P. 1
Csernyák - Valószínűségszámítás

Csernyák - Valószínűségszámítás

|Views: 89|Likes:
Published by Lovászi Péter
Az oktatási feltételek megváltozása miatt újra át kellett gondolni, melyek azok az ismeretek, amelyek a képzési cél eléréséhez feltétlenül szükségesek, és a rendelkezésre álló idön belül megfelelö mélységig oktathatók. Ezeket a könyv azon részei tartalmazzák, amelyeket sem a csillag jelzéssel, sem apró betüs szedéssel nem különböztettünk meg. Az apró betüvel szedett, illetve csillaggal jelölt részek ajánlott ismereteket tárgyalnak. A könyvet úgy szerkesztettük, hogy a jelzés nélküli részek apró betüs, illetve csillaggal jelölt részekre ne hivatkozzanak. A megértést példákkal, ábrákkal igyekeztünk elősegíteni, így a könyv reményeink szerint önálló tanulásra is alkalmas, és a nappali tagozatos hallgatókon kívül
a levelezö- és távoktatásban részt vevö hallgatók is eredményesen használhatják.
Az oktatási feltételek megváltozása miatt újra át kellett gondolni, melyek azok az ismeretek, amelyek a képzési cél eléréséhez feltétlenül szükségesek, és a rendelkezésre álló idön belül megfelelö mélységig oktathatók. Ezeket a könyv azon részei tartalmazzák, amelyeket sem a csillag jelzéssel, sem apró betüs szedéssel nem különböztettünk meg. Az apró betüvel szedett, illetve csillaggal jelölt részek ajánlott ismereteket tárgyalnak. A könyvet úgy szerkesztettük, hogy a jelzés nélküli részek apró betüs, illetve csillaggal jelölt részekre ne hivatkozzanak. A megértést példákkal, ábrákkal igyekeztünk elősegíteni, így a könyv reményeink szerint önálló tanulásra is alkalmas, és a nappali tagozatos hallgatókon kívül
a levelezö- és távoktatásban részt vevö hallgatók is eredményesen használhatják.

More info:

Published by: Lovászi Péter on Oct 26, 2013
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

05/12/2014

pdf

text

original

TARTALOM

Bevezetés ............................................................................................................ .
7
9
l. KOMBINATORIKA ............................................................................................ II
1.1. Pel1TIutáció ... ............. ........................ ................ ..................................... II
1 Variáció .................................................................................................. 17
1.3. Kombináció ............................................................................................ 20
Binomiális tétel........ ................... ........ ....... ........................ .... ................ 26
A binomiális tulajdonsága ..................................... 29
2. ESEMÉNYALGEBRA .......................................................................................... 32
2.1. Alapfogalmak ......................................................................................... 33
2.2. ű eseményekkel ..... ............................... .......... ......................... 39
2.3. Teljes eseményrendszer, összetett ....................................... 46
3. A ELEMEI............................................................... 50
3.1. A ű fogalma ......................................................................... 50
3.2. A ű ............................................................. 53
Klasszikus .............. ........ ..... ................. ...... ............ 58
3.4. Feltételes szabály............................................... 66
teljes tétele, a Bayes-tétel, fa ..... ............ 70
csemenyeK ..................................................................... . 74
3.7. Bemoulli-ldsérletsorozat ...................................................................... ..
3.8. valószíniíség ........................................................................ 83
3.9. Szubjektív valószíniíség ......................................................................... 84
4. VÁLTOZÓ ........ , ................................................... , ................. 93
4.1. A ű fogalma ...... ............................... ...... ....... ......... 93
4.2. Az eloszlásfüggvény tulajdonságai ...... .............................. ................ 97
4.3. A ű ű tulajdonságai ...................................................... 103
e 4.4. A ű változó néhány ő ........................................... 109
1 :V árható érték ............... .......... .................................................... ............. 113
Szórás ..................................................................................................... 120
5
5. TÖBBDIMENZiós ELOSZLÁSOK ..................................................... .
5.1. Együttes eloszlás, peremeloszlások ....................................................... 122
5.2. Együttes eloszlásfüggvény ..................................................................... 128
5.3. Kovariancia korrelációs együttható ................................................... 133
5.4. ű változók függetlensége ................................................... 138
5.5. Feltételes várható érték, ......... 141
6. TÖBBDIMENZIÓS FOLYTONOS ELOSZLÁSOK* ................................................. 149
6.1. Együttes ű ű ..................................................................... 149
6.2. Várható érték, korrelációs együttható .................................................... 156
ű változók fúggetlensége ................................................... 159
6.4. Feltételes ű ű függvény ................................ 161
7. Ű ........................................................................... 163
7.1. Karakterisztikus ........................................................................ 164
7.2. Binomiális eloszlás ................................................................................ 165
7.3. Hipergeometriai eloszlás ........................................................................ 168
7.4. Poisson-eloszlás ..................................................................................... 171
7.5. Geometriai eloszlás ................................................................................ 177
7.6. eloszlás ................................................................................ 180
7.7. Exponenciális ........................................................................... 183
8. NORMÁLIS ELOSZLÁS, NORMÁLlSSÓL SZÁRMAZTA TOIT ELOSZLÁSOK ....... 188
Normális eloszlás ................................................................................... I
A centrális határeloszlás-tétel ................................................................ 193
8.3. Normálisból származtatott .................................................... 196
8.4. Kétváltozós normális eloszlás* .............................................................. 200
9. BECSLÓ FORMULÁK ........................................................................................ 203
. 9.1. Markov- és ő ..................................................... 203
9.2. A nagy számok törvénye ........................................................................ 208
TÁRGYMUTATÓ .................................................................................................... 214
6
Ő
Az oktatási feltételek megváltozása miatt (dra át kellett gondolni, melyek az
o_,"rp·t""lc amelyek a képzési cél eléréséhez feltétlenül szükségesek, és a rendelke-
álló ő belül ő mélységig oktathatók. Ezeket a könyv azon
tartalmazzák, amelyeket sem a csíllag jelzéssel, sem ápró ű nem kü-
lönböztettünk meg. Az apró ű szedett, csillaggal jelölt ajánlott
tárgyalnak. A könyvet úgy szerkesztettük, hogya részek
apró ű ílletve csíl1aggal jelölt részekre ne hivatkozzanak.
A példákkal, ábrákkal igyekeztünk ő így a könyv remé-
szerint önálló tanulásra is alkalmas, és a nappali tagozatos hallgatókon kívül
a levelezö- és távoktatásban részt ő hallgatók is eredményesen használhatják.
Végezetül a ő nevében is köszönetet mondok a Budapesti Gazdasági
ő Módszertani Intézeti Tanszék vezetésének és munkatársainak munkánk
<nl<"""",,1r köszönet illeti a lektorokat és dr. Ernyes Éva egyetemi
adjunktust a kézirat alapos átnézéséért és hasznos tanácsaikért.
Eredményes mtmkát kivánunk!
Budapest, 2007. január
Dr, Csernyák László
7
BEVEZETÉS
A ű ű az a tudomány, amely a véletlen
jelenségekkel foglalkozik. az utóbbi elnevezés honosodott
meg. A ű feladata a összefúggéseinek, tör-
ű ő kapcsolatok elemzése, azzal a céllal,
hogy a gyakorlati megoldásában tudatosan és
hasznosítani
A ű probléma Lucas dal Borgo
IO'<;;;W';'OUC;U nyomtatott könyvében található. Az divatos
tél«()l<l<al kapcsolatban vetette fel a ő azt a kérdést, hogyan a játé-
a akkor, ha a játékot félbehagyjálc elején a világ-
tengereken is megindult a hajózás, egyre inkább a kockázat kérdése.
A 16. és 17. században igen széles a szerencsejátékok, ezért nem
véletlen, hogy ő éppen a kockajátékokkal kapcsolatban merültek fel olyan
problémák, meggondolásokat tett szük-
ségessé. Így (1623-1662) francia matematikus figyeimét
a problémák felé egy híres szerencsejátékosnak, la
lovagnak egy fordította. A szenvedélyes IWI;)I<anáték()s
állította, hogya sz.erencsejátékok néhányszor a matematikai ---'--'.1
mondó eredményekhez vezetnek. ő a problémafelvetés ő
egy matematikus, Fermat (1601-1665),
francia nemes sejtését.
ő egy másik nagy Bernoulli (1654-1705) "Ars
conjectandi" ("A sejtés munkájában ő történt
utalás arra, hogy az új elmélet ő fontosságú a tömegjelenségek
vizsgálatában. Bernoulli unokaöccsei sikerrel alkalmazták a ű
fJv,nu,""" tudományokban, a dernográfiában, a gázok kinetikus a
!CP':71ftl feladatokban.
",,,,., ... rr.cp,, hozzájárultak még a ű
Moivre (1667-1754), Laplace (1
ű analitikai elmélete" ű munkájában
rolja fel a ű IméI et alaptételeit.
Ez utóbbi "A való-
megalapozottsággal so-
9
A 19. század nagy matematíkusai
1912), Csebisev (1821-1894), Markov (l
(1777-1885), Poincaré (1854-
Ljapunov (1857-1918) nevét
említjük meg.
A múlt század ő harmadában a klasszikus módszerei
nem voltak elégségesek a valóságot új új oldalról
tudományok kielégítésére. Kolmogorov 1933-ban
címü müvében a ű
ő kiindulva a valószínüségszámítást teljes matematikai szigorúsággal néhány
axiómára a magyar Jordán Károly, a
az orosz Bemstein is hasonló irányban munkálkodtak. Ezzel
a ű kapcsolatos több évtizedes vita nyugvó-
pontra jutott, s a matematil<ának ez a mind elméleti, mind gyakorlati
vonatkozásban rohamos ő indult.
az elmélet napjainkban is nagy ő megy majdnem kivétel
nélkül alkalmazható az összes tevékenységi területen. A valószínííségszámítás
10
kérdés:elcien, valamint közgazdasági, ipari, biológiai,
magyar kutatók ő eredményeket
)
1. KOlVmINATORIKA
A ű klasszikus felfogása
a kombinatorikára és az eseményalgebrára.
kombinatorika, mellyel játékos formában már mindannyian kora gye:rmleklmn
ban is találkoztunk.
Azt, hogy a ... " .. v",,,,,)' is felhasználja a kombinatorika elméletét
a természettudományos és ű szakirodalom
ge, nagy száma,
Ebben a fejezetben azokkal a ismert kombinatorikai fogalmak-
kaI tételekkel foglalkozunk, melyek a valószínüségszámítási felada-
tok megoldásához hasznos segítséget nyújtanak.
Kissé de lényegét tekintve szerint a kombinato-
halmazok elmélete. Ez nem jelenti azt, a kombinatorika minden,
UU'CU"U'<vÁ'-''''''' kapcsolatos matematikai problémával 'V/,;"""-V,-",,,
kérdéseket Ezek közül tankönyvünkben
adatra szorítkozunk, megvizsgáljuk:
> Hányféleképpen lehet egy
> Hányféleképpen lehet egy
kiválasztani.
kitérünk a fentíproblémák
köztí összefliggések feltárására és néhány,
bizonyos számú
kapott eredményeink
all<alnaaz:aSl területére is.
1.1. Permutáció
A permutáció röviden adott számú elem
mindegyike ő vagy
vagy ismétléses permutációról beszélilnl<.
rendezését jelenti. Aszerint, hogy az
egyformák ismétlés nélküli
II
NÉLKÜLI PERMUTÁCIÓ
A könnyebb tTIP'm'll·tp< kedvéért a ő
1.1. Példa.
Egy beosztott bizonyos kérdés eldöntésére háromféle dolgozott
ki. Minthogy szerinte mindegyik javaslat ő nehezen dönti
sorrendben ismertesse azokat ő és kollégáival a munkaérte-
Hányféle alaldthat a munkatárs a prezentáción?
MEGOLDÁS. Jelöljük a ő javaslatokat A, B, C-vel! Már csak az a kér-
dés, hányféle sorrendje Írható fel a ű
Az ő helyre háromféleképpen választhatunk Ha ezt beírtuk, a má-
sodik kétféleképpen választhatunk. Mível bármely ő V<Hd:>Z,Ld:>JllUZ,
bármelyik második választás tartozhat, ez 3·2 eset. A maradék helyre csak a
maradék ű tehetjük, így a sorrendek száma: 3· 2· l = 6. Ha A-t választunk
B-t akkor ABC a ha C -t ak-
ACB. Hasonló a helyzet, ha B, illetve C az ő A hat
ABC
ACB
BAC CAB
CBA
Természetesen nem kell feltétlen ragaszkodnunk ehhez a szisztémához, lénye-
ges azonban, hogy ne veszítsünk el egyetlen sorrendet sem.
..U.'J""'" a ő összeszámlálását ún, fával (lJ ábra), ún.
modellel
I 2. hely 3. hely sorrend
1./, ábra
Megjegyzés:
A kombinatorikai feladatok sok esetben használható két alat>vcl'ö szabály,
ű megismerni, ezek: az összegzési és a szorzási szabály.
Kissé ű közöljük ezeket.
12
Összegzési szabály
Ha egy A objektumot m.félcképpen lehel kiválasztani, egy másik, B objektumot pedig
/l-féleképpen, a vagy A, vagy B kiválasztás m + n-féleképpen lehetséges.
Ahhoz, a fenti összegzés i szabályt sikeresen alkalmazhassuk, meg kell ű hogy az
A objektum kiválasztása se essék egybe a B valamelyik kiválasztásával.
szabály
Ha az A objektumot
tumol n-féleképpen lehet
választhat juk ki.
lehet kiválasztani, és bárhogyan választ juk is ki A-t, a B ob jek-
akkor az (A, BJ párt a megadott sorrendben III' n-féleképpen
Tennészetesen ő hogy nem rendezet1 párokat, hanem rendezett n-eseket, vagyis több
ő álló elemkombinációkat kell elöállítanunk. Ezeket a feladatokat ugyanezzel a módszerrel
oldjuk meg.
DEFINÍCIÓ. Adott n ő elem. Az elemek egy meghatározott sorrendjét az
adott n ismétlés nélküli permutáció jának és számu-
kat a P" szimbólummal jelöljük,
Ll. n ő elem összes lehetséges sorrendjének (permutációinak)
P" n·(n-l)·(n 2)· ... ·I=nl (olv:nfaktoriális).
Bizonyítás. A bizonyítást az példa megoldásánál felhasznált vé-
gezzük el.
Az összes lehetséges tekintsük az egyes helyek ki-
töltésének ő Az helyen álló elem kiválasztására n ő
van, a másodikra n -l ő a harmadikra n 2 ő .. , az utolsó
helyen álló elem már csak egy ő marad ábra).
J.


Il-féleképpen
2, n.
I ).féleképpen l-féieképpen
1.2. ábra
az II elem összes lehetslége:s permumcióinak
P" =n·(n 1)·(n-2)· ... ·1 n!
1.2. Példa.
Egy ő 5 fiú
Hányféleképpen ülhetnek le, ha
5 lány vett
lány és két
mellé szóló
13
MEGOLDÁS. A lehetséges elhelyezkedés vagy fl f l f l f l fl, vagyis fiú ül az
ő helyen, vagy l f l f l f Ifi vagyis lánnyal ő az ültetés. Minden
fíú-ülésrendhez 5!-féle lány-ülésrend tartozik, és a fiúkat is 5!-féleképpen ren-
dezheljük sorba. A ő száma: 2· 5!·51= 28800.
Az alábbi példabelihez hasonló problémák gazdasági környezetben is l!VclKnm
ő emiatt érdemes megismerkedni az ciklikus permutációval.
az a ő hogy a permutált elemeknek egymáshoz viszonyított
tére vagyunk tekintettel, két sorba csak akkor mondhatunk külon-
ő ha forgatással nem ő át egymásba.
1.3. Példa.
Hét kislány járja a körtáncot. Hányféleképpen állhatnak körbe?
MEGOLDÁS. A tánc ki kell alakítani a kört Álljon fel a táncot tanító
táncos", és hívjon maga mellé Erre 6 ő van. Ezután a
dik táncos mellé hív újabb lányt, ekkor 5 személy közü! választhat, és
tovább, amíg az utolsó kislány megfogja a ő szabad kezét, kialakul
a kör. A ő száma: 6·5·4·3·2·1 6!
'\
Általánosan, II elem ciklikus permutációinak száma: P"-l (n l)!
A ciklikus permutációval kapcsolatos szokásos feladattípus a kör alakú asztal
ültetés problémája is, melynek során a ciklikus permutáció csak azzal a meg-
kötéssel használható, hogy az ő azonos adottságokkal rendelkeznek, csak a
személyek szomszédsági viszonyai fontosak
PERMUTÁCIÓ
Az ismét1éses permutáció abban különbözik az ismétlés ő hogy a sorba
ő elemek vannak egyformák (azonosak)
14
1.4. Példa.
Egy négyfós hallgatói csoport tanári ő kétféle feladatsort kapott,
pedig egyvalaki A, hárman B változatot. Hányféle kiosztásí ő van?
MEGOLDÁS. A kíosztások: ABBB, BABB, BBAB, BBBA, összesen
4-féle. sokkal kevesebb mintha ő változa-
tot Íma. a permutáció közti kapcsolatot meghatározhassuk, kiindu-
lásként különböztessük meg a B ű feladatsorokat indexekkel: B
l
, B
2
, BJ'
Így, az ő hallgató kapja az A ű feladatsort, a többiek között 3! = 6-
elekélJPtm osztható szét a három B jeW, index szel megkülönböztetett változat.
Ismétléses
ABBB BABB BBAB BBBA
pennutációk
ABlB2B3 BIABzB3 BIBzAB3 BIB2B:0
BI AB3BZ BIB:0B2 BIB3BZA
Ismétlés
ABzBI B3 B2ABIB) B2BlAB3 B2BIB:0
nélküli
pennutációk
AB2B3Bl BzAB3Bl B2B:0BI BZB3BIA
B3AB1Bz
AB3B1Bl B3ABzBl
Ha a második hallgató írja az A változatot, ugyanúgy 3! -féle B kiosztási
ő társul hozzá, és így tovább a harmadik és negyedik hallgató eSf;tétlen
Megállapítható tehát, bármelyikük is kapja az A ű feladatsort, a hozzá
kapcsolódó B 6. Tehát eklwr, ismétlés nélküli permu-
táció 4·3!= 4! lenne a megoldás. Ezek az esetek azonban a valóságban
nem adnak új megoldásokat.
az ismétlés permutációk száma annyiszorosa az ismétléses
permutációk számának, ahányféleképpen sorba rendezhet jük egymáshoz képest
az azonos tulajdonságú, a példában csak indexszel megkülönböztetett elemeket.
Ebben a feladatban az ismétléses permutációk hatodrésze az ismétlés
küli permutációk számának
DEFINÍCIÓ. Adott n elem, melyek között r (r:S; n) ő található, al'
Ha az al elem kl -szer, az a
2
elem -ször,... az elem
k, -szer fordul ő és kl + k
z
+ ... + kr = n, akkor az n elem egy
lehetséges sorrendjét ezen elemek ismétléses permutációjóllak ne-
A permutációk számát a p(k"kz ... ·,k,)
II
jelöljük
1.2.
Rögzített n, r és kl'
száma:
n!
'" k, esetén az ismétléses permutációk
15
Bizonyítás. Kövessük az 1.4. példában látott módszert.
A tétel igazolásához az n elem egy permutációjában az ő ő
(azonos) elemeket egymástól megkülönböztetjük (pl. hogy indexekkellátjuk el
ő A k, -szer ő ő elem ez esetben k,! ő permutációt, a k
2
-ször
ő ő ő pemmtációt jelent; a gondolatmenetet folytatva
látjuk, hogy egy ismétléses permutációból kl !k
2
! ' .... k,! ő ő álló
permutáció ő Ha az lsmét1éses permutációk p,,(k,.k, •• k.) , aldeor az
ismertetett elj árá st mindegyikére alkalmazva kl !k
2
! ' .... k r! p',t
k
,. k, •.• k,J ismétlés
nélküli permutációt kapunk, amely nl -sal Képletben
k
II,. I. . 'r Ip(k,.k, ..... kr ) nl.
],1\..2' ... I'"r' íJ
ő az 1.2. felírt ő
Megjegyzés:
Általában a probléma ,.,.,,,.otr,,..,,, mazáE;áb,ól következtetünk arra, nélküli
vagy ísmétIéses a megoldásban. egy példát erre!
16
egyik polcán öt ő méretü pulóver van összehajtva
közülük ő lila, három rózsaszín.
Hányféle sOlTend alakítható ki köztük, ha a ő eltekinrunk, csak a puló-
verek fontos?
Hányféle sorrend alakítható ki ha egymáshoz képesti elhelyezkedé-
sükben a is tekintettel vagyunk?
MEGOLDÁS.
Míg az ő megválaszolásához az ismétléses, a másodikéhoz az ismétlés
nélküli permutáció segít hozzá. Ha a elteldntünk, akkor a színösszeállí-
tások lehetséges számát ismétléses permutációvaj határozhatjuk meg, vagyis a
sorba rendezés ő száma:
== 5! ==10.
3!·2!
Ha a méret is fontos, akkor az öt ő tárgy
számát keressük, amely 51= 120.
ő
1 Variáció
A variáció ű megfogalmazásban ő közül adott
elem kiválasztását azzal a feltétellel, a sorrendje
sem közömbös. Ahogyapermutációknál, itt is beszélhetünk ismétIéses és ismétlés
nélküli variációkról, attól fiiggöen, megengedjük-e egy többszöri
ISMÉTLÉS NÉLKÜLI VARJÁCIÓ
Tekintsünk ismét ő egy példát!
1.6. Példa.
A cég eddig kiváló teljesítményt nyújtott dolgozója között ő
hétvégi sorsolnak ki. Mindenki legfeljebb jutalomban részesül.
Hányféleképpen ő a sorsolás?
MEGOLDÁS. A megoldáshoz felhasználhatjuk a permutációknál már megismert
modelleket.
'c'1\.l1:iLlJI az ő utazásra sorsolunk ki valaldt, ennek ő van.
Ezután kisorsoljuk a majd a harmadik utazás nyertesét (1.3. ábra).
Mivel ezeket nem nyerheti meg ugyanaz a már csak 5, illetve 4 esé-
lyes maradt. A ő száma összesen: 6·5·4 120.
I. 2. 3.
L.....J
r
6-féleképpen 5-féleképpen
1.3. ábra
DEFINÍCiÓ. Adott n ő elem. adott n közül k (O < k s n)
úgy választunk ki, hogy mindegyik csak egyszer kerii! sorra, és a kivá-
sorrendje is számít, akkor az II egy k-adosztályú ismét-
lés nélküli variáció ját kapjuk.
Az n elem
bólum jelöli.
k-adosztályú ismétlés variációinak számát a V
k
szim-
"
Az példa megoldása 6·5 . 4) általánosítható, tétel
ban fogalmazunk meg.
1.3. Adott n elem összes k-adosztályú ismétlés nélküli variációinak száma:
v"k =n' (n -1) ·(n -2)· ... · (n Ic + l).
Más alakban: V
k
"
n!
(n - Ic)!
Bizonyítás. Ha n elem közü! k darabot választunk ki úgy, hogy a kiválasztás
sorrendjére is tekintettel vagyunk, akkor az ő ő a másodiKat (n ő
a harmadikat (n - ő az utolsót n - (k l) = n k + 1 Ő választhat juk.
Ez összesen: V,,' = n· (n -1)· (n - 2)· .... (n - k + 1) ő jelent.
t>n,n,pn belátható, hogya variációk számának lCetltele ekvivalens.
Megjegyzés:
n = k, az n elem k-adosztályú nélküli variácíóínak megegye-
zik az n nélküli permutáció Ín ak számávaL
Ahhoz, a variációk számának tört alakú kiszámítási módja ő
legyen, "",",1\."',",)',';;:) a O!= 1 definiálása.
18
1.7. Példa.
Egy dobozban 10 cédula van, O, l, 2, 3, 5, 6, 7, 8, 9 számjegyekkel
megjelölve. Egymás után négy cédulát húzunk ki, úgy, hogy a kihúzott cédulát
a húzás nem tesszük vissza. A kihúzott cédulákon ő számjegyeket a hú-
sorrendjében újuk egymás mellé. Hány esetben kapunk:
a)
b) lO-zel osztható ű számot?
MEGOLDÁS.
a) Ha a végeredmény ű páratlan szám, akkor utolsó helyen az l, 3, 5,
7, 9 valamelyike állhat, azaz az utolsó helyet 5-féleképpen tölthetjük ld.
Marad 9 Az helyen a O-t ldvéve minden megmaradt
szerepelhet, ez 8 ő ad. A második helyen, mivel két
számot ő ő e1használtunk, 8-féle, a harmadik helyen számjegy
szerepelhet. Az összes száma:
5·8·8·7 2240.
b) Ha a ű szám IQ-zel osztható, ez azt jelenti, hogy O-ra ő
azaz az ő három hely kitöltésére annyi ő van, ahányféleképpen a
9 ő hármat ki tudunk választani, a sorrendet is tekintetbe véve:
V
g
3
=
VARIÁcró
Fogalmazzuk át az 1.6. példát!
1.8. Példa.
A hat, eddig kiváló teljesítményt nyújtott dolgozója között három, különbö-
ő hétvégi utazást sorsolnak Hányféleképpen ő a sorsolás, ha nem
zárjuk hogy több utazást is nyerhet?
MEGOLDÁS. ő az ő utazásra sorsolunk Ici valalcit, 6-féle ő
sége van. Ezután kisorsoljuk a második utazás nyertesét. Mivel ezt ugyanaz a
személy is megnyerheti, újra 6 esélyes maradt. Majd ugyanígy a harmadiknál.
A száma összesen: 6-6·6=216.
DEFINÍCIÓ.
n ő elem. Ha az adott n elem közül Ic elemet úgy
valasztunlc la, egy elem többször is sorra kerülhet, és a kiválasz-
sorrendje is akkor az n elem egy k-adosztályú ismétléses
variáció ját kapjuk.
Az n elem k-adosztályú ismétléses variációinak számát a v"k
Ul
szimbólummal
löljük.
1.4. TÉTEL. Adott 11 elem összes k-adosztályú ismétléses vaI"ia,cióimlk száma:
Vk(i) = nk
" .
Bizonyítás. n közül k darabot választunk ki úgy, a Iciválasztás
sorrendjére is telcintettel vagyunk, akkor az ő ő a másodikat szintén n-
ő a harmadikat is és az utolsót, a k-adikat is n ő választ juk. Ez
összesen nk ő jelent.
19
1 Kombináció
\
A kombináció ő elemek közül adott számú elem kiválasztását jelenti,
azzal a feltétellel, hogya kiválasztás sorrendje közömbös. Ebben az esetben is
beszélhetünk ismétléses és ismétlés nélküli kombinációkról, attól ő me:ge11-
gedjük-e egy elem többszöri kiválasztását.
ISMÉTLÉS NÉLKÜLI KOMBINÁCIÓ
Változtas suk meg kissé az 1.6.
példa feltételeit, és vizsgáljuk így a
sorsolás ő "",.llW'"
20
1.9. Példa.
A hat, eddig kiváló teljesítményt nyújtott dolgozója között három, azonos
hétvégi utazást sorsolnak ki. Mindenki legfeljebb jutalomban részesül
Hányféleképpen ő a sorsolás?
I. MEGOLDÁS.
Az új abban különbözik az 1.6. példától, hogy lényegtelen, kit
útra sorsolnak vagyis ő másodikként vagy harmadikként nyer,
az a fontos, hogy legyen a három között. Jelöljük
most a kiválasztási ő számát -mal! Ha az utazások
akkor a három nyertes megadása egy esetet jelent. Ha most ő
nénk az utazásokat, akkor ő az ő 3!:= 6 esetet csinál-
ni, hiszen ennyiféleképpen ű az utazásokat köztük. De a
variációk számát kapjuk, ezért
ő
20.
C
l V
3
6' .-. 6"
3! 3!3!
II. MEGOLDÁS.
A hat kiváló dolgozó: András, Béla, Dóra, Emma Feri hárman
nyerhetik meg az utazást. Jelöljük a nevük + ő ha nyertek,
ő ha nem nyerteIc. Minden ő tartozik egy
jelsorozat, megfordítva. hány ő rendezett, + és ő
ő álló hatos sort lehet képezni?
András Béla Cili Dóra Emma Feri
L + + + - - -
2. + +
_ ...
+ -
f
3. + + - - -
4. + + - - - +
5. + - + + - -
6. +
==±±=1
- + -
7. + - +
8. T - - + +
9. + - - + - +
10. + - - - + +
IL - + + + - -
12. - + +
-
+ -
13. - + + +
14. + - + +
15. - + - + +
-
16. - + - + +
17. - - + + + -
18. - - + + - +
19. - - + - + +
20. - - - + + +
Amint látjuk, nincs másról szó, mint aITól, hogy három + jelet három
let hányféle sorrendben felími. A lehetséges sorrendek 1iL.<l1lli1.
6!
3! 3!
:
:
Megjegyzés:
Az ötös LOTIÓ húzásának aktusát megfigyelve szintén ezt láthatjuk. Noha az öt
szerencseszámot egymás után választják ki, a nyeremény t csak az meg,
hány, általunk megjátszott szám van az öt között, a sorrend j ő
számítana a sorrend, az 5 számot 5!-féleképpen rendezhetnénk, de ez már
90 elem 5-ödosztályú nélküli variációja lenne. Ezért a húzás ő
nek := C;o'
5!
DEFINÍCIÓ. Adott n ő elem. Ha az adott n elem k elemet
(O < k :s; n) úgy választunk ki, hogy mindegyik csak egyszer kerül sor-
ra, és a kiválasztás sorrendje nem számit, akkor az n egy
adosztályú ismétlés nélkiili kombinációját kapjuk.
21
Az n elem k-adosztályú ismétlés nélküli kombinációinak számát a
jelöli.
szimbólum
1.5. Adott fl elem összes k-adosztályú ismétlés nélküli kombinációinak
száma:
n!
k!·(n - k)!
A szokás az szimbólummal is jelölni (olvasd: n alatt a k).
Bizonyítás. A bizonyítást a mintafeladat megoldásához használt mindkét módon
elvégezhetjük.
L fel az n egymás közül válasszunk ki k min-
lehetséges módon. Egy-egy kiválasztási szemléltetheWnk
hogy a kiválasztott alá a nem kiválasztottak alá - jelet
elemet két oszguk, k elem 11 Ic elem
kap, hogy az adott elemet vagy sem. a + és
leket lehetséges módon elhelyezzük (pennutáljuk), majd az azonos sor-
ban álló + feletti egy-egy ű akkor meg-
kapjuk n összes ismétlés kombinációit.
Hány ő k darab + n - Ic darab ő ő álló sorozatot tu-
dunk feJími? megegyezik a + jelek ismétléses pem1Utációinak
amelyekben a + jel a - jel (11 fordul ő
Az ismét1éses permutáció felhasználva:
n!
= p(k.n-k) = ___ _
n k!-(n-k)!
ll. A hogy az ismétlés nélküli variá-
22
ciónak kiválasztjuk a k db tekintetbe véve a sorrendet is.
Ezek száma annyiszorosa a keresett ő számának, ahányféleképpen a
kiválasztott sorba ő . k!= V,,' . Innen ű egyenlet-
rendezéssel kapjuk meg az általánosított feladat megoldását.
V
k
nl
Ck == _'_' :::: ___ _
" kl kl(n Ic)! k!
1.10. Példa.
Hányféleképpen oszthatjuk ki a 32 lapból álló magyar kártyacsomagot négy já-
tékos között,
a) ha mindenki 8 lapot kap?
b) Hányféleképpen történhet az mindenkinél van hetes?
a)
I. MEGOLDÁS. a játékosok Berci, Osszunk
ször Annának 8 lapot!
(
3
8
2J -tF' I '" VP"''''''''''' JVJV'WiJiJ"" ű meg. A
(
28
4
J
24 kártyából Berci -teleké:pp<:n kaphatja meg 8
Ciliét
már csak 16
f 16
j
'
választ juk l8 ' majd Dani ű a ,,,ala,,vl\.
8 lapot kapja. A ő száma:
32·31· ... 25 24·".·17 .... ·9 8· ... ·1
._-=
8! 8! 8! 8!
32! =9956.10
16

(8!)4 '
II. MEGOLDÁS. KözeIítsük meg a problémát úgy, egy keverés az
egyes kártyalapokhoz hozzárendeljük a négy játékos nevének ő ű
HV"..,VU'", nyolc-nyolc esetben. adjuk minden azt a lapot,
mellett az ö ő ű áll. A kérdés most az, ő sor-
van a nyolc nyolc B, nyolc C nyoJe ű
A megoldást 32 elem pennutációinak megha-
tározására,
A két megoldás
eredményt adja.
32!
----=
8!· 8J·8J-8!
modell felhasználásával ugyanazt az
b) Ha biztosan van mindenkinél egy-egy ezek 4!-féIeképpen lehetnek az
játékosok kezében. Minden egyes elhelyezkedéshez tartozik annyi
letlet()ség, ahányféIeképpen a négy ke:lbe:n ő összesen lap kiosztható.
28!
4!·----
7!·7!·7!·7!
Így az összes ő OL""",,-.
23
KOMBINÁCIÓ
Ismét kezdjük a tárgyalást egy könnyen ő mintapéldával!
1.11. Példa.
Cégünk karácsony megajándékozza személyesen is partnereit
ő a partner által ő közül kiválasztható reklám-
tárggyal. Az emblémás ajándéktárgyak a ő ő exkluzív toll,
széldzseki, iratmappa. Hányféleképpen állíthatja össze ajándékait az éppen cé-
giinknél tárgyaló partner, ha van alTa is, a két azonos
ha ez tetszik legjobban?
MEGOLDÁS.
A mintafeladat megoldásához ismét vegyünk fel egy táblázatot!
Töltsük ki a táblázatot úgy, hogy az egyes tárgyak alá annyi + jelet írjunk,
ahányat ő a beválasztott a és O-át elválasztásként a
tárgyak közé. Minden lehetségesjelsorozatban 2 + jel és 3 db O áll.
ő Toll Széldzseki Iratmappa
1. + + o o
2. + o + o
3. + O
4. +
Ha a táblázatot elkezdjük kitölteni, látjuk, hogy az öt tagból
álló jelsorozat mindegyikének egyértelmüen ő egy választás,
megfordítva. Számo lj uk össze, hány ő jelsorozat írható .
A megoldást az ismétléses permutáció segitségével könnyen megadhatjuk:
5!
=10.
21·3!
24
DEFINÍCiÓ. Adoti n ő elem. Ha adott n elem közül k elemet vá-
lasztunk ki, hogy egy elem többször is sorra kerülhet, és a kiválasztás
sorrendje nem számit, akkor az n elem egy k-adosztályú ismétléses
kombinációját kapjuk.
Az n elem k-adosztályu' ismétléses kombinácíóinak számát a Ck(i) szímbó-
"
lumma1
1.6. Adott n elem összes k-adosztályú ismétléses kombinációinak
Ck(i) = (n + k - Il .
" Ic)
Bizonyítás. A bizonyítást a míntafeladat megoldásához használt módon könnyen
végezheljük. A kiválasztási ő számláljuk össze a táblázat
A képzeletbeli táblázat oszlopaiban az n ő elem, illetve minden
elem között egy-egy elválasztó oszlop van. Minden elem alá annyi +
jelet, ahányszor kiválasztottuk az adott Válasszuk el egymástól az elemeket
O-val. Így egy-egy, k darab + ő és n -1 O-ból jelsorozathoz
jutunk. A kiválasztások és jelsorozatok kölcsönösen ő eg;rm:isnaK.
A kérdés ű arra a problémára, hány ő jelsorozatot tudunk
feIími.
száma megegyezik a + O jelek ismétléses permutációinak számával,
azaz:
p(k,n-l)
n+k-!
Sokszor ő
ő megválaszolni.
1.12. Példa.
k!(n -l)!
adott feladat megoldása helyett könnyebb az ,,1;;"<011"'''-
l<ockával dobunk. olyan dobássorozat ő el, melyben
legalább egyszer ő a hatos?
I. MEGOLDÁS. A fenti
nálunk.
megoldására ismét gondolatmenetet hasz-
ő közelítsük a problémát a ő tehát vagy
egyszer, vagy vagy háromszor, ... dobtunk hatost a dobássorozatban.
Ezek
25

18750 ;
/6\
2-szer hatos: I 1,5
4
=9375;
\2)
3-szor hatos:

2500;
4-szer hatos: =
5-ször hatos:
G}SI
30 ;
6-szor hatos:

L
Mivel ezek az események egyszerre nem fordulhatnak ő az egyes ő
összege adja a feladat a ő dobássorozatok száma össze-
sen: 31031.
II. MEGOLDÁS. összeszámláláslmkban vegyi.ik a
",""e,,"ux, meg, hány olyan dobássorozat van, "TY>,"IU'r\Pt"I
Vonjuk ki ezeket az eseteket az összes dol)assOl''Oz::t! lf;hetösege:me:Jc
megkapjuk a keresett
Az összes lehetséges dobássorozat száma: 6
6
46656.
"Rossz" dobássorozatok hatos): 56 = 15625 .
Vagyis a nekünk dobássorozatok száma:
1.4. Binomiális tétel
A kombinatorika eszközeivel ű módS2:ert nyerhetünk egy kéttagú kifejezés
(binom) n-edik hatványának polinommá alakítására. Ezt mutatja be a kö-
ő ún. binomiális tétel.
26
1.7. TÉTEL. ő kéttagú (binom) bármely nemnegativ ő ű
hatványa f)O,lln,umma ala/átható a ő módon:
Az í nj szimbólumot - a binomiális «;'L,;W,;U betöltött szerepe miatt - binomiá-
,J
lis együttható nak nevezzük.
Figyeljük meg, hogy az n + l tagból áll, az a és a b
összege minden n. Az a ő ő O-ig fogy, míg a b
n-ig növekszik az n alatti számmal.
tev,01 elt1eK az
.. ,/VV'''' O-tól
A binomiális 3 -ra alkalmazva, az aIgebráb61 már jól azo-
n == lesetén (a + b Y
n=2 esetén (a+b)2
n=3 (a+W
==a
l
+3a
2
b+3ab
2
+b
l

10\
A tétel n O eseténísigaz,hiszen (a+b)o I jaobo l.
\0
Bizonyítás, Az + b)" nem egy n-Tlf"n\;'p7r,;: szorzat, amelynek
minden ő (a + b), azaz
l 2. 11
(a+b)" (a+b)(a+b) ... (a+b), /1:2:2.
úgy, hogy minden ő ő egy-egy az
módon, az így nyert sz()rz,Hokat
esetén: (a + b)3 = (a + b)(a + b) (a + b).
mindhárom ő ő az a-t
(a + b) ő ő a-t, a harmadikból
a
3
-t kapjuk. Ha két
-t kapunk. Ezt azonban
27
háromféleképpen tehetjük meg, hiszen a b-t választhat juk az l., a 2. vagy a 3. té-
ő ő Így tehát 3a
2
b adódik.
Ha egy (a + b) ő ő választj uk az a-t, a másik ő ő a b-t, aklcor
ab
2
lesz a szorzat. És mivel ezt is háromféleképpen meg, 3ab
2
-et kapunk.
Végül, ha egyik Ca + b) ő ő sem választunk a-t, más szóval mindhá-
ramból a b-t szorozzuk össze, b
J
lesz a szorzat. Így
(a + b)3 = al + 3a
2
b + 3ab
2
+ b
J

I 2 fl
Hasonló módon járunk el (a + b)" = (a + b) (a + b) ... (a + b), n;?: 2 esetében is.
Ha mindegyik (a + b) ő ő az a-t szorozzuk össze, a" adódik.
Ha 71 -1 ő ő az a-t, ő a b-t szorozzuk össze, ali-lb lesz a szor-
zat. De mivel ilyen szorzatot n esetben kapunk, mert az n ő ő
választhat juk a b-t, tehát na"-lb lesz az eredmény.
Ha n-2 ő ő a-t, ő ő b-t vesszük, a"-
2
b
2
lesz a szorzat. Mivel
(n\
azonban a b-t l2 j -féleképpen választha1juk ki az n darab Ca + b) ő ő
összesen (; Ja
n
-
2
b lesz az eredmény.
Hasonló módon, ha n-3, n-4, ő választunk a-t, a többi
3,4, ... ő ő b-t, aldcor a,,-Jb\ a"-4b
4
, ... szorzatokhoz jutunk. Az
együtthatók pedig sorra (;], (: J ' ... lesznek, hiszen ennyiféleképpen választhat-
juk ki azokat az (a + b) ő amelyelmek a b tagja szerepel a szorzatban.
Végül, ha egyik ő ő sem választunk a-t, azaz ő b-t szor-
zunk össze, b" adódik.
Az így nyert szorzatok összege, felhasználva, hogy
és
a ő
és ezzel a tételt bebizonyítottuk.
28
1.13. Példa.
Fejtsük ki a binomiális tétel alapján az (X2 - 2i)5 hatvány t!
1.5. A binomiális együtthatók néhány tulajdonsága
A binomiális együtthatókat (fl = O, 1, 2, ... értékekre) az ún. Pascal-féle három-
szögben helyezhe1jük el.
n =0

n =1 [11 (li
0/ 1)
n=2
G) GJ
n=3
GJ GJ [:)
fl =4 (4J (4J (4\ (4J (4)
\0 \1 2) 3 \4
fl =5 (5) (5i (5) [5J í
5
) [5i
O \1) 2 3 \4 5)
Az n értékeknek ő beszélhetünk O-adik, ő második stb. sorról.
A szimbólumok helyébe azok konkrét értékét beirva a Pascal-háromszög:
29
1
l
1 2 l
3 3
4 6 4 l
l 5 10 10 5 l
A Pascal-háromszög képzési szabályára e néhány sorból is következtethetünk.
Minden sor ő és utolsó eleme l. Minden sorban a középre ele-
és bármely sorban az egymás mellett számok ő
az alattuk ő számmal. A binomiális együtthatókra tehát érvényesek a ő
tulajdonságok:
1.8. Bármely k, nEN és o '5, k '5, n eseténfennáll
a) aszimmetriatulajdonság
=Cn J,
b) az összegtulajdonság
(:)+(k
l
:1)
c)
Bizonyítás.
a) Az állítás helyei,ségel'Ö könnyen ő ő hiszen értelmezés ünk sze-
rint:
n! n!
== -:-----,,----
(n k)! k!(n-k)!
Mivel azonban a két csupán a ne\rez!"lbe:n ő sor-
rendjében el egymástól, így valóban á1lításunk.
b) Tudjuk,
(n) n!
I\k) - (n k)!kl (k+1)!
30
Összeadva a két törtet
n! n! _ nl(k + 1) + nl(n
k) ==
+
(n - k)!k! (n -k l)l(k + 1)1 (n k)!(k + 1)!
nl(n + l)
(n + 1\
==
k+l) (n k)!(k + 1)1 (n k)!(k + 1)1
c) Az állítás helyességét a binomiális tétel segítségéve! könnyen igazolhat juk.
Legyen a 1 és b 1, ekkor a binomiális tétel szerint
fnJ (n\ fnJ
(1+ 1)" =1 1"1
0
+1 ) 1"-11
1
+ ... +l
\ O ,l n
ahonnan
Megjegyzés:
a) A szimmetriatulajdonság állítása könnyen belátható algebrai átalakítás nélkül is,
ű gondolati úton. n elem közül ugyanannyi-féJeképpen lehet k darabot
kiválasztani, mint (n k)-t, minden egyes k ű részhalmaz kiválasz-
tásánál kiválasztódik az ott n - k elemlí is.
b) Az összegtulajdonság bizonyítását szintén elvégezhet ük gondolati úton
Az állítás jobb oldala átfogalmazható arra a kérdésre, hogy valamely n + 1
ű halmazból hányféleképpen k + l részhalmazt kiválasztani.
Tüntessük ki az II + I ű halmaz egy elemét, vizsgáljuk meg, bekerül-e
ez az elem a kiválasztottak közé?
eset van: a elem vagy beletartozik a k + 1 kiválasztott közé,
vagy nem.
Ha igen, a részhalmaz maradék k a ldindulási II eleme kö-
(
n I-fé,eképpen választhatjuk Ha a kitüntetett elem nincs a kiválasztottak
kj
között, a k + l elemet a kiindulási halmaz II eleme közül választj uk
( n I.féleképpen. A eseiszám a kizáróság miatt összeadódik. Vagyis
\.k+ l)

c) A. c) szabály bizonyításával azt is beláttuk, hogy bármely n elemü hal-
maznak 2" részhalmaza van, amibe beleszámoltuk az üres halmazt az alap-
halmazt
31
2. ESEMÉNYALGEBRA
Ha egy el ej Wnk, abban biztosak hogy, r,néghozzá
elejtés magasságától ő ű meghatarozhato Ido mulva, szmten
pontosan számítható sebességgel ér földet.
hogy mennyi lesz a "dobott szám", nem tudjuk ő ű meg-
mondani, úgy szoktunk ez a "véletlen ű Persze elkezdhetnénk
számolgatni, és a fizika felhasználva, feltételezve: hogy a
szabályos, a feltételek precíz után sok-sok munkaval kiszamol-
lenne az eredmény. Hétköznapi tapasztalatunkból kiindulva megállapíthatjuk,
hogy a feltételek megállapítása sokkal komolyabb nehézséget jelentene,
mindamellett számos további bizonytalanságot is rejtene, így sok más jelenséggel
együtt a kockadobást is véletlen jelenségnek tekintjük. Eddigi
összhangban, azt mondjuk, az l, 2, 3, 4, 5 és 6 számok közül mmdegylkre
azonos eséllyel számítunk.
A példából kiindulva tehát tisztán determiniszti-
kus a körülmények által ő ű meghatározott jelensé-
, Ezek a természettudományok által leírt, pl. klasszikus kémiai, rrilí-
tudományo kb 61 ő
Az másik csoporlja a köznyelv által véletlennek, a matematikában,
statisztikában snochasztikusnak nevezett jelenség. Ezeknek lefolyását teljes biz-
tonsággal nem tudjuk megállapítani, mivel az összes körülményt nem
ismeJjük, másrészt ezek ismeretében is túl apparátus segítségé-
vel állíthatnánk valamit a lefolyásról. Ebben az esetben arra törekszünk, hogy
megismerjük a lehetséges kimeneteleket, ezek ő ű
határozzuk meg. Elmondható tehát, hogy a véletlen jelenségeknek is oka van, de a
]elens:églet befolyásoló, lefolyását meghatározó összes feltéte1t, körülményt
nincs ő illetve esetleg nem is akaJjuk megismerni.
Az eseményalgebra a ű kapcsolatos véletlen
leírását, megértését teszi ő Ebben a fejezetben definiáljuk az
algebra legfontosabb fogalmait, megismerkedünk az
veletekkel és összefüggésekkel.
32
2.1. Alapfogalmak
A ő emlitett véletlen jelenségeken belül a ű olyan
véletlen jelenségek vizsgálatával foglalkozik, melyeket azonos ű között
(elvileg) akárhányszor megismételhetünk. Az jelenségeket véletlen tömegje-
lenségeknek nevezzük. A meghatározás ban nagyon ő az a feltétel, hogy azonos
körülmények között biztosítható az akárhányszori megfigyelés. Gondolha-
tunk itt az ókori Hérakleitosz kétszer ugyanabba a folyó-
ba nem tudunk belépni. Miért ő jelenség mégis ő ő a
szempontból, azt jól példázza az ű a ű kialakulásához
ő szerencsejáték. Azt mindannyian könnyen belátj uk, hogy a kocka-, az
a kártyajátékok sora nagyon közelítéssel azonos körülmények ő
sen sokszor lejátszható. Ehhez hasonlóan, azoknál a folyamatoknál, me-
lyeknél biztosítható a a ű szintén <,""",,,,0-
nálhatjuk. Itt példaként a ő ő ő eljárást, a
mintavételt említjük.
Ha egy szokványos értelemben vett "véletlen jelenséget" megfigyelünk, azt
nem tudjuk pontosan megmondani, következik be, de azt általában igen,
milyen eseményekre, "kimenetelekre" számíthatunk. A véletlen
jelenségeknek mindig több eredménye, kimenetele lehet.
A véletlen tömegjelenség megfigyelését kísérletnek nevezzük, függetlenül at-
tól, mesterségesen létre, vagy kívülálló okok
miatt Adott kísérlethez esetben többféle l ő
is ő Ezeket pontosan definiálni kell, a
számba vesszük. Fontos, hogy a kísérlet eredménye ismeretében
ő hogy az adott kimenetel.
DEFINÍCIÓ. Valamely kísérlettel kapcsolatban a kisérlet lehetséges kimeneteleit
elemi eseményeknek nevezzük.
DEFINÍCIÓ. Az események halmazát esemény térnek nevezzük H-val
[öljük.
Ha a ICm1f':1'1f':tp.lf': száma végtelen sok, ezek közül nyilván véges fog
a többit is számon tartjuk mint lehetséges lCInlenete Tekintsünk
2.1. Példa.
a) kísérletünk az, hogy feldobunk egy játékkockát, és megfigyeljük a
ő pontszámot. a kísérletnek hat kimenetele
van, ezek:
34
az l-es pontszám kerül felülre,
a 2-es pontszám kerül felülre,
a 3-as pontszám felülre,
a 4-es pontszám kerül felülre,
az 5-ös pontszám kerül felülre,
a 6-os pontszám kerül felülre.
H = {hp h
z
' hj, h
4
, ,h
6
} •
A elemeit sokszor célszerübb a hl' ,... stb. szimbólumok he-
csupán az indexeikkel, azaz az 1, 2, számokkal Ez
ugyanis félreértést nem okoz, növeli az ő az ese-
ményteretjelen esetben az alábbi módon is megadhatjuk:
H {l, 2, 3, 6} .
b) Álljon a egy pénzdarab (érme) feldobásából. Ennél a kísérletnél két
kimenetel jöhet
írás van
van felül.
(Eltekintünk
az - elvileg lehetséges - ő amikor az érme az élén áll
Jelöljük az írás felülre i-vel, a felülre pedig j-fel,
azaz hl i és h
2
= j. Ekkor az eseményteret így is megadhatjuk:
H {i, j}.
c) Álljon a kísérlet két kocka feldobásából. Mindkét dobás eredménye az l, 2,
3, 4, 5, 6 valamelyike.
Tekintsük akisérlet kimeneteleit a fenti számokból álló rendezett
pároknak:
H={(i,j)li 1,2, ... ,6; J=1,2, ... ,6},
ahol az i az egyik kockán, j a másik kockán kapott pontszámot mutatja. Itt
a H egy elemü halmaz.
tI) Az orvosi ő ő várakozás megfigyeljük a
hosszát. A kísérletnek annyi kimenetele mint ahány ő
ő ő a O ű K ő határ között bár-
milyen nemnegatív valós
Bár a gyakorlatban a várakozási ő mérjük és a perc tört-
nem jegyezzük elvben mégis [O; intervallumba ő
értéket aldsérlet kimenetelének tekintünk:
H [O;K],
ahol K egy pozitív valós szám (a ő ő határa),
Az esemény tér itt a 21 ábrán módot választhatjuk
2,/. ábra
e) Megfigyeljük, egy ABC-áruházba a nyitást ő ő hány
ő be, Ekkor a kísérlet kimenetele egy nemnegatív
számmal, és
H=N.
Megjegyzés:
Nem okoz problémát, ha a lehetséges halmazába beveszünk olyan
"kimeneteleket" a gyakorlatban fordulnak ő arra viszont
ügyelniink kell, hogy ne meg olyanokról, amelyek tenlylelgesen
léphetnek.
A kockadobás nemcsak azért gyakran a ű foglal-
koz6 könyvek példái között, mert történetileg ő játszottak a szeren-
csejátékok a tudományág ő hanem azért is, mert rajta keresztül egysze-
ű szemlélet alapján ő meg az alapfogalmak.
Ahogya fenti példákból is látszik, ő hogy azonos
más a megfigyelés tárgya, ezzel együtt a kimenetelek
Vegyük például az orvosi ő várakozással kapcsolatos jelensége-
ket! Megfigyelheljük a várakozási ő hosszát, az ő betegek
számát, a váróhelyiség változását, vagy akár
alkalmával a ő mért ű értékét. A 2.1. példában felsorolt
sérletek egy a kimenetelek száma mint pl. a kockadobásra vonat-
kisérletnél, másokban elvileg végtelen, mint pl. a várakozási ő a ű
a ő lehetséges értékei. kísérlet akimenetelek összeszámlálása
szemponljáb61 az ő ő példában az ő sorra száma, melyben
az eredmény elvileg ő O, 1, 2, ... , k, . .. .
A valóságban természetesen csak véges ő el, matematikai-
lag azonban könnyebb megszámlálhatóan végtelen lehetséges ""'",V"'VWUV'
dolgozni, pl. ha nem ismerjük a pontos ő korlátot.
35
let(;kkiel kapcsolatban állításokat fogalmazhatunk meg,
amelyek a kimenetele dönti Ezeket az állításokat
nyeknek nevezzük. llyen a játékkocka feldobásakor például az,
TOS számot dobunk, hogy négyest dobunk stb. A ő
ő megfigyelésénél az, hogy 10 percen belül sorra vagy hogy
2 kell várnunk stb.
Minden ilyen esemény az eseménytér valamely részhalmazával reIJrezelltálha
Az az esemény, a kockával páros számot dobunk, a H = {l,
{2, 6} részhalmazával is leírható. Az az esemény, a várakozási
ő 10 kevesebb, megfogalmazható oly módon is, hogy megadjuk a
kozási ő [O; K] halmazának azt a részhalmazát, amelyet a eredmény-
ként ő számértékek közül a lO-nél kisebb nemnegatív számok alkotnak.
(Ez pedig nem más, mint a [O; 10 [
2.2. Példa.
A 2.1. példában ismertetett vonatkozóan ő
fogalmazunk meg, majd megadjuk az ezen
mazokat:
Véletlen esemény
a) A játékkockáva14-néJ nagyobb
számot dobunk
b) Az érmével való dobás
eredménye írás.
c) A két kockával egyforma
számot dobunk
cl) A ő legfeljebb
2 kell várnunk
e) Az üzletbe a nyitás utáni ő
órában 300-nál kevesebb ő
be.
A véletlen eseménynek
ő részhalmaz
{5, 6}.
{i}.
{CI;l), ;2), ... (6;6)}.
{x I x E [O ; 2]} .
{n I n <300, nEN}.
Az elmondottakból ű hogy a események a halmazok között
csönösen egyértelmü kapcsolat ő a véletlen események vizsgálatánál
felhasználhatjuk a halmazelméletben fogalmakat összefüggéseket.
után meg, mi a véletlen esemény matematikai definíciója!
DEFINÍCIÓ. A esemény tér egy ő véletlen eseménynek
(röviden eseménynek) nevezzük.
36
A fenti definíciónak az elemi események a H esemény/ér om"OI,,_
míí részhalmazai.
részhalmazait - bár formailag halmazok mindig
eseményeknek nevezzük. Az események nyelvén beszélünk, de szem ő tart-
juk, hogy halmazokról van Továbbá, eseményt ugyanaz a halmaz
képvisel, két között nem különb:,éget, akkor sem,
ha fogalmazzuk is ő Igy az az ese-
mény, ldsebbet dobunk, ugyanaz,
hogy a 2-t dobunk.
2. ő látni fogjuk, hogy számosságú eseménytémél nem biztos, hogy minden részhal-
maz eseménynek ő
Az események a halmazolmáI megismert jelölésrendszert alkalmaz-
s ezért latin ű A, C, ... stb., índexszel ellátott latin
ű pl. Al' A
2
, Al .. stb. jelöljük ő
Az szemléltetése ugyancsak a megismert módon, Venn-
történik.
A továbbiakban megismerkedünk az eseményekkel kapcsolatos újabb
makkal.
Az eddig elmondottak alapján akkor mondjuk, hogy A esemény bekövet-
kezik, ha a kísérlet kimenetele eleme az A eseményt reprezentáló halmaznak.
a kockadobás eredménye 2, bekövetkezett az az esemény, pá-
rosat dobunk, a 2-es ugyanis a {2, 6} halmaznak. Ezzel ű
minden olyan, a kockadobással kapcsolatos is bekövetkezik, amelynél
a 2-es szám az eseményt reprezentáló halmaznak. Bekövetkezik például az
az esemény l-nél nagyobbat dobunk, hiszen 2 E {2, 3, 5, 6}.
A H halmazt mint biztos eseménynek nevezzük, hiszen bármi is a
kísérlet kimenetele, ez az esemény bekövetkezik.
Az üres hahnazt amely nem tartalmazza a H egyetlen elemét sem - mint
eseményt lehetetlen eseménynek hiszen is a kísérlet
ez az esemény nem következhet be. A lehetetlen eseményt 0 -val jelöljük.
2.3. Példa.
Egy urnában 3 golyó van, amelyeket az l, 2 3 számokkal jelölünk. Ha a
kísérlet az, hogy a három golyó közül egyet kíhúzunk, akkor az eseménytér
H = {l, 3}. A kisériettel kapcsolatban ő összes esemény:
37
{ 1},
0 { 2},
t {3 },
lehetetlen
esemény
Az összes esemény száma
mítva).
A
{l, 3} esemény azt
{l, 2}, {l, 2, 3}.
{l, 3},
{2, 3}, t
biztos
esemény
= 8 (a biztos és a lehetetlen is
szavakban is megfogalmazhatjuk.
páratlan számmal jelölt golyót húzunk.
az
Jelölje A azt az eseményt, hogy két kockával egyszerre dobva két 6-ost do-
bunk, B pedig azt, hogy a két kockával dobott páros. Ekkor vala-
A bekövetkezik, bekövetkezik a B
azt hogy az A esetrtényt reprezen-
a B eseményt reprezentáló halmaznak,
azaz A c B.
Legyen A és B a H két eseménye. Azt
mondjuk, hogy az A maga után vonja a B ese-
ményl, ha valahányszor az A bekövetkezik
a B is. Ezt a tényt az A e B szimbólummal jelöljük.
Az események közötti ös!;zetug;gé:sek sze;mllelel:ese:n
AcB
láthatók, azokat az ún. Venn-diagramok 2.2. ábra
ábr:áZOJlJU!c (2.2. ábra).
"H'''''''>. hogy minden A eseményre teljesül:
A, AeA AeH,
továbbá, ha
A c B és B C, akkor A e C .
Természetesen két esemény A B akkor ő egymással, ha bárme-
lyikük bekövetkezése egyben a másik is jelenti, azaz
A = B, ha A e B és B e A .
A napi ő merített példából talán még könnyebben ITlp,,,"',,h
Sokszor átvitt értelemben is a közmondást, "Nem
minden rovar bogár, de minden bogár rovar." Szép nyári nap nézzünk a lábunk
nehogy az arra az A esemény, hogy éppen bogarat
38
látunk, a B esemény, hogy rovart pillantunk meg.
kö'/etJKe2:O állítások?
eldönteni, igazak-e a
a) AcB, b) BeA, c) A =B
2.4. Példa.
Egy kétszemélyes a játékosok két kockával dobnak, a dobott
számok összegét meg. Jelölje A azt az eseményt, hogy az éppen soron
ő játékos dobásösszege 6, B hogy mindkét kockával 3-ast
dobott.
"'0''''0.'''-'' a ő állítások?
a) AcB, b) BeA, c) A=B.
a) Ha az A bekövetkezik, vagyis a dobásösszeg 6,
c) az (1; 5), (5; l), (2; 4) ,
ezt a 2.1.
; 2), (3; 3)
rendezett párok
nem biztos, hogya (3; 3)
Így ez az állítás hamis.
megvaIósítja. Ezek szerint, ha a dobásösszeg 6,
a B esemény következett
b) Ha mindkét dobás 3, ez biztosítja a 6-ot mint aOIJaSOS,;zeJi?;et, így ez az álH-
c) Mivel a két állítás közül csak az egyik bizonyult c) hamis.
2.2. ű eseményekkel
Mivel az eseményeket a H
nyek közötti ű is a
ű átfogalmazva az események
tünk ellentett j ő ő sz(}rz:atáról, I<üllönbS€:gerO
A nem következése" maga is esemény,
sal. Ily rni,r!<1,n A az esemény tér mindazon elemeit
ményben de H-hoz tartoznak. Minden
nia az alábbi két állítás egyikének:
h E A és h A.
DEFINÍcró. Az A c H esemény ellentétes eseményének (komplementerének)
nevezzük azt az A szimbólummal jelö!! eseményt, amely akkor követ-
kezík be, ha A nem következik be, és A c H .
Egy A esemény ellentétes eseménye nem más, mint a
H \ A komplementer halmaz.
A 2.3. ábrán Venn-diagram segítségéve! ábrázoltunk
egy A eseményt és annak ellentettjét.
40
2.5. Példa.
Feldobunk egy játékkockát.
a) Legyen az A esemény, hogy legalább 3-ast dobtunk!
b) Legyen a B esemény, hogy páros számot dobtunk!
Mit jelentenek az A és B esemény ellentett jei?
MEGOLDÁS.
2.3. ábra
a) A={3, 4,5, 6} esemény, így A={l, 2}, amit szavakkal többfélekép-
pen is kifejezhetünk. Pl.: legfeljebb ő dobunk, vagy háromnál keveseb-
bet dobunk.
b) B={2, 4, 6} esemény,így B={l, 3, 5} páratlanszámotdobunk.
2.6. Példa.
Tekintsük újra a 2.4. példában említett társasjátékot! Hány elemi esemény vonja
maga után az A esemény komplementer vagy ellentett eseményét?
MEGOLDÁS. Minden olyan dobásösszeg, ami nem 6. Az elemi események
száma 36, ő A-hoz tartozik 5 elemi esemény. Az A esemény akkor
következik be, ha a többi 31 elemi esemény bánnelyike bekövetkezik.
2.7. Példa.
Egy nagykereskedelmi cégnél három nyomtató val dolgoznak. Jelentse az A ese-
mény azt, hogy mindhárom nyomtató elromlik. Mit jelent A komplementere?
MEGOLDÁS. Az A itt azt jelenti, hogya három közül legalább egy nyomtató
ű
A biztos esemény komplementerének a lehetetlen eseményt, és a lehetetlen ese-
mény komplementerének a biztos eseményt tekintjük, azaz
H=0 és 0=H.
DEFINÍCIÓ. Ha A és B ugyanazon esemény térhez tartozó két esemény, akkor azt
az eseményt, hogy közülük legalább az egyik bekövetkezik, az A és B
esemény összegének (egyesítésének) nevezzük és az A u B szimbó-
lummal jelöljük.
Az A u B esemény tehát bekövetkezik, ha akár az
A esemény következik be, de a B esemény nem, akár a
B esemény következik be, de az A nem, s végül akkor
is, ha A is és B is bekövetkezik. Más szóval két ese-
mény így értelmezett összege (egyesítése) olyan új abb
esemény, amely a lásérlet mindazon kimeneteleit tartal-
mazza, amelyek vagy csak az A eseményhez, vagy csak
a B eseményhez, vagy egyszerre A-hoz is, B-hez is
tartoznak (2.4. ábra).
2.8. Példa.
H
AuB
2.4. ábra
Feldobunk egy játékkockát. Legyen az A esemény, hogy legalább 3-ast dobtunk,
a B esemény, hogy páros számot dobtunk. Mi lesz a két esemény összege?
MEGOLDÁS. Az A esemény: A = {3, 4, 5, 6},
a B esemény: B={2, 4, 6}.
A két esemény összege:
AuB={3, 4, 5, 6}u{2, 4, 6}={2, 3, 4, 5, 6}.
2.9. Példa.
Tekintsük a heti ]ottóhúzás ő kihúzott számát! Jelentse az A esemény,
hogy az ő szám páros, a B pedig, hogy nullára ő Mit jelent az
A u B esemény?
MEGOLDÁS. Az A u B esemény azt jelenti, hogy a szám páros, vagy O-ra
ő ez azt j elenti, hogy B c A, így A u B = A .
Az események összeadásának ű ő szárnú eseményre kiterjeszt-
ő Azt az eseményt, hogy a H eseménytérhez tartozó AI' A
2
, ••• , Ali esemé-
41
nyek közül legalább az egyik bekövetkezik, így jelöljük:
"
u A = AI U Az u ... u A .
{=! I "
Hasonlóképpen értelmezzük az u A. eseményt arra az esetre, ő megszámJálhatóan végtelen
1=1 '
sok esemény összegét képezzük:
uA. = AI uAz v ....
;=1 I
Amikor egyértelmüek az összeghatárok, akkor röviden az y AI jelölést használjuk.
Ha egy kisérlettel kapcsolatban megfogalmazott A és B események közösen
tartalmazzák az eseménytér egy vagy több elemét, akkor valahányszor ezek közül
valamelyik bekövetkezik, A is és B is ű (egyszerre) bekövetkezik.
DEFINíCió. Ha A és B ugyanazon esemény térhez tartozó két esemény, akkor azt
az eseményt, hogy az A és B esemény egyszerre ű bekö-
vetkezik, a két esemény szorzatállak (közös részéIlek) nevezzük és az
A n B szimbólummal jelöljük (2.5. ábra).
42
H
AnB
2.5. ábra
2.10. Példa.
Készítsük el a 2.8. példában megadott események szorzatát!
MEGOLDÁS. Mivel az A esemény: A={3, 4, 5, 6},
a B esemény: B = {2, 4, 6},
a két esemény szorzata: AnB={3, 4, 5, 6}n{2, 4, 6}={4, 6} .
2.11. Példa.
Nézzük, mi lesz a 2.9. példában ő két esemény szorzata!
MEGOLDÁS. Az A n B esemény azt jelenti, hogy a szám páros, és O-ra vég-
ő ez azt j elenti, hogy B c A, így A n B = B .
Az események szorzásának ű ő számú eseményre kiterjeszt-
ő Azt az eseményt, hogy a H eseménytérhez tartozó AI' A
2
, • • • , A" esemé-
nyek mindegyike bekövetkezik, így jelöljük:
"
ri A. = AI ri A
2
n ... n A .
;=1 I /I
Hasonlóképpen értelmezzük a megszámlálhatóan végtelen sok esemény szorzat át is. Jelölésére a
n AI = AI n A
2
n ...
;=1
szimbólumot használjuk.
A nA. szimbólum helyett, ha nem okoz félreéJ1ést, a nA; szimbólumot alkalmazhatjuk.
;=1 I
DEFINÍCiÓ. A H esemény térhez tartozó ő A és B eseményeket egy-
mást kizáró eseményelmek nevezzük, ha egyszerre nem következhet-
nek be, azaz ha A ri B = 0 .
Ilyen két egymást kizáró esemény például - egy játékkocka feldobásakor - a
páros és a páratlan dobás eseménye.
Két esemény különbségét az alábbi módon értelmezzük.
DEFINíCIÓ. Ha az A és B esemény ugyanazon esemény térhez tartozó két ese-
mény, akkor azt az eseményt, hogy az A esemény bekövetkezik, de a
B nem, a két esemény különbségének nevezzük és az A \ B szimbó-
lummal jelöljük (2.6. ábra).
H
A\B
2.6. ábra
43
A definicíóból kÖ
1
vetlke:z:ik,
mégpedig
A\B:::::AnB.
a különbség két ese:mt::n szorzataként is
2.12. Példa.
Képezzük a példában megadott eseménye:k különbségét!
MEGOLDÁS. Mivel az A esemény: A {3, 4, 5, 6},
aB B::::: {2, 4, 6},
a esemény különbsége: A\B={3, 4, 5, 6}\{ 6} {3,
viszont a B \ A különbséget akarjuk
azoknak az a bekövetkezését
vetkezik, de az A nem.
6}\{3, 4, 5, 6} {2}.
leghaítán)Zl1tl, a definíció
figyelnünk, amikor a B
Összhangban azzal, amit a halmazoknál és a valós számoknál is tapasztal-
tunk, a Javonás nem kommutatív ű
Megjegyzés:
A ű irodalomban
az AuB helyett az A+B,
az A n B helyett az AB,
az A \B helyett az A - B
jelölést is
44
Az használatának nejgki:ínrlví:tésére egy "szótárt" állítottunk össze.
Az eseményekkel kapcsolatos
Véletlen esemény
Elemi esemény
Biztos esemény
Lehetetlen
Az A ellentétes eseménye
Az A és B esemény összege
Az A és B esemény szorzat.a
Az A és B esemény különbsége
Az A esemény maga után vonja
a B eseményt
A halmazelméleli
Alaphalmaz
A H halmaz egy részhalmaza
A H halmaz ű
részhalmaza ({ 11 } c H)
halmaz
Az A halmaz komplementer halmaza
Az A és B halmaz CI<
Az A és B halmaz metszete
Az A és B halmaz különbsége
Az A halmaz részhalmaza
a B halmaznak
kapcsolatban az
letek szempontból semmi nem tartalmaznak,
vonatkozó fogalmaknak, müveleteknek az "események ő értelmezé-
ő van Ezért nem ő hogy az ott megismert azonosságok itt is érvé-
ő A, B, C c H eseményekre fennállnak a ő
1. AuA=A,
2. AuB=BuA,
3. Au(Bu (AuB)uC
4. A n (B u C) (A n B) u (A n c)
Au(BnC) = (AuB)n(Au
(disztributivitás);
5.AuA=H,
6. AuH=H,
7.Au0=A,
Megjegyzés:
A n A = A (idempotencia);
A n B::: B n A (kommutativitás);
An(BnC)=(A C
( asszociativitás)
AnA
AnH :::::A;
An
A fentiek alapján látható, hogy az események a ű definícíókkal együtt
Boole-algebrát alkotnak.
2.1. ő
gések:
Be eseményekre fennállnak a ő nss'zefu9'-
1. AuB AnB,
AnB AuB
ő
2. Au(AnB)::::: A,
An(AuB) A
(beolvasztás i szabályok).
A . pontban a véletlen definícióját követö második emJíte!tük, ha H
végtelen számosságú, akkor nem minden részhalmaz Ennek az a feltétele,
az eseményeken a fenti ű elvégezve eseményt kapjunk eredményül és ",pcro7&ml,m
végtelen sok esemény és közös része is legyen.
45
2.3. Teljes esemény rendszer, összetett események
DEFINÍCIÓ. Egy H esemény térhez tartozó EI ' Ez , ... , E" események
közül egyik sem lehetetlen esemény) teljes eseményrendszert alkotnak,
ha
a) egymást páronként Idzáró események,
b) összegük a biztos esemény.
Más szóval, ha
a) E,nE
j
=0 (i*j és i , j=l , 2, .. . , n).
b) E
l
uE
2
u ... uE,,=H.
A teljes eseményrendszert alkotó eseményeket az a) és b) feltétel alapján úgy is
jellemezhetjük, hogy közülük egy és csak egy mindig bekövetkezik.
Az ellentétes események teljes eseményrendszert alkotnak, hiszen
A n A = 0 és A u A = H .
Nyilvánvaló az lS, hogya H esemény tér elemi eseményei (a H eseménytér
egyelemü részhalmazai) szintén teljes rendszert alkotnak, ha véges sokan vannak,
hiszen
a) egymást páronként kizálják,
b) összegük a biztos esemény.
Megjegyzés:
A teljes eseményrendszer fogalmát megszámlálhatóan végtelen sok eseményre is kiterjeszthetjük.
A megszámlálhatóan végtelen sok eseményböl álló B
I
, B
2
, • • • , Bn ... eseményrendszert tel-
jes eseményrendszernek nevezzük, ha az
a) B,nB
j
=0 (i*j; i,j=1 , 2, .. . ),
b) CB =H
1=1 I
feltételek teljesülnek.
46
2.13. Példa.
Tekintsünk néhány további példát teljes eseményrendszerekre!
a) AkocIcadobás kísérletében legyen az A esemény, hogy legfeljebb 3-at do-
bunk, a B esemény, hogy a ő legnagyobb számot dobjuk, C pedig,
hogy dobásunk eredménye 4 vagy S. Ha ezeket az eseményeket részletez-
ve, számhalmazok formájában feIírjuk:
A={l, 2, 3}; E={6}; C={4, S};
jól ő hogy A, E és C egymást páronként kizárják, összegük pe-
dig a biztos esemény. Vagyis a felsorolt események teljes rendszert alkotnak.
b) A magyarkártya-csomagból négy lapot osztunk egy játékosnak. Könnyen be-
látható, hogy a ő események teljes rendszert alkotnak:
AI = a kiosztott lapok között nincs hetes;
A
2
= a kiosztott lapok között egy hetes van;
AJ = a kiosztott lapok között két hetes van;
A, = a kiosztott lapok között három hetes van;
As = a kiosztott lapok mindegyike hetes.
c) Vegyük a 2.4. példa kétszemélyes társasjátékát, tehát figyeljük meg a soron
ő játékos két kockával végzett dobásának összegét! Tekintsük AI
eseménynek, hogyadobásösszeg 2, Az eseménynek, hogy a dobásösszeg
3, AJ eseménynek, hogy a dobásösszeg 4, . . . Ali eseménynek, hogy a
dobásösszeg 12. Mivel a dobásösszeg a 2 és 12 közé ő pozitív egész
számok mindegyike lehet, a fenti II esemény rövid gondolkodással belát-
hatóan valóban teljes rendszert alkot.
d) Az ő ő játékban a nyereség meghatározása miatt a ő csak bizo-
nyos csoportosításban fontosak a kapott eredmények. Legyen AI esemény,
hogy a dobásösszeg legfeljebb S, A
2
, hogy S-nél nagyobb, de legfeljebb
10, AJ pedig, hogy legalább ll. Ahogy a c) pontban, a dobásösszeg a 2
és 12 közé ő pozitív egész számok mindegyike lehet, a fenti három ese-
mény szintén teljes rendszert alkot.
e) A 2.1. példában már említett orvosi ő ő várakozás közben fi-
gyeljük meg az ő megvizsgált betegek számát! Legyen az A ese-
mény, hogy legfeljebb 2 beteg kerül ő sorra, a E, hogy 2-nél
többen, de lO-nél kevesebben vannak, és a C, hogy legalább IQ-en jutnak
be ő Nyilvánvaló, hogy a gyakorlatban a ő száma véges,
mégsem tudjuk teljes biztonsággal megmondani, milyen ő korláttal dol-
gozzunk, tehát ahogy a korábbiakban utaltunk rá, érdemes egy ű ő
határt megállapítani . Az, hogy a három esemény megfelel a teljes esemény-
rendszer definÍciójának, könnyen belátható.
Minden A eseményt felbonthatunk két esemény összegére a ő módon:
A = A u A , illetve A = A u 0 .
Ezt a felbontást triviális (nem valódi) felbontásnak nevezzük.
47
eseményt összetett eseménynek nevezünk, ha ő a tri-
viális felbontástól ő két p\','mlmv iiC"7oaolró
Az összetett
egynél több ele-
met tartalmaz.
triviális felbontása
az eseménytér ű ezért csak
összetett események többféleképpen is létrejöhetnek,
egyféleképpen valósulhatnak meg. az elemi események viszont
Nem nehéz belátni, összetett esemény ő elemi
összegeként, ha az Még az is igaz, hogy ez a
A lehetetlen eseményt nem sem sem összetett eseménynek.
Példa.
Tekintsük azt a kísérletet, amikor feldobunk
A kísérletnek 6 kimenetele van, a kísérlethez tartozó ese:mí;ll'I'ter
H {l, 3, 5, 6}.
Jelöljük az elemi eseményeket a ű részhalmazait az
, E., ""'jklUP,11 U1TIOII<l<a.l, aho I
=={i} (i==l, 2, ... , 6).
B az az esemény, hogy párosat dobunk, azaz B == {2, 4, 6}, C
pedig az, kisebbet dobunk, azaz C {l, 3}. Mindkét esemény
összetett mindegyik ő összegeként:
B {2, {2}v{4}v{6}=E
2
V v
C = {l, 2, 3}:::: { l } v { 2 } v { 3} El V E
2
V E3 .
Kombinatorikai eszközökkel kiszámítható, hogy a ko()kadolJás
kísérletnél összesen 26 == 64 ő p"pmf.nvt álHthatunk ő
hogy egy n elemi H esemény téren
eseme:nyt értelmezhetünk, és ő az összetett események száma
2"-n-1.
2.15. Példa.
A 2.4. példában ismertetett kétszemé:lye:s társasjátékban a játékosok két kockával
dobnak, és a dobott számok figyelik meg. Jelölje A azt az p<",,,,,..,.,p'nvt
az éppen soron ő 6. Összetett esemény-e az A?
48
MEGOLDÁS. Az A esemény összetett
hogy mindkét kockával 3-ast dobunk, vagy
dobunk, ami szintén összetett esemény,
hiszen megvalósulhat
a másild<al 5-öst
a másodikkal l-est. A dobásösszeg is 6, ha egyik kockával 2-est, a
másikkal 4-est dobunk, és megfordítva. Vagyis, az A a 2.1. példa
c) (l; 5), (5; l), (2; 4), (4; 2), (3; 3) rendezett
mindegyike megvalósítja.
2.16. Példa.
A már jól ismert társasjátékban a ő "gáláns" javaslattal áll
ő csak akkor nyer, ha a két kockával dobott számok összege 6, 7, 8 vagy
minden más esetben ugyanakkora összeget. Vizsgáljuk meg, való-
"""nur",_", az ajánlat!
ránézésre ő látszik a hiszen a
dobott összege lehet: 2, 3, 4, 5, 10, 11 vagy 12.
Vagyis 7 esetben áll a zászló, míg ő csak 4 dObá1;össze:g
Kicsit jobban átgondolva számba venni az egyes
zó, öket mint összetett megvalósító elemi eseményeket! az
A esemény azt, hogy el1enfeliink nyer. Ez akkor valósu1 meg, ha az 6,
7, 8 vagy 9. Milyen elemi események valósílják meg ezeket?
Ha a dobott számok összege 6, ezt az eseményt 5 elemi esemény
meg (1. 2.15. példa). Ehhez hasonlóan össze a többi, ellenfelünknek
összetett eseményhez tartozó száma.
Ha a dobott összege 7, ezt az esemény valósílja meg.
Ha a számok összege 8, ezt az eseményt 5 valósílja meg.
Ha a dobott 9, ezt az eseményt 4 valósHja meg.
Tehát játékostársunk összesen 20 elemi esemény kerül
ő pozícióba.
Nézzük most saját Már a 2.1. példa c) részében össze-
"'.utllH<:l.HC'" a lehetséges elemi p<:p'mF'T'l\!ph't tudjuk, ezek száma: 36. Mivel a
<',p'rp"Ii'> összetett események egymást viszont a biztos ese-
teljes eseményrendszert alkotnak, a nyerésünket ő
".<pm"""'" száma: 16. ő könnyen meggyo:wctnetun ha az ő ő
hány elemi esemény a 2, 3 stb. dobás-
összegeket.
A kissé <>",yr.l"vAc számolgatás után kiderül, hogy az ajánlat csak
ránézésre lesz "La111U'Ur.Jla és valójában ellenfelünk na-
gyobbak.
3. A Ű ELEMEI
3.1. A ű fogalma
Képzeljük el , hogy egy véletlen jelenségre vonatkozóan egyetlen megfigyelést,
kísérletet végzünk. Akármi volt is a kísérlet kimenetele, ő semmi lényeges
információt nem nyerhetünk a vizsgált jelenség tulajdonságára vonatkozóan. Ald<or
sem jutunk többre, ha még néhányszor megismételjük a megfigyelésünket. V égez-
zük el azonban a kísérletet azonos körülmények között sokszor. Az így nyert kísér-
letsorozat már lényegesen többet elárulhat a véletlen ő
A valószínüség szemléletes, a tapasztalatra támaszkodó definíciójának megadá-
sakor ő a relatív gyakoriság fogalmával kell megismerkednünk.
Tekintsünk egy véletlen kísérletet és figyeljük meg, hogy egy bizonyos A ese-
mény bekövetkezik-e. Hajtsuk végre a kísérletet azonos körülmények között sok-
szor, mondj uk n-szer, egymástól függetlenül (azaz a kísérletek ne befolyásolják
egymást). Ilyenkor n hosszúságú kísérletsorozatról beszélünk. Azt tapasztaljuk,
hogy az A esemény a kísérletek egy részében bekövetkezik, más részében nem.
Tegyük fel, hogy a megfigyelt A esemény az n ő következett be.
k A
A kA számot az A esemény gyakoriságának, a hányadost pedig az A
n
esemény relatív gyakoriságának nevezzük.
Annak ő hogy egy véletlen esemény ű ő matematikai
értelemben beszélhessünk, az, hogy az ő esemény relatív gyakorisága viszony-
lagos stabilitást, állandóságot mutasson. Ezen azt értjük, hogy bár a vizsgált ese-
mény relatív gyakorisága a ő hosszúságú kísérletsorozatokban más és más
(véletlen ingadozásokat végez), mégis - ha a kísérlet körülményeiben ő
változás nem állt be - nagyjából valamely jól meghatározott számérték körül inga-
dozik. Ha a kísérletek számát növelj ük, az ingadozás általában egyre kisebb lesz.
Ez azt jelenti, hogy ő tendencia mellett felléphetnek újból és újból elég
lényeges ingadozások is, de ezek a kísérletek számának növelésével egyre ritkáb-
ban fordulnak ő Az ilyen ingadozást statisztikus ingadozásnak nevezzük.
Azt a számértéket, amely körül a véletlen esemény relatív gyakorisága statiszti-
kus ingadozást mutat, az ő esemény ű nevezzük.
50
A relatív gyakoriság viszonylagos stabilitása ő meg a ő egy-
ű kísérletsorozatnál, ő bárki maga is ő ő Dobjunk fel egy sza-
bályos pénzérmét lOO-szor egymás után. Legyen az A esemény az, hogy "fejet"
dobunk. Figyeljük meg az A esemény relatív gyakoriságának alakulását. Például a
ő dobássorozatot kaphat juk ötösével csoportosítva:
if fff I iiifi I fifii I fi ifi 1 .. ·1 iifii
(ahol f a "fej" dobást, i az "írás" dobást jelenti).
Az A esemény gyakoriságának és relatív gyakoriságának értékeit az alábbi
táblázatban rögzítjük. Eszrevehetjük, hogy az a számérték, amely körül az A ese-
mény relatív gyakorisága statisztikusan ingadozik, 0,5. A pénzdobás kísérletünk-
ben tehát a "fej " dobás valószínüségének a 0,5 értéket tekinthetjük.
Kísérletek száma
l 2 3 4 5 6 7 8 9 10 11 12 13
n
A "fej" dobás
gyakorisága
°
1 2 3 4 4 4 4 5 5 6 6 7
kA
A "fej" dobás
relatív gyakorisága
°
0,50 0,67 0,75 0,80 0,67 0,57 0,50 0,56 0,50 0,55 0,50 0,54
kA
n
Kísérletek száma
14 15 16 17 18 19 20 96 97 98 99 100 00 '
n
A "fej" dobás
gyakorisága
7 7 8 8 8 9 9 00 . 49 49 50 50 50
kA
A "fej" dobás
relatív gyakorisága
0,50 0,47 0,50 0,47 0,44 0,47 0,45 0,51 0,51 0,51 0,51 0,50
kA
00.
n
A 18. században ilyen kísérletsorozatokat vizsgált két matematikus, Buffon és
Pearson is. Buffon 4040-szer dobott és a "fej" dobások gyakoriságát 2048-nak
találta, míg Pearson 24 OOO dobás közül 12 O l 2-szer kapott fejet. Így a relatív gya-
kOliság Buffonnál 0,5069, Pearsonnél 0,5005.
A "fej" dobás relatív gyakoriságának ingadozását a 3.1. ábra szemlélteti (l. 52. o.).
51
.
.
. "
5 10 15 20
3,1, ábra
9'5 160 n
az ő vázolt kísérletsorozatot végrehajt juk, akkor a
és "írás" dobások sorrendje más más lehet, a kísérletsorozat általános
az ő hasonló A relatív gyakoriság a 0,5 körül
ingadozik.
Az a tapasztalati ű hogy vannak olyan ese-
mények, amelyek relatív azaz a relatív gya-
koriság valamely meghatározott körül ingadozik, általában
annál kisebbek minél több kísérletet hajtunk
számítás tapasztalati hátterét. A relatív gyakoriság a ű rokon
olyannyira, hogy gyakran empirikusan (tapasztalati úton) a gyakorisá-
gokon keresztül becsüljük magukat a A gyakorlatban nagyon
sokszor, ha nagyszámú kisérleti eredménnyel rendelkezünk, a ű
egyszerüen a relatív gyakorisággal
A valószínüséget formailag élesen meg kell különböztetni a relatív
gyakoriságtól: a ű szám, a relatív gyakoriság a ő
függöen és más lehet.
Egy esemény tehát a ő ő függetlenül ő mértékszám,
amely megadja, egy ldsérletsorozatban körülbelül mekkora hányadban
következik be a szóban forgó
A tapasztalati úton ő pontos meghatározása csak nagyon
korlátozott körülmények valósltható meg, általában sok kísérletet
igényeIne. Mindezek elkerülésére szükséges matematikai alaptörvények
lefektetése alkalmazása.
A továbbiakban azoknak a ű törvénye knek a tárgyalásával
foglalkozunk, amelyek azt is teszik, ű események ű
ségének ismeretében bonyolultabb események ű számíthassuk ki,
52
3.2. A ű axiómái, tételek
Jelöljenek A, B, C, ... egy H eseménvtérh tartozó eseményeket. A
nüségszámítás kiindulópontja az, minden egyes hozzárendelünk
egy számot, az ű Ezt t/'T1T1P"'7P_
tes en úgy elvégeznünk, hogy az ő ő pontban adott empirikus defi-
nícióval összhangban legyen.
A ő a latin probabilitas ű ő ű fogjuk
nálni a jelölésére, így ezentúl az A, B, C, .,. ű
P(A), P(B) , P(C) , ... jelöli.
Próbálj uk meg a tulajdonságaiból "kiolvasni", hogy milyen
ű tenni az eseményekhez rendelt
Végezzünk el egy kísérletet n-szer. Ha ebben az n ő álló kísérletso-
rozatban az A k A -szor következett akkor O k A n , ő viszont
k
hogy O -"- 1 egy relatív gyakorisága a [O; l]
n
intervaIlumba szám lehet.
Meggondolva, hogy ez a mennyiség az ő vaiószínüsége körül in-
gadozik, továbbá, hogy a ű a véletlen eseménynek az a ő
megmutatja, hogy nagyszámú kísérletet azok mekkora hányad ában
várhatjuk bekövetkezését, kimondhatjuk, hogy bármely esemény valószínüségének
[O ; l] intervallumbeli kell lennie. Minthogy pedig a biztos rela-
tív gyakorisága 1, a esemény valószíníísége is l hogy legyen.
......«H ... , ...., hogy egy kísérlettel kapcsolatos események összefüg-
gések érvényesek, éppen ezért az ű sem írhat juk ő tet-
Egy összefúggés az, hogy egymást kizáró ÖS1!ze:ge-
nek ű a két esemény ű összegével. Ha
ugyanis A B egy adott eseménytérhez tartozó két egymást kizáró esemény,
azaz A íl B ::::: , és az n ő álló kísérletsorozatban az A esemény k
A
-
szor, a B esemény ko -szer következett akkor a esemény összegé-
nek, azaz annak az eseménynek, az A vagy B következík be, gyakorisága
nyílvánvalóan
Így relatív gyakorisága
kA
=:-+
n n n
53
tehát a relatív gyakoriságok összeadódnak. Így két egymást kizáró A és B esemény-
re fenn kell állnia a
P(A u B) = P(A) + P(B)
összefüggésnek.
A valószínííségszámítás axiómarendszerének megalkotásához több tapasztalati
alapra nincs is szükségünk.
Foglaljuk össze eddigi megállapításainkat, amelyek egyúttal a ű
számítás matematikai elméletének alapfeltevései, más szóval axiómái, amelyek
Kolmogorovtól származnak.
I. AXIÓMA: Legyen adott egy véletlen lásérlethez tartozó H esemény tér. Minden
A c H eseményhez hozzárendeliink egy P(A) nemnegatív valós szá-
mot, az A esemény ű
II. AXIÓMA: A biztos esemény ű J, azaz
P(H)=l .
III. AXIÓMA: Ha A c H és B c H egymást kizáró események, azaz A él B = 0,
akkor
P(A u B) = P(A) + P(B) .
Megjegyzés:
A III. axiómát a ű additív tulajdonságának nevezzük. Egy-egy újabb
esemény hozzávételével igazolható, hogy több (de véges számú), egymást páron-
ként kizár6 eseményre is fennáll, hogy
P(A, U . . . uA,,) = P(A, ) + P(AJ + ... +P(A,,). (3.1)
Ez a gondolatmenet azonban nem alkalmazható akkor, ha a tekintett események száma megszám-
lálhatóan végtelen. Ezért erre az esetre külön is megfogalmazzuk a Ill .-nak ő axiómát.
111*. AXJÓMA: Ha . .. egymást páronként kizáró események, azaz
A, nA, =0 i,)=I, 2, ... ),
akkor
P(A, uA, u ... )=P(A,)+P(A,)+ ... (A, cH, i=l, 2, ... ).
Ezt az utóbbi axiómát a ű teljes additivitásának nevezzük.
Úgy is fogalmazhatunk, hogy a H esemény térhez tartozó eseményeken értel-
mezhetünk egy P függvényt , a ű amelynek képhalmaza R, és a
54
P(A) fuggvényérték az A c H esemény valószíníísége. E függvénynek az axió-
mákban ő tulajdonságold<al kell rendelkeznie.
DEFINÍCIÓ. Ha egy H esemény tér eseményeinek a halmazán értelmez/ünk való-
ű aldeor ezt a halmazt ű ő nevezzük. A to-
vábbiakban W-vel jelöljük.
Szokás a (H, W) jelölés is. Az események a H eseménytér részhalmazai . A W-nek
viszont ezek a részhalmazok az elemei, és mindegyikhez tartozik egy valószínííség.
ő kiindulva néhány olyan tételt ismerünk meg, amelyek
ő vé teszik, hogy adott ű ű események alapján, velük valamilyen
módon ő események valószínííségét meghatározhassuk.
Tegyük fel, hogy A és B a H-hoz tartozó események, illetve a W ű
ségi ő elemei.
3.1. TÉTEL. Ha az A esemény valószíníísége P(A), akkor az A ellentétes ese-
mény valószíníísége P(A) = 1- P(A).
Bizonyítás. Minthogy A u A = H és A él A = 0, a III. axióma szerint P(A u A) =
= P(A) + PCA) és a II. axióma szerint P(H) = l. A bizonyítandó állítás ő már
következik.
A tétel fontos következménye, hogya lehetetlen esemény ű zérus,
azaz
P(0) =0.
Minthogy a lehetetlen esemény a biztos esemény ellentétes eseménye, így
P(0)=P(H),
ő
P(0) = 1- P(H) = O.
Az az állítás, hogy a lehetetlen esemény ű zérus; nem megfordít-
ható; azaz abból , hogy egy esemény valószínüsége zérus, nem következik, hogy az
lehetetlen esemény. Hasonlóképpen abból, hogy P(A) = 1, nem következik, hogy
az A biztos esemény.
55
3.2. TÉTEL. Ha az AI' Az, " ', AI! események teljes eseményrendszert alkotnak,
akkor
Bizonyítás. FeltevésÜl1k szerint
AluAzu .. . uAn=H és A
i
nA
j
=0, ha i*j (i,j=l , 2, ... , n),
továbbá a II. axióma szerint P(H) = 1, így (3.1) alapján
P(H)=P(A
I
uA
2
u . .. uAn)=P(AJ+P(A2)+ ... +P(A
n
),
ő
... +P(AJ=1.
3.3. TÉTEL. Ha A és B két ő esemény, akkor annak a ű
hogy közülük legalább az egyik bekövetkezik,
PCA u B) = PCA) + P(B) - PCA n B).
Bizonyítás. Az A u B esemény ő két egymást
kizáró esemény összegeként, azaz (3.2. ábra)
AuB=Au(AnB)
és
An(AnB) =0.
Ezért a III. axióma szerint
PCA U B) = PCA) + PCA n B). (3.2)
A B esemény is ő két egymást kizáró esemény
összegeként, azaz (3.3. ábra)
B = (A n B)u (A nB)
és
(A n B) n(An B) =0.
Ismét a III. axióma alapján
P(B) = PCA n B) + PCA n B).
56
3.2. ábra
ff
3.3. ábra
Innen
PCA n B) = P(B) - PCA n B).
Ez utóbbit a (3.2) összefüggésbe helyettesítve
PCA u B) = PCA) + P(B) - PCA n B).
3.4. TÉTEL. Ha az A esemény maga után vonja a B eseményt, azaz A c B fenn-
áll, akkor
P(B \ A) = P(B) - PCA) .
Bizonyítás. Ha A cB, akkor
B = A u (B n A) = A u (B \ A)
és
A n (B \ A) = 0 (3.4. ábra).
Ezért a III. axióma szerint:
B
P(B) = PCA) + P(B \ A)
3.4. ábra
és
P(B\A) = P(B) - P(A) .
Megjegyzések:
l. A tétel következményeként adódik:
Ha az A esemény maga után vonja a B eseményt, azaz A c B, akkor
PCA) P(B).
Ezt az állítást az I. axióma alapján felírható
P(B \ A) = P(B) - PCA) O
ő ő kapjuk.
H
Mivel minden A eseményre A c H, így PCA) P(H) = l. Ezért volt szük-
ségtelen, hogy az L axióma a PCA) 1 állítást tartalmazza.
2. Könnyen belátható, hogy ő A és B eseményekre a ő össze-
függés igaz:
P(B \ A) = P(B) - P(B n A) .
57
3.3. Klasszikus ű ő
DEFINÍCIÓ. Abban az esetben, ami/wr egy W valosziniisé!':!;i ő elemi
3.5.
nek száma véges, ű klasszikus ű
ségi ő beszé/ünk.
Legyen W egy klasszikus VUtUsz;utl!Se:,u ő eseményeinek
száma legyen n. Ha egy A E W esemény pontosan Ic elemi €
összegeként írható fel, akkor
Ic
PCA)
n
A szakirodalomban szokásos az A eseményt ő elemi eseményeket az
A bekövetkezése szempontjából ő elemi eseményeknek nevezni. Ennek
ő a tétel alábbi megfogalmazása is használatos:
P(A)
Ez a tétel képezte az klasszikus ű alapját. A közölt kép-
letet klasszikus képletnek is szokás nevezni. A vaIószínüségszámítás története
folyamán, ő keresztül csak olyan eseménytereket használtak, amelyeknél
elemi fordul ő és ezek mindegyike ő valószínü.
hiszen a szerencsejátékoknál (pénzfeldobás, kockadobás, golyók hú-
zása umából, mlett-, kártya- és sorsjátékok - amelyek a valószínííségszámítás
kiindulási alkották valóban ő módon a
meghatározása. Távolról sem állíthatjuk azonban, hogya valószínüség-
módszereknek történelmi és érdekessége
gyon sok ő fizikai, és az életben fellép
eredményesen modellezni az szerencsejátékokkal, azaz a klasszikus
ű feltevéseivel. A matematikai statisztika sem nélkülözheti a
klasszikus ű módszereket. a valószínííségek klasszikus
kiszámításí módszerei vel a ő részletesebben foglalkozunk.
Ezután rá a tétel bizonyítására.
Bizonyítás. Legyen az eseménytér elemi száma n. Az ű
tárgyalásmód a H eseménytér elemi eseményeit a ő
jelöljük:
. ,. ,
58
A tétel állítása ezek az elemi események ő azaz
) .
Mivel azonban
U E
2
U ... u E" == H,
és a II. axióma szerint P(H) = l, ezért
P(E, u u ... u 1.
A III. axiómánál említett (3.l) szerint
P(E;)=!.. (i=1,2, ... , n).
n
Tekintsük ezután a W ű ő egy ő A eseményét, ame-
lyet Ic darab elemi esemény összegeként állíthatunk ő
Az elemi események sorszámozását úgy, hogy az A az
Ir elemi adja:
A= uE
2
u ... uE
k

== u u ... u )=P(E
1
)+P(E
2
)+ .. ·+P(E
A
)
= k. 1 k
II II
3.1. Példa.
kockát kétszer egymás után fel dobunk. Mekkora annak a
mindkét dobásnál azonos pontszámot kapunk;
b) ő pontszámot kapunk;
c) a pontszámok 9;
d) a pontszámok 10;
e) a pontszámok 1O?
MEGOLDÁS. Az
számpárok:
események az l, 2, 3, 4, 5, 6 számokból alkotott ren-
59
60
H=={(1 ; 1),(l;2), ... , (1;6),(2;1), ... , (6; 6)},
ahol pl. a (2 ; 3) azt jelenti, hogy ő 2-t és másodikra 3-at dobtunk. Az
elemi események száma: 6 · 6 ::: 36 .
a) Jelöljük A-val azt az eseményt, hogy mindkét dobásnál azonos pontszámot
kapunk, azaz
Így
A=={(l;l), (2;2), (3;3), (4;4), (5;5), (6 ; 6)}.

36 6
b) A szóban forgó esemény nem más, mint az A esemény eIIentétes eseménye,
így
- 1 5
P(A)::: 1- PCA) == 1- -::: -.
6 6
c) Jelöljük C-vel azt az eseményt, hogy a pontszámok összege 9, azaz
C ::: {(3; 6), (6 ; 3), (4 ; 5), (5 ; 4) } .
A C esemény tehát 4 elemi eseményt tartalmaz és így

36
cl) Jelöljük D-vel azt az eseményt, hogy a pontszámok összege 10, azaz
D={(4;6), (6;4),(5;5)} .
A D esemény 3 elemi eseményt tartalmaz és így
P(D):::2. .
36
e) Jelöljük F-fel azt az eseményt, hogyapontszámok összege legfeljebb 10.
ű ő az eIIentétes esemény ű kiszámítani. Mivel ez
aztjelenti, hogy a pontszámok összege nagyobb, mint 10, azaz
F ::: {(5; 6), (6 ; 5), (6 ; 6) },
így
peF) _ 3 _ 1
- 36 -12'
ő

12 12
A klasszikus képlet széles ű alkalmazási ő tárulnak fel az ún. minta-
vételes feladatokban.
Egy halmazból találomra kihúzott elemek összességét véletlen mintának ne-
vezzük. A "találomra" ő húzáson azt értjük, hogy bánnely minta kiválasztása
egyfonna ű történik.
Azt az eljárást, amelynek eredményeképpen a véletlen mintát kapjuk, véletlen
mintavételnek nevezzük. Két ő típusát különböztetjük meg, a visszatevéses
és a visszatevés nélküli mintavételt.
VISSZATEVÉSES MINTAVÉTEL
Tegyük fel, hogy egy N ű halmazban, pl. egy N golyót tartalmazó urnában
M fekete és N - M piros golyó van. Húzzunk ki egymás után találomra n számú
golyót úgy, hogy a kihúzott golyót, miután a színét feljegyeztük, visszadobjuk az
umába. Határozzuk meg annak a ű hogy egy ilyen n húzásból álló
sorozatban a fekete golyók száma Ic (a többi 11 - k pedig nyilvánvalóan piros).
Jelöljük a szóban forgó eseményt, hogy ti . a kihúzott n golyó között k fekete
van, Ak -val.
Ha valamilyen módon megkülönböztetjük a golyókat (pl. számozással), akkor
minden húzás N-féleképpen történhet, így a kísérlet lehetséges kimenetel ének (az
elemi eseményeknek) a száma
N" . (3.3)
Az 11 ő annak a Ic db kísérletnek a sorszámát, amelyeknél fekete go-
lyót húzunk,
(3.4)
-féleképpen választhat juk ki. Ha rögzítünk egy ilyen sorrendet, akkor minden olyan
kísérletnél , amikor fekete golyó kerül kiválasztásra, a választás M-féleképpen tör-
ténhet. Ilyen Idsérlet k db van, ezért a lehetséges esetek száma Mk. Hasonló-
képpen, piros golyót egy kísérletnél (N -M)-féleképpen húzhatok. Az ilyen kísér-
letek száma 11 - k, így a lehetséges esetek száma
(N - M)"-k.
61
Ezért egy rögzített fekete-piros sorrendnél a ő elemi események száma:
Mk . (N _ M)"-k .
Ha figyelembe vesszük a lehetséges sOlTendek (3.4) alatti számát, a ő elemi
események száma
(: )M
k
(N - M)"-' ,
így (3.3) alapján
(
n) Mk(N-M)"-'
PCA )-
k - Ir N"
(3.5)
(Itt azt tettük fel , hogy mindegyik n ű visszatevéses minta kiválasztása egy-
formán valószínü.)
Vezessük be a
M
p=-
N
és a
N-M
q=--
N
jelöléseket, ahol p egy fekete golyó, illetve q egy piros golyó húzásának valószÍ-
ű Ekkor (3.5) a ő alakban Írható:
P(Ak)=(:)pkq"-k (Ic=O,1,2, . .. , n). (3 .6)
A P(A.) helyett sokszor csak a p. szimbólumot használjuk.
A (3.6)-ban közölt képlet általános ű minden olyan esetben, amikor az N
elemü halmaz (alapsokaság) valamilyen tulajdonság szerint két diszjunkt részhal-
mazra bontható. Pl. áruátvételnél az áru ő (selejtes-hibátlan); statisztikai
adatszolgáltatásnál a nem ő stb.
62
3.2. Példa.
100 ő amelyelrnek 10%-a selejtes, visszatevéses módszerrel 5 ű
mintát veszünk. Mekkora annak a ű hogy a lnintába 2 selejtes kerül?
MEGOLDÁS. A (3.6)-os összefuggést alkalmazzuk. Példánkban p = 0,1, q = 0,9,
n = 5, Ic = 2 , tehát
(
5) 2 l
p.z = 2 0,1 · 0,9 = 0,0729 .
MINTAVÉTEL VISSZATEVÉS NÉLKÜL
Tekintsünk ismét egy N elemü halmazt, pl. egy N golyót tartalmazó urnát, amely-
ben M fekete és N - M piros golyó van. Vegyünk ki most is találomra n számú
golyót az urnából, de úgy, hogy egyetlen golyó sem kerülhet többször kiválasztásra.
Ezt kétféle módon valósíthatjuk meg. Az egyik szerint az 11 golyót egyszelTe
emeljük ki az u.rnából, a másik szerint a golyókat egymás után húzzuk ki, de egyiket
sem tesszük vissza a húzás után. Mindkét eljárást visszatevés nélküli mintavétel-
nek nevezik.
Határozzuk meg annak a ű hogy az n golyó között a fekete go-
lyók száma Ic (a többi n -k pedig nyilvánvalóan piros)!
Jelöljük a szóban forgó eseményt Ak -val.
Mivel a fent említett módszerek elvileg különböznek egymástól, vizsgáljuk azt
az esetet, amikor az II golyó kivétele egyszerre történik. Eld<or az elemi esemé-
nyek száma
(3.7)
A kérdezett Ak esemény akkor következik be, ha az II golyó között k számú
fekete és II - Ic számú piros golyó van. A Ic számú feketét az II - le számú
pirosat (: = 7) -féleképpen lehet kiválasztani, így az Ak esemény összesen
(3.8)
módon valósulhat meg.
A keresett valószínüség, figyelembe véve a (3.7)-et és (3.8)-at:
PCA ) =
k (:J'
(3.9)
Ic = O, 1, ... , n, II :s; min(M, N - M).
A P(A.) helyett a p" szimbólum is használatos.
63
(Itt azt tettük fel, hogy minden n elemü visszatevés nélküli minta kiválasztása
egyformán valószínü.) ... . .
Belátható, hogy ugyanezt a valószínüséget kapjuk akkor IS, ha az n kive-
tele egymás utáni húzásokkal történik, visszatevés nélkül. (Nem részletezzuk.)
Ha az M és az N értéke nagy az n-hez képest, aldwr a p. értékek a gyakorlat
számára ő pontossággal ő a visszatevéses mintavételnél megis-
mert valószínüségértékekkel, azaz
(n)(MJk(N -MJ"-k
(:) Ic N N
(3.10)
Ez abból a megfontolásból is adódik, hogy ilyenkor a kivett minta nem befolyá-
solja lényegesen az összetételt.
64
3.3. Példa. .
Egy ő ő hallgatóinak a száma 600. ő 250 ő fiú és 350 lány.
a) Az ő között, mivel tanulmányi átlaguk még nincs, sorsolás alapján
osztanak szét 20 tandíj mentességet. Mennyi a valószínüsége, hogy közöttük
8 fiú lesz?
b) Az ő gólyabálján 20 ajándéktárgyat hogy
húzásnál az összes név közül választanak. MennyI a valoszmllsege, hogy 8 tar-
gyat fiú nyer, a többit lány?
MEGOLDÁS.
Az a) kérdés esetében a (3.9) képletbe ő behelyettesítve kapjuk:
(
250)(350J
p. = 8 12 = ° 1806 .
8 ,
A b) kérdés esetében a (3.6) képletet használva:
p. =[20J (250)8 .(350J I2 =0,1777.
8 8 600 600
Tehát, ha a minta elemszáma nagyságrenddel kisebb az alapsokaság elemszá-
mánál, aldwr a kétféleképpen kiszámított eredmény jól közelíti egymást.
3.4. Példa.
Tekintsük a 3.2. példát azzal az eltéréssel, hogy most a 100 ő ame-
lyek között 10% selejtes, visszatevés néllcül veszünk 5 elemíí mintát. Kérdés,
mekkora a valószíníísége annak, hogy a ű kivett darabok között
2 selejtes lesz?
MEGOLDÁS:Példánkban M=lO; N-M==90; k=2 és n-k=3, így
3.5. Példa.
Valamilyen termék átvételekor ő ő végzünk. Mintavételi tervet
készí tünk:
Minden 100-as tételböl választunk egy 10 elemíí véletlen mintát (visszate-
vés nélkül), és a 100-as tételt átvesszük, ha a mintában legfeljebb egy selejte-
set találunk. Egyébként visszautasíguk.
Felmerülhet a kérdés, hogy ezen átvételi terv szigorúsága hogyan függ a se-
1ejtaránytóJ?
MEGOLDÁS. Megválaszolásához az átvétel valószíníísége szükséges. Ehhez vi-
szont ismernünk kellene a tételben ő selejtes darabok arányát, amit jelöIjünk
p-vel. Az átvétel valószínüsége nyilván a p függvénye.
[
1
q J 100 pl l q J
PP(p) +
Az átvétel valószínüsége:
p == 0,0 lesetén 0,996,
P = 0,02 esetén 0,984,
p = 0,05 esetén már csak 0,914 .
q=l-p
P(P)·
l
0,
01
6,05
(3.5. ábra).
3.5. ábra
A számításokat a (3.1 O)-ben ismertetett közelítéssel végeztük.
p
65
3.4. Feltételes ű szorzási szabály
A továbbiakban azt vizsgáljuk, hogy valamely véletlen kísérletnél, megfigyelésnél
egy esemény bekövetkezése milyen mértékben befolyásolja egy másik esemény
bekövetkezését. Valószínübb-e egy A esemény bekövetkezése, ha a B esemény
már bekövetkezett?
A vizsgált eseményt - az A ő megkülönböztetve - A I B (',A vo-
nás B")-vel, valószínüségét pedig PCA I B) -vel fogjuk jelölni.
66
3.6. Példa.
Egy vállalatnál 50 férfi és 30 ő dolgozik. A férfiak között a szakképzettek
száma 45, a ő között 2l. Ezek szerint 5 férfi és 9 ő nem rendelkezik
szakképzettséggel. Foglaljuk táblázatba adatainkat.
A (férfi) A ő
B (szakképzett) 45 21 66
-
B (nem szakképzett) 5 9 14
50 30 80
A vállalat 80 dolgozójáról ő teljesen azonosnak ő kartonlapokat
készítünk. A kartotékokat összekeverjük és közülük egyet véletlenszerüen kivá-
lasztunk. Jelentse az A esemény azt, hogy férfi, a B esemény azt, hogy szak-
képzett dolgozó kartonját választottuk, feltéve, hogy bármelyik karton választása
ő valószínü.
Ekkor annak a valószínüsége, hogy egy találomra kiválasztott kartotékon egy
férfi neve van, PCA) = 50 = 0,625; az pedig, hogy egy szakképzett dolgozó
80
66
neve szerepel, P(B) = - = 0,825 .
80
Hasonló módon nyerjük a ő valószínüséget:
45
P(AnB) =- =0,5625.
80
Az AnB szimbólum nyilvánvalóan azt ez eseményt jelenti, hogy a kihúzott
kartoték egy szakképzett férfié.
Ha tudjuk a kihúzott kartotékról, hogy azon a "szakképzett" jelzés található,
vagyis B bekövetkezett, kérdezhetjük: meldmra lesz annak a valószínüsége,
hogy azon férfi neve szerepel. A 66 szakképzett között 45 a férfi, ezért ez a
valószínüség
PCA I B) = 45 = 0,682 .
66
A PCA I B) valószínüség felírható a ő is:
45
P(AIB)= 80 =P(AnB)=0682.
66 P(B) ,
80
A PCA I B) valószínüséget ily módon visszavezettük a PCA n B) és a P(B)
valószínüségek meghatározására.
Hasonlóan lehet értelmezni a P(B I A) valószínüséget is. Ha azt tudjuk,
hogy a kihúzott kartonon férfi neve szerepel, akkor annak a valószÍnüsége, hogy
azon "szakképzett" jelzés is található:
45
P(B I A) = 45 = 80 = PCA n B) = O 9 .
50 50 PCA) ,
80
A P(B I A) valószÍnüséget most a PCA n B) és a PCA) valószínüségek megha-
tározására vezettük vissza.
Ez általában is érvényes, amit a relatív gyakoriságokkal is beláthatunk.
Legyen A és B a H esemény térhez tartozó két ő esemény, és
P(B) '* O. Végezzünk n megfigyelést! Jelölje kA' kB' k
AD
az A, B és AnB
események gyakoriságát. Az A I B esemény relatív gyakorisága a
kAS
ka
hányados. Ha a kísérletek száma elég nagy, aldcor
kB"" P(B),
n
67

P(ArlB)
P(B)
n
(A jel itt azt hogy a relatív az adott ű körül inga-
dozik.)
indokolja az alábbi definíció be,/ez'eteset:
Ha az A és B a H F'SF'me,rzvl,,,rntc,, tartozó két esemény,
akkora
P(AI
hányadost az A eseménynek a B
ű nevezzük.
vonatkoztatott feltételes
A alapján ű belátható, hogya PCA I B) feltételes vahJsZIIUU-
is a ű azaz valóban ű
a H eseménytérben.
L O::; PCA I B)::; 1;
II. P(B I B) = l;
III. Ha AI'
ronként kizáró,
vagymegszámlálhatóan
tartozó esemény, akkor
sok, egymást pá.
68
IB)+
mindazok a tételek, amelyeket a 302-ben igazoltunk, a feltételes va,lOS:ZlDU-
is érvényesek.
3.7. Példa.
Egy urnában 10 15 fekete golyó van, Találomra kihúzunk
után két golyót visszatevés nélkül. Mekkora a annak, hogy a ma-
sodik golyót hú zunk hogy az ő alka-
lommaI is húztunk (AI esemény)?
a P( Az I A,) ű
MEGOLDÁS. A (3.11) definíció értelmében
így
)
PCA] rlA
2
)
lA,
PCA,)
10·9
PCA, rlA
2
)=-- és
25·24
9
24
10 10·24
PCA]) 25 25.24'
Az eredmény
volt; ugyanis a HLG'"V'U'" már csak 24
golyó van az urnában és
hú:zasnal már kihúztunk.
között 9 a fehér, egy fehér golyót az ő
ő hogy a feltételes valós7'.ínííRé,pe. vizsgáljuk, és annak
számíthatjuk ki a A rl B esemény valos2:mtJSe.get.
Szorozzuk meg ugyanis a (3.11) mindkét oldalát P(B) A
PCA rlB) = PCA I B)P(B)
összefüggéshez jutunk.
amelyet az alábbi
nevezzük a valószí.nüségek
fogalmazunk meg:
szabályának,
3.6. Ha A B a H eseményt érhez esemény és P(B):j: 0,
akkor együttes bekövetkezésük ű megegyezik az A eSR,mf'l!1J
B eseményre valószínííségének és a B
valószíní'lSégének
P(ArlB) P(AIB)P(B), P(B):j: O.
(3.12)
Ha az A és B cer""",...,,,t
és P(A):j: O, akkor a
P(BI
alapján
P(A rl B) = P(B I A)P(A).
(3.13)
3.8. Példa.
Egy áruszállítmány 96%-a a mmosegl ezek 60%-a
I. osztályú, 40%-a II. osztályú. Válasszunk ki találomra egyet az egész
69
szállítmányból. Mennyi a valószínüsége, hogy
a) L osztályút választunk (AI esemény);
b) II. osztályút választunk (Az esemény)?
MEGOLDÁS. ű okoskodással is azonnal látható, hogy az L osztályú vá-
lasztásának ű 0,96·0,6 = 0,576, a II. osztályú választásának való-
ű pedig 0,96·0,4 = 0,384 .
Gondoljuk csak meg, hogy itt tulajdonképpen a szorzási szabályt alkalmaz-
tuk mindkét esetben. Jelölje ugyanis B azt az eseményt, hogy a kiválasztott da-
rab ő ő Így az a) esetben
P(B n AI) = P(A
I
I B)P(B) = 0,6·0,96 = 0,576,
a b) esetben
P(B n A
2
) = P(A
2
I B)P(B) = 0,4·0,96 = 0,384 .
A ű szorzási szabálya n 2 eseményre is ő Ezt mond-
ja ki a ő tétel, amelyet a ű általános szorzási szabályának
neveznek.
3.7. TÉTEL. Legyenek Ai' Az, ... , A" a H esemény térhez tartozó ő ese-
mények és P( AI n Az n ... n A,,) :;i: O. Ekkor
P(A
I
n Az n ... n A,,) = P(AI)P(Az I I AI n Az)···
... P(A" I AI n Az n ... n A,,_I) .
A tétel bizonyítására, amely a 3.6. tétel többszöri alkalmazásán alapul, nem térünk ki.
3.5. A teljes ű tétele, a Bayes-tétel,
ű fa
3.8. TÉTEL. Ha a H esemény térhez tartozó B
I
, B
z
' ... , B" események teljes ese-
ményrendszert alkotnak és P(B
k
) > O (k = l, 2, ... , n), a/dmr bármely,
a H-hoz tartozó A esemény ű
PCA) = I, PCA I Bk )P(BJ . (3.14)
k=1
70
A tételt azért nevezik a teljes ű tételének, mert egy A esemény
ű (teljes ű feltételes ű ű
ségekböl) határozza meg.
Bizonyítás. Az, hogy a Bk (k = l, 2, ... , 11) események teljes rendszert alkotnak,
azt jelenti, hogy egymást páronként kizárják és összegük a biztos esemény. Az A
ő esemény ő egymást kizáró események összegeként az alábbi
módon:
és ezért
A = A n H = A n (B
I
u B
2
U .. . u BJ =
= (A nBJu (A nBz) u ... u (A nB,,),
PCA) = I,p(AnB
k
).
1=1
Alkalmazva a (3.12) képletet (a ű szorzási szabályát) az egyes
PCA n Bk) valószÍnüségekre, a bizonyítandó állítást kapjuk.
3.9. Példa.
Három umába helyezzünk el fehér és fekete golyókat, mégpedig az ő 2 fe-
hér és 3 fekete, a másodikba 4 fehér és 1 fekete, a harmadikba pedig 3 fehér
és 7 fekete golyót. A kísérlet abban áll, hogy 1/2 valószínüséggel az ő 1/3
ű a második és 1/6 ű a harmadik urnát választva,
a választott urnából kiveszünk egy golyót. A kérdés az, mennyi a ű
annak, hogy valamelyik urnából találomra kihúzva egy golyót, az fehér lesz.
MEGOLDÁS. A fehér golyó húzása három egymást kizáró módon jöhet létre. Je-
lölje B
I
, Bz, B3 az ő a második, illetve a harmadik urna választásának ese-
ményét. Ekkor a teljes ű tételét alkalmazva
s minthogy
1
P(B
2
)=-,
3
és az ő urnából 215, a másodikból 415, a hannadikból 3/10 ű
gel húzhatunk fehér golyót, azaz
4
PCA IB
2
) =-,
5
3
P(AIBJ= - ,
10
71
a kérdezett valószÍnüség tehát
2 1 4 1 3 1 31
PCA) =_._+_._+_.- =- '" 0,517.
5 2 5 3 10 6 60
3.10. Példa.
Egy mühelyben három mílszakban készítik ugyanazt az alkatrészt. Egy napon
az összesen gyártott alkatrészek 40%-a készült az ő müszakban, és 30 - 30%-a
a második, illetve a harmadik müszakban. Az ő ű elkészült alkat-
részek 5%-a, a másodikban gyártottak 7%-a, a harmadikban gyártottak 10%-a
selejtes. A három ű ő alkatrészek teljes ő a.mi-
ő ő találomra kiválaszt egyet és megvizsgálja. Mekkora a ű
sége annak, hogy ez hibátlan?
MEGOLDÁS. Jelölje A a hibátlan alkatrész kiválasztásának eseményét, B" Bz,
BJ pedig azt, hogy az ő második, harmadik ű készült a kihúzott
darab. Alkalmazva a teljes ű tételét:
3
PCA) = L PCA I Bk )P(B
k
) = 0,95 . 0,4 + 0,93·0,3 + 0,9 · 0,3 = 0,929.
h'
ő hogy a P(B
k
I A) (1:::;; k:::;; n) valószínüségre van szükségünk
3.9. TÉTEL. (Bayes-tétel.) Ha a H esemény/érhez tartozó B" B
z
' . ", B" esemé-
nyek teljes eseményrendszert alkotnak és P(B
k
) > ° (k = 1. 2, " ', n),
akkor bármely, a H-hoz tartozó, pozitív ű ű A eseményre
igaz, hogy
P(B
k
IA)= ;(AIBk)P(B
k
) (k=l, 2, ... , n) . (3.15)
LP(A I B;)P(B;)
1='
Bizonyítás. A valószÍnüségek szorzási szabálya értelmében a (3.12) és (3.13) össze-
fúggéseketjelen esetre alkalmazva kapjuk, hogy
Innen pedig
72
P(B
k
I A)P(A) = PCA I Bk )P(B
k
) •
P(B
k
I A)
PCA I Bk )P(B
k
)
PCA)
A teljes ű tétele szerint azonban
PCA) = I,P(A I BJP(Bj),
;=1
amit az ő ő tört ő helyettesítve a bizonyítandó tétel hez jutunk
Ez a tétel azt jelenti, hogy ha ismerjük az A esemény feltételes valószínüségét
a B" Bz, . . . , Bn teljes eseményrendszer eseményeire vonatkozóan, továbbá ismer-
tek a Bk események ű akkor a Bk (k = l, 2, . .. , n) eseményeknek
az A feltéteire vonatkozó feltételes ű ki tudjuk számítani .
Szokás a P(B. I A) valószínüségeket"a pos teri ori " ű a P(B
k
)
valószínüségeket pedig "a priori" valószÍnííségeknek is nevezni. Amennyiben ez
utóbbiak eleve (a priori) ismeretesek, a tétel sok nevezetes probléma megoldására
használható (l. a 3.9. pontot).
3.11. Példa.
Tekintsük ismét a 3.9. példát, és fordítsuk meg a problémát. Azt kérdezzük,
hogy mennyi a ű annak, hogy a húzás az ő urnából történt, ha a
húzás eredménye fehér golyó volt.
MEGOLDÁS. HelyettesÍtsük be a 3.9. példában kapott értékeket a (3.15) képletbe.
Ekkor azt kapjuk, hogy
2 1
P(B I A) = PCA I B,)P(B,) = s'z =.!3..
, PCA) 31
60
Tehát 12/31 a valószÍníísége annak, hogy ha fehér golyót húztunk, akkor a hú-
zás az ő umából történt.
Hasonló módon kaphaljuk meg a

és a
3
P(B} IA)=-
31
ű ő leolvashaljuk, hogy ha fehér golyót húztunk, ak-
kor 16/31 a ű hogy a húzás a második, és 3/31 a ű
hogy a hannadik umából történt.
Vegyük észre, hogy B, u B
2
U BJ = H, tehát
P(B, I A) + P(B
2
I A) + P(B} I A) = P(B, U Bz u B3 I A) =
=P(HI A) =1.
73
Ha egy kísérlet egymás után elvégzett véletlensze;ü sorozatára
fel, aklcor a lehetséges végkimenetelek egy fastruktúra agamak feleltethetok meg.
Egy ilyen kísérlet jól ő egy ,ágaIra
fel vehet jük a lehetséges elemi eseményeket es a hozzajuk tartozo valoszmusegeket.
A ő kiindulva ágak sorozatán keresztül juthatunk el valamely végpont-
hoz, amelynek során a feladat egy lehetséges megoldását olvashatjuk kI. A telantett
megoldás valószínüségét pedig a szorzási szabály segítségével kapjuk meg.
A 3. 6. ábrán ábrázoltuk a 3.9. példa ű fa struktúráját és az elemi
események valószínüségeit.
B : I. urna
I
B : 2. urna
B : 3. urna
A: fehér
PCA) =
fi: fekete
pCA) =
5
PCA) =
fi: fekete
pCA)
A: fehér
3
PCA) = TO
fi: fekete
pCA) =.!...
10
3.6. ábra
122
P(B nA)=-.-=-
I 2 5 10
P(B
I 2 5 10
l 4 4
p(B1 nA)=3S=15
(
_) l l l
P B nA =_._=-
2 3 5 15
l 3 3
P(B nA)=-.-=-
) 6 10 60
(
-) l 7 7
P B nA =-'-=-
) 6 10 60
3.6. Események függetlensége
Két esemény fuggetlenségén a köznapi szóhasználatban azt hogy az egyik
bekövetkezése nem befolyásolja a másik bekövetkezését.
Egyrészt nehéz azonban eldönteni csupán a szemlélet alapján, hogy ez valóban
igaz-e? Másrészt az is pontosabb körülírást igényeIne, hogy mivel mérj ük a két
esemény egymásra hatásának tényét. Szubjektív ő ő mentes, egyértelmüen
ő matematikai definíciót kell kialakítanunk.
A feltételes valószÍnüség fogalmának bevezetésekor egy konkrét példát vizsgál-
tunk. Azt találtuk, hogy A-val jelölve egy sokaságban a férfiakat, B-vel pedig a
74
szakképzetteket, annak valószínüsége, hogy a szakképzettek kartotékjai közül egyet
találomra kiválasztva, azon férfi neve szerepel, más, mint amikor a húzás az összes
kartoték közül történik, azaz
PCA I B)"* P(A).
Azt mondhatjuk, hogy az adott esetben a nem és a szakképzettség egymástól
nem fUggetlen tulajdonságok.
Más azonban a helyzet, ha a kérdéses 80 dolgozó adatai történetesen így ala-
kulnak:
A (férfi)
B (szakképzett) 45
-
B (nem szakképzett) 5
50
Most ugyanis
és
tehát
PCA) = 50 = 0,625 ,
80
PCA I B) = 45 = 0,625 ,
72
PCA I B) = PCA) .
A ő
27 72
3 8
30 80
A férfi dolgozók ő valószÍnüsége ezek szerint jelen esetben ugyan-
akkora a szakképzettek között, mint az összes dolgozók között.
ő tehát arra következtetnünk, hogy ha két eseményre, az A-ra és B-re
PCA I B) = PCA) , akkor a B esemény senunilyen befolyással nincs az A esemény-
re. Ez esetben azt mondjuk, hogy A független ő A feltételes valószÍnüség
(3.11) definíciójából, illetve a (3.12) szorzási szabályból következik, hogy ekkor
PCA n B) = PCA I B)P(B) = P(A)P(B) .
(3.16)
Írjuk fel a P(B I A) feltételes valószínüség definícióját a (3.16) figyelembevéte-
lével.
75
P(B I A) = PCA n B) = P(A)P(B) = P(B)
PCA) PCA) ,
feltéve, hogy PCA) > O, azaz
P(B I A) = P(B) ,
ami éppen azt jelenti, hogy a B esemény is független az A ő Tehát
PCA I B) = PCA) <=> P(B I A) = P(B) <=> PCA n B) = P(A)P(B) .
A függetlenség tehát szimmetrikus fogalom, ű defmíciójául az ekviva-
lens ő közül az alábbit elfogadni.
DEFINÍCIÓ. Legyen A és B a H esemény térhez tartozó két esemény. Az A és B
eseményeket egymástól függedelIllek (vagy sztochasztikus an függet-
lennek) nevezzük, ha
PCA n B) = P(A)P(B). (3.17)
3.12. Példa.
Egy ládában
25 darab L osztályú x típusú,
25 darab L osztályú y típusú,
25 darab II. osztályú x típusú,
25 darab II. osztályú y típusú
termék van. Jelentse A az L osztályú termék választásának az eseményét és B
az x típusú tennék választásáét.
Ekkor
P(AnB)= 25
100 4'
PCA) = 50 = és P(B) = =
100 2 100 2
Így PCA n B) = P(A)P(B) , azaz az A és a B események függetlenek egymás-
tól, ami ő várható volt.
Megjegyzés:
Ha PCA) = O vagy PCA) = l, akkor az A esemény minden más ő füg-
getlen.
3.10. TÉTEL. Ha az A és B események fliggetlenek, akkor az A és B, A és B,
A és B események is függetlenek.
76
Bizonyitás. Bizonyítsuk be pl. azt, hogy az A és 8 függetlenek.
Mivel A=(A n S)u(AnB) és (AnS)n(AnE)=0, így
PCA) = PCA n SJ + PCA n E).
ő
P(AnE) = P(A)- PCA n B).
Ha azonban az A és B függetlenek, akkor PCA n B) = P(A)P(S), tehát
PCA n E) = PCA) - P(A)P(B) = P(A)[I-P(BJ] = P(A)P(B).
Hasonló módon igazolható a többi állítás is.
A függetlenség fogalmát terjesszük ki ezután három eseményre, A-ra, B-re és
C-re. Tegyük fel, hogy ezek páronként függetlenek, azaz PCA n B) = P(A)P(B) ,
p(AnC)=P(A)P(C) és P(BnC)=P(B)P(C). Kérdés, hogy fennáll-e a
PCA nB n C) = P(A)P(B)P(C) összefüggés. A páronkénti ő ez
általában még nem következik, amint a ő példa is mutatja.
3.13. Példa.
I Legyen lásérletünk az, hogy két kockával dobunk, melyek közül az egyik piros,
a másik fekete . Jelentse az A esemény azt, hogy a pirossal páratlan számot, B
azt, hogy a feketével páratlan számot dobunk, C pedig legyen az, hogy a két
dobás összege páratlan.
Vizsgáljuk A, B, C függetlenségét!
MEGOLDÁS. Mint könnyen ő ő róla, bármelyik két esemény füg-
getlen egymástól. Ugyanis
és
18 l
P(A)=P(B)=P(C)= 36 ="2 '
9 1
P(AnB) =P(AnC)=P(BnC) =- =- .
36 4
Ezzel szemben a három esemény ű nem következhet be, így
P(AnBnC) = O.
77
3.14. Példa.
Az ő ő példában ő két kockával kapcsolatos kísérletünkben legyen most
az A, B és C esemény a ő
A esemény: a piros kockávallegfeljebb 3-ast doblU1k,
B esemény: a fekete kockával legalább 5-öst dobunk,
C esemény: a pontszámok összege 4, 5, 6 vagy 7.
Vizsgáljuk itt is a fiiggetlenségeket!
MEGOLDÁS.
18 1 12 1 18 1
P(A)=-==- P(B)=-=-, P(C)==-=-;
36 2' 36 3 36 2
3 l
P(AnB nC) ==- =- == P(A)P(B)P(C).
36 12
Nézzük a páronkénti függetlenséget!
6 l
PCA n B) == 36 ="6 = P(A)P(B) ,
12 1
PCA n C) =- == - ef. P(A)P(C),
36 3
3 l
P(B n C) == 36 = 12 ef. P(B)P(C) .
Látható, hogy sem az A, sem a B nem ftiggetlen a ő
A PCA n B n C) == P(A)P(B)P(C) ő ő tehát általában nem
következik a páronkénti függetlenség.
DEFINíCió. Egy H esem ény t érhez tartozó A, B és C eseményt függetleneknek
nevezzük, ha a ő összefüggések mindegyike teljesül:
PCA n B) == P(A)P(B) ,
P(AnC) = P(A)P(C) ,
P(Bn C) == P(B)P(C) ,
PCA n B n C) == P(A)P(B)P(C).
Ekkor a három eseményt teljesen függetlennek is szokás nevezni, megkülön-
böztetvén a páronkénti ő
78
3.7. Bernoulli-kísérletsorozat
A függetlenséget eddig olyan eseményekre definiáltuk, amelyek mindegyike ugyan-
azon eseménytérhez tartozott, más szóval olyan eseményekre, amelyek mindegyike
ugyanazon kísérlettel volt kapcsolatos.
Most egy új, az eddigieIméI általánosabb fogalmat, a fiiggetIen kísérletek fogal-
mát vezetjük be.
Ha egy kísérletet ugyanolyan körülmények között többször megismétlünk (is-
mételt kisérletek), akkor a megismételt kísérletek kimenetelei nem befolyásolják
egymást. Ha tehát az ő kísérlet eredménye egy A esemény, akkor ő független
az, hogy ismétléskor mi következik be. Pl. a többször ismételt kockadobás, érme-
dobás stb.
Ugyancsak fiiggetlen ő beszélhetünk ald<or is, ha több kísérletet vég-
zünk egyszerre (többszörös kísérletek), és az egyes kísérletek kimenetelei nincse-
nek egymásra semmiféle befolyással. Pl. egy játékkockát és egy pénzdarabot do-
bunk fel egyszerre.
Amikor tehát egymástól függetlenül végrehajtott ő beszélünk, akkor
ezzel arra utalunk, hogy a kísérletek között semmiféle kapcsolat nincs. Ez nem ma-
tematikai fogalom, de gyakorlati szempontból mégis félreélthetetlen jelentése van.
Tekintsünk két, egymástól függetlenül végrehajtott kísérletet. Legyen AI az el-
ő A
2
pedig a második kísérlettel kapcsolatos esemény. Az ő kísérlettel kapcso-
latos esemény teret HI' a másodikkal kapcsolatos eseményteret H
2
szimbólummal
jelölve, nyilvánvaló, hogy az ő kísérletnél ő AI esemény a HI' míg a
másodiknál ő Az esemény a H 2 eseménytér részhalmaza, azaz
A két kísérletet egyesítsük egy olyan kísérletté, amelynek lehetséges kimene-
telei a HI és H
2
ő alkotott rendezett párok.
Így már tudjuk vizsgálni az AI és A
2
események együttes bekövetkezésének
valószínüségét, vagyis meghatározhatjuk a P(A
I
n A,) -t, illetve azt, hogy a
P(A
I
n A
2
) = ő fennáll-e .
3.15. Példa.
Dobjunk fel egy játékkockát és egy pénzdarabot egyszerre.
a) Írjuk fel a kísérlethez tartozó eseménytér pontjait!
b) Legyen AI az az esemény, hogy ajátékkockán páros pontszám, A
2
pedig az,
79
hogy a pénzdarabon írás kerül felülre. Állítsuk ő az AI n Az eseményt!
c) Számítsuk ki a P(A
I
n AJ ű
MEGOLDÁS. Most arról van szó, hogy ű két kísérletet hajtunk végre.
A kockadobáshoz a HI = {l, 2, 3, 4, 5, 6} esemény tér, a pénzdobáshoz a
H
2
= {i; f} eseménytér tartozik.
a) A két kísérletet egyszerre végrehajtva az ún. egyesített kísérlet eseménytere
a HI x Hz Descartes-szorzat lesz.
H
l
xHz={(1;f), (2;f), ... , (6;f), (1;i), (2;i), ... , (6;i)}.
Az egyesített kísérletnek 12 kimenetele van.
b) Mivel Al = {2, 4, 6} és A
2
= { i}, így
A]nA
2
={(2;i), (4;i), (6;i)}.
c) Tegyük fel, hogy minden pár bekövetkezése' egyformán ű Mivel az
AI n A
2
esemény szempontjából a ő elemi események száma 3 és a
HI x H
2
összes elemi eseményének száma 12, így
3 I 3 l
PCA n il) =- =- =-.- = PCA )P( il ).
I '''2 12 4 6 2 I '''2
Hasonló összefüggés igazolható HI' illetve H
2
ő eseményére. Ezek
után, ha bármely A] c HI és A
2
C Hz eseményre
akkor joggal mondhatjuk azt, hogya HI eseménytérhez tartozó kísérlet és a H
2
esemény térhez tartozó kísérlet független egymástól.
E példa következtetései az alábbi definícióban általánosíthatók.
DEFINÍCIÓ. Tekintsünk n számú kísérletet. Ha az ő kísérleInél egy ő
A] esemény ő ű P(A]), a második kísér-
letnél egy · ő Az esemény ő ű
P(Az}, . . . , az n-edik kísérletnél egy ő A" ő
dulásának ű P(A,,), és annak a ű hogy az
80
ő az A], a másodiknál az Az , ... , az n-ediknél az A" esemény
következik be, ő az egyes ű szorzatával, azaz
(3.18)
minden AI' . . . , An esetén, akkor a kísérletekel független kísér/e-
teknek nevezzük.
A 3.3. részben már tárgyaltunk olyan példákat, amelyek valójában független kí-
sérletek együttes végrehajtásából álltak, de ezeket kénytelenek voltunk egy kísér-
letnek tekinteni, mert még nem ismertük a független kísérlet fogalmát.
3.16. Példa.
Független kísérletsorozat esetén mekkora a ű annak, hogy egy koc-
kát n-szer feldobva, valamennyi dobás 6-os?
MEGOLDÁS. A (3.18) képlet alapján ez a ű A 3.3. részben
ezt úgy oldottuk meg, hogy meghatároztuk az összes lehetséges elemi esemé-
nyek számát, mégpedig az n egymás utáni dobást egy kísérletnek tekintve. Ez
hat elem n-edosztályú variációinak száma, 6
n
, és közülük csak egy olyan van,
ahol minden dobás 6-os.
A független kísérletek vizsgálata során, kiemeJt fontossága miatt részletesen ki-
térünk az ún. Bemoulli-kísérletsorozatokra.
Függetlenül megismételt Idsérletek sorozatát Bernoulli-kísérletsorozatnak ne-
vezzük, ha az egyes kísérletelmek két lehetséges kimenetelét vizsgáljuk, valamely
A eseményt, illetve annak komplementerét (A) . Az A és az A ű a
kísérletsorozat során változatlan marad.
Tekintsünk egy kísérletet, amelyben egy A esemény bekövetkezésének való-
ű p, be nem következésének ű nyilvánvalóan 1- p = q . Vé-
gezzük el a kísérletet azonos körülmények között egymástól függetlenül n-szer
egymás után. Ekkor annak a ű hogy az ő k kísérletben az A ese-
mény, valamennyi további n - k kísérletben pedig az A esemény következik be, a
független kísérletekre vonatkozó (3.18) összefüggés értelmében
P(:4 n A n . .. n n ,A n A n ... n =
k n-k
= f(A)P(A) ... P(A),P(A)P(A) ... = pkq"-k .
k II-k
81
Nyilvánvaló azonban, hogy ugyanezt az eredményt kapjuk, ha azt kérdezzük,
hogy a fenti kísérletsorozat valamely másik k kísérletében az A esemény, a töb-
biben pedig az A esemény következik-e be. Mivel az n hosszúságú kísérletsoro-
zatban a k számú A esemény -féleképpen helyezkedhet el, IGmondhatiuk a
ő tételt:
3.11. TÉTEL. Annak a ű hogy függetlenül megismételt kísérletek 11
hosszúságú sorozatában az A esemény pontosan k-SZOl' következik be,
p,. = q,,-k , (3 .19)
ahol
p = PCA) és q = 1- P = P(A).
A 3.3. részben tárgyalt visszatevéses mintavételi modellnélugyanerre az ered-
ményre jutottunk, hiszen a kivett mintát visszatéve a kísérletek egymástól függet-
lennek ő
82
3.17. Példa.
Egy kockát feldobunk n-szer. Legyen az A esemény az, hogy egy dobásnál
4-nél nagyobb pontszámot kapunk. Mennyi a ű annak, hogy az n
dobás között pontosan k-szor kapunk 4-nél nagyobb pontszámot?
MEGOLDÁS. Azonnal látható, hogy Bemoulli-kísérletsorozatról van sz6. A kér-
déses ű tehát a (3.19) képlet szerint
mivel
PCA) =3...
6
3.8. Geometriai ű
Sok val6színüségszámítási probléma megoldásánál a val6színüség meghatározását
geometriai alakzatok mértékeinek meghatározására vezetjük vissza. Az esemény te-
ret egy geometriai alakzattal reprezentáljuk, pl. szakasz, görbeív, síKidom stb.
Mértéken a geometriai alakzat hosszát, ívhosszát, területét stb. értjük. Az elemi
események a szóban forgó alakzat pontjai. Például egy ű objektumnak egy
R sugarú, körlap alakú lemezre ő becsapódásakor a kísérlet kimeneteleként a
körlap egy pontja ő
DEFINÍCIÓ. Ha ő hogy egy geometriai alakzattal megadott H esemény-
térben annak ű hogy egy véletlen pont az A c H résztar-
tományba esik, arányos az A tartomány mértékével (amennyiben ez
létezik), geometriai ű beszélünk.
3.18. Példa.
Az R sugarú céltáblára lövéseket adunk le. Tekintsük biztos eseménynek azt,
hogy acéltáblát eltal áljuk. Jelöljük A-val azt az eseményt, hogy a középpont
körül egy r s R sugarú körön belül esik találatunk. Tegyük fel, hogy geometriai
ű ő van sz6, azaz
ahol 2 egy arányossági ő Ez a ő határozhat6 meg:
Jelöljük H-val a teljes céltáblára esés eseményét, azaz a biztos eseményt.
Ekkor
ahonnan
és így
l
2=-2-'
R7r
Az elmondottak általában is érvényesek:
Annak ű hogy egy H tmtományba ő pont egyúttal az A rész-
tartományba esik, megegyezik e két tartomány területének hányadosával, feltéve,
83
hogy az egyes tartományokra esés ű arányos az ő tartomány terüle-
tével, azaz
()
az A tartomány területe
p A = .
a H tartomány területe
Meggondolásaink nemcsak síkbeli, hanem egyenes- és térbeli tartományokra is
érvényesek. Így például annak a valószínüsége, hogy egyegységnyi hosszúságú
szakaszt 10 ő részre osztva egy véletlenszerüen ráhelyezett pont az egyik
1110 hosszúságú szakaszra esik, geometriai valószínüséget feltételezve 1110.
3.9. Szubjektív ű
A ű a korábbi értelmezés szerint, az a szám, amely körül a relatív gya-
koriság statisztikai ingadozást végez, a relatív gyakoriságok sztochasztikus határér-
téke, amennyiben feltételezzük a kísérlet ő számú ő
Mit tehetünk azonban az olyan köznyelvben használt ítéletekkel, hogy 80% a
ű annak, hogy holnap esni fog az ő vagy valószínüleg Kati keresett.
A gazdasági életben is nagyon sokszor kell feltennünk a ő vagy hasonló
kérdéseket: Mennyire ű hogy egy új termék elér egy adott piaci részese-
dést? A várható kereslet gyenge, közepes vagy ő lesz egy új termék esetén?
Ezek a kérdések olyan eseményekre vonatkoznak, amelyek nem rendelkeznek az
akárhányszor ő tulajdonságával, így a korábban értelmezett valószí-
ű nem használható. Ebben a pontban megismerkedünk a bizonytalan-
ság körülményei közötti gazdasági döntésekben alkalmazható új valószínüség-
fogalommal, az úgynevezett szubjektív ű majd vizsgáljuk a bizony-
talanság, a szubjektív ű és a Bayes-tétel kapcsolódását.
A SZUBJEKTÍV Ű ÉRTELMEZÉSE
Objektívnek tekintünk valamit, ha az a tudatunktól függetlenül létezik. TIyen érte-
lemben az objektivitás a külvilág attribúturna. Az eddigiekben értelmezett valószí-
ű is a külvilág, egy kísérlet tudatunktól függetlenül ő tulajdonsága, ezéli
kapta az objektív ű elnevezést.
A ű szubjektív értelmezése ő F. P. Ramsey (1926), majd B.
de Finetti (1937) munkásságában jelenik meg egy esemény bekövetkezésébe ve-
tett hit fokának a mértékeként. Ő ezt a ű mértéket egy fogadási
helyzettel definiálják. A fogadási helyzet során a játékos, akinek egy esemény be-
következésére vonatkozó hitét méljük, fogad a ő A fogadási helyzet
a ő
84
A játékos mond egy arányt, ami az ő fogadási hányadosa, q. A ő en-
nek ismeretében tesz egy tétet: S. A játékos qS összeget fizet azért, hogy játszhas-
son az esemény ő függetlenül. Míg ha az esemény tényegesen bekövet-
kezik, akkor a ő S összeget fizet a játékosnak.
Az ő ő élielmezés illusztrálására tekintsük a ő ű példát.
3.19. Példa.
Vizsgáljuk meg, hogy mit jelent a ő kijelentés: szerintem 70% annak a
valószínüsége, hogy holnap esni fog.
MEGOLDÁS. Ebben az esetben 0,7 a hit foka arra vonatkozóan, hogy holnap
esni fog, vagyis a fogadási hányados q = 0,7. A ő ennek ismeretében
S = 100 Ft tétet tesz feJ. Így én 70 Ft-ot vagyok hajlandó fizetni azért a játé-
kért, hogy nyerek 100 Ft-ot, ha tényleg esni fog és elveszítem a 70 Ft-ot, ha
nem esik.
Ramsey és de Finetti tehát az egyén hiteinek mérését azzal a racionális fogadás-
sal kapcsolja össze, amibe az egyén hajlandó belemenni, így az esély, aminél haj-
landó fogadni az egyén, határozza meg a ű
Megjegyzés:
A ű szubjektív értelmezésében de Finetti odáig megy, hogy azt állítja, hogy az olyan ese-
mények ű mint a pénzfeldobás sem lehetnek az egyének hiteitöl független létezök, így
szerinte a ű objektívnek tekinteni téves felfogás. Ez az értelmezés komoly vitákat váltott
ki. De Finett i felfogásában ő az objektív ű létezésének ő kifogásol-
ták. A ű körüli vitákat még ma sem tekinthetjük lezártnak. Mi azonban arra a napjainkban
legelfogadottabb álláspontra helyezkedünk, amelyik a ű kétféle értelmezését (szubjektív,
objektív) együtt használja.
Tekintsük a már említett ű Kati keresett" példát. Ebben az esetben
nem egy esemény ő van szó, hanem egy tényállást, egy helyzetet
értékelünk a megérzéseink alapján. A tényállást, helyzetet, ő tudni akarjuk,
hogy igaz vagy hamis, állapotnak nevezzük a továbbiakban. Ha vizsgáljuk a szóba
ő telefonálók halmazát, ald<ür az a tényállás, hogy "Kati telefonált" egy lehet-
séges állapot a szóba ő közül. Az i-edik állapotot a ő Bj szimbólum-
mal jelöljük. A P(BJ egy lehetséges állapot valószÍnüsége, ami azt fejezi ki , hogy
az ítéletet mondó mennyire bizonyos, illetve bizonytalan abban, hogy Kati volt a
telefonáló.
Ezekben az esetekben a ű nem a véletlen kísérlettel függ össze, ha-
nem a bizonytalanság egy kifejezéseként használjuk. Amikor nem tudjuk megálla-
pítani, hogy egy esemény (állapot) igaz vagy hamis, akkor csak annyit mondunk,
hogy lehetséges vagy ű A ő állapotoknak ő ű
85
ségi szint je lehet, ami attól fúgg, hogy mi azt gondoljuk, hogy az a ű
hogy igaz, vagy az, hogy .nem.
Az l ű azt jelenti, hogy abszolút biztosak vagytmk, hogy igaz. A °
ű esetén is abszolút biztosak vagyunk, de abban, hogy nem igaz a tény-
állás. A 0,5 ű jelenti azt, hogy abszolút bizonytalanok vagyunk, hogy
fennáll-e az állapot, vagy nem.
A szubjektív ű D. Wickmann (1990) által megfogalmazott éiielme-
zése a ő A valószím7ség a szubjektumnak egy adott állapot
megítélésére vonatkozó bizonyossági foka.
A bizonyossági szintet az "igazságos fogadás paradigmájával" kapcsoljuk össze.
Korábban láttuk, hogy már Ramsey és de Finetti is összekapcsolták a hit fold-
nak mérését a fogadási hajlandósággal. Az igazságos fogadás a ő
történik:
86
3.20. Példa.
Legyen Bi egy bizonyos állapot. D személy azt mondja, hogy P(B() =_a_
a+b
(pl. 0,9), a, b E N, a + b*-O mértékig biztos abban, hogy a Bi állapot feJmáll.
Ha A és B egy bizonyos H összegre fogadnak, ő H . _a_ (0,9H)
a+b
az A ő H . _b_ (O,IH) pedig a B ő származik, alclcor a
a+b
fogadási aránya: b (9: l) az A szempontjából. Az A fogad Bi -re, B pedig
Bi tagadására, és a nyertesé lesz az egész összeg. Az igazságosság azt jelenti,
hogy D szempontjából mind a ő ő a nyerési esélyeik, _a __
a+b
vel azt fejezi ki, hogy egyaránt kész A vagy B helyett belépni.
3.21. Példa.
Vizsgáljuk, hogy mit jelent az igazságos fogadás szempontjából a ő ki-
jelentés: ,,70%-ig biztos vagyok abban, hogy Kati telefonált", állítja D.
MEGOLDÁS. Az állapot a ő B( = "Kati telefonált". P(B.) = _7_ = 0,7.
I 7 +3
A és B 10 OOO Ft összegre fogadnak úgy, hogy 7000 A-tól, 3000 pedig ő
származik. A fogadási arány tehát 7 : 3. Az A arra fogad, hogy Kati telefonált,
B pedig arra, hogy nem Kati volt a telefonáló.
A fenti értelmezések a szubjektív ű operatív defmícióját adják. A szak-
irodalomban ez a megközelítés nem egyedi. Például a fizikában az elektromos me-
ő is hasonlóképpen definiálják.
A ű axiomatikus felépítése Kolmogorov nevéhez ő
amelynek alapján a ű formális definíciója alatt azt a valós számot ért-
jük, amely a valószínííségi axiómáknak eleget tesz.
Az ún. koherencia feltételezésével az is kimutatható, hogy a fent értelmezett
szubjektív ű eleget tesznek a ű axiómáinak (C. Howson,
P. Urbach, 1989 és D. Gillies, 2000). A koherenciafeltételek azt jelentik, hogy le-
hetetlen létrehozni olyan fogadássorozatot azzal a személlyel szemben, aki követi a
koherencia feltételeit, hogy ez a személy biztosan veszítsen, függetlenül attól, hogy
mire fogadott.
Az így definiált bizonyossági szintek tehát joggal ő valószínííségelmek.
A BIZONYOSSÁGI SZINT ű
A szubjektív ű általában nehéz mérni. Azoknak az eseményelmek,
illetve állapotoknak a ű amelyek nagyon ritkán fordulnak ő vagy
szinte biztos, hogy ő azonban könnyen ő Például, ha
annak az eseménynek a bizonyossági szintjét kell megadni, hogy "holnap felkel a
Nap", a valószínííség l lesz. Ha pedig annak az állapotnak a bizonyossági szintjé-
ő beszélünk, hogy "sajtból van a Hold", aldwr a valószínüség közelít ° -hoz. Mit
tu,dunk ,azonban mondani annak az állapotnak a bizonyos sági ő hogy "fe-
her karacsonyunk lesz"?
A számszeríísítéssel szembeni elvárások a ő
a bizonyossági szintelmek összehasonlíthatóknak kell lenniük
bizonyossági szinteket egy skálán kell elhelyezni, '
a skálának nemcsak ordinálisnak kell lennie, hanem arányskálának is.
Ha ő akatjuk tenni a bizonytalanságot, meg kell adni egy etalont (stan-
dardot), amihez viszonyítunk. Például a hosszúság mérésére a Párizs mellett elhe-
lyezett l méter hosszú rúd a viszonyítási alap. A szubjektív ű mérésé-
nél a standard egy úgynevezett kalibrációs kísérlethez ő Ez egy egyszeríí
kísérlet, amelynél a kimenetek ű nagyon könnyen meghatározhatók és
ráadásul ezek a valószínüségek objektívek.
. Az általunk alkalmazandó kalibrációs kísérlet egy umás kísérlet. Egy urnában
bIzonyos számú piros és fehér golyó van. ű kiveszünk ő egy
golyót. A valószínííség standard mértéke legyen az urnában ő piros golyók ará-
nya. Ez a ű függ az urnában ő golyók számától. Például, ha az urná-
87
ban 8 piros és 2 fehér golyó van, aldmr 1 piros golyó kiválasztásának a valószÍ-
ű 0,8, ha csak pirosak vannak az umában, a ű l, és ha csak fehé-
rek, akkor a ű O.
Tétjünk vissza a "fehér karácsonyunk lesz" állapot valószÍnüségének számsze-
rüsítéséhez. A valószÍnüség meghatározásához a ő két fogadást hasonlít-
juk össze:
1. 10 OOO Ft-ot kapsz, ha fehér karácsony lesz, egyébként semmit.
2. 10 OOO Ft-ot kapsz, ha a kihúzott golyó piros, ha az umában 5 piros és 5 fe-
hér goly6 van, egyébként semmit.
Ha az ő fogadást részesíted ő aldmr szerinted annak a valószínüsége,
hogy fehér karácsony lesz, nagyobb, mint 0,5, ha a második fogadást preferálod,
akkor pedig kisebb 0,5-nél ez a ű
Tegyük fel, hogy az ő fogadást választottad, akImr a "fehér karácsony lesz
valószÍnüsége" 0,5 és 1 közé esik. Tekintsük a ő két fogadást:
1. 10 OOO Ft-ot kapsz, ha fehér karácsony lesz, egyébként semmit.
2. 10 OOO Ft kapsz, ha a kihúzott golyó piros, ha az umában 6 piros és 4 fehér
golyó van, egyébként semmit.
Tételezzük fel, hogy most a második fogadást részesÍted ő ez azt jelen-
ti, hogy annak a valószínüsége, hogy fehér karácsony lesz, kisebb, mint 0,6. Így a
szubjektív valószínüség 0,5 és 0,6 közé esik. Ha pontosabb becslést akarunk, akImr
újabb fogadásokat kell összehasonlítani.
SZUBJEKTÍV Ű ÉS A BAYES-TÉTEL
Legtöbbször a szubjektív val6színüség mögött is bizonyos ő tapasztalatok
húzódnak meg, a múltbeli adatokat azonban nem tudjuk vagy nem akarjuk elémi.
Ennek a bizonytalanságnak, információhiánynak a kifejezésére használjuk a szub-
jektív valószínüséget. Már de Finetti is kapcsolatba hozta a szubjektív ű
get a Bayes-téteIIel. A ő gondolatmenet mutaija a bizonytalanság, a szub-
jektív valószínüség és a Bayes-tétel összekapcsolódását.
Egy új termék piacra vitele ő nem tudjuk, hogy mekkora kereslet várható.
Ilyenkor csak azt tudjul( mondani, hogy szerintünk pl. 0,4 annak a ű
hogy a kereslet közepes lesz. Ez a valószínüség azonban módosulhat, ha új infor-
mációhoz jutunk. Például, ha kikérjük egy piackutató cég véleményét, vagy próba-
vásárlást végzünlc Módosítani a kezdeti ű amikor új információhoz
jutunk, ez a Bayes-i gondolkodás ő motívuma. A Bayes-tétel éppen azt fogalmaz-
za meg, hogy a racionálisan gondolkodó személy hogyan módosíthatja hipotézisét,
88
ha új információ birtokába jut. A korábbi jelölések felhasználásával ez a követke-
ő fogalmazható meg:
Tekintsük a {(jI' (j2' ... , (jn} lehetséges állapotok halmazát, amelyek a €J ál-
lapotteret alkotják. P((jj) az a szubjektív val6színüség, amivel egy adott személy
bizonyos abban, hogy a j-edik állapot fennáll. A P((j) -k által alkotott ű
ségeloszlás a €J állapottér adott személy általi becslését adja. A €J minél jobb
becslése érdekében az adott személy mintaadatokat szerez (x) és így átalakítja
eredeti becslését. Így kétféle ű beszélhetünk, egy minta ő
vagy a priori és egy minta utáni vagy a posteriori valószínüségeloszlásról. Az a
posteriori eloszlás meghatározása az a priori eloszlásból és a mintavétel adataiból
a Bayes-tétel segítségével történik, amit szemléletesen a 3.7. ábra tartalmaz.
a posteriori
P (B)x)
3.7. ábra
Minta-
információ
P(xIBj)
A Bayes-tétel az új jelölésekkel a ő fogalmazható meg:
P(B I x) = P(x I B)·P(B)
) II '
x: amintainformáció,
(JJ: a j-edik állapot,
Ip(x I BJ·P(BJ
;=1
P( (Jj): a j-edik állapotra vonatkozó szubjektív ű
P( (jj I x): a mintavétel utáni posteriori valószínüség,
P(x I (jj): a mintavételi statisztikából jól ismert megbízhatóság.
89
ő ismereteinket, amelyek bizonytalanság esetén szubjektív feltételezések-
ő ő származnak, matematikailag egy ű eloszlás meg-
adásával fogalmazzuk meg.
90
Alkalmazzuk a leírtakat a ő példán keresztül.
3.22. Példa.
Egy húsipari cég a piaci részesedésének növelése érdekében egy új ű új
megjelenésil szalámit fejlesztett ki. A vállalat egy valaha sikeres, de közben
ő jutó cég felvásárlása után 2 éve alakult új névvel, így a menedzsment
számára ő fontos, hogy ez az új telmék sikeres legyen. Ezért haj-
landók áldozni piackutatásra is.
A ő ő és ő álló team véleménye szerint kétfajta piaci
részesedés, 8% (B
I
) és 2% (B
2
) várható a termék piacra vitele esetén. A team
hosszas mérlegelés és a vélemények aggregálása után a 8%-os piaci részesedés
bekövetkezésének 60% esélyt, a 2%-05 piaci részesedésnek 40% esélyt fo-
galmazott meg, vagyis:
Ezek az a priori szubjektív valószÍnüségek.
A jobb döntés érdekében két piackutató céget is megkérdeztek. Mind a két
piackutató ugyanúgy két kategóriába sorolta az ő piaci részesedést, mint
a vállalat ő Az L piackutató kategóriái a ő 4% vagy annál
nagyobb (XI)' és 4%-nál kevesebb (xJ piaci részesedés, a II. számúé pedig
3% vagy annál nagyobb, és 3%-nál kevesebb piaci részesedés. A piackutatók
által közölt megbízhatósági adatokat az alábbi táblázatok tartalmazzák.
Az L számú piackutató megbízhatósági szinljei:
P(X
1
I B,) P(x
2
1 Bj) Együtt
BI 0,70 0,30 1,00
B
2
0,20 0,80 1,00
ahol a P(x, IBI) megbízhatóság azt jelenti, hogy P(x
I
I B.,) = 0,7 annak a való-
ű hogy Xl ő kapunk, ha el bekövetkezik, vagyis az infom1á-
ció mennyire megbízható.
A II. számú piackutató megbízhatósági szintjei:
P(X, I el) P(x
2
1 Bj) Együtt
BI 0,70 0,30 1,00
B
2
0,40 0,60 1,00
Hogyan módosulnak az a priori valószínüségek a piackutatóktól szerzett új in-
formációk hatására?
MEGOLDÁS. A piackutatókkal történt ő tárgyalás után, a kapott megbíz-
hatósági információk alapján az a priori ű változását a Bayes-tétel
alkalmazásával határozzuk meg.
A P(B, lXI) és P(B2Ixl) a posteriori ű és a meghatározásuk
menetét az alábbi táblázat tartalmazza:
A priori Feltételes Együttes A posteriori
valószínííségek ű valószínííségek valószínííségek
P(x
l
nB,) ==
P(BI I Xl) ==
ej p(eJ p(x, IBI)
=P(B)·P(xlIBj )
P(x
l
nB,)
=
P(x
l
)
Bl 0,60 0,70 0,42 0,84
B
2
0,40 0,20 0,08 0,16
A P(B
I
I X
2
) és a P(B
2
I X
2
) a posteriori ű kiszámítása hasonlóan
történik, így csak az eredményt közöljük. A táblázat az r. számú piackutató esetén
az a posteriori ű és az a priori valószínííségek együttes táblázata.
Bf P(B) p(e
l
I XI) P(B
j
I x
2
)
el 0,60 0,84 0,36
Bz
0,40 0,16 0,64
L 1,00 1,00 1,00
Az ő ő utat követve a II. számú piackutató esetén az a posteriori és a priori
valószÍnüségek együttes táblázata a ő
Bj p(e
j
) P(Bj I x,) P(B, I x
2
)
B, 0,60 0,64 0,53
Bz
0,40 0,36 0,47
L 1,00 1,00 1,00
A megbízhatósági szintek ő miatt a leét piackutató esetén különbö-
ő a posteriori valószÍnüségek születtek. Újabb információk szerzésével, a kapott
91
a posteriori ű a priori ű kezeive és alkalmazva a
Bayes-tételt még pontosabb a posteriori ű kaphatunk.
Befejezésül a téma iránt ő ő hallgatók számára álljon itt néhány ő
mti, hiszen a szubjektív ű és a Bayes-tétel alkalmazása sok olyan prob-
lémát felvet, amely túlmutat a könyv keretein.
De Finetti (1964): Foresight: its Local Laws, its Subjective Sources. Studies in Subjective
Probability. Kyburg, Smokler, New York.
Freneh, S. (1986): Decision Theory. Ellis HOl'word, Chichester.
Gil, J.-Wa/ker, L. D. (2005): Elicited Priors for Bayesian Model Specifications. Ghatham
& Hajl, New York.
Gillies, D. (2000): Philosophical Theories ofProbability. Routledge. pp. 223 + xiv.
Howson, C, Urbach, P. (1989): The Bayesian Approach. Open Court Publishing Company.
Ramsey, F. P. (1963): Tmth and Probability. Studies in Subjective Probability. John Wiley
and Sons, New York. '
Shafer, G. - Gi/ett, P. R.-Sherl, R. B. (2003) : Subjective Probability and Lower Upper
Precision: A New Understanding. International Journal of Approxnnate Reasorung.
Wickmann, D. (1998) : Bayes-statisztika. ELTE Eötvös Kiadó, Budapest.
92
4. Ű VÁLTOZÓ
4.1. A ű változó fogalma
Az eddigiekben annak ű vizsgáltuk, hogy egy esemény bekövetkezik-e,
vagy sem. Az esetek ő részében az eseményhez egy vagy több szám kap-
csolható. Ha például egy szabályos dobókockát dobunk fel, az egyes kimenetelek-
hez (elemi eseményekhez) az l, 2, .. . , 6 számokat rendelhet jük. Azt az összetett
eseményt, hogy páros számot dobunk, úgy is, hogy az ered-
mény a {2 ; 4 ; 6} halmaz valamelyik eleme. Telmészetesen a kocka oldalait kü-
ő színekkel is jelölhet jük, de ekkor azonnal hogy csak köliil-
ményesebben tudunk az ő beszélni. Ezért ilyenkor is ű az egyes
színekhez ő számokat rendelni. Dobjunk fel egy pénzérmét! A dobás
eredménye "fej" vagy "írás" lehet. Ekkor is hogy az egyes elemi ese-
ményekhez számokat rendel ünk, például a "fej" -hez a O-t, az "írás" -hoz az l-et.
Egy kísérlet kimeneteleihez többféleképpen is rendelhetünk számot. Ennek a
megválasztását gyakran a vizsgálat határozzák meg. Például a magyar
háztartásokhoz az adott háztartásban ő számát, a nettó össz-
jövedelmet, az egy ő ő jövedelmet, az ő mobiltelefonok számát, a
havonta ruhavásárlásra fordított összeget stb.
Ebben a fejezetben azzal az esettel foglalkozunk, amikor egy kísérlet lehetséges
kimeneteleinek mindegyikéhez pontosan egy számot rendelünk hozzá. Ekkor lé-
nyegében a lehetséges kimenetelek (elemi események) halmazán egy valós ű
függvényt értelmezünk.
DEFfNíCIÓ. Legyen adott egy véletlen kísérlet és az ehhez tartozó H eseménytér.
A H esemény téren értelmezett .; valós értékíí függvényt ű
változónak nevezzük.
A ű változókat általában görög ű .; (kszí), 17 (éta), ( (zéta)
stb. jelöljük.
A ű változó tehát a kísérlet minden h kimeneteléhez egy ';(h) va-
lós számot rendel.
Definíciónkat három fontos megjegyzéssel ki.
93
Megjegyzések:
1. ValószÍnüségi változó t csak olyan eseménytéren definiálunk, amelyhez tartozó
eseményekhez már rendeltünk ű vagyis ű ő al-
kotnak. Így a W valószÍnüségi ő elemi eseményeinek halmazán értelme-
zett függvény.
2. A továbbiakban < x jelöli azon h kimenetelek halmazát, melyekre < x
teljesül.
3. Véges ű ő az esemény tér ő A <;;;; H részhalmazá-
nak (eseménynek) ű meghatározhatjuk az A halmazt alkotó ele-
mek (elemi események) ű összegeként. Végtelen sok elemet tartal-
mazó H ő kiindulva (mint a 2. fejezetben említettük) még az sem
biztos, hogy egy kiválasztott végtelen részhalmaznak, azaz eseménynek van
valószÍnüsége. A továbbiakban viszont mindig feltételezzük, hogy bármely valós
x esetén a
< x
egyenlötlenségnek eleget ő halmaznak létezik a
< x)
ű
A W elemi eseményeinek halmazán végtelen sok ő függvényt, tehát
végtelen sok ű változót lehet értelmezni. Ezek közül a szokásjog vagy
az ésszer(íség ő bizonyos megoldásokat Ici tüntet. Például a szabályos játék-
kocka lapjait szinte mindig az l, 2, ... , 6 számokkal jelöljük annak ellenére,
hogy erre hasznáIhatnánk akár irracionális számokat is. Annál a kÍsérletnél, amikor
egy magyar háztartást választunk ki ű a ű változó lehet
pl., mint említettük, a háztartásban ő száma, a nettó összjövedelem, az egy ő
ő jövedelem, a ő száma stb., a vizsgálat szempontjai
szerint.
Ha egy véletlen kísérletet elvégzünk, a ű változó által felvett érték
mindig attól függ, hogy a kísérlet lehetséges kimenetelei közül melyik következik
be. Ezért a valószÍnüségi változó értéke lényegében egy ő ő szám-
adat.
94
Lássuk most az elmondottakat egy konkrét példa kapcsán.
4.1. Példa.
Feldobunk két szabályos dobókockát. A kísérlet lehetséges kimeneteleit rende-
zett számpárokkal jellemezzük (a két kockát megkülönböztetjük). Ígyegy 36
elemi eseményt tartalmazó klasszikus val6szÍnüségi ő jutunk. Jelölje a
. ű változó a dobott számok összegét. Ekkor a lehetséges érté-
kel: 2, 3, 4, "., 12. Az elemi eseményeket, a valószÍnüségi változó értékeit
és azok valószÍnüségeit az alábbi táblázat tartalmazza:
Dobott számpár (elemi események)
A'; A .; értékeihez
ű tartozó
változó értékei valószínüségek
(1; l)
2 1/36
(1; 2), (2; l)
3 2/36
(1; 3), (2; 2), (3; l)
4 3/36
(1; 4), (2; 3), (3; 2), (4; l)
5 4/36
(1; 5)) (2; 4), (3; 3), (4; 2), (5; l)
6 5/ 36
(1; 6), (2; 5), (3; 4), (4; 3), (5; 2), (6; l)
7 6/ 36
(2; 6), (3; 5), (4; 4), (5; 3), (6; 2)
8 5/36
(3; 6), (4; 5), (5; 4), (6; 3)
9 4/36
(4; 6), (5; 5), (6; 4)
10 3/36
(5; 6), (6; 5)
II 2/36
(6; 6)
12 1/36
Táblázatunkból kiolvasható például, hogy
2 6
= 3) =-; =7) =-
36 36'
P(2:$ < 5) = = = = 4) = _1 +2+l.-
36 36 36 6
Itt az elemi események és a lehetséges értékei közötti kapcsolat nem kö1csö-
egyértelmií. A = 5 érték például négy ő elemi eseményhez is
hozza van rendelve. A függvényfogalom szerint bármelyik elemi eseményhez
q -nek pontosan egy értéke tartozik. A lehetséges értékeit és az azokhoz tar-
tozó valószínüségeket a 4.1. ábrán nyíldiagrammal szemléltettük.
y
6
:3 6
2
36
t i
2
r t
4 6 8 10 12 x
4.1. ábra
95
DEFfNÍCIÓ. Ha a ű változó lehetséges értékeinek a száma véges
vagy megszámlálhatóan végtelen (sorozatba ő akkor diszkrét
vagy diszkrét eloszlású ű változónak nevezzük.
DEFINÍCIÓ. Ha a diszkrét eloszlású ; ű változó lehetséges értékei
X
1
,X
2
,X
3
' .. . , akkora P(;=x\), P(;=xzL " . valószí-
ű a ű változó eloszlásának vagy ű
eloszlásának nevezzük
ű belátni, hogy ekkor
ahol az összegzést az összes lehetséges i értékre elvégezzük, és így egy véges
vagy végtelen összeget kapunk. A ű tehát az l ű
el a ; lehetséges értékei között. Vannak azonban olyan eseményterek is,
melyeknek elemei a megszámlálhatóan végtelennél ő halmazt alkotnak. Ak-
kor viszont lehet olyan ű változót is értelmezni , melynek értékei nem
megszámlálható halmazt alkotnak.
ő példánkban egy nem diszkrét eloszlású valószínííségi változót értel-
mezünk.
96
4.2. Példa.
Az A és B településeket ő 10 km hosszú villanyvezeték egy ő vi-
har következtében egyetlen pontban megsérült. Jelöljük ; -vel a sérülés helyé-
nek az A településen ő végponttól való távolságát. Ekkor ; a [O; 10]
intervallum bármelyik pontja lehet: O ; 10. A változó tehát most kontinuum
sok értéket felvehet , nem diszkrét eloszlású. Ha a hiba helyének elhelyezkedésé-
re bármit szeretnénk mondani, bizonyos feltételezésekkel kell élnünk. Ha fel-
tesszük, hogy a meghibásodás egyetlen rész sincs kitüntetve,
akkor abból indulunk ki, hogy bármely intervallumban a hiba valószíniísége
arányos az intervallum hosszával (geometriai ű Ekkor pl. annak
ű hogy a hiba 3 bn-nél messzebb, de 5 km-nél közelebb van A
településhez, P(3 < ; < 5) = 2. Annak a ű hogy a hiba A-hoz kö-
10
zel ebb van, mint 5 km, < 5) = 2-. Annak ű pedig, hogy a hiba
10
éppen félúton van, PC; = 5) = = O.
10
4.2. Az eloszlásfüggvény és tulajdonságai
DEFINÍCIÓ. Legyen egy ű változó. Az
F: F(x) = PC; < x). XE R
fiiggvényt a ; ű változó eloszlásfüggvényének nevezzük
val?színiíségi definícióját ő második megjegyzés ünk szerint a
.; fuggvenyt, u,gy az elemi események halmazán, hogy a
<,x) mmden x valós szám esetén létezzen. Ezért bármely való-
ű vaItozonak van eloszlásftiggvénye, és az minden XE R esetén értelmezett.
4.3. Példa.
ÍIjuk fel a 4.2. példában ő ; ű változó eloszlásftiggvényét!
MEGOLDÁS. A .; értéke egy távolságot jelöl, ezért negatív értéket nem vehet
fel. Akkor pedig
P('; < x) = O , ha x O .
ő az egy biztos esemény, hogy .; 10, tehát
< x) = l, ha x> 10.
A alapján abból indultunk ki, hogy geometriai ű
szamolunk, ezert
x
PC; < x) = - , ha O < x 10 .
10
Ezeket összefoglalva, az F(x) = < x) -re adódik:
r
ha x 10
F(x) = PC; < x) = ha
10 '
l , ha 10 < x.
I Az Feloszlásfüggvény grafikonja a 4.2. áb-
rán látható. Az eloszlásfüggvény most az
egész számegyenesen folytonos.
x
4.2. ábra
97
A folytonos eloszlású ű változó értelmezését az analízis tanulmá-
nyaink során megismert határozott integrálra, a Riemann-integrálra alapozzuk. .
DEFINÍCIÓ. A ű változót folytonosllak vagy folytollos eloszlásúnak
nevezzük, ha létezik olyan véges sok pont kivételével folytonos f fiigg-
vény, melyre
x
F(x) = Jf(t)dt, X E R .
Ezt figyelembe véve, a 4.2. példában ő ű változó folyto-
nos eloszlású, mert az
O, ha
f:f(x)= ha O<x <lO
O, ha 10 X
függvényre és a változó Feloszlásfüggvényére (melyet a 4.3. példában határoz-
tunk meg) teljesül az
x
F(x) = V(t)dt, XE R
ő
4.4. Példa.
Egy szerencsekereket 1000 forint befizetése után lehet megforgatni , és a kime-
netelek 25%-ában nyer a j átékos. Négy darab 1000 forintosunk van és addig
játszunk, amíg nem nyerünk, illetve ameddig a pénzünk el nem fogy. A való-
színüségi változó jelentse a játékra befizetett 1000 forintosok számát. Adjuk
meg és ábrázolj uk a eloszlását és eloszlásfüggvényét!
MEGOLDÁS. A változó lehetséges értékei: r; == l ; 2 ; 3 ; 4.
l 3 l
Az eloszlás: = l) ='4' == 2) ='4 ''4 '
P(r;=3)=(%)2 ''4 '
98
A játék után, annak kimenetelétöl függetlenül befejezzük a játékot,
azert lesz
(
3)3 1 (3 ) 3 3 (3)3
P(r; ==4)= '4 ''4+ '4 ''4= '4
Ha r; < x és x ::; l , akkor r; < l . Azonban a lehetséges értékeit figyelem-
be véve, a < l lehetetlen esemény, tehát ha x l, akkor
F(x) == per; < x) == O .
Ha l < x ::; 2, akkor az x-nél kisebb érték csakis a == l lehet. (Még ha
x = 2, akkor is a r; < x = 2 feltételnek a változó lehetséges értékei közül csakis
a r; == l felel meg.) Tehát ha l < x 2 , akkor
F(x) = per; < x) == per; = l) == J...
4
Gondolatmenetünket folytatva, ha 2 < x 3 , akkor
l 3 l 7
F(x) = < x) == per; = l) + == 2) = - +-.- == -.
4 4 4 16
Ha 3 < x 4 , akkor
F(x) == < x) = per; = 1)+ per; = 2) +P(r; = 3) . J.. == 37
4444464
Végül, ha 4 < x , akkor r; < x biztos esemény, ezért ha 4 < x, akkor
F(x) = l.
Összefoglal va
O,
4 '

F(x) == per; < x) =
7
2 <x ::; 3
16'
37

64'
1 , 4 <x .
99
a 4.4. ábrán látható. Az eloszlásfúgg-
vény "ugrása" a """'''''''H''''
mindig ugyanakkora, mint az eloszlás aktuá-
lis tagja.
y
F(x)
0,2

2 3 4 x x
4.3. ábra 4.4. ábra
Míg a folytonos eloszlású mindig foly-
tonos függvény (mert
változó eloszlásfüggvénye
eloszlás
eloszlású ű
"""""" (pl. 4.4. ábra). Létezik
• vnrmr,,, nem is diszkrét. Mi ezekkel
legfontosabb gyakorlati alkalmazását biztosítja az
4.1. a C; ű változó eloszlásfüggvénye akkor ő
a < b valós számokra
PCa C; < b) = F(b)-F(a).
Bizonyítás. Az A = Cg < a), B = (C; < b) és C = (a g < b) "'::"'m?T1
nak a ő összefüggések:
C=B\A
A 3.4. tétel szerint
AcB.
PCa C; < b) P(C) P(B) PCA) per; < b) - per; < a) =
F(b)
fennáll-
4.2. az F valamely r; ű változó eloszlásfiiggvé-
100
nye,
a) F monoton ő
b) _«) = O Ii;pF(x) = l,
c) F minden pontban balról folytonos, azaz
limF(x) = F(a).
a-O
Bizonyítás. Csupán az a) esetet bizonyítjuk. kell megmutatnunk, hogy ő
) F(x
2
) - F(x.);:;; O . Az ő ő tétel alap-
"',",,"vLl',lI ű sem lehet negatív,
)=
adódik.
Ha valamely F fiiggvény eleget tesz a 4.2. tételben felsorolt IUI':yu,on-
ságoknak, akkor van olyan ; valószínííségi melynek eloszt,ás-
függvénye éppen F.
Nem bizonyítj uk.
4.4. TÉTEL. Ha a r; ű vallOZO
pontban, akkor
F eloszlásfiiggvénye folytonos az
xo) O .
(x,,) egy olyan Xo -hoz tartó sorozat, melyre Xo < XII
O:::;
(4.1)
teltet.ele:mk szerint F folytonos az Xo ezért F(x,,) F(x
o
)' De ekkor
Így a ő szerint a (4.1) a
P(; = xo) = O következik, meli konstans sorozat tart a nullához, ha a
konstans nulla.
Következmény: Ha a r; ű
nm'"\t'lf,.;, eloszlású, akkor
P( a 50 !; b) = < r; b) P( a < C; < b) ::: P( a 50 !; < b) .
Például az ő vegyük figyelembe, hogy
P(a<C;50b)+p(q=a).
az X
ű változó eloszlásfuggvénye minden pontban,
''''',fTnrm ő ő tétel ünk értelmében:
P(; a)=O.
A többi ő hasonlóan ű igazolható.
101
4.5. Példa.
Legyen
{
O, ha x l
F(x) = lnx, . ha 1 < x e
1 , ha e < x.
Lehet-e F eloszlásfUggvény? Ha igen, számolj uk ki a P(q < 2); == 2);
P(2 < 3) és a P(2 ű
MEGOLDÁS. Az F valamely q változó eloszlásfUggvénye, mert
- mono ton ő (4.5. ábra),
- lim F '" O és lim F = l ,
00
- minden pontban folytonos, ezért balról folytonos.
F(x)
e x
4.5. ábra
PCq < 2) = F(2) == ln 2 .
== 2) == O, mert F folytonos az Xo == 2 pontban.
A 4.1. tételnek ő
P(2 q < 3) == F(3) - F(2) == l-In 2.
Felhasználva az ellentett esemény ű vonatkozó tételt, valamint
a fentebb kiszámolt == 2) == O ű
P(2 = 2) =1-(F(2)+P(q == 2» '" 1-ln2.
102
4.3. A ű ű és tulajdonságai
A folytonos ű változó vizsgálatára használjuk a ű ű Majd
látni fogjuk, hogy azoknak a paramétereknek a kiszámításakor, melyekhez diszkrét
változó esetén az eloszlásra van szükség, folytonos esetben a sürüségfüggvény al-
kalmas.
DEFINíCIó. Ha a .; folytonos ű változó eloszlásfüggvénye F, akkor az
f : f(x) == F'(x)
függvényt a .; ű ű vagy ű ű ű
vényének nevezzük.
Megjegyzések:
l. A folytonos ű változó definíciójából következik, hogy eloszlásfUgg-
vénye véges sok pont kivételével deriválható. A ű véges sok pont
kivételével értelmezve van.
2. A ű ű kizárólag folytonos eloszlású ű változó esetén
értelmezzük. A 4.4. példában ő diszkrét eloszlású változó eloszlásfügg-
vénye is differenciálható négy pont kivételével, de derivált ját nem nevezzük ű
ű Ezt a véges sok pont kivételével nulla értéket ő függ-
vényt nem tudnánk használni olyan számításokhoz, mint a folytonos változó
ű ű
3. A ű ű értelmezését gyakran ki szoktuk terjeszteni az egész szám-
egyenesre. Ahol az F nem differenciálható, a süruségfüggvénynek gyakran a
nulla értéket adjuk. Máskor ezekben a pontokban olyan értéket adunk f-nek,
hogy balról vagy jobbról folytonos függvényt kapjunk. Ezt azért tehetjük meg,
mert a ű a paramétereket integrálással fogjuk számolni, ezért
az f véges sok pontbeli megváltoztatása eredményeinket nem fogja befolyásol-
ni. A ő tételben éppen azért nem foglalkozunk azzal, hogy f-et a defi-
níciója esetleg nem minden pontban értelmezi, mert az elmondottak szerint ki-
terjeszthetjük a számegyenesre.
4. A Ű Ű elnevezést a ő megfontolás indokolja:
Annak a ű hogy az [xo; x l intervaihImba esik,
F(x) - F(x
o
)'
Akkor az intervallum egységnyi részéhez tartozó valószÍnílség,
F(x) - F(x
o
)
x-xo
(4.2)
ő ezen az intervallumon az átlagos ű ű Az I(x) = F'(x) nem
más, mint a (4.2) határérték e x ---)o x" esetén, az Xo pontbeli ű ű adja.
103
4.5. valamely q folytonos változónak f a ű
vénye, akkor
a) f(x);;::O, xED!,
ro
b) ff(x)dx = l,
x
c) Jf(l)dt=F(x), xER,
b
ff(x)dx PCa '5,;; < b).
Bizonyítás. ű a d) pont bizonyításával kezdünk.
d) A folytonos definfciója és a 4.1. tétel alapján
b b fl
Jf(x)dx = J f{x)dx f f(x)dx = F(b)
amit bizonyítani akartunk.
c) Az ő ő pontban felhasználtakon kívül alkalmazzuk az improprius integrállal
ismereteinket, valamint a 4.2. ismert limF(x) = O össze-
-cn
fúggést:
x
J f(t)dt II-+-Jf(t)dt =
- F(a» O=F(x).
fl
A c) pont alatti gondolatmenet
00 v
f f(x)dx = lim Jf(x)dx lim (F(b) F(a»=1-0 L
fl
a-"-t(I

a) Mint minden F monoton ő A ő függvény
derivált ja pedig nem lehet negatív: f(x);;:: O, X E Df'
4.6. Ha valamely f, legfeljebb véges számtÍ kivételével folytonos
a) f(x);;::O, xED
f
ro
b) Jf(x) 1,
104
akkor van .;, folytonos fH'7'UH'" ű változó, melynek
ű f
x
Bizonyítás, A tétel feltételei mellett az J f(t) dl integrál. Az
x
F(x) f f(i)dt, XE R (4.3)
rendelkezik a 4.2. tételben megfogalmazott tulajdonságokkal, ezért alkalmazható a
4.3, Annak a változónak viszont, (4.3) az eloszlásftiggvénye,
f a ű ű
4.6. Példa.
A 4.5. példában
l
O, ha X l
F(x) Inx, ha l < x se
l , ha e<x
volt a q ű változó eloszlásfúggvénye. Ekkor a ű ű
ha x<1
f(x) ha l<x<e
ha e<x.
A ű a 4.6. láthatjuk. f fiiggvény az x 1 és x = e
pontokban nincs értelmezve, mert ezeken a helyeken F nem differenciálható
(töréspon1ja van). A 4.6. ábráról leolvashatjuk, hogya'; nem fel pozitív
ű sem kisebb, sem e-nél nagyobb Ha az ]1; e [
intervallum ot ő hosszúságú részintervallumokra,
a legnagyobb a ű
,; az ] l ; l + x [ intervallumba Itt
veszi fel a ű a legnagyobb
értékeket. Az ábráról leolvasott felso-
rolt tulajdonságok következnek
a 4.5. A fentebb f s{í-
helyett leggyakrabban az
e
4.6. ábra
an-
x
105
l
ha l<x<e
!t (x) =
0, máshol
szoktuk használni, de bizonyos pL az
(x)
O,
ha l'::;x'::;e
f
l ha l'::;x<e
h(x) == -:;'
lo, máshol
fúggvények is szóba ''''''''''"''v
ű
bármelyikét nevezhetjük a I; változó
4.7. Példa.
Legyen
{
O, ha x'::; O
I(x) 2e-2x, ha ° < x.
a) Mutassuk meg, hogy I
h)
c)
az eloszlásfüggvény t!
< I; < 2) ==?
I; valószínüségi változónak a
(4. 7.a) ábra), hogy az I fúggvény az x O pont
106
nos, sehol nem I(x) 2 O, XE R .
f(x)
2
Kiszámoljuk a fúggvény
0,5 1,5 x
4. 7. a) ábra
területet.
folyto-
UJ o <'Ll b
fl == J Odx+ f2e-
2
<dx == f2e-
2s
dx
o o
::::: lim(-e-
2b
_(_eO» == 0+ 1= 1.

A 4.6. tétel I lehet süruségfüggvény.
b) Most Íljuk fel az elOSZH,sttlggvenyt
Ha x,::;O,
x x
F(x)= JI(/)dt fOdl:O.
o < x, akkor
x o x
F(x)::::: fl(t)dt JOdt+ f2e-2Idt==[-e21]>
o
Az F "lV.'Ll",'" aCrVF'rlV
F(X)=={ O
1-
ha x.::;O
, ha 0< x.
Grafikonja a 4. 7.h) ábrán látható.
4. 7. b) ábra
c) számolj uk ki a P(ln2 < I; <
r
Q
+1.
a P(a.::;l;<b):::::
öss:z;efílgg,:js alapján, a ű Mivel I;
változó, P(I; = ln2) O így
P(ln2 < I; < 2) P(1n2.::;1; < 2) == F(2) F(ln2) ==
l
=0,232.
107
4.8. Példa.
meg az A konstans értékét, ha tudjuk, hogya <fj folytonos eloszlá-
ű változó ű ű
A
ha 4<x<9
f(x)
o máshol.
P(3 d} < 5) ::::: ?
lVH,lJLILlJA;-'. A 4.5. tétel szerint
ő
1=
'" [112 J9
-1- JO=A 2A(.J9 -.J4)=2A
9 1/2 4
A ekkor f(x);;>: O is teljesül.
2
A kérdéses ű ű a 4.5. tétel alapján kaphaljuk meg:
4.7. TÉTEL.
P(3<;<5) jf(X)dX= jO+ l dx=[.FxI -2.
3
a C; folytonos ű változó
nye ű ű f Ha a > O, R , akkor 1] + b
szintén folytonos ű változó és eloszlásfüggvénye
G: G(x)
ű ű
1
g: g(x) =
a
-b \
Bizonyítás. Az elolszJást'ug?!VéJny
(
x-b l
= P(17 < x) P(a<fj+b < x) =P C; <-a-r"
108
Képezzük a G függvény derivált ját:
g(x):::: G'(x)
x
Mivel G(x):::: J get) dl teljesül, 17 valóban folytonos eloszlású és g a ű ű
ségfüggvénye.
4.4. A ű változó néhány ő
ismerjük a változó eloszlásfúggvényét, akkor tulajdonságait meg-
határozhatjuk. folytonos esetben a ű ű esetben az
ismerjük, célhoz érhetünk, hiszen az eloszlásfüggvény elöállít-
ható. Gyakran ő azonban az alkalmazásoknál -, hogy a változóról
egyetlen néhány akarunk fontos informácíókat A jellem-
zes Igy lesz árnyalt, kétségkívül könnyebben ő Az sem ritka,
hogy a ű változót nem ismerjük statisztikai feldolgo-
zásával próbálunk ő nyerni róla. a nevezetes köze-
lítéséhez jutunk el ő Most ő a paraméterekböl mutatunk be néhányat.
A r; ű változó mediánja az a med(c;) -veljelölt valós
melyre
< med(c;)) s: és
2
s: med(r;)) ha C; diszkrét
2
1
P(r!; < med(<fj) F(med(c;)) = -, ha <fj folytonos.
2
Ha két kockával dobunk és C; a dobott számok összege 1. példa), akkor a
medián értéke 7. a 4.1. példa adatainak a medián definíciójában
ő való behelyettesítésével, közvetlenül ő ő
viszont egyetlen szabályos dobókockát dobunk a változó a dobott számot
jelenti, a medián definíciójának bármely, a [3; 4] intervallumban
ő tesz. Állapodjunk meg abban, az Ű
ilyenkor mindig az intervallum ő a medián. esetben
109
többször fogunk olyan változó val találkozni, melynek sürííségfüggvénye valamely
x = c egyenesre szimmetrikus. Ilyenkor: med(I;) = c .
4.9. Példa.
Határozzuk meg a 4.7. példában ő l; folytonos valószínüségi változó
mediánját!
Az eloszlásfüggvény, mint kiszámoltuk:
{
O,
F(x) = 2
l-e-"',
Az
l - e -2med({l =.!.
2
ha x:S:O
ha 0< x.
egyenletet kell megoldanunk:
és így
=.!.
2 '
l
med(I;) = - · )n2 .
2
DEFINÍCiÓ. Ha a ,; diszkrét valószínííségi változó lehetséges értékei közölt van
olyan, melyet nagyobb ű vesz fel, mint a többit, akkor
ezt az értéket a ,; móduszának nevezzük és mod(I;)-vel jelöljük. Foly-
tonos ű változó móduszának a ű ű szigorú
abszolút maximum helyét nevezzük, ha létezik.
Folytonos változónál ő hogy a sürüségfúggvénynek azért nincs ma-
ximumhelye, mert a szakadási pontokban nem értelmeztük a függvényt, vagy a bal
és jobb oldali határértékek közül a kisebbiket adtuk értékként.
Már említettük, hogya változó lényeges tulajdonságai nem változnak, ha ezek-
ben a pontokban ő nemnegatív értékeket adunk a ű
Minden egyes szakadási pontban válasszuk fúggvényértéknek a bal és jobb oldali
határértékek közül a nagyobbat. (A gyakorlatban ő feladatoknál ezek a
határértékek léteznek és nem ő Ha az így módosított sürííségfüggvénynek
van szigorú maximumhelye, akkor azt a változó móduszának nevezzük. Mind diszk-
110
rét, mind folytonos esetben szoktunk kétmóduszú eloszlásról is beszélni. Diszkrét
esetben akkor, ha két olyan lehetséges értéke van a változónak, melyeket ő
valószínüséggel vesz fel úgy, hogy ezek minden más érték valószínüségénél na-
gyobbak. Ha a folytonos változó sürüségfüggvénye két pontban ő értéket
vesZ fel, úgy, hogy ezek minden más fúggvényértéknél nagyobbak, kétmóduszú
változónak nevezzük.
Ha az ő ő szempontok szerint ő több érték jön szóba, akkor azt mond-
juk, hogy a változónak nincs mÓdusza.
A 4.1. példában bevezetett változó módusza: mode,;) = 7 .
A 4.7. példában bevezetett l; folytonos eloszlású valószínííségi változó sürü-
ségfúggvénye:
{
O , hax:S:O
f(x) =
2e-
z
., , ha o<x.
(4.4)
Ennek a fúggvénynek nincs maximumhelye. Változtassuk meg az értékét az
Xo = O pontban a jobb oldali határértékre:
{
O, ha x <O
1; (x) =
2e-
2
', ha O::S:x.
Így már beszélhetünk ő mely az Xo = O pontban található.
(4.5)
A ,; változó sürüségfüggvényének a (4.4) és a (4.5) alatti függvények bárme-
lyikét választhat juk, tehát: mode,;) = O .
Gyakran ő hogy nem tudjuk figyelembe venni ,; összes lehetséges ér-
tékét. Ilyenkor keresünk egy olyan intervallumot, melyen kívül ,; már csak egy
általunk ő aránylag kicsiny valószínüséggel fordulhat ő
DEFINÍCIÓ. Legyen O < q < l. A ,; ű változó q-kvantilisének nevez-
zük azt az x" számot, amelyre
P(I; < x,,)::s: q és PC'; ::s: x,,) 2': q, ha ,; diszkrét,
P(!; < x,,) = F(x,,) = q, ha ,; folytonos.
Ha a q-kvantilis definíciójának egy intervallum minden pontja megfelel, akkor
általában az intervallum ő tekintjük x'l -nak. A fentiek alapján a medián
nem más, mint a 0,5-kvantilis: med(,;) = Xo 5'
III
Vannak egyéb olyan x" értékek is, melyeket külön névvel látunk el:
X
O

25
alsó kvartilis X
O

75
ő kvartilis
X O•I
alsó deciJis X O•9
ő decilis
X O.OI
alsó centilis Xo. 99
ő centilis
X
I
/
6
alsó sextilis X
5
/ 6
ő sextilis.
4.10. Példa.
Legyen a ű változó ű ű
{
l x
f(x) =2..
e
'H = le ,
2 l - x
-e
2 '
ha x:::;O
ha 0 < X .
A ű ű a 4.8. ábrán láthatjuk. A = O a grafikonról
leolvasható. Mivel a ű ű grafikonja az y tengelyre szimmetrikus,
ezért = O. Határozzuk meg az alsó és ő decilis értékét!
f(x)
0,5
4.8. ábra
x xo, [J
X
'" '.1 l .' 1 x . 1 x l x, ,
0,1= J-e"dx= hm J-e dx=hm -e =-e "
2 n· .... ·"" 2 n-->-'" 2 2 _ n a
X
O

I
= InO,2 = - 1,61.
XII.') 00
Az X
O

9
értékét az J f = 0,9, vagy az ff = 0,1 ő egyaránt meghatá-

rozhatjuk. Ez utóbbinál szimmetriai meggondolások szerint
X
O

9
= -X
O

I
= -lnO,2 = 1,61.
112
4.5. Várható érték
A ő a valószÍnüségi változó két leggyakrabban használt paraméterét,
a várható értéket és a szórást vezetjük be. A definíció megfogalmazása ő egy
példát mutatunk be.
4.11. Példa.
Két játékos, A és B a ő szerencsejátékot játsszák: Az A játékosnak
legfeljebb három kísérlete van arra, hogy egy pénzérrnével Írást dobjon. Az A
játékos nyerési ő
- ha az ő dobás írás, 4 forintot nyer;
- ha ő nem, de másodikra írást dob, 8 forintot nyer;
- ha csak harmadikra sikeriiI írást dobnia, 16 forintot nyer;
- ha a három kísérlet egyike sem írás, akkor 40 forintot veszít (B nyer) .
Ajáték mind a négy esetben ő Jelölje az A játékosnak az éppen
induló játékban a nyereményét. A ű változó lehetséges értékei:
4; 8; 16; -40.
A 4 eloszlása:
l

l
P(4 = -40) =-.
8
Felmerül a kérdés, hogy a játék ő nyerési esélyeket biztosít-e az egyes
játékosoknak, azaz a játék igazságos-e? Ennek eldöntéséhez tegyük fel , hogy n
játék után az egyes esetek bekövetkezésének gyakorisága sorrendben kl' k
2
,
kJ, Ic., ahol kl + k
2
+ kl + k4 = n .
Ekkor A nyereménye:
K = kl ·4+ k
2
·8 + kl ·16 + Ic. (-40) .
Az egy játékra jutó átlagos nyereménye
K = kl . 4 + k
z
. 8 + kl . 16 + (-40) .
n n n n II
Tudjuk, hogy a relatív gyakoriság az esemény ű körül ingado-
zik. A ő majd azt is látjuk, hogy a kísérletek számának növelésével
l-hez közeledik annak ű hogy a relatív gyakoriság a valószÍnüsé-
get adott hibahatáron belül megközelíti. Elég sok játék után jogosak a
113
k
2
k) és k4
n n n n
közelítések.
Így nagyszámú játék után az várható, hogy az A játékos egy játékra jutó
nyereménye közel esik a
= 4) . 4+ = 8) · 8+ = 16)·16+ = -40) · (-40) =
= 4 + . 8 +.!. ·16 +.!. (-40) = l
2 4 8 8
értékhez. Ez azt jelenti, hogy a játék A számára ő mert hosszú távon A
játékos egy játékra ő nyereményének átlaga l forinthoz. érték., A
ő definíció alapján úgy fogunk fogalmaznI , hogy A ptekos egy Jatékra eso
nyereményének, azaz -nek a várható értéke l forint.
DEFINíCIó. Ha a diszkrét ű változó lehetséges értékei
akkor a várható értékének az
= = xJ,xi = L XiPi
összeget nevezzük, ha L I X/IPi konvergens.
/
(4.6)
Ha a folytonos valószínííségi változó ű f, akkor a
C; várható értéke:
.,
= Jx. f(x)dx,
(4.7)
00
ha Jlxlf(x)dx létezik.
Megjegyzés: A
Ilxi lpi < a)
i
feltételt csak akkor szükséges vizsgálni, ha végtelen sok értéket vehet fel. Erre és az
.,
flxlf(x)dx < a)
feltéteire a várható érték ű érdekében van szükség, ennek okait nem
részletezzük.
114
4.12. Példa .
Két szabályos játékkockát feldobunk. Legyen a ű változó értéke
a dobott számok összege (4.1. példa). Ekkor
1234565
M (C;) = 2 · - + 3 . - + 4· - + 5 . - + 6· - + 7 . - + 8· - +
36 36 36 36 36 36 36
=7 .
36 36 36 36
Most a várható érték ő a mediánnal, illetve a módusszal. Ennek az az oka,
hogy szimmetrikus eloszlásról van szó, és a szimmetriapontnak legnagyobb a
ű
4.13. Példa.
A C; ű változó lehetséges értékei legyenek
2, 4, 8, 16, ... , 2
k
, •• • ,
a hozzájuk tartozó valószínüségek pedig rendre
2' 4' 8' }6 ' ... , 2* ' ... .
Ez valóban egy valószínüségeloszlás, mert
Ekkor
1 l l 1
M (C;) = 2 . - + 4 . - + 8 . - + 16 . - + . .. = l + 1 + 1 + l + ... = a) ,
2 4 8 16
tehát a várható érték nem létezik.
4.14. Példa.
Számolj uk ki a 4.5. példában adott ű változó várható értékét!
MEGOLDÁS. Adott az eloszlásfüggvény

F(x)= lnx, ha
l , ha e < x.
115
co co c cl c
M(;) = fx·f(x)dx= JX.F1(x)dx= fx.(lnx)'dx= fdx=
-C() -00 ! I I
= [x J> e-l.
4.15. Példa.
Legyen a ; folytonos ű változó ű ű

ha l <x
f(x) = x
O máshol.
Határozzuk meg a várható értéket!
MEGOLDÁS.
00 00 3 h
M(;) = fx f(x)dx = fx '-4 dx = 3 . lim fx-
3
dx =
X
-'JO I I
( l J 3
=3·h - =3 0-- =-.
b->«>-2
1
-22
4.8. TÉTEL. Ha a e ő valós szám, akkor
M(e)=c.
Ha M (;) létezik, akkor M (e;) is létezik és
M(e;) = eM(;) .
Bizonyítás. A tétel ő fele könnyen bizonyítható. Ha ugyanis a ; csak a e érté-
ket veheti fel, akkor PC; = c) = l; és így
M(e)=M(;)=e·l=e.
A tétel második fele e = O esetén triviális. Ha e;é O , különválaszt juk a diszkrét és
a folytonos esetet.
a) Legyen; diszkrét ű változó
lehetséges értékekkel és a rendre hozzájuk tartozó
ű
116
A e·; ű változó lehetséges értékei
mig a valószínüségek változatlanok. Így
M(e;) = Lex,' p, =e LX'P
i
=e·M(;).
i i
b) Folytonos esetben a 4.7. tételben láttuk, hogy e> O esetén a ; változó f ű ű
ségfüggvényét a e·; változó g ű ű a
ő kapcsolja össze. Így aztán
'"
=e ft·f(t)dt=eM(;).
-'"
dx
x=et ; -=e
dt
=::;,t-too

=
Ha e < O , hasonlóan járunk el. Az ekkor érvényes g(x) = f( J a 4.7. tétel-
ben alkalmazott módszerekkel könnyen igazolható. Nem részletezzük.
4.9. TÉTEL. Legyen n pozitív egész szám. Ha a ; diszkrét ű változó
lehetséges értékei XI' x
2
I Xl ' ... I akkor
M(;") = L,x;'P(; =x) = LX;" Pi
I I
(ha létezik).
Ha ; folytonos ű változó f ű ű akkor
00
M(;") = fx'" f(x)dx
(ha létezi/c).
Az M(;") számot a ; ll-edik mometrtumának nevezzük.
1 17
Bizonyítás. Legyen'; diszkrét eloszlású változó
lehetséges értékekkel és a rendre hozzájuk tartozó
PI' P2' Pl' ...
ű
A ,;" változó lehetséges értékei az ő ő valószínüségek mellett
Ezért
M(';") = L.x/P .. ·
i
A folytonos esetben ő tegyük fel, hogy n páratlan pozitív egész. Ekkor x H x", X E R
szigorú an monoton ő fúggvény és a ,;" változó C eloszlásfuggvénye
C" (t) = P(,;" <l) =P(,; <ft) = F(ft),
ahol Fa'; változó eloszJásftlggvénye.
Így a ű ű
• l 2._ 1
g" (t) = [F(ft) J = -t" . J(ft).
II
l [t-x"
MW) = rt. g (t)dl = (t-;; . J(ft)dt = dt-
/I ,,_1
-00 n -00 - = n x I 00 =:> x 00
d.x
l 00 II_I 00 II
= - J x· J(x)nx d.x = J x J(x)d.x,
fl -C/)
amint állítottuk. Ha fl páros, az x < O és az x O eseteket meg kell különböztetnünk, egyébként
hasonlóan járunk el. Nem részletezzük.
Megjegyzés:
Fontos tény, hogy ha a ; ű változó n-edik momentuma, M(;") létezik
(n 2), akkor az ő második, ... , (n - l)-edik momentuma is létezik.
4.10. TÉTEL. Legyen (x) = a"x" + an_1X,,-1 + .. . + aix + a
o
ő n-edfokú po-
linom. Ha M(f') létezik, akkor is létezik, és
= a"M(t') + a"_IM(;"-I) + ... + alMe;) + a
o
'
118
Bizonyítás. A tétel a 4.8. tétel ű következménye, ha figyelembe vesszük a
tétel ő megjegyzést és az 5.3. tételt, me ly szerint összeg várható értékét tagon-
ként vehetjük.
4.16. Példa.
Legyen ; egy géppark elromlott gépeinek javítási ideje (napokban számolva).
Tegyük fel, hogy ismeIt a ; eloszlásfüggvénye:
o , ha x:O;O
F(x) =
x
ha 0 < x:O;l
3 '
2
ha 1 < x. 1--
3Xl '
Ha a gép javítási költsége és a gép kiesése miatt fellép járulékos veszteségek
együttes összege a ; javítási ő ő a K = 90;2 + 15 (e Ft) formulával számol-
ható, mennyi lesz egy gép elromlásából származó kiadás várható értéke?
MEGOLDÁS. ő határozzuk meg a ű ű
f(x) =
O, ha x:o;O
2
-4'
X
ha O<x:O;1
ha 1 <x.
00
M(90;2 + 15) = 90M(;2) + 15 = IS + 90 · JX2 f (x)dx =
....,
=15+90 JX2'-4dx =205.
[
l 2 ., 2 ]
o 3 I X
Vegyük észre, hogy példánkban és általában sem lehet az M(;2) helyett az
értéket használni, mert ezek különböznek egymástól.
119
4.6. Szórás
A érték a valószínüségi "átlagáró]" ad
alapján is nyilvánvaló, hogy a eloszlású Y'UlV.uVl'-'HU"
a várható Vannak olyan a változó által felvett __ L
vetlenül a várható érték körül , máskor attól "egészen nagy
gokra" A változó ilyenjellegíí jellemzésére alft.aHJlli:t,:;
a szórás. Ha a konkrét értékek várható érték "szétszóródását" sze:retnéIlk
jellemezni, természetesnek tünik a t; - M (t;) átlagára, várható értékére gondolni.
Csakhogy a várható ő val6 pozitív és negatív eltérések éppen kompenzálják
M(I;-M(t;)} =0, nem alkalmas a feladatra. Ha nem az eltéréseket, ha·
nem azok nagyságát tekintjük, akkor
matematikailag kényelmetlen d(';)
használható, de az élték miatt
.; - M (.;) I) paraméterhez j utunk. Ezeket
figyelembe véve alakították ki a szórás U"".aWvlVJ
DEFINÍCIÓ. Ha a t; - M (.;) ű változó négyzetének létezik a várható
akkor ezt a .; szórásnégyzetének ",,,,,,'P77'iiI,,
D
2
(';) M([';-M(I;) Y).
Ennek
a .; ű változó szórása.
változó szórását kiszámolhatjuk az azt definiáló képIlettel
ű momentumok az alábbi tétel
lásával.
4.11. Ha a r; n.'''''''IN>aJ változó négyzetének a várható
akkor létezik a is,
Bizonyítás. fogjuk használni, hogy ha egy változó négyzetének a várha-
tó értéke, akkor a változónak is van várható A definlció szerint:
120
Alkalmazzuk a 4.10. tételt, gyeJlemloe véve, hogy M(l;) M
2
(.;) konstansok:
4.12. a r; ű wiltoZÓntlk létezik a szórása, akkor ő
a b valós számok esetén az '7 + b változónak is
és
D(a'; + b) = I a ID(';).
Bizonyítás. Alkalmazzuk az tételt:
D2(al; +b) M([al; +bY)- [M(al; +b)]2:::
Felhasználva, hogya
következik.
=M(a
2
';2 +
= a
2
M(l;2) +
a
2
[M(';2)
+ ) [aM(l;)+bf=
nem negatív, ő
+b
2
a
2
M
2
(1;)-2abM(';)
a
2
D2(l;).
121
5. TÖBBDIMENZIÓS DISZKRÉT ELOSZLÁSOK
Statisztikai vizsgálatolmáI és a gyakorlat más területein legtöbbször a jelenség nem
Írható le egyetlen ű változóval. ő sokszor éppen ezen változók közöt-
ti kapcsolat a vizsgálat tárgya. Ebben a fejezetben az ilyen típusú kísérletekkel fog-
lalkozunk azokra az esetekre szorítkozva, amikor a ű változók diszkrét
eloszlásúak, de a definíciókat és a tételeket, ha lehet, általános fonnában fogalmaz-
zuk meg.
5.1. Együttes eloszlás, peremeloszlások
5.1. Példa.
Egy cégnél 29-en dolgoznak. A diplomák, illetve a nyelvvizsgák száma szerinti
megoszlás a ő

O l 2 Összesen
Nyelvvizsga
O 9 3 2 14
l 4 l O 5 (5 .1)
2 O 6 4 10
Összesen 13 10 6 29
ű kíválasztunk egyet közülük. Jelölje az ő nyelvvizsgáinak
számát és T} a diplomáinak számát. Ekkor a ű változó lehetséges
értékei:
eloszlása:
122
x
2
=1,
= 2) =.!.2..
29
Az T} lehetséges értékei :
Y
l
= O , Y
2
= l , Y
3
= 2 ;
eloszlása:
13
P(T} = O) = 29 '
10
P(T} = l) = 29 '
6
P(T} =2) =-.
29
Ha azt kérdezzük, hogy mekkora a ű hogy a kíválasztott dolgo-
zónak két nyelvvizsgája van és csak egy diplomája, akkor a = 2 és az T} = 1
események együttes bekövetkezéseinek a ű vagyunk kíváncsiak.
Ezt a ű a ő módon jelöljük:
= 2 ; T} = l) .
Ez a ű mivel a ő 6 munkavállalónak van 2 nyelvvizsgája
29
és 1 diplomája.
Hasonlóan
9
= O; T} = O) = 29 '
3
= O ; T} = 1) = 29 stb.
Foglaljuk ezeket a ű táblázatba az (5.1) alatti megoszlási táb-
lázatnak ő
x
O I 2
O
9 3 2 14
- - - -
29 29 29 29
4 l 5
I - - O -
29 29 29
2 O
6 4 10
- - -
(5 .2)
29 29 29
13 10 6
- - - I
29 29 29
Ezeket a ű is ő hosszúságú nyilakkal szemléltethet jük
egy háromdimenziós koordináta-rendszerben, az x tengelyre a és az y ten-
gelyre az T} lehetséges értékeit felmérve (5.1. ábra, 124. o.).
123
0,5
2
y
x
5.1. ábra
Most nézzük az általános esetet! Legyen és 77 valamely W ű
ő elemi eseményein értelmezet1 diszJaét ű változó,
lehetséges értékei XI' Xl ' ... , X,,;
77 lehetséges értékei Y
I
, Y
z
' . . . , Y
m
'
Az ű Írásmód érdekében vezessük be a ő jelöléseket:
Pi
P(77=y)=qj
(i-=I, 2, .. . , n),
(j-=!, 2, ... , m),
= Xi ; 77 = y) -= Pij (i=l, 2, .. . , n ; )=1, 2, .. . , m).
Ekkor az (5.2) alatti táblázatnak ő elrendezést készíthetünk:

YI Yz
...
Yj
.. .
Ym
XI PII P IZ
...
Plj
.. .
PI., PI
X
2 P21 P 2Z
...
PZ j
.. .
P2m P2
:
Xi Pi! P1Z
...
Pij
.. .
Pim PI
(5.3)
: :
:
:
X" P"I P"2
...
p'o}
.. .
Pllm P"
ql q2
...
qj
.. .
qm l
Az (5.2) alatti táblázatot szemlélve, ha az 77 = O, l, 2-höz tartozó ű
geket minden sorban összeadjuk, a jobb oldali oszlopbeli ű kapjuk:
124
9 3 2 14
-+-+-=-
29 29 29 29'
4 l 5
-+-+0=-
29 29 29'
6 4 10
0+-+-=- .
29 29 29
Hasonló jelenség ő meg az oszlopoknál, pl.
9 4 13
-+-+0=-.
29 29 29
Megmutaguk, hogy ez általában is igaz.
5.1. TÉTEL. Az (5.3) táblázat)elöléseit használva
m
2>!j =Pi (i = l, 2, "', n)
j =1
és
"
LPIj =qj (j=!, 2, ... , m) .
i=1
(5.4)
Bizonyítás. Elég az egyik ő bizonyítani, a másiké hasonlóan történhet.
Mivel 77 lehetséges értékei YI' Y2' ... , Ym' a
események teljes eseményrendszert alkotnak. Ha A jelöli a q = XI eseményt, akkor
j=1
+ -= Xi ; 77 = Yn,) = P(ABJ + P(AB
2
) + ... + P(ABm) =
-= P(A(B
I
+ B
2
+ ... + Bm» = P(AH) -=P(A) -= = X) = Pi'
Következmény: Mivel a Pi U=!, 2, ... , n) ű a ű
eloszlását alkotják, összegük egy, ezért ő következik, hogy
Ez aztjelenti, hogy nincs akadálya a ő definíció megfogalmazásának.
125
DEFINÍCIÓ. Az (5.3) táblázatbeli
Pij = = XI ; 1] = y) (i = 1,2, ... , n ; j = 1, 2, . .. , m)
ű a és 1] ű változók együttes eloszlását
alkotják. A illetve 1] eloszlását peremeloszlásnak nevezzük.
Megjegyzések:
l. A vagy 1], vagy ő lehetséges értékei megszámlálhatóan végtelen
számosságúak is lehetnek, ekkor az (5.3) táblázat a ő irányban a vég-
telenbe nyúlik. Röviden úgy is mondhaijuk, hogy n vagy m, vagy ő
lehet 00 is.
2. Ha egy kísérlethez ő több ű változó tartozik, akkor tábláza-
tunk is ő több dimenziójú. Mivel egyrészt ezek kezelése bonyolult, más-
részt a kétváltozós eredmények általában könnyen általánosíthatók, a továbbiak-
ban, ha a kétváltozós esetet tárgyalj uk.
5.2. Példa.
Egy 32 lapos kártyacsomagból visszatevés nélkül kiveszünk 2 lapot.
Legyen a kivett pirosak, 17 a l<Ívett királyok száma. Írjuk fel a C; és 17 együttes
eloszlását és a peremeloszlásokat!
MEGOLDÁS. Az összes elemi események száma:
Most számítsuk ki "cellánként" a ő elemi események számát!
ő elemi események száma
o O 21 lap nem király és nem piros, így (221)=210.
l O Egyik lap piros, de nem király, a másik nem király és nem piros:

2 O Mindkét lap piros, de nem király: GJ = 21.
126
o 1 Egyik nem király és nem piros, a másik király, de nem piros:
= 63.
1 1 Két eset lehet: ott a piros király, akkor a másik csak nem király és nem
piros lehet: = 21; ha nincs ott a piros király, akkor a királyt 3-ból,
pirosat ő kell választani: [nCJ = 21. Összesen: 42.
2 l Az egyik csak a piros király lehet, a másik pirosat ő kell választani:
= 7.
O 2 Három nem piros királyból kell ő választani: G J = 3.
2 Egyik a piros király, a másik király, de nem piros: GJ = 3.
2 2 Két király két piros nem lehet: o.

O l 2
O
210 63 3 276
- - - -
496 496 496 496
l
147 42 3 192
- - - -
496 496 496 496
2
21 7 28
- - O -
496 496 496
378 112 6
- - - I
496 496 496
(5.5)
A peremeloszlásokat vagy a sorok, illetve oszlopok összeadásával, vagy közvet-
lenül határozzuk meg. ű ő céljából ő megtermi :
127

496 496
Hasonlóan járhatunk el az utolsó sorban.
5.2. Együttes eloszlásfüggvény
Ha q és 17 ű változók, akkor ő van eloszlásfüggvénye.
Jelölje ezeket F;, illetve Fl' azaz
Ha - mint láttuk - beszélhetünk együttes eloszlásról, akkor együttes eloszlásfügg-
vény is létezik, amelynek definíciója analóg az egyváltozós esettel.
DEFINÍCIÓ. Legyenek; és 17 a W valószínííségi ő elemi eseményein értelme-
zett valószínííségi változók. A ; és 7] egyiittes eloszlásjiiggvényének
azt az F kétváltozós fiiggvényt nevezzük, amely az (x; y) számpár-
hoz a ; < x és 7] < y események együttes bekövetkezésének valószíníí-
ségét rendeli:
F : F(x ; y) = PC; < x ; 17 < y)
Ekkor a ; valószínííségi változó F; eloszlásfoggvényét és az 7] való-
szinííségi változó F
2
eloszlásfoggvényét perem-eloszlásjüggvénynek
nevezzük.
Az F(x; y) annak a ű hogy a (; ; .,,)
az 5.2. ábrán látható sílmegyedbe esik. A síknegyed
nem tartalmazza a határpontjait (nyílt halmaz).
Megjegyzés:
A továbbiakban, ha két ű változóról be-
szélünk, mindig feltételezzük, hogy ugyanazon való-
ű ő elemi eseményein vannak értelmezve,
akkor is, ha ezt külön nem hangsúlyozzuk.
128
y
x
5.2. ábra
5.3. Példa.
Legyen q és ." együttes és peremeloszlása a ő

l 2
l
2 3 5
- - -
19 19 19
2
4 3 7
- - -
19 19 19
(5.6)
3
2 5 7
- - -
19 19 19
8 11
- - l
19 19
Írjuk fel az együttes és a perem-eloszlásfliggvényeket!
MEGOLDÁS. Az 5.3. ábrán láthatók azok a pontok, amelyeknek koordinátái
(; ; 7]) lehetséges értékei, feltüntetve a ő ű is.
y
2
o
2 3
x
5.3. ábra
Ha (x; y) az x 1 vagy y 1 félsíkon van (az 5.3. ábrán ilyen az (XI; YI)
pont), akkor az általa meghatározott síknegyedben nincs (; ; .,,) -nak lehetséges
értéke,ígyitt F(x;y)=O.Ha és (x;y) abai alsó
egységnégyzetbe esik (az 5.3. ábrán ilyen az (x
2
; yz) pont), akkor az általa
meghatározott síknegyedbe a lehetséges pontok közül csak az (1 ; l) pont esik,
így
129
2
F(x ; y) = < x ; 77 < y) = = l ; 77 = l) = 19 .
Ezt a valószínüséget beírjuk az 5.3. ábra ő négyzetébe. Hasonlóan, ha
(x; y) a 2 < x s 3; l < Y s 2 egységnégyzetbe esik, akkor már két pont esik a
síknegyedébe: (l; l) és (2 ; l), így itt
6
F(x ; y) = = l; 77 = l) + = 2; 17 = l) = 19 .
Folytatva az eljárást, megkapj uk az F függvény értékét az egész síkon:
O, ha x s l vagy y s 1.
2
ha l < x s 2 és l < Y s 2.
19 '
6
ha 2 < x s 3 és l < Y s 2.
19'
F(x; y)=
8
ha 3 <x és l <y s 2.
19'
5
ha l < x s 2 és 2 < Y .
19'
12
ha 2 < x s 3 és 2 < y.
19'
l , ha 3 <x és 2 <y.
Az F függvényt az 5.4. ábrán szemléltet jük. A és az 17 eloszlásftiggvénye
az (5.6) alatti per emeloszlások alapján:
O, ha x s l,
5
ha l < x s 2,
19'
F;(x) =
12
19'
ha 2<xs3,
l , ha 3 < x.
r
ha y s l,
F2 (y) =
ha 1<ys2,
l , ha 2 <y.
130
)'
3 x
5.4. ábra
Azonnal látható, ha Xo > 3 rögzített érték, akkor
ha Yo > 2 , akkor
F(x; Yo) = F;(x).
Ha x-et vagy y-t növelj ük, az F értéke (nem csökken) állandó, vagy növekedik,
vagyis mindkét változó szerint monoton ő
Most ismerkedjünk meg azokkal a tulajdonságokkal, amelyek minden együttes
eloszlásfuggvényre ő ő a tételt kimond anánk, megjegyezzük, hogy
kétváltozós esetben az intervallum szerepét az a s x < b; c s y < d téglalap veszi át.
5.2. TÉTEL. Ha F a és 17 valószínííségi változók együttes eloszlásfüggvénye,
valamint F; a és F
2
az 77 perem-eloszlásfüggvénye, akkor az F
l. mindkét változója szerint monoton ő és
2. mindkét változó ja szerint balrólfolytonos.
3. limF(x;y)= limF(x;y)=O .
x-+-co y -+-::o
4. limF(x; y) = l .
x-+«>
y->oo
131
5. limF(x; y) = 1'; (x), limF(x; y) = Fz (y).
Y-)«'I x.."co
6. PCa l; < b ; c 77 < d) = F(b ; d) - F(a ; d)-
-F(b; c)+F(a; c).
Bizonyítás. Az l. és a 2. állítást nem bizonyítj uk, csupán megjegyezzük, hogy az l.
a 6. tulajdonságból az egyváltozós esethez hasonlóan adódik.
A 3.-5. állítás az alábbi egyváltozós esetben látott ő következik:
ekkor
IimP(1; < x) = IimP(77 < y) = l,
x.."o;;o y""oo
limP(I;<x; 77 <y) =P(77 <y),
X-)OO
limP(I;<x; 77<y)=P(I;<x),
y-->oo
IimP(I;<x; 77<y)=I ,
X->'"
y->oo
ami a 4., illetve az 5. állítást igazolja. A 3. állítás is a
lim P(I; < x) = Jim P(77 < y) = O
Y""....(O
ő következik.
A 6. állítást a ő lehet belátni. Az F(a; d) = P(I; < a; 77 < d),
illetve F(b; c) = P(I; < b; 77 < c) annak ű hogy a CI;; 77) pont az
5.5. ábrán a ő vonalkázott részekre esik. Az FCa; c) = PCI; < a; 77 < c)
annak a ű hogy a kétszeresen vonalkázott részre esik a (I; ; 77) pont.
Így az
FCa ; d) + F(b ; c) - FCa ; c)
annak a ű hogy a CI; ; 77) pont
a sík valamilyen módon vonalkázott ré-
szére esik. Ezt kell kivonni az F(b; d) =
= P(I; < b ; 77 < d) ű ő hogya
téglalapra esés ű megkapj uk.
Ezzel állításunkat igazoltuk.
Megjegyzés:
c)
x
5.5. ábra
Ha egy kétváltozós függvény rendelkezik az l-4. tulajdonsággal, akkor valamely
l; és 77 ű változó együttes eloszlásfüggvénye.
132
5.3. Kovariancia és korrelációs együttható
Ebben a pontban két ű változó kapcsolatát, illetve annak ő
vizsgáljuk. ő azonban a várható érték egy fontos tulajdonságával ismerkedünk
meg.
5.4. Példa.
Egy cégnél a hónap végén bérfizetéskor jutalmat is osztanak. A munkavállalók
bér és jutalom szelinti megoszlása a ő (10 ezer forintos egységekben
számolva):
bér
5 10 15
10 2 5 4
15 4 3 2
20 6 5 6
V életlenszerÍÍen kiválasztunk egy alkalmazottat, l; legyen a bére, 77 a jutalma.
a) ÍIjuk fel l; és 77 együttes eloszlását és a peremeloszlásokat!
b) Határozzuk meg M(I;) és M(77) értékét!
c) Meld<ora MCI;+77) és M(I;'77)?
MEGOLDÁS.
a)

5 10 15
2 5 4 II
10 - - - -
37 37 37 37
4 3 2 9
15 - -
- -
37 37 37 37
20
6 5 6 17
- - - -
37 37 37 37
12 13 12
1 - - -
37 37 37
11 9 17 585
b) MCI;)=10 · -+15·-+20·-=-.
37 37 37 37
12 13 12 370
M(77)=5·-+10·-+15·_· =-=10.
37 37 37 37
Azonnal látható, hogy az M(I;) az átlagbér és M(ry) a jutalom átlaga.
133
c) Ha ;- = 10 és 77 = 5, akkor ;- + 77 = 10 + 5, és ennek ű 2.
37
Hasonlóan járunk el a többi nyolc esetben:
254
+ 77) = (10 + 5) ·- + (10+ 10) .-+ (10 + 15) .-+
37 37 37
432
+ (15 + 5) . - + (15 + 10) . - + (15 + 15) . - +
37 37 37
6 5 6 955
+ (20 + 5) .-+ (20+ 10)·- + (20+ 15) '-=-.
37 37 37 37
Vegyük észre, hogy M(I; + 77) = M(I;) + M(77)·
A szorzat várható értékének kiszámításánál hasonl6anjárhatunk el:
2 5 443
'77)=10·5 . _ + 10·10·-+ 10·15 . -+ 15·5 · -+ 15 ·10·-+
37 37 37 37 37
2 6 5 6 5700
+ 15 ·15 . - + 20·5· - + 20 · 10 · - + 20 ·15 . - = --.
37 37 37 37 37
Azonnal látszik, hogy
5700 *' 5850 =M(I;).M(77).
37 37
Most megmutatj uk, a példánkban ő azon észrevétel, hogy összegnek ta-
gonként számítha1juk a várható értékét, általában is igaz.
5.3. TÉTEL. Ha a és 77 ű változók várható értéke létezik, akkor léte-
zik a l; + 77 ű változó várható értéke is, és
M(I; + 77) = + M(77)·
Bizonyítás. Alkalmazzuk az 5.1 . tételt, és használjuk az 5.3. táblázat jelöléseit:
I J I j i j
Két ű változó között akkor a legszorosabb a kapcsolat, ha egyilmek
az értéke pontosan meghatározza a másiknak az értékét. Ez az eset állt volna ő
az 5.4. példában, ha pl. a jutalom mindig a bér valahány százaléka lenne. Az ennél
134
lazább kapcsolat szorosságát is mérnünk kellene. Maradjunk az 5.4. példánál. Te-
gyük fel, hogy az átlagosnál magasabb bér az esetek többségében az átlagosnál
magasabb jutalmat jelent és az átlagosnál alacsonyabb bér alacsonyabb jutalmat
(azonos irányú kapcsolat). Ekkor a és az lJ-M(77) különbségek több-
nyire azonos ő ű Azaz szorzatuk pozitív. Ha az átlagosnál magasabb bér
többnyire átlagosnál kisebb jutalmat jelent és fordítva ő irányú kapcsolat),
alckor az ő szorzat az esetek többségében negatív. ő is úgy ű a
- M (I;) ].[lJ - M (77)] szorzat várható értéke a kapcsolat szorosságának ő
száma lehet.
DEFINíCió. Ha létezik a l; és 77 ű változók várható értéke, továbbá
létezik a M (I;) ].[77 - M (lJ)] várható értéke, akkor ezt a és lJ
kovarialtciájáltak nevezzük:

Megjegyzések:
1. Definíciónkban ő feltételezni, hogy és M(lJ2) létezik.
2. A definíció alapján cov(1; ; 77) = cov(77 ; !;).
A kovariancia kiszámításánál nem kell feltétlenül a definícióban ő for-
mához ragaszkodni, ebben segít a ő tétel.
5.4. TÉTEL. Ha cov(1; ; lJ) létezik, akkor
cov(l;; lJ)
Bizonyítás. Felhasználva az 5.3. és a 4.8. tételt:
eov(1; ; lJ) = - M(lJ)'!; - M(I;)'77 + M(I;)M(lJ» =
= '77) -M(lJ)' M(I;) - M(I;)M(lJ) + M(I;)M(lJ) =
= -M(I;)M(77)·
Az 5.4. példában azt kaptuk, hogy M(I; 'lJ) = 5700 ,míg M(!;)M(lJ) = 5850 .
37 37
ő
eov(): . 11) = 5700 _ 5850 = -150 "" -4 05 .
':> , ./ 37 37 37 '
Arra, hogy ez nagyon szoros kapcsolatot jelent-e, nem tudunk válaszolni, ugyan-
is ha példánkban ezer forintos egységekben számoltunk volna, a kovariancia 100-szor
135
ekkorának adódna, azaz függ a ő (dimenziótól). Ezért ű a
kapcsolat szorosságának mérésére az alábbi dimenzió nélküli számot használni .
DEFINÍCIÓ. Ha a e; és 1J ű változóknak létezik a szórásuk, és az nem
nulla, akkor az
) = cov(e; ; 1J)
':> ,1J D(e;)D(1J)
számot a e; és 1J korrelációs együtthatójának nevezzük.
Meg lehet mutatni, hogy
I cov( e; ; 1J) I $ D( C;) . D( 1J) ,
így
Ha 7] = ae; (a állandó), vagyis a két valószíniíségi változó között a kapcsolat
(lineáris) ű akkor
M(7]) = aM(e;), M(e;7]) = aM(e;2) és D(7]) = la ID(C;).
Így az
Ugyanez igazolható, ha az 7] = ae; + b összefüggés áll fenn.
Az eddigi megfontolásainknak ő a sztochasztikus kapcsolat két való-
ű változó között annál szorosabb, minél közelebb van az IR(C; ; 7]) I az l-hez.
DEFINÍCIÓ. Ha a C; és 7] korrelációs együttható ja létezik és
R(C;;7])=O,
136
akkor azt mondjuk, hogy a e; és 7] ű változók korrelálat-
lan ok.
5.5. Példa.
Az 5.4. példabeli valószínüségi változónak számÍtsuk ki akorrelációs együttha-
tóját!
MEGOLDÁS. A kovariancia és a várható értékek már ismertek: M(e;) = 5
3
8
7
5 ,
M(7]) = 10; cov(C; ;7]) = -4,05. Csak a szórásokat kell kiszámítani.
M (q2) = 100 . .!.!. + 225 . .2... + 400 . .!2. = 9925 .
37 37 37 37
D2(q) = 9925 _ 585
2
= 25000 18 26' 4,27 .
37 372 372 " ':>
M(7]2)=25.g+100 . .!2.+225.12 = 4300.
37 37 37 37
D2(7]) = -100 16,22; D(7])

) - -4,05 -O 24
':> , 7] - 4,27.4,03 ,.
Ennek alapján ő irányú gyenge kapcsolat van a bérek és a jutalmak
között.
Megjegyzés:
Az 5.4. tétel után említettük, hogyakorrelációs együttható dimenzió nélküli szám.
Ennél egy kicsivel több is igaz. Egyszerií számolással megmutatható, ha R(q ; 17)
létezik, akkor a> O és c> O esetén
R(ae; + b; c7] + d) = R(e; ; 7]),
vagyis a lineáris transzformáció nem befolyásolja akorrelációs együtthatót.
Az 5.3. tételben láttuk, hogy két ű változó összegének várható érté-
ke a várható értékeik összege. A szórásra az ennek ő állítás nem igaz. Erre
vonatkozik a ő tétel.
5.5. TÉTEL. Ha e; és 7] szórása létezi/c, akkor létezik q + 7] szórása is, és
D2(e; + 7]) = D2(q) + D
2
(7]) + 2cov(q ; 17).
137
Bizonyítás,
D2(;+Tf) M([;+17Y)-M
2
(;+17)
= M(;2 + + 1]2) - M(17) J2 =
= M(e)+ 2M(!;1]) +M(r/) 2M(I})M(17) M
2
(17)
= M(!;2) M
2
(1;)+ M(17
2
) - M
2
(17) + 2[M(!;17) -M(I;)M(7]) ] =
= D
z
(.;') + + ;7]).
Következmény: Ha I; 7] korrelálatlanok a ,,>LV'l""U"', akkor
5.4. ű változók függetlensége
Az ő ő pontban két va]c)szíínü:;égÍ változó
tUnk. Azt mondtuk, az R(!; ; 77) = O esetén a
azt j elentÍ-e ez, a két ű változó
kapcsolatáról
a kapcsolat.
hogy q és 1] I; < x
1] < y minden (x ; y) számpár fliggetlenek, azaz
,P(1] <y), (x;Y)ER
2
,
az
A baloldalon az a jobb oldalon a per'em.-el<::lszlás-
fliggvények szorzata A definíciót ezek segítségével ki.
DEFINÍCiÓ. A q és 7] valószinííségi változókat egymástól fiiggetleneknek nevez-
zük, együttes eloszlásfoggvényük a perem-eloszlásfüggvé-
szorzatával. Kép/etben:
F(x;y)=F
1
«x;Y)ER
2
),
Most nézzük meg, hogy az és a peremeloszlások ismeretében
az eloszlásfüggvények felírása lehet dönteni a kérdé-
sekben. Ehhez szükségünk a ő tételre.
szerinti a < b, c < d sza:mJ)'arl]K
138
Bizonyítás. Az 5.2. 6. ponlja és a alapján
P(a'5,l;<b; c <;;'17 <d) ;d)-F(a;d)-F(b;c)+
+F(a;c)=F;(b)Fz(d) F;(a)F
2
(d) F; (b)F
2
(c) + FI (c)
[F;(b)-F
I
(a)][F
2
(d) (c)] P(a <;;,1; <b)P(c<;;'77 <d).
A t; és 77 ű változók akkor csak akkor fog get-
Jenek, ha minden lehetséges (x
j
; y) értékpárra
Xi ; 77 == Yj) = P(t; == xJP(17 Yj)'
a szokásosjelölésekkel:
Pij ==pjqJ (i==l, "., n; j L ... , m).
(5.8)

mz'onJVUQ'S, ő tegyük fel,
1] függetlenek. Válasszunk a ílletve
(xH;YJ+I) (xj;Yj+l) (Xj+J;Yj+l)
17 lehetséges értékei közül egy-egy tet-
ő legyenek ezek XI Van
olyan [a ; b] és [e; d] intervallum, hogy
[a ; b l-be .; értékei közül csak
az x
j
esik [c ; d] az 1] lehetséges
értékei közül az Y
j
(5.6. ábra). Így
az a <;;, x <;;, b, c -:;, y <;;, d téglalapba
lehJetsé:ges pont esik: az (x,;
x x x
5.6, ábra
-:;,1; <b ; c <;;'1] <d) ==P(é; X
j
; 7] Yj) Pij'
azcmnal adódik állításunk.
fel, hogy az (5.8) akkor
F(x;Y)=L P(,;=x(;1] Yj)=LLPC,;=x/)P(7] Yj)
= LP(é;= P(77 y) = F; (x)F
2
(y).
Xf<''( Yj<Y
Ezzel beláttuk az
x
139
Most válaszoljunk a ő feltett kérdésre: mi a kapcsolat a korrelálatlan-
ság és a függetlenség között. Ehhez nyújt segítséget a ő tétel.
5.8. TÉTEL. Ha a és 17 valószínííségi változókfüggetlenek, ak/wr
'17) =
amennyiben ezek a várható értékek léteznek.
Bizonyítás. Ha lehetséges értékei x" xl' .. . , x" és 17 lehetséges értékei YI>
Yz' .. . , Y"" akkor a függetlenség miatt
= = Xi; 17 = y) = =x,)P(17 = YJ) ==
;=1 /=1 i=1 }=I
= = XI) !yjP(17 == YJ) == .
(=I j=1
Következmény: Ha és 17 függetlenek, akkor korrelálatlanok is, hiszen ekkor
azaz
5.6. Példa.
Tekintsük az 5.2. példában ő eloszlást:

O l 2
210 63 3 276
O - - - -
496 496 496 496
147 42 3 192
l - - - -
496 496 496 496
21 7 O 28
2 - - - -
496 496 496 496
378 112 6
1 - - -
496 496 496
a) Számítsuk ki akorrelációs egyiitthatót!
b) és 17 függetlenek-e?
140
MEGOLDÁS.
192 28 l
a) 496 +2· 496 ='2'
112 6 l
M(17)=l· 496 +2 · 496 ='4'
42 3 7 l
M = l·} · - + }. 2· - + 2 . }. - = - .
496 496 496 8
ő ; 17) = ; 17) = 0, azaz és 17 korrelálatlanok.
b) Nem függetlenek, mert például:
28 6
== 2) . P(17 = 2) = 496 . 496 '* ° = == 2 ; 17 = 2) .
Az 5.6. példa mutatja, hogy a lwrrelálatlanságból nem következik a független-
ség. ő és az 5.8. tétel ő az következik, hogy a függetlenség
ő követelmény, mint a korrelálatlanság. Ezek után az 5.5. tétel következ-
ményét úgy is fogalmazhat juk, ha és 17 függetlenek, akkor
ő még ezt a ftiggetlenséggel foglalkozó pontot lezárnánk, bizonyítás nél-
kül megemlítjük, hogy ha és 17 független, akkor és 17
2
is az.
5.5. Feltételes eloszlás, feltételes várható érték,
regressziós függvény
A 3. fejezetben valamely A esemény B eseményre vonatkozó feltételes ű
ségét a
PCA 'B) P(AB) (P(B) '* O)
P(B)
(5.9)
formulával definiáltuk. Ha lehetséges értékei XI' X
2
' ••• , x., és 17 lehetséges
értékei YI' Yz ' ... , Y m' akkor lehet beszélni a = Xi esemény 17 = Y J eseményre
vonatkozó feltételes ű ő amely (5.9) alapján
P( = Xi ; 17 = Y)
I 17=Y) P(17=Yj )'*O. (5.10)
P(17 = y)
141
Vagy ennek ő
P(TJ=Yi I (5.11)
(i = l, 2, ... , n; j = l, 2, ... , m).
Most megmutatj uk, ha (5.10)-ben j értékét, illetve (5.11)-ben i értékét rögzít-
jük, akkor ezek a feltételes ű ű alkothatnak. Az
5.1. tétel alapján:
"
;TJ=yj)=P(TJ=Y).
i=1
Így
vagyis ű van szó.
DEFINÍCIÓ. Legyenek és TJ diszkrét ű változók XI ' x
2
' "', x" és
Y
I
, Y2' .. . , Y
m
lehetséges értékekkel. A
P(
J: _ I - ) - P(; = Xi ; TJ = y)
'" -Xi TJ-Y · -
.I P(TJ = y)
(P(TJ=Y)'*O), (i=I, 2, ... , n)
ű a ű változó TJ = Y
j
feltéteire vonatkozó
feltételes ű alkotják (j = 1, 2, "', m).
Hasonlóan lehet definiálni az TJ ű változó ; = Xi feltéteIre vonat-
kozó feltételes valószÍnüségeloszlását. Ekkor már beszélhetünk ezen ű
eloszlások várható ő is.
DEFINÍCIÓ. A diszkrét ű változó TJ = YJ feltétel melletti várható ér-
tékén az
M(;I I TJ=Y) (5.12)
I
összeget értjük, ha P( TJ = Y j) '* O .
142
Ennek alapján könnyen felírhat juk TJ -nak a ; = XI feltétel melletti várható érté-
két is:
M(TJI ;=xl )=M(TJI xJ='2>j P(TJ=Y
i
I (5.13)
J : ]
5.7. Példa.
Tekintsük az 5.4. példában ő eloszlásokat:

5 10 15
10
2 5 4 II
- - - -
37 37 37 37
4 3 2 9
15 - - - -
37 37 37 37
20
6 5 6 17
-
- - -
37 37 37 37
12 13 12
-
-
- 1
37 37 37
ahol; a kiválasztott munkavállaló bére, TJ a jutalma (10 ezer Ft-ban).
a) Írjuk fel; és 17 feltételes eloszlásait!
b) Számítsuk ki a feltételes várható értékeket, és ábrázoljuk ezeket egy-egy ko-
ordiná ta-rendszerben!
MEGOLDÁS.
a) Alkalmazzuk a definÍcióban ő formulát:
2 4
p(;= lo l TJ=5)=12; p(;= IS I TJ=5)=12;
P(; = 20 I TJ = 5) =
12
p(; =
I0
1 TJ=10)=1
5
3; P(;=151 TJ=1O)=1
3
3;
p(;= 20 1
13
4 2
p(;= 10 1 TJ=15)=12; P(;= 15 1 TJ=15)=12;
P(; = 20 I TJ = 15)
12
143
2
p(I]=51';=lO)=U;
4
P(I] = 15 1 .; = 10) = U.
4
p(I]=51';=15)="9;
P(I] = 15 1 .; = 15) =3..
9
6
P(I] = 51 .; = 20) = 17;
P(I] =
15
1 .; = 20) = .
5
P(I] = 10 I .; = 10) = - ;
11
5
P(l} = 10 I .; = 20) = - ;
17
b) Az (5.12) és (5.13) alapján
2 4 6 200 50
M('; 11]=5)=10.
12
+15.
12
+20.
12
=12=3.
5 3 5 195
M('; 11]=10)=10.-+15·-+20.-=-=15.
13 13 13 13
(5.14)
4 2 6 190
M('; 11}=15)=10.-+15.-+20.-=-.
12 12 12 12
A .; feltételes várható értéket mint l] lehetséges értékeinek ftiggvényét az
5.7. ábrán szemlél tet j ük.
20
10
5 10 15 y
5. 7. ábra
Most nézzük meg az l] feltételes várható értékeit!
144
2 5 4 120
M(I] 1';=10)=5.-+10.-+15.-=-.
II II II II
4 3 2 80
M(I] 1';=15)=5.-+10·-+15.-=-.
9 9 9 9
6 5 6 170
M(I] 1';=20)=5 .-+10·-+15.-=-=10.
17 17 17 17
Az l] feltételes várható értékeit mint a .; le-
hetséges értékeinek függvényét az 5.8. ábra
szemléleti.
(5.15)
10 15 20 x
5.8. ábra
Mint látjuk, a .; ű változó I]-ra vonatkozó feltételes várható értékét
l] lehetséges értékeinek függvényeként hasonlóan l] feltételes várható
értéke a .; lehetséges értékeinek ftiggvénye. '
DEFTNlcló. Az m
z
:mz(y)=M(.;II]=Y) (Y=YI' Y2' ... , Ym) függvényt a .;
ű változó l] -ra vonatkozó ő regressziós függvé-
nyének, az m, :m,(x)=M(I]I.;=x) (x=x
1
' x
2
' ... , XII) fiiggvényt
az 17 ű változó .; -re vonatkozó ő regressziós
fiiggvényének nevezzük.
Hangsúlyozzuk, hogy ezek a ftiggvények 1], illetve .; azon lehetséges értékeinek
halmazán vannak értelmezve, amely értékeket a ű változó pozitív való-
színüséggel vesz fel.
Az 5.7. példabeli eloszlásnál (5.14), illetve (5.15) alapján
50 ha
120
ha x=10
y=5 11 '
3 '
80
m
2
(y) = 15 , ha y=lO m,(x) =
9 '
ha x=15
192 ha
2 '
y=15 10, ha x=20
(lásd az 5.7., illetve 5.8. ábrát).
145
Ezek a diszkrét pontokból álló grafikonok szemléltetik ugyan a két ű
gi változó közti kapcsolat milyenségét, de felmerül az igénye annak, hogy egyetlen
görbével, vagyis valamilyen képlettel adott g függvénnyel közelítsük az ő
regressziós függvényt. Itt azonnal adódik a kérdés, hogy mit értsünk jó közelítésen
és milyen függvénytípust válasszunk. Mi példaként egy lineáris függvénnyel köze-
lítünk, más függvényekkel való közelítések is hasonló elven ű ezekkel
részletesen a statisztika tárgyon belül foglalkozunk.
Azt mondjuk, hogy az ml függvényt az a gl (x) = ax + b függvény közelíti a
legjobban, amelyre az
+ b - ry]2 )
várható élték a minimális. Itt az a és b paramétereket kell meghatározni, azaz
meg kell vizsgálni, hogya
H(a ;b)=M([aq+b-ryn
kétváltozós függvénynek hol van minimuma.
H(a; +2abq+b
2
-2aqry-2bry+ry2)=
= + b
2
- 2aM(q17)-
- 2bM(ry) +M(ry2) .
ő ott lehet, ahol a parciális deriváltak zérussal ő
ő
H:' (q ; ry) = 2aM(q2) + 2bM(q) - = 0 ,
; ry) = 2aM(q) + 2b - 2M(ry) = O. (5.16)
(5.17)
Hasonlóan adódik, hogy az m
2
fuggvényt az a g 2 (y) = ey + d függvény közelíti
a legjobban, ahol
és (5 .18)
Az így kapott gl (x) = ax + b és g2 (y) = ey + d függvényt másodfajú regresz-
sziós függvénynek nevezzük.
146
Közvetlenül is beláthatjuk, de ő és (5.18)-ból is következik, hogy fúg-
getlenség esetén (ekkor ; ry) = O) a regressziós fúggvény állandó:
ml(x)=M(ry)
m
2
(y) =M(q)
(XE Dm)'
(YE Dm,)-
Az 5.7. példabeli eloszlás szükséges paramétereit már meghatároztuk (5.4. , il-
letve 5.5. példa):
Így
M(q)=5
3
8;, M(ry)=lO, D
2
(q)",18,26, D
2
(ry)"'16,22,
cov(q; ry)",-4,05.
gl (x) = -O,22x + 13,51,
g2(y)=-0,25y+18,31.
Ezeket az egyeneseket is az 5.8., illetve az 5. 7. ábrán vázoltuk.
Megjegyzés.·
Ugyanezt az egyenest kaptuk volna, ha az ml és tn
z
függvényt a legkisebb négyzetek módszerével
közelítettük volna egyenesekkel.
5.8. Példa.
Legyen a és ry független ű változók eloszlása:
1
= l) =4 '
l
P(ry = O) =5'
2
P(q=2)=4'
2
P(ry = l) =5 '
a) Írjuk fel az együttes eloszlást!
b) Számítsuk ki és M(ry) értékét!
l
P(q =3) =4'
2
P(17 = 2) =- .
5
e) Határozzuk meg az ml (x) és m
2
(y) függvényeket!
147
MEGOLDÁS.
a) Függetlenség esetén Pij = p/qj' ezért
x
O 1 2
1 2 2 1
1 - - - -
20 20 20 4
2 4 4 2
2 - - - -
20 20 20 4
1 2 2 1
3 - -
- -
20 20 20 4
2 2 2
1 - - -
5 5 5
1 2 1
b) M = 1 . 4" + 2 . 4" + 3 . 4" = 2 ,
6
M(1J) =-.
5
2 2 6
c) M(1J!
148
2 2 6
M(1J!
M(1J! =3) =I'i+
. 6
Igym,(x)=-=M(1J), ha x=I,2,3.
5
Hasonlóan
m
2
(y)=2, ha y=0,1,2.
Ez összhangban van azzal a megjegyzésÜTIkkel, hogy fúggetlenség esetén az
ő regressziós függvények a konstans függvények.
6. TÖBBDIlVIENZIÓS FOLYTONOS ELOSZLÁSOK*
Ebben a fejezetben - mint a címe is mutatja - csak folytonos ű válto-
zókkal foglalkozunk. Gyakran hivatkozunk az ő ő fejezetre, ugyanis az ott álta-
lánosan kimondott definíciókat, illetve tételeket itt nem isméteUük meg szó szerint,
csupán folytonos példákkal i llusztrálj uk, illetve megmutatj uk, hogy folytonos el-
oszlásokra is igaz.
6.1. Együttes ű ű
A és 1J valamely W valószíní.íségi ő elemi eseményein értelmezett való-
színí.íségi változók együttes eloszlásfüggvényét az ő ő fejezetben már definiáltuk.
Az eloszlásfüggvény tulajdonságait az 5.2. tételben részleteztük. Most nézzünk egy
példát.
6.1. Példa.
Tekintsük a koordinátasíkon a O::; x ::; 1 ;
O::;y::;l egységnégyzetet (6.1. ábra). Vá-
lasszuk ki ű egy pong át, le-
gyen e pont abszcisszája és 1J az ordinátája.
Geometriai ű feltételezve írjuk
fel az együttes eloszlásfüggvényt és a pe-
rem-eloszlásfúggvényeket!
y
x
6.1. ábra
MEGOLDÁS. Mivel'; és 1J lehetséges értékei a [O; l] intervallumon vannak,
x ::; O , illetve y::; O esetben < x , illetve 1J < Y lehetetlen események, így
1J<y)=O, ha x::;O vagy y::;O. (6.1)
Ha O < x::::: 1 és O < y::::: 1, azaz (x; y) az egységnégyzetbe esik, akkor az
F(x ;y) = < x ; 17 < y)
annak a ű hogy a pont az egy-
ségnégyzet 6.2. ábrán látható vonalkázott
részére esik.
Ennek a teri.ilete xy, mivel geometriai va-
lószínííséget feltételeztünk,
F(x ;y) = xy = xy ,
1
Ha l < x és O < Y ::::: l , akkor az
(6.2)
F(x ; y) = < x ; 1] < y)
annak a ű hogy (x; y) a
6.3. ábrán látható vonalkázott részre esik,
amelynek területe y. l .
Így
F(x; y)=y,
l <x, O < y::::: l.
(6.3)
Hasonlóan
F(x; y)=x,
O<x:::::l, l<y .
(6.4)
y
b77:n'77T-'77T-"' (x; y)
x
6,2. ábra
y
f---------+ ...... - ..... .
x
6.3. ábra
Ha 1 < x és 1 < y, akkor a teljes négyzet beleesik az (x ;y) pont által meg-
határozott síknegyedbe, így a < x és 1] < y események biztosan bekövetkez-
nek, azaz
F(x ; y) = l, l < x, 1 < y. (6.5)
150
A (6.1)- (6.5) alatti eseteket összefoglalva:
O, ha x:::::O vagy y::::: O
xy, ha O < x::::: l és O<y:::::l
F(x; y)= y, ha l<x és O <y:::::l
x, ha O < x::::: 1 és l <y
l , ha I < x és 1< y.
A 6.4. ábrán F értékeit írtuk az egyes síkrészekbe.
Ha Yo > 1 , akkor
y
r
ha x:::::O
F(x; Yo) = F;(x) = x, ha O <x::::: l
1, ha 1 < x.
O
x
y xy
Hasonlóan, ha Xo > I , akkor
r
ha y::::: O
F(x
o
; y) = F
2
(y) = y, ha O <y::::: I
O
l, ha l <y .
O
x
6.4. ábra
A példánkban kapott eloszlásfiiggvényhez találunk olyan R
2
-en értelmezett J
függvényt, amelyre
x y
F(x;y)= ffJ(t;s)dsdt.
Ezt mutatja be a ő példa.
6.2. Példa.
Tekintsük azt az J kétváltozós függvényt, amely a 6.1. ábrán látható egység-
négyzeten l, máshol nulla, azaz
x . _ {l, ha O::::: x::::: 1 és O::::: y::::: 1
J( , y)- O 'bk'
egye ent.
151
Számítsuk ki az
x y
F: ; y) f JfU; s) ds dt (6.6)
.... 011P.," értékét az xy sík minden pontjában!
MEGOLDÁS. Ha x:::; O vagy y:.:;; O, akkor f(x; y) == O, így
; y) == I ff (t ; s) ds dt == O .
o < x :::; l O < Y :::; 1 , akkor csak a 6.2. látható vonalkázott tégla-
lapon kell ő negatív f nulla):
x y
F(x; y) fff(t; s) ds dt
x y ,.. x
f fldsdt == f[s ]:dt y fl dl == yx.
o o o o o
Ha l<x O<y:::;\ , a 6.3. ábrán látható vonalkázott téglalapon CICgeIl-
ő integrální:
I y- l
F(x;y)== fJldsdt::::yfdt=y.
o o o
Hasonlóan, ha O < x :::; l és l < Y , akkor
< l
F(x;y) ffl ds dt x.
o o
Ha 1 < x l < Y , akkor a négyzeten kell integrálni:
l I
F(x; y) == fJl ds dt == l.
o o
Azt kaptuk, hogy az F a 6.1. példabeh eloszlásfúggvény. Vagyis az Feloszlás-
találtunk olyan f függvényt, amelynek a (6.6) alatti
integrálfüggvénye F.
DEFINÍCIÓ. Legyen a q " ű együttes eloszlásfüggvénye
Ha létezik olyan nemnegatív, kétváltozós f függvény, amelyre
x y
F(x;y)== J JfCt;s)dsdt, (6.7)
152
fennáll, akkor a r; 17 eloszlását folytonos nak nevezzük
f az együttes ű ű
6.1. TÉTEL. a q és 17 ű változók együttes elosz/ása folytonos és
együttes sürüségfiiggvényíik f, akkor
1. f(X;Y)20, (x;y)eR
2
,
"''''
2. J ff(x ; y)dxdy == 1,
3. a<b c<d esetén
h ti
P(a:::;q < b ; c:::;1] <d) ff f(x; y)dydx,
" ,
""
00
4. Jfex; y)dy J;(x);
Jf(x; (y),
J; a .; és f2 az 17 ű ű
iV, ........ ""« a bizonyításhoz kezdenénk, megjegyezzük, a ő következik,
ha az eloszlás folytonos, akkor külön a q az 1] eloszlása is
folytonos. Ezeket itt is peremeloszlásoknak, az J;, f
z
függvényeket perem-
ű ű nevezzük.
Bizonyitás.
1. A definíCÍóból következik.
2. A (6.7) alapján:
0000 yx
f f {f(t;s)dtds ; y) == 1.
6. állításáb61 következik részletezzük). Megjegyezzük, hogy
oldalon a :.:;; és < jelek bárhol ő
és (6.7)
.l(Jf(t;S)dS}t.
Ugyanakkor
== fJ;(t)dt, így
153
Ez minden x-re csak úgy állhat fenn, ha
00
J; (t) = ff(t;s)ds, teR.
Az f2 esete ugyanígy tárgyalható.
6.2. TÉTEL. Ha f a és 17 ű változók együttes ű és
F az együttes eloszlásfüggvény, akkor minden olyan pontban, ahol f
folytonos:
f(x ;y) = Fx; (x ; y).
(Nem bizonyítj uk.)
6.3. Példa.
Legyen és 17 együttes eloszlásfüggvénye
{
O ,
F(x; y) = 1 +_2 ___ 2 ___ 2_,
x+y l+x l+ y
ha x <:;, l vagy y <:;, l
ha l < x és l < y.
a) Írjuk fel a perem-eloszlásfuggvényeket!
b) Számítsuk ki az együttes ű ű
c) Határozzuk meg a ű
d) P(O <:;, < 3 ; 1<:;'17 < 2) =?
MEGOLDÁS.
a) Az 5.2. tétel alapján, ha x> l,
Így
154
F;(x) = limF(x; y) = lim(1 +_2 ___ 2 ___ 2_) =1 __ 2_.
y-->oo y .... oo X + Y 1 + x l + y l + x
{
O,
F;(x) = 2
1--
I+x'
ha x <:;,1
ha 1 < x.
Hasonlóan, ha y > l , akkor
(
2 2 2) 2
Fz(y) = lim 1+-------- =1---.
x-->oo X + Y l + x l + Y 1 + Y
{
O ,ha Y <:;,1
F2 (y)= 1 __ 2_, ha l<y.
1+ y
b) A 6.2. tétel szerint:
{
O,
f(x ;y) = F:;(x ; y) = 4
(X+y)3'
ha x <:;, l vagy y <:;, 1
ha 1 < x és 1 < y.
{ O ,
ha x<:;,o
c) J; (x) = F/(x) = 2
ha l < x,
(l+x) 2'
{ O ,
ha y <:;,0
f2(y) = F;(y) = 2
ha 1 < y.
(l+y)2'
Ezt az eredményt kaptuk volna az
00
'"
ff(x; y)dy és ff(x; y)dx
-00
integrálok kiszámításával is.
d) Az 5.2. tétel alapján
P(O <:;, <3 ; 1<:;'7] < 2) = P(l ::; < 3 ; 1 <:;, 17 < 2) =
= F(3 ; 2) - F(1 ; 2) - F(3 ; 1) + F(1 ; l) =
2 2 2 7
= 1+----- =-.
5 4 3 30
155
6.2. Várható érték, korrelációs együttható
Könnyen belátható, ha és lJ a W ű ő elemi eseményein értelme_
zett ű változók, akkor + lJ és . lJ is ű változó W-n.
Ha és lJ valószínííségi változók és együttes ű ű f, akkor meg
lehet mutatni (nem részletezziik), hogy
"''''
+.,.,) = f f(x + y)f(x ; y)dxdy,
"''''
= f fxy f(x; y)dxdy
minden olyan esetben, amikor az
oc'"
f fix + ylf(x; y) dx dy és f flxylf(x; y)dxdy
improprius integrálok konvergensek.
Folytonos esetben is igaz az 5.3. tétel az ott megfogalmazott feltételek mellett:
+ lJ) = + M(17).
(6.8)
Bizonyítás. Induljunk ki a definÍcióból és használjuk fel a 6.1. tétel 4. állítását és azt,
hogy az integrálás bármely sorrendben ő
+ lJ) = I I(x + y)f(x; y) dx dy = I IXf(x; y)dx dy +.
+ I Iy f(x ; y)dxdy = Ix If(x ; y)dydx + Iy jf(x; y)dxdy =
oc '"
= fxJ;(x)dx+
Ezzel állításunkat igazoltuk.
156
6.4. Példa.
Legyen a és lJ valószÍnüségi változók együttes sürüségftiggvénye:

ha O<x<l és O<y <2
f(x ;y)= 3
O egyébként .
SzámÍtsuk ki az M(lJ)' + lJ) és az várható értékeket!
MEGOLDÁS. Szükségünk van a ű nullától ő
értékére. Ha O < x < l , akkor
l 2 l [ 2 ]2 2x + 2
J;(x) =- S(x+ y)dy=- xy+L =
30 3 2 o 3
= fx 2x + 2 dx =3.. f(X2 + x)dx + = 5
o 3 3 0 3 3 2 o 9
Ha O < y < 2 , akkor
f(x+
30 3 2 o 6 3
f
2 (1 1) [y2 yJ]2 II
M(lJ)= y -+-y dy= -+- = 9
o 6 3 12 9 o
A definíció szerint
Természetesen ez utóbbi integrálástól megkímélhettük volna magunkat, hiszen
(6.8) miatt
5 11 16
+.,.,) M(.,.,) =- +- =-.
9 9 9
157
Szintén a definíció szerint
Amint látjuk,
M(I; . 17) 7= M (I;)M (17) .
Az ő ő fejezetben a kovariancia és a korreláció definíciójában, ő az 5.4. té-
telben sem szorítkoztunk diszkrét ű változókra, így ezek az összefiig-
gések itt is érvényesek. Nézzünk rájuk egy példát.
6.5. Példa.
A 6.4. példában ő ű változóknak számÍtsuk ki a kovarianciá-
ját, akorrelációs együtthatóját és a l; + 17 szórásnégyzetét!
MEGOLDÁS. Használjuk a 6.4. példabeli eredményeket:
cov(1; ; 17) = M (I; . 17) - M (l;)M (17) =.3. - 2. . .!..! = _J.-.
3 9 9 81
Akorrelációs együtthatóhoz szükségünk van a szórásokra, azaz a négyzetek vár-
ható értékére.
D2(17) = 1: -C9
1
y =
1
81 .fi
13 23 =- .J299 :::::-0,08.
162 81
158
Látjuk, hogy nagyon gyenge ő irányú kapcsolat van a két változó között.
Az 5.5. tétel alapján
D2(l; + 17) = D2(l;) + D
2
(17) + 2cov(l;; 17) + 23 _2
162 81 81 162
6.3. ű változók függetlensége
Az 5.4. pontban definiáltuk két valószínüségi változó fiiggetlenségét. Megmutat juk,
hogy a siírííségfiiggvények segitségével is dönthetünk a fiiggetlenség kérdésében.
6.3. TÉTEL. Legyen l; és 17 együttes ű ű f és a ű ű
fiiggvények f. , illetve f2. A l; és az 17 akkor és csak akkor függet-
lenek, ha
f(x; y)= f.(x)· f 2(y), (x; Y)ER
2

Bizonyítás. Tegyük fel, hogy l; és 17 fiiggetlen, ekkor a definíció szerint:
F(x; y) =F;(x)F
2
(y), (x; Y)ER
2

Differenciáljuk mindkét oldalt x, majd y szerint:
F;(x ; y) = F;'(x) · F
2
(y) ; F;(x ; y) = F;'(x)F;(y) .
Mivel F;(x; y) = f(x; y), FI'(X) = f.(x) és F;(y) = lz (y) , az állítást egyik
irányban bebizonyítottuk.
Most tegyük fel, hogy
f(x ; y) = f. (X)f2 (y).
futegráljuk mindkét oldalt - 00 ő x-ig, maj d y-ig:
)' x y x
f fl(t ; s)dtds = f ff. (t)f2(S)dt ds .
A baloldalon F(x; y) áll, a jobb oldalon f2 nem függ ő ezért ő a
ő integráljel elé:
F(x ; y) = Jf2(S)C[f.(l)dl JdS = lf. (t)dt lf2 (s)ds =F; (x)F2(y) ·
159
Így a definíció szerint és 77 fiiggetlenek.
Folytonos esetben szintén érvényes az 5.8. tétel is, nevezetesen ha az M
M(77) és M(;77) várható értékek léteznek, valamint q és 77 függetlenek, akkor
77) =M(q)M(77)·
Bizonyítás. Felhasználjuk a 6.3. tételt:
0000 .;Q !;Q
J Jxyf(x;y)d.xdy= J JxyJ;(X)f2(y)dxdy .
Mivel yf2 (y) nem függ ő ő a ő integrál elé:
'"
Jy . f2 (y)dy M(77) ,
amit bizonyítani akartunk.
Következmény: A ő folytonos esetben is következik a korrelálatlanság.
Ezért a 6.4., illetve a 6.5. példában ő ű változók nem lehet-
nek fiiggetlenek, hiszen nem nulla akorrelációs együtthatójuk. De ő a 6.3. tétel
alapján is ő ő az
fiiggvény nem szorzata az

ha O<x<1
J;(x)= 3
° egyébként ,
függvényeknek.
ha ° < x < l és ° < y < 2
egyébként
j
.!.(..!. + yJ, ha 0 < y < 2
f z(y) = 3 2
° egyébként
Viszont könnyen belátható, hogy a 6.1. példabeli ű változók fiigget-
lenek, hiszen
160
Lehet konstruálni olyan folytonos együttes eloszlást, ahol a ű válto-
zók korrelálatlanok, de nem függetlenek. Így a korrelálatlanságból folytonos eset-
ben sem következik afoggetlenség.
6.4. Feltételes ű ű , regressziós függvény
DEFINÍCIÓ. Ha és 77 együttes ű ű f, és J" illetve f2 a perem-
ű ű akkor a ű változó 1] = y feltéteIre
vonatlwzó feltételes ű ű az
f(xly) f(x;y), ha f2(y)*0
f z(y)
függvényt értjük. Az 77 -nak a = x feltéteire vonatkozó feltételes
ű ű
f(ylx)=f(x;y), ha J;(x)*O.
J; (x)
Ezek valóban ű ű hiszen nemnegatívok és - mint arról könnyen
ő ő - az értelmezési tartományon vett integráljuk 1.
A feltételes ű ű ismeretében már számolható a feltételes várható
érték is:
00
y)= Jxf(xl y)d.x
és
"
M(771 x)= Jyf(yl x)dy.
Megjegyzés:
Természetesen az integrálást mindig a feltételes ű ű értelmezési tarto-
mányán kell elvégezni.
161
6.6. Példa.
Tekintsük a 6.4. példában ő ű változókat, amelyelrnek együt-
tes ű ű

y), ha O<x<l és 0 <y<2
f(x ;y)= 3
O egyébként
és a ű

+ l), ha O < x <1
f.(x) == 3
O egyébként,

ha 0 <y<2
f 2(Y) == 3 2
O egyébként.
Számítsuk ki az M(!; I y) és az MC'l71 x) feltételes várható értékeket!
MEGOLDÁS. A definíció alapján:
Így
I
x+ y
f(x Y)=--l '
f(yl O< x <l, 0 <y <2 .
2 x+ l
y+-
2
I - + y- - y + - 3 + 2
l
Xl X 2 JI l 1
MCI;I )=Jxx+ydx= 3 2 =2 3==_Y_
'l7 1 l l 6y + 3
o y+- y+- Y+-
2 2 o 2
(O <y < 2).
l
j
2
y2 i 8
2 X-+- 2x+-
_ x+Y
d
== 2 3 == __ 3
M("I <')- lY 2x+2 y 2X+2" 2x+2
(O <x <1) .
Amint példánkból is látszik, a feltételes várható értékek függvények, amelyeket
folytonos esetben is ő regressziós függvényeknek nevezünk:
m
2
(y) == M (I; ly) , Y E R \ {y I f2 (y) = O},
ml(x) =M('l7 I x), xER\ {xlf.(x)==O}.
162
7. VALÓSZÍNÜSÉGELOSZLÁSOK
A 4. fejezetben láttuk, hogy bármelyik ű ő sokféleképpen ér-
telmezhetünk ű változót. Mind diszkrét, mind folytonos ű
változókból végtelen sok különféle létezik. A gyakorlati felhasználás szempont-
jából viszont csak néhány típus játszik ő szerepet. Most ezek közül tekintjük
át a számunkra legfontosabbakat, melyeket mi is fogunk használni.
Ha egy diszkrét eloszlású ű változó viszonylag sok értéket vehet fel,
akkor pl. az
várható érték kiszámol ása hosszadalmas, számolásigényes feladat. Folytonos elosz-
lású változónál a paraméter minden apró változása estéJ) újra és újra integrálhatunk,
ha a várható értékre vagy a szórásra szükségünk van. A tárgyalt eloszlásoknál le
fogjuk vezetni a várható értéket és a szórást egyaránt. Ha egy kísérlet kapcsán be-
vezetett változó típusát felismerjük, igen sok számolástól meneki.ilhetünk meg.
A gyakorlati problémák megoldása során az is ő lehet, hogy különféle
eloszlásokkal számolva ő nagyon közeli értékeket kapunk a ű
gekre vagy a várható értékre, esetleg a szórásra. A továbbiakban ennek feltételeit is
áttekintjük. ő a diszkrét eloszlások kerülnek SOlTa.
DISZKRÉT ELOSZLÁSOK
Mint ismeretes, a 19 ű változó t akkor nevezzük diszkrét eloszlásúnak,
ha lehetséges értékeinek halmaza véges vagy megszámlálhatóan végtelen halmaz.
A lehetséges értékekhez tartozó ű nevezzük a diszlcrét változó el-
oszlásának. Ennek megadásával tudjuk az eloszlásokat definiálni.
163
7.1. Karakterisztikus eloszlás
ő egy nagyon ű esettel foglalkozunk, ennek eredményét a ő
ben használni fogjuk.
DEFINÍCIÓ. A ; ű változó t karakterisztikus eloszlásúnak nevezzük,
ha lehetséges értékei az 1 és a 0, az ezekhez tartozó ű
pedig:
P(; =1)= P és P(; =0) = 1- P =q,
ahol ° p
Ez nyilván eloszlás, mert LP! = p + q = l .
7.1. Példa.
Legyen a kísérlet az, hogy egy szabályos játékkockát feldobunk. Válasszuk a ki-
meneteleket a szokásos módon: Ek = k = a dobott szám értéke (k = 1, 2, ... ,6).
Mind a hat elemi esemény ű 1/6, így egy W klasszikus ű
ségi ő jutunk.
Az A esemény legyen az, hogy 3 -nál kisebbet dobunk: A = {EI; Ez} = {I; 2} .
Legyen továbbá ;(E
I
)=;(E
2
)=1 és ;(EJ=';(E4)=';(E5)=';(E6)=0. A .;
l
egy karakterisztikus eloszlású ű változó, melyre p = PC'; = l) =-
3
és q = PC'; =0) =3:.
3
A karakterisztikus ű változót szoktuk indikátorváltozónak is nevezni,
mert egy bizonyos esemény bekövetkezését jellemzi. ő ő példánkban az a szó-
ban forgó esemény, hogy 3-nál kisebbet dobunk.
7.1. TÉTEL. Ha ,; karakterisztikus eloszlású ű változó és P(,; = l) = p ,
akkor
Bizonyítás.
M(,;) = 1· P + O· q = p,
D
2
(,;) = (1
2
P + OZq) - (p)2 = P - p2 = p(1- p) = pq,
D(,;) =.[iq .
164
7.2. Binomiális eloszlás
DEFINÍCIÓ. A ,; ű változót binomiális eloszlásúnak nevezzük, ha ,;
lehetséges értékei 0, l, 2, ... , n és
P(';=k)=(:Jpk .qll-k, (7.1)
ahol 0< P <l, q = 1- P és k = 0, 1. 2, ... , n.
ő megmutatj uk, hogy ez valóban eloszlás, az l ű oszt-
ja el a változó lehetséges értékein.
A (7.1) minden tagja pozitív szám, jelölhet ű Meg kell még mu-
tatnunk, hogy ! P(,; = k) = l . Ehhez a binomiális tételt használjuk fel. Alkalmaz-
k=O
zuk most a binomiális tételt a (q + p)" hatvány kifejtésére.
(q+ p)" =(nJqll +( nJqll-l . p+ ... +(nJpn = t(nJpkqll-k.
O l n k=O k
Így tehát
II II (nJ
LP(,; =k) = L pkq"-k = (q+ p)" =}" =l.
hO k=O k
Ezzel beláttuk, hogy ez valóban eloszlás. Most kiszámoJjuk a várható értékei és
a szórást.
7.2. TÉTEL. Ha a ; ű változó binomiális eloszlású, akkor várható
értéke
szórása
D(,;) = npq .
Bizonyítás. Tekintsünk egy olyan Bernoulli-féle kísérletsorozatot, melyben a meg-
figyelt esemény ű p . Jelölje az TI ű változó a kísérlet-
sorozatban az A esemény bekövetkezéseinek a számát. Ekkor, mint a Bernoulli-
kísérletsorozatoknálláttuk,
165
Az 77 változónak és a változónak azonos az eloszlása, ezért várható értéklik és
szórásuk is azonos. Legyen 77; az i-edik kísérletben az A esemény karakteriszti-
kus ű változója, és képezzük az
771 + 772 + .. . + 77"
összeget.
Az összegben ő tagok között pontosan azolmak I az értéke, melyekhez
tartozó kísérletben A bekövetkezett, a többi nulla. Tehát ez az összeg azt mutatja
meg, hányszor következett be az A esemény a Bernoulli-sorozatban, vagyis
77 = 771 + 772 + .. . + 77" .
A karakterisztikus változó eloszlásánálláttuk, hogy M(77) = p és
(i=I, 2, .. . , n).
Az 5.3. tétel szerint, összeg várható értéke a várható értékek összege, ezért
M(77) =M(77I) + M(772) + ... + M(77,,) = p + p + ... + p = np.
A szórásra egy kissé bonyolultabb összefüggés igaz (5.5. tétel). Mivel a Bernoulli-
sorozatban független kísérletek szerepelnek, ezért alkalmazhatjuk az 5.5. tétel kö-
vetkezményében foglaltakat (ami ő több tagra is érvényes):
D
2
(77) = D
2
(77I) + D
2
(77J + ... + D
2
(17,,) =
= pq + pq + ... + pq = npq .
Az 77 változó szórása tehát
D(17) = .Jnpq .
Mivel M CI;) = M(77) és D(r;) = D(17) , a tételt bizonyítottuk.
A binomiális eloszlás szórásának nagyságára ő határt szabhatunk. A számtani
és mértani középre vonatkozó ismert összefüggés szerint
.jpq =.J p(l- p) :s; p + (1- p)
2 2
166
Ekkor viszont
D(I;) :S;..Jn . = ..Jn .
2 2
A binomiális eloszlást leggyakrabban a független kísérletsorozatok, például a
visszatevéses mintavétel leírására használjuk. Régebben a binomiális eloszlásokat
ő p és n értékekhez táblázatokban adták meg. Ezek az elektronikus kal-
kulátorok elterjedésével ő vesztették.
A 7.1. ábrán az n = 20-hoz p = O,I-del, p = O,3-del és p = 0,5-del megrajzol-
tuk a binomiális eloszlás grafikonját. Hogy a ő p-khez tartozó értékeket
el tudjuk különíteni, nem használtunk nyíldiagramot, hanem az egyes grafi1conok
pon1jait vékony vonalakkal kapcsoltuk egymáshoz. (A grafikont természetesen csak
a vastagon rajzolt diszkrét pontok jelentik.) Az eloszlás csak p = 0,5 esetén szim-
metrikus.
y
0,30
0,25
0,20
0, 15
0,10
0,05

2 4 6 8 10 12 14 16 18 x
7. 1. ábra
7.2. Példa.
Megfigyelések szerint az ország iskoláiban 100 gyermek közül 4 nem éri el a
továbbhaladáshoz szükséges szintet. Mekkora annak a valószínüsége, hogy egy
400 ő iskolában 13-nál többen, de 17-nél kevesebben nem érik el a tovább-
haladáshoz szükséges szintet? Mennyi ebben az iskolában a továbbhaladási szin-
tet nem ő gyermekek számának várható értéke és szórása?
MEGOLDÁS. Jelölje l; a tekintett iskolában a szintet el nem ő gyermekek szá-
mát. 4 lehetséges értékei: O, l , 2, ... , 400. Egy véletlenszerüen kiválasztott
4
gyerek esetében p = 100 = 0,04 a val6színüsége, hogy a gyerek a továbbhala-
167
dáshoz szükséges szintet nem éri el. A vizsgálatot egy 400 ő álló,
független kísérletek sorozatának tekintjük. A c: binomiális eloszlású:
[
400)
PCC: = k) = Ic 0,04
k
• 0,96
4OO
-
k
, k = 0, l, 2, ... , 400.
16 [400)
P(13 < c: < 17) = L 0,04 k ·0,96
400
-
k
= 0,2965 .
k=14 Ic
Az M(C:) = fk. [400JO,04
k
'0,96
400
-
k
egy 401 tagú összeg. Ennek kiszámo-
k=O k
lásától megmenekülünk, mert a binomiális eloszlású ű változó vár-
ható értéke MCC:)=400p=400·0,04=16 és szórása =3,92 a
7.2. tétel szerint ű adódik.
7.3. Hipergeometriai eloszlás
DEFINÍCIÓ. A c: ű változót hipergeometriai eloszlásúnak nevezzük, ha
k=0,1,2, .. . ,n (7.2)
és az n, M, N pozitív egész számokra érvényes: n <:::,M <:::, N és
n<:::,N-M.
A hipergeometria i eloszlást gyakorlatilag a visszatevés nélküli mintavétel leírá-
sára használjuk.
"
Megmutatiuk, hogy (7.2) eloszlást értelmez. A tagok pozitívak, ezért csak a I P(q = k) = I ösz-
k=O
szefúggést kell igazolnunk. Állításunk tehát
168
Mivel a ő k-tól fUggetlen konstans, ezt
t (MJ(N -MJ -(NJ
k=O Ic n - k n
(7.3)
alakba írhat juk. irjuk fel a (7.3)-at részletezve:
(7.4)
Azt, hogya (7.4) valóban érvényes, egy mintavételi modell felhasználásával igazoljuk.
Tekintsilnk egy N ű halmaz!, rnelyben M darab kitüntetett elem van. Legyen n ::; M és
n::; N - M. Válasszunk ki a halmazból n elemet visszatevés nélkü!. Az összes lehetöségek száma
(: J. Ezt találhat juk (7.4) baloldalán. A (7.4) ő oldalán ő számok viszont a konk-
rét kiválasztási ő számait adják: (: J( N M J ' azon ő száma, hogy nulla db
kitilntetettet és n db nem kitüntetettet választunk. Az ( J( J azon ő száma, hogy
I db kitílntetettet és II - I nem kitüntetettet választunk ki. Ha így haladunk tovább, az összes konkrét
ő összeszámláljuk és így ajobb oldalon is az összes ő száma adódik.
A (7.3) összefúggést Cauchy-féle tulajdonságnak nevezzük, melynek ismeretes a faktoriálisokra
alapozott bizonyítása is.
A binomiális eloszlással való összehasonlítás kedvéét1 a 7.2. ábrán n = 20-hoz
MI = 30, NI = 100 (p = 0,3), továbbá M 2 = 50, N
2
= 100 (p = 0,5) értékekkel
megrajzoltuk a hipergeo-
metriai eloszlás grafikon-
ját. A vékony vonalak most
sem tartoznak a grafikon-
hoz, csak az egyes para-
méterekhez tartozó pontok
együvé tartozását jelzik.
y
0,25
0,20
0,15
0,10
0,05
0,00 °
2 4 6 8 10 12 14 IG x
7.2. ábra
169
7.3. TÉTEL. Ha .; hipergeometriai eloszlású, akkor várható értéke
M
(ahol p =-),
N
szórásnégyzete q = 1- p jelöléssel
N-n
D2(';)=npq-- .
N-l
Nem
Vegyük észre, hogy a binomiális és a hipergeometriai eloszlás várható értéke
azonos. A gyakorlatban rendszerint ő n« N esetén (n "kicsiny" N-hez
képest) a szórások is közel esnek egymáshoz. Ezért ahipergeometriai eloszlást
gyakran szoktuk a könnyebben ő binomiális eloszlással helyettesíteni. Ennek
elméleti megalapozását a ő tételben találjuk.
7.4. TÉTEL. Ha N és M úgy tartanak végtelenbe, hogy hányadosuk M = p állan-
N
dó marad, továbbá n és k rögzített számok (k :::; n), akkor
(7.5)
A tétel bizonyitásához ki kell írni a binomiális együtthatók faktoriális alakjait,
majd ű után ő nként kell a határértéket képezni. Nem részletezzük.
7.3. Példa.
Egy farsangi mulatságon 30 tárgynyereményt sorsolnak ki az eladott 500
tombola vásárlói között. Ha 10 tombolát vettünk, akkor mi a ű
hogy nyereménnyel távozhattmk abálról? Számo lj uk ki a nyereményeink szá-
mának várható értékét és szórását is!
MEGOLDÁS. Az N = 500 tombolából M = 30 kitüntetett van. A tombolavásár-
lás pillanatában még nem ismeretes, melyek lesznek a kitüntetett elemek. A 10
tombola megvásárlásakor egy n = 10 ű mintát veszünk, visszatevés nélkül.
A nyereményeink száma .;, a 10 ű mintában ő kitüntetett elemek szá-
ma, hipergeometriai eloszlású ű változó. Ezért
170
és
N-n=
pq N-l 500 500 500 -I '
Nézzük meg, milyen ő értékeket Icapunk az ő ő ha binomiális
eloszlással közelítünk!
(
lOJ( 30 )°(470)10
P(';;:::I)=I-P(';=O)",l- O 500 500 =0,4614.
30
M(';) =np = 10.
500
= 0,6,
30 470
D(';) "'vnpq = 10 · 500· 500 =0,751.
Látható, hogya ű ő két tizedesjegye megegyezik, a valószÍ-
ű eltérése 0,7%-os. A várható értékek azonosak, míg a ő szórás
0,9%-lcal nagyobb a pontos értéknél.
7.4. Poisson-eloszlás
Az eddig tárgyalt eloszlásokban a változónak mindig véges sok lehetséges értéke
volt. Most egy olyan diszkrét eloszlással ismerkedünk meg, melyben a változó
megszámlálhatóan végtelen sok értéket vehet fel.
DEFINÍCIÓ. A .; valószíníiségi változót Poissoll-eloszlásúltak nevezzük, ha lehet-
séges értékei: O, 1, 2, 3, ... és
P
= P(J: = k) (7.6)
k ':> k!'
ahol A > O rögzített és k E N .
171
ő megmutatj uk, hogya (7.6) alatti pozitív számok eloszlást alkot-
nak, tehát IPk = 1 teljesül rájuk. Most egy végtelen sor1 kell összegeznünk,
k
melyhez felhasználjuk az eX hatványsorát, melyet analÍzisbeli tanulmányainkból
ismerünk:
ő az x = A helyettesítéssel
adódik.
A ű összege pedig:
00 00 Ak '" Ak
" " -,! -,! " -,!,! l
L.Pk=L.--e =e L.-=e ·e = .
k=O k=O k! k=O k!
7.5. TÉTEL. Ha Poisson-eloszlású, akkor várható értéke

(7.7)
(7.8)
Bizonyítás. Felhasználjuk e
A
hatványsorát, valamint azt, hogy konstans a 2:: elé
ő
7.6. TÉTEL. Ha ,; Poisson-eloszlású, akkor szórása

ro Ak '" íl.k
=I[(k-I)+l] e-A=I(k-l) e-,!+
k=1 (k -l)! k=2 (k -l)!
172
A levezetéshez ismét felhasználtuk e
A
hatványsorát (7.8), valamint, hogy az
ő a nulla szorzóval ő tagok elhagyhatók. Most már könnyen meg-
határozhatjuk aszórásnégyzetet.
és így
.
A Poisson-eloszlás az egyik leggyakrabban alkalmazott diszkrét eloszlás. Pél-
dául ű ő ő események száma egy adott ő
tervallumban Poisson-eloszlással jól ő Hasonlóan Poisson-eloszlást al-
kalmazunk, ha egy tartományba ő pontok számát vizsgáljuk, és .a tartományba
esés ű csak a tartomány ő függ. Pl. egy üzletbe adott ő
vallumban ő ő száma, adott hosszúságú útszakaszon található kátyúk szá-
ma, egy könyv ű kiválasztott, adott számú oldalán a nyomdahibák
száma, egy ő ő az egy hektáron található fák száma, egy gombóc puncsfagy-
laltban a mazsolák száma stb.
A 7.3. ábrán A, = 2, í!,. = 6 és ;S = 10 paraméterekkel, közös koordináta-rend-
szerben Poisson-eloszlásokat ábrázoltunk.
y
0,30
7.3. ábra
173
Most pontosabban is megfogalmazzuk az ő ő Jelöljük ';,-vel egy t hosszúságú ő
lumban valamely A esemény bekövetkezéseinek a számát. Ekkor .;, lehetséges értékei O, l, 2, 3, '" .
Tegyük fel, hogy teljesül az alábbi három feltétel:
I . A P(';, = Ic) valószínüségek (k = O, I, 2, . . . ) csak az ő hosszától fiiggnek, attól nem,
hogy az ő mikor kezdtük el mérni .
2. lim P(!;, = l) = A (ahol A állandó).
1->0 I
Ezt úgy is fogalmazhat juk, hogy ha t elég kicsi, akkor a P(!;, = I) ő arányos l-vel.
3. Iim[P(';1 = O) + P(!;, = l)] = l,
1--+0
vagyis elég kicsiny ő alatt az A esemény gyakorlatilag vagy egyszer scm, vagy egyszer követ-
kezik be.
Ekkor
k
P(!; = k) = (AI) . e -.ll
1 k!
Nem bizonyitjuic
Az ő ő leírtakat Poisson-folyamatnak nevezzük.
Általában rögzíteni szoktuk I értékét, és AI = 2, jelöléssel
k
A, - .l,
P(!;=k)=-e
k!
adódik. Ha más hosszúságú ő választunk, másik A adódik.
7.4. Példa.
Egy derült augusztusi estén negyedóránként átlag 6 csillaghulIás ő
Mennyi a ű hogy
a) 10 perc alatt 3-nál több;
b) 5 perc alatt l
csillaghullás ő meg?
MEGOLDÁS.
a) Legyen a 10 perc alatt ő csilIaghulIások száma. Ha 15 perc
alatt 6, akkor l perc alatt 6/15, ezért 10 perc alatt 60/15 a csillaghulIások
átlaga: = 60/15 = 4.
Másrészt M = /L, ezért /L = 4 .
P(
j:) (j: [40 -4 4' -4 42 -4 43 -4]
':> >3 =1-P ':> -e +-e +-e +-e =
O! l! 2! 3!
=1-(1+4+8+ 6
6
4}-4 =1- :1 e-
4

174
b) Jelöljük ll-val az 5 perc alatt ő csillaghullások számát. Az új ő
intervallumhoz másik /L tartozik:
M(ll) = 5·6/15 = 2 = A, ,
t 2
P(ll =1) =-1
1
e-
2
=2'
. e
A Poisson-eloszlást gyakran használjuk a binomiális eloszlás közelítésére. Ennek
alapját az alábbi tétel adja .
7.7. TÉTEL. Ha n -+ 00 esetén p -+ O úgy, hogy közben az n· p sorozat állandó
marad, np = /L > O , akkor q = l - P jelöléssel
1
. [n) k n-k /Lk - A
Im p q =- ·e .
n->'" k k!
Bizonyítás. A tétel feltételei szerint p = /L . Írjuk ezt be a baloldalon található bino-
n
miális eloszlás képletébe, majd végezzünk el riéhány átalakítást.
[
nk)pkq,,-k = (kn)(/Ln)k (/LJ"-k n! /Lk ( /L)" ( /L J-k =
. 1--;;- = k!(n-le)! nk 1--;;- . 1--;;-
= n(n-1) ... (n-k+l) /L)"
nk le! n ( 1- J .
Vizsgáljuk meg a négy ő határértékét külön-külön, ha n -+ 00.
lim n(n -1) o. o (n - le + l) = o n -1
000
• • n - k + l = l
"--Y-:O nk 1I-too n n n
mert a le ő mindegyike l-hez tart.
lim /Lk = , mert a kifejtésben nem szerepel az n, konstansként visel-
" ....'" k! le!
kedik.
lim (1- /LJ"= lim(l+ _/L)" = e-J. , mint a sorozatnál tanultuk ő
n-)w n 11-+r.t> n
175
( )
k
. /L k . ,... •
hm 1 - - = l = l , mert a kitevo rogzltett.
1/-+00 n
Ezeket felhasználva
l
· [n) k /I-k l /Lk - 2 1 /Lk -J.
lm p q = ·-·e . =-e .
1/-'''' k k! k!
7.5. Példa.
Magyarországon a forgalomban ő ű 10%-a olasz gyártmányú.
Mennyi a ű hogy ű kiválasztva egy forgalomirányító
lámpát és ő a ő piros jelzésnél megálló ő 10 ű között
2 olasz gyártmányú lesz?
MEGOLDÁS. Legyen q a kiválasztott 10 ű között az olasz gyártmányúak
száma. A q hipergeometria i eloszlású is, de mivel N értékét nem ismerjük,
ő megoldást alkalmazunk. Az N "elég nagy", ezért a 7.4. tétellel "elég jó"
közelítést kapunk.
[
10) 2 8
P(q=2),," 2 0,1 · 0, 9 =0,1937.
Hogyaközelítésünk pontosságáról képet kapjunk, kiszámoljuk a
értéké t ő N értékekre. Egy ilyen ű ugyan nincs értelme
3-4 tizedesnél pontosabban meghatározni, de most az eltérések ő
okán kivételt teszünk. Ha
N = 4 millió,
N =3 millió,
N = 2 millió,
P(q = 2) = 0,19371043,
P(q = 2) = 0,19371049,
P(q = 2) = 0,1937106.
Mindegyik érték 6 tizedesjegyig egyezik a binomiális közelítés 0,19371024 -es
értékével. Most a már eleve közelítésként alkalmazott binomiális eloszlást a
7.7. tétel felhasználásával Poisson-eloszlással közelítjük. A /L = np = 10·0,1 = l
paraméteréltékkel
176
adódik, ami a probléma szempontjából még mindigjónak mondható.
7.5. Geometriai eloszlás
DEFINíCIÓ. A q ű változót geometriai eloszlásúnak nevezzük, ha
lehetséges értékei 1, 2, 3, ... és
Pk = P(q = Ic) = qk-I . p,
ahol ° < P <l, q = 1- p és Ic = 0, l, 2, 3, ... .
Megmutaijuk, hogy ez a végtelen sok pozitív szám valóban eloszlást alkot, tehát
a 2>k = l összefüggés teljesül.
k
00
Ismeretes, hogy a L a . qn geometriai sor konvergens, ha I q I < l és összege
l
S = a-- . Ezt alkalmazva
l-q
ol 00 k-I /I 1 l
LPk=LP·q =L-pq =p.- =p . _=l.
k=1 k=1 11=0 l - q p
Geometriai eloszlású ű változóval találkozhatunk például a kö-
ő esetben.
Tekintsünk egy véletlen kísérletet és egy azzal kapcsolatos A eseményt, melyre
PCA) = p. Végezzük el a lásérletet újra meg újra, egymástól függetlenül mindad-
dig, amíg az A esemény be nem következik. JeJölje a q ű változó azt
a számot, ahányad ikra az A esemény bekövetkezett. Elekor q geometriai eloszlá-
sú, ugyanis lehetséges értékei l, 2, 3, ... és a függetlenség miatt annak ű
sége, hogy az ő k -1 kísérletben A nem következik be, qk-I , hogya k-adi kban
A bekövetkezik, p. Így aztán
P(q = k) = qH . P .
Most térjünk rá a várható értékre és aszórásra.
177
7.8. TÉTEL. Ha a .; ű változó geometriai eloszlású, akkor várható
értéke és szórása
M(';) =..!.,
p
Bizonyítás. A várható érték az
00
M(';) = L>' qk-I . P
k=1
(7.9)
végtelen sor összegeként adódik. Azt, hogy (7.9) egyáltalán konvergens, a hánya-
doskritérium segítségévelIátjuk be.
I
Un+1 1= (n + = n + 1 q q <l
un nqn Ip n
(ha n co).
Ez pedig azt jelenti, hogy alkalmas no -nál nagyobb index esetén az u
n
+
1
1= n + l q
Uli n
értékei q-nak a 7.4. ábrán megrajzolt környezetébe esnek.
°
q I+q
-2-
7.4. ábra
De ekkor n > no esetén I I < ql = l q < l .
Kiszámoljuk a (7.9) sor összegét, vagyis a várható értéket.
S = p(1 + 2q + 3q2 + 4q3 + ... ),
S. q = p(q + 2q2 + 3q3 + 4q4 + ... ) .
(7.10)
(7.11 )
A (7.11) ő a (7. l O)-nek q-val való szorzásával kaptuk. Most kivonjuk
ő (7.11 )-et.
S - Sq = pel + q + q2 + l + q4 + ... ) .
Ajobb oldali mértani sort összegezve:
1 l
S(I-q)=p-=p'-=l,
l-q p
178
h
' l" 'k S l l
a onnan a var lato erte: = --= - .
l-q P
A szórást hasonló eszközökkel számolhat j uk ki.
Nem részletezzük.
A 7. 5. ábrán p = 0,3 és P = 0,5 paraméterekkel elkészitettük a geometriai elosz-
lás pontdiagramját.
y.
0,5
0,4
0,3
0,2
0,1
2 4 6 8 10 12 14 x
7.5. ábra
7.6. Példa.
Megfigyelték, hogy egy ő halogén izzók között a hibásak re-
latív gyakorisága 0,01. Jelölje a .; azt a számot, ahányadikra a ő ő
az ő hibás terméke t megtalálja. Tekintsük a ű és a relatív gya-
koriságot ő Adjuk meg a .; eloszlását, várható értékét, szórá s át és
annak valószínüségét, hogy az ő 10 termék között nem találunk hibásat!
MEGOLDÁS. A változó geometriai eloszlású, ezért
P('; = k) = 0,99*-1·0,01,
A várható érték
l l
M(';) =-=-=100.
p 0,01
k=1,2,3,4,
Tehát, ha sok napon keresztül figyeljük az ő tevékenyégét és átlagoljuk
a naponta ő megtalál t hibás termékekhez tartozó számot (hányadikra ta-
lálta), akkor egy 100-hoz közeli érték adódik. A konkrét értékek ő gyakran
messze is lehetnek, mert
179
D(;) = Jq = .J0,99 = 99,5.
P 0,01
Végezetül
10
PC; > 10) = 1- PC; 10) = 1- L),99
k
-
1
·0,01 = 0,904.
Ieol
A megismert egydimenziós diszkrét ű eloszlások több irányban is
általánosíthatók, illetve kapcsolhatók más eloszlásokhoz, melyek speciális területe-
ken nagyon fontosak lehetnek. Vannak olyanok, melyeket szakemberek részére írt
könyvekben általánosabban tárgyalnak. Mi a diszkrét eloszlásokkal ennél részlete-
sebben nem foglalkozunk, áttérünk a folytonos eloszlásokra.
FOLYTONOS ELOSZLÁSOK
Ha a ; ű változó folytonos eloszlású, akkor bármely Xo E R értéket
nulla ű vesz fel (4.4. tétel):
P(;=xo)=O.
Ezért a diszkrét eloszlásoknál felhasznált ű szerepét itt a ű ű
ségfüggvény veszi át, de az eloszlásfüggvény t is sokkal hangsúlyosabban fogjuk
alkalmazni, mint a diszkrét esetben tettük. Folytonos eloszlásból is végtelen sok
van, ő csak néhány játszik igazán fontos szerepet. Ebben a fejezetben az
egyenletes és az exponenciális eloszlásokkal ismerkedünk meg. A közgazdasági
gyakorlatban és egyéb telületeken is ő fontos normális eloszlást és az
abból származtatott eloszlásokat egy külön fejezetben tárgyalj uk.
7.6. Egyenletes eloszlás
DEFINÍCIÓ. Akkor mondjuk, hogy a ; ű változó az ]a; b[ interval-
lumban egyenletes eloszlású, ha ű
180
I
I ha a < x <b
f:f(x)= b-oa'
máshol.
(7.12)
Az így definiált f valóban valamely folytonos ű változónak a ű
ségfüggvénye, mert a < b miatt f(x) O, X E R és
" b 1 l b
f f(x) dx = J-dx = -[ x t = -----=.:: = 1.
--?J a b-a b-a "b-a
Az eloszlás függvényt könnyen ő
• x
Ha akkor f(x) = ff = fOdt = O.
Ha a < x b , akkor
F(x)= If= IOdt+ J_I-dt=_I_[t]x=x-a .
-<Q -w "b-a b-a a b-a
.t n h 1 .t
Ha b < x, akkor F(x) = ff = fO dl + f--dt + fOdt = 1.
_., -<o "b-a h
Ezeket összefoglalj uk egy képletbe:
o , ha x::;a
F:F(x)=
x-a
ha --, (7.13)
b-a
I , ha x<b.
Az egyenletes eloszlás ű ű és eloszlásfüggvényének grafikon-
ját a 7.6. ábrán láthatjuk.
J(x) F(x)
a b x x
7.6. ábra
A várható érték és a szórás a folytonos változóknál ugyanolyan fontos szerepet
játszik, mint diszkrét esetben.
181
Ki fogjuk számolni az eloszlásfüggvényt. Ezt az
x
F(x) = ff(t)dt
formulából, integrálással tudjuk megtenni.
Ha F(x) = fOdt=O .
O.t X
Ha O<X, F(x)= fOdt+ fA.e-,üdt = [-e-,üL=-e-.u +eo=l-e-
b
.
o
Az eloszlásfüggvény tehát:
{
O, ha
F:F(x)=
l-e--t" ha O<X (xER).
Az exponenciális eloszlás ű ű illetve eloszlásfüggvényének grafikonját
A, = 1 és A, = 2 paraméterekkel a 7.7., illetve a 7.8. ábrán rajzoltuk meg. A ű
ű grafikonja ő hasonlóságot mutat a geometriai eloszlás
pont jainak grafikonon való elhelyezkedésével, ha azokat összekötjük szakaszokkal
(7.5. ábra).
J(x)
2
7.7. ábra
x
F(x)
x
7.8. ábra
7.10. TÉTEL. Ha a q ű változó exponenciális eloszlású, akkor várható
értéke és szórása:
M(q) = D(q)
A,
184
Bizonyítás. A várható érték kiszámításához szükséges primitív fúggvényt a parciális
integrálás módszerével meghatározhatjuk, így
o
M(q)= fxf(x)dx= fOdx+ fXA.e-bdx=
. [ -Ax l _Ax]b l
= hm -xe --e =
h-)W A, ° A,
A határérték kiszámításához felhasznál tuk azt az ő ismert tényt, hogy
. x
hm-=O.
eX
A szórás meghatározásához szükségünk lesz a második momentumra. Ezt kétszeri
parciális integrálás segítségével nyerjük.
Így aztán
illetve
° 00
M(q2) = fx
2
f(x)dx= fOdx+ fX
2
A.e-.udx=
2
A,2 .
A gyakorlatban elég sok olyan jelenség van, amit exponenciális eloszlással tu-
dunk leírni. Jelölje a q ű változó valamely A esemény bekövetkezéséig
eltelt ő hosszát. Ha az esemény bekövetkezésének a ű csak az ő
intervallum hosszától függ, de fúggetlen attól, hogy az ő mikor kezdjük el mérni,
akkor a q exponenciális eloszlású. Ezt a tulajdonságot "örökifjú" tulajdonságnak
nevezzük. Ezzel a tulajdonsággal rendelkeznek például a radioaktiv atomok. Az,
hogy egy radioaktív atom elbomlik-e vagy sem, egy egyórás ő
független attól, hogy az ő mikor kezdjük el mérni, ha addig még nem bomlott el.
Jó közelítéssel "örökifjúnak" ő egy nagy élelmiszer-áruház pénztári sora
is. Ha ugyanis a sor "nem ő újra", az üzletet ő bezárják. Az az
ő amit a pénztárnál sorunkra várva töltünk, szintén exponenciális eloszlású.
185
Ha egy intervallumba ő pontok száma Poisson-eloszlású, akkor a szomszédos
pontok távolsága exponenciális eloszlású és viszont, ha a szomszédos pontok távol-
ságáról ismert, hogy exponenciális eloszlású, akkor egy intervallumba ő pontok
száma Poisson-eloszlású.
Jelöijük a C; eloszlásftiggvényét F-fel. Akkor a G(x) = l - F(x) (x c! O) annak a ű hogy
A az x ő alatt nem következik be. Ekkor nyilván G mono ton ő és G(O) = l . A feltételezett
"örökifjú" tulajdonságból a feltételes valószínüség definfciója szerint
P(C; 2 y ) = P(C; 2X+ yl C; :u) =
P«C;2X+Y)'(C;2X» P(C;2X+Y)
P(C; <:: x) P(C; <:: x)
adódik, mel1 (C; 2 x + y) c:;; (C; 2 x).
Tehát
G(x+ y)
G(y) = .
G(x)
Megmutatható, hogy ennek a ftiggvényegyenJetnek a folytonos fLiggvények közül csak a
G(x)=e-
h
(X20, ,,1,>0)
fLiggvény tesz eleget. Így
F(x)=I_e-.ix (x<::O, ,,1,>0)
következik, tehát az "örökifjú" tulajdonsággal ő változó exponenciális eloszlású.
7.8. Példa.
Egy önkormányzati hivatal egyik osztályára szerdai napokon 11
30
és 12
00
óra
között átlag 4 ügyfél érkezik. Mennyi a valószínüsége, hogy a szerda Il
4
°_kor
ő ügyfél után
a) legalább 10 percet;
b) pontosan 10 percet kell várni a ő ügyfél érkezéséig?
c) a tizedik percben érkezik a ő ügyfél?
MEGOLDÁS. Jelöljük C; -vel azt az ő amennyit a 1 1
4
°_kor ő ügyfél után
várni kell, a ő ügyfél érkezéséig. A C; exponenciális eloszlású. Két ügy-
fél érkezése között átlag 30 perc telik el, ezért = M(c;) = 30 .
4 A, 4
a) P(;:2: 10) = l-PC; < 10) = l-F(lO) = l_(l_e-,t' IO) =

= e 30 = e-
4 13
= 0,264.
b) P (r; = 10) = O, mert; folytonos eloszlású (4.4. tétel).
186
c) A tizedik perc a kilencedik végén ő így

P(9 <;::; 10) = F(10) -F(9) = l-e 30 -(1 -e 30 ) =
36 40
-- --
=e 30_ e 30 =0,038.
7.9. Példa.
Az egyik budapesti útszakaszon egy tavaszi napon 100 méterenként átlag 2 ká
tyút regisztrál tak. A szomszédos kátyúk távolsága exponenciális eloszlást kövel
Mennyi a ű hogy
a) indulási pontunkat ő 150 méteren belül találhatunk kátyút?
b) ha az ő 50 méteren belül nincs kátyú, 50 és 200 méter között lesz?
c) az ő 200 méteren legalább 3 kátyú lesz?
MEGOLDÁS. Jelölje C; az ő kátyúnak az indulási pontunktól mért távolságát
A ; változó exponenciális eloszlású, = M (;) = 50 .
A,
--'- · 150
a) P(;<150)=F(150)=1-e 50 =1-e-
3
=0,95.
b) Az "örökifjú" tulajdonság miatt ugyanannyi, mint az ő ő Ha ez esetleg el·
kerülné a figyelmünket, ű számolással adódik:
P(50 < C; < 200 I ; > 50) = P(50 ::; ; < 200 és ; > 50) =
PC; > 50)
_ P(50 ; < 200) F(200) - F(50)
per; > 50) 1- F(50)
= l_e-iö 2OO _( l_e-iö·
50
)
l ( 1- e -iö 50 J
e-I _e-4
_I =1 -e-
3
=0,95.
e
c) Legyen 7J a [O; 200] intervallumon található kátyúk száma. Mivel; expo·
nenciális, ezért 7J Poisson-eloszlású. Ha 100 méteren átlag 2, akkor 200 mé·
teren átlag 4 = M(7J) = A, kátyú van.
P(7J :2: 3) = 1- P(7J < 3) = 1- - e-
4
+ - e-4 - e-
4
=
(
40 41 42 J
O, l! 2'
=1-13·e-4 =0,7652.
187
8. NORMÁLIS ELOSZLÁS,
NORMÁLISBÓL SZÁRMAZTATOTT ELOSZLÁSOK
Ebben a fejezetben egy, a ű és a statisztikában fontos, mond-
hatjuk központi szerepet játszó eloszlással ismerkedünk meg.
Tekintsük a
8.1. Normális eloszlás
l -=.
tp: tp(x) = --e 2
..{2;
,
fiiggvényt (8.1. ábra). Az exponenciális fiiggvény mindig pozitív, így tp is. Meg lehet
mutatni, hogy
így a tp ű ű
-2 -I
188
y
0,4
0,3
0,2
0,1
°
8.J. ábra
(8.1)
rp
2 x
Ennek az integrálnak a kiszámítása általunk nem ismert apparátust igényel ,
ugyanis az integrandusnak nincs az elemi függvények és véges számú ű
segítségéve I felírható primitív függvénye. Ezért (8.1) igazolását nem részletezzük.
DEFINÍCIÓ. Ha az 1] ű változó ű ű tp, aldwr azt mond-
juk, hogy '7 standard normális eloszlású.
8.1. TÉTEL. Ha 1] standard normális eloszlású, akkor létezik a várható értéke és a
szórása, értékük:
M(1]) =0, D(1]) = l.
Bizonyítás.
1 00 _!' 1 [-=.' ]"
M(1])= Jxe 2 dx= lim -e 2 =
V 2Te _ 00 V 2Te b::::
a
=-l-lim(e -%.' -e -fl =0.
r::;;; .->-00
V LJr "-)00
A várható érték O volta abból is következik, hogy az origóra szimmetrikus eloszlás-
ról van szó (8.1. ábra).
Most nézzük aszórást!
I 00 I 00 [/(X) = x, f'(x) = l l
M(r!,) = Jx'e ' dx=- Jx(-x)e ' dx= .,' .,' =
v2tr v2tr -- --
_00 g'(x) = (-x)e 2 , g(x) = e '
[ [
' Jb l l [ ' 'J '
-1 00 _! l _!!.. ....!!.. l
= lim xe' - Je ' dx = lim -be ' +ae ' + Je 'dx.
,,21f n-)--<Q ,,2/r v21r
fl -co b-+o::> -:o
Az ő tag 0, a második (8. 1) alapján l . Így
D' (1]) : M(r;')- M'CIJ) = l-O' : l.
Az '7 standard nonnális eloszlású ű változó eloszlásfüggvénye:
1 x "
cP(x) = J e-í dl .
v2Te ...."
Értékeit, mint említettük, nem tudjuk a Newton-Leibniz-formulával kiszámítani,
csak numerikus módszerekkel. Ezeket táblázatba foglalják, ő pontossággal.
Mivel tp páros függvény, x> O esetén felhasználva (8.1)-et (8.2. ábra) :
189
y
0, 1
o
8.2. ábra
ő az alábbia1cra következtethetünk (8.3. ábra):
1. <1>(0) = 0,5.
2. <1> a (O ; 0,5) pontra szimmetrikus.
3. ő a <1> táblázatát pozitív x-e1cre elkészíteni.
y
............... ____.......... ____.. .1. . ...... _. _, _' _ ............. _ --_........ .
l-It>(x)!
0,5
<P(x)
-2 -l -x O x l 2 x
8.3. ábra
190
x
8.1. Példa.
Egy automata 150 mm-es csavarokat gyárt. Jelöljük 7]-val egy véletlensze-
ű kiválasztott csavar méretének a 150 ő való eltérését. Ha 7] standard
normális eloszlású és maximum 2 mm-es eltérés fogadható el, hány % a selejt
(<1>(2) = 0,9772)?
MEGOLDÁS. Annak ű hogy selejteset választunk:
pcl TI I> 2) = l-P(-2:::; 7]:::; 2) = 1-[<1>(2)-<1>(-2)] =
= 1- [<1>(2) - (1- <1>(2))] = 2 - 2<1>(2) = 0,046.
Így a selejtarány: 4,6%-os.
Ha a 8.1 . példabeli esetben a kiválasztott csavarnak nem a hibáj át, hanem a mé-
retét választj uk ű változónak és 4 -vel jelöljük, akkor
4 = 7] + 150.
Ha azt is feltesszük, hogy bizonyos ő után az automata elhasználódása miatt a
méretek eloszlásának típusa maradt, de a szórás 2 mm-re növekedett, akkor
4 = 27] + 150. (8.2)
Ekkor a 4.7. tétel alapján a 4 ű ű és eloszlásfliggvénye:
(8.3)
Azt is mondhatjuk, ha a ű változót (8.2) alatti módon transzformál-
juk, akkor a ű ű és az eloszlásfliggvény a (8.3) alatti módon transz-
formálódik. (2-szeres nyújtás az x tengely mentén és ISO-nel való eltolás.) A 4 el-
oszlását is normájisnak hívjuk, csak a standard ő hagyjuk el.
DEFINÍCIÓ. Ha 7] standard nonnális eloszlású ű változó, akkor a be-
ő a
4 = CJ7] + m (CT> O) (8.4)
lineáris transzformációval kapott 4 ű változót normális
eloszlásúnak nevezzük.
A 4 ű a 4.7. tétel szerint
l
(
J
1
(x-m)'
x-m --,-
f:f(x)=-rp -- =--e 2,,"
CT CT CT&
(8.4. ábra), (8.5)
191
eloszlásfüggvénye
(
x-m)
F: F(x) = (/J -----;;- . (8.6)
Ezt az eloszlást röviden N(m; a")-val szokták jelölni.
y
l
_._------ -------------------------------------
5v27r
ln x
8.4. ábra
Megjegyzés:
Úgy is eljárhattunk volna, hogy a normális eloszlást a (8.5) ű ű
definiáljuk, és az m = 0, o' = 1 speciális esetet nevezzük el standard nom1ális el-
oszlásúnak. ű látni, hogy az N(m ; 0') eloszlásból a standard normális, azaz
az N(O; 1) eloszlás a (8.4) transzformáció inverzével, az
l
T} =-(1; - m)
o'
transzformációval adódik. Ezt az eljárást standardizálásnak hívják.
8.2. TÉTEL. Ha a l; ű a (8.5) alatti függvény (azaz N(m; 0') el-
oszlású), akkor
M(I;) = m és D(I;) = o' .
Bizonyítás. A 8.1. tételt felhasználva a 4.8. tétel alapján
M(I;) = M(O'TJ + m) = O'M(T}) + m = m.
Most a 4.12. tételt hívjuk segítségül:
D(I;) = D(O'· T} + m) = 10' I D(T}) = o' .
192
8.2. Példa.
A tejeszacskóba névlegesen 1 liter tejet tölt az automata. A zacskóban ő tej
mennyisége normális eloszlású.
a) Mekkora a valószínüsége, hogy az általunk vásárolt zacskónál 0,5 dl-nél
kisebb az l ő való eltérés, ha a szórás 0,2 dl?
b) A felmérések szerint a zacskók 95%-ánál l dl-nél kisebb eltérést észlelnek.
Mekkora a szórás?
MEGOLDÁS. A (8.6) összefüggést felhasználva (m = 10, o' = 0,2):
a) P(9,5 < l; < 10,5) = F(IO,5) - F(9,5) = (/J C o,g, ; 10) - (/J ( =
= (/J(2, 5) - (/J ( -2,5) = 2(/J(2, 5) -1 ""
"" 2 · 0,9938 -1 = 0,9876.
Tehát a keresett ű 0,9876.
b) 0,95 = P(9 < l; < ll) = F(1l)-F(9) = (/Je l :10) -(/J( =

ő
(/J ( = = 0,975.
A (/J táblázatában azt találjuk, hogy (/J (1, 96) = 0,975, így
l
- = 1,96 , azaz o' = 0,51 dl.
o'
8.2. A centrális határeloszlás-tétel
Gyakran ő hogy egy mérést többször megismételnek ő egymástól
fúggetlenül, és a mért értékek számtani átlagát fogadják el helyes értéknek. Ha az
egyes mérések eredményei a 1;1' 1;2' ... , 1;" ű változók, akkor a fenti fel-
tételek mellett ezek azonos eloszlásúak és függetlenek. Akkor mondhatjuk, hogya
1;1 + 1;2 + ... + 1;"
n
193
számtani átlag várhatóan pontosabb, mint egy mérés eredménye, ha ennek kisebb a
szórása. Erre vonatkozik a ő tétel.
8.3.TÉTEL. Ha ;1' ;2' oo., ;" ű M(;J=m,
D(;,)=(J' (i=1, 2, ... , n), akkor
n
(J'
várható értéke m és szórása .,Jn'
Bizonyítás. A várható értékre vonatkozó állítás nyilvánvaló, nézzük a szórást.
Láttuk, hogy D
2
(a;) = a
2
N (;), ezért a függetlenség miatt
D2( ;1 +;2: ... + ;" ) = D2( : ) + D2( ) + oo. + D2( :' J =
(J' 2 (J' 2
=n-
2
=-.
n n
Innen gyökvonással adódi.k állítás unk.
(8.7)
Most azt vizsgáljuk, hogya (8.7) alatti ű változó eloszlása mutat-e
valamilyen ű ha n-net növelj ük.
Ha a 8.3. tétel feltételei teljesülnek, akkor
M (;1 +;2 + ... + ;,,) = nm , és
(
j; ) (;1 +;2 + ... + ;") (J' I
D ':>1 + ;2 + .. . +;" = nD n = n .,Jn = (J'.y n .
Legyen
Mivel a ;, (i = l, 2, .. . , n) ű változók eloszlását nem ismerjük, az 1]"
eloszlásáról is csak annyi információnk van, hogy M (1],,) = O, D(1],,) = l . Ezért van
nagy ő a ő tételnek.
8.4. TÉTEL. (Centrális határeloszlás-tétel.) Ha ;1' ;2' ... , ;", .. . azonos
eloszlású független ű változók, M(;,) = m; D(O = (J'
ci = 1, 2, ... ), akkor az
194
;1 + ... +; -nm
1] = "
n (J'.,Jn
(8.8)
ű változók eloszlásfiiggvényei olyan sorozatot alkotnak,
amely minden x E R pontban a standard normális eloszlás eloszlás-
függvényéhez tart:
limP(1]" < x) = lP(x).
tI-Jo.-.o
(Nem bizonyít juk.)
8.3. Példa.
Egy vidámparkban a ő játékot ajánlják: 100 Ft-ért lehet dobni egy já-
tékkockával, ha hatost dobunk, 440 Ft a nyeremény. Mekkora a ű
hogy 100 dobás után legalább 3000 Ft a nyereményiink?
MEGOLDÁS. Legyen ;1' ;2' ... , ;100 az egyes dobásoknál a nyeremény. Ekkor
ezek a valószÍnüségi változók függetlenek és azonos eloszlásúak.
5 1
M(;) = (-100)6+4406= -10 = m,
M(;/) = 10 + 193 600..!. = 40 600,
6 6
D
1
(;,)=40500, (i=I, 2, ... ,100).
Annak a vaJószínüségét keressük, hogy
;1 +;2 +Oo' +;100
Ekkor (8.8) miatt
1] 3000 - 100 . (-10) = 4000 "" l 9852 .
100 .J100 .201,49 2014,9 '
Ennek ű
P(1]100 1,9852) = 1- P(1]loO < 1,9852) "" 1- 4>(1, 9852) "" 0,024.
Úgy is gondoJkodhattunk volna, hogy legalább 24 db 6-os dobás szükséges a
legalább 3000 Ft-os nyereményhez. Annak ű hogy k-szor dobunk
6-ost:
195
Így a keresett ű
I (l OO)(.l)k (2)IOO-k
k 6 6
Megjegyzés:
Láttuk az ő ő fejezetben, hogy ha binomiális eloszlású ű változó,
akkor független karakterisztikus valószínüségi változók összege. Így az n-et növel-
ve a binomiális eloszlás is a fenti módon a normális eloszláshoz tart.
Az ő is kitünik, hogy a normális eloszlásnak a valószínüségszámításban
és a statisztikában kitüntetett szerepe van.
8.3. Normálisból származtatott eloszlások
A matematikai statisztikában gyakran van szükségünk olyan eloszlásokra, amelyek
standard normális eloszlású valószÍnüségi váItozókból alkotott algebrai kifejezések.
A gyakorlatban ezeknek csupán az eloszlásfüggvényeit használjuk egy ő
sen szük tartományban. Mivel az eloszlásfüggvények integrál nélküli felírása ugyan-
úgy nehézségekbe ütközik, mint a normális eloszlásnál és a Ű sem
egyszerüek, ezek felírását ő Az eloszlásfüggvények szükséges értékeit
táblázatok tartalmazzák.
A KHfNÉGYZET-ELOSZLÁS
DEFfNíc[Ó. Ha ... , standard normális eloszlású ű
ségi változók, akkor a
2
X" ="1 +"2 + ... +.,,,
ű változót n szabadságfokú i -eloszlásúllak nevezzük.
A ű az n = 2, 4, 20 értékeknél a 8.5. ábrán szemléltet jük.
Mivel a azonos eloszlású független ű változók összege, a centrális
határeloszlás-tétel miatt nagy n-ekre közelít a normális eloszláshoz. Ez a 8.5. ábrán
is nyomon ő
196
0,5
0,45
0,4 2
0,35 X2
0,3
0,25
0,2
0,[5
0,1
0,05
2
X20

O 5 10 15 20 25 30 35 40
8.5. ábra
A 8.1. pontban láttuk, ha standard normális eloszlású, akkor
Így
Parciális integrálással megmutatható, hogy
(i=I, 2, ... , n),
Így
Mint már említettük, az eloszlásfüggvény értékeit a legtöbbször ő tar-
tományban táblázat tartalmazza.
Természetesen egy nemnegatív ű változó négyzetgyöke is valószí-
ű változó. A
X" = + + ... +
ű változót II szabadságfokú x-eloszJásúnak nevezzük.
8.4. Példa.
Egy szabályos játékkockát n-szer feldobunk. Legyen az l-es, 2-es, ... , 6-os do-
bás gyakorisága rendre a VI' v
2
' •.. , V
6
ű változó. Mutassukmeg,
hogya
197
(
V - n . ..!.. J2
6 I 6
L-'-------<--
;=, l 5
n·-·-
6 6
ű változó elég nagy n-re ő i -eloszlásúnak.
MEGOLDÁS. A v, ' v
2
' ••• , v
6
ű változók binomiális eloszlásúak:
Így a
l
v. -n·-
I 6
= 115 (i=l, 2, ... , 6)
I
ű változók várható értéke O és szórása l.
Említettük, hogy nagy n esetén a binomiális eloszlás ő normálissal,
azaz a ű változók ő (aszimptotikusan) standard normá-
lis eloszlásúak. Ezért a definíció szerint
+ 4; + ... + 4;
aszimptotikusan i -eloszlású, amit bizonyítani akartunk.
Megjegyezzük, hogy v, + v
2
+ ... + ő = n lehet csak, így a 4,2 + 4; + ...
+ 4i = O ő is fenn kell állni. Ez nemcsak a fuggetlenségbe zavar be
egy kicsit, hanem azt is jelenti, hogya 4,2 + 4; + ... szabadságfoka eggyel
kevesebb: 5.
A 8.4. példában bemutatott gondolaton alapul a i-próbával ő illeszkedés-
vizsgálat, amelyre a statisztika tárgy keretében térünk ki részletesen.
A STUDENT-FÉLE T-ELOSZLÁS
Gyakran ő (pl. a matematikai statisztikában), hogy egy standard normális
és egy x-eloszlású ű változó hányadosának eloszlását kell vizsgálni .
198
DEFINÍCiÓ. Ha 17, 42' ... , 4" független, standard normális eloszlású valószí-
ű változók, akkor a
til =
17 =.!Lj;;
4,2 + 422 + ... + X"
n
ű változót n szabadságfokú Student- vagy t-eloszlásúnak
nevezzük.
A t
2
, ts és t
20
ű a 8.6. ábrán látható. Ezen az ábrán vázoltuk a
t20 szórásával azonos szórású nOlmális eloszlás ű ű is. ő is jól
látszik, hogy nagy n-ek esetén a lll-eloszlás jól ő normális eloszlással.
Eloszlásfuggvényeinek értékeit a szükséges tartományban szintén táblázat tartal-
mazza.
0,6
-4 -3 -2 -I 2
8.6. ábra
A t,,-eloszlás várható értéke csak n 2 esetén létezik.
Az n = l-nél (Cauchy-eloszlás) a ű
l l
XH--- Így
tr 1+ x
2
'
3 4
ahol az improprius integrál nem konvergens. Ha n 2, akkor M(7],,) = O. A szórás
csak n 3 esetén létezik, ekkor
D(t,,) =) n 2.
n-
199
AZ F-ÉS A Z-ELOSZLÁS
DEFINíCió. Ha a ';2' ... , és az 77" 772' ... , 77" független, standard
normális eloszlású ű változók, akkor az
1 111
- 2
F m ;=1 =!!....X ..
m." .l "'I-77: m
n 1=1
ű változó eloszlását
nevezzük. A
z = InJF
nr, II szabadságfokú F-eloszlásnak
ű változó eloszlását Fischer-féle z-eloszlásnak nevezzük.
8.4. Kétváltozós normális eloszlás*
DEFINÍCiÓ. A f..l és v ű változók együttes eloszlása standard normá-
lis, ha együttes ű ű
ep :ep(x; y)
1 __ I -2 [.,' -2r .'Y+/]
2(I-r) .
2n;-h _r
2
(8.9)
ahol - l < r <1 .
Azt, hogy ez valóban ű ű nem bizonyít juk.
Az jogosít fel bennünket a standard normális ő hogyaperemeloszlások
standard normálisak. Például
l '" __ I -, [(y-r,<l' +(I-r').t' ]
---;=== fe 2(I-r ) dy =
2n;-h _r
2
--«>
x' l «> __ I -, (y-r.t)'
= 5 e 2 • 5JI-? _[e 2(I-r") dy =
= = k/T lr:--z je+-Jl-r2dt.
[
y-rx l' '
&vl-r-lj)
200
ű után figyelembe véve (8.1)-et adódik, hogy
1 _!. '
epl(x)=-e 2.
2n;
Ugyanígy lehet kiszámítani, hogy
oo'"
M(p·v)= f fxyep(x;y)dxdy=r.
Az imént beláttuk, hogy fl és v standard nonnális eloszlású, így M (p) = M (v) = O
és D(f..l) = D(v) = l . ő az következik, hogy
R(f..l; v) = r.
Ha a (8.9)-ben r = O, akkor
(8.10)
(epl = ep2' hiszen ő standard normális eloszlás sürüségfüggvénye). A (8.10)
azt jelenti, hogy ebben az esetben a korrelálatlanságból következik a függetlenség
(mint tudjuk, ez általában nem igaz).
DEFINíCIÓ. Legyenek 0"1 > O, 0"2> O, ml és m
2
valós számok, valamint f..l és v
együttes eloszlása standard normális. Ekkor a
77=0"2v+m2 (8.11)
ű változók együttes eloszlását normális eloszlásnak (vagy
kétváltozós normális eloszlásnak) nevezzük.
A és 77 együttes ű ő
1 __ I _, [(.t-n;I)' _2r( .t-ml )(y-m2 ) +
f(x ; y) = e 2(I-r) a, 0""" a,".
21'0"10"2 JI-?
A perem-sürüségfüggvények:
l
J., (x) = e 20'," ,
50"1
201
A paraméterek:
M(;)=m" M(77)=m
2
, D(77) =0"2'

ugyanis a korreláció s együttható a (8.11) transzformációnál nem változik (lásd az
5.5. példa utáni megjegyzést) .
Még bizonyítás nélkül azt jegyezzük meg, hogy a kétváltozós normális eloszlás
ő regressziós függvényei lineárisak:
m,(x) = R !!i (x - ml) + m
2
,
0"2
202
9. Ő FORMULÁK
9.1. Markov- és ő
Az ő ő láttuk, hogy a várható érték körüli ingadozás egyik fontos ő
száma a szórás. A ő gyakorlati ő abban van, hogy
segÍtségével a várható ő l való eltérések ű az eloszlás ismerete
nélkül, csupán a várható érték és a szórás ismeretének a birtokában megbecsülhet-
jük. A ő a ő segítségével igazolható,
ezért ő a ő tárgyalj uk, amelyet szintén használhatunk
ű becslésére.
9.1. TÉTEL. ő Legyen 77 olyan nemnegatív ű
változó, amelynek létezik várható érté/w (M(77) > O), és legyen t> 1
ő valós szám. Ekkor
1

t
(9.1)
Az a = tM (1J) jelölést bevezetve a tétel más, ezzel ekvivalens alakban is felír-
ható:
(9.2)
Bizonyítás. Ha 77 diszkrét ű változó és lehetséges értékei O<;'YI <Y2 < ... ,
akkor
ő azonnal adódik a (9.2).
Ha 77 folytonos g ű ű akkor a feltétel szerint g(y) = 0, hay < 0,
így
203
M(TJ) = jyg (y) dy = fyg(y)dy + jyg(y)dy jyg(y)dy
"
oc>
a Jg(y)dy = aP(TJ a) .
n
hmen már ű adódik állításunk.
9.1. Példa.
Legyen TJ pozitív ű változó, amelynek a várható értéke M(TJ) = 8 .
Számítsuk ki, hogy legfeljebb milyen ű veszi fel az TJ a 48 vagy
annál nagyobb értéket!
MEGOLDÁS. A probléma megoldására alkalmazhatjuk a ő
get, mivel az TJ ű változóról kikötöttük, hogy csak pozitív értékeket
vehet fel.
A ő helyettesítve a példa adatait tM(TJ) = 48, ahon-
nan t = 6, a ő összefüggést kapjuk:
1
P(TJ 6·8):S; '6 "" 0,1667.
Tehát az TJ ű változó a 48 vagy annál nagyobb értékeket legfeljebb
0,167 ű veheti fel.
A ő ő ő a ő amelyet a
ő tételben fogalmazunk meg.
9.2. TÉTEL. ő Legyen q olyan ű változó,
amelynek létezik a szórása. Ha D(q) > O, akkor ő t> l
esetén
l
p(lq -M(q)1 tD(q»:S; 2' (9.3)
t
Bizonyítás. Ha q ű változó, akkor az TJ = (q - M(q»2 is az. Mivel
és feltevésünk szerint létezik M(TJ)=M([q-M(q)f)=D
2
(q), alkalmaz-
hatjuk a ő
P(TJ = P(cq -M(qW -M(q)n)=
(9.4)
t
204
Mivel a
2
b
2
akkor és csak akkor áll fenn, ha I a I I b I ' a (9.4) alatti ő
ség ekvivalens a
ő
Ha itt a t> l paramétert t
2
-re cseréljük, adódik az állításunk.
A tétel szerint tehát annak ű hogy a ű változó a várható
ő I a szórás l-szeresénél nagyobb mértékben tér el, a t növekedésével egyre
csökken.
A tétel segítségével a várható ő I való eltérésnek a ű akkor is
meg tudjuk becsülni, mint már említettük, ha az eloszlás ő közül csupán a ·
szórás ismeretes. Ezt szemlélteti a 9.1. ábra.
legfeljebb {
I
annak a ű hogya;; megfigyelt értéke a
jelölt intervallumok valamelyikébe esik
----A-.,
J
M(() - tD(() M(() + tD(()
9.1. ábra
Ha pl. t = 2 , akkor a fenti ű legfeljebb .l, ha t = 3 , akkor már csak
4
legfeljebb .l.
9
Igen sokszor nem a (9.3) alakot, hanem a {Iq - M(q) I t D(q)} esemény komp-
lementerével megfogalmazott
(9.5)
ő használjuk. Ez az [M(q) - t D(q) ; M(q) + t D(q)] intervaIIumba
esés ű ad becslést (9.2. ábra).
205
I legalább I - }2]
annak a va16színüsége, hogya I; megfigyelt értéke ebbe az
intervallumba esik
l

l I [
M(I;) - ID(I;) M(?;) M(?;) + tD(I;)
9.2. ábra
9.2. Példa.
Tegyük fel, hogy tapasztalati adatokból ismerjük a valószínüségi változó
várható értéké t és szórását, és ezek M(!;) = 3,2, = 1,6. Adjunk becslést a
P(0,8 < r; < 5,6) valószínüségre!
MEGOLDÁS. Mivel a [0,8; 5,6] intervallum felírható a [3,2 - 2,4 ; 3,2 + 2,4]
alakban, így
2,4 = t D(I;) = 1,6t, ő
t == 2,4 == 15.
1,6 '
Ennek ő
1 1
P(O,S < r; < 5,6) :?: 1 - 2' == l - -2 0,56 .
t 1,5
Legalább 0,56 tehát annak a ű hogya r; megfigyelt értéke a
[O,S; 5,6] intervallumba esik. Úgy is az várható, hogy pl. 100 füg-
getlen kísérlet közül átlagosan legalább 56 esetben lesz a r; megfigyelt értéke a
[O,S ; 5,6] intervallumban, ha nagyon sok százas fi.iggetlen kísérletsorozatot haj-
tunk végre.
A ő általános érvényü. Minden olyan ű
lásra érvényes, amelynek létezik a szórása. Éppen ezért adott nagyságú eltérés
ű becslésére vonatkozóan nagy pontosság nem is várható el ő
A r; eloszlásának ismeretében - mint láttuk - az intervallumba esés ű
pontosan számítható. .
206
9.3. Példa.
Tapasztalati adatokból ismert a ;; ű változó várható értéke és szó-
rása,amelyek M(';) ==12 és D(r;) ==2.
a) Nem ismert a r; ű változó eloszlása. Becsüljük meg a P(8<r;<15)
ű
b) Meld<ora a P(8 < .; < 15) ű ha r; binomiáis eloszlású?
c) Mekkora a P(S < .; < 15) ű ha r; folytonos egyenletes eloszlású?
MEGOLDÁS.
a) Becsüljük meg (9.5) segítségével a keresett ű az ismeretlen el-
oszlású l; ű változó esetére! A (9.S)-ben a várható értélcre szim-
metrikus intervallum szerepel, és a valószínüségre alsó becslést végzünk,
ezért a ]8; 15 [ intervallum helyett a kisebb ]9; 15 [ intervallumot vesszük,
amely már szimmetrikus a várható értélcre.
í
3 3 '1
P(S < .; < 15) :?: P(9 < r; < 15) :?: P 12 - - 2 < l; <l2 + - 2 ! :?:
\ 2 2 )
Tehát annak a ű hogy az ismeretlen eloszlású C; ű
változó a ]S ; 15 [ intervallumba esik, 0,56-nál nagyobb.
Megjegyzés:
Ha a ]S ; 15 [ intervallumon kívülre esés valószínüségét becsültük volna (9.3)
segítségével ő akkor a ]S; 16 [ várható értékre szimmetrikus interval-
lumra kellett volna áttérni.
b) Ha l; binomiális eloszlású ű változó, a várható értéke M(r;) ==
= np == 12, a sz6rásnégyzete D
2
(r;) == npq = 4. Az np értékét az npq == 4
egyenletbe q == -31 , és így p == 3.. n == IS
3' .
Az n, p, q ismeretében alkalmazzuk a binomiális eloszlásnál megismert
képletet a keresett valószínüség meghatározásához:
14 [lS\( )k ( \18-k
P(8<c;<15)=t; kj ±j
207
Ez a ű ő nagyobb az a) pontban meghatározottnál.
c) Ha folytonos egyenletes eloszlású ű változó, akkor a várha-
tó értéke M (;;) = a + b = 12, ahonnan a + b = 24, a = 24 - b; a szórása
2
= b - a = 2. Az a = 24 _ b helyettesítést alkalmazva 2b - 24 = 2,
2F3 2F3
b-12=2F3.
Meghatározható az intervallum ő és alsó határa, azaz b = 12 + 2F3 ,
a=12-2F3.
A ű változó ű ű
{
Ir;;, ha l2-2F3<x<12+2F3
f(x) = 4''\,13
O egyébként.
A keresett ű mivel 12 - 2F3 > 8,
l 15 l
A r;; f dx=
'h/3 12-2J3 4'\,13
3 + 2.J3 F3 + 2 O 93
4F3
9.2. A nagy számok törvénye
A nagy számok törvényei a relatív gyakoriság és a ű viszonyát vizsgál-
ják. A klasszikus ű fogalmának bevezetése azon a megfigyelésen ala-
pult, hogy nagyszámú véletlen kísérletet végezve egy esemény relatív gyakorisága
véletlen ingadozást mutat egy szám, az adott esemény ű körül. Mi a
ű fogalmát a Kolmogorov-axiómák alapján vezettük be. A nagy számok
törvénye arra világít rá, hogy a relatív gyakoriságnak e ű körüli ingado-
zása milyen ű mutat. A nagy számok törvényének Bernoulli-féle
alakját fogalmazzuk meg.
208
9.3. TÉTEL. (Bemoulli-tétel.) Tekintsünk egy kísérletet, ahol valamely A esemény
bekövetkezésének ű p. Végezzük el a kísérletet n-szer egy-
mástól fiiggetlenül és jelölje ebben a kísérletsorozatban ( az A ese-
mény gyakoriságát, E: pedig egy ő ldcsi pozitív valós szám.
Eldcor
(9.6)
illetve
(9.7)
Bizonyítás. Vegyük észre, hogy Bemoulli-féle kísérletsorozatról van szó, így a
binomiális eloszlású ű változó, np várható értéld(el és npq szórás-
sal. Alkalmazzuk ezután a p(l;; - I;::: t D(;;))::; ő
t
a ű változóra. Eszerint ő t > l-re fennáll, hogy
p(I;;" - np I;::: t
t
Ha a - npl ;::: npq ő n-nel osztunk, az ő ő ekvivalens
ő jutunk. Írjuk be t helyett a n E: kifejezést, eldwr ű
pq
sítés után a fenti ő a ő alakot ölti:
amit bizonyítani akartunk.
209
Megjegyzés:
A Bernoulli-tétel a ő alakban is felírható ő & > O, J> O esetén:
mivel ő & > O és J > O esetén van olyan no' hogy n > no esetén
A nagy számok törvénye csak azt állítja, hogy egy hosszú kísérletsorozat után a
relatív gyakoriságnak a vizsgált A esemény PCA) ő akármilyen
kis korlátnál nagyobb eltérése nagyon val6színütlen. Ugyanis a relatív gyakoriság a
kísérletsorozatban az n-nel együtt változik, ezért ő hogy bármely rög-
zített n-nél a relatív gyakoriság eltérése a PCA) ő nagyobb lesz a
megadott korlátnál. Ennek bekövetkezése azonban ő kis valószínüségü
lehet, ha az n ő nagy.
9.4. Példa.
Egy szabályos kockával dobunk egymás után n-szer. Az A esemény jelölje a
páros szám dobását. Az A esemény bekövetkezésének valószínüségét ismer-
jük, PCA) = 0,5. Hány ftiggetlen kísérletet kell végezn ünk ahhoz, hogy az A
esemény bekövetkezésének relatív gyakorisága és va16színüsége közötti eltérés
legalább 98%-os ű legyen kisebb a O,ül értéknél?
MEGOLDÁS. Alkalmazzuk a nagy számok törvényének (9.7) alakját!
Mivel p=0,5; q=0,5; &=0,01 és az
1- 0,98
& n
ő kell felírni, ő n 125 OOO.
Tehát legalább 125 OOO kísérletet kell elvégeznünk. Ha például 100 alkalom-
mal végeznénk el egy-egy 125 OOO ő álló kísérletsorozatot, akkor vár-
hatóan 98-szor találnánk, hogy a relatív gyakoriság a ] O, 5 - O, O 1; 0,5 + O, O 1 [,
azaz a ] 0,49; 0,51 [ intervallumba esik, illetve kétszer azt, hogy azon kívül van.
210
9.5. Példa.
ő tudjuk, hogy annak a valószínüsége, hogy egy izzólámpa
1200 órán á I tovább ég, p = 0,70. Ha 100 db izzólámpát veszünk, akkor 0,90
ű milyen korlátok közé esik az 1200 6ránál nagyobb élettartamú
izzók száma?
MEGOLDÁS. A
ő alkalmazzuk, ahol n = 100, p = 0,7 és jelenti az 1200
óránál nagyobb élettartamú villanykörték számát. Behelyettesítve:
-O 0,7·0,3 =09.
100 ' &2100'
ő & = JO,021 '" 0,141 . Azt kaptuk, hogy 0,9 valószínüséggel érvényes a
P( lk -O 71 < O 14J O 9
100 ' , , ,
amit úgy is írhatunk, hogy
P[- 0,14 < - 0,7 < 0,14J 0,9 , azaz P(56 < < 84) 0,9.
100
Tehát a 100 elemü mintában várhatóan az 1200 óránál nagyobb élettartamú
izzók száma 90%-os valószínüséggel 56 és 84 darab közé esik.
A gyakorlati problémáknál azonban a p és q értékek általában nem ismertek,
hiszen sokszor éppen abból a célból végzünk kísérleteket, hogy egy véletlen ese-
mény ismeretlen ű a relatív gyakoriságok alapján becslést nyerjünk.
Ekkor a (9.6) helyett annak ún. gyengébb változatát, a
(9.8)
ő tudjuk csak alkalmazni. Ez a (9.6)-b61 igen ű adódik.
Azt kell csak észrevennünk, hogy - mivel a p és a q ismeretlen - olyan össze-
211
kell
legnagyobb
'''H'''',",'',,", amely hi"'",,,,I,, rögzített e és n esetén a pq szorzat
'''''Hv'' is Mivel a
pq == p(1 - p) == p
kifejezés akkor maximális, ha p 2'
pq <_1_
e
2
17 - 4e
2
17 •
a maximum
4'
A ő komplementer eseményre áttérve, a (9.7) helyett a
ene is példákat.
9.6. Példa.
p
(9.9)
önkormányzati fiatal is szere-
pel a jelöltek végre-
hajtott során - alkalmazva - a
vélemény-kutató szakemberek 10 OOO meg.
a) Legalább mekkora ű á1líthalják, a 10 OOO megkérdezés
alapján számított relatív gyakoriság a fiatal jelölt megválasztásának
HU'''",,,-,,, 0,0 l-nál kisebb hibával közelíti
b) Legalább 85%-08 biztonsággal a 10 OOO alapján milyen hiba-
határ számítható?
pl<O,Ol l =1-0,25=0,75.
4· ·10000
75% ű állíthaljuk, hogy 10 OOO ruggetlen
a jelölt megválasztásának a relatív gyakorisága 0,01-
nál kisebb hibával meg az ű
b) P( 4'10000 - P I < ej 1
O OOO 4·
li 0,0129.
212
A keresett hibahatár 0,013,
nél kapott e.
3 nagyobb, az
9.7. Példa.
Legalább hány lric,';rlf·tpt
0,999-nél nagyobb
bekövetkezésének ismeretlen p ű
MEGOLDÁS. Az [; -nál nagyobb hiba ű
1 999 = O,OOl-nél, azaz meghatározandó, hogy
n -pl>8)<O,001
enJ.ouem;eg. A nagy SZélmC)l( törvénye
Innen Ko·vetKeí!:1K,
Ha például é 0,00 l, akkor a p
határozásához Ir'Q,,-,.lp·t,,,1r mÍllÍm,ál
, 'kí' lIt'
szamu ser etre p ="2 ese en van "LU,,"""'!;;.
fl> 1000
4.0,01
2
0,001
2
pq
ez teljesül, ha -, < 0,00 l.
né"
pontossággal való meg-
10
7
p(1 p). Legnagyobb
Legalább 2 500 OOO kísérletet kell végeznÜllk, hogy fi -nál kisebb
O,999-nél nagyobb biztonsággal ű megállapítsuk egy
belcövetk.ezé:sétlel< ismeretlen p ű
213
TÁRGYMUTATÓ
Bayes-tétel 72
Bernoulli-tétel 209
binomiális együttható 27
binomiális eloszlás 165
binomiális tétel 26
biztos 37
Boole-algebra
diszkrét val,osz:tntlse:gJ
egyenletes eloszlás 180
egymást kizáró események 43
eloszlás 126
eloszlásfiiggvény 128
"''''"''''''''"' Ű Ű 153
"c""","',, 3 3, 37
ellentet'es 40
esemény
események fiiggetlensége 76
esemény tér 33
exponenciális eloszlás 183
-"",,,'",,,,,, 200
feltételes eloszlás 142
161
214
fiiggetlen kísérletek 81
fúggetlen ű változók 138
geometriai eloszlás 177
ű 83
hipergeometriai 168
klasszikus ű ő
kombináció 21, 25
korrelációs együttható 136
kovariancia 135
kvantilis 111
ő 203
medián 109
mintavéte161
módusz 110
momentum 117
eloszlás 191
összetett esemény 48
peremeloszlás
ű 153
permutáció 13, 15
Poisson-eloszlás 171
Poisson-folyamat 174
standardizálás 192
standard normális eloszlás 189
Student-eloszlás 199
ű ű 103
84
teljesen fiiggetlen 78
teljes eseményrendszer
teljes ű tétele 70
valószÍnüség axiómáí 54
valószínüségeloszlás 96
valószinüségi fa 74
ű 55
változó 93
114
X -eloszlás 197
.:I? -eloszlás 196

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->