Matematik. Definition 1 Mängdbeteckningar Tomma mängden Ω Hela utfallsrummet Unionen Snittet C Komplementet A Antalet element i A

Relevanta dokument
Matematik. Definition 1 Mängdbeteckningar Tomma mängden Ω Hela utfallsrummet Unionen Snittet C Komplementet A Antalet element i A

Tentamen i Tillämpad Matematik och statistik för IT-forensik. Del 1: Matematik 7.5 hp

Tentamen i Tillämpad Matematik och statistik för IT-forensik. Del 2: Statistik 7.5 hp

Tentamen i Tillämpad Matematik och statistik för IT-forensik. Del 1: Matematik 7.5 hp

Tentamen i Krypteringsmetoder och Säkring av Datasystem 7.5 hp

P (A) = k A P (A ) = 1 P (A) P (A B) P (B) P (M i ) = 1 P (A) P (X = k) = p X (k) p X (k) = 1 P (A B) p X (k)

Sannolikhetsteori FORMELSAMLING MATEMATISK STATISTIK, AK FÖR I, FMS 120, HT-00. Kap 2: Sannolikhetsteorins grunder

Tentamen i Tillämpad Matematik och statistik för IT-forensik. Del 2: Statistik 7.5 hp

SAMMANFATTNING TAMS79 Matematisk statistik, grundkurs

Intervallskattning. c 2005 Eric Järpe Högskolan i Halmstad. Antag att vi har ett stickprov x 1,..., x n på X som vi vet är N(µ, σ) men vi vet ej

θx θ 1 om 0 x 1 f(x) = 0 annars

Tentamen i Matematisk Statistik, 7.5 hp

Statistisk analys. Vilka slutsatser kan dras om populationen med resultatet i stickprovet som grund? Hur säkra uttalande kan göras om resultatet?

95%-igt konfidensintervall för andel kalsongbärare i populationen: Slutsats: Med 95% säkerhet finns andelen kalsongbärare i intervallet 38-48%

Sannolikhetslära. c 2015 Eric Järpe Högskolan i Halmstad

vara ett polynom där a 0, då kallas n för polynomets grad och ibland betecknas n grad( P(

FORMELSAMLING MATEMATISK STATISTIK, FMS601. Fördelning Väntevärde Varians. p x (1 p) n x x = 0, 1,..., n np np(1 p) ) x = 0, 1,..., n np.

Föreläsning 2: Punktskattningar

För att skatta väntevärdet för en fördelning är det lämpligt att använda Medelvärdet. E(ξ) =... = µ

DEL I. Matematiska Institutionen KTH

Linjär regression - kalibrering av en våg

(a) Skissa täthets-/frekvensfunktionen och fördelningsfunktionen för X. Glöm inte att ange värden på axlarna.

LÖSNINGAR TILL. Räkningar: (z i z) 2 = , Δ = z = 1 n. n 1. Konfidensintervall:

H1009, Introduktionskurs i matematik Armin Halilovic POLYNOM, POLYNOMDIVISION, ALGEBRAISKA EKVATIONER, PARTIALBRÅKSUPPDELNING. vara ett polynom där a

Minsta kvadrat-metoden, MK. Maximum likelihood-metoden, ML. Medelfel. E(X i ) = µ i (θ) MK-skattningen av θ fås genom att minimera

Formel- och tabellsamling i matematisk statistik

Uppsala Universitet Matematiska institutionen Matematisk Statistik. Formel- och tabellsamling. Sannolikhetsteori och Statistik

Grundläggande matematisk statistik

Antalet sätt att välja ut r objekt bland n stycken med hänsyn till ordning är np r = n(n 1) (n r + 1).

Matematisk statistik TMS063 Tentamen

MS-A0509 Grundkurs i sannolikhetskalkyl och statistik Sammanfattning, del II

Lycka till! I(X i t) 1 om A 0 annars I(A) =

Formelblad Sannolikhetsteori 1

Lösning till tentamen för kursen Log-linjära statistiska modeller 29 maj 2007

TENTAMEN I MATEMATISK STATISTIK

Anmärkning: I några böcker använder man följande beteckning ]a,b[, [a,b[ och ]a,b] för (a,b), [a,b) och (a,b].

Tolkning av sannolikhet. Statistikens grunder, 15p dagtid. Lite mängdlära. Lite mängdlära, forts. Frekventistisk n A /n P(A) då n

Statistik för bioteknik SF1911 // KTH Matematisk statistik // Formler och tabeller. 1 Numeriska sammanfattningar (statistikor)

b) Bestäm det genomsnittliga antalet testade enheter, E (X), samt även D (X). (5 p)

MS-A0509 Grundkurs i sannolikhetskalkyl och statistik Sammanfattning, del II

Normalfördelningens betydelse. Sannolikhet och statistik. Täthetsfunktion, väntevärde och varians för N (µ, σ)

Tentamen i matematisk statistik

Tentamen i Sannolikhetsteori III 13 januari 2000

F3 Lite till om tidsserier. Statistikens grunder 2 dagtid. Sammansatta index 4. Deflatering HT Laspeyres index: Paasche index: Index.

Sannolikhetsteori FORMELSAMLING MATEMATISK STATISTIK, AK FÖR CDEFI, NANO OCH PI, MAS233, 2004 FMS 012, FMS 022, FMS 121 OCH MAS233

ENDIMENSIONELL ANALYS B1 FÖRELÄSNING VI. Föreläsning VI. Mikael P. Sundqvist

Finansiell Statistik (GN, 7,5 hp,, HT 2008) Föreläsning 4 (del 1)

1. Test av anpassning.

1. (a) Eftersom X och Y har samma fördelning så har de även samma väntevärde och standardavvikelse. E(X 2 ) = k

Tentamen i Statistik, STA A13 Deltentamen 2, 5p 20 januari 2007, kl

SANNOLIKHETER. Exempel. ( Tärningskast) Vi har sex möjliga utfall 1, 2, 3, 4, 5 och 6. Därför är utfallsrummet Ω = {1, 2, 3, 4, 5,6}.

Inledande matematisk analys (TATA79) Höstterminen 2016 Föreläsnings- och lekionsplan

b 1 och har för olika värden på den reella konstanten a.

TENTAMEN I MATEMATISK STATISTIK Datum: 13 mars 08

MS-A0509 Grundkurs i sannolikhetskalkyl och statistik Exempel, del II

Föreläsning G70, 732G01 Statistik A. Föreläsningsunderlagen är baserade på underlag skrivna av Karl Wahlin

Tentamen i Statistik, STA A13 Deltentamen 2, 5p 5 juni 2004, kl

TENTAMEN Datum: 16 okt 09

Finansiell Statistik (GN, 7,5 hp,, HT 2008) Föreläsning 4 (del 2)

TMS136: Dataanalys och statistik Tentamen med lösningar

Stat. teori gk, ht 2006, JW F13 HYPOTESPRÖVNING (NCT ) Ordlista till NCT

Statistik. Språkligt och historiskt betyder statistik ungefär sifferkunskap om staten

4.2.3 Normalfördelningen

Viktigt! Glöm inte att skriva Tentamenskod på alla blad du lämnar in.

4. Uppgifter från gamla tentor (inte ett officiellt urval) 6

Föreläsning G04: Surveymetodik

Sannolikheten. met. A 3 = {2, 4, 6 }, 1 av 11

Introduktion till statistik för statsvetare

a) Beräkna E (W ). (2 p)

FORMELSAMLING MATEMATISK STATISTIK FÖR W; FMSF75 UPPDATERAD Sannolikhetsteori. Beskrivning av data. Läges-, spridnings- och beroendemått

TAMS15: SS1 Markovprocesser

c n x n, där c 0, c 1, c 2,... är givna (reella eller n=0 c n x n n=0 absolutkonvergent om x < R divergent om x > R n n lim = 1 R.

Genomsnittligt sökdjup i binära sökträd

MA2018 Tillämpad Matematik III-Statistik, 3.5hp,

TAMS79: Föreläsning 9 Approximationer och stokastiska processer

RESTARITMETIKER. Avsnitt 4. När man adderar eller multiplicerar två tal som t ex

Sannolikheter 0 < P < 1. Definition sannolikhet: Definition sannolikhet: En sannolikhet kan anta värden från 0 till 1

Tentamen i Statistik STG A01 (12 hp) 5 mars 2010, kl

FORMELSAMLING HT-18 MATEMATISK STATISTIK FÖR B, K, N, BME OCH KEMISTER; FMSF70 & MASB02. Sannolikhetsteori. Beskrivning av data

MA2018 Tillämpad Matematik III-Statistik, 3.5hp,

Induktion LCB Rekursion och induktion; enkla fall. Ersätter Grimaldi 4.1

Bertrands postulat. Kjell Elfström

Datorövning 2 Fördelningar inom säkerhetsanalys

MA2018 Tillämpad Matematik III-Statistik, 3.5hp,

Skattning / Inferens. Sannolikhet och statistik. Skattning / Inferens. Vad är det som skattas?

Vad är det okända som efterfrågas? Vilka data är givna? Vilka är villkoren?

Datorövning 2 Fördelningar inom säkerhetsanalys

Föreläsning G70, 732G01 Statistik A. Föreläsningsunderlagen är baserade på underlag skrivna av Karl Wahlin

101. och sista termen 1

Rättningstiden är i normalfall 15 arbetsdagar, annars är det detta datum som gäller:

Uppsala Universitet Matematiska Institutionen Bo Styf. Att repetera.

Linjär Algebra (lp 1, 2016) Lösningar till skrivuppgiften Julia Brandes

TNA001 Matematisk grundkurs Övningsuppgifter

MA2018 Tillämpad Matematik III-Statistik, 3.5hp,

MS-A0409 Grundkurs i diskret matematik Sammanfattning, del I

Matematisk statistik 9hp Föreläsning 2: Slumpvariabel

2. Konfidensintervall för skillnaden mellan två proportioner.

Uppsala Universitet Matematiska Institutionen Bo Styf. Genomgånget på föreläsningarna Föreläsning 26, 9/2 2011: y + ay + by = h(x)

vara ett polynom där a 0, då kallas n för polynomets grad och ibland betecknas n = grad( P(

INGENJÖRSMATEMATISK FORMELSAMLING

Transkript:

Formelsamlig Formler och tabeller iom Matematik och statistik för IT-foresik Kursasvarig: Eric Järpe Högskola i Halmsta Matematik Defiitio 1 Mägbeteckigar Tomma mäge Ω Hela utfallsrummet Uioe Sittet C Komplemetet A Atalet elemet i A Sats 1 Aitiossatse För alla mäger A och B gäller att A B = A + B A B. Sats 2 De Morgas lagar För alla mäger A och B gäller att (A B C = A C B C och (A B C = A C B C. Sats 3 Expoetlagara a b+c = a b a c, a bc = (a b c = (a c b, a 0 = 1, a 1 = a, a 1 = 1 a och a 1/2 = a. Sats 4 Logaritmlagara För alla a > 0, b > 0, c > 0 och R gäller log a (bc = log a b+log a c, log a (b c = clog a b, log a a = 1, log a 1 = 0, log a b c = log ab log a c. Sats 5 Kvarerigsreglera (a+b 2 = a 2 +2ab+b 2, (a b 2 = a 2 2ab+b 2 och (a+b(a b = a 2 b 2. Sats 6 Aragrasekvatioer Om x 2 +px+q = 0 så är x = p 2 ± p 2 4 q. Sats 7 Faktorsatse Varje polyom p(x = a 0 + a 1 x + a 2 x 2 +... + a 1 x 1 + x av gra har ollställe x 1,x 2,...,x och ka faktoriseras mha essa eligt p(x = (x x 1 (x x 2 (x x. Sats 8 Sambaet mella koefficieter och ratioella rötter Om ekvatioe a 0 +a 1 x+a 2 x 2 +...+a x = 0 har e ratioell rot x = p/q så måste a 0 vara mulitpel av p och a vara mulitipel av q. Defiitio 2 Ett primtal är ett heltal som ite är jämt elbart me ågot aat heltal ara ä 1 och sig självt.

Algoritm 1 Divisiosalgoritme För alla heltal a och b 0 fis et heltal k och r såaa att 0 r b 1 och a b = k + r b är talet k kallas kvot och talet r kallas (pricipal rest. Algoritm 2 Eratosthees såll Atag att ma vill geerera alla primtal. 1. Gör e lista över alla heltal from 2 tom. 2. Riga i et första icke struka eller irigae talet. 3. Stryk alla multipler av et seast irigae talet frå reste av lista. 4. Om ite alla tal är irigae eller struka, gå tillbaks till steg 2. 5. Då alla tal som är behalats är e icke struka tale primtale. Defiitio 3 De största gemesamma elare, gc(a,b, för två heltal, a och b, är proukte av alla primtalsfaktorer som är gemesamma i a och b. Defiitio 4 Heltale a och b kallas relativt prima om gc(a,b = 1. Algoritm 3 Euklies algoritm För att bestämma gc(a,b, är a > b, bestäm r 1,r 2,r 3,... så att { a = c1 b+r 1 är 0 r 1 b 1 b = c 2 r 1 +r 2 är 0 r 2 r 1 1 och fortsättigsvis r 1 = c 3 r 2 +r 3 är 0 r 3 r 2 1 r 2 = c 4 r 3 +r 4 är 0 r 4 r 3 1.. r 2 = c r 1 +r är 0 r r 1 1 r 1 = c r +0 (är alltså r +1 = 0 De första reste r i som är = 0 (vs r +1 i förklarige ova kallas e första försviae reste, e seaste reste ia e (r i förklarige ova kallas e sista ickeförsviae reste. Och et är e sista icke-försviae reste som är gc(a, b. Defiitio 5 Låt a och b vara heltal. Det mista tal, c, såat att a = bc eller b = ac kallas mista gemesamma multipel för a och b och beteckas lcm(a, b. Sats 9 lcm(a,b = ab gc(a, b för alla heltal a och b.

Algoritm 4 Lösig av iofatisk ekvatio För att lösa e iofatiska ekvatioe ax+by = c 1. beräka = gc(a,b mha Euklies algoritm. 2. Om ite c är e multipel av så sakar ekvatioe heltalslösigar. 3. Om c är e multipel av, låt k = c. 4. Lös hjälpekvatioe ax+by = mha Euklies algoritm bakläges (x 0,y 0. 5. Allmä lösig till e fullstäiga ax+by = c är å {(kx 0 + b,ky m 0 a, Z} m är m = gc(a,b,. Sats 10 Resträkig Om a r och b s (mo c, så är a+b r +s (mo c. Om a r och b s (mo c, så är ab rs (mo c. Om a r (mo c, så är a b r b (mo c. Defiitio 6 De iskreta (multiplikativa iverse till a mo är et mista positiva tal x, beteckat a 1 mo, som satisfierar ax 1 (mo. Defiitio 7 De iskreta a-logaritme av b mo är et mista positiva tal x, beteckat logamo, som satisfierar a x b (mo. Sats 11 Kiesiska restsatse Om 1, 2,..., m är parvis relativt prima så har kogrueskevatiossystemet x h 1 (mo 1 x h 2 (mo 2. x h m (mo m lösige x = m i=1 h ib i i mo i Z är = 1 2 m och b i = ( i 1 mo i. Algoritm 5 Fermats faktoriserigsmeto Atag att ma vill faktorisera et ua talet N, vs ma vill hitta heltal, p och q, såaa att N = pq. Då ka ma göra eligt följae proceur. Om talet ma vill faktorisera är ett jämt tal, bryt ut faktor 2 och fortsätt tills ett ua tal, N, erhålls. 1. Låt (iitialt x = 1+[ N] 2. Beräka x 2 N. 3. Om x 2 N är e jäm kvarat (vs om x 2 N är ett heltal, låt p = x+ x 2 N och q = x x 2 N och gå till 6. 4. Om x x 2 N < 2, låt p = N och q = 1 och gå till 6. 5. Aera 1 till x och gå till 2. 6. Klart! Om faktoriserige blir p = N och q = 1 (såsom et ka i steg 4. ova så är talet N ett primtal.

Defiitio 8 Eulers φ-fuktio, φ(, är atalet positiva heltal < som är relativt prima me. Sats 12 Eulers sats Om a och är relativt prima så är a φ( 1 (mo. Sats 13 Eulers prouktregel m φ( = p k i 1 i (p i 1 är = p k 1 1 p k 2 2 p km m är primtalsfaktoriserige av. i=1 Sats 14 Summerigsregler ab k = a b k a = ( m+1a k=m (a k +b k = a k = k=m a k + a k + m 1 a k b k Sats 15 Speciella regler k = (+1 2 k=0 a k = a+1 1 a 1 om a 1 (a k a k 1 = a a 0 Defiitio 9 E fuktio kallas iverse till fuktioe f och beteckas f 1 om f 1 (f(x = x för alla x som f är efiiera för. Sats 16 Deriverigsregler Om f och g är fuktioer av variabel x och a e kostat så gäller f 1. (f +g = + g x x x 2. (af = af x x 3. (a = 0 x 4. x (x = x 1 om 0 g f 5. (f g = f +g x x x 6. x (ef = f x ef 7. (lx = 1 x x g f 8. Kejeregel: (f(g(x = (x (g(x x x x Sats 17 Om f är e eriverbar fuktio så gäller att f (x < 0 om och east om f är avtagae geom x, x (x > 0 om och east om f är växae geom x. f x

Sats 18 Biomialkoefficieter Atalet sätt att välja k elemet bla möjliga (uta återläggig och uta häsy till orige är ( k =! k!( k! är! = Sats 19 Biomialsatse För alla reella tal a och b och positiva heltal är (a+b = k=0 j och 0! = 1 j=1 ( a k b k k Matematisk statistik Defiitio 10 Saolikhet Saolikhete för e häelse A är ett tal, beteckat P(A, som uppfyller villkore: 1. 0 P(A 1 2. P(Ω = 1 3. Om A,B isjukta, så är P(A B = P(A+P(B Sats 20 Komplemetsatse P(A C = 1 P(A Sats 21 Aitiossatse P(A B = P(A+P(B P(A B. Defitio 12 Betiga saolikhet De betigae saolikhete av A givet B är P(A B = P(A B är P(B > 0. P(B Defiitio 13 E slumpvariabel, X, är e (valigtvis umerisk geeraliserig av ett experimet. Mha slumpvariabel ka olika häelser formuleras som att X har vissa väre. E slumpvariabels utfallsrum, Ω X, är mäge av e väre som slumpvariabel ka ata. Defiitio 14 A och B är oberoee häelser om P(A B = P(AP(B. Två slumpvariabler, X och Y me utfallsrum Ω X resp. Ω Y, är oberoee om P(X M X,Y M Y = P(X M X P(Y M Y för alla M X Ω X och M Y Ω Y. Sats 22 Biomialförelig Om X = Y 1 + Y 2 +... + Y är P(Y k = 1 = p och P(Y k = 0 = 1 p för alla k = 1,2,... och variablera Y 1,Y 2,...,Y är oberoee av varara, så är X Bi(,p (vs X är biomialförela me och p vilket iebär att ess saolikhetsfuktio är P(X = k = ( k p k (1 p k är k {0,1,...,} = Ω X, E(X = p och V(X = p(1 p.

Sats 23 Poissoförelig Om X är Poissoförela me itesitet λ beteckas etta X Poi(λ och iebär att P(X = x = λx x! e λ är x {0,1,2,...} = Ω X, E(X = λ och V(X = λ. Dessutom gäller att X Poi(λ X Y Poi(λ Y X +Y Poi(λ X +λ Y. Sats 24 Normalförelig Dea beteckas N(µ,σ 2 är µ är väteväre och σ 2 är varias. Om X N(0,1 kallas X staar ormalförela, och ess föreligsfuktio är Φ(x = P(X x för alla x R = Ω X. Om X N(µ,σ 2 så är P(X x = Φ ( x µ för alla x R = ΩX. Symmetri: Φ( x = 1 Φ(x för alla x R. Saolikheter: P(a X b = Φ ( b µ σ Φ ( a µ σ σ för all a < b R. Defiitio 15 Väteväret av e slumpvariabel X beteckas E(X och är tygpukte i saolikhetsfuktioe respektive täthetsfuktioe för x. Lijaritet: E(aX + by = ae(x+be(y. Variase av e slumpvariablel X beteckas V(X och efiieras V(X= E((X E(X 2. Räkeregler: V(X=E(X 2 E(X 2 och V(aX+bY = a 2 V(X+b 2 V(Y om X Y. Om X iskret variabel är E(g(X = x Ω X g(xp(x=x. Sats 25 Cetrala Gräsväressatse (CGS Om X 1,X 2,...,X är oberoee och lika förelae me E(X i = µ och V(X i = σ 2 så är approximativt X = 1 i=1 X i N(µ, σ2 och i=1 X i N(µ,σ 2 å är stort. Defiitio 16 Beskrivae statistik Proportio: p = ˆπ = P(X A = #{i:x i A} Meelväret: x = ˆµ = 1 x i ( i=1 Stickprovsvariase: s 2 = ˆσ 2 = 1 x 2 1 i x 2 i=1 { X( +1 Meiae: m(x 1,...,X = 2 om är ua 1 (X 2 ( 2 +X ( 2 +1 om jämt { m(x(1,...,x Första kvartile: Q 1 = ( 1 om är ua 2 m(x (1,...,X ( 2 om jämt { m(x( +3 Treje kvartile: Q 3 =,...,X ( om är ua 2 m(x ( 2 +1,...,X ( om jämt Variatiosbree: R = X ( X (1 Defiitio 17 Kofiesitervall Atag X 1,X 2,...,X är stickprov på X och E(X = µ X, att Y 1,Y 2,...,Y m är stickprov på Y och E(Y = µ Y och att V(X = V(Y = σ 2. Då gäller att ett 100(1 α% kofiesitervall för µ X är x±λ α/2 σ om σ 2 är kä x±t α/2 ( 1 s om σ 2 är okä π är p±λ α/2 p(1 p µ X µ Y är x ȳ ± t α/2,(+m 2 s P ( 1s 2 X +(m 1s2 Y ( 1 + 1 +m 2 m är s 2 P = om mi(,m 30 s 2 X + s2 Y m om mi(,m > 30 p(1 p π 1 π 2 är p 1 p 2 ±λ 1 2 α/2 1 + 2 är p = 1p 1 + 2 p 2 1 + 2

Defiitio 18 Hypotestest Atag x 1,...,x är ett stickprov på X förela me parameter θ respektive x 1,...,x 1 och y 1,...,y 2 på X och Y förelae me parameter θ. För att testa { H0 : θ = θ 0 (ollhypotese H 1 : θ Θ (alterativhypotese aväs teststatistika U = U(X 1,...,X och beslutsregel A α som svarar mot Θ eligt förelige av F U uer H 0 vi sigifikasivå α. Testregel är { Förkasta H0 om A α Förkasta ite H 0 om ite A α θ H 0 H 1 u A α π π = π 0 π < π 0 (p π0 är π = P(B(X, u < λ α p = #{x i:b(x i } π > π, 0 u > λ π0 (1 π 0 α Villkor: π 0 (1 π 0 > 5 π π 0 u > λ α/2 π 1,π 2 π 1 = π 2 π 1 < π är p = 2 p 1 p 1p 1 + 2 p 2 1 + 2 2 u < λ α Villkor: π 1 > π 2 p(1 p( 1 1 + 1 2 1 π 1 (1 π 1 > 5 u > λ α 2 π 2 (1 π 2 > 5 π 1 π 2 u > λ α/2 µ µ < µ 0 x µ0 u < λ α (σ 2 kä µ = µ σ/ 0 µ > µ 0 u > λ α µ µ 0 u > λ α/2 µ µ < µ 0 x µ0 u < t α ( 1 (σ 2 okä µ = µ s/ 0 µ > µ 0 u > t α ( 1 µ µ 0 u > t α/2 ( 1 µ 1,µ 2 µ 1 = µ 2 µ 1 < µ å σ 2 x 1 x 1 = σ 2 2 u < t α,(1 + me okäa, 2 2 µ ( 1 1s 2 1 +( 2 1s 2 2 1 + 2 ( 1 2 1 + 1 och mi( 1, 1 > µ 2 2 u > t 2 30 α,(1 + 2 2 µ 1 µ 2 u > t α/2,(1 + 2 2 µ 1 < µ 2 x 1 x 2 å σ 1 = σ 2 me okäa, u < t α,(1 + 2 2 s 2 1 1 + s2 och mi( 1, 2 > 30 µ 1,µ 2 µ 1 = µ 2 µ 1 > µ 2 2 u > t α,(1 + 2 2 2 µ 1 µ 2 u > t α/2,(1 + 2 2 ( 11 c 2 12 c 1 A,B A B A B u > λ α/2 c1 c 2 r 1 r 2 K (O k E k 2 F X F X = F 0 F X F 0 E k är E k = NP(X I k H 0 u > χ 2 α(k 1 E lijär moell, Y = ax + b, som beskriver sambaet mella slump- variablera X och Y basera på et parae stickprovet (x 1,y 1,(x 2,y 2,...,(x,y fås me regressioskoefficiete Ekel lijär regressio â = i=1 x iy i ( i=1 x i( i=1 y i i=1 x2 i ( i=1 x och iterceptet ˆb = ȳ â x. i 2 De har å förklarigsgrae ( R 2 i=1 x iy i ( i=1 x i( 2 i=1 y i = ( ( i=1 x2 i ( i=1 x i 2 i=1 y2 i ( i=1 y i 2 och korrelatiosskattige ˆρ(X,Y = â R2. â

Normalföreligsväre Tabell över väre på Φ(x = P(X x är X N(0,1. För x < 0 utyttja relatioe Φ(x = 1 Φ( x. Φ(x 0 x x +0.00 +0.01 +0.02 +0.03 +0.04 +0.05 +0.06 +0.07 +0.08 +0.09 0.0 0.5000 0.5040 0.5080 0.5120 0.5160 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 0.5910 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 0.6480 0.6517 0.4 0.6554 0.6591 0.6628 0.6664 0.6700 0.6736 0.6772 0.6808 0.6844 0.6879 0.5 0.6915 0.6950 0.6985 0.7019 0.7054 0.7088 0.7123 0.7157 0.7190 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 0.7580 0.7611 0.7642 0.7673 0.7704 0.7734 0.7764 0.7794 0.7823 0.7852 0.8 0.7881 0.7910 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 0.8340 0.8365 0.8389 1.0 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 0.8770 0.8790 0.8810 0.8830 1.2 0.8849 0.8869 0.8888 0.8907 0.8925 0.8944 0.8962 0.8980 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 0.9279 0.9292 0.9306 0.9319 1.5 0.9332 0.9345 0.9357 0.9370 0.9382 0.9394 0.9406 0.9418 0.9429 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 0.9649 0.9656 0.9664 0.9671 0.9678 0.9686 0.9693 0.9699 0.9706 1.9 0.9713 0.9719 0.9726 0.9732 0.9738 0.9744 0.9750 0.9756 0.9761 0.9767 2.0 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 0.9830 0.9834 0.9838 0.9842 0.9846 0.9850 0.9854 0.9857 2.2 0.9861 0.9864 0.9868 0.9871 0.9875 0.9878 0.9881 0.9884 0.9887 0.9890 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 0.9920 0.9922 0.9925 0.9927 0.9929 0.9931 0.9932 0.9934 0.9936 2.5 0.9938 0.9940 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 0.9960 0.9961 0.9962 0.9963 0.9964 2.7 0.9965 0.9966 0.9967 0.9968 0.9969 0.9970 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 0.9980 0.9981 2.9 0.9981 0.9982 0.9982 0.9983 0.9984 0.9984 0.9985 0.9985 0.9986 0.9986 x +0.0 +0.1 +0.2 +0.3 +0.4 +0.5 +0.6 +0.7 +0.8 +0.9 3 0.9987 0.9990 0.9993 0.9995 0.9997 0.9998 0.9998 0.9999 0.9999 1.0000 Normal-percetiler: α λ α α λ α Några väre på λ α såaa 0.1 1.281552 0.005 2.575829 att P(X > λ α = α 0.05 1.644854 0.001 3.090232 är X N(0,1 0.025 1.959964 0.0005 3.290527 0.01 2.326348 0.0001 3.719016

t-percetiler Tabell över väre på t α (f. 0 t α (f α f α 0.25 0.10 0.05 0.025 0.02 0.01 0.005 0.001 1 1.0000 3.0777 6.3138 12.7062 15.8945 31.8205 63.6567 318.3088 2 0.8165 1.8856 2.9200 4.3027 4.8487 6.9646 9.9248 22.3271 3 0.7649 1.6377 2.3534 3.1824 3.4819 4.5407 5.8409 10.2145 4 0.7407 1.5332 2.1318 2.7764 2.9986 3.7470 4.6041 7.1732 5 0.7267 1.4759 2.0150 2.5706 2.7565 3.3649 4.0322 5.8934 6 0.7176 1.4398 1.9432 2.4469 2.6122 3.1427 3.7074 5.2076 7 0.7111 1.4149 1.8946 2.3646 2.5168 2.9980 3.4995 4.7853 8 0.7064 1.3968 1.8595 2.3060 2.4490 2.8965 3.3554 4.5008 9 0.7027 1.3830 1.8331 2.2622 2.3984 2.8214 3.2498 4.2968 10 0.6998 1.3722 1.8125 2.2281 2.3593 2.7638 3.1693 4.1437 12 0.6955 1.3562 1.7823 2.1788 2.3027 2.6810 3.0545 3.9296 14 0.6924 1.3450 1.7613 2.1448 2.2638 2.6245 2.9768 3.7874 17 0.6892 1.3334 1.7396 2.1098 2.2238 2.5669 2.8982 3.6458 20 0.6870 1.3253 1.7247 2.0860 2.1967 2.5280 2.8453 3.5518 25 0.6844 1.3163 1.7081 2.0595 2.1666 2.4851 2.7874 3.4502 30 0.6828 1.3104 1.6973 2.0423 2.1470 2.4573 2.7500 3.3852 50 0.6794 1.2987 1.6759 2.0086 2.1087 2.4033 2.6778 3.2614 100 0.6770 1.2901 1.6602 1.9840 2.0809 2.3642 2.6259 3.1737 χ 2 -percetiler Tabell över väre på χ 2 α(f. 0 χ 2 α(f α f α 0.25 0.10 0.05 0.025 0.02 0.01 0.005 0.001 1 1.3233 2.7055 3.8415 5.0239 5.4119 6.6349 7.8794 10.8276 2 2.7726 4.6052 5.9915 7.3778 7.8240 9.2103 10.5966 13.8155 3 4.1083 6.2514 7.8147 9.3484 9.8374 11.3449 12.8382 16.2662 4 5.3853 7.7794 9.4877 11.1433 11.6678 13.2767 14.8603 18.4668 5 6.6257 9.2364 11.0705 12.8325 13.3882 15.0863 16.7496 20.5150 6 7.8408 10.6446 12.5916 14.4494 15.0332 16.8119 18.5476 22.4577 7 9.0371 12.0170 14.0671 16.0128 16.6224 18.4753 20.2777 24.3219 8 10.2189 13.3616 15.5073 17.5345 18.1682 20.0902 21.9550 26.1245 9 11.3888 14.6837 16.9190 19.0228 19.6790 21.6660 23.5894 27.8772 10 12.5489 15.9872 18.3070 20.4832 21.1608 23.2093 25.1882 29.5883 12 14.8454 18.5493 21.0261 23.3367 24.0540 26.2170 28.2995 32.9095 14 17.1169 21.0641 23.6848 26.1189 26.8728 29.1412 31.3193 36.1233 17 20.4887 24.7690 27.5871 30.1910 30.9950 33.4087 35.7185 40.7902 20 23.8277 28.4120 31.4104 34.1696 35.0196 37.5662 39.9968 45.3147 25 29.3389 34.3816 37.6525 40.6465 41.5661 44.3141 46.9279 52.6197 30 34.7997 40.2560 43.7730 46.9792 47.9618 50.8922 53.6720 59.7031 50 56.3336 63.1671 67.5048 71.4202 72.6133 76.1539 79.4900 86.6608 100 109.1412 118.4980 124.3421 129.5612 131.1417 135.8067 140.1695 149.4493