local de tuberı́as, y 200 de
un proveedor de otro estado. Si se eligen cuatro piezas al azar y sin remplazo.

18
¿Cuál es la probabilidad de que todas provengan del proveedor local?

¿Cuál es la probabilidad de que másde 2 provengan del proveedor local?

¿Qué número de piezas se espera que provengan del proveedor local?

Solución

En este caso se toma como éxito que el origen de la pieza sea del pro-
veedor local. Se fine a X comola variable aleatoria que cuenta el número
de piezas provenientes del porveedor locale en la muestra, entonces X es
una Hipergéometrica con parámetros N = 300, K = 100, n = 4, es decir,
X ∼ Hiper(300; 100; 4)

La primera pregunta se traduce a:

100 300−100



4 4−4
P (X = 4) = 300

= 0, 0119
4

La segunda pregunta se traduce a:

P (X > 2) = P (X = 3) + P (X = 4)
100 300−100 100 300−100





3 4−3 4 4−4
= 300

+ 300


4 4
= 0,0978 + 0,0119
= 0,1096

La tercera pregunta se traduce a:

K 100
E(X) = n =4 = 1, 33
N 300

19
Distribución Poisson.

Si X es la variable aleatoria que cuenta el número de veces que un evento

ocurre en un intervalo (o unidad de tiempo, longitud, superficie, volumen,
etc), y si se tiene que los eventos son independientes y el número promedio
por intervalo es λ (Lambda) , se dice que X tiene una distribución de Poisson
y escribiremos X ∼ P ois(λ). La función de probabilidad de X es:

e−λ λx


 x!
si x = 0, 1, 2, ...

fX (x) =


0 en otro caso


Si X es una variable aleatoria con distribución de Poisson con parámetro λ

entonces

E(X) = λ y V ar(X) = λ

Ejemplo.
El número de huecos en la Cra segunda del centro de Monterı́a puede mode-
larse con una distribución de Poisson con media de dos huecos por kilómetro.

1. Cuál es la probabilidad que sea necesario reparar un hueco en un tramo

de un kilómetro?

2. ¿Cuál es la probabilidad de que no haya huecos que reparar en un tramo

de cinco kilómetros?

3. ¿Cual es la probabilidad que sea necesario reparar al menos un hueco en

un tramo de medio kilómetro?

Solución.

1
Sea X el número de huecos en un kilómetro, entonces X es Poisson con λ = 2

e−2 21
P (X = 1) = = 0,2707
1!

20
2
Sea X el número de huecos en cinco kilómetro, entonces X es Poisson con
λ = 2 × 5 = 10

e−10 100
P (X = 0) = = 0, 0000454
0!
3
Sea X el número de huecos en medio kilómetro, entonces X es Poisson con
λ = 2 × 21 = 1

P (X ≥ 1) = 1 − P (X < 1)
= 1 − P (X = 0)
e−1 10
=1−
0!
= 1 − 0,3679
= 0,6321

21
Variables aleatorias continuas

Se habı́a mencionado que una variable aleatoria es una función que asigna
un número real a cada elemento del espacio muestral. Además, decimos que
una variable aleatoria es continua cuando toma todos los valores dentro de
un intervalo (a, b) .

Ejemplos

1. El tiempo de espera en un banco

2. La temperatura en Monterı́a durante el mes de Mayo

3. El tiempo de vida útil de un artı́culo.

Función de probabilidad de una V.A continua

Sea X una variable aleatoria continua. Decimos que la función integrable y

no negativa fX (x) : R → R es la función de densidad de X si para cualquier
intervalo [a, b] de R se cumple que
Z b
P (X ∈ [a, b]) = fX (x) dx (6)
a

Es decir, la probabilidad de que la variable tome un valor dentro del intervalo

[a, b] se puede calcular o expresar como el área bajo la función fX (x) en dicho
intervalo. De esta forma, el cálculo de una probabilidad se reduce a al cálculo
de una integral.

22
Toda función de densidad fX (x) de una variable aleatoria continua cumple
las siguientes propiedades análogas al caso discreto.

Propiedades

1. fX (x) ≥ 0 para todo x ∈ R

R∞
2. −∞ fX (x) dx = 1

Recı́procamente, toda función fX (x) : R → R que satisfaga estas dos propie-

dades, sin necesidad de tener una variable aleatoria de por medio, se llamará
función de densidad.

Ejemplo
La función dada por
 1

 2
si 1 < x < 3

fX (x) =


0 en otro caso


es la función de densidad de una variable aleatoria continua que toma valores

en el intervalo (1, 3) y cuya gráfica aparece a continuación

Es evidente que fX (x) ≥ 0 para todo x ∈ R y además

Z 3
1 h x i3 3 1 2
dx = = − = =1
1 2 2 1 2 2 2
Entonces fX (x) es una función de probabilidad.

23
Ejemplo Encuentre el valor de la constante c que hace que la siguiente
función sea de probabilidad.


 c|x| si − 1 < x < 1

fX (x) =


0 en otro caso


Solución
Para que fX (x) sea una función de probabilidad debe cumplir las propieda-
des 1 y 2.

Para que fX (x) ≥ 0 debe suceder que c ≥ 0.

También debe suceder que

Z 1
c|x| dx = 1
−1
entonces

Z 0 Z 1
−cx dx + cx dx = 1
−1 0
c c
+ =1
2 2
luego,

c=1
De modo que, para que fX (x) se una una función de probabilidad (fdp), debe
suceder que c = 1.

Ejemplo de los mensajes: Suponga que el tiempo de llegada de los men-

sajes de su pareja cuando sale sin ella, pueden modelarse con la variable
aletoria X con función de probabilidad
 −2x
 2e si x ≥ 0
fX (x) =
0 si x < 0


a. Calcule la probabilidad de que antes de 2 minutos reciba un mensaje

24
b. Calcule la probabilidad de que tenga que esperar entre 3 y 5 minutos para
recibir un mensaje.

Solución

a. La probabilidad requerida se traduce a:

Z 2
P (X < 2) = fX (x) dx
−∞

Z 0 Z 2
= fX (x) dx + fX (x) dx
−∞ 0

Z 2
=0+ 2e−2x dx
0

2
= −e−2x 0


= −e−2×2 − −e−2×0

= −e−4 + e0

= 1 − e−4

= 0, 9817

b. La probabilidad requerida se traduce a:

25
 Z 5
P (3 < X < 5) = fX (x) dx
3

Z 5
= 2e−2x dx
3

5
= −e−2x 3


= −e−2×5 − −e−2×3

= −e−10 + e−6

= −0,000045 + 0,0024

= 0,0024

Función de distribución acumulada de una V.A continua

La función de distribución evaluada en un número x cualquiera es la proba-

bilidad de que la variable aleatoria tome un valor menor o igual a x, o en
otras palabras, que tome un valor en el intervalo [−∞, x].

Para el caso continuo, si fX (x) es la función de probabilidad de X, se tiene

que
Z x
FX (x) = P (X ≤ x) = fX (u) du (7)
−∞

De modo que, por el teorema fundamental del cálculo, y cuando FX (x) es

diferenciable,
fX (x) = FX0 (x)
De este modo, podemos encontrar fX (x) a partir de FX (x).

Ejemplo. Considere ahora la variable aleatoria continua X con función de

probabilidad

26
  −2x
 2e si x ≥ 0
fX (x) =
0 si x < 0


Encontremos la función de distribución de X

Z x
FX (x) = fX (u) du
−∞

Z 0 Z x
= fX (u) du + fX (u) du
−∞ 0

Z x
= 2e−2u du
0

x
= −e−2u 0


= −e−2x − −e−2×0

= −e−2x + e0

= 1 − e−2x

Luego,

 0 si x < 0
FX (x) =
1 − e−2x si x ≥ 0


Teniendo ya la función de distribución acumulada, calcular las probabilidades

requeridas en el ejemplo de los mensajes se reduce a:

P (X < 2) = FX (2) = 1 − e−2×2 = 1 − e−4 = 0, 9817

27
 P (3 < X < 5) = FX (5) − FX (3)

= 1 − e−2×5 − 1 − e−2×3
 

= 0, 0024

Ejemplo. Considere la función de distribución acumulada



 0 si x < −1



 1+x3

si − 1 ≤ x < 1
FX (x) = 2






1 si x ≥ 1


Observe que se trata de una función continua y diferenciable, excepto en

x = −1, 1 . Derivando entonces en cada una de las tres regiones de definición,
se encuentra que
 3x2
si − 1 < x < 1
 2


fX (x) =


0 en otro caso


28
Ejemplo Considere ahora la variable aleatoria continua X con función de
probabilidad

 |x| si − 1 ≤ x ≤ 1
fX (x) =
0 en otro caso


Note que, si −1 ≤ x < 0, entonces fX (x) = −x y

Z x Z x
1 − x2
FX (x) = P (X ≤ x) = fX (u) du = −u du =
−1 −1 2

Ahora, si 0 ≤ x < 1, entonces fX (x) = x y

Z x Z x
x2
FX (x) = P (X ≤ x) = fX (u) du = u du =
0 0 2
Por lo tanto

 0 si x < −1
1−x2

si − 1 ≤ x < 0


 2


FX (x) = x2

 2
si 0 ≤ x < 1




si x ≥ 1

1

29
Valor esperado de una V.A continua

Sea X una variable aleatoria discreta con función de probabilidad fX (x). La

esperanza de X se define como el número
Z ∞
E(X) = xfX (x) dx (8)
−∞

Varianza de una V.A continua

Sea X una variable aleatoria discreta con función de probabilidad fX (x) y

E(X) = µ. La varianza de X se define como el número
Z ∞
V ar(X) = (x − µ)2 fX (x) dx (9)
−∞

Propiedad.
Sabemos que que, V ar(x) = E(X − µ)2 . Es muy fácil probar que

V ar(X) = E(X 2 ) − µ2 = E(X 2 ) − [E(X)]2 (10)

Donde Z ∞
2
E(X ) = x2 fX (x) dx
−∞

Ejemplo. Calcularemos el valor esperado y la varianza de la siguiente función

de probabilidad

 2x si 0 < x < 1
fX (x) =
0 en otro caso


Su valor esperado

30
 Z ∞
E(x) = xfX (x) dx
−∞

Z 0 Z 1
= xfX (x) dx + xfX (x) dx
−∞ 0
Z ∞
+ xfX (x) dx
1

Z 1
=0+ x · 2x dx + 0
0

Z 1
= 2x2 dx
0

1
2x3

=
3 0

2
=
3
Ahora,

Z ∞
2
E(X ) = x2 fX (x) dx
−∞

Z 1
= x2 · 2x dx
Z0 1
= 2x3 dx
0
 4 1
2x
=
4 0

1
=
2
31
Luego,
 2
2 1 2
2 1
V ar(X) = E(X ) − [E(X)] = − =
2 3 18

Si prefiere no usar la expresión 15 para calcular la varianza, entoces puede

hacerlo de la siguiente manera y verificar el resultado

Z ∞ Z 1 2
2 2 1
V ar(X) = (x − µ) fX (x) dx = x− 2x dx =
−∞ 0 3 18

Ejercicio.
Sea λ > 0 y considere la siguinete función de probabilidad
 −λx
 λe si x > 0
fX (x) =
0 si x ≤ 0


Encuentre el valor esperado y la varianza.

32
Algunas distribuciones de probabilidad continuas.

Distribución uniforme continua

Decimos que una variable aleatoria X tiene una distribución uniforme conti-
nua en el intervalo (a, b), y escribimos X ∼ unif (a, b), cuando su funciónde
densidad es
 1
 b−a si a < x < b
fX (x) =
0 si x ∈
/ (a, b)


Su función de distribución acumulada es:


 0 si x ≤ a
 x−a

b−a
si a<x<b
FX (x) =


1 si x ≥ b


Si X ∼ unif (a, b), su valor esperado y varianza son:

a+b
E(X) = 2

(b−a)2
V ar(X) = 12

Ejemplo
Un estudiante llega al paradero de buses de la Unicor a las 2:00 pm, se sabe
que la Metrosinú que el espera pasa entre 2:00 pm y 2:30 pm.

a) Calcule la probabilidad de que este estudiante tenga que esperar más

de 10 minutos

b) Calcule la probabilidad de que espere entre 8 y 15 minutos

c) Si ya son más de las 2:15, calcule la probabilidadde que tenga que

esperar al menos 10 minutos más

33
Soulución
Definamos a X como la variable aleatoria que cuenta el número de minutos
hasta que llegue el bus, X ∼ unif (0, 30), es decir X sigue una distribucón
uniforme con a = 0 y b = 30.

a)
10 − 0
P (X > 10) = 1 − P (X ≤ 10) = 1 − FX (10) = 1 − = 0, 666
30 − 0

También podemos calcular de la probabilidad requerida de la siguiente forma

Z 30 Z 30
1 20
P (X > 10) = fX (x) dx = dx = = 0, 666
10 10 30 30
o
Z 10 Z 10
1
P (X > 10) = 1 − P (X ≤ 10) = 1 − fX (x) dx = 1 − dx = 0, 666
0 0 30

b)
15 − 0 8−0 7
P (8 ≤ X ≤ 15) = FX (15) − FX (8) = − = = 0, 233
30 − 0 30 − 0 30
c)
25
P (X > 15 y X > 25) P (X > 25) 1 − FX (25) 1− 30 1
P (X > 25/X > 15) = = = = 15 =
P (X > 15) P (X > 15) 1 − FX (15) 1− 30
3

Distribución exponencial

Decimos que una variable aleatoria continua X tiene distribución exponen-

cial con parámetro λ > 0, y escribimos X ∼ exp(λ), cuando su función de
probabilidad es
 −λx
 λe si x > 0
fX (x) =
0 si x ≤ 0


34
La función de distribución acumulada de esta variable aleatoria es:

 1 − e−λx si x > 0
FX (x) =
0 si x ≤ 0


Si X ∼ exp(λ), su valor esperado y varianza son:

1
E(X) = λ
1
V ar(X) = λ2

Ejemplo
El tiempo promedio de espera en perros Richard es de 3 minutos. Si usted
llega a perros Richard, calcule la probabilidad de esperar

a) Menos de 1 minuto

b) Entre 2 y 5 minutos

Solución
Se define a
X como la variable aleatoria que modela el tiempo de espera,
X ∼ exp 31 .

a)

35
 Z 1
P (X < 1) = f (x) dx
0

Z 1
1 −1x
= e 3 dx
0 3
h 1
i1
= −e− 3 x
0

1
= −e− 3 − −e0

1
= 1 − e− 3
= 1 − 0, 716
= 0, 284

La probabilidad anterior también puede ser calculada usando la función de

dsitribución acumulada, veamos
1
P (X < 1) = FX (1) = 1 − e− 3 = 1 − 0, 716 = 0, 284

b)

P (2 ≤ X ≤ 5) = P (X ≤ 5) − P (X ≤ 2)

= FX (5) − FX (2)

1
h 1
i
= 1 − e− 3 ×5 − 1 − e− 3 ×2
2 5
= e− 3 − e− 3
= 0, 51 − 0, 188
= 0, 322

36
Distribución gamma

Decimos que una variable aleatoria continua X tiene distribución gamma con
parámetros α > 0 y λ > 0, escribimos X ∼ gamma(α, λ), cuando su función
de probabilidad es
 α−1
 (λx)

Γ(α)
λe−λx si x > 0
fX (x) =

 0 si x ≤ 0

En la expresión anterior aparece el término Γ(α), el cual se conoce como la

función gamma, y es de este hecho que la distribución adquiere su nombre.
La función gamma se define por medio de la siguiente integral.
Z ∞
Γ(α) = tα−1 e−t dt
0
para cualquier número real α tal que esta integral sea convergente. Para eva-
luar la función gamma es necesario substituir el valor de α en el integrando
y efectuar la integral impropia. En general, no necesitaremos evaluar esta
integral para cualquier valor de α, sólo para algunos pocos valores, principal-
mente enteros, y nos ayudaremos de las siguientes propiedades que no son
difı́ciles de verificar

1. Γ(α + 1) = αΓ(α).

2. Γ(α + 1) = α! si α es un entero positivo.

3. Γ(2) = Γ(1) = 1
√
4. Γ(1/2) = π

Si X ∼ gamma(α, λ) su valor esperado y varianza son:

α
E(X) =
λ
α
V ar(X) =
λ2

37
Ejemplo: Sea X ∼ gamma(α, λ) con α = 2 y λ = 3.Encuentre P (X < 1) y
P (X ≥ 2)

Veamos,
Z 1
P (X < 1) = fX (x) dx
0

1
(λx)α−1 −λx
Z
= λe dx
0 Γ(α)

1
(3x)2−1 −3x
Z
= 3e dx
0 Γ(2)

Z 1
= (3x) 3e−3x dx
0

Z 1
= 9xe−3x dx
0
= 1 − 4e−3
= 0, 8008

38
P (X ≥ 2) = 1 − P (X < 2)

Z 2
=1− fX (x) dx
0

2
(λx)α−1 −λx
Z
=1− λe dx
0 Γ(α)

2
(3x)2−1 −3x
Z
=1− 3e dx
0 Γ(2)

Z 2
=1− (3x) 3e−3x dx
0

Z 2
=1− 9xe−3x dx
0
= 1 − 1 − 7e−6


= 0, 01735

39
Distribución normal

Esta es posiblemente la distribución de probabilidad de mayor importancia.

Decimos que la variable aleatoria continua X tiene una distribución normal
si su función de probabilidad está dada por la siguiente expresión
1 (x−µ)2
fX (x) = √ e− 2σ 2 , −∞ < x < ∞
2πσ 2
en donde µ ∈ R y σ 2 > 0 son dos parámetros. A esta distribución se le co-
noce también con el nombre de distribución gausiana. Escribimos entonces
X ∼ N (µ, σ 2 ). La gráfica de esta función de probabilidad tiene forma de
campana, como se puede apreciar en lasiguiente figura, en donde se muestra
además el significado geométrico de los dos parámetros: el parámetro µ es
el centro de la campana y σ (la raı́z cuadrada positiva de σ 2 ) es la dis-
tancia entre µ y cualquiera de los dos puntos de inflexión de la curva. En
ocasiones, a la gráfica de esta función se le refiere como la campana gausiana.

Su función de distribución acumulada es

Z x
1 (y−µ)2
FX (x) = √ e− 2σ2 dy
2
−∞ 2πσ

pero resulta que esta integral es imposible de resolver y no puede encontrarse

una expresión cerrada. Usando métodos numéricos se han calculado aproxi-
maciones de los valores de esta función.

40
Por otro lado, usando integración por partes, es posible demostrar que para
una variable aleatoria X con distribución N (µ, σ 2 ),

E(X) = µ

V ar(X) = σ 2

Distribución normal estándar

Decimos que la variable aleatoria X tiene una distribución normal estándar

si tiene una distribución normal con parámetros µ = 0 y σ 2 = 1, y escribimos
X ∼ N (0, 1). En este caso, la función de probabilidad se reduce a la expresión

1 x2
fX (x) = √ e− 2 , −∞ < x < ∞
2π

Es común denotar a la función de distribución de una variable aleatoria

normal estándar como Φ(x), y a la función de probabilidad como φ(x), es
decir,
1 x2
φ(x) = √ e− 2 , −∞ < x < ∞
2π
y Z x Z x
1 u2
Φ(x) = φ(u) du = √ e− 2 du
−∞ −∞ 2π

Como hemos mencionado antes, no es posible resolver esta integral y para

evaluar Φ(x) se usan métodos numéricos. Existen tablas estadı́sticas de la
distrbución normal estándar con estos valores aproximados.

Observe además que para x ≥ 3, 5, la probabilidad Φ(x) es muy cercana a

uno, es decir, para esos valores de x la campana prácticamente ha decaı́do
a cero en el lado derecho. Esto quiere decir que, con probabilidad cercana
a uno, los valores que toma una variable aleatoria normal estándar están
comprendidos entre −3, 5 y 3, 5

41
Proposición
Sea X con distribución N (µ, σ 2 ). Entonces
X −µ
Z= ∼ N (0, 1) (11)
σ

Al procedimiento anterior se le conoce con el nombre de estandarización y,

bajo tal transformación, se dice que la variable X ha sido estandarizada. Este
resultado parece muy modesto pero tiene una gran importancia operacional
pues establece que el cálculo de las probabilidades de una variable aleatoria
normal cualquiera se reduce al cálculo de las probabilidades para la normal
estándar. Explicaremos ahora con más detalle esta situación. Suponga que X
es una variable aleatoria con distribución N (µ, σ 2 ) y que deseamos calcular,
por ejemplo, la probabilidad de que X tome un valor en el intervalo (a, b) es
decir, P (a < X < b). Como en el enunciado anterior, Z denotará una variable
aleatoria con distribución normal estándar. Tenemos entonces que

P (a < X < b) = P (a − µ < X − µ < b − µ)

 
a−µ X −µ b−µ
=P < <
σ σ σ

 
a−µ b−µ
=P <Z<
σ σ

De esta forma, una probabilidad que involucra a la variable X se ha reducido

a una probabilidad que involucra a Z. De modo que unicamente necesitamos
conocer las probabilidades de los eventos de Z para calcular las probabilida-
des de los eventos de la variable X, que tiene parámetros arbitrarios.

Ejemplo
Sea X ∼ N (0, 1). Calcule

42
 a) P (X > −2, 84)
b) P (1 < X < 1, 5)
c) Zα tal que, P (X < Zα ) = 0, 975
d) Zα tal que, P (−Zα < X < Zα ) = 0, 93

Solución.

a) Para encontrar la probabiliad requerida es necesario usar la tabla de la

distribución normal estándar.

P (X > −2, 84) = 1 − P (X ≤ −2, 84) = 1 − Φ(−2, 84) = 1 − 0, 0023 = 0, 9977

b)

P (1 < X < 1, 5) = Φ(1, 5) − Φ(1) = 0, 9332 − 0, 8413 = 0, 0919

43
c)
Debemos encontrar bajo la curva de la normal estándar un valor Zα que deja
a su izquierda un área de 0, 975, es decir, Φ(Zα ) = 0, 975, lo que es equiva-
lente a decir que, Φ−1 (0, 975) = Zα .

Buscando en la tabla de la normal estándar nos damos cuenta que Zα = 1, 96

44
d)
Por la simetrı́a de la curva normal estándar, tenemos que Φ(−x) = 1 − Φ(x).

Ahora,

P (−Zα < X < Zα ) = Φ(Zα ) − Φ(−Zα ) = Φ(Zα ) − [1 − Φ(Zα )] = 2Φ(Zα ) − 1

Por lo tanto, encontrar un valor Zα tal que, P (−Zα < X < Zα ) = 0, 93 es

equivalente a encontrar Zα tal que,2Φ(Zα ) − 1 = 0, 93 y eso se reduce a :
0,93+1
encontrar Zα tal que Φ(Zα ) = 2
= 0, 965

Buscando en la tabla tenemos que Zα = 1, 81

45
Como alternativas a la tabla existen en distintos softwares estadı́sticos funcio-
nes que permiten calcular probabilidades de la dsitribución normal, también
en Excel.

Por ejemplo, en Excel las probabilidades anteriores se calculan como:

a) Φ(−2, 84) se calcula usando =DISTR.NORM.ESTAND(-2,84)

b) Φ(1, 5) se calcula usando =DISTR.NORM.ESTAND(1,5) y Φ(1)

se calcula usando =DISTR.NORM.ESTAND(1)

c) Φ−1 (0, 975) se encuentra como =INV.NORM.ESTAND(0,975)

Y en R, se calculan como sigue

a) Φ(−2, 84) se calcula usando pnorm(-2.84)

b) Φ(1, 5) se calcula usando pnorm(1.5) y Φ(1) se calcula usando pnorm(1)

c) Φ−1 (0, 975) se encuentra como qnorm(0,975)

46
Ejemplo
En la ciudad de Monterı́a se estima que la temperatura máxima en el mes de
junio sigue una distribución normal, con media 32◦ y desviación estándar 5◦ .
Calcule la probabilidad de que en un dı́a cualquiera en la ciudad de Monterı́a
la temperatura

a) Sea menos de 35◦

b) Sea más de 25◦

C) Esté entre 30◦ y 34◦

Solución
X sigue una distribución normal con µ = 32 y σ = 5.

a)

P (X < 35) = P (X − µ < 35 − 32)

 
X −µ 35 − 32
=P <
σ 5

= P (Z < 0, 6)
= Φ(0, 6)
= 0, 7257

47
b)

P (X > 25) = P (X − µ > 25 − 32)

 
X −µ 25 − 32
=P >
σ 5

= P (Z > −1, 4)
= 1 − P (Z ≤ −1, 4)
= 1 − Φ(−1, 4)
= 1 − 0, 0808
= 0, 9192

c)
 
30 − 32 X −µ 34 − 32
P (30 < X < 34) = P < <
5 σ 5

= P (−0, 4 < Z < 0, 4)

= Φ(0, 4) − Φ(−0, 4)
= 0, 6554 − 0, 3446
= 0, 3108

Ejemplo
La media de los pesos de 5000 estudiantes de un colegio es 70 kg y la des-
viación tı́pica 3 kg. Suponiendo que los pesos se distribuyen normalmente,
“hallar cuántos estudiantes” pesan menos de 60 kg. Encontrar un peso tal
que, el 80 % de los estudiantes pese menos que él.

Solución Tenemos una distribución normal con µ = 70 y σ = 3.

Para hallar cuantos estudiantes pesan menos de 60, calculamos la probabili-

48
dad
 
X −µ 60 − 70
P (X < 60) = P <
σ 3

= P (Z < −3,33)
= Φ(−3,33)
= 0, 0004

La cantidad que pesan menos de 60 kg son 0,0004 × 5000 = 2

Ahora, debemos encontra un valor z tal que P (X < z) = 0,8, veamos

 
X −µ z − 70
P (X < z) = P < = 0,8
σ 3

z−70 z−70



Luego, P Z < 3
= 0,8, es decir, Φ 3
= 0,8.

Φ−1 (0,8) = 0,84, entonces z−70

3
= 0,84, de modo que

z = 0,84 × 3 + 70 = 72, 52
Finalmente, z = 72, 52 es el valor tal que, el 80 % de los pesos son menores
que él.

49
Distibución ji-cuadrada
Decimos que la variable aleatoria continua X tiene una distribución jicuadra-
da con n grados de libertad (n > 0) y escribiremos X ∼ χ2 (n) , si su función
de probabilidad está dada por la siguiente expresión.
(
1 1 n/2 n/2−1 −x/2


x e si x > 0
fX (x) = Γ(n/2) 2
0 en otro caso

La expresión para la función de distribución no tiene una forma reducida:

para x > 0,
Z x  n/2
1 1
FX (x) = un/2−1 e−u/2 du
0 Γ(n/2) 2

A través de la construcción de una distribución χ2 con un parámetro adecua-

do en el integrando correspondiente, puede demostrarse, sin mucha dificultad,
que

E(X) = n.
Var(X) = 2n.

Ejemplo: Sea X ∼ χ2 (15).

P (X < 18,25) = 0,750, este valor se consigue en la tabla de la distribución

ji-cuadrada o en R, usando el codigo pchisq(18.25,15).

Ahora encontremos un valor χα tal que P (X < χα ) = 0,95.

Estamos buscando un cuantil de la distribución ji-cuadrada de parámetro 15

que deja a su izquierda un área de 0.95

χα = 24,996, este valor se consigue en la tabla de la distribución ji-cuadrada

o en R, usando el codigo qchisq(0.95,15).

Encontremos un valor χα tal que P (X > χα ) = 0,025

Note que, P (X > χα ) = 1 − P (X < χα ), entonces debemos encontrar un

valor χα , tal que

1 − P (X < χα ) = 0,025

50
 ⇔ P (X < χα ) = 1 − 0,025

⇔ P (X < χα ) = 0,975

χα = 27,488. Se obtuvo en R, usando qchisq(0.975,15)

51
Distibución t Student
Decimos que la variable aleatoria continua X tiene una distribución t de
Student con n > 0 grados de libertad si su función de densidad está dada
por la siguiente expresión
−(n+1)/2
Γ n+1


2 x2
fX (x) = √
1+ −∞<x<∞
nπΓ n2 n

En tal caso se escribe X ∼ t(n), en donde n es un número real positivo,

aunque tomaremos principalmente el caso cuando n es entero positivo.

Por otro lado, la función de distribución no tiene una expresión simple y la

dejaremos indicada como la integral correspondiente, es decir,
−(n+1)/2
Γ n+1
Z x

2 u2
FX (x) = √
1+ du
−∞ nπΓ n2 n

cuyos valores pueden encontrarse en la tabla de la distribución t o bien en R

Llevando a cabo la integral correspondiente se puede demostrar que

E(X) = 0 si n > 1.
n
Var(X) = n−2
si n > 2.

Ejemplo: Sea X ∼ t(9).

P (X < 3,69) = 0,9975, este valor se consigue en la tabla de la distribución t

o en R, usando el codigo pt(3.69,9).

Ahora encontremos un valor tα tal que P (X < tα ) = 0,95.

Estamos buscando un cuantil de la distribución t Student de parámetro 9

que deja a su izquierda un área de 0.95

tα = 1,8331, este valor se consigue en la tabla de la distribución t o en R,

usando el codigo qt(0.95,9).

52
Distibución F
Se dice que la variable aleatoria continua X tiene una distribución F de
Fisher-Snedecor 7,8 con parámetros a > 0 y b > 0 si su función de densidad
está dada por la siguiente expresión.
( Γ a+b
( 2 ) a
a/2 a/2−1 a

−(a+b)/2
a b
Γ( 2 )Γ( 2 ) b
x 1 + b
x si x > 0
f (x) =
0 en otro caso

En este caso se escribe X ∼ F(a, b), en donde la presencia de los parámetros

a y b permite no confundir este término con una función de distribución.

La función de distribución no tiene una expresión reducida y la indicaremos

simplemente como la integral correspondiente, es decir, para x > 0,

Γ a+b
Z x
 
2 a a/2 a/2−1  a −(a+b)/2
F (x) = a

b

u 1+ u du
0 Γ 2 Γ 2 b b

Para esta distribución se puede demostrar que su esperanza y varianza son:

b
E(X) = , si b > 2
b−2
2b2 (a + b − 2)
Var(X) = , si b > 4 .
a(b − 2)2 (b − 4)

Ejemplo: Sea X ∼ F(4, 10)

P (X < 0,5) = 0,2632. Este se obtuvo en R usando el codigo pf(0.5,4,10)

Para encontrar un valor Fα tal que, P (X < Fα ) = 0,975 usamos el codigo

qf(0.975,4,10) y el valor que se obtiene es Fα = 4,4683

53