Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
66 MATEMÁTICAS
Distribuciones de probabilidad de
variable continua.
Características y tratamiento.
La distribución normal. Aplicaciones.
24-13858-13
Temario 1993
tema 66
matemáticas
2. Características y tratamiento
4. Aplicaciones
3
tema 66
matemáticas
INTRODUCCIÓN
Frecuentemente, en los experimentos aleatorios, el interés está en una función del resultado
del experimento y no en el resultado propiamente dicho. El concepto de variable aleatoria
permite pasar de los resultado experimentales a una función numérica de éstos. En general,
se puede establecer para cada experimento una regla que asocia con un número cada resul-
tado del experimento. Esta regla de asociación se llama variable aleatoria, variable porque
son posibles diferentes valores numéricos y aleatoria porque el valor observado depende de
cuál de los resultados experimentales posibles resulte.
Por lo dicho, para un determinado espacio muestral de algún experimento, una variable
aleatoria es cualquier regla que relaciona un número con cada resultado en el espacio mues-
tral. En el lenguaje matemático, una variable aleatoria es una función cuyo dominio es el
espacio muestral y cuyo recorrido es el conjunto de los números reales.
Por lo común, las variables aleatorias se denotan con letras griegas como ξ ó con letras
mayúsculas, como X y Y (en contraste con el uso que se suele hacer de utilizar una letra
minúscula, como x, para denotar a una variable). Las letras minúsculas se utilizan para
representar un determinado valor de la variable aleatoria correspondiente. La notación
ξ (a)=x ó X(a)=x significa que x es el valor relacionado con el resultado a mediante dicha
variable aleatoria.
Hay dos tipos de variables aleatorias, variables aleatorias discretas y variables aleatorias
continuas.
Una variable aleatoria discreta es una variable cuyos valores posibles constituyen un con-
junto finito, o bien se pueden listar en una secuencia infinita numerable. Una variable alea-
toria es continua si su subconjunto de valores posibles consiste en un intervalo completo
en la recta numérica.
Estas palabras nos sirven para introducirnos en el tema, donde se va a estudiar el concepto
de variable aleatoria continua y las funciones asociadas a ella. Además se analizan las prin-
cipales características de las variables aleatorias continuas y los modelos más usados para
las mismas: la distribución normal.
La ley de distribución normal es de suma importancia, fundamentalmente, por ser la dis-
tribución límite hacia la cual tienden (bajo condiciones que generalmente se plantean en la
vida cotidiana) gran número de distribuciones de probabilidad. La distribución normal fue
reconocida por primera vez por el francés Abraham de Moivre (1667-1754). Posterior-
mente, Carl Friedrich Gauss (1777-1855) elaboró desarrollos más profundos y formuló
la ecuación de la curva; de ahí que también se la conozca, más comúnmente, como la «ley
de Gauss» o «campana de Gauss». La distribución de una variable normal está completa-
mente determinada por dos parámetros, su media y su desviación estándar
5
tema 66
matemáticas
1 Distribuciones de probabilidad
de variable continua
XX Variable aleatoria
Sea ξ una variable aleatoria definida sobre (E, A, P). Definimos función de dis-
tribución de la variable aleatoria ξ a la función F(x) de R en R, que determina la
probabilidad de que ξ tome un valor menor o igual que x, es decir:
F(x) = P(ξ ≤ x)
Podemos decir que una variable aleatoria es continua cuando puede tomar todos
los valores de un cierto intervalo finito o infinito.
Para precisar la definición, hemos de recordar lo que entendemos por función
absolutamente continua.
Una función F: R → R es absolutamente continua si para todo e > 0 ∃δ > 0 para
cualquier colección de intervalos disjuntos (a1 b1], (a2 b2], ..., (an bn], que verifi-
can:
n n
6
tema 66
matemáticas
2. F(x) es una función monótona no decreciente, ya que si x1 < x2, F(x1) ≤ F(x2).
En efecto:
F(x2) = P(ξ ≤ x2) = P(ξ ≤ x1) + P(x1 < ξ ≤ x2) ≥ P(ξ ≤ x1) = F(x1)
es decir:
F(x1) ≤ F(x2)
3. La probabilidad de que una magnitud aleatoria tome un valor del intervalo
(x1, x2] es igual al incremento de la función de distribución en este intervalo.
P(x1 < ξ ≤ x2) = F(x2) – F(x1)
Teniendo en cuenta que
P(ξ ≤ x2) = P(ξ ≤ x1) + P(x1 < ξ ≤ x2)
F(x2) = F(x1) + P(x1 < ξ ≤ x2) ⇒ P(x1 < ξ ≤ x2) = F(x2) − F(x1)
4. La probabilidad de que una variable aleatoria continua ξ tome un valor deter-
minado, es igual a cero.
Teniendo en cuenta el resultado anterior
P(x1 < ξ ≤ x1 + ∆x) = F(x1 + ∆x) − F(x1)
Si hacemos ∆x → 0, como F(x) es continua,
P ( ξ = x1 ) = lim [ F ( x1 + ∆x ) − F ( x1 ) ] = F ( x1 ) − F ( x1 ) = 0
∆x→0
7
tema 66
matemáticas
XX Función de densidad
Sea ξ una variable aleatoria continua, y F(x) su función de distribución.
Llamaremos función de densidad de la variable ξ a la variable derivada primera
de su función de distribución. Si f(x) es la función de densidad,
F’(x) = f(x)
Propiedades de la función de densidad
1. La probabilidad de que una variable aleatoria continua tome un valor del inter-
valo (a, b) es igual a la integral de la función de densidad entre a y b.
∫
b
P(a < ξ < b) = a
f(x) dx
∫ F’(x) dx = ∫
b b
y que F(b) − F(a) = a a
f(x) dx
∫
b
queda P(a < ξ < b) = P(a < ξ ≤ b) = a
f(x) dx
8
tema 66
matemáticas
−∞ −∞ a x→+∞ a
= F ( a) + F ( +∞) − F ( a) = 1
+∞
∫
La integral −∞ f(x) dx expresa la probabilidad del suceso en que la variable
aleatoria toma un valor del intervalo (−∞, +∞). Tal suceso es cierto, y por tanto
su probabilidad es uno.
Geométricamente, significa que el área comprendida entre la curva de distribu-
ción y el eje x es igual a la unidad.
Damos a continuación unos ejemplos.
Ejemplo 1:
Sea ξ = X una magnitud aleatoria cuya función de distribución es
0, x ≤ −1
1
1
F ( x ) = x + , −1 < x ≤ 3
4 4
1, x>3
9
tema 66
matemáticas
0 si x ≤ −1
1
a) f ( x ) = F ′( x ) =
si −1 < x ≤ 3
4 2 1 1 2 1
b) P(0 < X ≤ 2) = F(2) − F(0) =
0 si x > 43 + 4 − 4 = 4 = 2
0 x≤a
1
f ( x) = a< x≤b
b − a
0 x>b
1 1 x−a
F ( x ) = F ( a) + ∫
x
dx = 0 + [ x ]ax =
a b−a b−a b−a
dx b−a
Para x > b F ( x ) = ∫ f ( x ) dx = ∫ 0 dx + ∫ + ∫ 0 dx =
x a b x
=1
−∞ −∞ a b−a b b−a
0, x≤a
x−a
F ( x) = a< x≤b
b − a
1, x>b
10
tema 66
matemáticas
2 Características y tratamiento
XX Esperanza matemática
XX Varianza
XX Desviación típica
D[ ξ] = σ = µ2
XX Momentos
n n
µn = αn − α1αn−1 + α12 αn−2 − ... ± α1n
1 2
Si desarrollamos el momento respecto al origen de orden n, obtenemos:
n
αn = µn + µn−1α1 + ... + α1n
1
11
tema 66
matemáticas
XX Mediana
XX Moda
12
tema 66
matemáticas
3 La distribución normal:
características y tratamiento
3.1. Definición
La distribución normal fue considerada por primera vez por De Moivre en 1733
quien fue el primero en obtener dicha curva en respuesta a problemas que le plan-
tearon jugadores profesionales como el caballero De Méré. Pronto fue relegada
al olvido hasta que, a principios del siglo xix, Gauss y Laplace la pusieron
de actualidad y, por eso, es también conocida con el nombre de distribución de
Gauss-Laplace.
Quetelet es quien proporciona a la distribución el nombre por el que es más co-
nocida, distribución normal, después de haber recogido miles de datos sobre las
medidas corporales de soldados escoceses; observó una distribución de sus datos
muy parecida a la distribución de los errores de Gauss y Laplace, interpretando las
desviaciones de sus medidas respecto a la media, como errores de medida come-
tidos por la Naturaleza en su intento de crear un hombre «normal», en el sentido
de hombre medio.
El nombre de «normal» tiene solo carácter histórico, pues, hoy en día, esta distri-
bución es tan corriente como otra cualquiera de las que se utilizan en Estadística.
De Moivre la encontró como límite de la distribución binomial B(n, p) cuando
n → ∞ y Gauss y Laplace al estudiar la distribución de errores accidentales en
Astronomía y Geodesia.
La importancia de esta distribución se pone de manifiesto por su enorme cantidad
de aplicaciones y por los teoremas centrales del límite.
Pues bien:
Definición:
Diremos que una variable aleatoria continua ξ presenta una distribución normal de
parámetros µ, σ, y la designaremos por N(µ, σ), si su función de densidad es:
− ( x − µ )2
1
f ( x) = e 2σ2
∀x ∈ R , σ > 0
σ 2π
+∞
Desde luego, se demuestra que ∫−∞
f(x) dx = 1
Para calcular la integral basta hacer el cambio de variable (x − µ) / σ = t y hacer
uso del valor de la integral de las probabilidades de Gauss.
Veamos cuál es el significado de los parámetros µ y σ.
13
tema 66
matemáticas
x− µ
haciendo de nuevo z = ⇒ x − µ = σz ⇒ dx = σ dz, y teniendo en cuenta que
σ
los límites de integración son iguales, queda:
−z 2
σ 2 +∞
µ2 =
2π
∫−∞
z ⋅ z e 2
dz
− z2
Integrando por partes u = z, dµ = z e dz, se obtiene µ2 = σ2. Luego el paráme-
2
14
tema 66
matemáticas
1 −2z
2
1 −2z
2
+∞ +∞
ϕZ (t ) = E[e ] = continua = ∫ e f ( z ) dz = ∫ e
itz itz itz
e dz =
−∞ −∞
2π
+∞ 1 −21( z 2 −2itz )
=∫ e dz =
−∞ 2π
+∞ 1 −21( z 2 −2itz +i2t 2 −i2t 2 ) +∞ 1 − ( z −it )2/2
=∫ dz = e i t /2 ∫ dz =
2 2
e e
−∞ 2π −∞ 2π
= e − t /2
2
pues la integral vale 1 por ser la integral de una función de densidad, si hiciéramos
z − it = u.
Mediante el proceso de tipificación, podemos poner χ = az + b, conviniéndonos
tomar a = σ, b = µ ⇒ χ = σz + µ
y aplicando la propiedad de linealidad de la función características que dice que
si y = ax + b, entonces
ϕy(t) = eitbϕx(at)
tendremos:
( σt ) 2 σ 2t 2
− it µ−
ϕ χ (t ) = e ϕ z ( at ) = e ⋅ e
itb it µ 2
=e 2
Por tanto:
σ 2t 2
it µ−
ϕ χ (t ) = e 2
XX Momentos
Media
it µ−
t 2σ2
2t σ 2
ϕ′ ( t ) ; ϕ′ ( t ) = e 2
⋅iµ −
α1 = 2 ⇒ ϕ′ ( 0 ) = i µ
i
t =0 t =0
15
tema 66
matemáticas
( )
it µ− 2 it µ−
α2 = 2 ; ϕ′′(t ) = e 2
i µ − t σ 2 − σ 2e 2
⇒
i t =0
⇒ ϕ′′(0) = (i µ) 2 − σ 2 = − µ2 − σ 2 ⇒ α2 = µ2 + σ 2
Varianza
V(χ) = α2 − α12 = µ2 + σ2 − µ2 = σ2
es decir, el cuadrado del segundo parámetro.
Teoremas
1. Teorema de adición
Sean χ1, χ2, ..., χn, n variables aleatorias independientes tales que todas siguen
distribuciones normales.
La variable aleatoria η = χ1 + χ2 + ... + χn puede demostrarse (construyen-
do la función característica de la variable aleatoria η) que sigue una distri-
bución también normal de media la suma de medias y de desviación típica
σ12 + σ 22 + ...
Si χ1 → N(µ1, σ1)
χ2 → N(µ2, σ2)
. (
⇒ η = χ1 + χ2 + ... + χn → N µ1 + ... + µn , σ12 + ... + σ 2n )
.
.
χn → N(µn, σn)
También se verifica el teorema recíproco.
2. Teorema de la transformación lineal
Si χ sigue una N(µ, σ), definimos otra v.a. en la forma Y = aχ + b tal que
Y → N(aµ + b, aσ)
(Es módulo porque la desviación típica ha de ser positiva.)
16
tema 66
matemáticas
XX Dominio
− ( x − µ )2
1
f ( x) = e 2σ2
σ 2π
XX Simetría
XX Asíntotas
−( x − μ )
f '( x) = f ( x)
σ 2π
1 (x − μ)
2
f ´´( x) = 2 1 − ⋅ f ( x)
σ σ
17
tema 66
matemáticas
Como hemos indicado a lo largo del estudio de la función que hemos realizado,
los parámetros μ y σ influyen sobre la representación de la curva normal.
Las gráficas de las funciones f(x) y f(x − µ) tienen igual forma, pero están despla-
zadas a derecha o izquierda, según los valores de µ. La variación de µ, esperanza
matemática, no altera la forma de la curva normal, pero da lugar a un desplaza-
miento hacia la derecha de tantas unidades como aumente µ, o un desplazamiento
hacia la izquierda de tantas unidades como disminuya µ.
18
tema 66
matemáticas
1
Si varía la desviación típica σ, como el máximo es , al aumentar σ la curva
se acorta y al disminuir σ, se alarga. σ 2 π
1 −2x
2
f ( x) = e
2π
ξ −μ
η=
σ
entonces η es N(0, 1). Diremos que hemos tipificado la variable aleatoria.
En efecto, aplicando las propiedades de la esperanza matemática y de la varianza,
ξ − µ 1 µ µ µ
E [ η] = E = E [ ξ] − = − = 0
σ σ σ σ σ
µ 2 σ2
σ 2η = ⋅σ = = 1, luego la variable η es N(0, 1).
σ2 ξ σ2
Esto nos permite estudiar cualquier distribución normal conocida la distribución
N(0, 1) que está tabulada.
19
tema 66
matemáticas
Propiedades
1. Sea ξ una variable aleatoria normal N(µ, σ). La probabilidad de que ξ tome un
valor del intervalo (α, β) se calcula por
β − µ α − µ
P( α < ξ < β) = φ − φ
σ σ
1 x −2z
2
haciendo
x− µ
z= ⇒ x = σz + µ ⇒ dx = σdz
σ
β− µ
1 0 −2z −z
2 2
1
= ∫
2π σ
α − µ e dz + ∫
2π 0
σ
e 2
dz =
β− µ −z 2
−z α− µ 2
1 1
= ∫
2π 0
σ
e 2
dz − ∫
2π 0
σ
e 2
dz
1 x −2z
2
β − µ α − µ
P( α < ξ < β) = φ − φ
σ σ
20
tema 66
matemáticas
ξ− µ
Haciendo de nuevo η =
σ
ξ− µ
P ( ξ − µ > λσ ) = P > λ
σ
2 ∞ −2z
2
ξ− µ ξ− µ
P = P
σ
< − λ + P
σ
> λ =
∫ e dz
2π λ
21
tema 66
matemáticas
Veamos, como ejemplo, los pasos a seguir para calcular p(Z ≤ 1,35):
1. En la primera columna buscamos la parte entera y las décimas, en nuestro
caso 1,3.
2. En la primera fila buscamos las centésimas, en este caso 5.
3. La probabilidad buscada se encuentra en la fila y la columna obtenidas, en este
caso 0,91149.
Por tanto p(Z ≤ 1,35) = 0,91149.
Vemos en la tabla que a partir de 4,18 las probabilidades son mayores que 0,99999
con lo que para valores superiores a esta cantidad podemos escribir ≈ 1 aunque no
aparezca en la tabla.
Por otra parte, fijémonos en que en este tipo de distribuciones no tiene sentido
plantearse probabilidades del tipo p(Z = k), ya que siempre valen 0, al no encerrar
ningún área. Este es un hecho característico de las distribuciones continuas. En la
práctica se calcula la probabilidad en un entorno de k.
Veamos cómo realizar el cálculo de otras probabilidades1:
1. Si k es positivo y queremos calcular p(Z ≥ k), es decir el área rayada:
-k k
-k
1 Para el cálculo de probabilidades de cualquier otra distribución normal podemos utilizar esta tabla una vez realizada
la tipificación.
22
tema 66
matemáticas
-k k
4. Probabilidades comprendidas entre dos valores, p(k1 ≤ Z ≤ k2) ,es decir el área
rayada:
k1 k2
k2 k1
XX Teorema De Moivre
B(n,p) ∼ N (np, n pq )
23
tema 66
matemáticas
Por suerte, esta aproximación puede emplearse para valores de n > 30 siempre y
cuando se verifique que n p ≥ 5 y n q ≥ 5.
En caso de que podamos aproximar, debemos tener en cuenta que estamos pasan-
do de una variable discreta (binomial) a una continua (normal), y por tanto son
distribuciones diferentes. El «precio» que hay que pagar por pasar de una a otra se
denomina «corrección por continuidad» y consiste en hacer determinados ajustes
para que la aproximación realizada sea lo más precisa posible.
Así, si nos piden p(X = k) en una distribución binomial X, y aproximamos X
por una distribución normal Y, no podemos calcular directamente p(Y = k) por-
que, como ya se ha comentado anteriormente, en una distribución continua todas
estas probabilidades valen 0. La corrección por continuidad consiste en tomar
un pequeño intervalo de longitud 1 alrededor del punto k. Es decir, si nos piden
p(X = k) con X binomial, con la aproximación normal Y deberemos calcular
p(k – 0,5 ≤ Y ≤ k + 0,5).
Del mismo modo se razona en el caso de probabilidades acumuladas en la bi-
nomial. Por ejemplo, si nos piden p(X <k) con X binomial, aproximando por Y
normal calcularemos p(Y ≤ k – 0,5). La explicación de que haya que restar 0’5 y
no sumarlo es que queremos que X sea menor estrictamente que k, con lo cuál, si
sumase 0’5, el propio k aparecería en la probabilidad a calcular.
Por contra, si queremos calcular la p(X ≤ k), con X binomial, deberíamos calcular
p(Y ≤ k +0,5).
Comprender estos dos hechos es fundamental para realizar bien la corrección por
continuidad al aproximar una distribución binomial por una normal.
24
tema 66
matemáticas
4 Aplicaciones
Esta distribución es muy utilizada en las aplicaciones estadísticas. Su nombre,
distribución normal, se debe a la frecuencia o normalidad con la que la distri-
bución de muchos fenómenos tienden a parecerse en su comportamiento a esta
distribución. Pero su importancia va mas allá. La importancia es que en la mayoría
de sucesos que dependen de muchas variables aleatorias, por el Teorema Central
del Límite, tienden a un comportamiento normal. Por ejemplo, en la meteorología,
cuya predicción depende de muchas variables. Sería caótico intentar estudias las
complejidad de todas las variables por separado, pero en conjunto es una normal.
Como ejemplos de fenómenos naturales que siguen el modelo de la normal men-
cionamos:
Fenómenos morfológicos de individuos de cierta población. De hecho, el estu-
dio de las medidas corporales de soldados escoceses llevado a cabo por Quetelet
dio el nombre a esta distribución como se explica en el apartado 3 del tema.
Fenómenos fisiológicos (animales y vegetales), por ejemplo efecto de trata-
mientos aplicados a enfermedades de personas, animales, plantas....
Fenómenos sociológicos, por ejemplo el impacto de un producto nuevo en el
mercado.
Fenómenos psicológicos, como el cociente intelectual.
Errores en medición.
Y como ya hemos mencionado, la normal como aproximación de distribuciones
como la binomial o la de Poisson, es otra de sus principales aplicaciones.
25
tema 66
matemáticas
BIBLIOGRAFÍA
GNEDENKO, B.: Teoría de las probabilidades. Ed. Rubiños 1860, S. A., 1996.
HOEL, P.: Introducción a la estadística matemática. Ed. Ariel, 1980.
LIPSHUTZ, S. y SCHILLER, J.: Introducción a la probabilidad y estadística. McGraw-Hill, 1999.
TUCKER, H.: Introducción a la Teoría de las Probabilidades y a la estadística. Ed. Vicens-Vives.
DEVORE, JAY L.: Probabilidad y Estadística para Ingenieria y Ciencias. Ed.Thomson Paraninfo, S.
A. 2006
26
tema 66
matemáticas
RESUMEN
1.
1 Distribuciones de probabilidad de variable continua
Conceptos de:
Variable aleatoria continua.
Su función de distribución: propiedades y representación gráfica.
Su función de densidad de una variable aleatoria continua: propiedades.
2.
2 Características y tratamiento
Conceptos de:
Esperanza matemática.
Varianza.
Desviación típica.
Momentos: relación entre momentos centrales y momentos respecto al origen.
Mediana.
Moda.
Función característica y función generatriz de momentos.
3.
3 La distribuciones normal:
características y tratamiento
3.1. Definición
Una variable aleatoria continua presenta una distribución normal de parámetros μ, σ y la
designamos por N(μ, σ) si su función de densidad es:
− ( x − μ )2
1
f ( x) = e 2σ 2 ∀x ∈ , σ > 0
σ 2π
27
tema 66
matemáticas
f ( x) = e
2π
4.
4 Aplicaciones
La ley de distribución normal es de suma importancia, fundamentalmente, por ser la dis-
tribución límite hacia la cual tienden las distribuciones de probabilidad de multitud de
fenómenos (fenómenos morfológicos, fisiológicos, sociológicos…) y a que en la mayoría
de sucesos que dependen de muchas variables aleatorias, por el Teorema Central del Lími-
te, tienden a un comportamiento normal. La normal como aproximación de distribuciones
como la binomial o la de Poisson, es otra de sus principales aplicaciones.
28
tema 66
matemáticas
ANEXO
z 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,50000 0,50399 0,50798 0,51197 0,51595 0,51994 0,52392 0,52790 0,53188 0,53586
0,1 0,53983 0,54380 0,54776 0,55172 0,55567 0,55962 0,56356 0,56749 0,57142 0,57535
0,2 0,57926 0,58317 0,58706 0,59095 0,59483 0,59871 0,60257 0,60642 0,61026 0,61409
0,3 0,61791 0,62172 0,62552 0,62930 0,63307 0,63683 0,64058 0,64431 0,64803 0,65173
0,4 0,65542 0,65910 0,66276 0,66640 0,67003 0,67364 0,67724 0,68082 0,68439 0,68793
0,5 0,69146 0,69497 0,69847 0,70194 0,70540 0,70884 0,71226 0,71566 0,71904 0,72240
0,6 0,72575 0,72907 0,73237 0,73565 0,73891 0,74215 0,74537 0,74857 0,75175 0,75490
0,7 0,75804 0,76115 0,76424 0,76730 0,77035 0,77337 0,77637 0,77935 0,78230 0,78524
0,8 0,78814 0,79103 0,79389 0,79673 0,79955 0,80234 0,80511 0,80785 0,81057 0,81327
0,9 0,81594 0,81859 0,82121 0,82381 0,82639 0,82894 0,83147 0,83398 0,83646 0,83891
1,0 0,84134 0,84375 0,84614 0,84849 0,85083 0,85314 0,85543 0,85769 0,85993 0,86214
1,1 0,86433 0,86650 0,86864 0,87076 0,87286 0,87493 0,87698 0,87900 0,88100 0,88298
1,2 0,88493 0,88686 0,88877 0,89065 0,89251 0,89435 0,89617 0,89796 0,89973 0,90147
1,3 0,90320 0,90490 0,90658 0,90824 0,90988 0,91149 0,91309 0,91466 0,91621 0,91774
1,4 0,91924 0,92073 0,92220 0,92364 0,92507 0,92647 0,92786 0,92922 0,93056 0,93189
1,5 0,93319 0,93448 0,93574 0,93699 0,93822 0,93943 0,94062 0,94179 0,94295 0,94408
1,6 0,94520 0,94630 0,94738 0,94845 0,94950 0,95053 0,95154 0,95254 0,95352 0,95449
1,7 0,95543 0,95637 0,95728 0,95818 0,95907 0,95994 0,96080 0,96164 0,96246 0,96327
1,8 0,96407 0,96485 0,96562 0,96637 0,96712 0,96784 0,96856 0,96926 0,96995 0,97062
1,9 0,97128 0,97193 0,97257 0,97320 0,97381 0,97441 0,97500 0,97558 0,97615 0,97670
2,0 0,97725 0,97778 0,97831 0,97882 0,97932 0,97982 0,98030 0,98077 0,98124 0,98169
2,1 0,98214 0,98257 0,98300 0,98341 0,98382 0,98422 0,98461 0,98500 0,98537 0,98574
2,2 0,98610 0,98645 0,98679 0,98713 0,98745 0,98778 0,98809 0,98840 0,98870 0,98899
2,3 0,98928 0,98956 0,98983 0,99010 0,99036 0,99061 0,99086 0,99111 0,99134 0,99158
2,4 0,99180 0,99202 0,99224 0,99245 0,99266 0,99286 0,99305 0,99324 0,99343 0,99361
2,5 0,99379 0,99396 0,99413 0,99430 0,99446 0,99461 0,99477 0,99492 0,99506 0,99520
2,6 0,99534 0,99547 0,99560 0,99573 0,99585 0,99598 0,99609 0,99621 0,99632 0,99643
2,7 0,99653 0,99664 0,99674 0,99683 0,99693 0,99702 0,99711 0,99720 0,99728 0,99736
2,8 0,99744 0,99752 0,99760 0,99767 0,99774 0,99781 0,99788 0,99795 0,99801 0,99807
2,9 0,99813 0,99819 0,99825 0,99831 0,99836 0,99841 0,99846 0,99851 0,99856 0,99861
3,0 0,99865 0,99869 0,99874 0,99878 0,99882 0,99886 0,99889 0,99893 0,99897 0,99900
3,1 0,99903 0,99906 0,99910 0,99913 0,99916 0,99918 0,99921 0,99924 0,99926 0,99929
3,2 0,99931 0,99934 0,99936 0,99938 0,99940 0,99942 0,99944 0,99946 0,99948 0,99950
3,3 0,99952 0,99953 0,99955 0,99957 0,99958 0,99960 0,99961 0,99962 0,99964 0,99965
3,4 0,99966 0,99968 0,99969 0,99970 0,99971 0,99972 0,99973 0,99974 0,99975 0,99976
3,5 0,99977 0,99978 0,99978 0,99979 0,99980 0,99981 0,99981 0,99982 0,99983 0,99983
3,6 0,99984 0,99985 0,99985 0,99986 0,99986 0,99987 0,99987 0,99988 0,99988 0,99989
3,7 0,99989 0,99990 0,99990 0,99990 0,99991 0,99991 0,99991 0,99992 0,99992 0,99992
3,8 0,99993 0,99993 0,99993 0,99994 0,99994 0,99994 0,99994 0,99995 0,99995 0,99995
3,9 0,99995 0,99995 0,99996 0,99996 0,99996 0,99996 0,99996 0,99996 0,99997 0,99997
4,0 0,99997 0,99997 0,99997 0,99997 0,99997 0,99997 0,99998 0,99998 0,99998 0,99998
4,1 0,99998 0,99998 0,99998 0,99998 0,99998 0,99998 0,99998 0,99998 0,99999 0,99999
29