Está en la página 1de 11

Variables Aleatorias Continuas

Gua de estudio

1. Definiciones bsicas
2. Distribucin uniforme
3. Distribucin normal
4. Distribucin exponencial
5. Ejercicios

Holger Benalczar Paladines


holger.benalcazar@epn.edu.ec
holgerben@hotmail.com
noviembre - 2008

1. Definiciones bsicas

Una variable aleatoria continua (vac) toma sus valores en un intervalo real, por lo que el nmero de posibles
valores de una vac es infinito.

Ejemplos:
Si X representa la estatura en metros de una persona adulta, X es una vac. El intervalo real donde caen
sus valores podra ser [0.4; 3.0]. Adems, es posible que X tome un valor del intervalo con tantos
decimales como se desee, basta con aumentar la precisin del instrumento de medida.
Si Y representa el incremento porcentual de las ventas para el prximo ao respecto al actual, Y es una
vac. Si el intervalo donde Y toma sus valores fuese [-20.5; 30], estaramos diciendo que las ventas en el
prximo ao podran alcanzar cualquier valor entre el 79.5% y el 130% de las ventas de este ao.

La distribucin de probabilidad de una vac X que toma valores sobre un intervalo real [a,b], est caracterizada
por una funcin real f(x), denominada funcin de densidad, que cumple con:
1- Si x se encuentra en el intervalo [a,b], entonces f(x) 0; caso contrario, f(x)=0.
2- El rea bajo la curva de f(x) entre los valores a y b, vale siempre 1 (ver el grfico siguiente). Esto es
b

equivalente a decir que, la integral de f(x) entre a y b, siempre toma el valor de 1, as:

f (x)dx = 1
a

f(x)
rea = 1

eje x
a

La probabilidad de que la vac X tome valores en el intervalo [c,d], est dada por el rea bajo la curva de f(x)
d

entre estos dos puntos. Utilizando integrales, se tiene que:

P (c X d ) = f (x )dx
c

f(x)

eje x
a

A diferencia de una va discreta, la probabilidad de que una va continua X tome exactamente un valor es
siempre cero. Esto se explica de manera intuitiva de dos maneras. Acudiendo al grfico anterior, la
probabilidad de que X tome exactamente el valor d, P(X=d), es igual al rea bajo la funcin f(x) sobre el punto
d, pero esta rea corresponde al rea de una lnea, que como se sabe tiene rea 0. La otra manera, es notar que
los valores posibles que puede tomar X son infinitos, ya que en el intervalo [a,b] existen infinitos puntos;
como queremos calcular la probabilidad de que X tome uno solo de esos valores, por el razonamiento de casos
Holger Benalczar Paladines

variables aleatorias continuas 1

favorables sobre casos posibles y abusando de la notacin, P(X=d) = 1/ = 0. Entonces, para una vac X las
probabilidades siguientes son iguales y es indistinto utilizar cualquiera de ellas:
P(c X d) = P(c X < d) = P(c < X d) = P(c < X< d)

Ejemplo: Acudiendo al siguiente grfico, revisemos algunos clculos de probabilidades:

f(x)

eje x
e

P(- < X < e) = P( X < e) = P( e < X < a) = 0


P(e < X < g) = P(a < X < g) = 1- P( g < X < b)
P(- < X < b) = P( X < b) = P( X < f) = P( X < + ) = 1
P( a < X < b) = P( e< X < f ) = P(- < X < + ) = 1
P(b < X < f) = P( X > f ) = P( f < X <+ ) = 0
La funcin de distribucin o de acumulacin de la va continua X se define por F(w)= P(X w), esto es, la
funcin de distribucin evaluada en el valor w es igual a la probabilidad de que la vac X tome valores menores
o iguales a w.

F(w)=0
F(w)=1
eje x
a

Luego, se tiene que:


Si w < a, la funcin de distribucin es igual a cero, F(w)= P(X w) =0, ya que la vac recin empieza a
tomar valores a partir de a.
w

Si w pertenece al intervalo [a,b], la funcin de distribucin es igual a F(w)= P(X w) =

f (u )du , el
a

rea bajo la curva de la funcin de densidad f(x) comprendida entre los puntos a y w.
Si w > b, la funcin de distribucin es igual a uno, F(w)= P(X w) =1, ya que la vac siempre tomar
valores menores al valor w.

holger.benalcazar@epn.edu.ec

Por ser la funcin de distribucin una probabilidad sus valores estarn en el intervalo [0,1], valiendo 0 hasta
antes del punto a, luego de lo cual, empezar a crecer hasta alcanzar el valor mximo de 1 sobre el punto b,
valor que se mantendr para los puntos mayores a b, como se indica en el grfico anterior.

La probabilidad de que la vac X tome valores en el intervalo [c,d], puede expresarse fcilmente con la funcin
de distribucin, de la siguiente forma:

P( c X d ) = F(d) F(c)
Otra propiedad de la funcin de distribucin es que en los puntos donde sea posible calcular su derivada, esta
coincide con la funcin de densidad, esto es, F(x)= f(x).

El clculo del valor esperado y la varianza de una vac X, se realiza mediante:


b

= E(X) =

xf (x)dx

= Var(X)=
2

(x )

f (x )dx

Observndose que para una va continua, la integral reemplaza a la suma y la funcin de densidad a la funcin
de probabilidad del clculo respectivo en el caso de una va discreta. De todas formas, el valor esperado tiene la
misma interpretacin, el promedio que se obtendra al repetir muchas veces el experimento; y la varianza,
sigue midiendo la dispersin de los valores de la vac X respecto a su valor esperado.
Las propiedades del valor esperado y la varianza son las mismas que en el caso discreto, con la necesaria
adecuacin para el caso continuo. Entonces, si X y Y son vad, la esperanza y la varianza cumplen con las
siguientes propiedades:
1- Si Z es la vad construda mediante Z=g(X), donde g(X) es una funcin real de la vac X, entonces:
g (b )

E(Z)= E[g(X)] =

g ( x) f ( x)dx

g (a)

En especial:
E(aX + b)= a E(X) + b, donde a y b son constantes
E(X - )= 0, donde es el valor esperado de X

2- El valor esperado de la combinacin lineal de dos variables aleatorias es la combinacin lineal de los
valores esperados; entonces, si a y b son constantes, se tiene que E(aX + bY)= a E(X) + bE(Y)
3- La varianza de X tambin puede calcularse por: 2 = Var(X)= E (X2 ) - 2
4- Si a y b son constantes, Var( aX+b ) = a2 Var(X)
5- Para cualquier vac X con valor esperado y desviacin tpica , se cumple la desigualdad de Chebyshev:
P( -k X +k ) (1-1/k2)

Holger Benalczar Paladines

variables aleatorias continuas 3

2. Distribucin Uniforme
Si X es una vac distribuida uniformemente sobre el intervalo [a,b], su funcin de densidad es:

f(x)= 1/ (b-a)

axb

Para esta vac, la funcin de distribucin tiene una forma simple:

F(w) = 0, para cualquier w menor que a


F(w) = (w-a)/(b-a), para cualquier w que se encuentre en el intervalo [a,b]
F(w) = 1, para cualquier w mayor que b
El valor esperado y la varianza de esta vac son, =(a+b)/2 y = (b-a) /12, respectivamente. Esta
distribucin es muy utilizada para simular valores de otras distribuciones.
2

Ejemplo: El precio de apertura de cierta accin se distribuye uniformemente sobre el intervalo [35,44].
Cul es la probabilidad de que en un da cualquiera, el precio de apertura sea de menos de 40?

Si X es la vac que representa el precio de apertura, entonces buscamos:


P(X < 40) = F(40) = 0.556

Cul es la probabilidad de que en un da cualquiera, el precio de apertura est entre 40 y 42?

P(40 < X < 42) = F(42) F(40) = 0.778 0.556 = 0.222

Ejemplo: La vac X se distribuye uniformemente sobre el intervalo [0,2]. Encontremos algunos resultados para
una nueva vac construida mediante Y=g(X) = 5 + 2X.
El valor esperado de Y se encuentra aplicando las propiedades del mismo, de la siguiente manera:
E(Y)= E(5+2X) = 5 + 2*E(X) = 5+ 2* 1 = 7
Para calcular probabilidades, utilicemos la notacin de FX (x) para la funcin de distribucin de la vac
X y la notacin FY (y) para la funcin de distribucin de la vac Y.
FY (8.5)= P(Y 8.5) = P( 5+2X 8.5) = P(2X 8.5-5 ) = P( X 1.75) = FX (1.75) = 0.875
En general, para cualquier valor y:
FY (y)= P(Y y) = P( 5+2X y) = P(2X y-5 ) = P(X (y-5 )/2 ) = FX ( (y-5 )/2 )
Resultado que junto a otras propiedades ya revisadas, nos permitirn hacer clculos, tales como:
P(7.5 Y 8.5) = FY (8.5) - FY (7.5)= FX ( (8.5-5 )/2 ) - FX ( (7.5-5 )/2 ) = FX (1.75) - FX (1.25) = 0.25
P(3.5 Y 8.5) = FY (8.5) - FY (3.5)= FX ( (8.5-5 )/2 ) - FX ( (3.5-5 )/2 ) = FX (1.75) - FX (-0.75) = 0.875
P(Y 6.4 ) = 1- P( Y < 6.4) = 1 - FY (6.4) = 1 - FX ( (6.4-5 )/2 ) = 1 - FX (0.7) = 1 0.35 = 0.65
P(Y 10 ) = 1- P( Y < 10) = 1 - FY (10) = 1 - FX ( (10-5 )/2 ) = 1 - FX (2.5) = 1 1 = 0

holger.benalcazar@epn.edu.ec

3. Distribucin normal
Una vac X con una distribucin normal puede tomar cualquier valor real. La funcin de densidad tiene la
forma de una campana y requiere de dos parmetros (un valor real) y 2 (un valor real positivo) para su
definicin:

f (x ) =

1
2

1 x

- < x < +

Los smbolos e y representan nmeros irracionales con valores aproximados son 2.7183 y 3.1416,
respectivamente.
El valor esperado de una vac X normal es , y su varianza . Para resumir que tenemos una vac X con
distribucin normal de valor esperado y varianza 2, utilizaremos la notacin, X N(, 2).
2

La distribucin normal es una de las distribuciones ms importantes en el desarrollo terico de las tcnicas
estadsticas, aunque esto no implica que todos los datos que obtenemos en el mundo real tengan una
distribucin normal. En lo posterior, veremos como comprobar si datos reales provienen o no de una
distribucin normal.

Ejemplo: La resistencia a la rotura (en newtones) de una tela sinttica se denota mediante R, y se distribuye de
acuerdo a la distribucin N(800,144). El comprador de la tela exige que tenga una resistencia de al
menos 772 newtones. Cul es la probabilidad de que la tela cumpla con esta especificacin?

La tela cumple con la especificacin si la resistencia R es mayor o igual a 772 newtons, entonces:
P(R 772) =1 - F(772) =1 0.0098 = 0.9902

Luego, el 99% de la produccin cumplir la especificacin

Ejemplo: El tiempo requerido para reparar una mquina de carga de un proceso de empaque de alimentos es
de T minutos. Diferentes estudios han mostrado que la aproximacin N(120,16) es bastante buena. Si el
proceso se detiene ms de 125 minutos, todo el equipo deber limpiarse, con la prdida del alimento que
se est procesando.
Cul es la probabilidad de que el proceso se detenga por ms de 125 minutos?

P(T > 125) =1 - F( 125 ) =1 0.894 = 0.106

El costo total de la prdida del alimento y de la limpieza asociada con el tiempo prolongado de para es
de $10.000, mientras que el costo de reparacin es de $5.000. Cul es el costo esperado si se detiene la
mquina de empaque?

Si el tiempo de reparacin es menor a 125 minutos, el costo de reparacin es $5.000, lo que sucede con
una probabilidad de 0.894; mientras que si el tiempo de reparacin sobrepasa los 125 minutos, el costo ser

Holger Benalczar Paladines

variables aleatorias continuas 5

de $15000, debido a que habra que reparar y limpiar la mquina, lo que sucede con una probabilidad de
0.106. Luego, si se representa el costo por C, su valor esperado es:
E(C) = $5000*0.894 + $15000*0.106 = $6060

Si la gerencia puede reducir la media del tiempo de reparacin a 110 minutos aumentando el personal
de mantenimiento, el nuevo costo de reparacin ser de $10.000. Suponiendo que la frecuencia de
descomposturas permanece sin cambios, es conveniente aumentar el personal de mantenimiento?

Si V es el nuevo costo, su valor esperado es: E(V) = $10000.88, que es mayor al costo esperado
anterior, por lo que no conviene aumentar el personal de mantenimiento.

Si Z es una vac normal, con valor esperado = 0 y varianza igual a 2 =1, se dice que Z tiene una distribucin
normal estndar.
Para cualquier vac X, tal que, X N(, 2), se cumple lo siguiente:
La vac Y= (X-), construida restando a los valores de X el valor esperado , tiene tambin una
distribucin normal con valor esperado 0 y varianza 2. Esto es, Y N(, 2). Se dice entonces que, la
vac Y, es la vac X centrada.
La vac Z= Y/ = (X-)/ tiene una distribucin normal estndar. Se suele decir que Z es la vac Y
reducida, o que Z es la vac X centrada y reducida.
Ejemplo: Supongamos que X N(-3, 4),entonces tenemos:
La vac Y= (X-) = (X+3), igual a la vac X centrada, tiene una distribucin N(0, 4).
La vac Z= (X-)/ = (X + 3)/2 = Y/2, igual a la vac X centrada y reducida, tiene una distribucin normal
estndar N(0,1).
Cualquier probabilidad se la puede calcular utilizando la distribucin de X, o de Y, o de Z, como en este
caso:

P(X < 0.5 ) = P( X- < 0.5 (-3) ) = P( Y < 3.5 ) = P( Y/ < 3.5/2 ) = P(Z <1.75) = 0.9599
Con lo que tambin se tiene, FX (0.5) = FY (3.5) = FZ (1.75)

En general, tendremos las siguientes relaciones entre las funciones de distribucin de las vac X, Y y Z:
FX (x) = FY (x - ), o tambin, FY (y) = FX (y + )
FX (x) = FZ ( (x - )/ ), o tambin, FZ (z) = FX ( + z )
FY (y) = FZ ( y/), o tambin, FZ (z) = FY (z)

La distribucin normal se utiliza para aproximar los valores de una distribucin binomial. Si deseamos
aproximar las probabilidades de una vad W que cuenta el nmero de xitos en n pruebas binomiales, donde la
probabilidad de xito en cada prueba es p, consideramos la vac normal X con valor esperado =np y varianza
2=npq, y utilizamos:

holger.benalcazar@epn.edu.ec

FW (w) = P(W w ) = P( X (w + 0.5) ) = FX (w+0.5)


P( w1 W w2 ) = FW (w2) - FW (w1 - 1) = FX (w2 +0.5) - FX (w1 - 0.5)
La cantidad de 0.5 que se suma o resta, segn el caso, es una correccin necesaria pues estamos aproximando
una va discreta por una va continua. En general, la aproximacin resulta adecuada cuando np>5 para p 0.5 o
cuando nq>5 para p>0.5, y se la empleaba anteriormente para evitar los clculos tediosos de los coeficientes
binomiales, dificultad que ha desaparecido con el advenimiento de las computadoras; nosotros la revisamos
por su inters terico.

Ejemplo: Si la vad X sigue una distribucin binomial con n=50 y p=0.2, entonces:
P(3 X <10)= P(3 X 9) = FX ( 9) FX (2) = 0.444 0.001 = 0.443
Encontremos ahora la aproximacin de este valor mediante una vac normal V con valor esperado np=10 y
varianza npq= 8:
P(3 X 9) = FX ( 9) FX (2) FV ( 9.5) FV (2.5) = 0.430 0.004 = 0.426
Si X1, X2, ..., Xn son n vac normales e independientes, donde cada vac Xk tiene valor esperado k y varianza

2k , para k=1,2,..,n, entonces la vac Y que es igual a la suma de las vac Xk (Y= X1+X2+...+Xn), tiene tambin
una distribucin normal con un valor esperado igual a la suma de los valores esperados k (= 1 +2
2
2
2
2
2
2
+..+n) y una varianza igual a la suma de las varianzas k ( = 1 + 2 + ...+ n ). Una
observacin, para aplicar este resultado hay que estar seguro de que las vac Xk son independientes entre s.

Ejemplo: Un autobs viaja entre dos ciudades, pasando por 3 ciudades intermedias en la ruta. Los tiempos que
tarda en ir de una ciudad a otra son independientes y distribuidos normalmente. La media y la
desviacin tpica de los tiempos de viaje son los siguientes:

Ciudades
Media
Desviacin tpica

1-2
2
0.5

2-3
3
0.5

3-4
2
0.25

4-5
4
1.0

Encontremos la probabilidad de que el autobs concluya su recorrido entre las ciudades 1 y 5, en menos
de 12 horas. Si X1 es el tiempo que ocupa el autobs en trasladarse entre las ciudades 1 y 2; X2 , entre
las ciudades 2 y 3; X3 , entre las ciudades 3 y 4; y X4 , entre las ciudades 4 y 5; la va T= X1 + X2 + X3 +
X4 , medir el tiempo que tarda el autobs en ir de la ciudad 1 a la ciudad 5.
Como sabemos, la va T esta distribuida normalmente con E( T )=
varianza igual a

= + + +
2

2
1

2
2

2
3

2
4 =

1 + 2 + 3 + 4 = 11, y una

1.5625. Luego, P( T<12 )= 0.788.

4. Distribucin exponencial
La distribucin exponencial est caracterizada por:
Holger Benalczar Paladines

variables aleatorias continuas 7

Funcin de densidad:

f(x)= e - x

Funcin de distribucin:

x 0

F(w)= 1 - e - w w 0

Donde el parmetro es una constante real positiva. El valor esperado y la varianza son =1/ y = 1/ ,
respectivamente.
2

La distribucin exponencial est estrechamente relacionada con la distribucin de Poisson. Si el nmero de


ocurrencias por unidad de medida tiene una distribucin de Poisson de parmetro , entonces las unidades de
medida entre ocurrencias tiene una distribucin exponencial de parmetro ; por ejemplo, si el nmero de
arribos a una estacin de servicio por hora tiene una distribucin de Poisson, entonces el tiempo en horas entre
arribos tiene una distribucin exponencial.

Ejemplo: Un componente electrnico tiene una vida til representada por una densidad exponencial. Se sabe,
que en promedio, pasan 10 5 horas antes de que los componentes fallen. Entonces tenemos:
Si T representa la vida til de un componente, su valor esperado es E( T ) = 10 5 = 1/ ; de donde se
obtiene que = 10 5.
La probabilidad de que un componente falle antes de que transcurra la vida til media, es:
P( T < 10 5 ) = 0.6321
Luego, el 63.21% de estos componentes fallarn antes de que transcurra la vida til promedio.

5. Ejercicios
1-

Sea X una vac con funcin de densidad definida por f(x)= 8x, si x se encuentra en el intervalo [0; 0.5], y
f(x)= 0, para cualquier otro x.
a- Grafique la funcin de densidad f(x)
b- Calcule las probabilidades siguientes: P(X<0.15); P(X>0.35); P(0.12 X 0.28); P(0.08 X 0.68)
[0.09] [0.51] [0.256] [0.974]
c- Obtenga la funcin de distribucin F(x).

2-

[ F(x) = 4 w2 si 0 x 0.5 ]

Considere la funcin de densidad de la vac X, f(x)= kx si 0 x 2, y f(x)= 0, para cualquier otro x.


a- Obtenga el valor de k para el cual f(x) es una funcin de densidad.
b- Obtenga , 2 y , de la vac X.

[k = 0.5]

[ =4/3 ]

c- Obtenga la funcin de distribucin F(x).


3-

Considere la funcin de densidad de la vac X, definida por:


f(x)= kx
= k(4-x)
=0

holger.benalcazar@epn.edu.ec

0 x<2
2 x<4
de otra manera

a- Obtenga el valor de k para el cual f(x) es una funcin de densidad.


b- Obtenga , 2 y , de la vac X.
c- Obtenga la funcin de distribucin F(x).

4-

Un agente de bienes races cobra honorarios fijos de $50 ms una comisin del 6% sobre el beneficio
obtenido por el propietario. Si este beneficio se distribuye uniformemente entre $0 y $2000, obtngase la
funcin de distribucin de los honorarios totales del agente. [F(h)= (h-50)/120 si 50 h 170]

5-

La compaa A tiene sealado un tren en direccin norte cada 30 minutos en cierta estacin. Sea X la va
que cuenta el tiempo en minutos que un hombre, que entr en la estacin en un tiempo aleatorio, debe
esperar el prximo tren. Supngase que X tiene una distribucin uniforme en [0,30].
a- Para k=0, 5, 10, 15, 20, 25, 30, calcular la probabilidad de que un viajero tenga que esperar por lo
menos k minutos para el prximo tren.
b- La compaa competidora Z est autorizada para anunciar un tren cada 30 minutos en la misma
direccin. La llegada de los trenes de distinta compaa deben diferir por lo menos en 5 minutos.
Suponiendo que los viajeros entran en la estacin en tiempos aleatorios y siempre toman el primer
tren que llega, demostrar que Z puede combinar su horario de manera que recoja hasta 5 veces el
nmero de viajeros que su competidora.

6-

La vida til de cierto tipo de lavadora automtica tiene una distribucin aproximadamente normal con
media y desviacin estndar de 3.1 y 1.2 aos, respectivamente. Si este tipo de lavadora tiene garanta de
un ao, qu fraccin de la cantidad vendida originalmente necesitar ser reemplazada?

7-

A partir de las 21:00 horas un caldero trabaja 3 horas y se apaga durante una hora para evitar el
sobrecalentamiento. Si selecciona al azar un momento entre las 21:00 y 5:00 horas, cul es la
probabilidad de que el caldero est apagado en ese instante?

8-

Suponga que tiene que establecer una restriccin para el mximo nmero de personas que pueden subir a
un ascensor. Un estudio del uso de los elevadores indica que si 8 personas ocupan el ascensor, la
distribucin de probabilidad del peso total de las 8 personas tiene una media igual a 1200 libras y una
varianza igual a 9800 (libras)2. Cul es la probabilidad de que el peso total de 8 personas exceda de
1300 libras? (Suponga que la distribucin es aproximadamente normal).

9-

Una manera para obtener predicciones econmicas es utilizar un enfoque de consenso. Se obtiene una
prediccin de cada uno de un gran nmero de analistas; el promedio de estos pronsticos es la prediccin
de consenso. Supngase que las predicciones individuales acerca de la tasa nominal de inters para enero
del 2000 de todos los analistas econmicos, tienen una distribucin aproximadamente normal, con una
media del 65% y una desviacin tpica de 5.4%. Se selecciona al azar un solo analista de este grupo.
a- Cul es la probabilidad de que la prediccin de la tasa nominal de este analista sea mayor al 70%?
b- Cul es la probabilidad de que la prediccin de la tasa nominal de inters sea menor al 50%?

10-

Las ventas diarias de un restaurante tienen una distribucin de probabilidad aproximadamente normal,
con un promedio de 530 um por da y una desviacin tpica de 120 um.
a- Cul es la probabilidad de que las ventas excedan de 700 um en un da cualquiera?
b- El restaurante necesita ventas diarias de por lo menos 300 um para cubrir los gastos. Cul es la
probabilidad de que, en un da dado, el establecimiento no cubra los gastos?

Holger Benalczar Paladines

variables aleatorias continuas 9

11-

Supngase que un diseador puede tomar una decisin entre dos procesos de manufactura para la
fabricacin de cierto componente. Empleando el proceso A cuesta $10.000 por unidad fabricar el
componente. Empleando el proceso B cuesta $15.000 por unidad fabricar el componente. Los
componentes tienen una densidad exponencial de tiempo transcurrido hasta la falla, con tasa de falla de
1/200 fallas por hora para el proceso A y de 1/300 fallas por hora para el proceso B. Debido a una
clusula de garanta, si un componente dura menos de 400 horas, el fabricante debe pagar una pena de
$20.000. Qu proceso debe elegirse?

12-

Un sistema est conformado por 3 componentes independientes colocados en serie. La duracin del
tiempo de trabajo sin fallo est distribuida exponencialmente con media de 0.1 horas para el primer
componente, 0.2 horas para el segundo componentes y 0.3 horas para el tercero. Cul es la probabilidad
de que el sistema falle antes de las 10 horas? [0.9975]

13-

La frecuencia promedio por hora de buses en una carretera es de 5 buses por hora. Suponga que el tiempo
que transcurre entre la aparicin de cada bus sigue una distribucin exponencial.
a-

Cul es el tiempo promedio transcurrido entre bus y bus?

b- Si a las 10:00 pas un bus, cul es la probabilidad de que haya que esperar ms de 7 minutos por el
siguiente bus?
c-

14-

Si en este momento tenemos las 10:04, transcurridos 4 minutos desde el bus anterior, y no ha pasado
el siguiente bus, cul es la probabilidad de que haya que esperar ms halla de las 10:11 por el
siguiente bus?

La empresa IDEMSA realiz un estudio sobre el nmero de horas que los quiteos sintonizan el canal de
televisin TVR. En los resultados entregados indica que un 15% de los quiteos ve ms de 4 horas diarias
dicho canal. El gerente de TVR duda sobre los resultados y contrata a una segunda empresa de estudios
de mercado, la cual determina que el nmero de horas diarias que los quiteos ven TVR tiene una
distribucin normal N(2, 0.64). Bajo el supuesto de que la segunda empresa es altamente profesional,
tiene razn el gerente de TVR al dudar de los resultados presentados por IDEMSA?

holger.benalcazar@epn.edu.ec

10