Chapter 6

Continuous Probability Distributions

Learning Objectives

1. Understand the difference between how probabilities are computed for discrete and continuous 
random variables.

2. Know how to compute probability values for a continuous uniform probability distribution and be 
able to compute the expected value and variance for such a distribution.

3. Be able to compute probabilities using a normal probability distribution.  Understand the role of the 
standard normal distribution in this process.

4. Be able to use the normal distribution to approximate binomial probabilities.

5. Be able to compute probabilities using an exponential probability distribution.

6. Understand the relationship between the Poisson and exponential probability distributions.

6 ­ 1
Chapter 6

Solutions:

1. a.
f (x)

x
.50 1.0 1.5 2.0

b. P(x  =  1.25)  =  0.  The probability of any single point is zero since the area under the curve above 
any single point is zero.

c. P(1.0    x    1.25)  =  2(.25)  =  .50

d. P(1.20  <  x  <  1.5)  =  2(.30)  =  .60

2. a.
f (x)

.15

.10

.05

x
0 10 20 30 40

b. P(x  <  15)  =  .10(5)  =  .50

c. P(12    x    18)  =  .10(6)  =  .60

10  20
d. E ( x)   15
2

6 ­ 2
 Continuous Probability Distributions

(20  10) 2
e. Var( x)   8.33
12

3. a.
f (x)

3 / 20

1 / 10

1 / 20

x
110 120 130 140
Minutes

b. P(x    130)  =  (1/20) (130 ­ 120)  =  0.50

c. P(x  > 135) =  (1/20) (140 ­ 135)  =  0.25  

120  140
d. E ( x)   130 minutes
2

4. a.
f (x)

1.5

1.0

  .5

x
0   1   2   3

b. P(.25  <  x  <  .75)  =  1 (.50)  =  .50

c. P(x   .30) =  1 (.30)  =  .30

6 ­ 3
Chapter 6

d. P(x  > .60)  =  1 (.40)  =  .40

5. a. Length of Interval = 310.6 ­ 284.7 = 25.9

 1
 for 284.7  x  310.6
f ( x)   25.9
 0 elsewhere


b. Note: 1/25.9 = .0386

P(x < 290) = .0386(290 ­ 284.7) = .2046 

c. P(x    300)  =  .0386(310.6 ­ 300) = .4092

d. P(290    x    305) = .0386(305 ­ 290) = .5790
e. P(x    290)  =  .0386(310.6 ­ 290) = .7952

6. a. P(12    x    12.05)  =  .05(8)  =  .40

b. P(x    12.02)  =  .08(8)  =  .64

P( x  11.98)  P( x  12.02)
c. 1 44 2 4 43 1 44 2 4 43
.005(8)  .04 .64  .08(8)

Therefore, the probability is .04 + .64  =  .68

7. a. P(10,000   x  <  12,000)  =  2000 (1 / 5000)  =  .40

The probability your competitor will bid lower than you, and you get the bid, is .40.

b. P(10,000   x  <  14,000)  =  4000 (1 / 5000)  =  .80

c. A bid of $15,000 gives a probability of 1 of getting the property.

d. Yes, the bid that maximizes expected profit is $13,000.

The probability of getting the property with a bid of $13,000 is

P(10,000   x  <  13,000)  =  3000 (1 / 5000)  =  .60.

The probability of not getting the property with a bid of $13,000 is .40.

The profit you will make if you get the property with a bid of $13,000 is $3000  =  $16,000 ­ 
13,000.  So your expected profit with a bid of $13,000 is

6 ­ 4
 Continuous Probability Distributions

EP ($13,000)  =  .6 ($3000) + .4 (0)  =  $1800.

If you bid $15,000 the probability of getting the bid is 1, but the profit if you do get the bid is only 
$1000  =  $16,000 ­ 15,000.  So your expected profit with a bid of $15,000 is

EP ($15,000)  =  1 ($1000) + 0 (0)  =  $1,000.

8.

 = 10

70 80 90 100 110 120 130

 =5

35 40 45 50 55 60 65
9. a.

b. .6826 since 45 and 55 are within plus or minus 1 standard deviation from the mean of 50.

c. .9544 since 40 and 60 are within plus or minus 2 standard deviations from the mean of 50.

10.

-3 -2 -1 0 +1 +2 +3

6 ­ 5
Chapter 6

a. .3413

b. .4332

c. .4772

d. .4938

11. a. .3413 These probability values are read directly

from the table of areas for the standard 
b. .4332 normal probability distribution.  See
Table 1 in Appendix B.
c. .4772

d. .4938

e. .4987

12. a. .2967

b. .4418

c. .5000 ­ .1700  =  .3300

d. .0910 + .5000  =  .5910
e. .3849 + .5000  =  .8849

f. .5000 ­ .2611  =  .2389

13. a. .6879 ­ .0239  =  .6640

b. .8888 ­ .6985  =  .1903

c. .9599 ­ .8508  =  .1091

14. a. Using the table of areas for the standard normal probability distribution, the area of .4750 
corresponds to z  =  1.96.

b. Using the table, the area of .2291 corresponds to z  =  .61.

c. Look in the table for an area of .5000 ­ .1314  =  .3686.  This provides z  =  1.12.

d. Look in the table for an area of .6700 ­ .5000  =  .1700.  This provides z  =  .44.

15. a. Look in the table for an area of .5000 ­ .2119  =  .2881.  Since the value we are seeking is below the
mean, the z value must be negative.  Thus, for an area of .2881, z  =  ­.80.

6 ­ 6
 Continuous Probability Distributions

b. Look in the table for an area of .9030 / 2  =  .4515;  z  =  1.66.

c. Look in the table for an area of .2052 / 2  =  .1026;  z  =  .26.

d. Look in the table for an area of  .4948; z  =  2.56.

e. Look in the table for an area of .1915.  Since the value we are seeking is below the mean, the z 
value must be negative.  Thus, z  =  ­.50.

16. a. Look in the table for an area of .5000 ­ .0100  =  .4900.  The area  value in the table closest to .4900 
provides the value z  =  2.33.

b. Look in the table for an area of .5000 ­ .0250  =  .4750.  This corresponds to z  =  1.96.

c. Look in the table for an area of .5000 ­ .0500  =  .4500.  Since .4500 is exactly halfway between .
4495 (z   =  1.64) and .4505 (z  =  1.65), we select z  =  1.645.  However, z  =  1.64 or z  =  1.65 are 
also acceptable answers.

d. Look in the table for an area of .5000 ­ .1000  =  .4000.  The area value in the table closest to .4000 
provides the value z  =  1.28.

17. Let x = amount spent 

 = 527,    = 160

700  527
a. z  1.08
160

P(x > 700) = P(z > 1.08) = .5000 ­ .3599 = .1401 

100  527
b. z  2.67
160

P(x < 100) = P(z < ­2.67) = .5000 ­ .4962 = .0038

c. At 700,  z = 1.08  from part (a)

450  527
At 450,  z   .48
160

P(450 < x < 700) = P(­.48 < z < 1.08) = .8599 ­ .3156 = .5443

300  527
d. z  1.42
160

6 ­ 7
Chapter 6

P(x  300) = P(z  ­1.42) = .5000 ­ .4222 = .0778

18.  = 30 and   = 8.2

40  30
a. At x = 40,  z   1.22
8.2

P(z  1.22) =.5000 + .3888 = .8888

P(x  40) = 1 ­ .8888 = .1112

20  30
b. At x = 20,  z   1.22
8.2

P(z > ­1.22) =.5000 + .3888 = .8888

P(x  20) = 1 ­ .8888 = .1112

c. A z­value of 1.28 cuts off an area of approximately 10% in the upper tail.

x = 30 + 8.2(1.28) = 40.50

A stock price of $40.50 or higher will put a company in the top 10%

19. We have  = 156.76 and   = 138.01

416  156.76
a. Z   1.88
138.01

P(x > 5.0) = P(z > 1.88) = 1 ­ P(z < 1.88) = 1 ­ .9699 = .0301

The rainfall exceeds 416 mm in 3.01% of the Februarys. 

70  156.76
b. Z   .63
138.01

P(x < 3.0) = P(z < ­.63) = P(z > .63) = 1 ­ P(z < .63) = 1 ­ .7357 = .2643

The rainfall is less than 70 mm in 26.43% of the Februarys.

c. z  =  1.28 cuts off approximately .10 in the upper tail of a normal distribution.

x  =  156.76 + 1.28(138.01) = 333.413

If it rains 333.413 mm or more, February will be classified as extremely wet.

6 ­ 8
 Continuous Probability Distributions

20.  = 15.3 and   = 3.94

a. At x = 10, 
10  15.3
z  1.35
3.94

P(z < ­1.35)  = P( z > 1.35) = .5000 ­ .4115 = .0885

So, P(x < 10) = .0885
    
                8.85% of people logged on fewer than 10 hours.

b. At x = 20, 
20  15.3
z  1.19
3.94

P(z > 1.19) = .5000 ­ .3830 = .1170

So, P(x > 20) = .1170

11.7% of people logged on over 20 hours.

c. A z­value of .84 cuts off an area of approximately .20 in the upper tail. 

x = 15.3 + .84 (3.94) = 18.61

A person must spend 18.61 or more hours logged on to be classified a heavy user.

21. From the normal probability tables, a z­value of 2.05 cuts off an area of approximately .02 in the 
upper tail of the distribution.

x =  + z  = 100 + 2.05(15) = 130.75

A score of 131 or better should qualify a person for membership in Mensa.

6 ­ 9
Chapter 6

22.  Use  = 441.84 and   = 90

a. At 400
400  441.84
z  .46
90

At 500
500  441.84
z  .65
90
P(0   z < .65)  =  .2422 
P(­.46   z < 0)  =  .1772
P(400   z  500)  =  .1772 + .2422 = .4194

The probability a worker earns between $400 and $500 is .4194.

b. Must find the z­value that cuts off an area of .20 in the upper tail.  Using the normal tables, we find  
z = .84 cuts off approximately .20 in the upper tail.

So, x =  + z  = 441.84 + .84(90) = 517.44

Weekly earnings of $517.44 or above will put a production worker in the top 20%.

250  441.84
c. At 250,  z   2.13
90

P(x  250)  = P(z  ­2.13) = .5000 ­ .4834 = .0166

The probability a randomly selected production worker earns less than $250 per week is .0166.

60  80
23. a.  z  2   Area to left is .5000 ­ .4772 = .0228
10

b. At x  =  60
60  80
z  2 Area to left is .0228
10

At x  =  75
75  80
z  .5 Area to left is .3085
10

P(60   x    75) = .3085 ­ .0228 = .2857

90  80
c. z  1         Area = .5000 ­ .3413 = .1587
10

Therefore 15.87% of students will not complete on time.

6 ­ 10
 Continuous Probability Distributions

(60) (.1587)  =  9.522

We would expect 9.522 students to be unable to complete the exam in time.

xi
24. a.  x   902.75
n

( xi  x ) 2
s  114.185
n 1

We will use  x as an estimate of  and s as an estimate of  in parts (b) ­ (d) below.

b. Remember the data are in thousands of shares.

At 800
800  902.75
z  .90
114.185

P(x  800) = P(z  ­.90) = 1 ­ P(z  .90) = 1 ­ .8159 = .1841

The probability trading volume will be less than 800 million shares is .1841

c.  At 1000
1000  902.75
z  .85
114.185

P(x  1000) = P(z  .85) = 1 ­ P(z  .85) = 1 ­ .8023 = .1977

The probability trading volume will exceed 1 billion shares is .1977

d. A z­value of 1.645 cuts off an area of .05 in the upper tail

x =  + z  = 902.75 + 1.645(114.185) = 1,090.584

They should issue a press release any time share volume exceeds 1,091 million.

25.  = 442.54,    = 65

400  442.54
a. z  .65
65

P(x > 400) = P(z > ­.65) = .5000 +.2422 = .7422 

300  442.54
b. z  2.19
65

6 ­ 11
Chapter 6

P(x  300) = P(z  ­2.19) = .5000 ­ .4857 = .0143

c. At x = 400,  z = ­.65  from part (a)

500  442.54
At x = 500,  z   .88
65

P(400 < x < 500) = P(­.65 < z < .88) = .8106 ­ .2578 = .5528

26. a. np  =  100(.20)  =  20

np (1 ­ p)  =  100(.20) (.80)  =  16

  16  4

b. Yes since np  =  20 and n (1 ­ p)  =  80

c. P (23.5    x    24.5)

24.5  20
z  1.13 Area = .3708
4

23.5  20
z  .88 Area = .3106
4

P (23.5    x    24.5)  =  .3708 ­ .3106  =  .0602

d. P (17.5    x    22.5) 

17.5  20
z  .63 Area = .2357
4

22.5  20
z  .63 Area = .2357
4

P (17.5    x    22.5)  =  .2357 + .2357  =  .4714

e. P (x    15.5) 

15.5  20
z  1.13 Area = .3708
4

P (x    15.5)  =  .5000 ­ .3708  =  .1292

27. a. np  =  200(.60)  =  120

6 ­ 12
 Continuous Probability Distributions

np (1 ­ p)  =  200(.60) (.40)  =  48

  48  6.93

b. Yes since np  =  120 and n (1 ­ p)  =  80

c. P (99.5    x    110.5) 

99.5  120
z  2.96 Area = .4985
6.93

110  120
z  1.37 Area = .4147
6.93

P (99.5    x    110.5)  =  .4985 ­ .4147  =  .0838

d. P ( x    129.5)

129.5  120
z  1.37 Area = .4147
6.93

P (x    129.5)  =  .5000 ­ .4147  =  .0853

e. Simplifies computation.  By direct computation of binomial probabilities we would have to 
compute

P (x    130)  =  f (130) + f (131) + f (132) + f (133) + ... 

28. a. In answering this part, we assume it is not known how many Democrats and Republicans are in the 
group.

 = np = 250(.47) = 117.5

2 = np(1­p) = 250(.47)(.53) = 62.275

  62.275  7.89

Half the group is 125 people. We want to find P(x    124.5).

124.5  117.5
At x = 124.5,  z   .89
7.89

P(z    .89) = .5000 ­ .3133 = .1867

So, P(x    124.5) = .1867

6 ­ 13
Chapter 6

We estimate a probability of .1867 that at least half the group is in favor of the proposal.

b. For Republicans: np = 150(.64) = 96

For Democrats: np = 100(.29) = 29

Expected number in favor = 96 + 29 = 125

c. It's a toss up. We expect just as many in favor of the proposal as opposed.

29. a/b.  = np = (100) (.0499) = 4.99

 2 = np(1­p) = 100 (.0499) (.9501) = 4.7410

  4.7410  2.18

c. Must compute P(5.5   x    6.5)

At x = 6.5, 
6.5  4.99
z  .69
2.18

P(z    .69) = .5000 + .2549 = .7549

At x = 5.5, 
5.5  4.99
z  .23
2.18

P(z    .23) = .5000 + .0910 = .5910

P(5.5   x    6.5) = .7549 ­ .5910 = .1639

Our estimate of the probability is .1639.

d.  Must compute P(x    3.5)

At x = 3.5, 
3.5  4.99
z  .68
2.18

P(x    ­.68) = .5000 + .2518 = .7518

So, P(x    3.5) = .7518

Our estimate of the probability that at least 4 are unemployed is .7518.

6 ­ 14
 Continuous Probability Distributions

30. a. np  =  (800)(0.41)  =  328

  np(1  p)  (800)(0.41)(0.59)  13.9111

I would expect 328 to agree that Microsoft is a monopoly.

b. Find P(x    300.5)

At x  =  300.5
300.5  328
z  1.98
13.9111

P(x    300.5)  =  0.5000 ­ 0.4761  =  0.0239

The probability that 300 or fewer agree that Microsoft is a monopoly is 0.0239.

c. Use n(1 ­ p)  =  800(0.59) = 472

 = 13.9111 as in part a.

Find P(x  >  450.5)

At x  =  450.5

450.5  472
z  1.55
13.9111

P(x  >  450.5)  =  0.5000 + 0.4394  =  0.9394

The probability that there are over 450 that do not agree Microsoft is a monopoly.

31. a. np  =  120(.75)  =  90

  np(1  p)  (120)(.75)(.25)  4.74

The probability at least half the rooms are occupied is the normal probability:  P(x    59.5).

At x  =  59.5

59.5  90
z  6.43
4.74

6 ­ 15
Chapter 6

Therefore, probability is approximately 1

b. Find the normal probability:  P(x    99.5)

At x  =  99.5

99.5  90
z  2.00
4.74

P(x    99.5)  =  P(z    2.00)  =  .5000 ­ .4772  =  .0228

c. Find the normal probability:  P(x    80.5)

At x  =  80.5

80.5  90
z  2.00
4.74

P(x    80.5)  =  P(z    ­2.00)  =  .5000 ­ .4772  =  .0228

32. a. P(x    6)  =  1 ­ e­6/8  =  1 ­ .4724  =  .5276

b. P(x    4)  =  1 ­ e­4/8  =  1 ­ .6065  =  .3935

c. P(x    6)  =  1 ­ P(x    6)  =  1 ­ .5276  =  .4724
d. P(4    x    6)  =  P(x    6) ­ P(x    4)  =  .5276 ­ .3935  =  .1341

33. a. P ( x  x0 )  1  e  x0 / 3

b. P(x    2)  =  1 ­ e­2/3  =  1 ­ .5134  =  .4866

c. P(x    3)  =  1 ­ P(x    3)  =  1 ­ (1 ­  e 3/ 3 )  =  e­1  =  .3679

d. P(x    5)  =  1 ­ e­5/3  =  1 ­ .1889  =  .8111

e. P(2    x    5)  =  P(x    5) ­ P(x    2) =  .8111 ­ .4866 =  .3245

34. a. P(x   10)  =  1 ­ e­10/20  =  .3935

b. P(x    30)  =  1 ­ P(x    30) = 1 ­ (1 ­ e­30/20 )  =  e­30/20  =  .2231
c. P(10    x    30)   =  P(x    30) ­ P(x    10) 

=  (1 ­ e­30/20 ) ­ (1 ­ e­10/20 ) = e­10/20 ­ e­30/20  

6 ­ 16
 Continuous Probability Distributions

= .6065 ­ .2231  = .3834

35. a.
f(x)
.09
.08
.07
.06
.05
.04
.03
.02
.01
x
6 12 18 24

b. P(x    12)  =  1 ­ e­12/12  =  1 ­ .3679  =  .6321

c. P(x    6)  =  1 ­ e­6/12  =  1 ­ .6065  =  .3935

d. P(x    30) =  1 ­ P(x  <  30)

=  1 ­ (1 ­ e­30/12)

=  .0821

36. a. 50 hours

b. P(x    25)  =  1 ­ e­25/50  =  1 ­ .6065  =  .3935
c. P(x    100) =  1 ­ (1 ­ e­100/50)
=  .1353

37. a. P(x    2)  =  1 ­ e­2/2.78  =  .5130

b. P(x    5)  =  1 ­ P(x    5)  =  1 ­ (1 ­ e­5/2.78 ) = e­5/2.78  =  .1655

c. P(x    2.78)  =  1 ­ P(x    2.78)  =  1 ­ (1 ­ e­2.78/2.78 ) = e­1  =  .3679

This may seem surprising since the mean is 2.78 minutes.  But, for the exponential distribution, the 
probability of a value greater than the mean is significantly less than the probability of a value less 
than the mean.

6 ­ 17
Chapter 6

38. a. If the average number of transactions per year follows the Poisson distribution, the time between 
transactions follows the exponential distribution.  So, 

1
 =  of a year 
30

1 1
and    30
 1/ 30

then f(x) = 30 e­30x

b. A month is 1/12 of a year so, 

 1   1 
P  x    1  P  x    1  (1  e 30 /12 )  e 30 /12  .0821
 12   12 

The probability of no transaction during January is the same as the probability of no transaction 
during any month: .0821

c. Since 1/2 month is 1/24 of a year, we compute,

 1  30 / 24
P x    1 e  1  .2865  .7135
 24 

39. a. Let x = sales price ($1000s)

1
 for 200  x  225
f ( x)   25
 0 elsewhere


b. P(x    215)  =  (1 / 25) (225 ­ 215) =  0.40

c. P(x < 210) = (1 / 25)(210 ­ 200) = 0.40

d. E (x) = (200 + 225)/2 = 212,500

If she waits, her expected sale price will be $2,500 higher than if she sells it back to her company 
now.  However, there is a 0.40 probability that she will get less.  It’s a close call.  But, the expected 
value approach to decision making would suggest she should wait.

6 ­ 18
 Continuous Probability Distributions

40. a. For a normal distribution, the mean and the median are equal.

63,000

b. Find the z­score that cuts off 10% in the lower tail.

z­score = ­1.28

Solving for x,

   = x – 63,000
– 1.28
15,000

  x  = 63,000 ­ 1.28 (15000) = 43,800

The lower 10% of mortgage debt is $43,800 or less.

c. Find P(x > 80,000)

At x  =  80,000
80, 000  63, 000
z  1.13
15, 000

P(x  >  80,000) =  .5000 ­ .3708 = 0.1292

d. Find the z­score that cuts off 5% in the upper tail.

z­score = 1.645.   Solve for x.

x  63,000
1.645 =
15, 000

  x  = 63,000 + 1.645 (15,000) = 87,675

The upper 5% of mortgage debt is in excess of $87,675.

41. a. P(defect) =  1 ­ P(9.85    x    10.15)

=  1 ­ P(­1    z    1) = 1 ­  .6826 = .3174

Expected number of defects  =  1000(.3174)  =  317.4

b. P(defect) =  1 ­ P(9.85    x    10.15)

=  1 ­ P(­3    z    3) = 1 ­  .9974 = .0026

6 ­ 19
Chapter 6

Expected number of defects  =  1000(.0026)  =  2.6

c. Reducing the process standard deviation causes a substantial reduction in the number of defects.

42.  = 80,734

a. z = -1.645 cuts off .05 in the lower tail

So,

75,422  80,734
 1.645 


75,422  80,734
   3,229  
 1.645

c. At 80,400 
80,400  80,734
z  .10
3,229

At 78,410 
78,410  80,734
z  .72
3,229

P (80,400 < x < 78,410) = P (­.72 < z < ­.10) = .2642 ­ .0398 = .2244

c. z = 1.88 cuts off approximately .03 in the upper tail

x = 80,734 + 1.88 (3,229) = 86,804.52

The households with the highest 3% of expenditures spent more than NT$86,804.

43.   =  10,000       =  1500

a. At x  =  12,000
12, 000  10, 000
z  1.33 Area to left is .9082
1500
P(x  >  12,000)  =  1.0000 ­ .9082  =  .0918

b. At .95
x  10, 000
z  1.645 
1500

6 ­ 20
 Continuous Probability Distributions

Therefore, x  =  10,000 + 1.645(1500)  =  12,468.

95%
0.05

10,000 12,468

12,468 tubes should be produced.

6 ­ 21
Chapter 6

44. a. At x  =  200
200  150
z  2 Area = .4772
25
P(x  >  200)  =  .5 ­ .4772  =  .0228

b. Expected Profit =  Expected Revenue ­ Expected Cost
=  200 ­ 150  =  $50

45. a. Find P(80,000  x  150,000)

At x  =  150,000
150, 000  126, 681
z  0.78
30, 000

P(x    150,000) = 0.7823

At x  =  80,000
80, 000  126,681
z  1.56
30, 000

P(x    80,000)  = .5000 ­ .4406 = 0.0594

P(80,000  x  150,000)  = 0.7823 ­ 0.0594 = 0.7229

b. Find P(x < 50,000)

At x  =  50,000
50, 000  126, 681
z  2.56
30, 000

P(x  <  50,000)  = .5000 ­ .4948 = 0.0052

c. Find the z­score cutting off 95% in the left tail.

z­score = 1.645.  Solve for x.

x  126, 681
1.645 =
30, 000

  x  = 126,681 + 1.645 (30,000)

= 176,031

The probability is 0.95 that the number of lost jobs will not exceed 176,031.

6 ­ 22
 Continuous Probability Distributions

46. a. At 400,
400  450
z  .500
100
Area to left is .3085
At 500,
500  450
z  .500
100
Area to left is .6915
  
P(400   x   500)  = .6915 ­ .3085 = .3830

38.3% will score between 400 and 500.

b. At 630,
630  450
z  1.80
100

96.41% do worse and 3.59% do better .

c. At 480,
480  450
z  .30
100
Area to left is .6179
38.21% are acceptable.

47. a. At 75,000
75, 000  67, 000
z  1.14
7, 000

P(x > 75,000) = P(z > 1.14) = 1 ­ P(z  1.14) = 1 ­ .8729 = .1271

The probability of a woman receiving a salary in excess of $75,000 is .1271

b. At 75,000
75, 000  65,500
z  1.36
7,000

P(x > 75,000) = P(z > 1.36) = 1 ­ P(z  1.36) = 1 ­ .9131 = .0869

The probability of a man receiving a salary in excess of $75,000 is .0869

6 ­ 23
Chapter 6

c. At x  =  50,000
50, 000  67, 000
z  2.43
7, 000

P(x < 50,000) = P(z < ­2.43) = 1 ­ P(z < 2.43) = 1 ­ .9925 = .0075

The probability of a woman receiving a salary below $50,000 is very small: .0075

d. The answer to this is the male copywriter salary that cuts off an area of .01 in the upper tail of the 
distribution for male copywriters.

Use  z = 2.33

x = 65,500 + 2.33(7,000) = 81,810

A woman who makes $81,810 or more will earn more than 99% of her male counterparts.

48.   =  .6

At 2%
z  =  ­2.05     x  =  18

x 18  
z  2.05         
 .6

  =  18 + 2.05 (.6)  =  19.23 oz.

0.02

18  =19.23

The mean filling weight must be 19.23 oz.

49. Use normal approximation to binomial.

a.   =  np  =  50 (.75)  =  37.5

  np (1  p )  50(.75)(.25)  3.06

6 ­ 24
 Continuous Probability Distributions

At x  =  42.5
x   42.5  37.5
z   1.63
 3.06

P(0    z    1.63)  =  .4484

Probability of an A grade  =  .5000 ­ .4484  =  .0516 or 5.16% will obtain an A grade.

b. At x  =  34.5
34.5  37.5
z  .98
3.06

At x  =  39.5
39.5  37.5
z  .65
3.06

P(­.98    z   .65)  =  .3365 + .2422  =  .5787

or 57.87% will obtain a C grade.

c. At x  =  29.5
29.5  37.5
z  2.61
3.06

P(z  ­2.61)  =  .5000 + .4955  =  .9955

or 99.55%of the students who have done their homework and attended lectures will pass the 
examination.

d.   =  np  =  50 (.25)  =  12.5      (We use p  =  .25 for a guess.)

  np (1  p )  50(.25)(.75)  3.06

At x  =  29.5
29.5  12.5
z  5.55
3.06

P(z   5.55)    0

Thus, essentially no one who simply guesses will pass the examination.

50. a.   =  np  =  (240)(0.49) =  117.6

Expected number of wins is 117.6

Expected number of     losses = 240(0.51) = 122.4

6 ­ 25
Chapter 6

Expected payoff = 117.6(50) ­ 122.4(50) = (­4.8)(50) = ­240.

The player should expect to lose $240.

b. To lose $1000, the player must lose 20 more hands than he wins.  With 240 hands in 4 hours, the 
player must win 110 or less in order to lose $1000.  Use normal approximation to binomial.

  =  np  =  (240)(0.49) =  117.6

  240(.49)(.51)  7.7444

Find  P(x    110.5)

At x  =  110.5
110.5  117.6
z  .92
7.7444

P(x    110.5)  =  0.5000 ­ 0.3212 = 0.1788

The probability he will lose $1000 or more is 0.1788.

c. In order to win, the player must win 121 or more hands.

Find  P(x    120.5)

At x  =  120.5
120.5  117.6
z  .37
7.7444

P(x    120.5)  =  0.5000 ­ 0.1443 = 0.3557

The probability that the player will win is 0.3557.  The odds are clearly in the house’s favor.

d. To lose $1500, the player must lose 30 hands more than he wins.  This means he wins 105 or fewer 
hands.

Find  P(x    105.5)

At x  =  105.5
105.5  117.6
z  1.56
7.7444

P(x    105.5)  =  0.5000 ­ 0.4406 = 0.0594

The probability the player will go broke is 0.0594.

6 ­ 26
 Continuous Probability Distributions

51. a. P(x    15)  =  1 ­ e­15/36  =  1 ­ .6592  =  .3408

b. P(x    45)  =  1 ­ e­45/36  =  1 ­ .2865  =  .7135

Therefore P(15    x    45)  =  .7135 ­ .3408  =  .3727

c. P(x    60) =  1 ­ P(x  <  60)

=  1 ­ (1 ­ e­60/36) = .1889

52. a. Mean time between arrivals = 1/7 minutes

b. f(x) = 7e­7x 

c. P(x > 1) = 1 ­ P(x < 1) = 1 ­ [1 ­ e­7(1)] = e­7 = .0009

d. 12 seconds is .2 minutes

P(x > .2) = 1 ­ P(x < .2) = 1­ [1­ e­7(.2)] = e­1.4 = .2466

1
53. a. e  x / 24.7  .0405e .0405 x
24.7
 
b. P(x < 30) = 1 ­ e­.0405(30)  = 1 ­ .2967 = .7033 

P(x < 10) = 1 ­ e­.0405(10)  = 1 ­ .6670 = .3330

P(10 < x < 30) = .7033 ­ .3330 = .3703

c. From part (b), P(x < 30) = .7033

P(x > 30) = P(x   30) = 1 ­ P(x < 30) = 1 ­ .7033 = .2967

1
54. a.  0.5  therefore   =  2 minutes  =  mean time between telephone calls


b. Note: 30 seconds  =  .5 minutes

P(x    .5)  =  1 ­ e­.5/2  =  1 ­ .7788  =  .2212

c. P(x    1)  =  1 ­ e­1/2  =  1 ­ .6065  =  .3935

d. P(x    5) =  1 ­ P(x  <  5) =  1 ­ (1 ­ e­5/2) =  .0821

6 ­ 27