UFRRJ, Estatı́stica Básica

Universidade Federal Rural do Rio de Janeiro

Profº: Felipe Leite Coelho da Silva
Profª: Josiane Cordeiro Coelho

Variáveis Aleatórias

1
 UFRRJ, Estatı́stica Básica

1 Variáveis Aleatórias

Uma variável aleatória (v.a.) é uma função real X que associa elementos do espaço amos-
tral a valores reais, i.e., X : Ω → <.

Definição 1 (Variáveis Aleatórias Discretas (v.a.d.) ). Uma variável aleatória X em Ω é dita

ser discreta se assume valores em um conjunto de valores finito ou enumerável infinito.

Exemplo 1. Exemplo:
Suponha 2 lançamentos de uma moeda. Represente por c cara e por k coroa, então Ω = {cc, ck, kc, kk}.
O número de caras observadas nesses 2 lançamentos é uma quantidade numérica e podemos definir
X = ´´nº de caras observadas”. Note que X pode assumir valores no conjunto finito {0, 1, 2}.

Definição 2 (Função de probabilidade (fp)). A função p(·) que atribui a cada valor da variável
aleatória discreta X sua probabilidade é denominada função de probabilidade. Assim, se X assume
valores x1 , x2 , · · · temos

p(xi ) = P (X = xi ) = P ({ω ∈ Ω; X(ω) = xi }),

para i = 1, · · · , n.

Também é usual apresentá-la em forma de tabela:

X x1 x2 ...
pi p1 p2 ...

Propriedades da função de probabilidade: Uma função de probabilidade satisfaz as se-

guintes condições:
(i) 0 ≤ p(xi ) ≤ 1, ∀i;
P
(ii) i p(xi ) = 1.

Exemplo 2. Descreva o comportamento da variável aleatória X que conta o número de caras em

dois lançamentos independentes de uma moeda.
Espaço amostral: Ω = {cc, ck, kc, kk}
Variável aleatória discreta X:

X = xi 0 1 2
1 1 1
p(xi ) 4 2 4

2
 UFRRJ, Estatı́stica Básica

Definição 3 (Função de Distribuição (acumulada) (fda)). Seja X uma v.a.d. em Ω, então sua
função de distribuição acumulada é definida por

FX (x) = P (X ≤ x), para todo x ∈ <.

Exemplo 3. Considere o lançamento de uma moeda. Então Ω = {c, k} e a função probabilidade é

dada por P (c) = P (k) = 1/2. Defina X : Ω → < como:

 1, se ω = c
X= (1)
 0, se ω = k

Vamos obter sua função de distribuição acumulada:

x < 0 ⇒ F (x) = P (X ≤ x) = 0;
0 ≤ x < 1 ⇒ F (x) = P (X ≤ x) = P (X = 0) = 1/2;
x ≥ 1 ⇒ F (x) = P (X ≤ x) = P (X = 0) + P (X = 1) = 1/2 + 1/2 = 1.

Portanto,



 0, se x < 0

F (x) = 1/2, se 0 ≤ x < 1 (2)


se x ≥ 1

 1,

Propriedades da função de distribuição acumulada: Uma função de distribuição acumu-

lada F de uma v.a.d. X em Ω goza das seguintes propriedades:
(i) limx→−∞ F (x) = 0 e limx→∞ F (x) = 1;
(ii) F (x) é contı́nua a direita, isto é, limh→0 F (x + h) = F (x) ;
(iii) F (x) é não decrescente, isto é, ∀x, y ∈ <, se x < y, então F (x) ≤ F (y).

Note que no exemplo acima, as propriedades são satisfeitas pela F encontrada.

O comportamento de uma variável aleatória e toda informação sobre ela podem ser obti-
dos através de sua função de distribuição acumulada. Além disso, toda função real que
satisfaça as propriedades acima é a função de distribuição acumulada de uma variável
aleatória.
Funções de Variáveis Aleatórias Seja X uma v.a.d. definida em Ω, então a função ou
transformação g : X → < também é uma v.a.d.. Assim, dada a distribuição de X, o
interesse consiste em conhecer o comportamento probabilı́stico de sua transformação.
3
 UFRRJ, Estatı́stica Básica

Exemplo 4. Seja X uma v.a.d. com função de probabilidade dada abaixo:

X = xi -1 0 1
1 1 1
p(xi ) 3 2 6

Seja Y = 2X + 1. Logo, a função de probabilidade de Y é dada por:

X = xi -1 0 1
Y = yi = 2xi + 1 -1 1 3
1 1 1
p(yi ) 3 2 6

Exemplo 5. Considerando X como no exemplo anterior, definamos Z = X 2 . Logo, temos que

considerar que tanto X = −1 quanto X = 1 levam a Z = 1, portanto temos que a função de
probabilidade de Z é dada por:

Z = zi = x2i 0 1
1 1 1 1
p(zi ) 3
+ 6
= 2 2

Definição 4 (Esperança ou Valor Esperado). Seja X uma v.a.d. com função de probabilidade p,
então a esperança (matemática) de X é dada por
X
E[X] = xp(x),
x

desde que exista.

Exemplo 6. Como no exemplo anterior, seja X uma v.a.d. com função de probabilidade dada
abaixo:

X = xi -1 0 1
1 1 1
p(xi ) 3 2 6

Determine a esperança de X:

E[X] = −1 × 1/3 + 0 × 1/2 + 1 × 1/6 ≈ −0, 17.

Vale que:

1. Se c é uma constante tal que P (X = c) = 1 então E[X] = c;

2. E[aX + b] = aE[X] + b, para a e b constantes reais.

4
 UFRRJ, Estatı́stica Básica

2 Momentos

A fim de conhecer melhor o comportamento probabilı́stico de uma variável aleatória, de

forma segura e universalmente interpretável, podemos obter seus momentos. Os momen-
tos podem ser: momentos em relação a uma certa constante c ∈ < , e momentos absolutos
em relação a essa mesma constante. Note que existem distribuições que não possuem
momentos.

Definição 5 (Momentos). Seja X uma variável aleatória discreta. Para k = 1, 2, · · · e c ∈ <, o

momento de ordem k em relação a c é dado por:

E[(X − c)k ],

desde que exista. Podemos ter:

1. Momento absoluto de ordem k em relação a c: E[|X − c|k ]. Em todas as próximas definições,

podemos ter a versão usando o valor absoluto.

2. Se c = 0, então o momento é dito ser ordinário: E[X k ].

3. Se c = E[X] < ∞, então temos o momento central de ordem k: E[(X − E[X])k ].

Os momentos de ordem par fornecem uma indicação da concentração da distribuição

probabilı́stica: se forem muito pequenos, essa concentração será grande, porque os valores
da variável aleatória serão próximos; se forem grandes, será inversa a situação.

Exemplo 7. O primeiro momento ordinário (de ordem k = 1) de uma v.a. X é o seu valor esperado.

Definição 6 (Variância). Seja X uma variável aleatória discreta, então a variância de X é definida
por
V ar(X) = E[(X − E[X])2 ] = E[X 2 ] − (E[X])2 ,

que é segundo momento central de X. Sua raiz quadrada é o desvio padrão de X, que possui a
mesma unidade dos dados.

Exemplo 8. Considerando o mesmo exemplo anterior, determine a variância de X:

V ar(X) = E[X 2 ] − (E[X])2 = 0, 5 − (−0, 17)2 = 0, 4711,

pois E[x2 ] = −12 × 1/3 + 02 × 1/2 + 12 × 1/6 = 0, 5 e E[X] = −0, 17.

5
 UFRRJ, Estatı́stica Básica

Enquanto que a esperança de uma v.a. é uma medida de locação/localização, a variância

é uma medida de escala (como referência a média).

Exemplo 9. O número X de mensagens enviadas por hora, através de uma rede de compu-
tadores, tem a seguinte distribuição: X assume os valores {10, 12, 15, 20} com probabilidades
{0, 1; 0, 3; 0, 5; 0, 1}, respectivamente. Determine o desvio-padrão de X.

E[X] = 10(0, 1) + 12(0, 3) + 15(0, 5) + 20(0, 1) = 14, 1;

E[X 2 ] = 102 (0, 1) + 122 (0, 3) + 152 (0, 5) + 202 (0, 1) = 205, 7;
p
V ar(X) = 205, 7 − 14, 12 = 6, 89 ⇒ DP (X) = 6, 89 = 2, 624881.

Seja X uma v.a.d., vale que:

1. Se c é uma constante tal que P (X = c) = 1 então V ar[X] = 0;

2. V ar[aX + b] = a2 V ar[X], para a e b constantes reais.

Definição 7 (Coeficiente de Variação). Seja X uma v.a.d. com esperança µ e desvio padrão σ, o
coeficiente de variação de X é dado por
σ
CV (X) = .
µ
O coeficiente de variação mede a dispersão relativa da distribuição de X, ao contrário
do desvio padrão, de X, que mede a dispersão absoluta. Note que ele é um coeficiente
adimensional.

3 Alguns Modelos Discretos

Uma v.a. fica completamente especificada pela sua função de distribuição. No caso dis-
creto, podemos também utilizar a função de probabilidade para fazer essa caracterização.
Apresentaremos a seguir alguns modelos discretos, representados por suas funções de
probabilidade, que são aplicáveis em diversas situações práticas.

3.1 Modelo Uniforme Discreto

Seja X uma v.a. com n possı́veis valores reais {x1 , x2 , ..., xn } equiprováveis. Então, X
segue o modelo uniforme discreto e tem função de probabilidade dada por

 1 , se i = 1, 2, ..., n,
n
p(xi ) = P (X = xi ) =
 0, c.c.
6
 UFRRJ, Estatı́stica Básica

Notação: X ∼ U nif orme{x1 , x2 , · · · , xn }.

Exemplo 10. Uma rifa tem 100 bilhetes numeradas de 1 a 100. Tenho 5 bilhetes consecutivos e
meu amigo tem outros 5 bilhetes quaisquer. Quem tem maior possibilidade de ser sorteado?

Note que sua função de distribuição acumulada é do tipo escada com saltos nos pontos
{x1 , x2 , · · · , xn }.
Exercı́cio: Determine sua fda, sua esperança e sua variância.

3.2 Modelo Bernoulli

Experimento de Bernoulli: é um experimento aleatório com apenas dois resultados possı́veis:
por convenção, um deles é chamado “sucesso”e o outro “fracasso”.

Exemplo 11. a) Lançar uma moeda e observar o resultado;

b) Pergunta-se a um eleitor se ele vai votar no candidato A ou B.

A distribuição de Bernoulli está associada a um experimento de Bernoulli, onde se define:

X({sucesso}) = 1 e X({fracasso}) = 0, chamando de p a probabilidade de sucesso, com
0 ≤ p ≤ 1.
Assim, uma v.a.d. X segue o modelo de Bernoulli, se assume apenas os valores 0 e 1, e
tem função de probabilidade dada por



 p, se x = 1,

p(x) = (1 − p), se x = 0,



 0, c.c.
onde p é a probabilidade de sucesso (X = 1), com 0 ≤ p ≤ 1.

Exemplo 12. Um exemplo clássico do modelo de Bernoulli é o lançamento de uma moeda.


 1, se cara;
X=
 0, se coroa.

p(1) = p(0) = 1/2 (moeda equilibrada).

Notação: X ∼ Bernoulli(p).
A função de distribuição de X é dada por



 0, se x < 0,

FX (x) = (1 − p), se 0 ≤ x < 1,


se x ≥ 1.

 1,

Exercı́cio: Faça o gráfico desta função e determine sua esperança e sua variância.
7
 UFRRJ, Estatı́stica Básica

3.3 Modelo Binomial

Seja X o número de sucessos em n realizações independentes de um experimento de Ber-
noulli com probabilidade p de sucesso. Então, X tem distribuição binomial com parâmetros
n e p, e sua função de probabilidade é dada por
  

 n
   px (1 − p)n−x ,

para x = 0, 1, · · · , n
p(x) = x



 0, c.c.,
 
n n!
em que  = .
x x! (n − x)!
Notação: X ∼ Binomial(n, p).

Exemplo 13. A taxa de imunização de uma vacina é de 80%. Um grupo com 10 pessoas foi
selecionado, desejamos saber o comportamento probabilı́stico do número de pessoas imunizadas
deste grupo. Determine a probabilidade:
a) de 8 pessoas estarem imunizadas;
b) de pelo menos 8 estarem imunizadas;
c) de no máximo 7 estarem imunizadas;
c) de todas estarem imunizadas.

3.4 Modelo Geométrico

Seja X o número de realizações necessárias para a obtenção do primeiro sucesso de um
experimento de Bernoulli com probabilidade p de sucesso. Então, dizemos que X segue o
modelo geométrico com parâmetro p, 0 < p < 1, e tem função de probabilidade dada por

 p(1 − p)x−1 , se x = 1, 2, · · · ,
p(x) = P (X = x) =
 0, c.c..

Notação: X ∼ Geo(p).

Exemplo 14. Uma linha de fabricação de um equipamento de precisão é interrompida na primeira

ocorrência de um defeito. Seja 0, 02 é a probabilidade do equipamento ter defeito, qual é o modelo
probabilı́stico que descreve o número de dias até o equipamento parar?

Exercı́cio: Determine sua esperança.

8
 UFRRJ, Estatı́stica Básica

3.5 Modelo Binomial Negativo (Pascal)

Seja X o número de realizações necessárias para a obtenção de r sucessos de um experi-
mento de Bernoulli com probabilidade p de sucesso. Então, dizemos que X segue o mo-
delo Binomial Negativo com parâmetros r e p, 0 < p < 1, e tem função de probabilidade
dada por
  

 x−1

   pr (1 − p)x−r , se x = r, r + 1, · · · ,
p(x) = P (X = x) = r−1



 0, c.c..

Notação: X ∼ BinNeg(r, p).

Note que o modelo Geométrico é um caso particular do modelo Binomial Negativo, quando
r = 1.

Exemplo 15. Um atirador acerto o alvo na mosca em 30% dos tiros. Qual é a probabilidade de que
somente no vigésimo tiro o atirador acerte na mosca 2 vezes?

3.6 Modelo Hipergeométrico

Seja uma população de tamanho N dividida em 2 classes, uma composta de r “sucessos”e
a outra composta de N − r “fracassos”. Desta população, vamos extrair uma amostra de
tamanho n, sem reposição. Seja X o número de sucessos obtidos, então X segue o modelo
Hipergeométrico com parâmetros N, n, e r, e tem função de probabilidade dada por
   

 r N −r
 x  n −x


, se max{0, n − (N − r)} ≤ x ≤ min{n, r}

p(x) = P (X = x) = N


 n


 0, c.c.,

em que N é o total de elementos do conjunto, n é o tamanho da amostra (n < N ) e r é o

número de “sucessos”.
Notação: X ∼ Hiper(N, n, r).

Exemplo 16. Considere um conjunto com 20 pessoas, das quais 7 são mulheres. Selecionando-se
5 pessoas deste conjunto, sem reposição, qual seria a probabilidade de:
a) 2 mulheres serem escolhidas?
b) 1 homem ser escolhido?
c) apenas mulheres serem escolhidas?
9
 UFRRJ, Estatı́stica Básica

d) pelo menos 5 mulheres serem escolhidas?

e) no máximo 2 homens serem escolhidos?
f) Fernando e Paula serem escolhidos?
g) Paula e Maria serem escolhidas, dado que as pessoas selecionadas foram mulheres?
h) Paula e Maria serem escolhidas, dado que as pessoas selecionadas foram homens?

3.7 Modelo de Poisson

Uma v.a.d. X segue o modelo de Poisson de parâmetro λ, λ > 0, se sua função de proba-
bilidade é dada por

−λ x
 e λ ,

se x = 0, 1, 2, · · ·
p(x) = P (X = x) = x!
 0, c.c..


Notação: X ∼ P oisson(λ), onde λ indica a taxa de ocorrência por unidade de medida.

Aqui, X representa contagens, como contar o número de eventos de um certo tipo que
ocorrem em um instante de tempo fixo (ou superfı́cie ou volume), se estes eventos ocorrem
com uma razão média conhecida e independentemente do tempo desde o último evento.

Exemplo 17. (1) número de chamadas recebidas por uma central telefônica durante um perı́odo de
40 minutos; (2) número de bactérias em um litro de água.

Exemplo 18 (Bombas em Londres). Durante a Segunda Guerra Mundial a cidade de londres foi
bombardeada por aviões alemães. Um interesse é sobre a aleatoriedade dos alvos, se houve tendência
em lançar em alguns pontos especı́ficos ou não. Subdivindindo-se a parte do sul da cidade em 576
partes, é contado o número de regiões que receberam x bombas, denotado por nx . O total de bombas
nas parte sul foi de 537, levando a uma taxa de 537/576 ≈ 0, 93 bombas por região. Uma maneira
de verificarmos se o modelo Poisson seria aplicável para modelar o número de bombas lançadas
por região, é calcular as frequências de bombas que ocorreram (observadas) fo e comparar com as
frequências esperadas de bombas que seriam lançadas supondo o modelo Poisson válido fe .
Assim, se X representa o nº de bombas em uma região da parte sul, então suponha que X ∼
P oisson(0, 93).
Exercı́cio: Determine sua esperança.

10
 UFRRJ, Estatı́stica Básica

X=x 0 1 2 3 4 5 ou mais
fo 229 211 93 35 7 1
p(x) 0,395 0,367 0,171 0,053 0,012 0,003
fe 227,520 211,392 98,496 30,528 6,912 1,728

4 Variáveis Aleatórias Contı́nuas

Definição 8 (Variáveis Aleatórias Contı́nuas (v.a.c.) ). Uma variável aleatória X é contı́nua se

sua imagem é um conjunto infinito não enumerável (formada por intervalos).

Uma v.a.c. possui uma função de densidade de probabilidade f com a qual podemos cal-
cular probabilidades associadas a variável aleatória.

Uma função de densidade de probabilidade satisfaz as seguintes condições:

(i) f (x) ≥ 0, para todo x ∈ <;

Z ∞
(ii) a área abaixo do gráfico da função f é igual a 1, ou seja, f (x)dx = 1.
−∞

Para obtermos a probabilidade de uma v.a.c. assumir valores em um intervalo (a, b], para
a < b, basta calcular Z b
P (a < X ≤ b) = f (x)dx.
a

Note que P (a < X ≤ b) = P (a ≤ X < b) = P (a < X < b) = P (a ≤ X ≤ b).

Portanto, a probabilidade de uma v.a.c. assumir um valor especı́fico é igual a zero, isto é,

P (X = c) = 0, c ∈ <.

Exemplo 19. Considere a função


 1/4 se 0 ≤ x ≤ 4
fX (x) =
 0 c.c.

1. Esboce o gráfico da fX .

2. fX é uma função de densidade de probabilidade de alguma v.a.c. X?

3. Se é uma fdp, então calcule P (2 ≤ X ≤ 3).

Seja X uma v.a.c. com função densidade de probabilidade f (x), podemos definir:
11
 UFRRJ, Estatı́stica Básica

Z x
• Função de distribuição acumulada: F (x) = P (X ≤ x) = f (x)dx, para todo
−∞
x ∈ <.
Z
• Esperança: E[X] = xf (x)dx.
x

• Variância: V ar(X) = E[X 2 ] − E[X]2 .

4.1 Modelo Uniforme Contı́nuo

Seja X uma v.a.c. com possı́veis valores no intervalo real [a, b], em que a chance de
ocorrência de intervalos de mesmo tamanho é a mesma. Então, X segue o modelo uni-
forme contı́nuo e tem função densidade de probabilidade dada por

 1 , se a ≤ x ≤ b,
b−a
f (x) =
 0, c.c.

Notação: X ∼ U nif orme[a, b].

É fácil ver que a função acima satisfaz as propriedades de função densidade de probabili-
R∞
dade f (x) ≥ 0, para todo x ∈ < e que −∞ f (x)dx = 1.

Exemplo 20. O rótulo de refrigerante indica que o conteúdo é de 350 ml. Suponha que a linha
de produção encha as latas de forma que o conteúdo seja uniformemente distribuı́do no intervalo
[345,355].

1. Qual é a probabilidade de que uma lata tenha conteúdo superior a 353 ml?

2. Qual é a probabilidade de que uma lata tenha conteúdo inferior a 346 ml?

3. O controle de qualidade aceita uma lata com conteúdo dentro de 4 ml do conteúdo exibido na
lata. Qual é a proporção de latas rejeitadas nessa linha de produção?

4.2 Modelo Normal

Uma v.a.c. X tem distribuição Normal com parâmetros µ e σ 2 , se sua f.d.p. é dada por
 2
1 x−µ
1 −
fX (x; µ, σ 2 ) = √ e 2 σ , −∞ < x < +∞.
2πσ 2

• Notação: X ∼ N (µ; σ 2 ), onde µ é a média e σ 2 é a variância.

12
 UFRRJ, Estatı́stica Básica

• Propriedades:

– A f.d.p. fX (x) é simétrica em torno de µ;

– A f.d.p. fX (x) → 0 quando x → ±∞;

– O máximo da f.d.p. fX (x) ocorre quando x = µ.

Para calcular probabilidades associadas a uma v.a.c. normal, terı́amos que resolver inte-
grais que envolvem a f descrita acima. Porém, isto não é possı́vel analiticamente, mas
somente de forma numérica. Sem o auxı́lio de um programa computacional que rea-
lize tal tarefa, não seria possı́vel tabular todas as probabilidades associadas a qualquer
distribuição normal, isto é, para quaisquer valores de µ e σ 2 possı́veis. Entretanto, é
possı́vel mostrar que a partir de qualquer normal chegamos em uma normal, chamada
padrão, com parâmetros µ = 0 e σ 2 = 1.

Normal(0,1) Função de distribuição acumulada (FDA)

0.4

1.0
0.8
0.3

0.6
Densidade

FDA
0.2

0.4
0.1

0.2
0.0
0.0

−4 −2 0 2 4 −4 −2 0 2 4
x x

Figura 1: Gráficos da função de densidade de probabilidade e da função de distribuição

acumulada da Normal Padrão.

4.2.1 Utilização da tabela Normal padrão

Uma v.a. X tem distribuição Normal padrão ou Normal reduzida, se X ∼ N (0, 1).
Importante:

• Se X ∼ N (0, 1), então podemos usar a tabela Normal padrão.

• Se X ∼ N (µ; σ 2 ) com µ 6= 0 e/ou σ 2 6= 1, então temos que padronizar a v.a. X por

X −µ
Z= ∼ N (0, 1).
σ
13
 UFRRJ, Estatı́stica Básica

Exemplo 21.

Suponha que Z tenha distribuição N (0; 1). Usando a tabela da distribuição normal padrão, deter-
mine o valor de probabilidade de:
a)P (0 ≤ Z ≤ 1, 65) b)P (Z ≤ 1, 29) c)P (0 ≤ Z ≤ 1, 34) d)P (−1 ≤ Z ≤ 1)
e)P (Z ≤ 2, 45) f)P (Z ≥ −2, 01) g)P (Z ≥ 1, 65) h)P (Z > 2, 13) i)P (|Z| > 1, 61)

Exemplo 22.

Suponha que Z tenha distribuição N (0; 1). Empregando a tábua da distribuição normal, determine
o valor de z:
a)P (Z ≥ z) = 0, 5 b)P (0 ≤ Z ≤ z) = 0, 3264 c)P (0 ≤ Z ≤ z) = 0, 3461
d)P (z ≤ Z ≤ 1) = 0, 6826 e)P (−1, 05 ≤ Z ≤ z) = 0, 7280 f)P (Z ≥ z) = 0, 0640

Exemplo 23.

Em determinado laboratório de pesquisa de células tronco para problemas motores nos membros
inferiores estuda a recuperação total dos movimentos. O responsável pelo procedimento afirma
que o tempo que o paciente leva para obter melhoras significativas nos movimento, após cirurgia,
segue uma distribuição Normal com média de 10 meses e desvio padrão de 4 meses. Segundo estas
informações, qual é a probabilidade de um paciente obter melhoras significativas nos movimentos
de 9 a 12 meses após a cirurgia? Até 6 meses? E após 10 meses?

14
 UFRRJ, Estatı́stica Básica

Tabela 1: Distribuição Normal Padrão N (0, 1). Tabela fornece

probabilidades P (0 ≤ Z ≤ z).
z 0 1 2 3 4 5 6 7 8 9
0.0 0.0000 0.0040 0.0080 0.0120 0.0160 0.0199 0.0239 0.0279 0.0319 0.0359
0.1 0.0398 0.0438 0.0478 0.0517 0.0557 0.0596 0.0636 0.0675 0.0714 0.0753
0.2 0.0793 0.0832 0.0871 0.0910 0.0948 0.0987 0.1026 0.1064 0.1103 0.1141
0.3 0.1179 0.1217 0.1255 0.1293 0.1331 0.1368 0.1406 0.1443 0.1480 0.1517
0.4 0.1554 0.1591 0.1628 0.1664 0.1700 0.1736 0.1772 0.1808 0.1844 0.1879
0.5 0.1915 0.1950 0.1985 0.2019 0.2054 0.2088 0.2123 0.2157 0.2190 0.2224
0.6 0.2257 0.2291 0.2324 0.2357 0.2389 0.2422 0.2454 0.2486 0.2517 0.2549
0.7 0.2580 0.2611 0.2642 0.2673 0.2704 0.2734 0.2764 0.2794 0.2823 0.2852
0.8 0.2881 0.2910 0.2939 0.2967 0.2995 0.3023 0.3051 0.3078 0.3106 0.3133
0.9 0.3159 0.3186 0.3212 0.3238 0.3264 0.3289 0.3315 0.3340 0.3365 0.3389
1.0 0.3413 0.3438 0.3461 0.3485 0.3508 0.3531 0.3554 0.3577 0.3599 0.3621
1.1 0.3643 0.3665 0.3686 0.3708 0.3729 0.3749 0.3770 0.3790 0.3810 0.3830
1.2 0.3849 0.3869 0.3888 0.3907 0.3925 0.3944 0.3962 0.3980 0.3997 0.4015
1.3 0.4032 0.4049 0.4066 0.4082 0.4099 0.4115 0.4131 0.4147 0.4162 0.4177
1.4 0.4192 0.4207 0.4222 0.4236 0.4251 0.4265 0.4279 0.4292 0.4306 0.4319
1.5 0.4332 0.4345 0.4357 0.4370 0.4382 0.4394 0.4406 0.4418 0.4429 0.4441
1.6 0.4452 0.4463 0.4474 0.4484 0.4495 0.4505 0.4515 0.4525 0.4535 0.4545
1.7 0.4554 0.4564 0.4573 0.4582 0.4591 0.4599 0.4608 0.4616 0.4625 0.4633
1.8 0.4641 0.4649 0.4656 0.4664 0.4671 0.4678 0.4686 0.4693 0.4699 0.4706
1.9 0.4713 0.4719 0.4726 0.4732 0.4738 0.4744 0.4750 0.4756 0.4761 0.4767
2.0 0.4772 0.4778 0.4783 0.4788 0.4793 0.4798 0.4803 0.4808 0.4812 0.4817
2.1 0.4821 0.4826 0.4830 0.4834 0.4838 0.4842 0.4846 0.4850 0.4854 0.4857
2.2 0.4861 0.4864 0.4868 0.4871 0.4875 0.4878 0.4881 0.4884 0.4887 0.4890
2.3 0.4893 0.4896 0.4898 0.4901 0.4904 0.4906 0.4909 0.4911 0.4913 0.4916
2.4 0.4918 0.4920 0.4922 0.4925 0.4927 0.4929 0.4931 0.4932 0.4934 0.4936
2.5 0.4938 0.4940 0.4941 0.4943 0.4945 0.4946 0.4948 0.4949 0.4951 0.4952
2.6 0.4953 0.4955 0.4956 0.4957 0.4959 0.4960 0.4961 0.4962 0.4963 0.4964
2.7 0.4965 0.4966 0.4967 0.4968 0.4969 0.4970 0.4971 0.4972 0.4973 0.4974
2.8 0.4974 0.4975 0.4976 0.4977 0.4977 0.4978 0.4979 0.4979 0.4980 0.4981
2.9 0.4981 0.4982 0.4982 0.4983 0.4984 0.4984 0.4985 0.4985 0.4986 0.4986
3.0 0.4987 0.4987 0.4987 0.4988 0.4988 0.4989 0.4989 0.4989 0.4990 0.4990
3.1 0.4990 0.4991 0.4991 0.4991 0.4992 0.4992 0.4992 0.4992 0.4993 0.4993
3.2 0.4993 0.4993 0.4994 0.4994 0.4994 0.4994 0.4994 0.4995 0.4995 0.4995
3.3 0.4995 0.4995 0.4995 0.4996 0.4996 0.4996 0.4996 0.4996 0.4996 0.4997
3.4 0.4997 0.4997 0.4997 0.4997 0.4997 0.4997 0.4997 0.4997 0.4997 0.4998
3.5 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998 0.4998
3.6 0.4998 0.4998 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999
3.7 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999
3.8 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999 0.4999
3.9 0.5000 0.5000 0.5000 0.5000 0.5000 0.5000 0.5000 0.5000 0.5000 0.5000

15