P. 1
gyakorlatok

gyakorlatok

|Views: 246|Likes:
Published by neotheelf

More info:

Published by: neotheelf on Oct 01, 2010
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

04/25/2015

pdf

text

original

VALÓSZÍNŰSÉGSZÁMÍTÁS ÉS LEÍRÓ STATISZTIKA GYAKORLATOK [157

]
„Az oktatás célja nem az, hogy befejezett
tudást adjon, hanem az, hogy szilárd
alapot teremtsen a továbbhaladásra.”
ÖVEGES JÓZSEF
A. VALÓSZÍNŰSÉGSZÁMÍTÁSI ALAPFOGALMAK [83]
„Ha megtennénk mindazokat a dolgokat,
melyeket képesek vagyunk megtenni,
ámulatba ejtenénk önmagunkat.”
THOMAS EDISON
1. Az X diszkrét valószínűségi változó valószínűségeloszlása P(X = k) = c/k, ahol k ∈
{1, 2, 3, 4}. Határozzuk meg a c értékét, és számítsuk ki a P(1 ≤ X ≤ 3) valószínűséget!
2. Egy 100 forintost feldobunk. Definiáljunk egy olyan valószínűségi változót, mely e kísérlet
lehetséges eredményeit jellemezheti! Írjuk fel e valószínűségi változó valószínűségelosz-
lását, eloszlásfüggvényét, és ábrázoljuk ezeket!
3. Legyen X egy olyan diszkrét valószínűségi változó, amelynek lehetséges értékei a 0, 1, 2, . . .
nemnegatív egész számok. Ha tudjuk, hogy minden k ∈ N esetén az {X = k} esemény
valószínűsége arányos 1/k!−sal, határozzuk meg a P(X = k) valószínűségeket!
4. Egy X valószínűségi változó a következő értékeket veheti fel: −2, 0 és 3. Az ezekhez
tartozó valószínűségeloszlás: P(X = −2) = 1/6, P(X = 0) = 1/2 és P(X = 3) = 1/3.
Írjuk fel az X eloszlásfüggvényét és ábrázoljuk!
5. Egy ruhagyárban ötféle pulóvert készítenek. Az egyes pulóverekhez szükséges gyapjúfonal
mennyisége rendre 44, 45, 48, 60 és 64 dkg. Az egyes pulóverfajták iránti kereslet nem
egyforma. Közvéleménykutatás alapján megállapították, hogy a vásárlók 30%–a az első,
10%–a a második, 10%–a a harmadik fajtát venné, a negyedik és ötödik fajta pulóver
után pedig a közönség 25–25%–a érdeklődik. Ha a gyár a közvéleménykutatás alapján
kapott aránynak megfelelően gyártja a pulóvereket, mennyi lesz az egy pulóverre jutó
gyapjúmennyiség várható értéke és szórása?
6. Legyen f : R →R a következőképpen értelmezett:
f(x) =

0, ha x < a
x −a
3 −a
, ha x ∈ (a, 3)
1, ha x ∈ (3, a + 1)
4 −x
3 −a
, ha x ∈ (a + 1, 4)
0, ha x > 4
,
ahol a ∈ [2, 3). Igazoljuk, hogy f sűrűségfüggvény! Ábrázoljuk ezt a függvényt, majd
adjuk meg az X eloszlásfüggvényét! Melyik az az x
0
érték, amelyre P(X ≥ x
0
) = 0.5?
Mekkora az a értéke, ha P(X < 2.5) = 0.125?
7. Igazoljuk, hogy ha az X értékei az [a, b] intervallumba esnek, akkor M(X) ∈ [a, b].
8. Dobjunk egy kockával. Jelentse X a kockával dobott számot. Legyen Y = X − 3 és
Z = (X
2
−X)
3
. Írjuk fel az X, Y és Z valószínűségeloszlását, majd ábrázoljuk az X, az
Y és a Z eloszlásfüggvényét!
9. Az a és b állandók mely értékére lehet az F(x) = a+b arctanx összefüggéssel értelmezett
F : R →R függvény eloszlásfüggvény?
10. Az X diszkrét valószínűségi változó lehetséges értékei legyenek a 0, 1, 2, . . . , n számok.
Bizonyítsuk be, hogy M(X) = P(X > 0) +P(X > 1) +. . . +P(X > n −1).
11. Andor és Zsolt két kockával játszanak. Andor akkor fizet Zsoltnak, ha a feldobott koc-
kákon páratlan számok szerepelnek. Zsolt akkor fizet Andornak, ha az egyik kockán [de
1
2
csakis az egyiken] páros számot dobnak. Ha más eset fordul elő egyik sem fizet. Milyen
pénzösszegben állapodjanak meg, hogy a játék méltányos legyen?
12. Egy csomag magyar kártyacsomagból találomra kihúzunk egy lapot. Vegye fel X a kártya
pontértékét! [alsó: 2, felső: 3, király: 4, ász: 11, hetes: 7, nyolcas: 8, kilences: 9, tízes:
10] Adjuk meg és ábrázoljuk az X eloszlásfüggvényét! Várhatóan mennyi a találomra
kihúzott kártya pontértéke?
13. Egy X valószínűségi változó eloszlásfüggvénye F(x) = sinx, ha x ∈ [0, π/2] [máshol az
F a nulla értéket veszi fel]. Határozzuk meg az X várható értékét és szórását!
14. Legyen X egy dobókockával dobott szám. Mennyi X szórása? Mi a helyzet n oldalú
„kocka” esetén?
15. Az X valószínűségi változó lehetséges értékei legyenek az 1, 2, 3, 4, . . . számok. Ezeket
vegye fel az y, x, x
2
, x
3
, . . . valószínűséggel, ahol x, y ∈ (0, 1). Igazoljuk, hogy az így
definiált valószínűségi változó várható értéke nagyobb, mint egy.
16. Ha Andor egy kockával első kísérletre hatost dob, akkor Zsolttól 1$–t kap. Ha a második
dobásra sikerül először a hatos, akkor 2$–t kap, ha a harmadikra, akkor 3$–t kap, stb.
Mennyi pénzt várhat ettől a játéktól Andor?
17. Egy bizonyos vizsgáztatónál a vizsgáztatás időtartamának, mint valószínűségi változónak
a sűrűségfüggvénye: f(x) = 5x
4
/32, ha x ∈ (0, 2) [máshol az f a nulla értéket veszi fel].
Határozzuk meg a vizsgáztatás idejének várható értékét és szórását!
18. Legyen X eloszlásfüggvénye F : R →[0, 1] a következőképpen értelmezett
F(x) =
1
π
arctanx +
1
2
.
Számítsuk ki az X várható értékét és szórását!
19. Tegyük fel, hogy egy étteremben a vendégek ebédidőben eltöltött idejét, percekben mérve,
a következő eloszlásfüggvény jellemzi:
F(x) =

0, ha x ≤ 0
x/60, ha x ∈ (0, 30]
1/2, ha x ∈ (30, 60]
x/120, ha x ∈ (60, 120]
1, ha x > 120
.
Ábrázoljuk ezt a függvényt! Mekkora annak a valószínűsége, hogy egy vendég az ét-
teremben 30 percnél több időt tölt el? Mennyi a valószínűsége, hogy 45 percnél tovább
marad? Hát annak mennyi a valószínűsége, hogy egy vendég 1 óránál több, de 1 óra 30
percnél kevesebb időt tölt el az étteremben?
20. Legyenek az X diszkrét valószínűségi változó lehetséges értékei x
k
= k, és ezeket vegye
fel p
k
= kC
k
n
valószínűséggel, ahol k ∈ {0, 1, . . . , n}. Számítsuk ki az X várható értékét!
21. Egy alkatrész élettartamának sűrűségfüggvénye f(x) = 2/x
3
, ha x > 1 [máshol az f nulla
értéket vesz fel]. Mit állíthatunk az alkatrész élettartamának átlagáról? Hát a szórásáról?
22. Legyen p, q ∈ (0, 1) ú.h. p + q = 1. Alkothatnak–e a q, pq, p
2
q, . . . , p
k−1
q, . . . számok
valószínűségeloszlást, ha k ∈ {1, 2, 3, . . . }?
23. Legyen X olyan diszkrét valószínűségi változó, amelynek lehetséges értékei az x
k
=
(−1)
k
2
k
/k számok, és a megfelelő valószínűségek rendre p
k
= P(X = x
k
) = 1/2
k
, ahol
k ∈ {1, 2, 3, . . .}. Mutassuk meg, hogy a p
k
számok valószínűségeloszlást alkotnak, és
hogy X−nek nincs várható értéke!
24. Igazoljuk, hogy ha az X és Y valószínűségi változók függetlenek, akkor
D
2
(X +Y ) = D
2
(X) +D
2
(Y ).
25. Három kockával dobunk. Számítsuk ki a dobott számok összege eloszlásfüggvényének az
x = 5.9 helyen felvett értékét!
26. Igazoljuk, hogy M
2
(XY ) ≤ M(X
2
)M(Y
2
), ahol X és Y tetszőleges valószínűségi vál-
tozók.
3
27. Legyenek az X diszkrét valószínűségi változó lehetséges értékei 1, 2, 3, 4, 5. Az ezekhez
tartozó p
1
, p
2
, p
3
, p
4
, p
5
valószínűségek [ebben a sorrendben] számtani sorozatot alkotnak,
és p
1
= 1/10. Írjuk fel az X valószínűségeloszlását!
28. Mutassuk meg, hogy ha F az X eloszlásfüggvénye, akkor fennállnak a következő egyen-
lőségek:
a. P(a ≤ X ≤ b) = F(b) −F(a) +P(X = b)
b. P(a < X < b) = F(b) −F(a) −P(X = a)
c. P(a < X ≤ b) = F(b) −F(a) −P(X = a) +P(X = b)
29. Egy X valószínűségi változó sűrűségfüggvénye:
f(x) =

0, ha x < 2
a
(1 −x)
2
, ha x > 2
.
Mekkora az a értéke? Mekkora valószínűséggel esik X a (2, 3) intervallumba?
30. Határozzuk meg annak az X valószínűségi változónak az eloszlásfüggvényét, amely két
kockával dobva, a dobott számok összegét jelenti! Ábrázoljuk ezt a függvényt!
31. Számítsuk ki a (µ, σ) paraméterű, normális eloszlású, a λ paraméterű, exponenciális el-
oszlású, a λ paraméterű, POISSON eloszlású és az n−edrendű, p paraméterű, binomiális
eloszlású valószínűségi változó várható értékét és szórását! Mutassuk meg, hogy milyen
kapcsolat van a binomiális eloszlás és a POISSON eloszlás között!
32. Egy család 4 gyermeket tervez. Egy gyermek születésekor annak valószínűsége, hogy fiú
születik 0.51 [megjegyzés: a genetikusok ezt az Y kromoszóma gyorsaságával magyaráz-
zák]. A szülések esetében az újszülött neme független az előzőleg született gyermekek
nemétől. Írjuk fel a fiúgyermekek és lánygyermekek számának valószínűségeloszlását!
33. Feltéve, hogy a balkezesek aránya átlagosan 1%, becsüljük meg annak a valószínűségét,
hogy 200 véletlenszerűen kiválasztott ember között legalább négy balkezes van.
34. A kocogj velünk mozgalom keretében tavaly futóversenyt rendeztek a Duna–kanyarban.
A pályát sajnos kullancsal fertőzött területen át vezették. Kiderült, hogy a versenyzők
közül 300−an találtak magukban egy, 75−ön pedig két kullancsot. Ennek alapján be-
csüljük meg, hogy körülbelül hányan indultak a versenyen!
35. Egy kosárlabdázó p valószínűséggel dob a kosárba, és addig próbálkozik, ameddig először
talál. Mi a valószínűsége annak, hogy a k−adik dobásnál esik a labda a kosárba?
36. Adott egy „örökifjú” tulajdonságú alkatrész, amely exponenciális eloszlást követ 12 óra
várható értékkel. Ha az élettartamát olyan digitális órával mérjük, amely percenként
ugrik, akkor a mért élettartam diszkrét eloszlást követ. Határozzuk meg ezt az eloszlást!
37. Egy utcai telefonfülke foglalt, amikor odaérünk. A beszélgetés hossza véletlen, percekben
mérve 1/3 paraméterű exponenciális eloszlású. Mi a valószínűsége, hogy 5 perc múlva
sem kerülünk sorra?
38. Egy bankfiókban a napi kifizetés összege normális eloszlást követ, µ = 3.6 milliárd lej
és σ = 0.9 milliárd lej paraméterekkel. Válaszoljunk a következő kérdésekre: Mi a
valószínűsége annak, hogy a kifizetések összege 3 milliárd lej alatt lesz? Mi a valószínűsége
annak, hogy a kifizetések összege 2.7 és 4.5 milliárd lej között lesz? Mi a valószínűsége
annak, hogy a kifizetések összege 5 milliárd lej felett lesz? Mennyi pénzt kell tartani a
fiókban, ha 95%−os valószínűséggel akarjuk biztosítani a kifizetések teljesítését?
39. Egy gyárban 1200 mm hosszúságú tengelyt szeretnének gyártani. A tengelyhossz in-
gadozása az 1200 mm körül normális eloszlású 40 mm szórással. Egy munkadarabot
elfogadhatónak tekintünk, ha hossza kevesebb mint 50 mm—rel tér el a várt értéktől. Az
így kapott darabok közül hány százalék lesz megfelelő?
40. A világűrből egy idegen vírus érkezik a sztratoszférába. A vírus p ∈ (0, 1) valószínűséggel
osztódik egy perc alatt ketté [magával azonos vírust hoz létre]. Mennyi a valószínűsége,
hogy n perc után pontosan k vírus legyen? Ha p
n,k
jelöli annak a valószínűségét, hogy
4
hogy n perc után pontosan k vírus van, akkor igazoljuk, hogy minden n, k ≥ 1 esetén
p
n,k
= (1 −p) · p
n−1,k
+p · p
n−1,k−1
.
41. Tegyük fel, hogy a sorozáson megjelenő férfiak körében a systoles vérnyomásérték várható
értéke 130 Hgmm és a szórása 12 Hgmm. Várhatóan a férfiaknak hány %−a esik a
140−150 Hgmm tartományba, ha a vérnyomás értékek eloszlása normális eloszlást követ?
42. Egy cég ügynökök betanításával foglalkozik. A tapasztalatok szerint az ügynökök be-
tanításához átlagosan 25 órára van szükség, a szükséges idő normális eloszlást követ 6
óra szórással. Mi a valószínűsége, hogy egy véletlenszerűen kiválasztott ügynökjelöltet
több, mint 31 órát kell oktatni? Hát annak mi a valószínűsége, hogy a szükséges tanítási
idő 22 és 30 óra között lesz?
1 1.2 1.4 1.6 1.8 2 2.2 2.4 2.6 2.8 3
0
0.5
1
1.5
2
2.5
3
Figure 1. A PARETO eloszlás sűrűségfüggvénye a ∈ {1, 2, 3} esetén.
43. A fogpiszkálók hossza µ cm várható értékű, 0.5 cm szórású, normális eloszlású X valószí-
nűségi változó. Véletlenszerűen kihúzunk egy fogpiszkálót egy dobozból és a következőt
játsszuk: ha X < 5 cm, akkor nem nyerünk; ha X ∈ [5, 6], akkor 12 zsetont nyerünk; ha
X > 6 cm, akkor 8 zsetont nyerünk. Hány zseton lesz nyereségünk várható értéke µ−vel
kifejezve? Milyen µ−re lesz nyereségünk várható értéke maximális?
44. Öt katona lő céltáblára. Mindegyikük 100 lövése közül átlagosan 80 talál. Mekkora annak
a valószínűsége, hogy egyszerre leadva egy lövést, háromnál több találat lesz a céltáblán?
45. Egy automata zacskókba cukorkát adagol. A zacskók súlyát µ = 100 g, σ = 2 g
paraméterű normális eloszlásúnak tekinthetjük. Mennyi a valószínűsége annak, hogy
három véletlenszerűen kiválasztott zacskó között legalább egy olyan van, aminek a súlya
99 g és 101 g közé fog esni?
46. Egy szobában öt telefon van, melyek közül bármelyik megszólalhat a többiektől függetle-
nül X időn belül, ahol X egy λ = 1 paraméterű exponenciális eloszlású valószínűségi
változó. Mennyi az esélye annak, hogy egységnyi időn belül pontosan két telefonkészülék
fog csörögni?
47. Egy zárthelyi dolgozatban 10 feleletválasztós kérdést tesznek fel, amelyeknél 4 válaszle-
hetőség közül kell kiválasztani a helyeset. Egy hallgató egyáltalán nem készült, véletlen-
szerűen tippelget. Mi a valószínűsége, hogy minden kérdésre jól felel? Hát annak mi a
valószínűsége, hogy 4 kérdésre jól felel? Várhatóan hány kérdésre találja el a választ és
milyen szórással?
5
48. Hány érmét kell feldobni ahhoz, hogy 90%−nál nagyobb legyen az esély arra, hogy legyen
köztük fej?
49. Egy évfolyam 400 hallgatójának magassága normális eloszlású 170 cm–es átlaggal és 16
cm szórással. Hány hallgató tartozik a 166 cm és 182 cm közötti magassági intervallumba?
Hány hallgató nagyobb, vagy éppen 190 cm?
50. Hányszor dobjunk fel egy kockát, ha azt akarjuk, hogy 0.5−nél ne legyen kisebb annak
a valószínűsége, hogy a 6−os dobások száma legalább 2 legyen?
51. Tegyük fel, hogy júliusban a hőmérséklet normális eloszlású, átlaga 26

C, szórása 4

C.
Számítsuk ki annak a valószínűségét, hogy a hőmérséklet 28

C és 34

C közé esik!
52. Egy kör alakú, r sugarú céltáblára lövünk. Legyen az X valószínűségi változó a találati
pont és a tábla középpontja közötti távolság. A körön bármely területre való érkezés
valószínűsége arányos az adott terület mérőszámával. Határozzuk meg az X eloszlás-
függvényét, sűrűségfüggvényét, várható értékét, és szórását!
53. Egy löveg tüzel egy 1200 m távoli célpontra. A lőtávolság ingadozása az 1200 m körül
normális eloszlású 40 m szórással. Hatásosnak tekintünk egy lövést, ha a találat a célhoz
50 m–nél közelebb esik. A lövések hány százaléka lesz hatástalan?
54. Azt mondják a zöldségesek, hogy 100 esetből körülbelül ötször fordul elő, hogy egy zsák
krumpli súlya az előírttól 50 dkg–mal többel tér el. Normális eloszlás alkalmazásával
mire következtethetünk ebből a zsákok súlyának szórására vonatkozóan?
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0
0.5
1
1.5
2
2.5
Figure 2. A beta eloszlás sűrűségfüggvénye a = b = 0.75, a = b = 1 és a = b = 4 esetén.
55. A számegyenes egész koordinátájú pontjain egy bolha ugrál. Minden másodpercben p
valószínűséggel ugrik jobbra és 1 − p valószínűséggel balra. Határozzuk meg annak a
valószínűségét, hogy n másodperc után a bolha az origóból az m abszcisszájú pontba
kerül!
56. Annak valószínűsége, hogy egy löveg célba talál, minden lövésnél 0.001. Mekkora a
valószínűsége, hogy 2000 lövés közül legalább két lövés célba talál?
57. Egy biztosító társaság egyetemistáknak kínál gépkocsi biztosításokat, s a korábbi évek
tapasztalatai szerint a biztosítottak 3%−a okoz balesetet. Feltételezve, hogy nem változ-
tak a körülmények, mekkora a valószínűsége, hogy az adott biztosítónál szerződött 200
egyetemista közül legfeljebb 5 okoz balesetet ebben az évben?
58. A polóniumatom bomlási ideje exponenciális eloszlású valószínűségi változó. Előzetes
mérések alapján tudjuk, hogy egy ilyen atom 140 nap alatt 0.5 valószínűséggel elbomlik.
6
Mennyi a polóniumatom várható élettartama és szórása? Mekkora az az időtartam,
amikor egy polóniumatom 95%–os valószínűséggel elbomlik?
59. Háromszor olyan valószínű, hogy egy évben 2 ember öli magát a Marosba, mint az, hogy 5.
Mire tippel, hány ember öli magát a Marosba egy évben? Mi a valószínűsége, hogy senki
sem lesz így öngyilkos egy év alatt? Átlagosan hány ember választja az öngyilkosságnak
ezt a módját? [megj. az öngyilkosságok száma POISSON eloszlásúnak tekinthető]
60. Tegyük fel, hogy egy 500 oldalas könyvben véletlen eloszlásban 300 sajtóhiba van. Számít-
suk ki annak valószínűségét, hogy egy adott oldalon pontosan 2 sajtóhiba van! Hát annak
mennyi a valószínűsége, hogy egy adott oldalon legalább 2 sajtóhiba van?
61. Biztosítótársaságok adatai alapján megállapítható, hogy bizonyos káresetek során a kár
értékének nagysága olyan valószínűségi változó, melyet a µ = 0 és σ > 0 paraméterű nor-
mális eloszlás pozitív értékekre csonkított eloszlása jellemez. Írjuk fel a kérdéses csonkí-
tott eloszlás sűrűségfüggvényét! Számítsuk ki a kárösszeg várható értékét!
62. A terhességek hossza normális eloszlást követ 268 napos átlaggal és 15 napos szórással.
Határozzuk meg, mi annak a valószínűsége, hogy egy terhesség 308 vagy annál több napig
tart! Hát annak mennyi a valószínűsége, hogy egy terhesség 283 vagy annál kevesebb
napig tart?
63. Megfigyelések szerint Sepsiszentgyörgyön 1000 újszülött közül átlagosan 516 a fiú, és 484
a lány. Mekkora annak a valószínűsége, hogy egy 6 gyermekes családban a fiúk száma
pontosan annyi, mint a lányoké?
64. Egy számítógéphez 4 egymástól függetlenül működő lemezegység tartozik. Az egyes
lemezegységek 6·10
−4
valószínűséggel hibásodhatnak meg. Ha az adatfeldolgozás elvégzé-
séhez legalább 2 hibátlan lemezegység kell, mi a valószínűsége annak, hogy az adatfeldol-
gozás sikeresen befejezhető?
65. Ábrázoljuk az f
a
: (1, ∞) → (0, 1), F
a
: (1, ∞) → (0, 1) függvényeket [PARETO elosz-
lás, lásd Figure 1], amelyeket az alábbi relációkkal értelmezünk, és igazoljuk, hogy f
a
sűrűségfüggvény, míg F
a
eloszlásfüggvény:
f
a
(x) = ax
−a−1
, F
a
(x) =

x
−∞
f
a
(t)dt = a

x
−∞
t
−a−1
dt, a > 0.
−10 −8 −6 −4 −2 0 2 4 6 8 10
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Figure 3. A logisztikus eloszlás sűrűségfüggvénye és eloszlásfüggvénye.
66. Ábrázoljuk az f
a,b
: (0, 1) → (0, ∞), F
a,b
: (0, 1) → (0, 1) függvényeket [beta elosz-
lás, lásd Figure 2], amelyeket az alábbi relációkkal értelmezünk, és igazoljuk, hogy f
a,b
7
sűrűségfüggvény, míg F
a,b
eloszlásfüggvény:
f
a,b
(x) =
x
a−1
(1 −x)
b−1
B(a, b)
, F
a,b
(x) =

x
−∞
f
a,b
(t)dt =
1
B(a, b)

x
−∞
t
a−1
(1 −t)
b−1
dt,
ahol B(a, b) az ún. EULER–féle beta függvény és a, b > 0.
67. Ábrázoljuk az f : R →(0, ∞), F : R →(0, 1) függvényeket [logisztikus eloszlás, lásd Fig-
ure 3], amelyeket az alábbi relációkkal értelmezünk, és igazoljuk, hogy f sűrűségfüggvény,
míg F eloszlásfüggvény:
f(x) =
e
−x
(1 +e
−x
)
2
, F(x) =

x
−∞
f(t)dt =

x
−∞
e
−t
(1 +e
−t
)
2
dt.
−6 −4 −2 0 2 4 6
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Figure 4. A standard normális eloszlás sűrűségfüggvénye és eloszlásfüggvénye.
68. Ábrázoljuk az f
a
: (0, 1) →(0, 1), F
a
: (0, 1) →(0, 1) függvényeket [hatvány eloszlás, lásd
beta eloszlás b = 1 esetén], amelyeket az alábbi relációkkal értelmezünk, és igazoljuk,
hogy f
a
sűrűségfüggvény, míg F
a
eloszlásfüggvény:
f
a
(x) = ax
a−1
, F
a
(x) =

x
−∞
f
a
(t)dt = a

x
−∞
t
a−1
dt, a > 0.
69. Ábrázoljuk a ϕ : R → (0, ∞), Φ : R → (0, 1) függvényeket [standard GAUSS–féle nor-
mális eloszlás, lásd Figure 4], amelyeket az alábbi relációkkal értelmezünk, és igazoljuk,
hogy ϕ sűrűségfüggvény, míg Φ eloszlásfüggvény:
ϕ(x) =
e
−x
2
/2


, Φ(x) =

x
−∞
ϕ(t)dt =
1

x
−∞
e
−t
2
/2
dt.
70. Ábrázoljuk az f : (0, 1) → (0, ∞), F : (0, 1) → (0, 1) függvényeket [árkusz szinusz
eloszlás, lásd beta eloszlás a = b = 0.5 esetén], és igazoljuk, hogy f sűrűségfüggvény, míg
F eloszlásfüggvény:
f(x) =
1
π
1

x(1 −x)
, F(x) =

x
−∞
f(t)dt =
1
π

x
−∞
1

t(1 −t)
dt.
8
0 1 2 3 4 5 6
0
0.05
0.1
0.15
0.2
0.25
Figure 5. A khi eloszlás sűrűségfüggvénye a ∈ {3, 4, 5} esetén.
71. Ábrázoljuk az f
a
: (0, ∞) →(0, ∞), F
a
: (0, ∞) →(0, 1) függvényeket [khi eloszlás, a = 3
esetén MAXWELL eloszlás, lásd Figure 5], amelyeket az alábbi relációkkal értelmezünk,
és igazoljuk, hogy f
a
sűrűségfüggvény, F
a
eloszlásfüggvény:
f
a
(x) =
x
a−1
e
−x
2
/2
2
a/2−1
Γ(a/2)
, F
a
(x) =

x
−∞
f
a
(t)dt =
2
1−a/2
Γ(a/2)

x
−∞
t
a−1
e
−t
2
/2
dt,
ahol a →Γ(a) az ún. EULER–féle gamma függvény és a > 0.
−4 −3 −2 −1 0 1 2 3 4
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0.45
Figure 6. A STUDENT eloszlás sűrűségfüggvénye n ∈ {1, 2, 3, 4, 5, 6, 7} esetén
és a standard normális eloszlás sűrűségfüggvénye [amely a fenti ábrán a nullában
a legnagyobb értéket felvevő].
9
72. Ábrázoljuk az f
n
: R →(0, ∞), F
n
: R →(0, 1), n ∈ {1, 2, . . . } függvényeket [STUDENT
eloszlás], amelyeket az alábbi relációkkal értelmezünk, és igazoljuk, hogy f
n
sűrűségfügg-
vény, míg F
n
eloszlásfüggvény:
f
n
(x) =
1


Γ

n+1
2

Γ

n
2
·

1 +
x
2
n


n+1
2
,
F
n
(x) =

x
−∞
f
n
(t)dt =
1


Γ

n+1
2

Γ

n
2

x
−∞

1 +
t
2
n


n+1
2
dt.
Továbbá igazoljuk, hogy
F
n
(x) +F
n
(−x) = 1
minden x ∈ R és n ∈ {1, 2, . . . } esetén, azaz a STUDENT eloszlás eloszlásfüggvénye
közzéppontosan szimmetrikus [akárcsak a standard normál eloszlás eloszlásfüggvénye].
Ezenkívül igazoljuk, hogy
(w) lim
n→∞
(2n)!!
(2n −1)!!
1

2n + 1
=

π
2
és lim
n→∞
1


Γ

n+1
2

Γ

n
2
·

1 +
x
2
n


n+1
2
=
e
−x
2
/2


.
[megjegyzés: (w)–ben az első azonosságot WALLIS formulának nevezzük, míg a második
azonosság azt mutatja meg, hogy amikor az n minden határon túl nő, akkor a STUDENT
eloszlás sűrűségfüggvénye a standard normális eloszlás sűrűségfüggvényéhez tart; lásd
Figure 6]
73. Ábrázoljuk az f
n,m
: [0, ∞) → (0, ∞), F
n,m
: [0, ∞) → [0, 1], n, m ∈ {1, 2, 3, . . . } függ-
vényeket [FISHER–SNEDECOR eloszlás, lásd Figure 7], amelyeket az alábbi relációkkal
értelmezünk, és igazoljuk, hogy f
n,m
sűrűségfüggvény, míg F
n,m
eloszlásfüggvény:
f
n,m
(x) =
Γ

n+m
2

n
n
2
m
m
2
x
n
2
−1
Γ

n
2

Γ

m
2

(nx +m)
n+m
2
,
F
n,m
(x) =

x
−∞
f
n,m
(t)dt =
Γ

n+m
2

n
n
2
m
m
2
Γ

n
2

Γ

m
2

x
−∞
t
n
2
−1
(nt +m)
n+m
2
dt.
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Figure 7. A FISHER–SNEDECOR eloszlás sűrűségfüggvénye n = m = 1, 2, 3, 4 esetén.
10
74. Ábrázoljuk az f
λ
: [0, ∞) →(0, ∞), F
λ
: [0, ∞) →[0, 1] függvényeket [exponenciális elosz-
lás], amelyeket az alábbi relációkkal értelmezünk, és igazoljuk, hogy f
λ
sűrűségfüggvény,
míg F
λ
eloszlásfüggvény:
f
λ
(x) = λe
−λx
, F
λ
(x) =

x
−∞
f
λ
(t)dt = λ

x
−∞
e
−λt
dt, λ > 0.
75. Ábrázoljuk az f
a
: (0, ∞) → (0, ∞), F
a
: (0, ∞) → (0, 1) függvényeket [WEIBULL
eloszlás, a = 2 esetén RAYLEIGH eloszlás, lásd Figure 8], amelyeket az alábbi relációkkal
értelmezünk
f
a
(x) = ax
a−1
e
−x
a
, F
a
(x) =

x
−∞
f
a
(t)dt = a

x
−∞
t
a−1
e
−t
a
dt,
ahol a > 0. Igazoljuk, hogy f
a
sűrűségfüggvény, míg F
a
eloszlásfüggvény!
0 0.5 1 1.5 2 2.5 3
0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
Figure 8. A WEIBULL eloszlás sűrűségfüggvénye a ∈ {2, 3, 4} esetén.
76. Ábrázoljuk az f
a
: (0, ∞) → (0, ∞), F
a
: (0, ∞) → (0, 1) függvényeket [khi négyzet
eloszlás, lásd Figure 9], amelyeket az alábbi relációkkal értelmezünk
f
a
(x) =
x
a/2−1
e
−x/2
2
a/2
Γ(a/2)
, F
a
(x) =

x
−∞
f
a
(t)dt =
1
2
a/2
Γ(a/2)

x
−∞
t
a/2−1
e
−t/2
dt,
ahol a > 0. Igazoljuk, hogy f
a
sűrűségfüggvény, míg F
a
eloszlásfüggvény!
77. Ábrázoljuk az f : R → (0, ∞), F : R → (0, 1) függvényeket [CAUCHY eloszlás], ame-
lyeket az alábbi relációkkal értelmezünk, és igazoljuk, hogy f sűrűségfüggvény, míg F
eloszlásfüggvény:
f(x) =
1
π
1
1 +x
2
, F(x) =

x
−∞
f(t)dt =
1
π

x
−∞
1
1 +t
2
dt.
78. Ábrázoljuk az f
a
: (0, ∞) → (0, ∞), F
a
: (0, ∞) → (0, 1) függvényeket [LÉVY eloszlás,
lásd Figure 10], amelyeket az alábbi relációkkal értelmezünk
f
a
(x) =

a

·
e
−a/(2x)
x
3/2
, F
a
(x) =

x
−∞
f
a
(t)dt =

a

·

x
−∞
e
−a/(2t)
t
3/2
dt,
ahol a > 0. Igazoljuk, hogy f
a
sűrűségfüggvény, míg F
a
eloszlásfüggvény!
11
0 2 4 6 8 10 12 14 16 18 20
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0.45
0.5
Figure 9. A khi négyzet eloszlás sűrűségfüggvénye a ∈ {2, 4, 6} esetén.
79. Ábrázoljuk az f
a
: (0, ∞) → (0, ∞), F
a
: (0, ∞) → (0, 1) függvényeket [gamma eloszlás],
amelyeket az alábbi relációkkal értelmezünk, és igazoljuk, hogy f
a
sűrűségfüggvény, míg
F
a
eloszlásfüggvény:
f
a
(x) =
x
a−1
e
−x
Γ(a)
, F
a
(x) =

x
−∞
f
a
(t)dt =
1
Γ(a)

x
−∞
t
a−1
e
−t
dt, a > 0.
80. [EULER–féle gamma és beta függvények] Igazoljuk, hogy Γ(1) = Γ(2) = 1, Γ(1/2) =

π
és hogy minden a > 0 esetén Γ(a + 1) = aΓ(a). Mennyi Γ(n + 1), ha n egy tetszőleges
természetes szám? Hát mennyi Γ(2008)? Igazoljuk, hogy minden a, b, x > 0 esetén
fennállnak az alábbi azonosságok:
Γ(a) =


0
e
−t
t
a−1
dt = 2


0
e
−t
2
t
2a−1
dt =

1
0
(−lnt)
a−1
dt = x
a


0
t
a−1
e
−xt
dt,
B(a, b) =

1
0
x
a−1
(1 −x)
b−1
dx =


0
x
a−1
(1 +x)
a+b
dx
= 2

π/2
0
sin
2a−1
θ cos
2b−1
θdθ =

1
0
t
a−1
+t
b−1
(1 +t)
a+b
dt.
81. Gázmolekulák sebessége ún. MAXWELL–eloszlású [sajátos hi eloszlás] folytonos valószí-
nűségi változó, melynek sűrűségfüggvénye
f(x) =

0, ha x ≤ 0
4h
3
x
2
e
−x
2
h
2
/

π, ha x > 0
,
ahol h > 0 paraméter. Számítsuk ki a sebesség várható értékét és szórását!
82. Egy gyár rádióadócsöveket gyárt. Egy bizonyos fajta adócső élettartama a vizsgálatok
szerint normális eloszlású, 1170 óra várható értékkel és 100 óra szórással. A gyár a
csövekre garanciát vállal. Hány órás működésre szóljon a garancia, ha a gyár legfeljebb
5% garanciaigényt kíván kielégíteni? Most tegyük fel, hogy a gyár által gyártott csöveket
négyesével dobozokba csomagolják. Mennyi a valószínűsége, hogy egy dobozban levő 4
cső mindegyike 1180 óránál tovább fog működni? Mennyi annak a valószínűsége, hogy 4
cső közül kettőt kivéve, az egyik 1180 óránál tovább fog működni, a másik meg nem? [az
egyes csövek élettartamát tekintsük egymástól független valószínűségi változóknak]
12
83. Görgőscsapágyak készítésére 12 mm hosszúságú és 6 mm átmérőjű hengereket [görgőket]
gyártanak. A hengerek hossza és átmérője normális eloszlású valószínűségi változónak
tekinthető. A henger hosszmérete [statisztikai adatok alapján] 0.055 mm szórású, át-
mérője pedig 0.028 mm szórású valószínűségi változó. Egy henger akkor tekinthető selejt-
nek, ha hosszmérete a tervezett értéktől, azaz a 12 mm–től 0.1 mm–nél nagyobb értékkel
tér el, vagy pedig ha átmérőjének eltérése a 6 mm–től 0.05 mm–nél nagyobb. Meny-
nyi a valószínűsége, hogy egy véletlenszerűen kiválasztott görgő selejtes lesz? [a henger
hosszméretét és átmérőjét, mint valószínűségi változókat, tekinthetjük függetleneknek]
0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 5.5 6
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0.45
0.5
Figure 10. A LÉVY eloszlás sűrűségfüggvénye a ∈ {1, 2, 3} esetén.
B. STATISZTIKAI ADATOK ÉS FONTOSABB JELLEMZŐIK [21]
„A matematikában az ember a dolgokat
nem megérti, hanem megszokja.”
NEUMANN JÁNOS
1. Az alábbi táblázatban egy 40 résztvevős, 100 méteres síkfutóverseny eredményeit láthat-
juk osztályokba rendezve. Az ismérv a 100 méter lefutásához szükséges idő, a lehetséges
értékek pedig a táblázatban feltüntetett intervallumok.
Futási idő Versenyzők száma
10.5 −10.7 1
10.7 −10.9 1
10.9 −11.1 2
11.1 −11.3 5
11.3 −11.5 7
11.5 −11.7 7
11.7 −11.9 6
11.9 −12.1 5
12.1 −12.3 4
12.3 −12.5 2
Írjuk fel minden intervallumnak az abszolút és a relatív gyakoriságát, valamint a felfele és
lefele halmozott gyakoriságait! Adjuk meg a fenti minta mediánját, mediálját, móduszát,
13
és számítsuk ki a Q
1/10
, Q
1/4
, Q
3/4
, Q
9/10
kvantiliseket. Határozzuk meg a mediál–
medián eltérésből származó ∆M koncentráltsági együtthatót, valamint a YULE–féle asz-
szimetria együtthatót!
2. Valamely cég az eladói technikáról tréninget rendezett. 90 résztvevő által tartott prezen-
tációk időtartamának [percekben mérve] megoszlása a következő: 8 résztvevő prezentá-
ciójának időtartama a [10, 12] időintervallumba, 25−nek a (12, 14]−ba, 26−nak a (14, 16]-
ba, 21−nek a (16, 18]−ba és 10−nek a (18, 20]−ba esett. Számítsuk ki a mediánt, a
mediált, és a móduszt!
3. Egy évfolyamból találomra kiválasztott 20 hallgató testmagassága cm–ben: 166, 169, 170,
170, 173, 175, 177, 178, 179, 180, 182, 182, 182, 183, 183, 185, 186, 188, 188, 192. Adjuk
meg az empirikus eloszlásfüggvény helyettesítési értékét a 160, 175 és 190 helyeken! Írjuk
fel és ábrázoljuk a gyakorisági hisztogramot és a közelítő empirikus eloszlásfüggvényt, ha
az osztópontok: 166, 170, 174, 178, 182, 186, 190, 192.
4. Az alábbi táblázatban 90 családból álló közösség családok szerinti gyermekeinek számát
foglaltuk össze:
Gyermekek száma 0 1 2 3 4 5 6 7
Családok száma 6 18 23 20 14 6 2 1
Adjuk meg a mediánt, a mediált, a móduszt, és a Q
1/10
, Q
1/4
, Q
3/4
, Q
9/10
kvantiliseket.
5. A MOL 95 üzemanyagtöltő–állomásának egy adott havi gázolaj eladását vizsgáljuk. Az
adatokat ezer literben közöljük.
Értékesítés (ezer liter) Töltőállomások száma
(50, 100] 8
(100, 150] 14
(150, 200] 23
(200, 250] 21
(250, 300] 10
(300, 350] 8
(350, 400] 5
(400, 450] 4
(450, 500] 2
Összesen 95
Számítsuk ki az így kapott minta mediánját, mediálját, móduszát és a Q
1/10
, Q
1/4
,
Q
3/4
, Q
9/10
kvantiliseket. Határozzuk meg a mediál–medián eltérésből származó ∆M
koncentráltsági együtthatót, valamint a YULE–féle asszimetria együtthatót!
6. Az alábbi táblázatban a Budapesten 1896–1995 közötti júliusi hőmérsékletek szerepel-
nek 2

C−os intervallumokba sorolva. Becsüljük meg a sokaság mediánját, mediálját és
móduszát!
Hőmérséklet 18–20 20–22 22–24 24–26 26–28 28–30
Gyakoriságok 8 48 38 5 0 1
7. Egy automata darabológép adott hosszúságú pálcikákat készít. A pálcika hossza legyen
az X valószínűségi változó. A pálcikák hossza az adott hosszúságnál nagyobb is, kisebb is
lehet. Tegyük fel, hogy n = 26 mérést végezve a méreteltérések számát intervallumonként
rögzítettük, és a következő táblázatba foglaltuk össze:
Méret eltérés (−4, −3) (−3, −2) (−2, −1) (−1, 0) (0, 1) (1, 2) (2, 3) (3, 4)
Pálcikák száma 1 3 4 5 5 4 3 1
Szerkesszük meg a hosszúság eltérés sűrűséghisztogramját, és egy közelítő tapasztalati
eloszlásfüggvényt, majd számítsuk ki a mintaátlagot, és a korrigált tapasztalati szórást!
8. Egy homokbánya markolója által kiemelt homok kg súlyát véletlen kiválasztással 31 eset-
ben lemérték. A 31 elemű véletlen minta alapján végzett vizsgálat eredményét a következő
táblázatba foglalták:
Osztályközök (470,480) (480,490) (490,500) (500,510) (510,520) (520,530)
Gyakoriság 1 4 10 10 4 2
14
Szerkesszük meg a súlyeltérés sűrűséghisztogramját és egy közelítő tapasztalati eloszlás-
függvényt! Számítsuk ki a mintaátlagot, a mediánt, a móduszt, a mediált és a korrigált
tapasztalati szórást! Hozzávetőlegesen mennyi a valószínűsége annak, hogy 485 kg–nál
kevesebb homokot markol a gép?
9. Egy automata palacktöltőgép cm
3
−ben megadott mennyiségű folyadékot tölt a palackok-
ba. A palackokba, véletlenszerűen, az adott mennyiségtől eltérően hol több, hol kevesebb
kerül. Az X valószínűségi változó jelölje a palackba töltött folyadékmennyiséget. A
palackok tartalmát 12 elemű véletlen minta alapján ellenőrizték és a vizsgálat eredményét
osztályba sorolással a következő táblázatba foglalták:
Folyadékmennyiség (−3, −2) (−2, −1) (−1, 0) (0,1) (1,2) (2,3)
Gyakoriság 1 2 3 3 2 1
Szerkesszük meg a folyadékmennyiség–eltérés sűrűséghisztogramját és egy közelítő tapasz-
talati eloszlásfüggvényt! Számítsuk ki a mintaátlagot, a mediánt, a móduszt, a mediált és
a korrigált tapasztalati szórást! Megközelítően mennyi a valószínűsége, hogy a folyadék-
mennyiség–eltérés 1 cm
3
−nél nagyobb legyen?
10. Az alábbi táblázat a Budapesten július 1−jén mért maximális hőmérsékleteket tartal-
mazza

C–ban. Készítsünk tapasztalati és közelítő tapasztalati eloszlásfüggvényt!
Év H
max
Év H
max
Év H
max
1901 17.2 1921 28.3 1941 24.7
1902 32 1922 22.5 1942 28.3
1903 25.5 1923 25.5 1943 17.8
1904 27.3 1924 30.2 1944 25
1905 32.1 1925 22.6 1945 25.4
1906 17.8 1926 18.2 1946 32.8
1907 32.5 1927 33.7 1947 34.1
1908 26.5 1928 31 1948 17
1909 19.2 1929 25.9 1949 21.8
1910 29.9 1930 32.8 1950 38.3
1911 24.1 1931 30.8 1951 23.1
1912 28.9 1932 31.8 1952 32.4
1913 14.4 1933 22.9 1953 28.6
1914 21.3 1934 25.1 1954 31.4
1915 20.8 1935 30.3 1955 25.3
1916 28 1936 30.2 1956 28.6
1917 31.3 1937 21.8 1957 33
1918 21.2 1938 32.9 1958 26.7
1919 21.8 1939 32.8 1959 21.2
1920 31.1 1940 27.8 1960 17.3
A fenti táblázatban található minta elemeit rangsoroljuk egyenlő szélességű osztályokba
a STURGES–féle szabály, illetve a FREEDMAN–DIACONIS–féle szabály alapján, majd
mindkét esetben szerkesszük meg a közelítő eloszlásfüggvényt! Számítsuk ki az osztá-
lyokba rendezett minta mediánját, mediálját, móduszát, átlagát, korrigált empirikus
szórásnégyzetét, YULE–féle, illetve PEARSON–féle asszimetria mutatóját, és a koncent-
ráltsági együtthatót!
11. A textiliparban az elemi szál szakítóvizsgálatánál 100 méréssel a következő szakadási
értékeket kapták század N–ban, mindjárt nagyság szerinti sorrendbe rakva: 13, 15, 16,
17, 17, 17, 17, 17, 18, 18, 19, 19, 19, 19, 19, 20, 20, 20, 20, 20, 20, 20, 20, 21, 21,
21, 21, 21, 21, 21, 21, 22, 22, 22, 22, 22, 22, 22, 22, 22, 23, 23, 23, 23, 23, 23, 23, 23,
23, 23, 23, 24, 24, 24, 24, 24, 24, 24, 25, 25, 25, 25, 25, 25, 25, 25, 25, 25, 25, 25, 25,
25, 25, 26, 26, 26, 26, 26, 26, 27, 27, 27, 27, 27, 27, 27, 27, 28, 28, 28, 28, 29, 29, 30,
30, 30, 30, 30, 30, 32. Osztályba sorolással [STURGES vagy FREEDMAN–DIACONIS
szabály alapján] állapítsuk meg a szakítóerő átlagát, mediánját, mediálját és móduszát!
Határozzuk meg a mediál–medián eltérésből származó ∆M koncentráltsági együtthatót,
valamint a YULE–féle asszimetria együtthatót!
15
12. Az alábbi táblázatban az EU legnagyobb méztermelő országainak méztermelését tüntet-
tük fel ezer tonnában kifejezve a 2000–2005–ös időszakban:
Ország 2000 2001 2002 2003 2004 2005
SPANYOLORSZÁG 28,86 31,617 35,722 35,279 36,695 37
NÉMETORSZÁG 20,409 25,951 14,62 23,691 25,575 21,232
MAGYARORSZÁG 14,2 13,3 15,2 21,9 19,504 19,714
GÖRÖGORSZÁG 14,356 17,632 15,7 15,7 16,721 15,639
FRANCIAORSZÁG 15,691 15,383 16,2 15 15 15
OLASZORSZÁG 10 10 8 7 8 9
PORTUGÁLIA 4,461 4,538 7,861 7,31 6,737 5,686
Vizsgáljuk meg a méztermelés koncentrációját a HERFINDAHL–féle index segítségével.
Melyik évben volt a legnagyobb a méztermelés koncentrációja? Mérsékelt vagy lényeges
koncentrációról beszélhetünk ebben az évben? Mit állíthatunk az éves átlagtermelésről?
13. Egy üzemben golyókat gyártanak, amelyeket 10 mm átmérőjűre kívánnak készíteni.
Különböző véletlen jellegű hatások miatt azonban ezek nem lesznek mind 10 mm át-
mérőjűek, hanem a méretek a 10 mm közelében szóródnak. Az elkészült golyók közül
100 elemű mintát vettek ki, ezeknek az átmérőjüket megmérték és az eredményeket
az alábbi táblázatban összesítették [csoportosították]. Szerkesszük meg a mérési ered-
ményekhez tartozó eltérés sűrűséghisztogramját, és egy közelítő tapasztalati eloszlásfügg-
vényt! Számítsuk ki a mintaátlagot, a mediánt, a móduszt, a mediált és a korrigált
tapasztalati szórást, majd az 1/10−ed, 1/4−ed, 3/4−ed és 9/10−ed rendű kvantiliseket!
Értékközök (mm–ben) Gyakoriságok
[9.81, 9.84] 1
(9.84, 9.87] 1
(9.87, 9.90] 6
(9.90, 9.93] 12
(9.93, 9.96] 20
(9.96, 9.99] 23
(9.99, 10.02] 21
(10.02, 10.05] 11
(10.05, 10.08] 4
(10.08, 10.11] 0
(10.11, 10.14] 1
14. Az alábbi táblázat 1949–re, 1960–ra, 1990–re és 2001–re vonatkozóan tartalmazza a 2001–
ben Magyarországon városi jogállású települések lakosságának a településnagyság szerinti
megoszlását. Az eredményeket eleve olyanformán adtuk meg, hogy például 1949–ben
a települések első 10%–ban, vagyis 25 településen összesen, a teljes, 2001–ben városi
jogállású településállomány lakosságának 1.55%–a lakott.
% 1949 (%–ban) 1960 (%–ban) 1990 (%–ban) 2001 (%–ban)
0 0 0 0 0
10 1.55 1.65 1.60 1.63
20 4.32 4.44 4.12 4.13
30 8.11 8.25 7.39 7.43
40 13.03 13.14 11.24 11.39
50 19.13 19.07 16.10 16.31
60 26.47 26.00 22.04 22.39
70 35.08 34.19 29.61 30.04
80 45.54 44.49 39.56 40.20
90 61.30 60.23 54.61 55.02
100 100 100 100 100
Számítsuk ki mindegyik esetben a LORENZ–GINI mutatót és ábrázoljuk a LORENZ–
GINI görbéket. Melyik időszakban volt a legnagyobb a lakosság koncentrációja? Elmond-
ható–e, hogy 2001–re 1949–hez képest a magyarországi városállomány úgy változott,
hogy a legnagyobb városok népessége gyorsabban nőtt, mint a kisebbeké, vagyis hogy a
16
népesség koncentrációja emelkedett? Igaz–e, hogy a népesség koncentrációja 1949–hez
viszonyítva 1960–ra emelkedett, viszont 1990–hez viszonyítva 2001–re csökkent?
15. Az alábbi táblázatban a világ legnagyobb méztermelő országainak méztermelését tüntet-
tük fel ezer tonnában kifejezve a 2000–2005–ös időszakban :
Ország 2000 2001 2002 2003 2004 2005
KÍNA 251,839 254,358 267,83 294,721 297,987 298
TÖRÖKORSZÁG 61,091 60,19 74,555 69,54 73,929 82,336
ARGENTINA 93 80 83 75 80 80
EGYESÜLT ÁLLAMOK 99,945 84,335 77,89 82,431 83,272 79,218
UKRAJNA 52,439 60,043 51,144 53,55 57,878 71,462
MEXIKÓ 58,935 59,069 58,89 57,045 56,808 50,631
Vizsgáljuk meg a méztermelés koncentrációját a HERFINDAHL–féle index segítségével.
Melyik évben volt a legnagyobb a méztermelés koncentrációja? Mérsékelt vagy lényeges
koncentrációról beszélhetünk ebben az évben? Mit állíthatunk az éves átlagtermelésről?
16. Egy bizonyos termék előállításával öt cég foglalkozik. Az elmúlt hónapban termelt meny-
nyiség darabban: 20, 30, 150, 500 és 1300. Számítsuk ki a HERFINDAHL indexet!
17. Tegyük fel, hogy a kerti bútorok gyártásával a bázis időszakban 3 cég foglalkozott és az
összes árbevételből való részesedésük nagysága 60%, 30% és 10% volt. A tárgyi időszakra
10–re nőtt e tevékenységgel foglalkozó cégek száma. Az árbevételből való részesedések
pedig a következők voltak %–ban kifejezve: 50, 25, 9, 4, 3, 2, 2, 2, 2, 1. Vizsgáljuk meg
a koncentráció változását a HERFINDAHL–féle, majd a STRÜCK–féle mutató segít-
ségével!
18. A textiliparban az elemi szál szakítóvizsgálatánál 110 méréssel a következő szakadási
értékeket kapták század N–ban, mindjárt nagyság szerinti sorrendbe rakva: 13, 13, 13,
14, 14, 15, 15, 16, 16, 16, 17, 17, 17, 17, 17, 18, 18, 19, 19, 19, 19, 19, 20, 20, 20, 20, 20,
20, 20, 20, 21, 21, 21, 21, 21, 21, 21, 21, 22, 22, 22, 22, 22, 22, 22, 22, 22, 23, 23, 23,
23, 23, 23, 23, 23, 23, 23, 23, 24, 24, 24, 24, 24, 24, 24, 25, 25, 25, 25, 25, 25, 25, 25,
25, 25, 25, 25, 25, 25, 25, 26, 26, 26, 26, 26, 26, 27, 27, 27, 27, 27, 27, 27, 27, 28, 28,
28, 28, 29, 29, 30, 30, 30, 30, 30, 30, 31, 31, 31, 32. Osztályba sorolással [STURGES–
féle, illetve FREEDMAN–DIACONIS–féle szabály szerint] állapítsuk meg a szakítóerő
átlagát, átlagos négyzetes eltérését [szórását], korrigált empirikus szórását, mediánját,
mediálját, móduszát, a Q
1/4
és Q
3/4
kvantiliseket, a YULE–féle asszimetria együtthatót
és a mediál-medián eltérésből származó koncentráltsági együtthatót!
19. Egy felsőoktatási intézményben a tanárok korcsoportonkénti megoszlása a következő:
Korcsoport Nők %-os megoszlása Férfiak %-os megoszlása
20–25 37 19
26–35 34 27
36–45 13 17
46–55 6 15
56–60 10 22
Számítsuk ki és értelmezzük mindkét esetben az átlagos életkort, az életkor móduszát
és mediánját, az alsó és felső kvartiliseket, a szóródás mutatóit, az asszimmetriai mu-
tatószámokat, valamint a koncentráltsági mutatókat.
20. Minőségellenőrzés keretében megvizsgálták egy adott típushoz tartozó elektromos hab-
verők élettartamát. A 120 megfigyelés eredményeként 8–nak az élettartama évben kife-
jezve az [5, 5.5] intervallumban, 28−nak az (5.5, 6]−ban, 50−nek a (6, 6.5]−ban, 24−nek
a (6.5, 7]−ban és 10−nek a (7, 7.5]−ban van. Becsüljük meg az adatsor mediánját,
mediálját és móduszát!
21. Asszimetrikus unimodális eloszlások esetében a következő „szabályra” szokás hivatkozni:
a medián kb. 2 : 1 arányban osztja fel a módusz és a várható érték közötti szakaszt,
azaz megközelítőleg [Me −Mo] : [M(X) −Me] ≈ 2 : 1. Igazoljuk, hogy az exponenciális
eloszlásra tűrhető pontossággal teljesül a módusz, a medián és a várható érték egymáshoz
képesti elhelyezkedésére vonatkozó fenti „szabály”.
17
C. STATISZTIKAI BECSLÉSEK ÉS HIPOTÉZISVIZSGÁLAT [53]
„A matematika szabályai minél inkább
vonatkoznak a valóságra, annál kevésbé
biztosak. Amikor bizonyítást nyernek,
már nem vonatkoznak a valóságra.”
ALBERT EINSTEIN
1. Egy szerves vegyület oxigéntartalmának vizsgálatához 30 mérést végeztünk, melyek alap-
ján az X = 2.75% mintaátlagot és σ = 0.28% szórást kaptuk. Számítsuk ki a várható
értékre vonatkozó 96%−os szintnek megfelelő konfidencia intervallumot.
2. Egy fonal szakítószilárdságának átlaga n = 36 mérésből X = 3.25 N–nak adódott. Az
egész sokaság szórása [előzetes mérésekből kialakított szabványelőírás alapján] nem lehet
több σ = 0.3 N–nál. 95%–os biztonsággal milyen megbízhatósági intervallumba esik az
egész sokaság várható értéke? A szabványelőírás a konfidencia intervallum fél szélességére
legfeljebb d = 0.2−et enged meg. Ha 95%–os biztonsággal azt akarjuk, hogy a várható
érték legalább 3.05, de legfeljebb 3.45 legyen, akkor ennek elérésére hány mérést kell
végeznünk?
3. Hosszú évek tapasztalata alapján Magyarországon a lánycsecsemők élveszületéskori súlya
normális eloszlást követ 3.2 kg átlaggal és 0.6 kg szórással.
a. Mi a valószínűsége, hogy egy véletlenszerűen kiválasztott lánycsecsemő súlya 3 kg és
3.4 kg között van?
b. Mi a valószínűsége, hogy egy 10 elemű minta átlaga 3 kg és 3.4 kg között van?
c. Mi ugyanennek a valószínűsége 100 elemű minta esetén?
d. Milyen intervallumba várhatók a 100 elemű minták átlagai 95%–os valószínűséggel?
e. Szerkesszünk konfidencia intervallumot 95%–os szinten a sokasági átlagra, ha egy
100 elemű minta átlaga 3.1 kg és a sokasági szórás továbbra is az ismert 0.6 kg.
[a b, c és d alpontoknál használjuk a centrális határeloszlás tételének LINDEBERG–
LÉVY–féle alakját, lásd a jegyzetben az 1.3.1 Tételt és az 1.3.3 Példát a 65. oldalon]
4. A TV képcsövek vizsgálatánál 30 darabnak mérték meg az élettartamát, amely közelítőleg
normális eloszlású volt 99%–os biztonsági szinten. Milyen konfidencia intervallumba esik
az egész sokaság várható értéke, ha a tapasztalati várható értéke X = 2200 óra, a korrigált
tapasztalati szórása pedig s

30
= 190 óra?
5. Villanyégők élettartamát normál eloszlásúnak találták, n = 15 égő élettartam átlaga
X = 1200 óra, korrigált tapasztalati szórása s

15
= 186 óra. 99%−os, 98%−os és 95%−os
biztonsági szinten milyen konfidencia intervallumba esik az egész sokaság várható értéke?
6. Egy hajóra szerelt kotrógép egy adott időszakban 5000 puttony kavicsot emel ki. Egy
puttonyának átlagos töltési súlya, 100 mérés alapján, 705 kg. Legyen a töltési súly
normális eloszlású σ = 50 kg szórással.
a. Határozzuk meg a 90%, 95% és 99%–os megbízhatósági szinteknek megfelelő konfi-
dencia intervallumot a töltési súly várható értékére vonatkozóan.
b. Az 5000 puttony közül hányat kell lemérni ahhoz, hogy a konfidencia intervallum
félhossza 95%–os szint mellett 7 legyen?
c. Mi történik, ha az 5000 puttony közül csak 30–at mérünk le, ahonnan kapjuk, hogy
X = 708 kg és s

30
= 52 kg, de nem ismerjük a σ szórást?
d. Hát akkor mi történik, ha az (a) alpontban a σ szórást a 100 mérés alapján számított
s

100
= 51 kg korrigált tapasztalati szórással helyettesítjük?
7. 30 doboz mérése alapján a töltési súly tapasztalati szórására s

30
= 12 g értéket kaptunk.
Határozzuk meg a szórásra a 95%−os konfidencia intervallumot, ha tudjuk, hogy a minta
normális eloszlásból származik.
8. Egy markológépnél véletlenszerűen 16–szor lemérték a kimarkolt homok mennyiségét. A
mérés alapján a kimarkolt homok súlyának tapasztalati szórására s

16
= 15 kg értéket
18
kapták. Határozzunk meg a szórásra 90%–os konfidencia intervallumot, ha tudjuk, hogy
a minta normális eloszlásból származik!
9. Egy vegyület hidrogén tartalmának meghatározására végeztünk méréseket. 12 mérésből
az X = 3.25% átlagot kaptuk. Tegyük fel, hogy ismert a szórás: σ = 0.30%. Számítsuk
ki a várható értékre vonatkozóan a 95%–os szintnek megfelelő konfidencia intervallumot.
10. Starking alma tömegét mérték g–ban, és a 10 elemű minta az alábbi értékeket adta: 150,
158, 156, 151, 155, 155, 154, 152, 155, 154. Feltéve, hogy a minta normális eloszlásból
származik, adjunk 95%–os megbízhatósági szintű konfidencia intervallumot a várható
értékre és a szórás négyzetére!
11. Egy automata gép 200 mm hosszúságú pálcikák előállítására van beállítva. Vajon a
gép által gyártott pálcikák hossza megfelel–e az előírt méretnek? Előzetes adatfelvételből
tudjuk, hogy a gép által gyártott pálcikák hossza normális eloszlású valószínűségi változó,
σ = 3 mm szórással. Az n = 16 elemű minta elemeinek hosszmérete: 193, 198, 203, 191,
195, 196, 199, 191, 201, 196, 193, 198, 204, 196, 198, 200. Elfogadható–e, hogy a pálcikák
hosszának eltérése az előírt mérettől 99.9%−os szinten nem szignifikáns, vagyis az egész
sokaságban a várható érték µ
0
= 200 mm?
12. Egy csokoládégyár speciális 14 dekagrammos csokoládészeletek gyártását kívánta meg-
valósítani egyik gépén, melynek szórása σ = 2 dekagramm volt. A véletlenszerűen
kiválasztott 25 darabos normál eloszlásból származó minta átlaga azonban X = 14.8
dekagrammnak adódott. Feltételezhető–e az eltérés véletlenszerűsége?
13. Egy konzervdoboztöltő adagolóautomata 1000 g anyag betöltésére van beállítva. Mintavé-
tel során az alábbi értékeket kaptuk g–ban kifejezve: 985, 987, 1003, 993, 996, 991, 994,
1004, 1002, 985. Vizsgáljuk meg, hogy 95%–os biztonsági szinten teljesül–e a várható
értékre a µ
0
= 1000 g előírás, azaz a H
0
: µ = µ
0
= 1000 nullhipotézis!
14. Elektromos berendezéshez szükséges alkatrészek ellenállását mérjük az üzembe helyezés
kezdetén és 1000 óra működés után. A mért értékeket és a különbségüket mutatja az
alábbi táblázat 20 mérés esetén. Feltéve, hogy a különbségek normális eloszlást követnek,
arra szeretnénk választ kapni, hogy az ellenállás várható értéke szignifikánsan változott–e
a működés kezdetén és végén.
Ellenállásértékek
Működés kezdetén 1000 óra működés után Különbségek
130.2 131.4 1.2
128.4 128.5 0.1
131 130.1 −0.9
131.3 131.5 0.2
128 127.8 −0.2
126.8 127.1 0.3
129.9 130.2 0.3
130.3 130.5 0.2
132.1 131.3 −0.8
128.6 129.6 1
128.9 128.2 −0.7
131 131.5 0.5
130.5 130.6 0.1
129.1 127.2 −1.9
127.6 129.3 1.7
128.7 128.5 −0.2
128.5 129.3 0.8
129.2 129.4 0.2
127.3 127.1 −0.2
130.5 129.2 −1.3
15. A csapolt sörhab vastagsága közismerten normális eloszlást követ. Egy vendéglátóipari
egységben a tulajdonos előírása, hogy ez a vastagság nem haladhatja meg átlagosan
19
az 5 mm–t. 25 véletlenszerűen kiválasztott korsó esetében X = 6 mm, s

25
= 3 mm.
Ellenőrizzük, teljesül–e az előírás 5%–os szignifikancia szinten!
16. Egy konzervgyár mindkét próbaüzembe állított gépén 300 grammos konzervek gyártását
kezdte meg. Legyen a gépenként véletlenszerűen kiválasztott 7–6 doboz töltősúlya az
X−re, illetve az Y −ra vonatkozó 6 elemű minta. Az X elemei: 305, 317, 308, 300,
314, 316, 300, és az Y elemei: 300, 301, 303, 288, 294, 296. Ellenőrizzük, hogy 95%–os
megbízhatósági szinten teljesül–e a H
0
: σ
1
= σ
2
nullhipotézis, ha σ
1
az X elméleti
szórása és σ
2
az Y elméleti szórása!
17. Laboratóriumi mérleghez kétféle tárasúlyt azonos súlyúra kell méretezni. Az egyikre
végzett n = 9 független mérés során X = 0.1672 [század N], a másikra m = 16 független
mérésből Y = 0.1683 [század N] mintaátlagot kaptunk. A mérési eredmények igen jó
közelítésben normál eloszlást mutatnak. A mérőeszköz szórása [egyúttal a két minta
elméleti szórása] σ = 0.0012. 95%−os megbízhatósági szinten elfogadható-e, hogy a két
sokaságban a várható érték megegyezik?
18. Egy áramszolgáltató vállalat 200 véletlenszerűen kiválasztott háztartásban tételesen el-
lenőrzi, hogy egy hónapban a telefonon bediktált fogyasztási adatok megfelelnek–e a
valóságnak. A mintában egy adott hónapban átlagosan 5 kWh–val kevesebbet diktál-
tak be, 25 kWh szórással. Szignifikánsan kevesebbet vallottak–e be 95%–os szinten a
tényleges fogyasztásnál az áramszolgáltató fogyasztói?
19. Egy üdítőital gyárban egy évben nagyszabású felmérést végeznek arra vonatkozóan, hogy
mennyi idő múlva kerül vissza a gyárba a visszaváltható palack, azaz hány napos a forgási
sebesség, mekkora tőkét kell lekötni palackok formájában. Több ezer palackot jelölnek
meg vonalkóddal és regisztrálják visszaérkezéskor, hogy hány napot töltött a megfelelő
palack a gyáron kívül. Ez alapján az eredmény az, hogy a forgási sebesség átlagosan
42 nap, 11 nap szórással, és a napok száma jó közelítéssel normális eloszlást követ. A
következő évben spórolás céljából egy jóval kisebb vizsgálatot terveznek, véletlenszerűen
kiválasztott 50 palackot jelölnek meg. A mintában az átlag 47 nap 14 nap szórással.
Ellenőrizzük 5%–os szignifikancia szinten, hogy szignifikánsan változtak–e a paraméterek
az előző évhez képest!
20. Starking alma tömegét mérték g–ban, és a 10 elemű minta az alábbi értékeket adta: 150,
158, 156, 151, 155, 155, 154, 152, 155, 154. Feltéve, hogy a minta normális eloszlásból
származik, 95%–os megbízhatósági szinten elfogadható–e a minta alapján az a feltételezés,
hogy az almák tömegének szórása nem haladja meg az átlaguk 1.5%−át?
21. Állatokon végzett bizonyos kezelés hatását vizsgáljuk a testsúlynövekedésre vonatkozóan.
Az alábbi táblázat mutatja a gyarapodást dekagrammban:
Súlygyarapodás
Kezelteknél 53 59 63 67 60 57 73 65 58 68 62 71
Nem kezelteknél 61 52 47 51 58 64 60 55 49 53
Igaz-e, hogy a kezelt állatoknál nagyobb a gyarapodás várható értéke, mint a nem kezel-
teknél?
22. Vizsgáljuk meg, hogy egy új készítési eljárás csökkenti–e a beton normális eloszlású
törőszilárdságát! Az egyik és a másik eljárással készített próbakocka törőszilárdsága
10N/cm
2
−ben kifejezve:
I. eljárás 305 317 308 300 314 316
II. eljárás 300 301 303 288 294 296
23. Két borpalackozó gép által a palackokba töltött mennyiségeket megmérték. Az egyik gép
által a palackokba töltött mennyiség ml–ben kifejezve: 742, 746, 743, 748, 748, 750, 745,
744, 753, 750, 751, 743, 747, 749, míg a másik gép által töltött mennyiség: 749, 748,
748, 753, 750, 749, 747, 745, 744, 751. p = 0.05 megbízhatósági szinten vizsgáljuk meg a
µ
1
= µ
2
hipotézis helyességét, ahol µ
1
és µ
2
a két gép által töltött mennyiségek várható
értéke!
20
24. Kúpgörgős csapágy belső gyűrűjének kúpszögét mérjük egy hitelesített A műszerrel és egy
hitelesítendő B műszerrel. Az A műszeren végzett mérés eredménye, X normál eloszlású,
a B műszeren végzett mérés eredménye, Y szintén normál eloszlású. Akkor tekinthető
hitelesnek a B műszer is, ha a H
0
: µ
1
= µ
2
hipotézis fennáll, ahol µ
1
az X várható
értéke és µ
2
az Y várható értéke. A mérések alapján megállapított részeredmények: az A
műszeren végzett 100 mérés során a mintaátlag X = 0.471 és a korrigált emprikus szórás
1.269, míg a B műszeren szintén 100 mérés során a mintaátlag Y = 0.625 és a korrigált
empirikus szórás 0.754. Hitelesnek tekinthető–e a B műszer?
25. Egy kockát 1400–szor feldobva az egyes számok gyakoriságára a következőket kaptuk:
228–szor dobtunk 1–est, 240–szer 2–est, 224–szer 3–ast, 237–szer 4–est, 235–ször 5–öst
és 236–szor 6–ost. Szabályosnak tekinthető–e a kocka?
26. Oktatáskutatók véleménye szerint az egyetemi oktatás hatékonyabb kis– és középcso-
portos oktatási formában, mint nagy hallgatói létszámú csoportokban. E feltételezés
tesztelésére egy alapozó tárgyat az egyetemen kis– és nagycsoportos formában egyaránt
meghirdették. Mindegyik kurzust ugyanaz a tanár oktatta. A félév végén a vizsgát a
hallgatók közösen írták. Az eredmények az alábbiak:
Kis– és középcsoport Nagy csoport
Mintanagyság 9 12
Átlagos pontszám 75 71
Tapasztalati szórás 15 12
Ellenőrizzük 5%–os szignifikancia szinten, hogy a kis– és középcsoportos oktatás hatéko-
nyabb–e?
27. Az X karakterisztika jelentse a négygyermekes családokban a lányok számát. Egy 32
elemű véletlen minta alapján azt találták, hogy 4 családban nem volt lány, 10 családban
1 lány, 8 családban 2 lány, 7 családban 3 lány és 3 családban 4 lány volt. 0.01−es
szignifikancia szinten ellenőrizzük le, hogy az X binomiális eloszlású–e!
28. Egy kockát 60–szor feldobva az egyes számok gyakoriságára a következőket kaptuk: 15–
ször dobtunk 1–est, 7–szer 2–est, 4–szer 3–ast, 11–szer 4–est, 6–szor 5–öst és 17–szer
6–ost. Szabályosnak tekinthető–e a kocka?
29. Egy fogyasztóvédelmi akciócsoport 10 véletlenszerűen kiválasztott vendéglőben teszteli
Sepsiszentgyörgyön, hogy hány lejjel károsítják meg őket, majd megbüntetik a tévesen
számlázókat, illetve széleskörűen hirdetik az eredményeket, hogy a többi vendéglős fi-
gyelmét is felhívják a problémára. Egy hónap múlva újabb 15 véletlenszerűen kiválasztott
vendéglő kerül sorra. Az eredmények:
Első razzia Második razzia
Mintanagyság 10 15
Túlszámlázás átlagos összege (lejben) 26 22
Tapasztalati szórás 64 82
A tévedések normális eloszlása és a két időpontbeli szórás egyezősége feltételezhető. El-
lenőrizzük, hogy szignifikánsan csökkent–e az átlagos túlszámlázás nagysága, 5%–os szig-
nifikancia szinten!
30. Tegyük fel, hogy egy adagolóautomata működésének vizsgálatához 174 doboz mérését
végezték el. A grammokban adott névleges tömegértéktől való eltérés értékeit osztályba
sorolva az alábbi táblázatot kapták:
0 −1.5 1.5 −3.5 3.5 −4.5 4.5 −5.5 5.5 −7.5 7.5 −9.5 9.5 −11.5 11.5 −13
12 25 22 24 35 26 19 11
Feltehető–e, hogy az előírt tömegértéktől való eltérések normális eloszlásúak?
31. A légi közlekedésben fontos figyelemmel kísérni az utasok átlagos testsúlyát, hogy egyrészt
ne terheljék túl a gépet, másrészt ne repüljön a gép fölösleges kapacitással. Ezért időről
időre ellenőrzik, hogy a felnőtt utasok testsúlya nem tér–e el a feltételezettől. A légitár-
saság a terhelést 78 kg–os átlagos testsúlyra és 11 kg–os szórásra tervezi. A feltételezés
ellenőrzése céljából megmérték 100 véletlenszerűen kiválasztott utas súlyát, akik között
21
44 nő volt. A mérés eredménye kg–ban kifejezve: 7 utas testsúlya az [50, 60], 15 utas
testsúlya a (60, 70], 32 utasé a (70, 80], 28 utasé a (80, 90], 13 utasé a (90, 100] és 5
utasé a (100, 110] intervallumban volt. Végezzük el az eloszlás normalitására vonatkozó
feltételezés ellenőrzését!
32. Egy gyermek játékszer fizikai terhelhetőségére elvégzett próbatesztelések a következő
mérési eredményekre vezettek [kg–ban kifejezve]: 40, 45, 39, 42, 37, 44, 45, 46, 41,
43, 40, 45, 42, 38, 39, 44, 41, 43, 46, 42, 39, 48, 46, 41, 44.
a. Határozzuk meg az adatok empirikus eloszlásfüggvényét, empirikus várható érékét,
és korrigált empirikus szórásnégyzetét!
b. Henry–féle egyenes és χ
2
próba alkalmazásával végezzünk normalitásvizsgálatot!
c. Ezután tegyük fel, hogy a terhelhetőség normális eloszlású a becslésből adódó szórás-
sal és adjunk meg egy olyan intervallumot, amely a terhelhetőség várható értékét
95%–os valószínűséggel tartalmazza!
d. Teszteljük azt a hipotézist, hogy a terhelhetőség várható értéke 40 kg–mal azonos!
e. Ezután tegyük fel még azt is, hogy a terhelhetőség várható értéke a mintaelemek
átlaga. Mi a valószínűsége, hogy egy játékszer terhelhetősége 15 és 28 kg közé esik?
f. Mi a valószínűsége, hogy egy játékszer terhelhetősége nem éri el a 13 kg–ot?
g. Mi a valószínűsége, hogy egy játékszer terhelhetősége eléri a 46 kg–ot?
h. Adjunk meg egy olyan intervallumot, amelybe egy találomra kiválasztott játékszer
terhelhetősége 0.9 valószínűséggel esik bele!
[az e, f, g és h pontoknál a teoretikus, tehát nem a mintából számolt értékeket kell
meghatározni!]
33. 15 egyén testmagasságára a következő mérések adódtak: 171, 177, 183, 169, 172, 179, 177,
173, 180, 174, 178, 179, 175, 176, 181 [cm]. Az adatok szórása ismeretlen. Adjunk meg egy
olyan intervallumot, amely a várható magasságot 95%–os valószínűséggel tartalmazza,
majd 5%–os szignifikancia szinten teszteljük azt a nullhipotézist, hogy a várható magasság
178 cm! Feltételezhető–e, hogy a testmagasság normális eloszlású?
34. Egy város rendőrsége szerint az éjszakai betörések száma egyenletesen oszlik meg a hét
napjain. Egy heti megfigyelés alapján a betörések száma az alábbi volt: hétfőn 6, kedden
8, szerdán 5, csütörtökön 7, pénteken 12, szombaton 17 és vasárnap 15 betörést jegyeztek
fel. Ellenőrizzük 0.05 szignifikancia szinten, hogy igaz–e a rendőrség állítása!
35. Félig érett és érett gyümölcsökre egyaránt 120 −120 mérést végeztek annak eldöntésére,
hogy a vízben oldható szárazanyag tartalom különbözik–e a mintában. A mérési ered-
mények a következők: 29 félig érett és 68 érett szárazanyag tartalma 0 −10% között, 38
félig érett és 31 érett szárazanyag tartalma 10 − 20% között, 53 félig érett és 21 érett
gyümölcs szárazanyag tartalma 20% feletti volt. A minta alapján feltehetően változik–e
a szárazanyag tartalom az érés során?
36. Gyermekgyógyász szívspecialisták foglalkoztak azzal a kérdéssel, hogy a veleszületett
rendellenességek összefüggésben vannak–e az anyát a terhesség első 3 hónapjában sújtó
megbetegedésekkel [kivéve a vírusos megbetegedést, amelyeket külön vizsgáltak]. Az
összes vizsgált, rendellenességgel született gyermeknél és a véletlenszerűen választott 100
fős kontrollcsoportban a következő volt az eredmény:
Az anya beteg volt Az anya nem volt beteg Összesen
A gyermek rendellenes 26 184 210
A gyermek nem rendellenes 5 95 100
Összesen 31 279 310
A kapott kontingenciatáblázat alapján döntsük el, függetlennek tekinthető–e az anyáknál
történő megbetegedés a gyermekek veleszületett rendellenességétől!
37. Csapágygyűrűknél fontos minőségi jellemző a belső átmérő (R1) és a külső átmérő (R2).
Az átmérő nagysága alapján az elkészült gyűrűket három kategóriába soroljuk: jó, javít-
ható, selejtes. Találomra kiválasztunk n = 200 darabot annak ellenőrzésére, hogy a
külső és a belső átmérő független–e egymástól. Nullhipotézisünk az, hogy független,
22
ellenhipotézisünk az, hogy nem. Döntsünk χ
2
próbával az alábbi kontingenciatáblázat
alapján.
R2 jó R2 javítható R2 selejtes Összesen
R1 jó 169 8 1 178
R1 javítható 9 4 1 14
R1 selejtes 1 3 4 8
Összesen 179 15 6 200
38. Egy adott típusú, érszűkületet okozó gyógyszeres kezelés hatását vizsgálták a páciensek
vérnyomására nézve. Előzetes több ezres mérés alapján ismert, hogy az egészséges pá-
ciensek körében a systoles vérnyomásérték várható értéke 120 Hgmm és a szórása 10
Hgmm. Az érszűkületet okozó gyógyszert szedő páciensek közül egy 40 elemű mintát
vettek és a vérnyomásértékek [Hgmm–ben] a következők: 126, 130, 135, 116, 122, 126,
128, 130, 123, 124, 140, 125, 120, 121, 140, 135, 115, 135, 132, 128, 126, 125, 115, 117,
121, 125, 129, 124, 131, 127, 127, 125, 140, 115, 110, 112, 125, 143, 122, 135.
a. Igazoljuk [95%, 96%, 99% megbízhatósági szinten], hogy a vérnyomás értékek elosz-
lása normális eloszlásból származik [az osztályba sorolásnál használjuk a FREED-
MAN–DIACONIS szabályt].
b. Hasonlítsuk össze az egészséges páciensek átlagos systoles vérnyomás értékét az
érszűkületet okozó gyógyszert szedő páciensek átlagos systoles vérnyomás értékével
[95%, 96%, 99% megbízhatósági szinten]. Igaz–e, hogy az érszűkületet okozó gyógy-
szert szedő páciensek átlagos systoles vérnyomás értéke szignifikánsan nagyobb mint
az egészséges páciensek átlagos systoles vérnyomás értéke?
c. Adjunk meg az érszűkületet okozó gyógyszert szedő páciensek átlagos systoles vér-
nyomás értékére konfidencia intervallumot [95%, 96%, 99% megbízhatósági szinten].
Ha a konfidencia intervallum [95%, 96%, 99% megbízhatósági szinten] hossza legfen-
nebb 8 Hgmm lehet, akkor legalább hány mérést kell elvégezni?
39. Közlekedésbiztonsági szervek 1000 személyi sérüléses közúti balesetet vizsgáltak meg asze-
rint, hogy milyen súlyos volt a baleset és a baleset alkalmával a sérült viselt-e biztonsági
övet. A kapott eredmények az alábbiak voltak:
Baleset kimenetele Viselt övet Nem viselt övet Összesen
Könnyű 440 160 600
Súlyos 100 200 300
Halálos 60 40 100
Összesen 600 400 1000
Ellenőrizzük alkalmas próbával, hogy a baleset kimenetele független–e attól, hogy az illető
viselt–e biztonsági övet!
40. Kutatások igazolják, hogy a reumatoid artritis betegségben szenvedő betegeknél nagyobb
az esélye a csontritkulásnak. A hipotézis tesztelésére 40 reumatoid artritis betegségben
szenvedő beteget vizsgáltak meg és megmérték a kalcitonin szintjüket. Előzetes, több
ezres mérés alapján ismert, hogy az egészséges páciensek körében a kalcitonin szint átlagos
értéke 47,9 pg/ml. A mérési eredmények [pg/ml–ben kifejezve] a következők: 26, 31, 24,
44, 30, 37, 37, 35, 39, 48, 19, 35, 36, 27, 39, 38, 20, 34, 21, 23, 45, 32, 37, 33, 24, 34, 40,
26, 28, 34, 25, 46, 38, 29, 42, 27, 43, 46, 39, 40.
a. Igazoljuk [95%, 96%, 99% megbízhatósági szinten], hogy a kalcitonin szint értékek
eloszlása normális eloszlásból származik [az osztályba sorolásnál használjuk a STUR-
GES–féle szabályt].
b. Hasonlítsuk össze a reumatoid artritisben szenvedő betegek átlagos kalcitonin szint
értékét az egészséges páciensek átlagos kalcitonin szint értékével, egy alkalmas próba
segítségével [95%, 96%, 99% megbízhatósági szinten]. Igaz–e, hogy a reumatoid ar-
tritisben szenvedő betegek átlagos kalcitonin szint értéke szignifikánsan kisebb mint
az egészséges páciensek átlagos kalcitonin szint értéke?
23
c. Adjunk meg a reumatoid artritisben szenvedő páciensek átlagos kalcitonin szint
értékére konfidencia intervallumot [95%, 96%, 99% megbízhatósági szinten]. Ha a
konfidencia intervallum [95%, 96%, 99% megbízhatósági szinten] hossza legfennebb
8 pg/ml lehet, akkor legalább hány mérést kell elvégezni?
41. Egy marketinggel foglalkozó cég vezetője arra kíváncsi, hogy jól kiképzett munkatársainak
ügynöki teljesítménye független–e az életkortól. Az adatokat úgy gyűjtötték, hogy egy
adott termékből egy hónap alatt hány darabot sikerült az ügynöknek eladni. A 600 elemű
minta adatai:
Életkor/Eladások száma 5 és 9 között 10 és 15 között 16 és 20 között Összesen
30 év allatiak 50 80 70 200
30 és 40 év között 80 90 90 260
40 év felettiek 60 50 30 140
Összesen 190 220 190 600
Befolyásolja–e az életkor az ügynökök munkájának eredményességét?
42. Egy megye 60 ezer személygépkocsi tulajdonosa közül véletlenszerűen kiválasztottak 50–
et a gépkocsijavítási igények és a gépkocsi típusa közti kapcsolat jellegének feltárására.
A mintát a következő kontingencia-tábla mutatja:
A gépkocsi A gépkocsi A gépkocsi A gépkocsi Összesen
meghibásodása esetén azt nagy értékű közepes értékű szerény értékű
– maga javítja 1 3 11 15
– ismerőse javítja 0 3 7 10
– magánszervíz javítja 4 7 2 13
– márkaszervíz javítja 1 3 8 12
Összesen 6 16 28 50
Vizsgáljuk meg 5 %–os szignifikancia szinten, hogy a gépkocsijavítási igények és a gépkocsi
típusa függetlennek tekinthető–e?
43. A cipők talpfelerősítési szilárdsága véletlentől függő változó. 30 pár cipő vizsgálatánál a
következő értékeket kapták [10 N/cm–ben]: 1.5, 2.35, 2.55, 2.65, 3, 3.05, 3.25, 3.55, 3.65,
3.75, 3.79, 3.85, 3.89, 3.95, 3.97, 3.99, 4.01, 4.06, 4.26, 4.39, 4.65, 4.67, 4.75, 4.83, 4.94,
5.15, 5.35, 5.46, 5.57, 6.
a. STURGES–féle szabály használatával soroljuk osztályokba a mért értékeket! Számít-
suk ki az így kapott minta mediánját, 1/4−ed és 3/4−ed rendű kvantiliseit, majd a
YULE–féle asszimetria együtthatóját! Mire következtethetünk a YULE–féle együtt-
ható értéke alapján? Mutassuk ki, hogy az adatok alapján a talpfelerősítési szilárd-
ság eloszlása jól közelíthető normál eloszlással! [szerkesszük meg a sűrűséghisz-
togramot]
b. Erősítsük meg az a alpontbeli állításunkat egy alkalmas próbával, azaz az a alpont-
beli osztályba sorolás felhasználásával igazoljuk [95%−, 96%−, 99%−os megbízható-
sági szinten], hogy a talpfelerősítési szilárdság eloszlása normális eloszlásból szár-
mazik!
c. Adjunk meg a talpfelerősítési szilárdság [ismeretlen] átlagos értékére konfidencia in-
tervallumot [95%−, 96%−, 99%−os megbízhatósági szinten]. Ha a konfidencia inter-
vallum [95%−, 96%−, 99%−os megbízhatósági szinten] hossza legfennebb 0.75 [10
N/cm] lehet, akkor legalább hány mérést kell elvégezni?
d. Egy szabvány előírás szerint a cipők átlagos talpfelerősítési szakító szilárdság értéke
3.8 [10 N/cm]. Alkalmas próbával [95%−, 96%−, 99%−os megbízhatósági szinten]
döntsük el, hogy a 30 mérés átlaga megfelel–e a szabványelőírásnak!
e. Egy másik alkalommal 20 pár cipő talpfelerősítési szilárdságát mérték. A mért
értékek [10 N/cm–ben]: 1.65, 2.35, 2.75, 3.15, 3.45, 3.55, 3.65, 3.75, 3.85, 3.95,
4.05, 4.15, 4.2, 4.25, 4.35, 4.45, 4.75, 5.15, 5.5, 5.75. Feltételezve, hogy a 20 elemű
minta szintén normál eloszlásból származik, vizsgáljuk meg [95%−, 99%−os, illetve
95%−, 96%−, 99%−os megbízhatósági szinten] a 30 és 20 elemű minták szórásainak,
illetve várható értékeinek eggyezőségét!
24
44. Egy acélüzemben az A–50–es acél szakítási szilárdságának ellenőrzésére az egész sokaság-
ból 31 mérést végeztek. A mért értékek [N/mm
2
−ben]: 470, 481, 483, 488, 489, 490, 491,
492, 493, 493, 495, 496, 497, 498, 499, 500, 501, 502, 504, 505, 506, 507, 508, 509, 512,
514, 516, 519, 529, 530.
a. FREEDMAN–DIACONIS–féle szabály használatával soroljuk osztályokba a mért
értékeket! Számítsuk ki az így kapott minta mediánját, 1/4−ed és 3/4−ed rendű
kvantiliseit, majd a YULE–féle asszimetria együtthatóját! Mire következtethetünk
a YULE–féle együttható értéke alapján? Mutassuk ki, hogy az adatok alapján a
szakítószilárdság eloszlása jól közelíthető normál eloszlással! [szerkesszük meg a
sűrűséghisztogramot]
b. Erősítsük meg az a alpontbeli állításunkat egy alkalmas próbával, azaz az a alpont-
beli osztályba sorolás felhasználásával igazoljuk [95%−, 96%−, 99%−os megbízható-
sági szinten], hogy az A–50–es acél szakítószilárdság eloszlása normális eloszlásból
származik!
c. Adjunk meg a szakítószilárdság [ismeretlen] átlagos értékére konfidencia intervallu-
mot [95%−, 96%−, 99%−os megbízhatósági szinten]. Ha a konfidencia intervallum
[95%−, 96%−, 99%−os megbízhatósági szinten] hossza legfennebb 10 [N/mm
2
] lehet,
akkor legalább hány mérést kell elvégezni?
d. Az acélüzem szabvány előírása szerint az A–50–es acél átlagos szakító szilárdság
értéke 500 N/mm
2
. Alkalmas próbával [95%−, 96%−, 99%−os megbízhatósági szin-
ten] döntsük el, hogy a 31 mérés átlaga megfelel–e az acélüzem követelményeinek!
e. Ugyanabban az acélüzemben, egy másik alkalommal, szintén az A–50–es acél sza-
kítási szilárdságát ellenőrizték és az egész sokaságból 21 mérést végeztek. A mért
értékek [N/mm
2
−ben]: 473, 485, 489, 492, 493, 494, 495, 496, 497, 497, 499,
502, 506, 511, 512, 513, 514, 515, 516, 517, 525. Feltételezve, hogy a 21 elemű
minta szintén normál eloszlásból származik, vizsgáljuk meg [95%−, 99%−os, illetve
95%−, 96%−, 99%−os megbízhatósági szinten] a 31 és 21 elemű minták szórásainak,
illetve várható értékeinek eggyezőségét!
45. Egy acélüzemben a C–10 5 órás diffúziósan izzított acélnál a hajlító határfeszültségre a
következő értékeket mérték [N/mm
2
−ben]: 111, 115, 129, 139, 142, 146, 152, 164, 167,
168, 169, 171, 172, 173, 174, 175, 182, 184, 188, 193, 198, 213, 218, 226.
a. FREEDMAN–DIACONIS–féle szabály használatával soroljuk osztályokba a mért
értékeket! Számítsuk ki az így kapott minta mediánját, 1/4−ed és 3/4−ed rendű
kvantiliseit, majd a YULE–féle asszimetria együtthatóját! Mire következtethetünk
a YULE–féle együttható értéke alapján? Mutassuk ki, hogy az adatok alapján a
hajlító határfeszültség eloszlása jól közelíthető normál eloszlással! [szerkesszük meg
a sűrűséghisztogramot]
b. Erősítsük meg az a alpontbeli állításunkat egy alkalmas próbával, azaz az a alpont-
beli osztályba sorolás felhasználásával igazoljuk [95%−, 96%−, 99%−os megbízható-
sági szinten], hogy a hajlító határfeszültség eloszlása normális eloszlásból származik!
c. Adjunk meg a hajlító határfeszültség [ismeretlen] átlagos értékére konfidencia inter-
vallumot [95%−, 96%−, 99%−os megbízhatósági szinten]. Ha a konfidencia interval-
lum [95%−, 96%−, 99%−os megbízhatósági szinten] hossza legfennebb 25 [N/mm
2
]
lehet, akkor legalább hány mérést kell elvégezni?
d. Az acélüzem szabvány előírása szerint a C–10 5 órás diffúziósan izzított acél átla-
gos hajlító határfeszültsége 170 N/mm
2
. Alkalmas próbával [95%−, 96%−, 99%−os
megbízhatósági szinten] döntsük el, hogy a 24 mérés átlaga megfelel–e az acélüzem
követelményeinek!
e. Ugyanabban az acélüzemben, egy másik alkalommal, szintén a C–10 5 órás diffúz-
iósan izzított acél hajlító határfeszültségét ellenőrizték és az egész sokaságból 21
mérést végeztek. A mért értékek [N/mm
2
−ben]: 113, 118, 125, 128, 140, 143, 150,
160, 162, 163, 165, 170, 176, 177, 178, 182, 183, 184, 185, 186, 210. Feltételezve,
25
hogy a 21 elemű minta szintén normál eloszlásból származik, vizsgáljuk meg [95%−,
99%−os, illetve 95%−, 96%−, 99%−os megbízhatósági szinten] a 24 és 21 elemű
minták szórásainak, illetve várható értékeinek eggyezőségét!
46. SWEDBERG svéd fizikus a BROWN–mozgás tanulmányozása során 518 megfigyelést
végzett vízben lebegő aranyszemcsékre vonatkozólag. Észlelései szerint adott térfoga-
trészben 112–szer egyetlen aranyszemcse sem volt, 168–szor talált 1 szemcsét, 130–szor 2
szemcsét, 69–szer 3–at, 32–szer 4–et, 5–ször 5–öt, 1–szer 6–ot és 1–szer 7–et. Számítsuk ki
ezekből az eredményekből az aranyszemcsék számára vonatkozó relatív gyakoriságokat,
az észlelt aranyszemcsék számának átlagértékét, majd hasonlítsuk össze az így kapott
adatokat a megfelelő POISSON eloszlás tagjaival. Vizsgáljuk meg [95%−, 99%−os meg-
bízhatósági szinten], hogy leírható–e az adatsor POISSON eloszlással! [megj. a POISSON
eloszlás ismeretlen λ paraméterét a mintaátlaggal becsüljük és így becsléses illeszkedés
vizsgálatot kell használnunk]
47. Egy dombos területen két nyári hónapon át naponta mérték a hajnali minimum–hőmérsék-
letet egy kiválasztott domb tetején és a nála 30 m–rel mélyebben fekvő völgyfenéken. Az
észlelt értékek az alábbi osztályközös gyakoriságokban fordultak elő. Igazoljuk [95%−,
96%−, 99%−os megbízhatósági szinten], hogy a dombtető és a völgyfenék nyári hajnali
minimum–hőmérsékleteinek eloszlása lényegesen különbözik egymástól.
Hőmérséklet [

C] 6 – 10 10 – 12 12 – 14 14 – 16 16 – 20 Összesen
Dombtető 6 13 12 18 11 60
Völgyfenék 17 20 12 6 5 60
Összesen 23 33 24 24 16 120
48. Vizsgáljuk meg [95%−, 99%−os megbízhatósági szinten], hogy a Tisza Szegednél mért évi
maximális vízállásai ugyanazt az eloszlást követték–e 1876–1925 között, mint 1926–tól
1975–ig. A méterben megadott adatok az alábbiak:
Maximális Gyakoriság Gyakoriság
vízállás 1876–1925 1926–1975
V < 5 5 10
5 ≤ V < 6 11 11
6 ≤ V < 7 13 13
7 ≤ V < 8 13 10
8 < V 8 6
49. 250 napon át egy autóúton történt balesetek számát feljegyezve a következő adatsor adó-
dott:
Balesetek száma 0 1 2 3 4 5
Napok száma 100 70 45 20 10 5
Vizsgáljuk meg, hogy leírható–e a fenti adatsor POISSON eloszlással! [megj. a POISSON
eloszlás ismeretlen λ paraméterét a mintaátlaggal becsüljük és így becsléses illeszkedés
vizsgálatot kell használnunk]
50. Vizsgáljuk egy növényállomány állapotát két betegség (X és Y ) szempontjából! A két
betegség nem zárja ki egymást, egyes egyedeken mindkettő tünetei megjelennek. 300
egyedet választunk ki a populációból véletlenszerűen, és a tünetek erőssége alapján szám-
láljuk össze a minta megfigyelt gyakoriságait:
Y/X Gyenge Közepes Erős Összesen
Gyenge 34 18 24 76
Közepes 24 40 49 113
Erős 42 30 39 111
Összesen 100 88 112 300
Ellenőrizzük alkalmas próbával [95%−, 99%−os megbízhatósági szinten], hogy a két beteg-
ség megjelenése, illetve intenzitása független–e egymástól!
51. Egy évben egy egyetem nappali tagozatára jelentkezők közül 30 fős mintát vettek egysz-
erű véletlen kiválasztással. A mintában szereplő felvételizők összes pontszáma [amely a
tapasztalatok szerint szimmetrikus eloszlást követ] a következő volt: 118, 103, 101, 119,
26
121, 72, 75, 127, 106, 102, 100, 116, 115, 99, 97, 115, 114, 97, 79, 88, 112, 113, 109, 90,
110, 92, 111, 108, 94, 107.
a. FREEDMAN–DIACONIS–féle szabály használatával soroljuk osztályokba a fenti
adatokat! Számítsuk ki az így kapott minta mediánját, 1/4−ed és 3/4−ed rendű
kvantiliseit, majd a YULE–féle asszimetria együtthatóját! Mire következtethetünk
a YULE–féle együttható értéke alapján? Mutassuk ki, hogy az adatok alapján a
felvételizők pontszámának eloszlása jól közelíthető normál eloszlással! [szerkesszük
meg a sűrűséghisztogramot]
b. Erősítsük meg az a alpontbeli állításunkat egy alkalmas próbával, azaz az a alpont-
beli osztályba sorolás felhasználásával igazoljuk [95%−, 99%−os megbízhatósági sz-
inten], hogy a felvételizők pontszámának eloszlása ténylegesen normális eloszlásból
származik!
c. Adjunk meg a felvételizők [ismeretlen] átlagos pontszámértékére konfidencia inter-
vallumot [95%−, 99%−os megbízhatósági szinten]. Ha a konfidencia intervallum
[95%−, 99%−os megbízhatósági szinten] hossza legfennebb 4 lehet, akkor legalább
hány fős mintát kell vizsgálni?
d. Több éves tapasztalat alapján ismert, hogy a felvételizők átlagos pontszáma 100.
Alkalmas próbával [95%−, 99%−os megbízhatósági szinten] döntsük el, hogy a 30
fős minta átlaga megegyezik–e a várt 100–as pontszámmal!
e. Ugyanazon az egyetemen, egy másik alkalommal, szintén a nappali tagozatra je-
lentkezők közül egy 20 fős mintát vettek egyszerű véletlen kiválasztással. Ebben a
mintában szereplő felvételizők összes pontszáma [amely a tapasztalatok szerint szin-
tén szimmetrikus eloszlást követ] a következő volt: 84, 100, 109, 120, 79, 102, 90, 108,
98, 93, 119, 105, 114, 125, 117, 116, 110, 101, 95, 96. Feltételezve, hogy a 20 elemű
minta szintén normál eloszlásból származik, vizsgáljuk meg [95%−, 99%−os meg-
bízhatósági szinten] a 30 és 20 elemű minták szórásainak, illetve várható értékeinek
eggyezőségét!
52. Egy városban kis számú felmérés segítségével megvizsgálták, hogyan függ össze a vallásos-
ság a politikai attitűdökkel. Az egyszerűség kedvéért itt két egyszerűsített változóval
vizsgáljuk az összefüggés meglétét. Az 518 elemű minta adatai:
Pártállás/Felekezet Ortodox Katolikus és más Összesen
Kormánypárti 126 99 225
Ellenzéki 71 162 233
Semleges 19 41 60
Összesen 216 302 518
Döntsük el a következő kijelentés helyességét: több mint 95%-os valószínűséggel állítható,
hogy szignifikáns összefüggés van a politikai pártállás és a felekezeti hovatartozás között!
53. 60 egyenlő nagyságú területről a betakarított répatermés mennyisége [tonnában kifejezve]
nagyság szerint rendezve: 70, 76, 76.2, 78.1, 79.5, 79.8, 79.8, 80.5, 80.9, 81, 81.6, 82, 82.5,
83.5, 84.1, 84.8, 84.8, 84.9, 85.3, 86.2, 86.8, 86.9, 87, 87.1, 87.3, 87.3, 87.8, 88, 89.1, 89.2,
89.2, 89.5, 89.7, 89.8, 89.9, 89.9, 90.5, 90.8, 91.4, 91.6, 91.9, 92.5, 92.6, 92.6, 92.8, 92.9,
93.2, 94.1, 94.2, 94.5, 95, 95, 95.4, 96.3, 96.3, 98.2, 99, 101.5, 104.5, 112. Tekintsük ezeket
az adatokat egy X valószínűségi változóra [mely most az adott területen termett répa
mennyiségét jelenti] kapott mintának.
a. STURGES–féle szabály használatával soroljuk osztályokba a fenti adatokat! Számít-
suk ki az így kapott minta mediánját, 1/4−ed és 3/4−ed rendű kvantiliseit, majd a
YULE–féle asszimetria együtthatóját! Mire következtethetünk a YULE–féle együtt-
ható értéke alapján? Mutassuk ki, hogy az adatok alapján az X eloszlása jól közelít-
hető normál eloszlással! [szerkesszük meg a sűrűséghisztogramot]
b. Erősítsük meg az a alpontbeli állításunkat egy alkalmas próbával, azaz az a alpont-
beli osztályba sorolás felhasználásával igazoljuk [95%−, 99%−os megbízhatósági
27
szinten], hogy a betakarított répatermés mennyiségének eloszlása ténylegesen nor-
mális eloszlásból származik!
c. Adjunk meg a betakarított répatermés mennyiségének [ismeretlen] átlagos értékére
konfidencia intervallumot [95%−, 99%−os megbízhatósági szinten]. Ha a konfidencia
intervallum [95%−, 99%−os megbízhatósági szinten] hossza legfennebb 6 lehet, akkor
legalább hány területről kell a termést vizsgálni?
d. Több éves tapasztalat alapján ismert, hogy a betakarított répatermés mennyiségének
átlagos értéke 88. Alkalmas próbával [95%−, 99%−os megbízhatósági szinten] dönt-
sük el, hogy a 60 egyenlő nagyságú területről betakarított répatermés mennyiségének
átlaga megegyezik–e a várt 88–as értékkel!
e. Egy másik alkalommal, szintén arról a 60 egyenlő nagyságú területről egy 20 elemű
mintát vettek egyszerű véletlen kiválasztással. Ebben a mintában a betakarított
répatermés mennyisége [amely a tapasztalatok szerint szintén szimmetrikus eloszlást
követ] a következő volt: 65, 66, 70, 71, 75, 81, 82, 85, 86, 87, 89, 91, 92, 97, 99, 100,
103, 105, 108, 109. Feltételezve, hogy a 20 elemű minta szintén normál eloszlásból
származik, vizsgáljuk meg [95%−, 99%−os megbízhatósági szinten] a 60 és 20 elemű
minták szórásainak, illetve várható értékeinek eggyezőségét!
D. ÚTMUTATÁS a táblázatokhoz [7]
1. A standard normal distribution.jpg fájlban a standard normál eloszlás eloszlásfüggvényének értékei talál-
hatók négytizedesnyi pontossággal. Például a tizenkettedik sorban és az ötödik oszlopban található
0.8729 a standard normál eloszlás Φ eloszlásfüggvényének értéke 1.14−ben, vagyis Φ(1.14) = 0.8729. Ez
Excelben a következőképpen kapható meg: NORMSDIST(1.14)=0.872856799. Most tegyük fel, hogy az
egymintás, vagy kétmintás u próba kvantiliseit akarjuk meghatározni. Ekkor a következőképpen járunk
el: ha az u
0.99
kvantilist akarjuk meghatározni, akkor azt a számot keressük, amelyben a Φ értéke
0.99. Mivel a huszonnegyedik sorban és a harmadik, illetve negyedik oszlopban a 0.9898, illetve 0.9901
értékek találhatók, ezért megközelítőleg kapjuk, hogy u
0.99
= 2.33. Ugyanezt Excelben a következőképpen
kaphatjuk meg: NORMSINV(0.99)=2.326341928.
2. A Fisher-Snedecor distribution1.jpg, Fisher-Snedecor distribution2.jpg, Fisher-Snedecor distribution3.jpg és
Fisher-Snedecor distribution4.jpg fájlokban a jobboldali F próbához tartozó F
df
1
−1,df
2
−1,1−p
kvantilisek
vannak feltüntetve p = 0.01 és p = 0.05 rögzített szignifikancia szinten [azzal a kikötéssel, hogy a df
1
sza-
badsági fok mindig nagyobb vagy egyenlő mint a df
2
szabadsági fok]. Így például az F
6,5,0.99
kvantilist
a Fisher-Snedecor distribution1.jpg fájlban az ötödik sorban és a hatodik oszlopban találjuk: 10.672.
Ugyanez Excelben: FINV(0.01,6,5)=10.6722382. Hasonlóképpen az F
6,5,0.95
kvantilist a Fisher-Snedecor
distribution3.jpg fájlban, az ötödik sorban és a hatodik oszlopban találjuk: 4.9503. Ugyanez Excelben:
FINV(0.05,6,5)=4.950294397.
3. A Student distribution.pdf fájl az egymintás vagy kétmintás kétoldali t próba kvantiliseit tartalmazza.
Például a p = 0.05 szignifikancia szintű, kétoldali t próbához tartozó t
9,1−p/2
= t
9,0.975
kvantilist a Student
distribution.pdf fájlban a kilencedik sorban és a hatodik oszlopban találjuk: t
9,0.975
= 2.262. Ugyanez
Excelben: TINV(0.05,9)=2.262158887. Mivel a táblázatbeli értékek kétoldali próbára vonatkoznak, ezért
a jobboldali t próba esetén az értékeket át kell számítani. Például, ha rögzített p = 0.05 szignifikancia
szintű jobboldali t próbához akarjuk kiszámítani a t
20,1−p
= t
20,0.95
kvantilist, akkor ezt az értéket
a huszadik sorban és az ötödik oszlopban kell keresnünk: 1.725. Excelben ugyanezt a t
20,1−2·0.05/2
=
t
20,1−0.1/2
átalakítás miatt a következőképpen kapjuk meg: TINV(0.1,20)=1.724718004.
4. A chi square distribution.pdf fájlban a jobboldali χ
2
próba kvantilisei vannak feltüntetve különböző szig-
nifikancia szinteken. Például a p = 0.05 szignifikancia szintű jobboldali χ
2
próbához tartozó χ
2
9,0.95
kvan-
tilist a chi square distribution.pdf fájlban a kilencedik sorban és a hetedik oszlopban találjuk: 16.92. Ex-
celben ezt a következőképpen kapjuk: CHIINV(0.05,9)=16.91896016. Azonban, ha kétoldali χ
2
próbához
keressük a kvantiliseket, akkor hasonlóképpen járunk el, mint az F próbánál. Tegyük, fel, hogy a szig-
nifikancia szint p = 0.05. Ekkor kétoldali χ
2
próbához a χ
2
15,p/2
, azaz a χ
2
15,0.025
= χ
2
15,1−0.975
kvantilist
a tizenötödik sorban és a harmadik oszlopban kell keresnünk: 6.26. Excelben ugyanez a következő: CHI-
INV(0.975,15)=6.262122945. Hasonlóképpen kapjuk a χ
2
15,1−p/2
= χ
2
15,0.975
kvantilist. A tizenötödik sor-
ban és a nyolcadik oszlopban a megfelelő érték 27.49, amelyet Excelben a CHIINV(0.025,15)=27.48836466
azonosságból kapunk.

2

12.

13. 14. 15.

16.

17.

18.

19.

csakis az egyiken] páros számot dobnak. Ha más eset fordul elő egyik sem fizet. Milyen pénzösszegben állapodjanak meg, hogy a játék méltányos legyen? Egy csomag magyar kártyacsomagból találomra kihúzunk egy lapot. Vegye fel X a kártya pontértékét! [alsó: 2, felső: 3, király: 4, ász: 11, hetes: 7, nyolcas: 8, kilences: 9, tízes: 10] Adjuk meg és ábrázoljuk az X eloszlásfüggvényét! Várhatóan mennyi a találomra kihúzott kártya pontértéke? Egy X valószínűségi változó eloszlásfüggvénye F (x) = sin x, ha x ∈ [0, π/2] [máshol az F a nulla értéket veszi fel]. Határozzuk meg az X várható értékét és szórását! Legyen X egy dobókockával dobott szám. Mennyi X szórása? Mi a helyzet n oldalú „kocka” esetén? Az X valószínűségi változó lehetséges értékei legyenek az 1, 2, 3, 4, . . . számok. Ezeket vegye fel az y, x, x2 , x3 , . . . valószínűséggel, ahol x, y ∈ (0, 1). Igazoljuk, hogy az így definiált valószínűségi változó várható értéke nagyobb, mint egy. Ha Andor egy kockával első kísérletre hatost dob, akkor Zsolttól 1$–t kap. Ha a második dobásra sikerül először a hatos, akkor 2$–t kap, ha a harmadikra, akkor 3$–t kap, stb. Mennyi pénzt várhat ettől a játéktól Andor? Egy bizonyos vizsgáztatónál a vizsgáztatás időtartamának, mint valószínűségi változónak a sűrűségfüggvénye: f (x) = 5x4 /32, ha x ∈ (0, 2) [máshol az f a nulla értéket veszi fel]. Határozzuk meg a vizsgáztatás idejének várható értékét és szórását! Legyen X eloszlásfüggvénye F : R → [0, 1] a következőképpen értelmezett 1 1 F (x) = arctan x + . π 2 Számítsuk ki az X várható értékét és szórását! Tegyük fel, hogy egy étteremben a vendégek ebédidőben eltöltött idejét, percekben mérve, a következő eloszlásfüggvény jellemzi:  ha x ≤ 0  0,     x/60, ha x ∈ (0, 30] 1/2, ha x ∈ (30, 60] . F (x) =   x/120, ha x ∈ (60, 120]    1, ha x > 120 Ábrázoljuk ezt a függvényt! Mekkora annak a valószínűsége, hogy egy vendég az étteremben 30 percnél több időt tölt el? Mennyi a valószínűsége, hogy 45 percnél tovább marad? Hát annak mennyi a valószínűsége, hogy egy vendég 1 óránál több, de 1 óra 30 percnél kevesebb időt tölt el az étteremben? Legyenek az X diszkrét valószínűségi változó lehetséges értékei xk = k, és ezeket vegye k fel pk = kCn valószínűséggel, ahol k ∈ {0, 1, . . . , n}. Számítsuk ki az X várható értékét! Egy alkatrész élettartamának sűrűségfüggvénye f (x) = 2/x3 , ha x > 1 [máshol az f nulla értéket vesz fel]. Mit állíthatunk az alkatrész élettartamának átlagáról? Hát a szórásáról? Legyen p, q ∈ (0, 1) ú.h. p + q = 1. Alkothatnak–e a q, pq, p2 q, . . . , pk−1 q, . . . számok valószínűségeloszlást, ha k ∈ {1, 2, 3, . . . }? Legyen X olyan diszkrét valószínűségi változó, amelynek lehetséges értékei az xk = (−1)k 2k /k számok, és a megfelelő valószínűségek rendre pk = P (X = xk ) = 1/2k , ahol k ∈ {1, 2, 3, . . .}. Mutassuk meg, hogy a pk számok valószínűségeloszlást alkotnak, és hogy X−nek nincs várható értéke! Igazoljuk, hogy ha az X és Y valószínűségi változók függetlenek, akkor D2 (X + Y ) = D2 (X) + D2 (Y ).

20. 21. 22. 23.

24.

25. Három kockával dobunk. Számítsuk ki a dobott számok összege eloszlásfüggvényének az x = 5.9 helyen felvett értékét! 26. Igazoljuk, hogy M 2 (XY ) ≤ M (X 2 )M (Y 2 ), ahol X és Y tetszőleges valószínűségi változók.

Az ezekhez tartozó p1 .5 milliárd lej között lesz? Mi a valószínűsége annak. Egy X valószínűségi változó sűrűségfüggvénye: 0. p5 valószínűségek [ebben a sorrendben] számtani sorozatot alkotnak. Mekkora az a értéke? Mekkora valószínűséggel esik X a (2. hogy a kifizetések összege 2. hogy milyen kapcsolat van a binomiális eloszlás és a POISSON eloszlás között! Egy család 4 gyermeket tervez. amely percenként ugrik. a λ paraméterű. 37. Ennek alapján becsüljük meg. p3 . amikor odaérünk. exponenciális eloszlású. A kocogj velünk mozgalom keretében tavaly futóversenyt rendeztek a Duna–kanyarban. hogy fiú születik 0. P (a < X ≤ b) = F (b) − F (a) − P (X = a) + P (X = b) 29. hogy a kifizetések összege 5 milliárd lej felett lesz? Mennyi pénzt kell tartani a fiókban. és p1 = 1/10. 5. 75−ön pedig két kullancsot. 31. ha 95%−os valószínűséggel akarjuk biztosítani a kifizetések teljesítését? Egy gyárban 1200 mm hosszúságú tengelyt szeretnének gyártani. és addig próbálkozik. (1 − x)2 f (x) = 30. normális eloszlású. hogy a kifizetések összege 3 milliárd lej alatt lesz? Mi a valószínűsége annak. A pályát sajnos kullancsal fertőzött területen át vezették. p2 . POISSON eloszlású és az n−edrendű. Az így kapott darabok közül hány százalék lesz megfelelő? A világűrből egy idegen vírus érkezik a sztratoszférába. Mi a valószínűsége annak. 34. 36. A szülések esetében az újszülött neme független az előzőleg született gyermekek nemétől. ha x > 2 . ameddig először talál. becsüljük meg annak a valószínűségét. ha x < 2 a . A tengelyhossz ingadozása az 1200 mm körül normális eloszlású 40 mm szórással. ha hossza kevesebb mint 50 mm—rel tér el a várt értéktől. Mutassuk meg. 32. hogy n perc után pontosan k vírus legyen? Ha pn. Mi a valószínűsége. Kiderült.k jelöli annak a valószínűségét. amely exponenciális eloszlást követ 12 óra várható értékkel. hogy ha F az X eloszlásfüggvénye. P (a ≤ X ≤ b) = F (b) − F (a) + P (X = b) b. Legyenek az X diszkrét valószínűségi változó lehetséges értékei 1. 39. 1) valószínűséggel osztódik egy perc alatt ketté [magával azonos vírust hoz létre]. akkor fennállnak a következő egyenlőségek: a. 40. percekben mérve 1/3 paraméterű exponenciális eloszlású. Írjuk fel az X valószínűségeloszlását! 28.7 és 4.51 [megjegyzés: a genetikusok ezt az Y kromoszóma gyorsaságával magyarázzák].6 milliárd lej és σ = 0. hogy a versenyzők közül 300−an találtak magukban egy. p paraméterű. Határozzuk meg ezt az eloszlást! Egy utcai telefonfülke foglalt. 33. σ) paraméterű. 4. hogy körülbelül hányan indultak a versenyen! Egy kosárlabdázó p valószínűséggel dob a kosárba. 3. Mennyi a valószínűsége. Válaszoljunk a következő kérdésekre: Mi a valószínűsége annak. hogy 5 perc múlva sem kerülünk sorra? Egy bankfiókban a napi kifizetés összege normális eloszlást követ. akkor a mért élettartam diszkrét eloszlást követ. hogy 200 véletlenszerűen kiválasztott ember között legalább négy balkezes van. Egy gyermek születésekor annak valószínűsége. p4 . 35. Egy munkadarabot elfogadhatónak tekintünk. binomiális eloszlású valószínűségi változó várható értékét és szórását! Mutassuk meg. hogy a k−adik dobásnál esik a labda a kosárba? Adott egy „örökifjú” tulajdonságú alkatrész. 38.9 milliárd lej paraméterekkel. Írjuk fel a fiúgyermekek és lánygyermekek számának valószínűségeloszlását! Feltéve. hogy a balkezesek aránya átlagosan 1%. a λ paraméterű. 3) intervallumba? Határozzuk meg annak az X valószínűségi változónak az eloszlásfüggvényét. P (a < X < b) = F (b) − F (a) − P (X = a) c. a dobott számok összegét jelenti! Ábrázoljuk ezt a függvényt! Számítsuk ki a (µ. A beszélgetés hossza véletlen. amely két kockával dobva. hogy . A vírus p ∈ (0. 2. µ = 3. Ha az élettartamát olyan digitális órával mérjük.3 27.

2 2. A fogpiszkálók hossza µ cm várható értékű. Mi a valószínűsége. akkor nem nyerünk. 41. Egy zárthelyi dolgozatban 10 feleletválasztós kérdést tesznek fel. hogy egységnyi időn belül pontosan két telefonkészülék fog csörögni? 47. 43. A zacskók súlyát µ = 100 g. Mennyi a valószínűsége annak.k = (1 − p) · pn−1. Mindegyikük 100 lövése közül átlagosan 80 talál. Mennyi az esélye annak. hogy egy véletlenszerűen kiválasztott ügynökjelöltet több. Hány zseton lesz nyereségünk várható értéke µ−vel kifejezve? Milyen µ−re lesz nyereségünk várható értéke maximális? 44. Egy szobában öt telefon van. Véletlenszerűen kihúzunk egy fogpiszkálót egy dobozból és a következőt játsszuk: ha X < 5 cm. véletlenszerűen tippelget.5 0 1 1. 3} esetén.6 2.5 2 1. ha X ∈ [5. aminek a súlya 99 g és 101 g közé fog esni? 46. melyek közül bármelyik megszólalhat a többiektől függetlenül X időn belül.8 3 Figure 1. hogy a sorozáson megjelenő férfiak körében a systoles vérnyomásérték várható értéke 130 Hgmm és a szórása 12 Hgmm.4 1. Várhatóan a férfiaknak hány %−a esik a 140−150 Hgmm tartományba.6 1. Egy hallgató egyáltalán nem készült. hogy három véletlenszerűen kiválasztott zacskó között legalább egy olyan van. Mekkora annak a valószínűsége. 0. ahol X egy λ = 1 paraméterű exponenciális eloszlású valószínűségi változó. hogy minden kérdésre jól felel? Hát annak mi a valószínűsége. akkor 12 zsetont nyerünk. akkor igazoljuk. hogy 4 kérdésre jól felel? Várhatóan hány kérdésre találja el a választ és milyen szórással? . Egy cég ügynökök betanításával foglalkozik. Mi a valószínűsége. háromnál több találat lesz a céltáblán? 45.8 2 2. Öt katona lő céltáblára. a szükséges idő normális eloszlást követ 6 óra szórással. normális eloszlású X valószínűségi változó. ha X > 6 cm.4 2. hogy minden n. σ = 2 g paraméterű normális eloszlásúnak tekinthetjük. hogy egyszerre leadva egy lövést.2 1. Tegyük fel. ha a vérnyomás értékek eloszlása normális eloszlást követ? 42. A tapasztalatok szerint az ügynökök betanításához átlagosan 25 órára van szükség.k−1 .4 hogy n perc után pontosan k vírus van. 2.5 cm szórású. akkor 8 zsetont nyerünk.5 1 0. 6].k + p · pn−1. hogy a szükséges tanítási idő 22 és 30 óra között lesz? 3 2. Egy automata zacskókba cukorkát adagol. k ≥ 1 esetén pn. amelyeknél 4 válaszlehetőség közül kell kiválasztani a helyeset. A PARETO eloszlás sűrűségfüggvénye a ∈ {1. mint 31 órát kell oktatni? Hát annak mi a valószínűsége.

75. A polóniumatom bomlási ideje exponenciális eloszlású valószínűségi változó. Annak valószínűsége. s a korábbi évek tapasztalatai szerint a biztosítottak 3%−a okoz balesetet. hogy az adott biztosítónál szerződött 200 egyetemista közül legfeljebb 5 okoz balesetet ebben az évben? 58. hogy 0.5 0. hogy n másodperc után a bolha az origóból az m abszcisszájú pontba kerül! 56.9 1 Figure 2.7 0. hogy egy zsák krumpli súlya az előírttól 50 dkg–mal többel tér el. Normális eloszlás alkalmazásával mire következtethetünk ebből a zsákok súlyának szórására vonatkozóan? 2. . és szórását! 53. Legyen az X valószínűségi változó a találati pont és a tábla középpontja közötti távolság. Minden másodpercben p valószínűséggel ugrik jobbra és 1 − p valószínűséggel balra.001. Egy löveg tüzel egy 1200 m távoli célpontra. hogy júliusban a hőmérséklet normális eloszlású.5 0 0 0. ha a találat a célhoz 50 m–nél közelebb esik. ha azt akarjuk.3 0. Számítsuk ki annak a valószínűségét. hogy 2000 lövés közül legalább két lövés célba talál? 57. Mekkora a valószínűsége.5 valószínűséggel elbomlik. sűrűségfüggvényét. vagy éppen 190 cm? 50.8 0. hogy nem változtak a körülmények. Azt mondják a zöldségesek. A beta eloszlás sűrűségfüggvénye a = b = 0. A körön bármely területre való érkezés valószínűsége arányos az adott terület mérőszámával. Hány érmét kell feldobni ahhoz.6 0. Hatásosnak tekintünk egy lövést.5 48. Határozzuk meg annak a valószínűségét.5 1 0. minden lövésnél 0. hogy 100 esetből körülbelül ötször fordul elő. hogy a hőmérséklet 28◦ C és 34◦ C közé esik! 52. Egy évfolyam 400 hallgatójának magassága normális eloszlású 170 cm–es átlaggal és 16 cm szórással. a = b = 1 és a = b = 4 esetén.5−nél ne legyen kisebb annak a valószínűsége. Egy kör alakú. várható értékét.4 0. Hány hallgató tartozik a 166 cm és 182 cm közötti magassági intervallumba? Hány hallgató nagyobb. A lőtávolság ingadozása az 1200 m körül normális eloszlású 40 m szórással. szórása 4◦ C. r sugarú céltáblára lövünk. hogy a 6−os dobások száma legalább 2 legyen? 51. Feltételezve. Előzetes mérések alapján tudjuk. A lövések hány százaléka lesz hatástalan? 54. 55. hogy egy löveg célba talál. hogy egy ilyen atom 140 nap alatt 0. Tegyük fel.2 0. A számegyenes egész koordinátájú pontjain egy bolha ugrál. mekkora a valószínűsége. Hányszor dobjunk fel egy kockát. átlaga 26◦ C. hogy 90%−nál nagyobb legyen az esély arra. Határozzuk meg az X eloszlásfüggvényét. hogy legyen köztük fej? 49.1 0.5 2 1. Egy biztosító társaság egyetemistáknak kínál gépkocsi biztosításokat.

mint a lányoké? Egy számítógéphez 4 egymástól függetlenül működő lemezegység tartozik.6 0.7 0. Számítsuk ki annak valószínűségét. hogy fa sűrűségfüggvény. míg Fa eloszlásfüggvény: fa (x) = ax−a−1 . ∞) → (0. melyet a µ = 0 és σ > 0 paraméterű normális eloszlás pozitív értékekre csonkított eloszlása jellemez. −∞ 1 0. Mekkora annak a valószínűsége. és igazoljuk. 65. mi a valószínűsége annak. 1). lásd Figure 1]. hogy egy adott oldalon legalább 2 sajtóhiba van? Biztosítótársaságok adatai alapján megállapítható. 1) függvényeket [PARETO eloszlás. Ha az adatfeldolgozás elvégzéséhez legalább 2 hibátlan lemezegység kell.b . hogy egy terhesség 283 vagy annál kevesebb napig tart? Megfigyelések szerint Sepsiszentgyörgyön 1000 újszülött közül átlagosan 516 a fiú. Határozzuk meg. és 484 a lány. hogy egy adott oldalon pontosan 2 sajtóhiba van! Hát annak mennyi a valószínűsége.6 59. 1) függvényeket [beta eloszlás. mi annak a valószínűsége. mint az. hogy az adatfeldolgozás sikeresen befejezhető? Ábrázoljuk az fa : (1. hogy bizonyos káresetek során a kár értékének nagysága olyan valószínűségi változó. az öngyilkosságok száma POISSON eloszlásúnak tekinthető] Tegyük fel. Mire tippel.b : (0. Fa. 66. 1) → (0. ∞) → (0.1 0 −10 −8 −6 −4 −2 0 2 4 6 8 10 Figure 3. amelyeket az alábbi relációkkal értelmezünk. Írjuk fel a kérdéses csonkított eloszlás sűrűségfüggvényét! Számítsuk ki a kárösszeg várható értékét! A terhességek hossza normális eloszlást követ 268 napos átlaggal és 15 napos szórással. 63. és igazoljuk.b : (0. Ábrázoljuk az fa. amikor egy polóniumatom 95%–os valószínűséggel elbomlik? Háromszor olyan valószínű. Az egyes lemezegységek 6·10−4 valószínűséggel hibásodhatnak meg. a > 0. hogy egy 500 oldalas könyvben véletlen eloszlásban 300 sajtóhiba van. hogy egy évben 2 ember öli magát a Marosba. Fa : (1.3 0. hogy 5. 1) → (0. hogy senki sem lesz így öngyilkos egy év alatt? Átlagosan hány ember választja az öngyilkosságnak ezt a módját? [megj. amelyeket az alábbi relációkkal értelmezünk.4 0. hogy egy terhesség 308 vagy annál több napig tart! Hát annak mennyi a valószínűsége.2 0. Mennyi a polóniumatom várható élettartama és szórása? Mekkora az az időtartam. 64. hány ember öli magát a Marosba egy évben? Mi a valószínűsége. ∞). lásd Figure 2]. hogy egy 6 gyermekes családban a fiúk száma pontosan annyi. 62. 61.5 0. A logisztikus eloszlás sűrűségfüggvénye és eloszlásfüggvénye. 60. hogy fa.9 0.8 0. x x Fa (x) = −∞ fa (t)dt = a t−a−1 dt.

míg F eloszlásfüggvény: f (x) = e−x . és igazoljuk. EULER–féle beta függvény és a. amelyeket az alábbi relációkkal értelmezünk. 1) → (0. F (x) = −∞ f (t)dt = 1 π x −∞ 1 t(1 − t) dt. Φ : R → (0. Fa : (0.9 0.4 0.7 sűrűségfüggvény. F : (0. és igazoljuk. míg Fa eloszlásfüggvény: fa (x) = axa−1 . és igazoljuk.6 0.5 esetén]. 1) függvényeket [hatvány eloszlás. −∞ 69. 1) → (0.8 0. A standard normális eloszlás sűrűségfüggvénye és eloszlásfüggvénye. ∞). 1) → (0.b (x) = xa−1 (1 − x)b−1 . hogy f sűrűségfüggvény.1 0 −6 −4 −2 0 2 4 6 Figure 4. Ábrázoljuk a ϕ : R → (0. F : R → (0. (1 + e−t )2 1 0.b (t)dt = 1 B(a. 67. .2 0. b) x −∞ ta−1 (1 − t)b−1 dt.7 0. amelyeket az alábbi relációkkal értelmezünk. míg Φ eloszlásfüggvény: e−x /2 . és igazoljuk. 1). ahol B(a. lásd Figure 3]. Ábrázoljuk az fa : (0. lásd beta eloszlás b = 1 esetén]. B(a.3 0. 1) függvényeket [logisztikus eloszlás. lásd Figure 4]. 70.5 0. 1) függvényeket [árkusz szinusz eloszlás. amelyeket az alábbi relációkkal értelmezünk. x x Fa (x) = −∞ fa (t)dt = a ta−1 dt. hogy fa sűrűségfüggvény. Ábrázoljuk az f : (0. b > 0. ∞). Ábrázoljuk az f : R → (0. ∞). 68. 1) → (0. a > 0. b) x Fa. (1 + e−x )2 x x F (x) = −∞ f (t)dt = −∞ e−t dt.b (x) = −∞ fa.b eloszlásfüggvény: fa. b) az ún. hogy ϕ sűrűségfüggvény. míg Fa. lásd beta eloszlás a = b = 0. hogy f sűrűségfüggvény. míg F eloszlásfüggvény: f (x) = 1 π 1 x(1 − x) x . 1) függvényeket [standard GAUSS–féle normális eloszlás. ϕ(x) = √ 2π 2 Φ(x) = 1 ϕ(t)dt = √ 2π −∞ x x −∞ e−t 2 /2 dt.

25 0. Ábrázoljuk az fa : (0.05 0 −4 −3 −2 −1 0 1 2 3 4 Figure 6. Fa eloszlásfüggvény: xa−1 e−x /2 fa (x) = a/2−1 .1 0.45 0.8 0. Fa : (0. 71. 0. a = 3 esetén MAXWELL eloszlás. 3.15 0. lásd Figure 5]. 7} esetén és a standard normális eloszlás sűrűségfüggvénye [amely a fenti ábrán a nullában a legnagyobb értéket felvevő]. . ∞) → (0. hogy fa sűrűségfüggvény.25 0. 5. 6. 4. 2. 2 Γ(a/2) 2 x Fa (x) = −∞ fa (t)dt = 21−a/2 Γ(a/2) x −∞ ta−1 e−t 2 /2 dt. 4. 5} esetén. EULER–féle gamma függvény és a > 0. ahol a → Γ(a) az ún. A STUDENT eloszlás sűrűségfüggvénye n ∈ {1. 1) függvényeket [khi eloszlás.15 0.3 0.05 0 0 1 2 3 4 5 6 Figure 5.1 0. A khi eloszlás sűrűségfüggvénye a ∈ {3.4 0. amelyeket az alábbi relációkkal értelmezünk.2 0.35 0. ∞). és igazoljuk.2 0. ∞) → (0.

hogy amikor az n minden határon túl nő. .m eloszlásfüggvény: fn. és igazoljuk.m : [0. } függvényeket [FISHER–SNEDECOR eloszlás. ∞) → (0. amelyeket az alábbi relációkkal értelmezünk. 3. míg Fn. ∞).5 0. míg a második azonosság azt mutatja meg.m (t)dt = Γ n+m 2 Γ n 2 x −∞ (nt + m) n+m 2 dt. 2. 1 0.5 1 1. m ∈ {1. lásd Figure 7]. .5 3 3. 2.4 0.m (x) = x Γ Γ n+m 2 n m 2 Γ 2 n 2 m 2 x 2 −1 (nx + m) n2 m 2 Γ m 2 n m n+m 2 n m n . lásd Figure 6] 73. 1].7 0. hogy (2n)!! 1 √ (w) lim = n→∞ (2n − 1)!! 2n + 1 π 1 Γ n+1 x2 2 és lim √ · 1+ n n→∞ 2 n nπ Γ 2 − n+1 2 e−x /2 = √ .5 4 4.9 72. 3. n. A FISHER–SNEDECOR eloszlás sűrűségfüggvénye n = m = 1. } függvényeket [STUDENT eloszlás]. 4 esetén. . amelyeket az alábbi relációkkal értelmezünk. hogy Fn (x) + Fn (−x) = 1 minden x ∈ R és n ∈ {1. t 2 −1 n Fn. Fn (x) = fn (t)dt = √ 1+ n n nπ Γ 2 −∞ −∞ Továbbá igazoljuk.2 0. . ∞). 2. míg Fn eloszlásfüggvény: 1 Γ n+1 x2 2 fn (x) = √ · 1+ n nπ Γ n 2 x − n+1 2 .9 0. 2π 2 [megjegyzés: (w)–ben az első azonosságot WALLIS formulának nevezzük. − n+1 x 2 1 Γ n+1 t2 2 dt. n ∈ {1. Ezenkívül igazoljuk.6 0. . Fn. . . .m : [0.3 0. Ábrázoljuk az fn. hogy fn. . } esetén. Ábrázoljuk az fn : R → (0.5 5 Figure 7.m (x) = −∞ fn. hogy fn sűrűségfüggvény.5 2 2. ∞) → [0. azaz a STUDENT eloszlás eloszlásfüggvénye közzéppontosan szimmetrikus [akárcsak a standard normál eloszlás eloszlásfüggvénye]. és igazoljuk. 1).1 0 0 0. . 2. Fn : R → (0. akkor a STUDENT eloszlás sűrűségfüggvénye a standard normális eloszlás sűrűségfüggvényéhez tart.8 0.m sűrűségfüggvény.

5 3 Figure 8.8 0. míg Fa eloszlásfüggvény! 1. λ > 0. 1) függvényeket [khi négyzet eloszlás. hogy fλ sűrűségfüggvény. t3/2 ahol a > 0. Ábrázoljuk az fλ : [0. Igazoljuk. ∞). míg Fa eloszlásfüggvény! 77. hogy fa sűrűségfüggvény. 2π x3/2 x Fa (x) = −∞ fa (t)dt = a · 2π x −∞ e−a/(2t) dt. ∞) → (0. és igazoljuk. 2a/2 Γ(a/2) x Fa (x) = −∞ fa (t)dt = 1 a/2 Γ(a/2) 2 x −∞ ta/2−1 e−t/2 dt.5 2 2. ∞). 1) függvényeket [LÉVY eloszlás. Igazoljuk.10 74. 4} esetén. amelyeket az alábbi relációkkal értelmezünk fa (x) = axa−1 e−x . A WEIBULL eloszlás sűrűségfüggvénye a ∈ {2. 3. a −∞ ahol a > 0. amelyeket az alábbi relációkkal értelmezünk fa (x) = a e−a/(2x) · .5 1 1. a = 2 esetén RAYLEIGH eloszlás. −∞ 75. ∞) → (0.6 1. Ábrázoljuk az fa : (0. lásd Figure 9]. ∞). Ábrázoljuk az f : R → (0. és igazoljuk. ∞). Ábrázoljuk az fa : (0.6 0. ∞). 1) függvényeket [CAUCHY eloszlás]. Igazoljuk. ∞) → (0. ahol a > 0. π 1 + x2 x F (x) = −∞ f (t)dt = 1 π x −∞ 1 dt.2 0 0 0. 76. ∞) → (0. F : R → (0. amelyeket az alábbi relációkkal értelmezünk. lásd Figure 8].2 1 0. x x Fλ (x) = −∞ fλ (t)dt = λ e−λt dt. lásd Figure 10]. amelyeket az alábbi relációkkal értelmezünk fa (x) = xa/2−1 e−x/2 . míg F eloszlásfüggvény: f (x) = 1 1 . ∞) → (0. 1 + t2 78. Ábrázoljuk az fa : (0. a x x Fa (x) = −∞ fa (t)dt = a ta−1 e−t dt. ∞) → (0. ∞) → [0. míg Fa eloszlásfüggvény! . Fλ : [0. Fa : (0. míg Fλ eloszlásfüggvény: fλ (x) = λe−λx . hogy fa sűrűségfüggvény.4 0. hogy f sűrűségfüggvény. Fa : (0. 1] függvényeket [exponenciális eloszlás].4 1. ∞) → (0. hogy fa sűrűségfüggvény. Fa : (0. amelyeket az alábbi relációkkal értelmezünk. 1) függvényeket [WEIBULL eloszlás.

4h ahol h > 0 paraméter. ∞) → (0.05 0 0 2 4 6 8 10 12 14 16 18 20 Figure 9. melynek sűrűségfüggvénye f (x) = 0. Hány órás működésre szóljon a garancia. és igazoljuk. Gázmolekulák sebessége ún. Mennyi a valószínűsége. B(a.11 0. 79.2 0. Γ(a) = 0 e−t ta−1 dt = 2 0 1 ∞ e−t t2a−1 dt = 0 2 1 (− ln t)a−1 dt = xa 0 ∞ ∞ ta−1 e−xt dt. 4. hogy minden a. a másik meg nem? [az egyes csövek élettartamát tekintsük egymástól független valószínűségi változóknak] . ha x ≤ 0 3 x2 e−x2 h2 /√π. 1) függvényeket [gamma eloszlás]. A gyár a csövekre garanciát vállal.25 0. ha x > 0 . A khi négyzet eloszlás sűrűségfüggvénye a ∈ {2. míg Fa eloszlásfüggvény: fa (x) = xa−1 e−x . (1 + t)a+b 81. ha n egy tetszőleges természetes szám? Hát mennyi Γ(2008)? Igazoljuk.1 0. 6} esetén. ha a gyár legfeljebb 5% garanciaigényt kíván kielégíteni? Most tegyük fel. Mennyi Γ(n + 1). b) = 0 xa−1 (1 − x)b−1 dx = 0 π/2 xa−1 dx (1 + x)a+b 1 a−1 t 0 =2 0 sin2a−1 θ cos2b−1 θdθ = + tb−1 dt. Γ(1/2) = π és hogy minden a > 0 esetén Γ(a + 1) = aΓ(a). az egyik 1180 óránál tovább fog működni. a > 0. Fa : (0. hogy fa sűrűségfüggvény.3 0. amelyeket az alábbi relációkkal értelmezünk. x > 0 esetén fennállnak az alábbi azonosságok: ∞ 1 Γ(a) x −∞ ta−1 e−t dt. Ábrázoljuk az fa : (0. [EULER–féle gamma és beta függvények] Igazoljuk.35 0.5 0.15 0. Számítsuk ki a sebesség várható értékét és szórását! 82. 1170 óra várható értékkel és 100 óra szórással. Egy gyár rádióadócsöveket gyárt. hogy egy dobozban levő 4 cső mindegyike 1180 óránál tovább fog működni? Mennyi annak a valószínűsége. ∞) → (0. hogy 4 cső közül kettőt kivéve. MAXWELL–eloszlású [sajátos hi eloszlás] folytonos valószínűségi változó. hogy Γ(1) = Γ(2) = 1.4 0.45 0. Egy bizonyos fajta adócső élettartama a vizsgálatok szerint normális eloszlású. ∞). b. Fa (x) = Γ(a) x −∞ fa (t)dt = √ 80. hogy a gyár által gyártott csöveket négyesével dobozokba csomagolják.

35 0.15 0.7 − 11.5 0.5 1 1. A hengerek hossza és átmérője normális eloszlású valószínűségi változónak tekinthető.3 − 11.4 0.05 mm–nél nagyobb.7 − 10. mint valószínűségi változókat. hanem megszokja.9 − 12.3 − 12. 100 méteres síkfutóverseny eredményeit láthatjuk osztályokba rendezve.5 6 Figure 10.055 mm szórású.3 11.5 Versenyzők száma 1 1 2 5 7 7 6 5 4 2 Írjuk fel minden intervallumnak az abszolút és a relatív gyakoriságát.5 2 2.5 − 11. 3} esetén.7 10.5 − 10.1 0.1 11.1 − 12. . Az alábbi táblázatban egy 40 résztvevős. Menynyi a valószínűsége. hogy egy véletlenszerűen kiválasztott görgő selejtes lesz? [a henger hosszméretét és átmérőjét. Görgőscsapágyak készítésére 12 mm hosszúságú és 6 mm átmérőjű hengereket [görgőket] gyártanak. mediálját.45 0.9 10. A henger hosszmérete [statisztikai adatok alapján] 0. vagy pedig ha átmérőjének eltérése a 6 mm–től 0.1 − 11.5 5 5. Az ismérv a 100 méter lefutásához szükséges idő.5 11.1 12. 2.5 3 3.3 12. átmérője pedig 0.028 mm szórású valószínűségi változó.3 0. Egy henger akkor tekinthető selejtnek.” NEUMANN JÁNOS 1. B. Futási idő 10.25 0. A LÉVY eloszlás sűrűségfüggvénye a ∈ {1.05 0 0.2 0. a lehetséges értékek pedig a táblázatban feltüntetett intervallumok.9 − 11. móduszát.12 83.7 11.9 11.1 mm–nél nagyobb értékkel tér el. tekinthetjük függetleneknek] 0.5 4 4. azaz a 12 mm–től 0. valamint a felfele és lefele halmozott gyakoriságait! Adjuk meg a fenti minta mediánját. STATISZTIKAI ADATOK ÉS FONTOSABB JELLEMZŐIK [21] „A matematikában az ember a dolgokat nem megérti. ha hosszmérete a tervezett értéktől.

mediálját. 18]−ba és 10−nek a (18. Q1/4 . 169.490) 4 (490. 182. Becsüljük meg a sokaság mediánját. és a Q1/10 . valamint a YULE–féle asszimetria együtthatót! 6. A pálcikák hossza az adott hosszúságnál nagyobb is. Q9/10 kvantiliseket.510) 10 (510.13 és számítsuk ki a Q1/10 . 185. mediálját és móduszát! Hőmérséklet Gyakoriságok 18–20 8 20–22 48 22–24 38 24–26 5 26–28 0 28–30 1 7. 177. 14]−ba. Számítsuk ki a mediánt. 21−nek a (16. 0) 5 (0. 90 résztvevő által tartott prezentációk időtartamának [percekben mérve] megoszlása a következő: 8 résztvevő prezentációjának időtartama a [10. valamint a YULE–féle aszszimetria együtthatót! 2. 190. 175 és 190 helyeken! Írjuk fel és ábrázoljuk a gyakorisági hisztogramot és a közelítő empirikus eloszlásfüggvényt. a móduszt. Valamely cég az eladói technikáról tréninget rendezett. 178. 400] (400. 188. Az alábbi táblázatban 90 családból álló közösség családok szerinti gyermekeinek számát foglaltuk össze: Gyermekek száma Családok száma 0 6 1 18 2 23 3 20 4 14 5 6 6 2 7 1 Adjuk meg a mediánt. 174. −3) 1 (−3. és a következő táblázatba foglaltuk össze: Méret eltérés Pálcikák száma (−4. Q9/10 kvantiliseket.530) 2 . 170. 12] időintervallumba. 450] (450. Egy automata darabológép adott hosszúságú pálcikákat készít. 3) 3 (3. Q3/4 . 192. Adjuk meg az empirikus eloszlásfüggvény helyettesítési értékét a 160. 183. 192. 170. 5. Q1/4 . −1) 4 (−1. A MOL 95 üzemanyagtöltő–állomásának egy adott havi gázolaj eladását vizsgáljuk. ha az osztópontok: 166. Egy évfolyamból találomra kiválasztott 20 hallgató testmagassága cm–ben: 166. 170. 186. 20]−ba esett. Értékesítés (ezer liter) (50. −2) 3 (−2. 178. 179. 175. 4. Határozzuk meg a mediál–medián eltérésből származó ∆M koncentráltsági együtthatót. 16]ba. 182. 173. 183. Q9/10 kvantiliseket. Q3/4 . Q3/4 . 200] (200. 1) 5 (1. Az adatokat ezer literben közöljük. 150] (150. 188. 2) 4 (2. 182. 300] (300.480) 1 (480. Az alábbi táblázatban a Budapesten 1896–1995 közötti júliusi hőmérsékletek szerepelnek 2◦ C−os intervallumokba sorolva. 4) 1 Szerkesszük meg a hosszúság eltérés sűrűséghisztogramját. kisebb is lehet. 26−nak a (14.500) 10 (500. a mediált.520) 4 (520. móduszát és a Q1/10 . hogy n = 26 mérést végezve a méreteltérések számát intervallumonként rögzítettük. 180. 25−nek a (12. Egy homokbánya markolója által kiemelt homok kg súlyát véletlen kiválasztással 31 esetben lemérték. és a móduszt! 3. Tegyük fel. a mediált. és egy közelítő tapasztalati eloszlásfüggvényt. A 31 elemű véletlen minta alapján végzett vizsgálat eredményét a következő táblázatba foglalták: Osztályközök Gyakoriság (470. 500] Összesen Töltőállomások száma 8 14 23 21 10 8 5 4 2 95 Számítsuk ki az így kapott minta mediánját. A pálcika hossza legyen az X valószínűségi változó. 186. és a korrigált tapasztalati szórást! 8. 100] (100. 182. Q1/4 . Határozzuk meg a mediál– medián eltérésből származó ∆M koncentráltsági együtthatót. majd számítsuk ki a mintaátlagot. 250] (250. 350] (350.

hol kevesebb kerül.5 19. 20. 23.3 30. korrigált empirikus szórásnégyzetét. 27.3 17. 24. 32. 23. YULE–féle.8 32. Egy automata palacktöltőgép cm3 −ben megadott mennyiségű folyadékot tölt a palackokba. 19.2 29.3 28. átlagát.1 28.2 33. 17.5 26. 29. 23. 30. 22. 17. 27.8 30. az adott mennyiségtől eltérően hol több. 22. 25. 25. 25. 23.7 21.2 17. 23. 26. 23.9 32.4 32.9 14.8 22.1 32. 29. 20. 20. és a koncentráltsági együtthatót! 11. 21. 26. 23.8 34. 15.3 21. a mediánt. 17.4 28. 28. 27. 24.8 38.1 17. mediálját. 20. A palackok tartalmát 12 elemű véletlen minta alapján ellenőrizték és a vizsgálat eredményét osztályba sorolással a következő táblázatba foglalták: Folyadékmennyiség Gyakoriság (−3. 19. mediánját. 25.4 21. 24. 27.8 25 25.9 24.1 Év 1921 1922 1923 1924 1925 1926 1927 1928 1929 1930 1931 1932 1933 1934 1935 1936 1937 1938 1939 1940 Hmax 28.2 21. 0) 3 (0.2 32 25. 23. 17. Az X valószínűségi változó jelölje a palackba töltött folyadékmennyiséget. a móduszt.1) 3 (1.2) 2 (2.4 25. 25.9 32. 22. 30. 20. 25. a móduszt.6 31. mediálját és móduszát! Határozzuk meg a mediál–medián eltérésből származó ∆M koncentráltsági együtthatót.8 31. 26.14 Szerkesszük meg a súlyeltérés sűrűséghisztogramját és egy közelítő tapasztalati eloszlásfüggvényt! Számítsuk ki a mintaátlagot. 21. 22. 19. 25. a mediánt.5 27.6 33 26.8 27. Osztályba sorolással [STURGES vagy FREEDMAN–DIACONIS szabály alapján] állapítsuk meg a szakítóerő átlagát. 30. 27. 21.1 30. 26. véletlenszerűen.3) 1 Szerkesszük meg a folyadékmennyiség–eltérés sűrűséghisztogramját és egy közelítő tapasztalati eloszlásfüggvényt! Számítsuk ki a mintaátlagot. A palackokba. 19. 25.8 32. mindjárt nagyság szerinti sorrendbe rakva: 13. A textiliparban az elemi szál szakítóvizsgálatánál 100 méréssel a következő szakadási értékeket kapták század N–ban. 19. 18. a mediált és a korrigált tapasztalati szórást! Hozzávetőlegesen mennyi a valószínűsége annak. 27.9 25. 23. 24.3 23. 30. 22.8 Év 1941 1942 1943 1944 1945 1946 1947 1948 1949 1950 1951 1952 1953 1954 1955 1956 1957 1958 1959 1960 Hmax 24. 26. 26. 17. 21.7 31 25.3 32. 30. 20. 24. 25. hogy a folyadékmennyiség–eltérés 1 cm3 −nél nagyobb legyen? 10. Az alábbi táblázat a Budapesten július 1−jén mért maximális hőmérsékleteket tartalmazza ◦ C–ban. valamint a YULE–féle asszimetria együtthatót! . 25. illetve a FREEDMAN–DIACONIS–féle szabály alapján. Készítsünk tapasztalati és közelítő tapasztalati eloszlásfüggvényt! Év 1901 1902 1903 1904 1905 1906 1907 1908 1909 1910 1911 1912 1913 1914 1915 1916 1917 1918 1919 1920 Hmax 17.5 25. 27.3 22. 23.7 28. 25.8 31. 28. 25. 21.1 17 21. −1) 2 (−1. 23. 22.3 20. a mediált és a korrigált tapasztalati szórást! Megközelítően mennyi a valószínűsége. 21. 22. 20.5 30. 24. illetve PEARSON–féle asszimetria mutatóját. móduszát. 25. hogy 485 kg–nál kevesebb homokot markol a gép? 9.2 21. 21. 24. 16. 27. −2) 1 (−2.2 22.3 A fenti táblázatban található minta elemeit rangsoroljuk egyenlő szélességű osztályokba a STURGES–féle szabály. 18.6 18. 22. majd mindkét esetben szerkesszük meg a közelítő eloszlásfüggvényt! Számítsuk ki az osztályokba rendezett minta mediánját. 28. 22. 25. 21. 25. 28.8 28 31. 20. 30.

461 2001 31.714 15.23 100 1990 (%–ban) 0 1. 1960–ra.11] (10.03 19.9 15.30 100 1960 (%–ban) 0 1. 3/4−ed és 9/10−ed rendű kvantiliseket! Értékközök (mm–ben) [9.02.7 16.93.90] (9. 9.81. Az alábbi táblázat 1949–re.279 23.60 4. 10.04 29.55 4. majd az 1/10−ed.44 8.62 15.31 22.31 2004 36.232 19. vagyis 25 településen összesen.14 19.84] (9.14] Gyakoriságok 1 1 6 12 20 23 21 11 4 0 1 14. Az eredményeket eleve olyanformán adtuk meg.02 100 Számítsuk ki mindegyik esetben a LORENZ–GINI mutatót és ábrázoljuk a LORENZ– GINI görbéket. 9.632 15.65 4.04 40.686 Vizsgáljuk meg a méztermelés koncentrációját a HERFINDAHL–féle index segítségével.12 7.08 45. Az elkészült golyók közül 100 elemű mintát vettek ki. Az alábbi táblázatban az EU legnagyobb méztermelő országainak méztermelését tüntettük fel ezer tonnában kifejezve a 2000–2005–ös időszakban: Ország SPANYOLORSZÁG NÉMETORSZÁG MAGYARORSZÁG GÖRÖGORSZÁG FRANCIAORSZÁG OLASZORSZÁG PORTUGÁLIA 2000 28.691 21. ezeknek az átmérőjüket megmérték és az eredményeket az alábbi táblázatban összesítették [csoportosították].55%–a lakott. 2001–ben városi jogállású településállomány lakosságának 1. 9. % 0 10 20 30 40 50 60 70 80 90 100 1949 (%–ban) 0 1.861 2003 35.43 11.7 15 7 7.49 60.951 13.737 2005 37 21. 10. 9.639 15 9 5. amelyeket 10 mm átmérőjűre kívánnak készíteni.2 14. 9.56 54.93] (9. 1990–re és 2001–re vonatkozóan tartalmazza a 2001– ben Magyarországon városi jogállású települések lakosságának a településnagyság szerinti megoszlását.538 2002 35.722 14.96. hanem a méretek a 10 mm közelében szóródnak.409 14.02] (10.54 61.617 25.3 17.08] (10. hogy a legnagyobb városok népessége gyorsabban nőtt.99] (9.87] (9.39 16.19 44.32 8.721 15 8 6.07 26. 10. és egy közelítő tapasztalati eloszlásfüggvényt! Számítsuk ki a mintaátlagot.63 4.356 15.13 26. 9. vagyis hogy a . Melyik időszakban volt a legnagyobb a lakosság koncentrációja? Elmondható–e.24 16. hogy például 1949–ben a települések első 10%–ban.11.00 34. Szerkesszük meg a mérési eredményekhez tartozó eltérés sűrűséghisztogramját. Melyik évben volt a legnagyobb a méztermelés koncentrációja? Mérsékelt vagy lényeges koncentrációról beszélhetünk ebben az évben? Mit állíthatunk az éves átlagtermelésről? 13.695 25. Különböző véletlen jellegű hatások miatt azonban ezek nem lesznek mind 10 mm átmérőjűek. 10. 10.90. a móduszt. hogy 2001–re 1949–hez képest a magyarországi városállomány úgy változott.84.39 30.20 55. a mediált és a korrigált tapasztalati szórást.61 100 2001 (%–ban) 0 1.504 16.39 11.575 19.25 13. Egy üzemben golyókat gyártanak. mint a kisebbeké.2 8 7. a teljes.99.47 35.10 22.13 7.05] (10.383 10 4.2 15.87.05.61 39.96] (9.691 10 4.08.15 12.11 13. a mediánt. 1/4−ed.86 20.

987 73. 9. 30. 22. 24. Melyik évben volt a legnagyobb a méztermelés koncentrációja? Mérsékelt vagy lényeges koncentrációról beszélhetünk ebben az évben? Mit állíthatunk az éves átlagtermelésről? Egy bizonyos termék előállításával öt cég foglalkozik. 50−nek a (6. 25. 27. 25.945 52.462 50. 23. átlagos négyzetes eltérését [szórását]. 26. 24. 19. 17. 23.16 népesség koncentrációja emelkedett? Igaz–e. 27. 30% és 10% volt.89 2003 294. hogy az exponenciális eloszlásra tűrhető pontossággal teljesül a módusz.358 60. 7]−ban és 10−nek a (7. 16. 26. 26. 6. 27.091 93 99. móduszát. 30. 25. 19. 22. 6]−ban. 1. 23. Becsüljük meg az adatsor mediánját. 17. 22. 2. 30. 30. 20. 24. 23. 23. 26.5]−ban. 31. az életkor móduszát és mediánját. 22. 28. 24−nek a (6. 25. 17. 21. A tárgyi időszakra 10–re nőtt e tevékenységgel foglalkozó cégek száma.55 57.839 61. 28. 28−nak az (5. 17. 3. 7. 20. 24. 32.935 2001 254. 20. 15. 29. 5. 19. hogy a népesség koncentrációja 1949–hez viszonyítva 1960–ra emelkedett. 20. 500 és 1300. az asszimmetriai mutatószámokat. Minőségellenőrzés keretében megvizsgálták egy adott típushoz tartozó elektromos habverők élettartamát. 13. illetve FREEDMAN–DIACONIS–féle szabály szerint] állapítsuk meg a szakítóerő átlagát. 23. az alsó és felső kvartiliseket.19 80 84. Osztályba sorolással [STURGES– féle. Vizsgáljuk meg a koncentráció változását a HERFINDAHL–féle. 2 : 1 arányban osztja fel a módusz és a várható érték közötti szakaszt. 18.555 83 77. majd a STRÜCK–féle mutató segítségével! A textiliparban az elemi szál szakítóvizsgálatánál 110 méréssel a következő szakadási értékeket kapták század N–ban. a medián és a várható érték egymáshoz képesti elhelyezkedésére vonatkozó fenti „szabály”.5. 28.878 56. 23. mediálját. 29. mediánját. 150. 23.144 58. 20. 16. 16. 21. 2. 20.218 71.721 69. 22. a Q1/4 és Q3/4 kvantiliseket. 13.272 57. 27.5. 19. 4. 22. 2. 21. 21. 21.54 75 82.431 53. 25. A 120 megfigyelés eredményeként 8–nak az élettartama évben kifejezve az [5. 26. Az alábbi táblázatban a világ legnagyobb méztermelő országainak méztermelését tüntettük fel ezer tonnában kifejezve a 2000–2005–ös időszakban : Ország KÍNA TÖRÖKORSZÁG ARGENTINA EGYESÜLT ÁLLAMOK UKRAJNA MEXIKÓ 2000 251.808 2005 298 82.043 59. Az árbevételből való részesedések pedig a következők voltak %–ban kifejezve: 50. 31. 20.336 80 79. hogy a kerti bútorok gyártásával a bázis időszakban 3 cég foglalkozott és az összes árbevételből való részesedésük nagysága 60%. 22. 25. 27. 20. 25. 25.069 2002 267. 23. 19. 25. 30.631 16. 21.89 51. 15. 21.5] intervallumban. 18. mediálját és móduszát! 21. 27. 18.83 74. 19. valamint a koncentráltsági mutatókat. 21.045 2004 297. 27. 14. 25. 22. Az elmúlt hónapban termelt menynyiség darabban: 20. Asszimetrikus unimodális eloszlások esetében a következő „szabályra” szokás hivatkozni: a medián kb. 26.335 60. 20. 24. 27. 25. 28. 24. 2.929 80 83. a YULE–féle asszimetria együtthatót és a mediál-medián eltérésből származó koncentráltsági együtthatót! Egy felsőoktatási intézményben a tanárok korcsoportonkénti megoszlása a következő: Korcsoport 20–25 26–35 36–45 46–55 56–60 Nők %-os megoszlása 37 34 13 6 10 Férfiak %-os megoszlása 19 27 17 15 22 Számítsuk ki és értelmezzük mindkét esetben az átlagos életkort. Számítsuk ki a HERFINDAHL indexet! Tegyük fel. 23. 31. 22. . korrigált empirikus szórását. 24. a szóródás mutatóit. 17. 14. 25. 25. 17. Vizsgáljuk meg a méztermelés koncentrációját a HERFINDAHL–féle index segítségével.5]−ban van. azaz megközelítőleg [M e − M o] : [M (X) − M e] ≈ 2 : 1. 25. 30. viszont 1990–hez viszonyítva 2001–re csökkent? 15.439 58. mindjárt nagyság szerinti sorrendbe rakva: 13. 25. 25. 30. 23. Igazoljuk.

lásd a jegyzetben az 1. A mérés alapján a kimarkolt homok súlyának tapasztalati szórására s∗ = 15 kg értéket 16 . ahonnan kapjuk. 8.75% mintaátlagot és σ = 0. ha az 5000 puttony közül csak 30–at mérünk le. 30 Határozzuk meg a szórásra a 95%−os konfidencia intervallumot. Egy hajóra szerelt kotrógép egy adott időszakban 5000 puttony kavicsot emel ki. c és d alpontoknál használjuk a centrális határeloszlás tételének LINDEBERG– LÉVY–féle alakját. 95% és 99%–os megbízhatósági szinteknek megfelelő konfidencia intervallumot a töltési súly várható értékére vonatkozóan.3 N–nál. amely közelítőleg normális eloszlású volt 99%–os biztonsági szinten. hogy egy véletlenszerűen kiválasztott lánycsecsemő súlya 3 kg és 3. akkor ennek elérésére hány mérést kell végeznünk? 3. hogy a konfidencia intervallum félhossza 95%–os szint mellett 7 legyen? c. oldalon] 4. Ha 95%–os biztonsággal azt akarjuk. a korrigált tapasztalati szórása pedig s∗ = 190 óra? 30 5. annál kevésbé biztosak. Egy puttonyának átlagos töltési súlya. Legyen a töltési súly normális eloszlású σ = 50 kg szórással. 2. hogy a minta normális eloszlásból származik. Amikor bizonyítást nyernek. Szerkesszünk konfidencia intervallumot 95%–os szinten a sokasági átlagra. a.2−et enged meg. ha tudjuk. Hosszú évek tapasztalata alapján Magyarországon a lánycsecsemők élveszületéskori súlya normális eloszlást követ 3. ha az (a) alpontban a σ szórást a 100 mérés alapján számított s∗ = 51 kg korrigált tapasztalati szórással helyettesítjük? 100 7. már nem vonatkoznak a valóságra. A TV képcsövek vizsgálatánál 30 darabnak mérték meg az élettartamát. Mi történik. hogy egy 10 elemű minta átlaga 3 kg és 3. b.6 kg szórással.2 kg átlaggal és 0. Az egész sokaság szórása [előzetes mérésekből kialakított szabványelőírás alapján] nem lehet több σ = 0. de nem ismerjük a σ szórást? 30 d. n = 15 égő élettartam átlaga X = 1200 óra.3. 95%–os biztonsággal milyen megbízhatósági intervallumba esik az egész sokaság várható értéke? A szabványelőírás a konfidencia intervallum fél szélességére legfeljebb d = 0. Villanyégők élettartamát normál eloszlásúnak találták. Milyen konfidencia intervallumba esik az egész sokaság várható értéke. a. 100 mérés alapján. Hát akkor mi történik.3. Egy markológépnél véletlenszerűen 16–szor lemérték a kimarkolt homok mennyiségét. Milyen intervallumba várhatók a 100 elemű minták átlagai 95%–os valószínűséggel? e. Mi a valószínűsége. Mi a valószínűsége. [a b.1 kg és a sokasági szórás továbbra is az ismert 0. 30 doboz mérése alapján a töltési súly tapasztalati szórására s∗ = 12 g értéket kaptunk.45 legyen. Határozzuk meg a 90%. ha a tapasztalati várható értéke X = 2200 óra. de legfeljebb 3. korrigált tapasztalati szórása s∗ = 186 óra. 99%−os. 98%−os és 95%−os 15 biztonsági szinten milyen konfidencia intervallumba esik az egész sokaság várható értéke? 6.25 N–nak adódott. melyek alapján az X = 2.4 kg között van? b.1 Tételt és az 1.05. Egy fonal szakítószilárdságának átlaga n = 36 mérésből X = 3. hogy a várható érték legalább 3.28% szórást kaptuk. Mi ugyanennek a valószínűsége 100 elemű minta esetén? d. Egy szerves vegyület oxigéntartalmának vizsgálatához 30 mérést végeztünk.6 kg. ha egy 100 elemű minta átlaga 3. Számítsuk ki a várható értékre vonatkozó 96%−os szintnek megfelelő konfidencia intervallumot.” ALBERT EINSTEIN 1. Az 5000 puttony közül hányat kell lemérni ahhoz.4 kg között van? c.17 C. STATISZTIKAI BECSLÉSEK ÉS HIPOTÉZISVIZSGÁLAT [53] „A matematika szabályai minél inkább vonatkoznak a valóságra.3 Példát a 65. hogy X = 708 kg és s∗ = 52 kg. 705 kg.

3 0.2 130. Elfogadható–e.2 0. A csapolt sörhab vastagsága közismerten normális eloszlást követ.4 127. 14.7 0. 155. 191. ha tudjuk. 201. kapták. 199.2 0.5 130.1 130. Vizsgáljuk meg.1 −0.8 1 −0. A mért értékeket és a különbségüket mutatja az alábbi táblázat 20 mérés esetén.3 0. Feltételezhető–e az eltérés véletlenszerűsége? Egy konzervdoboztöltő adagolóautomata 1000 g anyag betöltésére van beállítva.6 128. 196.2 −0.9 1. 993. 204.2 0.9 131 130.5 129. 198. 12. hogy ez a vastagság nem haladhatja meg átlagosan .4 131 131. 151. 994. 10. 156. hogy az ellenállás várható értéke szignifikánsan változott–e a működés kezdetén és végén. 13.3 132.5 130.5 131. 1004. 195. 203. Tegyük fel.2 129.8 129. Működés kezdetén 130.3 129. 152. hogy a minta normális eloszlásból származik.9 130. 196.30%.2 Különbségek 1. hogy a pálcikák hosszának eltérése az előírt mérettől 99. 198.2 127. 1002. A véletlenszerűen kiválasztott 25 darabos normál eloszlásból származó minta átlaga azonban X = 14.7 128.6 128. azaz a H0 : µ = µ0 = 1000 nullhipotézis! Elektromos berendezéshez szükséges alkatrészek ellenállását mérjük az üzembe helyezés kezdetén és 1000 óra működés után. Határozzunk meg a szórásra 90%–os konfidencia intervallumot. 11.5 0.5 129.3 130.2 −0.5 127.1 129. Starking alma tömegét mérték g–ban. 1003. Az n = 16 elemű minta elemeinek hosszmérete: 193. Egy vendéglátóipari egységben a tulajdonos előírása. 198.8 dekagrammnak adódott.3 129.6 128. Feltéve.5 129.3 128 126.2 −0. arra szeretnénk választ kapni. 154. Mintavétel során az alábbi értékeket kaptuk g–ban kifejezve: 985.25% átlagot kaptuk.8 127. Számítsuk ki a várható értékre vonatkozóan a 95%–os szintnek megfelelő konfidencia intervallumot. 158.3 15.1 −1. Feltéve. adjunk 95%–os megbízhatósági szintű konfidencia intervallumot a várható értékre és a szórás négyzetére! Egy automata gép 200 mm hosszúságú pálcikák előállítására van beállítva. melynek szórása σ = 2 dekagramm volt. 985.1 127. 193. 987. hogy a különbségek normális eloszlást követnek.9 0.4 128. hogy a gép által gyártott pálcikák hossza normális eloszlású valószínűségi változó.2 131.8 0. hogy ismert a szórás: σ = 0. σ = 3 mm szórással. 155. 191.5 Ellenállásértékek 1000 óra működés után 131.2 −1.1 128.2 128. 996.18 9.7 −0.6 127. 12 mérésből az X = 3. vagyis az egész sokaságban a várható érték µ0 = 200 mm? Egy csokoládégyár speciális 14 dekagrammos csokoládészeletek gyártását kívánta megvalósítani egyik gépén. 154.9%−os szinten nem szignifikáns. Vajon a gép által gyártott pálcikák hossza megfelel–e az előírt méretnek? Előzetes adatfelvételből tudjuk. hogy a minta normális eloszlásból származik! Egy vegyület hidrogén tartalmának meghatározására végeztünk méréseket. és a 10 elemű minta az alábbi értékeket adta: 150. 200.1 131. 991. hogy 95%–os biztonsági szinten teljesül–e a várható értékre a µ0 = 1000 g előírás. 155.3 128. 196.

745. Az X elemei: 305. és a 10 elemű minta az alábbi értékeket adta: 150. teljesül–e az előírás 5%–os szignifikancia szinten! Egy konzervgyár mindkét próbaüzembe állított gépén 300 grammos konzervek gyártását kezdte meg. 743. 745. Ellenőrizzük.0012. 317.1683 [század N] mintaátlagot kaptunk. hogy mennyi idő múlva kerül vissza a gyárba a visszaváltható palack. eljárás 305 300 317 301 308 303 300 288 314 294 316 296 23. 744. hogy a kezelt állatoknál nagyobb a gyarapodás várható értéke. 18. az 5 mm–t. 746.05 megbízhatósági szinten vizsgáljuk meg a µ1 = µ2 hipotézis helyességét. 750.1672 [század N]. 11 nap szórással. 301. hogy a forgási sebesség átlagosan 42 nap. A mérési eredmények igen jó közelítésben normál eloszlást mutatnak. 25 Ellenőrizzük. 25 véletlenszerűen kiválasztott korsó esetében X = 6 mm. 17. illetve az Y −ra vonatkozó 6 elemű minta. 156. hogy a minta normális eloszlásból származik. 155. 151. Legyen a gépenként véletlenszerűen kiválasztott 7–6 doboz töltősúlya az X−re. A mérőeszköz szórása [egyúttal a két minta elméleti szórása] σ = 0. 744. és az Y elemei: 300. hogy az almák tömegének szórása nem haladja meg az átlaguk 1. 750. 316. Ellenőrizzük 5%–os szignifikancia szinten. 747. 743. ahol µ1 és µ2 a két gép által töltött mennyiségek várható értéke! . 158. Az alábbi táblázat mutatja a gyarapodást dekagrammban: Kezelteknél Nem kezelteknél 53 61 59 52 Súlygyarapodás 63 67 60 57 47 51 58 64 73 60 65 55 58 49 68 53 62 71 Igaz-e. Ez alapján az eredmény az. 154. 750. Több ezer palackot jelölnek meg vonalkóddal és regisztrálják visszaérkezéskor. 747. 303. mekkora tőkét kell lekötni palackok formájában. és a napok száma jó közelítéssel normális eloszlást követ.19 16. 300. 25 kWh szórással. 95%−os megbízhatósági szinten elfogadható-e. 154. 296. 155. 753. 748. 308. 95%–os megbízhatósági szinten elfogadható–e a minta alapján az a feltételezés. p = 0. Két borpalackozó gép által a palackokba töltött mennyiségeket megmérték. Feltéve. Szignifikánsan kevesebbet vallottak–e be 95%–os szinten a tényleges fogyasztásnál az áramszolgáltató fogyasztói? Egy üdítőital gyárban egy évben nagyszabású felmérést végeznek arra vonatkozóan. azaz hány napos a forgási sebesség. A következő évben spórolás céljából egy jóval kisebb vizsgálatot terveznek. mint a nem kezelteknél? 22. s∗ = 3 mm. 20. 751. 753. Az egyik gép által a palackokba töltött mennyiség ml–ben kifejezve: 742. 19. 748. 749. míg a másik gép által töltött mennyiség: 749. 748. Az egyikre végzett n = 9 független mérés során X = 0. A mintában egy adott hónapban átlagosan 5 kWh–val kevesebbet diktáltak be. 288. hogy hány napot töltött a megfelelő palack a gyáron kívül. a másikra m = 16 független mérésből Y = 0. hogy egy új készítési eljárás csökkenti–e a beton normális eloszlású törőszilárdságát! Az egyik és a másik eljárással készített próbakocka törőszilárdsága 10N/cm2 −ben kifejezve: I. 155. 314. 21. hogy egy hónapban a telefonon bediktált fogyasztási adatok megfelelnek–e a valóságnak. 152. eljárás II. ha σ1 az X elméleti szórása és σ2 az Y elméleti szórása! Laboratóriumi mérleghez kétféle tárasúlyt azonos súlyúra kell méretezni.5%−át? Állatokon végzett bizonyos kezelés hatását vizsgáljuk a testsúlynövekedésre vonatkozóan. 749. hogy szignifikánsan változtak–e a paraméterek az előző évhez képest! Starking alma tömegét mérték g–ban. hogy 95%–os megbízhatósági szinten teljesül–e a H0 : σ1 = σ2 nullhipotézis. 294. Vizsgáljuk meg. hogy a két sokaságban a várható érték megegyezik? Egy áramszolgáltató vállalat 200 véletlenszerűen kiválasztott háztartásban tételesen ellenőrzi. 748. A mintában az átlag 47 nap 14 nap szórással. 300. 751. véletlenszerűen kiválasztott 50 palackot jelölnek meg.

5 19 11. 11–szer 4–est. 7 családban 3 lány és 3 családban 4 lány volt.5 − 13 11 Feltehető–e.5 24 5. mint nagy hallgatói létszámú csoportokban. Ezért időről időre ellenőrzik. Ellenőrizzük. ha a H0 : µ1 = µ2 hipotézis fennáll. X normál eloszlású. hogy hány lejjel károsítják meg őket. Egy kockát 60–szor feldobva az egyes számok gyakoriságára a következőket kaptuk: 15– ször dobtunk 1–est.625 és a korrigált empirikus szórás 0. majd megbüntetik a tévesen számlázókat. hogy egy adagolóautomata működésének vizsgálatához 174 doboz mérését végezték el. A mérések alapján megállapított részeredmények: az A műszeren végzett 100 mérés során a mintaátlag X = 0.5 − 7. A grammokban adott névleges tömegértéktől való eltérés értékeit osztályba sorolva az alábbi táblázatot kapták: 0 − 1. 237–szer 4–est. hogy 4 családban nem volt lány. Az A műszeren végzett mérés eredménye. Az eredmények: Mintanagyság Túlszámlázás átlagos összege (lejben) Tapasztalati szórás Első razzia 10 26 64 Második razzia 15 22 82 A tévedések normális eloszlása és a két időpontbeli szórás egyezősége feltételezhető.01−es szignifikancia szinten ellenőrizzük le. 240–szer 2–est. 0. hogy az előírt tömegértéktől való eltérések normális eloszlásúak? 31. 10 családban 1 lány. E feltételezés tesztelésére egy alapozó tárgyat az egyetemen kis– és nagycsoportos formában egyaránt meghirdették. Egy hónap múlva újabb 15 véletlenszerűen kiválasztott vendéglő kerül sorra. Akkor tekinthető hitelesnek a B műszer is. 4–szer 3–ast. 224–szer 3–ast. Oktatáskutatók véleménye szerint az egyetemi oktatás hatékonyabb kis– és középcsoportos oktatási formában. A feltételezés ellenőrzése céljából megmérték 100 véletlenszerűen kiválasztott utas súlyát. 8 családban 2 lány. Az X karakterisztika jelentse a négygyermekes családokban a lányok számát. hogy a felnőtt utasok testsúlya nem tér–e el a feltételezettől. A félév végén a vizsgát a hallgatók közösen írták. hogy szignifikánsan csökkent–e az átlagos túlszámlázás nagysága.5 12 1.5 − 3.5 22 4. Y szintén normál eloszlású. 235–ször 5–öst és 236–szor 6–ost. Egy fogyasztóvédelmi akciócsoport 10 véletlenszerűen kiválasztott vendéglőben teszteli Sepsiszentgyörgyön. ahol µ1 az X várható értéke és µ2 az Y várható értéke. Egy kockát 1400–szor feldobva az egyes számok gyakoriságára a következőket kaptuk: 228–szor dobtunk 1–est.5 − 9. másrészt ne repüljön a gép fölösleges kapacitással. míg a B műszeren szintén 100 mérés során a mintaátlag Y = 0.5 − 11. 5%–os szignifikancia szinten! 30.5 − 5. Mindegyik kurzust ugyanaz a tanár oktatta. Szabályosnak tekinthető–e a kocka? 29. 7–szer 2–est.5 35 7. 6–szor 5–öst és 17–szer 6–ost. hogy a kis– és középcsoportos oktatás hatékonyabb–e? 27. Hitelesnek tekinthető–e a B műszer? 25.5 26 9.471 és a korrigált emprikus szórás 1.269. hogy egyrészt ne terheljék túl a gépet.754.5 25 3.5 − 4. Az eredmények az alábbiak: Mintanagyság Átlagos pontszám Tapasztalati szórás Kis– és középcsoport 9 75 15 Nagy csoport 12 71 12 Ellenőrizzük 5%–os szignifikancia szinten. a B műszeren végzett mérés eredménye. hogy a többi vendéglős figyelmét is felhívják a problémára. akik között . Tegyük fel. Egy 32 elemű véletlen minta alapján azt találták. hogy az X binomiális eloszlású–e! 28.20 24. illetve széleskörűen hirdetik az eredményeket. Szabályosnak tekinthető–e a kocka? 26. Kúpgörgős csapágy belső gyűrűjének kúpszögét mérjük egy hitelesített A műszerrel és egy hitelesítendő B műszerrel. A légitársaság a terhelést 78 kg–os átlagos testsúlyra és 11 kg–os szórásra tervezi. A légi közlekedésben fontos figyelemmel kísérni az utasok átlagos testsúlyát.

46. szerdán 5. 169. g és h pontoknál a teoretikus. 38. 177. függetlennek tekinthető–e az anyáknál történő megbetegedés a gyermekek veleszületett rendellenességétől! 37. hogy egy játékszer terhelhetősége nem éri el a 13 kg–ot? g. A mérés eredménye kg–ban kifejezve: 7 utas testsúlya az [50. 181 [cm]. Teszteljük azt a hipotézist. 80]. szombaton 17 és vasárnap 15 betörést jegyeztek fel. A mérési eredmények a következők: 29 félig érett és 68 érett szárazanyag tartalma 0 − 10% között. Adjunk meg egy olyan intervallumot. 174. 173. 183. A minta alapján feltehetően változik–e a szárazanyag tartalom az érés során? Gyermekgyógyász szívspecialisták foglalkoztak azzal a kérdéssel. 38 félig érett és 31 érett szárazanyag tartalma 10 − 20% között. 179. rendellenességgel született gyermeknél és a véletlenszerűen választott 100 fős kontrollcsoportban a következő volt az eredmény: A gyermek rendellenes A gyermek nem rendellenes Összesen Az anya beteg volt 26 5 31 Az anya nem volt beteg 184 95 279 Összesen 210 100 310 A kapott kontingenciatáblázat alapján döntsük el. 42. 100] és 5 utasé a (100. 45.21 32. 43. 42. Határozzuk meg az adatok empirikus eloszlásfüggvényét. f. 48. 176. Adjunk meg egy olyan intervallumot. 178. a. 180. Végezzük el az eloszlás normalitására vonatkozó feltételezés ellenőrzését! Egy gyermek játékszer fizikai terhelhetőségére elvégzett próbatesztelések a következő mérési eredményekre vezettek [kg–ban kifejezve]: 40. Az átmérő nagysága alapján az elkészült gyűrűket három kategóriába soroljuk: jó. 44. amely a terhelhetőség várható értékét 95%–os valószínűséggel tartalmazza! d. 46. 175. 90]. 42.9 valószínűséggel esik bele! [az e. 46. 34. 179. Nullhipotézisünk az. 45. amelyeket külön vizsgáltak]. 39. 70]. Mi a valószínűsége. Mi a valószínűsége. csütörtökön 7. pénteken 12. 44 nő volt. hogy a terhelhetőség normális eloszlású a becslésből adódó szórással és adjunk meg egy olyan intervallumot. javítható. 172. Henry–féle egyenes és χ2 próba alkalmazásával végezzünk normalitásvizsgálatot! c. hogy a veleszületett rendellenességek összefüggésben vannak–e az anyát a terhesség első 3 hónapjában sújtó megbetegedésekkel [kivéve a vírusos megbetegedést. Ellenőrizzük 0. Ezután tegyük fel. hogy igaz–e a rendőrség állítása! Félig érett és érett gyümölcsökre egyaránt 120 − 120 mérést végeztek annak eldöntésére. Találomra kiválasztunk n = 200 darabot annak ellenőrzésére. 60]. 39. 32 utasé a (70. 44. 41. majd 5%–os szignifikancia szinten teszteljük azt a nullhipotézist. 40. 35. Az adatok szórása ismeretlen. tehát nem a mintából számolt értékeket kell meghatározni!] 15 egyén testmagasságára a következő mérések adódtak: 171. 177. kedden 8. hogy egy játékszer terhelhetősége 15 és 28 kg közé esik? f. 33. hogy független. 45. hogy a várható magasság 178 cm! Feltételezhető–e. hogy a vízben oldható szárazanyag tartalom különbözik–e a mintában. . 41. 15 utas testsúlya a (60. hogy a terhelhetőség várható értéke a mintaelemek átlaga.05 szignifikancia szinten. 37. selejtes. Mi a valószínűsége. hogy a terhelhetőség várható értéke 40 kg–mal azonos! e. empirikus várható érékét. 28 utasé a (80. és korrigált empirikus szórásnégyzetét! b. Egy heti megfigyelés alapján a betörések száma az alábbi volt: hétfőn 6. Az összes vizsgált. 13 utasé a (90. amelybe egy találomra kiválasztott játékszer terhelhetősége 0. 110] intervallumban volt. Csapágygyűrűknél fontos minőségi jellemző a belső átmérő (R1) és a külső átmérő (R2). 39. 53 félig érett és 21 érett gyümölcs szárazanyag tartalma 20% feletti volt. hogy a külső és a belső átmérő független–e egymástól. 36. hogy egy játékszer terhelhetősége eléri a 46 kg–ot? h. 44. amely a várható magasságot 95%–os valószínűséggel tartalmazza. Ezután tegyük fel még azt is. hogy a testmagasság normális eloszlású? Egy város rendőrsége szerint az éjszakai betörések száma egyenletesen oszlik meg a hét napjain. 41. 43.

99% megbízhatósági szinten]. hogy az egészséges páciensek körében a systoles vérnyomásérték várható értéke 120 Hgmm és a szórása 10 Hgmm. 48. 125. b. Igaz–e. 96%. 135. 129. 121. 122. Ha a konfidencia intervallum [95%. hogy a kalcitonin szint értékek eloszlása normális eloszlásból származik [az osztályba sorolásnál használjuk a STURGES–féle szabályt]. 44. 131. 99% megbízhatósági szinten]. hogy a reumatoid artritisben szenvedő betegek átlagos kalcitonin szint értéke szignifikánsan kisebb mint az egészséges páciensek átlagos kalcitonin szint értéke? . 39. Igazoljuk [95%. hogy az illető viselt–e biztonsági övet! 40. hogy a reumatoid artritis betegségben szenvedő betegeknél nagyobb az esélye a csontritkulásnak. 125. Igazoljuk [95%. 122. 96%. 46. Igaz–e. 115. Hasonlítsuk össze az egészséges páciensek átlagos systoles vérnyomás értékét az érszűkületet okozó gyógyszert szedő páciensek átlagos systoles vérnyomás értékével [95%. 121. 127. 39. Adjunk meg az érszűkületet okozó gyógyszert szedő páciensek átlagos systoles vérnyomás értékére konfidencia intervallumot [95%. 115. 25. a. 130. 30. akkor legalább hány mérést kell elvégezni? 39. 34. 31. 135. 127. Döntsünk χ2 próbával az alábbi kontingenciatáblázat alapján. 32. 38. 26. 117. 99% megbízhatósági szinten] hossza legfennebb 8 Hgmm lehet. 128. 21. 116. 28. 27. 24. 40.9 pg/ml. 130. 23. 140. 99% megbízhatósági szinten]. 143. 35. 96%. Előzetes több ezres mérés alapján ismert. érszűkületet okozó gyógyszeres kezelés hatását vizsgálták a páciensek vérnyomására nézve. Hasonlítsuk össze a reumatoid artritisben szenvedő betegek átlagos kalcitonin szint értékét az egészséges páciensek átlagos kalcitonin szint értékével. A hipotézis tesztelésére 40 reumatoid artritis betegségben szenvedő beteget vizsgáltak meg és megmérték a kalcitonin szintjüket. Kutatások igazolják. 20. 125. 46. 37. b. 115. Közlekedésbiztonsági szervek 1000 személyi sérüléses közúti balesetet vizsgáltak meg aszerint. Előzetes. több ezres mérés alapján ismert. 96%. 96%. 125. 42. 96%. A kapott eredmények az alábbiak voltak: Baleset kimenetele Könnyű Súlyos Halálos Összesen Viselt övet 440 100 60 600 Nem viselt övet 160 200 40 400 Összesen 600 300 100 1000 Ellenőrizzük alkalmas próbával. 128. 120. 126. 125. A mérési eredmények [pg/ml–ben kifejezve] a következők: 26. 27. 38. 34. 34. 126. 37. hogy nem. R1 jó R1 javítható R1 selejtes Összesen R2 jó 169 9 1 179 R2 javítható 8 4 3 15 R2 selejtes 1 1 4 6 Összesen 178 14 8 200 38. 35. 124. 132. 124. 24. 19. 99% megbízhatósági szinten]. 39. 29.22 ellenhipotézisünk az. hogy az érszűkületet okozó gyógyszert szedő páciensek átlagos systoles vérnyomás értéke szignifikánsan nagyobb mint az egészséges páciensek átlagos systoles vérnyomás értéke? c. 140. 123. hogy a baleset kimenetele független–e attól. 36. hogy milyen súlyos volt a baleset és a baleset alkalmával a sérült viselt-e biztonsági övet. 40. 99% megbízhatósági szinten]. 45. 43. hogy a vérnyomás értékek eloszlása normális eloszlásból származik [az osztályba sorolásnál használjuk a FREEDMAN–DIACONIS szabályt]. 140. 37. 110. 112. Az érszűkületet okozó gyógyszert szedő páciensek közül egy 40 elemű mintát vettek és a vérnyomásértékek [Hgmm–ben] a következők: 126. 135. 135. Egy adott típusú. a. hogy az egészséges páciensek körében a kalcitonin szint átlagos értéke 47. 33. egy alkalmas próba segítségével [95%.

3. 4. 4. akkor legalább hány mérést kell elvégezni? d.15. Egy szabvány előírás szerint a cipők átlagos talpfelerősítési szakító szilárdság értéke 3. 3. 3. A 600 elemű minta adatai: Életkor/Eladások száma 30 év allatiak 30 és 40 év között 40 év felettiek Összesen 5 és 9 között 50 80 60 190 10 és 15 között 80 90 50 220 16 és 20 között 70 90 30 190 Összesen 200 260 140 600 Befolyásolja–e az életkor az ügynökök munkájának eredményességét? 42.01.95. 99% megbízhatósági szinten] hossza legfennebb 8 pg/ml lehet.55. 4.05. 96%−. 5.35.35. 4.25.85. 3.97.57. 2. 96%−. 5. Erősítsük meg az a alpontbeli állításunkat egy alkalmas próbával. vizsgáljuk meg [95%−. illetve várható értékeinek eggyezőségét! . 4. 99%−os megbízhatósági szinten]. Adjunk meg a talpfelerősítési szilárdság [ismeretlen] átlagos értékére konfidencia intervallumot [95%−.45. 4.89.65. 2. 96%. 6.79. 3.15. 4.46.23 c. hogy a 20 elemű minta szintén normál eloszlásból származik. 3. A mintát a következő kontingencia-tábla mutatja: A gépkocsi meghibásodása esetén azt – maga javítja – ismerőse javítja – magánszervíz javítja – márkaszervíz javítja Összesen A gépkocsi nagy értékű 1 0 4 1 6 A gépkocsi közepes értékű 3 3 7 3 16 A gépkocsi szerény értékű 11 7 2 8 28 Összesen 15 10 13 12 50 Vizsgáljuk meg 5 %–os szignifikancia szinten. hogy a gépkocsijavítási igények és a gépkocsi típusa függetlennek tekinthető–e? 43. 4.5. 3. Ha a konfidencia intervallum [95%−. 4.05. 30 pár cipő vizsgálatánál a következő értékeket kapták [10 N/cm–ben]: 1. Feltételezve.06. hogy jól kiképzett munkatársainak ügynöki teljesítménye független–e az életkortól.35.25. 99%−os megbízhatósági szinten] hossza legfennebb 0.94. 4. Ha a konfidencia intervallum [95%.39. akkor legalább hány mérést kell elvégezni? 41.55.99.65.75.67. hogy egy adott termékből egy hónap alatt hány darabot sikerült az ügynöknek eladni. 3. Alkalmas próbával [95%−. 3. majd a YULE–féle asszimetria együtthatóját! Mire következtethetünk a YULE–féle együttható értéke alapján? Mutassuk ki. 3.75.65. 3. Egy megye 60 ezer személygépkocsi tulajdonosa közül véletlenszerűen kiválasztottak 50– et a gépkocsijavítási igények és a gépkocsi típusa közti kapcsolat jellegének feltárására. 99%−os.75. 3. 4. 5. Egy marketinggel foglalkozó cég vezetője arra kíváncsi. 3.65. 5. 3.35. 96%−. Adjunk meg a reumatoid artritisben szenvedő páciensek átlagos kalcitonin szint értékére konfidencia intervallumot [95%. 4. 5. hogy az adatok alapján a talpfelerősítési szilárdság eloszlása jól közelíthető normál eloszlással! [szerkesszük meg a sűrűséghisztogramot] b. 4. 2. illetve 95%−. 3. 96%−.75 [10 N/cm] lehet.65.75.95.2.75.26. hogy a 30 mérés átlaga megfelel–e a szabványelőírásnak! e. 3.8 [10 N/cm]. 5. azaz az a alpontbeli osztályba sorolás felhasználásával igazoljuk [95%−. 2.83. 3.15.5. a. 96%−. 4. 99%−os megbízhatósági szinten]. 96%.85. STURGES–féle szabály használatával soroljuk osztályokba a mért értékeket! Számítsuk ki az így kapott minta mediánját. A cipők talpfelerősítési szilárdsága véletlentől függő változó. 99% megbízhatósági szinten]. 1/4−ed és 3/4−ed rendű kvantiliseit. Egy másik alkalommal 20 pár cipő talpfelerősítési szilárdságát mérték.55. hogy a talpfelerősítési szilárdság eloszlása normális eloszlásból származik! c. 2. 5. A mért értékek [10 N/cm–ben]: 1. 3. Az adatokat úgy gyűjtötték. 4.75. 99%−os megbízhatósági szinten] döntsük el. 3. 4.45.15. 99%−os megbízhatósági szinten] a 30 és 20 elemű minták szórásainak.

24 44. Erősítsük meg az a alpontbeli állításunkat egy alkalmas próbával. 493. 188. 143. 198. 182. 516. hogy a 24 mérés átlaga megfelel–e az acélüzem követelményeinek! e. 96%−. 512. 178. 172. 218. 96%−. 495. akkor legalább hány mérést kell elvégezni? d. 502. egy másik alkalommal. egy másik alkalommal. 185. 99%−os megbízhatósági szinten] hossza legfennebb 10 [N/mm2 ] lehet. Egy acélüzemben az A–50–es acél szakítási szilárdságának ellenőrzésére az egész sokaságból 31 mérést végeztek. Alkalmas próbával [95%−. 96%−. 118. 96%−. Adjunk meg a hajlító határfeszültség [ismeretlen] átlagos értékére konfidencia intervallumot [95%−. 494. Egy acélüzemben a C–10 5 órás diffúziósan izzított acélnál a hajlító határfeszültségre a következő értékeket mérték [N/mm2 −ben]: 111. 115. 529. 99%−os megbízhatósági szinten]. 515. FREEDMAN–DIACONIS–féle szabály használatával soroljuk osztályokba a mért értékeket! Számítsuk ki az így kapott minta mediánját. 96%−. a. majd a YULE–féle asszimetria együtthatóját! Mire következtethetünk a YULE–féle együttható értéke alapján? Mutassuk ki. 193. 184. 506. 173. Ha a konfidencia intervallum [95%−. 499. Erősítsük meg az a alpontbeli állításunkat egy alkalmas próbával. hogy az A–50–es acél szakítószilárdság eloszlása normális eloszlásból származik! c. 492. 517. 177. 160. hogy a 21 elemű minta szintén normál eloszlásból származik. 96%−. 511. 1/4−ed és 3/4−ed rendű kvantiliseit. Ugyanabban az acélüzemben. A mért értékek [N/mm2 −ben]: 113. 169. Az acélüzem szabvány előírása szerint a C–10 5 órás diffúziósan izzított acél átlagos hajlító határfeszültsége 170 N/mm2 . illetve várható értékeinek eggyezőségét! 45. 508. 493. 164. 485. szintén a C–10 5 órás diffúziósan izzított acél hajlító határfeszültségét ellenőrizték és az egész sokaságból 21 mérést végeztek. 488. 481. 142. Feltételezve. 139. 174. 176. 99%−os megbízhatósági szinten] hossza legfennebb 25 [N/mm2 ] lehet. azaz az a alpontbeli osztályba sorolás felhasználásával igazoljuk [95%−. 96%−. 514. illetve 95%−. 512. 99%−os megbízhatósági szinten] döntsük el. 226. 492. 99%−os megbízhatósági szinten]. 175. 163. 165. Alkalmas próbával [95%−. 213. 129. Az acélüzem szabvány előírása szerint az A–50–es acél átlagos szakító szilárdság értéke 500 N/mm2 . 99%−os megbízhatósági szinten] a 31 és 21 elemű minták szórásainak. 491. hogy a hajlító határfeszültség eloszlása normális eloszlásból származik! c. 530. 99%−os. 501. 146. 516. 171. 496. majd a YULE–féle asszimetria együtthatóját! Mire következtethetünk a YULE–féle együttható értéke alapján? Mutassuk ki. FREEDMAN–DIACONIS–féle szabály használatával soroljuk osztályokba a mért értékeket! Számítsuk ki az így kapott minta mediánját. hogy a 31 mérés átlaga megfelel–e az acélüzem követelményeinek! e. 99%−os megbízhatósági szinten]. 1/4−ed és 3/4−ed rendű kvantiliseit. 505. 497. 184. 152. akkor legalább hány mérést kell elvégezni? d. 489. 96%−. 519. a. 497. 182. 499. 498. 140. vizsgáljuk meg [95%−. 525. hogy az adatok alapján a hajlító határfeszültség eloszlása jól közelíthető normál eloszlással! [szerkesszük meg a sűrűséghisztogramot] b. 489. 168. 509. 495. 502. 506. A mért értékek [N/mm2 −ben]: 470. azaz az a alpontbeli osztályba sorolás felhasználásával igazoljuk [95%−. Ha a konfidencia intervallum [95%−. 507. 514. szintén az A–50–es acél szakítási szilárdságát ellenőrizték és az egész sokaságból 21 mérést végeztek. A mért értékek [N/mm2 −ben]: 473. 497. 170. 504. 490. Ugyanabban az acélüzemben. 99%−os megbízhatósági szinten]. . 513. Adjunk meg a szakítószilárdság [ismeretlen] átlagos értékére konfidencia intervallumot [95%−. 150. 493. 125. 162. 96%−. 183. 99%−os megbízhatósági szinten] döntsük el. hogy az adatok alapján a szakítószilárdság eloszlása jól közelíthető normál eloszlással! [szerkesszük meg a sűrűséghisztogramot] b. Feltételezve. 483. 500. 167. 186. 128. 496. 210.

a POISSON eloszlás ismeretlen λ paraméterét a mintaátlaggal becsüljük és így becsléses illeszkedés vizsgálatot kell használnunk] 50. 99%−os megbízhatósági szinten]. az észlelt aranyszemcsék számának átlagértékét. 99%−os megbízhatósági szinten]. Egy évben egy egyetem nappali tagozatára jelentkezők közül 30 fős mintát vettek egyszerű véletlen kiválasztással. hogy a dombtető és a völgyfenék nyári hajnali minimum–hőmérsékleteinek eloszlása lényegesen különbözik egymástól.25 hogy a 21 elemű minta szintén normál eloszlásból származik. 69–szer 3–at. 103. a POISSON eloszlás ismeretlen λ paraméterét a mintaátlaggal becsüljük és így becsléses illeszkedés vizsgálatot kell használnunk] 47. 32–szer 4–et. illetve 95%−. 99%−os megbízhatósági szinten] a 24 és 21 elemű minták szórásainak. Vizsgáljuk meg [95%−. Egy dombos területen két nyári hónapon át naponta mérték a hajnali minimum–hőmérsékletet egy kiválasztott domb tetején és a nála 30 m–rel mélyebben fekvő völgyfenéken. 99%−os. A méterben megadott adatok az alábbiak: Maximális vízállás V <5 5≤V <6 6≤V <7 7≤V <8 8<V Gyakoriság 1876–1925 5 11 13 13 8 Gyakoriság 1926–1975 10 11 13 10 6 49. mint 1926–tól 1975–ig. Észlelései szerint adott térfogatrészben 112–szer egyetlen aranyszemcse sem volt. SWEDBERG svéd fizikus a BROWN–mozgás tanulmányozása során 518 megfigyelést végzett vízben lebegő aranyszemcsékre vonatkozólag. Az észlelt értékek az alábbi osztályközös gyakoriságokban fordultak elő. Hőmérséklet [◦ C] Dombtető Völgyfenék Összesen 6 – 10 6 17 23 10 – 12 13 20 33 12 – 14 12 12 24 14 – 16 18 6 24 16 – 20 11 5 16 Összesen 60 60 120 48. 99%−os megbízhatósági szinten]. illetve intenzitása független–e egymástól! 51. . majd hasonlítsuk össze az így kapott adatokat a megfelelő POISSON eloszlás tagjaival. 5–ször 5–öt. 99%−os megbízhatósági szinten]. 168–szor talált 1 szemcsét. hogy leírható–e az adatsor POISSON eloszlással! [megj. Igazoljuk [95%−. Vizsgáljuk meg [95%−. vizsgáljuk meg [95%−. hogy a két betegség megjelenése. Számítsuk ki ezekből az eredményekből az aranyszemcsék számára vonatkozó relatív gyakoriságokat. 101. 96%−. 96%−. Vizsgáljuk egy növényállomány állapotát két betegség (X és Y ) szempontjából! A két betegség nem zárja ki egymást. és a tünetek erőssége alapján számláljuk össze a minta megfigyelt gyakoriságait: Y /X Gyenge Közepes Erős Összesen Gyenge 34 24 42 100 Közepes 18 40 30 88 Erős 24 49 39 112 Összesen 76 113 111 300 Ellenőrizzük alkalmas próbával [95%−. 119. illetve várható értékeinek eggyezőségét! 46. 130–szor 2 szemcsét. hogy a Tisza Szegednél mért évi maximális vízállásai ugyanazt az eloszlást követték–e 1876–1925 között. egyes egyedeken mindkettő tünetei megjelennek. 250 napon át egy autóúton történt balesetek számát feljegyezve a következő adatsor adódott: Balesetek száma Napok száma 0 100 1 70 2 45 3 20 4 10 5 5 Vizsgáljuk meg. 1–szer 6–ot és 1–szer 7–et. 300 egyedet választunk ki a populációból véletlenszerűen. A mintában szereplő felvételizők összes pontszáma [amely a tapasztalatok szerint szimmetrikus eloszlást követ] a következő volt: 118. hogy leírható–e a fenti adatsor POISSON eloszlással! [megj.

majd a YULE–féle asszimetria együtthatóját! Mire következtethetünk a YULE–féle együttható értéke alapján? Mutassuk ki. 91.1. 95. 99%−os megbízhatósági .5. 89. 114.3. majd a YULE–féle asszimetria együtthatóját! Mire következtethetünk a YULE–féle együttható értéke alapján? Mutassuk ki. 92. 92. 94.4. 97. 96.8.8. FREEDMAN–DIACONIS–féle szabály használatával soroljuk osztályokba a fenti adatokat! Számítsuk ki az így kapott minta mediánját. Erősítsük meg az a alpontbeli állításunkat egy alkalmas próbával. 114.7. 115. 81. 107. 95. a. 108. hogy az adatok alapján a felvételizők pontszámának eloszlása jól közelíthető normál eloszlással! [szerkesszük meg a sűrűséghisztogramot] b. 119. 104.2.3. 90.9.8.3. 76. 101. Alkalmas próbával [95%−. 87. 102. azaz az a alpontbeli osztályba sorolás felhasználásával igazoljuk [95%−. illetve várható értékeinek eggyezőségét! 52. 88. 116.8. 99%−os megbízhatósági szinten] a 30 és 20 elemű minták szórásainak.9.4. 92. 112. 99%−os megbízhatósági szinten]. 90. 90. 115. 98. 125. 95. 89.5.6. 101. 91. azaz az a alpontbeli osztályba sorolás felhasználásával igazoljuk [95%−. Egy városban kis számú felmérés segítségével megvizsgálták.8. 87. 84. 99. 96. 89.2.9. Erősítsük meg az a alpontbeli állításunkat egy alkalmas próbával. 75. hogy a 30 fős minta átlaga megegyezik–e a várt 100–as pontszámmal! e. hogyan függ össze a vallásosság a politikai attitűdökkel.1. 117. 109.1.2. 110.5.5. hogy az adatok alapján az X eloszlása jól közelíthető normál eloszlással! [szerkesszük meg a sűrűséghisztogramot] b. 87.5. vizsgáljuk meg [95%−. 89. 89. 87. 110.5. 111. 60 egyenlő nagyságú területről a betakarított répatermés mennyisége [tonnában kifejezve] nagyság szerint rendezve: 70. 92.6. Tekintsük ezeket az adatokat egy X valószínűségi változóra [mely most az adott területen termett répa mennyiségét jelenti] kapott mintának. 93. 80. 112. 91. 113. 76.26 121. 85. 95. 79.2. 79.5. hogy a felvételizők pontszámának eloszlása ténylegesen normális eloszlásból származik! c. 84. Ebben a mintában szereplő felvételizők összes pontszáma [amely a tapasztalatok szerint szintén szimmetrikus eloszlást követ] a következő volt: 84. 92. 127. 106.8. 99%−os megbízhatósági szinten] hossza legfennebb 4 lehet. 79.1. 102.8. 80.2. Adjunk meg a felvételizők [ismeretlen] átlagos pontszámértékére konfidencia intervallumot [95%−. 79. STURGES–féle szabály használatával soroljuk osztályokba a fenti adatokat! Számítsuk ki az így kapott minta mediánját. 100.5.9. hogy a 20 elemű minta szintén normál eloszlásból származik. 108.9. Ugyanazon az egyetemen. 89. Több éves tapasztalat alapján ismert.9. 90. hogy a felvételizők átlagos pontszáma 100. 86. szintén a nappali tagozatra jelentkezők közül egy 20 fős mintát vettek egyszerű véletlen kiválasztással. 99. 82. 84. 72. Feltételezve.1. 86. 94.5. 84. 93. Az 518 elemű minta adatai: Pártállás/Felekezet Ortodox Katolikus és más Összesen Kormánypárti 126 99 225 Ellenzéki 71 162 233 Semleges 19 41 60 Összesen 216 302 518 Döntsük el a következő kijelentés helyességét: több mint 95%-os valószínűséggel állítható. Az egyszerűség kedvéért itt két egyszerűsített változóval vizsgáljuk az összefüggés meglétét.2. 120. 87. 94. 99%−os megbízhatósági szinten]. 116. 89.3. 94. 96. 82. 81. 78. 88. 1/4−ed és 3/4−ed rendű kvantiliseit. 1/4−ed és 3/4−ed rendű kvantiliseit. 92. a. 99%−os megbízhatósági szinten] döntsük el. 79. hogy szignifikáns összefüggés van a politikai pártállás és a felekezeti hovatartozás között! 53. 100. 105.8.5. 86. 97.3. 109. 89.8. akkor legalább hány fős mintát kell vizsgálni? d.6.2. Ha a konfidencia intervallum [95%−. 83.9.6. 98. egy másik alkalommal.

5. 75. hogy az egymintás. hogy u0. Ugyanezt Excelben a következőképpen kaphatjuk meg: NORMSINV(0.975.6. illetve 0. akkor ezt az értéket a huszadik sorban és az ötödik oszlopban kell keresnünk: 1.01 és p = 0. Hasonlóképpen kapjuk a χ2 15.jpg fájlban.jpg fájlokban a jobboldali F próbához tartozó Fdf1 −1.724718004.05/2 = t20.05.6722382. 81.1−p/2 = χ15.5)=4.pdf fájl az egymintás vagy kétmintás kétoldali t próba kvantiliseit tartalmazza. Egy másik alkalommal. ha rögzített p = 0. Ugyanez Excelben: FINV(0.0.1−p = t20.326341928. ezért megközelítőleg kapjuk. hogy a 60 egyenlő nagyságú területről betakarított répatermés mennyiségének átlaga megegyezik–e a várt 88–as értékkel! e. Excelben ugyanez a következő: CHI2 INV(0. hogy a betakarított répatermés mennyiségének eloszlása ténylegesen normális eloszlásból származik! c. Például a tizenkettedik sorban és az ötödik oszlopban található 0.05.975 kvantilist a Student distribution.95 kvantilist a chi square distribution.1−p kvantilisek vannak feltüntetve p = 0.8729 a standard normál eloszlás Φ eloszlásfüggvényének értéke 1. ÚTMUTATÁS a táblázatokhoz [7] 1.05 szignifikancia szintű jobboldali t próbához akarjuk kiszámítani a t20. A Fisher-Snedecor distribution1.672. hogy a 20 elemű minta szintén normál eloszlásból származik. illetve várható értékeinek eggyezőségét! D.0.262158887. 97. azaz a χ15.pdf fájlban a kilencedik sorban és a hetedik oszlopban találjuk: 16. Ez Excelben a következőképpen kapható meg: NORMSDIST(1.14) = 0.1.1−p/2 = t9. Ugyanez Excelben: FINV(0.975 = 2. .95 kvantilist.05. akkor azt a számot keressük.99)=2. Adjunk meg a betakarított répatermés mennyiségének [ismeretlen] átlagos értékére konfidencia intervallumot [95%−. hogy a betakarított répatermés mennyiségének átlagos értéke 88. hogy a szig2 2 nifikancia szint p = 0.05 szignifikancia szintű. az ötödik sorban és a hatodik oszlopban találjuk: 4. 3. 99%−os megbízhatósági szinten].jpg. 4. Ugyanez Excelben: TINV(0. Ebben a mintában a betakarított répatermés mennyisége [amely a tapasztalatok szerint szintén szimmetrikus eloszlást követ] a következő volt: 65.jpg fájlban a standard normál eloszlás eloszlásfüggvényének értékei találhatók négytizedesnyi pontossággal. Fisher-Snedecor distribution3. illetve negyedik oszlopban a 0.91896016. Alkalmas próbával [95%−. Több éves tapasztalat alapján ismert.jpg és Fisher-Snedecor distribution4.26. Excelben ugyanezt a t20.df2 −1.05 szignifikancia szintű jobboldali χ2 próbához tartozó χ2 9.262. Most tegyük fel. Például. Excelben ezt a következőképpen kapjuk: CHIINV(0. amelyben a Φ értéke 0. Tegyük. kétoldali t próbához tartozó t9. 99.15)=6. 100. Így például az F6.725. 99%−os megbízhatósági szinten] a 60 és 20 elemű minták szórásainak. Ekkor kétoldali χ2 próbához a χ2 15.05 rögzített szignifikancia szinten [azzal a kikötéssel.9)=16. akkor legalább hány területről kell a termést vizsgálni? d.99 kvantilist akarjuk meghatározni. 91.0. Ha a konfidencia intervallum [95%−. vizsgáljuk meg [95%−.99 kvantilist a Fisher-Snedecor distribution1. A tizenötödik sorban és a nyolcadik oszlopban a megfelelő érték 27.9901 értékek találhatók. hogy a df1 szabadsági fok mindig nagyobb vagy egyenlő mint a df2 szabadsági fok].1−2·0.99.9898.15)=27.5. 105. 92.6. amelyet Excelben a CHIINV(0.872856799.14)=0. Például a p = 0. 82.262122945. 85.pdf fájlban a jobboldali χ2 próba kvantilisei vannak feltüntetve különböző szignifikancia szinteken. mint az F próbánál. vagyis Φ(1. Azonban.5)=10.9)=2. 99%−os megbízhatósági szinten] döntsük el. 2. Feltételezve. ha kétoldali χ2 próbához keressük a kvantiliseket.1/2 átalakítás miatt a következőképpen kapjuk meg: TINV(0. Fisher-Snedecor distribution2.975 kvantilist.0. ezért a jobboldali t próba esetén az értékeket át kell számítani.950294397. A standard normal distribution. 103.p/2 . akkor hasonlóképpen járunk el. A chi square distribution. Hasonlóképpen az F6. vagy kétmintás u próba kvantiliseit akarjuk meghatározni.0.48836466 azonosságból kapunk. 71. Mivel a táblázatbeli értékek kétoldali próbára vonatkoznak.jpg fájlban az ötödik sorban és a hatodik oszlopban találjuk: 10.95 kvantilist a Fisher-Snedecor distribution3.49. Mivel a huszonnegyedik sorban és a harmadik.025. 86.14−ben.05.0.1−0. Például a p = 0. Ekkor a következőképpen járunk el: ha az u0.33. 66.025 = χ15. 99%−os megbízhatósági szinten] hossza legfennebb 6 lehet.01.92.8729.99 = 2. 87. 70.1−0.pdf fájlban a kilencedik sorban és a hatodik oszlopban találjuk: t9.27 szinten].975 kvantilist a tizenötödik sorban és a harmadik oszlopban kell keresnünk: 6. 109. A Student distribution. 89.0.9503.jpg.0. fel. szintén arról a 60 egyenlő nagyságú területről egy 20 elemű mintát vettek egyszerű véletlen kiválasztással.20)=1. 108.

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)//-->