概率论：高斯/正态分布

最新推荐文章于 2025-04-20 04:16:21 发布

-柚子皮-

最新推荐文章于 2025-04-20 04:16:21 发布

阅读量10w+

点赞数 43

分类专栏： Math 文章标签：正态分布高斯分布

本文链接：https://blog.csdn.net/pipisorry/article/details/49516209

版权

Math 专栏收录该内容

31 篇文章

订阅专栏

http://blog.csdn.net/pipisorry/article/details/49516209

高斯分布（正态分布）

若随机变量X服从一个数学期望为μ、方差为σ^2的高斯分布，记为N（μ，σ^2）。其概率密度函数为正态分布的期望值μ决定了其位置，其标准差σ决定了分布的幅度。

正态随机变量概率密度函数φ(x)

正态分布曲线性质

1.当x<；μ时，曲线上升；当x>；μ时，曲线下降。当曲线向左右两边无限延伸时，以x轴为渐近线。
2.正态曲线关于直线x=μ对称。
3.σ越大，正态曲线越扁平；σ越小，正态曲线越尖陡。
4.在正态曲线下方和x轴上方范围内区域面积为1。
5. 3σ原则：P（μ-σ<X≤μ+σ）=68.3%P（μ-2σ<X≤μ+2σ）=95.4%P（μ-3σ<X≤μ+3σ）=99.7%
6.如果 $X \sim N(\mu, \sigma^2) \,$ 且a与b是实数，那么aX + b∼N(aμ + b,(aσ)2) (参见期望值和方差).
7.如果 $X \sim N(\mu_X, \sigma^2_X)$ 与 $Y \sim N(\mu_Y, \sigma^2_Y)$ 是统计独立的正态随机变量，那么:
它们的和也满足正态分布 $U = X + Y \sim N(\mu_X + \mu_Y, \sigma^2_X + \sigma^2_Y)$ ( proof).
它们的差也满足正态分布 $V = X - Y \sim N(\mu_X - \mu_Y, \sigma^2_X + \sigma^2_Y)$ .
U与V两者是相互独立的。
8.如果 $X \sim N(0, \sigma^2_X)$ 和 $Y \sim N(0, \sigma^2_Y)$ 是独立正态随机变量，那么:
它们的积XY服从概率密度函数为p的分布

$p(z) = \frac{1}{\pi\,\sigma_X\,\sigma_Y} \; K_0\left(\frac{|z|}{\sigma_X\,\sigma_Y}\right),$ 其中K0是贝塞尔函数（modified Bessel function）
它们的比符合柯西分布，满足X / Y∼Cauchy(0,σX / σY).

9.如果 $X_1, \cdots, X_n$ 为独立标准正态随机变量，那么 $X_1^2 + \cdots + X_n^2$ 服从自由度为n的卡方分布。

一般正态分布N（μ，σ^2）转换成标准正态分布N(0, 1)

利用(x-u)/σ

正态分布归一化的证明

正态（高斯）分布于统计学，就如水养育生命一样重要,而掌握正态分布的一些性质及其相关证明，也是一项基本功。接下来，我们证明正态分布密度函数的归一化，这是PRML讲解正态分布时的第一个练习题，我们的证明参考了这个习题的答案，其中采用的积分方法非常巧妙。

问题的描述如下：如果随机变量 X 满足均值为 μ ，方差为 σ2 的正态分布，那么其密度函数为：

N (x ∣ μ, σ 2) = 1 ( 2 π σ 2 ) 1 / 2 e x p {- 1 2 σ 2 (x - μ) 2}

我们要证明的是：

\int \infty - \infty N (x ∣ μ, σ 2) d x = 1

问题的关键在于求解如下积分：

I = \int \infty - \infty e x p (- 1 2 σ 2 x 2) d x

为了求解 I ，可以先求 I2 ,而 I2 可以写成二重积分的形式：

I 2 = \int \infty - \infty \int \infty - \infty e x p (- 1 2 σ 2 x 2 - 1 2 σ 2 y 2) d x d y

将上述二重积分转换为极坐标形式：

x = r c o s (θ)

y = r s i n (θ)

I2 可以写成：

I 2 = \int + \infty 0 \int 2 π 0 e x p (- r 2 c o s 2 θ + r 2 s i n 2 θ 2 σ 2 \partial ( x , y ) \partial ( r , θ ) d r d θ

其中：

\partial ( x , y ) \partial ( r , θ ) = ∣ ∣ ∣ ∣ \partial x \partial r \partial y \partial r \partial x \partial θ \partial y \partial θ ∣ ∣ ∣ ∣ = ∣ ∣ ∣ c o s θ s i n θ - r s i n θ r c o s θ ∣ ∣ ∣ = r c o s 2 θ + r s i n 2 θ = r

因此：

I 2 = \int + \infty 0 \int 2 π 0 e x p (- r 2 c o s 2 θ + r 2 s i n 2 θ 2 σ 2) r d r d θ

利用分部积分法求 I2 :

I 2 = - 2 π σ 2 \int + \infty 0 e x p (- r 2 2 σ 2) d (- r 2 2 σ 2)

I 2 = - 2 π σ 2 e x p (- r 2 2 σ 2) ∣ \infty 0 = 2 π σ 2

从而证明了均值为0的正态分布密度函数的归一化：

\int \infty - \infty N (x ∣ 0, σ 2) d x = \int \infty - \infty 1 ( 2 π σ 2 ) 1 / 2 e x p {- x 2 2 σ 2} d x = 1

利用积分的换元法：

\int \infty - \infty N (x ∣ μ, σ 2) d x = \int \infty - \infty 1 ( 2 π σ 2 ) 1 / 2 e x p {- ( x - μ ) 2 2 σ 2} d (x - μ)

因此证明了 N(x∣μ,σ2) 的归一化：

\int \infty - \infty N (x ∣ μ, σ 2) d x = \int \infty - \infty 1 ( 2 π σ 2 ) 1 / 2 e x p {- y 2 2 σ 2} d y = 1

[ 正态分布归一化的证明 ]

累积分布函数 $Φ(x)$

累积分布函数是指随机变量X小于或等于x的概率，用密度函数表示为

$F(x;\mu,\sigma)=\frac{1}{\sigma\sqrt{2\pi}}\int_{-\infty}^x \exp \left( -\frac{(x - \mu)^2}{2\sigma^2}\ \right)\, dx.$

正态分布的累积分布函数能够由一个叫做误差函数的特殊函数表示：

$\Phi(z)=\frac12 \left[1 + \mathrm{erf}\,(\frac{z-\mu}{\sigma\sqrt2})\right] .$

标准正态分布的累积分布函数习惯上记为 $Φ$ ，它仅仅是指 $μ = 0$ ， $σ = 1$ 时的值，

$\Phi(x)=F(x;0,1)=\frac{1}{\sqrt{2\pi}}\int_{-\infty}^x\exp\left(-\frac{x^2}{2}\right)\, dx.$

将一般正态分布用误差函数表示的公式简化，可得：

$\Phi(z)=\frac{1}{2} \left[ 1 + \operatorname{erf} \left( \frac{z}{\sqrt{2}} \right) \right].$

它的反函数被称为反误差函数，为：

$\Phi^{-1}(p)=\sqrt2\;\operatorname{erf}^{-1} \left(2p - 1 \right).$

该分位数函数有时也被称为probit函数。probit函数已被证明没有初等原函数。

正态分布的分布函数Φ(x)没有解析表达式，它的值可以通过数值积分、泰勒级数或者渐进序列近似得到。

概率密度函数的累积分布函数

[正态分布- 维基百科]

[正态分布- 维基百科的转载]

皮皮blog

单变量高斯分布

多维高斯分布

（2.1）

where μis the mean, Σthe covariance matrix, and k is the dimension of the space where x takes values.

其中

μ = E (x) (2.2)

Σ = E {(x - μ) (x - μ) T} (2.3)

从多元高斯分布中抽取的样本大部分落在由 μ 和 Σ 所确定的一个区域里，该区域的中心由向量 μ 决定，区域大小由协方差矩阵 Σ 决定。

从式子（2.1）可以看出，当指数项为常数时，密度 p(x) 值不变，因此等密度点是使指数项为常数的点，即满足:

上式的解是一个超椭圆面，且其主轴方向由 ∑ 的特征向量所决定，主轴的长度与相应的协方差矩阵 Σ 的特征值成正比。
在数理统计中，式子（2.7）所表示的数量：

称为 x 到 μ 的Mahalanobis距离的平方。所以等密度点轨迹是 x 到 μ 的Mahalanobis距离为常数的超椭球面。

这个超椭球体大小是样本对于均值向量的离散度度量。对应的M式距离为 γ 的超椭球体积为：

如果多元高斯随机向量 x 的协方差矩阵是对角矩阵，则 x 的分量是相互独立的高斯分布随机变量。

[高斯分布-笔记(1) ] [PRML]

σ大小对features的影响

Note: if σ^2 is large,value of the feature falls away much more slowly. the width of this bell-shaped curve,σ is also called standard deviation.

[Ng ml course]

高维高斯分布的概率质量行为研究

如果我们从笛卡尔坐标系变换到极坐标系,然后把方向变量积分出来,我们就得到了一个概率密度的表达式 p(r) ,这个表达式是关于距离原点的半径 r 的函数。因此 p(r)δr 就是位于半径 r 处厚度为 δr 的薄球壳内部的概率质量。对于不同的 D 值,这个概率分布的图像如图所示。我们看到,对于大的 D 值,高斯分布的概率质量集中在薄球壳处。

不同的维度 D 中的高斯分布的概率密度关于半径 r 的关系。在高维空间中,高斯分布的大部分概率质量位于某个半径上的一个薄球壳上。

[PRML]

截断正态分布truncated normal distribution

（正对数分布又叫做截断正态分布）

π ( x ) ∝ N ( 1,1 ) I ( 0 ≤ x ≤ 4 )

截断高斯分布的概率密度函数pdf

其概率密度函数pdf要除以截断面积和sigma，使其pdf和为1。

There is an understanding that if b = ∞ {\displaystyle b=\infty } $\text{[math]}$ , thenΦ ( b − μ σ ) = 1 {\displaystyle \Phi \left({\tfrac {b-\mu }{\sigma }}\right)=1} $\text{[math]}$ , and similarly, ifa = − ∞ {\displaystyle a=-\infty } $\text{[math]}$ , thenΦ ( a − μ σ ) = 0 {\displaystyle \Phi \left({\tfrac {a-\mu }{\sigma }}\right)=0} $\text{[math]}$ .

截断正态分布数据生成

先生成相同mu, sigma的正态分布数据，取(a, b)之间的就可以了。（因为截断正态分布只是在截断区有数据，其概率相对大小没变）

截断正态分布的python分析

[截断正态分布(truncated normal distribution)]

[Truncated normal distribution]

[截断正态分布]

对数高斯分布

高斯分布的共轭分布

[主题模型TopicModel：LDA中的数学模型：高斯分布的共轭分布 ]

皮皮blog

python中正态分布相关操作的实现

生成正态分布随机变量

在计算机模拟中，经常需要生成正态分布的数值。最基本的一个方法是使用标准的正态累积分布函数的反函数。除此之外还有其他更加高效的方法，Box-Muller变换就是其中之一。另一个更加快捷的方法是ziggurat算法。下面将介绍这两种方法。一个简单可行的并且容易编程的方法是：求12个在（0,1）上均匀分布的和，然后减6(12的一半)。这种方法可以用在很多应用中。这12个数的和是Irwin-Hall分布；选择一个方差12。这个随即推导的结果限制在（-6,6）之间，并且密度为12，是用11次多项式估计正态分布。

Box-Muller方法是以两组独立的随机数U和V，这两组数在(0,1]上均匀分布，用U和V生成两组独立的标准正态分布随即变量X和Y:

$X = \sqrt{- 2 \ln U} \, \cos(2 \pi V) ,$

$Y = \sqrt{- 2 \ln U} \, \sin(2 \pi V)$ 。

这个方程的提出是因为二自由度的卡方分布（见性质4）很容易由指数随机变量（方程中的lnU）生成。因而通过随机变量V可以选择一个均匀环绕圆圈的角度，用指数分布选择半径然后变换成（正态分布的）x,y坐标。

[统计函数库scipy.stats:连续分布-Norm高斯分布]

Box-Muller变换生成高斯分布数据的c++代码

#include<iostream>
using namespace std;

double generateGaussianNoise(double mu, double sigma){
   const double epsilon = std::numeric_limits<double>::min();
   const double two_pi = 2.0*3.14159265358979323846;

   static double z0, z1;
   static bool generate;
   generate = !generate;

   if (!generate)
       return z1 * sigma + mu;

   double u1, u2;
   do   {
       u1 = rand() * (1.0 / RAND_MAX);
       u2 = rand() * (1.0 / RAND_MAX);
   } while (u1 <= epsilon);

   z0 = sqrt(-2.0 * log(u1)) * cos(two_pi * u2);
   z1 = sqrt(-2.0 * log(u1)) * sin(two_pi * u2);
   return z0 * sigma + mu;
}
double getGaussian(double sigma_2, double* y, int T){
   double mu = 0;
   for (int i = 0; i < T; i++)
       mu += y[i];
   mu = mu / T;

   return generateGaussianNoise(mu, sqrt(sigma_2 / T));
}

int __main(){
   int N = 10;
   double y[10] = { 5.0, 5.0, 5.0, 5.0, 5.0, 5.0, 5.0, 5.0, 5.0, 5.0 };
   for (int i = 0; i < 10; i++)
       cout << getGaussian(1.0, y, N) << endl;
   return 0;
}

[Box-Muller transform.https://en.wikipedia.org/wiki/Box-Muller_transform]

绘制一维正态分布概率密度图

from scipy import stats
import matplotlib.pyplot as plt
x = np.linspace(stats.norm.ppf(0.01), stats.norm.ppf(0.99), 100)
plt.plot(x, stats.norm.pdf(x), 'r-', alpha=0.6, label='norm pdf')
plt.show()

绘制2维高斯分布图

import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
fig = plt.figure()
ax = Axes3D(fig)
rv = stats.multivariate_normal([0, 0], cov=1)

x, y = np.mgrid[-3:3:.15, -3:3:.15]
ax.plot_surface(x, y, rv.pdf(np.dstack((x, y))), rstride=1, cstride=1)
ax.set_zlim(0, 0.2)

# savefig('../figures/plot3d_ex.png',dpi=48)
plt.show()

[三维绘图之matplotlib.mplot3d工具包]

多维情况下固定一维绘制一维高斯分布

import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
fig = plt.figure()
ax = Axes3D(fig)
rv = stats.multivariate_normal([0, 0], cov=1)

x, y = np.meshgrid(np.linspace(0, 0, 400), np.linspace(-3, 3, 400))
ax.plot_surface(x, y, rv.pdf(np.dstack((x, y))), rstride=1, cstride=1)
ax.set_zlim(0, 0.2)

# savefig('../figures/plot3d_ex.png',dpi=48)
plt.show()

或者：

x, y = np.mgrid[-3:3:.15, -3:3:.15]
x = np.zeros_like(x)

皮皮blog

标准正态分布函数表

这个表查的应该是标准正态分布累积分布函数的值吧

查表：lz只知道列为0时的查表，不懂列是啥意思（知道的希望留个言），从表中看出，cdf(x=0) = 0.5 [列0，行0]，cdf(x=1) = 0.8413 [列值0，行值1]， cdf(x=3) = 0.9987 [列值0，行值3]

示例：如计算Φ(3)-Φ(-1)，可知Φ(3)-Φ(-1) = Φ(3)-(1 - Φ(1)) = Φ(3) + Φ(1) - 1 = 0.84

标准正态分布函数表（形式1：sum=1）
φ(x) x	0	0.01	0.02	0.03	0.04	0.05	0.06	0.07	0.08	0.09
x	0	0.01	0.02	0.03	0.04	0.05	0.06	0.07	0.08	0.09
0	0.5	0.504	0.508	0.512	0.516	0.5199	0.5239	0.5279	0.5319	0.5359
0.1	0.5398	0.5438	0.5478	0.5517	0.5557	0.5596	0.5636	0.5675	0.5714	0.5753
0.2	0.5793	0.5832	0.5871	0.591	0.5948	0.5987	0.6026	0.6064	0.6103	0.6141
0.3	0.6179	0.6217	0.6255	0.6293	0.6331	0.6368	0.6406	0.6443	0.648	0.6517
0.4	0.6554	0.6591	0.6628	0.6664	0.67	0.6736	0.6772	0.6808	0.6844	0.6879

0.5	0.6915	0.695	0.6985	0.7019	0.7054	0.7088	0.7123	0.7157	0.719	0.7224
0.6	0.7257	0.7291	0.7324	0.7357	0.7389	0.7422	0.7454	0.7486	0.7517	0.7549
0.7	0.758	0.7611	0.7642	0.7673	0.7703	0.7734	0.7764	0.7794	0.7823	0.7852
0.8	0.7881	0.791	0.7939	0.7967	0.7995	0.8023	0.8051	0.8078	0.8106	0.8133
0.9	0.8159	0.8186	0.8212	0.8238	0.8264	0.8289	0.8315	0.834	0.8365	0.8389

1	0.8413	0.8438	0.8461	0.8485	0.8508	0.8531	0.8554	0.8577	0.8599	0.8621
1.1	0.8643	0.8665	0.8686	0.8708	0.8729	0.8749	0.877	0.879	0.881	0.883
1.2	0.8849	0.8869	0.8888	0.8907	0.8925	0.8944	0.8962	0.898	0.8997	0.9015
1.3	0.9032	0.9049	0.9066	0.9082	0.9099	0.9115	0.9131	0.9147	0.9162	0.9177
1.4	0.9192	0.9207	0.9222	0.9236	0.9251	0.9265	0.9278	0.9292	0.9306	0.9319

1.5	0.9332	0.9345	0.9357	0.937	0.9382	0.9394	0.9406	0.9418	0.943	0.9441
1.6	0.9452	0.9463	0.9474	0.9484	0.9495	0.9505	0.9515	0.9525	0.9535	0.9545
1.7	0.9554	0.9564	0.9573	0.9582	0.9591	0.9599	0.9608	0.9616	0.9625	0.9633
1.8	0.9641	0.9648	0.9656	0.9664	0.9671	0.9678	0.9686	0.9693	0.97	0.9706
1.9	0.9713	0.9719	0.9726	0.9732	0.9738	0.9744	0.975	0.9756	0.9762	0.9767

2	0.9772	0.9778	0.9783	0.9788	0.9793	0.9798	0.9803	0.9808	0.9812	0.9817
2.1	0.9821	0.9826	0.983	0.9834	0.9838	0.9842	0.9846	0.985	0.9854	0.9857
2.2	0.9861	0.9864	0.9868	0.9871	0.9874	0.9878	0.9881	0.9884	0.9887	0.989
2.3	0.9893	0.9896	0.9898	0.9901	0.9904	0.9906	0.9909	0.9911	0.9913	0.9916
2.4	0.9918	0.992	0.9922	0.9925	0.9927	0.9929	0.9931	0.9932	0.9934	0.9936

2.5	0.9938	0.994	0.9941	0.9943	0.9945	0.9946	0.9948	0.9949	0.9951	0.9952
2.6	0.9953	0.9955	0.9956	0.9957	0.9959	0.996	0.9961	0.9962	0.9963	0.9964
2.7	0.9965	0.9966	0.9967	0.9968	0.9969	0.997	0.9971	0.9972	0.9973	0.9974
2.8	0.9974	0.9975	0.9976	0.9977	0.9977	0.9978	0.9979	0.9979	0.998	0.9981
2.9	0.9981	0.9982	0.9982	0.9983	0.9984	0.9984	0.9985	0.9985	0.9986	0.9986

3	0.9987	0.999	0.9993	0.9995	0.9997	0.9998	0.9998	0.9999	0.9999	1
3.1	0.999032	0.999065	0.999096	0.999126	0.999155	0.999184	0.999211	0.999238	0.999264	0.999289
3.2	0.999313	0.999336	0.999359	0.999381	0.999402	0.999423	0.999443	0.999462	0.999481	0.999499
3.3	0.999517	0.999534	0.999550	0.999566	0.999581	0.999596	0.999610	0.999624	0.999638	0.999660
3.4	0.999663	0.999675	0.999687	0.999698	0.999709	0.999720	0.999730	0.999740	0.999749	0.999760

3.5	0.999767	0.999776	0.999784	0.999792	0.999800	0.999807	0.999815	0.999822	0.999828	0.999885
3.6	0.999841	0.999847	0.999853	0.999858	0.999864	0.999869	0.999874	0.999879	0.999883	0.999880
3.7	0.999892	0.999896	0.999900	0.999904	0.999908	0.999912	0.999915	0.999918	0.999922	0.999926
3.8	0.999928	0.999931	0.999933	0.999936	0.999938	0.999941	0.999943	0.999946	0.999948	0.999950
3.9	0.999952	0.999954	0.999956	0.999958	0.999959	0.999961	0.999963	0.999964	0.999966	0.999967

4	0.999968	0.999970	0.999971	0.999972	0.999973	0.999974	0.999975	0.999976	0.999977	0.999978
4.1	0.999979	0.999980	0.999981	0.999982	0.999983	0.999983	0.999984	0.999985	0.999985	0.999986
4.2	0.999987	0.999987	0.999988	0.999988	0.999989	0.999989	0.999990	0.999990	0.999991	0.999991
4.3	0.999991	0.999992	0.999992	0.999930	0.999993	0.999993	0.999993	0.999994	0.999994	0.999994
4.4	0.999995	0.999995	0.999995	0.999995	0.999996	0.999996	0.999996	1.000000	0.999996	0.999996

4.5	0.999997	0.999997	0.999997	0.999997	0.999997	0.999997	0.999997	0.999998	0.999998	0.999998
4.6	0.999998	0.999998	0.999998	0.999998	0.999998	0.999998	0.999998	0.999998	0.999999	0.999999
4.7	0.999999	0.999999	0.999999	0.999999	0.999999	0.999999	0.999999	0.999999	0.999999	0.999999
4.8	0.999999	0.999999	0.999999	0.999999	0.999999	0.999999	0.999999	0.999999	0.999999	0.999999
4.9	1.000000	1.000000	1.000000	1.000000	1.000000	1.000000	1.000000	1.000000	1.000000	1.000000

标准正态分布函数数值表（形式2:sum=0）

φ(x) x	0	0.01	0.02	0.03	0.04	0.05	0.06	0.07	0.08	0.09
x	0	0.01	0.02	0.03	0.04	0.05	0.06	0.07	0.08	0.09
0	0	0.008	0.016	0.024	0.032	0.0398	0.0478	0.0558	0.0638	0.0718
0.1	0.0796	0.0876	0.0956	0.1034	0.1114	0.1192	0.1272	0.135	0.1428	0.1506
0.2	0.1586	0.1664	0.1742	0.182	0.1896	0.1974	0.2052	0.2128	0.2206	0.2282
0.3	0.2358	0.2434	0.251	0.2586	0.2662	0.2736	0.2812	0.2886	0.296	0.3034
0.4	0.3108	0.3182	0.3256	0.3328	0.34	0.3472	0.3544	0.3616	0.3688	0.3758

0.5	0.383	0.39	0.397	0.4038	0.4108	0.4176	0.4246	0.4314	0.438	0.4448
0.6	0.4514	0.4582	0.4648	0.4714	0.4778	0.4844	0.4908	0.4972	0.5034	0.5098
0.7	0.516	0.5222	0.5284	0.5346	0.5406	0.5468	0.5528	0.5588	0.5646	0.5704
0.8	0.5762	0.582	0.5878	0.5934	0.599	0.6046	0.6102	0.6156	0.6212	0.6266
0.9	0.6318	0.6372	0.6424	0.6476	0.6528	0.6578	0.663	0.668	0.673	0.6778

1	0.6826	0.6876	0.6922	0.697	0.7016	0.7062	0.7108	0.7154	0.7198	0.7242
1.1	0.7286	0.733	0.7372	0.7416	0.7458	0.7498	0.754	0.758	0.762	0.766
1.2	0.7698	0.7738	0.7776	0.7814	0.785	0.7888	0.7924	0.796	0.7994	0.803
1.3	0.8064	0.8098	0.8132	0.8164	0.8198	0.823	0.8262	0.8294	0.8324	0.8354
1.4	0.8384	0.8414	0.8444	0.8472	0.8502	0.853	0.8556	0.8584	0.8612	0.8638

1.5	0.8664	0.869	0.8714	0.874	0.8764	0.8788	0.8812	0.8836	0.886	0.8882
1.6	0.8904	0.8926	0.8948	0.8968	0.899	0.901	0.903	0.905	0.907	0.909
1.7	0.9108	0.9128	0.9146	0.9164	0.9182	0.9198	0.9216	0.9232	0.925	0.9266
1.8	0.9282	0.9296	0.9312	0.9328	0.9342	0.9356	0.9372	0.9386	0.94	0.9412
1.9	0.9426	0.9438	0.9452	0.9464	0.9476	0.9488	0.95	0.9512	0.9524	0.9534

2	0.9544	0.9556	0.9566	0.9576	0.9586	0.9596	0.9606	0.9616	0.9624	0.9634
2.1	0.9642	0.9652	0.966	0.9668	0.9676	0.9684	0.9692	0.97	0.9708	0.9714
2.2	0.9722	0.9728	0.9736	0.9742	0.9748	0.9756	0.9762	0.9768	0.9774	0.978
2.3	0.9786	0.9792	0.9796	0.9802	0.9808	0.9812	0.9818	0.9822	0.9826	0.9832
2.4	0.9836	0.984	0.9844	0.985	0.9854	0.9858	0.9862	0.9864	0.9868	0.9872

2.5	0.9876	0.988	0.9882	0.9886	0.989	0.9892	0.9896	0.9898	0.9902	0.9904
2.6	0.9906	0.991	0.9912	0.9914	0.9918	0.992	0.9922	0.9924	0.9926	0.9928
2.7	0.993	0.9932	0.9934	0.9936	0.9938	0.994	0.9942	0.9944	0.9946	0.9948
2.8	0.9948	0.995	0.9952	0.9954	0.9954	0.9956	0.9958	0.9958	0.996	0.9962
2.9	0.9962	0.9964	0.9964	0.9966	0.9968	0.9968	0.997	0.997	0.9972	0.9972

3	0.9974	0.998	0.9986	0.999	0.9994	0.9996	0.9996	0.9998	0.9998	1
3.1	0.998064	0.99813	0.998192	0.998252	0.99831	0.998368	0.998422	0.998476	0.998528	0.998578
3.2	0.998626	0.998672	0.998718	0.998762	0.998804	0.998846	0.998886	0.998924	0.998962	0.998998
3.3	0.999034	0.999068	0.9991	0.999132	0.999162	0.999192	0.99922	0.999248	0.999276	0.99932
3.4	0.999326	0.99935	0.999374	0.999396	0.999418	0.99944	0.99946	0.99948	0.999498	0.99952

3.5	0.999534	0.999552	0.999568	0.999584	0.9996	0.999614	0.99963	0.999644	0.999656	0.99977
3.6	0.999682	0.999694	0.999706	0.999716	0.999728	0.999738	0.999748	0.999758	0.999766	0.99976
3.7	0.999784	0.999792	0.9998	0.999808	0.999816	0.999824	0.99983	0.999836	0.999844	0.999852
3.8	0.999856	0.999862	0.999866	0.999872	0.999876	0.999882	0.999886	0.999892	0.999896	0.9999
3.9	0.999904	0.999908	0.999912	0.999916	0.999918	0.999922	0.999926	0.999928	0.999932	0.999934

4	0.999936	0.99994	0.999942	0.999944	0.999946	0.999948	0.99995	0.999952	0.999954	0.999956
4.1	0.999958	0.99996	0.999962	0.999964	0.999966	0.999966	0.999968	0.99997	0.99997	0.999972
4.2	0.999974	0.999974	0.999976	0.999976	0.999978	0.999978	0.99998	0.99998	0.999982	0.999982
4.3	0.999982	0.999984	0.999984	0.99986	0.999986	0.999986	0.999986	0.999988	0.999988	0.999988
4.4	0.99999	0.99999	0.99999	0.99999	0.999992	0.999992	0.999992	0.9999992	0.999992	0.999992

4.5	0.999994	0.999994	0.999994	0.999994	0.999994	0.999994	0.999994	0.999996	0.999996	0.999996
4.6	0.999996	0.999996	0.999996	0.999996	0.999996	0.999996	0.999996	0.999996	0.999998	0.999998
4.7	0.999998	0.999998	0.999998	0.999998	0.999998	0.999998	0.999998	0.999998	0.999998	0.999998
4.8	0.999998	0.999998	0.999998	0.999998	0.999998	0.999998	0.999998	0.999998	0.999998	0.999998
4.9	1	1	1	1	1	1	1	1	1	1