Actividad 9

Distribucin uniforma
Distribucin exponencial
Distribucin Normal
En esta actividad empezaremos a trabajar con las distribuciones de probabilidad continua, las
cuales se aplican en diversas reas como lo son:
a. Las administrativas. Por ejemplo. Es importante conocer el tiempo que tarda un
empleado en terminar un proyecto, para conocer su productividad y as determinar el
porcentaje de incremento de sueldo en base a su desempeo
b. Las de produccin. Por ejemplo. Nos interesa medir, la cantidad de refresco que
contienen las botellas producidas por una empresa, con la finalidad de conocer la
probabilidad de que alguna de ellas contenga menor cantidad que la especificada y as el
departamento de produccin no reciba quejas ni reclamaciones.
c. La medicina. Por ejemplo. Necesitamos conocer el tiempo que tarda un medicamento en
combatir cierta infeccin, para poder conocer su efectividad y rapidez y as poder
determinar la probabilidad de que en X horas habr mejora.
d. La Agricultura. Por ejemplo. Nos interesa medir, al cantidad de fertilizante y pesticida
que se debe de aplicar a cada hectrea de cultivo, con la finalidad de saber la
probabilidad de que alguna hectrea contenga mas o menos cantidad de lo especificado
y as poder obtener cultivos y trabajadores sanos.
La principal diferencia entre las distribuciones de probabilidad discretas y las distribuciones de
probabilidad continua, radica en que las distribuciones discretas son propias de variables
aleatorias cuyos valores son nicamente enteros, en cambio las distribuciones continuas
la variable aleatoria considera todos los valores posibles en un conjunto de datos. Por mencionar
algunos ejemplos.
Al estudiar el tiempo que tarda el metro en realizar un recorrido completo, este tiempo
puede ser 35.6 minutos o 40.5 minutos, o cualquier otro valor que no necesariamente
debe de ser entero
Al estudiar el peso de los estudiantes varones en una escuela primaria.
Al estudiar la estatura de las mujeres mayores de 50 aos.
Al estudiar el tiempo de coccin de una sopa
El estudiar el tiempo de llenado de agua de una alberca.
Etc.
En estos ejemplos, la variable aleatoria es continua, es decir, no slo toma valores
enteros, sino que tambin puede tomar valores fraccionados o con decimales.
Otro punto importante, es que en este tipo de distribuciones se trabaja mayormente con
muestras grandes (n > 30) ya que en las distribuciones discretas interviene el trmino factorial y
para calcular el factorial de nmeros mayores a 30 tendramos problemas al realizar tales
operaciones

Distribucin Uniforme
Hay casos en la que todos las eventos posibles en un experimento tienen la misma probabilidad
de presentarse, por ejemplo, Si 50 autos ltimo modelo, 0 Kms., misma marca, mismo tipo,
mismas condiciones, los 50 autos tienen la misma probabilidad de que fallen el primer da de uso

o si 1000 personas compran un boleto del TEC, estas 1000 personas tienen la misma
probabilidad de ganar.
Si una Variable aleatoria toma valores en una escala continua entre dos puntos, con la condicin
de que ninguno de estos valores, tenga ms o menos probabilidad que los dems de
presentarse, entonces podemos decir, que la probabilidad asociada con la variable aleatoria
continua puede representarse por una distribucin uniforme.
La funcin de la distribucin uniforme es

f ( x)

1
,a x b
ba

Para una mejor comprensin de lo que es la distribucin uniforme, haremos uso del siguiente
grfico.

Para poder obtener la probabilidad de una funcin continua en un intervalo (k1, k2) el cual est
dentro del intervalo (a, b) es

P(k1 x k2 ) =

k2

f ( x)dx

k1

Por tanto

P(k1 x k2 ) =

k2

b a dx

k1

x k2
b a k1
k k
P(k1 x k2 ) = 2 1
ba
P(k1 x k2 ) =

Cabe mencionar, que la media de una funcin de probabilidad uniforme est dada por

E ( x)

ab
2

Donde:
a = Valor mnimo de la distribucin
b = Valor mximo de la distribucin
Y la varianza de una de probabilidad uniforme est dada por

2 Var ( x)

(b a)2
12

Donde:
a = Valor mnimo de la distribucin
b = Valor mximo de la distribucin
Ejemplo 1
Se espera que las ventas de frijol de buena cosecha sigan una distribucin de probabilidad
uniforme. Por situaciones del mercado, las ventas semanales no pueden ser menores a 2,000
kgs. o superiores a las 25,000 kgs.
a. Cul es la probabilidad de que al menos se vendan 20,000 kgs. de frijol?
b. Cul es la probabilidad de que se vendan entre 8,000 y 15,000 kgs. de frijol?
Solucin:
En el problema nos aclaran que la situacin de la venta del frijol sigue una distribucin uniforme,
y que las ventas no pueden ser menores a 2,000 kgs ni mayores a 25,000kgs.
Por lo tanto, el intervalo de la variable aleatoria es (2,000, 25,000). Por lo cual, podemos decir
que
a = 2,000 (Valor mnimo de la distribucin)
b = 25,000 (Valor mximo de la distribucin)
Parte a.
Nos piden, que determinemos la probabilidad de que al menos se vendan 20,000 kgs. de frijol.
x = Es el total de kilos de frijol que se desean vender y por el trmino al menos se vendan
20,000 kgs, significa que x 20,000., lo que significa, que hay que calcular P(x 20,000)
Si representamos estos datos en una grfica

En base a esta grfica, podemos observar que la variable aleatoria x est limitada por el valor
mximo de la distribucin el cual es 25,000. Entonces

P( x 20, 000) P(20, 000 x 25, 000)

25,000

P( x 20, 000)

1
dx, donde b 25, 000 y a 2, 000
b

a
20,000

25,000

P( x 20, 000)

1
dx
25, 000 2, 000
20,000

25,000

P( x 20, 000)

1
dx
23, 000
20,000

25,000
1
x
23, 000 20,000
1
P( x 20, 000)
(25, 000 20, 000)
23, 000
5, 000
P( x 20, 000)
23, 000
P( x 20, 000) 0.2174

P( x 20, 000)

Por lo tanto, la probabilidad de que al menos se vendan 20,000 kgs. de frijol es 0.2174 o bien el
21.74%.
Parte b.
Nos piden, que determinemos la probabilidad de que se vendan entre 8,000 y 15,000 kgs. de
frijol.
x = Es el total de kilos de frijol que se desean vender y por la condicin de que se vendan entre
8,000 y 15,000 kgs , significa que 8,000 x 15,000., lo que significa, que hay que calcular
P(8,000 x 15,000). Entonces
15,000

P(8, 000 x 15, 000)

8,000
15,000

P(8, 000 x 15, 000)

8,000
15,000

P(8, 000 x 15, 000)

8,000

1
dx, donde b 25, 000 y a 2, 000
ba
1
dx
25, 000 2, 000
1
dx
23, 000

15,000
1
x
23, 000 8,000
1
P(8, 000 x 15, 000)
(15, 000 8, 000)
23, 000
7, 000
P(8, 000 x 15, 000)
23, 000
P(8, 000 x 15, 000) 0.3043

P(8, 000 x 15, 000)

Por lo tanto, la probabilidad de que se vendan entre 8,000 y 15,000 kgs. de frijol es 0.3043 o
bien el 30.43%.
Ejemplo 2
Debido a las condiciones de la planta purificadora de agua alcanza a purificar 40,000 litros diarios
de agua y debido a la demanda en el mercado debe producir como mnimo 30,000 litros de agua
purificada. Si la produccin de agua purificada sigue una distribucin uniforme. Determine
a. La probabilidad de que la produccin de agua purificada no exceda los 35,000 litros.
b. La probabilidad de que la produccin de agua purificada no exceda los 32,000 litros o sean
mayor a 38,000 litros?
Solucin:
En el problema nos aclaran que la produccin de agua purificada sigue una distribucin uniforme,
y que la produccin no puede ser menor a 30,000 litros (por demanda) ni mayores a 40,000
litros (por capacidad de la planta).
Por lo tanto, el intervalo de la variable aleatoria es (30,000, 40,000).Por lo cual, podemos decir
que
a = 30,000 (Valor mnimo de la distribucin)
b = 40,000 (Valor mximo de la distribucin)
Parte a.
Nos piden, que determinemos la probabilidad de que la produccin de agua purificada no exceda
los 35,000 litros.
x = Es el total litros de agua purificada que se desea producir y por el trmino no exceda los
35,000 litros, significa que x 35,000., lo que significa, que hay que calcular P(x 35,000)
Si representamos estos datos en una grfica tenemos

En base a esta grfica, podemos observar que la variable aleatoria x est limitada por el valor
mnimo de la distribucin el cual es 30,000, es decir, el valor ms pequeo que puede tomar x es
30,000. Entonces

P( x 35, 000) P (30, 000 x 35, 000)

35,000

P( x 35, 000)

1
dx, donde b 40, 000 y a 30, 000
b

a
30,000

35,000

P( x 35, 000)

1
dx
40, 000 30, 000
30,000

35,000

P( x 35, 000)

1
dx
10, 000
30,000

35,000
1
x
10, 000 30,000
1
P( x 35, 000)
(35, 000 30, 000)
10, 000
5, 000
P( x 35, 000)
10, 000
P( x 35, 000) 0.5

P( x 35, 000)

Por lo tanto, la probabilidad de que la produccin de agua purificada no exceda los 35,000 litros
es 0.5.
Parte b.
Nos piden, que determinemos la probabilidad de que la produccin de agua purificada no exceda
los 32,000 litros o sean mayor a 38,000 litros.
x = Es el total litros de agua purificada que se desea producir.
La probabilidad que se desea determinar incluye o abarca 2 condiciones. Veamos el grfico

Entonces, podemos decir que

P P( x 32, 000) P( x 38, 000)

32,000

1
dx +

a
30,000

40,000

1
dx, donde b 40, 000 y a 30, 000
b

a
38,000

32,000

1
dx +

40, 000 30, 000

30,000
32,000

1
dx +

10, 000
30,000

40,000

1
dx
40, 000 30, 000
38,000

40,000

1
dx
10, 000
38,000

32,000
40,000
1
1
x
+
x
10, 000 30,000
10, 000 38,000
1
1
P
(32, 000 30, 000)
(40, 000 38, 000)
10, 000
10, 000
1
1
P
(2, 000)
(2, 000)
10, 000
10, 000
2, 000 2, 000
P

10, 000 10, 000

4, 000
P
10, 000
P 0.4

Por lo tanto, la probabilidad de que la produccin de agua purificada no exceda los 32,000 litros
o sean mayor a 38,000 litros es 0.40 o bien el 40%.

Distribucin Exponencial
Cuando el nmero de datos con el que se desea trabajar es muy grande y suceden en un
proceso de Poisson, es decir, los eventos se presentan en un intervalo de tiempo o espacio, se
dice entonces que sigue una distribucin exponencial. Es por esto, que se puede asegurar que
existe una relacin muy estrecha entre la distribucin de Poisson y la distribucin exponencial.
La distribucin exponencial se utiliza para resolver situaciones cuya probabilidad se refiere a
tiempo y distancias entre la ocurrencia de experimentos en un intervalo continuo. Es decir, se
puede aplicar cuando slo se tiene inters en conocer el tiempo o la distancia hasta que se
presenta el primer evento, el tiempo o la distancia entre dos eventos sucesivos.
Hay una gran cantidad de situaciones ligadas a una distribucin exponencial. Por mencionar
algunos ejemplos:
Nmero de pasteles vendidos por da.
Nmero de contratos firmados por mes.
El tiempo entre llegadas de vuelos al aeropuerto.
El tiempo aplicado para cargar o descargar un camin.
El tiempo aplicado para transportar un material de una bodega a otra.
Nmero de autos reparados en un taller por semana.
Nmero de quejas atendidas en el departamento de Servicio al Cliente en una tienda de
autoservicio.
Etc.
La funcin de densidad de probabilidad exponencial es

f ( x, ) e x ; x 0
Donde:
e = 2.71828, es la base de los logaritmos naturales
= Constante positiva, equivalente al recproco de la media de la distribucin Poisson
x = La variable aleatoria > 0.
El valor esperado o promedio de una distribucin exponencial es:

E ( x)

La varianza de una distribucin exponencial es:

2 V ( x) 2

Donde:
= Es la media de la distribucin exponencial
= Es la media de la distribucin de Poisson.
Cabe mencionar que es el tiempo que tiene que transcurrir para que se presente el evento o la
distancia que hay hasta llegar al evento.
La grfica de la distribucin exponencial es

Ejemplo 1
Ciertos televisores de una marca reconocida, tienen integrado un componente cuyo tiempo de
falla (en aos) es un variable aleatoria con distribucin exponencial, estudios sobre este
componente han reflejado que el tiempo promedio para que falle el componente es de 5 aos
a. Cul es la probabilidad de que el televisor siga funcionando despus de 8 aos?
b. Si se compran 5 de estos televisores, Cul es la probabilidad de que por lo menos 2 sigan
funcionando despus de 8 aos?
Solucin:
Parte a. En el problema nos comentan que la variable aleatoria tiene una distribucin
exponencial.
Es decir,
x = Tiempo de falla.
Y adems nos comentan que el tiempo promedio de falla es de 5 aos. Lo que significa que
= 5
Y como

1
5
=0.2
=

Ahora bien, lo que se solicita en el problema en el inciso a, es que determinemos la probabilidad

de que el televisor siga funcionando despus de 8 aos. Como x es el tiempo de falla y queremos
que empiece a fallar despus de 8 aos, significa que el tiempo que debe de transcurrir hasta
que falle el televisor debe de ser mayor a 8 aos. Lo que significa que x > 8. Por tanto hay que
determinar P(x > 8)

P( x 8) e x dx
8

P( x 8) 0.2e 0.2 x dx
8

P( x 8) e 0.2 x

P( x 8) e

0.2( )

P( x 8) e 1.6

(e 0.2(8) )

1
e

P( x 8) e 1.6
P( x 8) 0.2019
Por lo tanto, la probabilidad de que el componente falle y por tanto falle el televisor es 0.2019.
Parte b.
Si se compran 5 de estos televisores, Cul es la probabilidad de que por lo menos 2 sigan
funcionando despus de 8 aos?
Este inciso, ya es otra situacin diferente, dado que nos dicen que se compraron 5 televisores y
se quiere saber la probabilidad de que por lo menos 2 sigan funcionando despus de 8 aos.
Esta situacin es una distribucin binomial, cuya probabilidad de xito es la probabilidad de que
el televisor siga funcionando despus de 8 aos que fue la que se calcul en el inciso anterior,
entonces:
Los datos son
n= Los televisores que se tienen = 5
p = probabilidad de xito = 0.2019
q = probabilidad de fracaso = 1 0.2019 = 0.7981.
x = nmero de televisores funcionando despus de 8 aos.
Como lo que se pide es que por lo menos 2 televisores sigan funcionando y el trmino por lo
menos significa que la menor cantidad de xitos (televisores funcionando) que pueden obtenerse
es 2, pero tambin puede darse el caso de que sean 3, 4 o 5 televisores, por lo que se tiene:
x 2; es decir, x puede ser 2, 3, 4, 5
P(x 2) = P(2) + P(3) + P(4)+ P(5)
Lo cual es muy tedioso y poco prctico. Por lo que optamos por resolverlo utilizando la propiedad

P( A) P( Ac ) 1, Es decir
P( A) 1 P( Ac )
Aplicando esta propiedad a nuestro problema tenemos:

P( x 2) 1 P( x 2), ya que x 2 es el complemento de x 2

Y como

P( x 2) P( x 1), pues x es una variable aleatoria discreta,

es el nmero de televisores funcionando despus de 8 aos

Entonces, tenemos:

P( x 2) 1 P( x 1) .........................................................................................

Utilizando la tabla Binomial con n=5, x = 1 y p= 0.20, pero esta probabilidad es para cuando
x1, entonces P(n=5, x 1, p=0.20)= 0.7373, Sustituyendo este valor en la ecuacin ,
tenemos:

P( x 2) 1 P( x 1)
P( x 2) 1 0.7373
P( x 2) 0.2627
Por tanto, la probabilidad de que por lo menos 2 televisores sigan funcionando despus d 8 aos
es 0.2627 o bien 26.27%.
Ejemplo 2.
El tiempo que transcurre antes de que una persona sea atendida en un banco es una variable
aleatoria que tiene una distribucin exponencial con una media de 7 minutos.
a. Cul es la probabilidad de que una persona sea atendida antes de que transcurran 5
minutos?
b. Cul es la probabilidad de que en al menos 5 de los 6 das siguientes, una persona sea
atendida antes de que transcurran 5 minutos?
Solucin:
En la redaccin del problema nos dicen que la variable aleatoria del problema sigue una
distribucin exponencial con una media de 7 minutos. Entonces:
x = Variable aleatoria = El tiempo que transcurre antes de que la persona sea atendida en un
banco.
= 7 (media)
Y como

1
7
=0.14
=

Parte a.
Ahora bien, lo que nos piden, es determinar la probabilidad de que una persona sea atendida
antes de que transcurran 5 minutos. Entonces nos piden que determinemos el valor de
P(x < 5) y por condicin de la variable aleatoria x> 0, entonces hay que determinar P(0 < x < 5)

P(0 x 5) e x dx;

0.14

0
5

P(0 x 5) 0.14e 0.14 x dx

0

P(0 x 5) e 0.14 x

5
0

P(0 x 5) e

0.14(5)

(e 0.14(0) )

P(0 x 5) e0 e 0.7
P(0 x 5) 1 0.4966
P(0 x 5) 0.5034
Por lo tanto, la probabilidad de que una persona sea atendida en menos e 5 minutos es 0.5034 o
bien 50.34%
Parte b.
Cul es la probabilidad de que en al menos 5 de los 6 das siguientes, una persona sea atendida
antes de que transcurran 5 minutos?
Este inciso, ya es otra situacin diferente, pues ahora los eventos son los das y quieren que
determinemos la probabilidad de que por lo menos 5 de 6 das, una persona sea atendida antes
de que transcurran 5 minutos.
Esta situacin es una distribucin binomial, cuya probabilidad de xito es la probabilidad de una
persona sea atendida antes de que transcurran 5 minutos que fue la que se calcul en el inciso
anterior, entonces:
Los datos son
n= Los das que se tienen que considerar= 6
p = probabilidad de xito = 0.5034
q = probabilidad de fracaso = 1 0.5034= 0.4966.
x = nmero de das en que una persona es atendida antes de 5 minutos.
Como lo que se pide es que por lo menos 5 das una persona sean atendida antes de 5 minutos y
el trmino por lo menos significa que la menor cantidad de xitos (nmero de das en que una
persona sea atendida antes de 5 minutos) que pueden obtenerse es 5, pero tambin puede darse
el caso de que sean 6 das, por lo que se tiene:
x 5; es decir, x puede ser 5, 6
P(x 5) = P(5) + P(6)
Recordemos la funcin de la distribucin binomial

f ( X x) n C x ( p ) x (q ) n x
Donde :
X Variable aleatoria
p probabilidad de xito
q probabilidad de fracaso
n tamao de la muestra
x nmero de xitos
Entonces para X= 5, tenemos

f ( X 5) 6 C5 (0.5034)5 (0.4966)65
6!
(0.5034)5 (0.4966)1
5!(6 5)!
6!
f ( X 5)
(0.0323)(0.4966)
5!(1)!
6x5!
f ( X 5)
(0.0323)(0.4966)
5!
f ( X 5) 6(0.0323)(0.4966)
f ( X 5)

f ( X 5) 0.0962
Para X = 6, tenemos

f ( X 6) 6 C6 (0.5034)6 (0.4966)66
6!
(0.5034)6 (0.4966)0
6!(6 6)!
6!
f ( X 6)
(0.5034)6 (1)
6!(0)!
6!
f ( X 6) (0.5034)6
6!
f ( X 6) (0.5034)6
f ( X 6)

f ( X 5) 0.0163
Entonces

P( X 5) P( X 5) P( X 6)

Sustituyendo los valores correspondientes tenemos

P( X 5) P( X 5) P( X 6)
P( X 5) 0.0962 0.0163
P( X 5) 0.1125
P( X 5) 11.25%

Por lo tanto, la probabilidad de que en al menos 5 das de los 6 siguientes una persona sea
atendida en menos de 5 minutos es 0.1125 o bien el 11.25%.
Distribucin Normal
En muchos casos se trabaja con MUESTRAS GRANDES (n > 30) en la cual existen un cuantioso
nmero de datos, lo que implica que se utilicen tcnicas apropiadas que permitan tratar datos los
cuales no son necesariamente enteros. La distribucin de probabilidad normal es una
herramienta o tcnica adecuada para realizar mediciones importantes porque no slo trabaja con
muestras, sino tambin con poblaciones.
Es por esta razn que la distribucin normal, es la distribucin de probabilidad continua ms
importante en todo el campo de la estadstica.
La distribucin normal se representa mediante una grfica que tiene forma de campana la cual
recibe el nombre de curva normal o de Gauss; esta curva depende de 2 parmetros de la media
() y de la desviacin estndar ().la media () se encuentra ubicada en la parte central de la
curva y es ah en la que se espera se encuentren la mayora de los datos, la varianza y la
desviacin estndar (2, ) son importantes porque nos indican que tan dispersos se encuentran
los datos, en caso de que haya dispersin entre ellos.

Caractersticas de la distribucin normal

a. La curva tienen forma de campana y su punto mximo esta ubicado en la parte central de la
curva, y es ah donde se encuentra la media.
b. La curva es simtrica respecto a la media.
c. La curva normal no es ti tan plana, ni tan puntiaguda
d. La curva normal, se extiende de menos infinito a ms infinito (-, +), es decir, puede
considerar valores extremadamente pequeos, as como valores extremadamente grandes.
e. El rea total bajo la curva es de 100% = 1. Y por cuestin de simetra cada mitad tiene un
valor de 0.5

f.

Existe una distribucin normal para cada combinacin de media () y de desviacin estndar
().

En base a la regla emprica de la teora de la estadstica se pueden asegurar 3 situaciones bajo la

curva normal.
a). Aproximadamente el 68% del rea bajo la curva (es decir, el 65% de los datos) se encuentra
en un rango de ( - , + ).
b). Aproximadamente el 95% del rea bajo la curva (es decir, el 95% de los datos) se encuentra
en un rango de ( - 2 , + 2).
c). Aproximadamente el 99% del rea bajo la curva (es decir, el 99% de los datos) se encuentra
en un rango de ( - 3 , + 3).

Ejemplo 1.
Las ventas mensuales realizadas por una tienda de autoservicio, sigue una distribucin normal
con una media de $800,000.00 y una desviacin estndar de $50,000.00. La tienda de
autoservicio, desea conocer:
a) El rango de valores entre los que se encuentra aproximadamente el 68% de las ventas
mensuales.
b) El rango de valores entre los que se encuentra aproximadamente el 95% de las ventas
mensuales.

c) El rango de valores entre los que se encuentra aproximadamente el 99% de las ventas
mensuales.
Solucin:
Parte a.
Haciendo uso de la grfica anterior. Se sabe que el 68% de los datos se encuentran en un
intervalo equivalente a ( - , + ), por los datos del problema, sabemos que:
= $800,000.00
= $50,000.00
Entonces:
- = $800,000.00 - $50,000.00 = $750,000.00
+ = $800,000.00 + $50,000.00 = $850,000.00
Por lo tanto, aproximadamente el 68% de las ventas se encuentran en el intervalo
($750,000.00 , $850,000.00).
Parte b.
Haciendo uso de la grfica anterior. Se sabe que el 95% de los datos se encuentran en un
intervalo equivalente a ( - 2 , + 2), por los datos del problema, sabemos que:
= $800,000.00
= $50,000.00
Entonces:
- 2 = $800,000.00 2($50,000.00) = $800,000.00 - $100,000.00) = $700,000.00
+ 2 = $800,000.00 +2( $50,000.00( = $800,000.00 + $100,000.00 = $900,000.00
Por lo tanto, aproximadamente el 95% de las ventas se encuentran en el intervalo
($700,000.00 , $900,000.00).
Parte c.
Haciendo uso de la grfica anterior. Se sabe que el 99% de los datos se encuentran en un
intervalo equivalente a ( - 3 , + 3), por los datos del problema, sabemos que:
= $800,000.00
= $50,000.00
Entonces:
- 3 = $800,000.00 3($50,000.00) = $800,000.00 $150,000.00 = $650,000.00
+ 3 = $800,000.00 + 3($50,000.00) = $800,000.00 + $150,000.00 = $950,000.00
Por lo tanto, aproximadamente el 99% de las ventas se encuentran en el intervalo
($650,000.00 , $950,000.00).

Ejemplo 2.
El embarque en una empresa Acerera, sigue una distribucin normal con una media de 3,000
toneladas y una desviacin estndar de 100 toneladas. La empresa, desea conocer:
d) El rango de valores entre los que se encuentra aproximadamente el 68% de los embarques
mensuales.
e) El rango de valores entre los que se encuentra aproximadamente el 95% de los embarques
mensuales.
f) El rango de valores entre los que se encuentra aproximadamente el 99% de los embarques
mensuales.
Solucin:
a. Haciendo uso de la grfica anterior. Se sabe que el 68% de los datos se encuentran en un
intervalo equivalente a ( - , + ), por los datos del problema, sabemos que:
= 3,000
= 100
Entonces:
- = 3,000 - 100 = 2,900
+ = 3,000 + 100 = 3,100
Por lo tanto, aproximadamente el 68% de los embarques mensuales se encuentran en el
intervalo (2,900, 3,100) toneladas.
b. Haciendo uso de la grfica anterior. Se sabe que el 95% de los datos se encuentran en un
intervalo equivalente a ( - 2 , + 2), por los datos del problema, sabemos que:
= 3,000
= 100
Entonces:
- 2 = 3,000 2(100) = 2,800
+ 2 = 3,000 + 2(100) = 3,200
Por lo tanto, aproximadamente el 95% de los embarques se encuentran en el intervalo
(2,800, 3,200) toneladas.

c. Haciendo uso de la grfica anterior. Se sabe que el 99% de los datos se encuentran en un
intervalo equivalente a ( - 3 , + 3), por los datos del problema, sabemos que:
= 3,000
= 100
Entonces:
- 3 = 3,000 3(100) = 2,700
+ 3 = 3,000 + 3(100) = 3,300
Por lo tanto, aproximadamente el 99% de los embarques se encuentran en el intervalo
(2,700 , 3,300 ) toneladas.