Kiegészítés

Deriválás sin 2
x + cos2 x = 1 ch2 x − sh2 x = 1
f(x) f ′ (x) 1 − cos2x ch 2x − 1
sin2 x = sh2 x =
c 0 2 2
1 + cos2x ch 2x +1
xα α xα−1 cos2 x = ch2 x =
2 2
ex ex 2 sin x cos x = sin 2x 2 sh x ch x = sh 2x
ax ax ln a 1 ex − e−x
sin 30◦ = cos 60◦ = sh x =
1 2 2
ln x √
x 3 e + e−x
x
cos 30◦ = sin 60◦ = ch x =
1 2 2
loga x √
x ln a 2
cos 45◦ = sin 45◦ =
2
sin x cos x

cos x − sin x
1 Integrálás
tgx
cos 2 x
xα+1 1
Z Z
1 xα dx = +C α , −1 dx = ln |x | + C
ctgx − α+1 x
sin 2 x
ax
Z Z
1 ex dx = ex + C ax dx = +C
arcsin x √ ln a
1 − x2 Z Z
1 sin x dx = − cosx + C cos x dx = sin x + C
arccosx −√
1 − x2 Z
1
Z
1
1 dx = − ctg x + C dx = tg x + C
arctg x sin2 x cos2 x
1 + x2
1 1
Z Z
1 √ dx = arcsin x + C dx = arctg x + C
arcctg x − 1 − x2 1 + x2
1 + x2 Z Z
sh x dx = ch x + C ch x dx = sh x + C
sh x ch x
1 1
Z Z
ch x sh x dx = − cth x + C dx = th x + C
sh2 x ch2 x
1 Z
1
Z
1
th x √ dx = arsh x + C √ dx = arch x + C
ch2 x 2
x +1 2
x −1
1
 
1 1  1 + x 
Z
cth x − 2 dx = ln +C
sh x 1 − x2 2 1 − x
1 Z Z
arsh x √ c · f (x) dx = c · f (x) dx
1 + x2
1
Z Z Z
arch x √ ( f (x) ± g(x)) dx = f (x) dx ± g(x) dx
x2 − 1
Z Z
1
arth x |x| < 1 u′ (x) · v(x) dx = u(x) · v(x) − u(x) · v′ (x) dx
1 − x2
1 F(ax + b)
Z
arcth x |x| > 1 f (ax + b) dx = +C a,0
1 − x2 a
(c · f (x))′ = c · f ′ (x) ( f (x))α+1
Z
( f (x))α · f ′ (x) dx = +C α , −1
α+1
′
( f (x) ± g(x)) = f ′ (x) ± g′ (x)
f ′ (x)
Z
dx = ln | f (x)| + C
f (x)
( f (x) · g(x))′ = f ′ (x) · g(x) + f (x) · g′(x) Z
′ f (g(x)) · g′ (x) dx = F (g(x)) + C
f ′ (x) · g (x) − f (x) · g′ (x)

f (x)
=
g (x) (g (x))2 Zb Zb q
′
( f (g (x))) = f ′ (g (x)) · g′ (x) V =π f 2 (x) dx s= 1 + ( f ′ (x))2 dx
a a
 Matematikai statisztika
Laplace-transzformáció
Empirikus várható érték (mintaközép)
ξ1 + ξ2 + . . . + ξ n
f(t) f(s) ξ=
n 
1   σ
eat M ξ =m D ξ = √
s−a n
c
c Empirikus szórásnégyzet
s n  2
a ∑ ξi − ξ
sin at
s2 + a2 Sn2 = i=1
n
s
cos at n−1 2
s2 + a2 M Sn2 = σ


n
a
sh at Korrigált empirikus szórásnégyzet
s − a2
2
n  2
s
ch at ∑ ξi − ξ
s − a2
2
Sn∗ 2 =
i=1

n! n−1
tn M Sn = σ2
∗ 2


sn+1
eat · f (t) f (s − a) Konfidenciaintervallum normális eloszlás várható értékére
((1 − ε) szintű)
t n · f (t) (−1)n · f (n) (s) i σ σ h
ξ − uε √ , ξ + uε √ ahol
f ′ (t) s · f (s) − f (0) n n
!
y′ s · y − y(0) ξ−m √
P −uε < n < uε = 2Φ(uε ) − 1 = 1 − ε
f ′′ (t) s2 · f (s) − s · f (0) − f ′(0) σ
y ′′ s2 · y − s · y(0) − y′(0) u-próba valószínűségi változója
f (t − a) e−sa · f (s) ξ−m √
u= n
σ
t-próba valószínűségi változója
ξ−m √
t= n
Sn∗
Valószínűségszámítás

n
k n−k
Binomiális eloszlás: P (ξ=k) = k · p · (1 − p) k = 0, 1, 2, ..., n

s
N−s

k · n−k
Hipergeometrikus eloszlás: P (ξ=k) = N

k = 0, 1, 2, ..., n
n

λk −λ
Poisson-eloszlás: P (ξ=k) = ·e k = 0, 1, 2, ...
k!

1
ha a<x<b


Egyenletes eloszlás: f (x) = b−a

 0 egyébként

λ · e−λx
(
ha 0<x
Exponenciális eloszlás: f (x) =
0 egyébként

(x − m)2
1 −
Normális eloszlás: f (x) = √ ·e 2σ2 x∈R
σ · 2π
 2
M (ξ) = ∑ xi pi D 2 (ξ) = ∑ x2i pi − ∑ xi p i
i i i
R∞ R∞ R∞
 2
M (ξ) = x · f (x) dx D 2 (ξ) = x2 · f (x) dx − x · f (x) dx
−∞ −∞ −∞