You are on page 1of 27

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:


 0, ha x < a

 x−a


 3 − a , ha x ∈ (a, 3)

f (x) = 1, ha x ∈ (3, a + 1) ,

 4−x

 , ha x ∈ (a + 1, 4)

 3−a

 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 x0 érték, amelyre P (X ≥ x0 ) = 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 arctan x 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) = sin x, 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, x2 , x3 , . . . 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) = 5x4 /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
1 1
F (x) = arctan x + .
π 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:


 0, ha x ≤ 0


 x/60, ha x ∈ (0, 30]
F (x) = 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 xk = k, és ezeket vegye
fel pk = kCnk valószínűséggel, ahol k ∈ {0, 1, . . . , n}. Számítsuk ki az X várható értékét!
21. 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?
22. 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, . . . }?
23. 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!
24. Igazoljuk, hogy ha az X és Y valószínűségi változók függetlenek, akkor
D2 (X + Y ) = D2 (X) + D2 (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 p1 , p2 , p3 , p4 , p5 valószínűségek [ebben a sorrendben] számtani sorozatot alkotnak,
és p1 = 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:

(
0, ha x < 2
f (x) = a
, ha x > 2 .
(1 − 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 pn,k jelöli annak a valószínűségét, hogy
4

hogy n perc után pontosan k vírus van, akkor igazoljuk, hogy minden n, k ≥ 1 esetén
pn,k = (1 − p) · pn−1,k + p · pn−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?

2.5

1.5

0.5

0
1 1.2 1.4 1.6 1.8 2 2.2 2.4 2.6 2.8 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?

2.5

1.5

0.5

0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

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 fa : (1, ∞) → (0, 1), Fa : (1, ∞) → (0, 1) függvényeket [PARETO elosz-
lás, lásd Figure 1], amelyeket az alábbi relációkkal értelmezünk, és igazoljuk, hogy fa
sűrűségfüggvény, míg Fa eloszlásfüggvény:
Z x Z x
−a−1
fa (x) = ax , Fa (x) = fa (t)dt = a t−a−1 dt, a > 0.
−∞ −∞

0.9

0.8

0.7

0.6

0.5

0.4

0.3

0.2

0.1

0
−10 −8 −6 −4 −2 0 2 4 6 8 10

Figure 3. A logisztikus eloszlás sűrűségfüggvénye és eloszlásfüggvénye.

66. Ábrázoljuk az fa,b : (0, 1) → (0, ∞), Fa,b : (0, 1) → (0, 1) függvényeket [beta elosz-
lás, lásd Figure 2], amelyeket az alábbi relációkkal értelmezünk, és igazoljuk, hogy fa,b
7

sűrűségfüggvény, míg Fa,b eloszlásfüggvény:


Z x Z x
xa−1 (1 − x)b−1 1
fa,b (x) = , Fa,b (x) = fa,b (t)dt = ta−1 (1 − t)b−1 dt,
B(a, b) −∞ B(a, b) −∞

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:
Z x Z x
e−x e−t
f (x) = , F (x) = f (t)dt = dt.
(1 + e−x )2 −∞
−t 2
−∞ (1 + e )

0.9

0.8

0.7

0.6

0.5

0.4

0.3

0.2

0.1

0
−6 −4 −2 0 2 4 6

Figure 4. A standard normális eloszlás sűrűségfüggvénye és eloszlásfüggvénye.

68. Ábrázoljuk az fa : (0, 1) → (0, 1), Fa : (0, 1) → (0, 1) függvényeket [hatvány eloszlás, lásd
beta eloszlás b = 1 esetén], amelyeket az alábbi relációkkal értelmezünk, és igazoljuk,
hogy fa sűrűségfüggvény, míg Fa eloszlásfüggvény:
Z x Z x
fa (x) = axa−1 , Fa (x) = fa (t)dt = a ta−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:
2 Z x Z x
e−x /2 1 2
ϕ(x) = √ , Φ(x) = ϕ(t)dt = √ e−t /2 dt.
2π −∞ 2π −∞
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:
Z x Z
1 1 1 x 1
f (x) = p , F (x) = f (t)dt = p dt.
π x(1 − x) −∞ π −∞ t(1 − t)
8

0.25

0.2

0.15

0.1

0.05

0
0 1 2 3 4 5 6

Figure 5. A khi eloszlás sűrűségfüggvénye a ∈ {3, 4, 5} esetén.

71. Ábrázoljuk az fa : (0, ∞) → (0, ∞), Fa : (0, ∞) → (0, 1) függvényeket [khi eloszlás, a = 3
esetén MAXWELL eloszlás, lásd Figure 5], amelyeket az alábbi relációkkal értelmezünk,
és igazoljuk, hogy fa sűrűségfüggvény, Fa eloszlásfüggvény:
2 Z x Z x
xa−1 e−x /2 21−a/2 2 /2
fa (x) = a/2−1 , Fa (x) = fa (t)dt = ta−1 e−t dt,
2 Γ(a/2) −∞ Γ(a/2) −∞

ahol a 7→ Γ(a) az ún. EULER–féle gamma függvény és a > 0.

0.45

0.4

0.35

0.3

0.25

0.2

0.15

0.1

0.05

0
−4 −3 −2 −1 0 1 2 3 4

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 fn : R → (0, ∞), Fn : R → (0, 1), n ∈ {1, 2, . . . } függvényeket [STUDENT


eloszlás], amelyeket az alábbi relációkkal értelmezünk, és igazoljuk, hogy fn sűrűségfügg-
vény, míg Fn eloszlásfüggvény:
¡ ¢ µ ¶− n+1
1 Γ n+1 2 x2 2
fn (x) = √ ¡n¢ · 1 + ,
nπ Γ 2 n
Z ¡ ¢Z x µ ¶− n+1
x
1 Γ n+1 2 t2 2
Fn (x) = fn (t)dt = √ ¡n¢ 1+ dt.
−∞ nπ Γ 2 −∞ n
Továbbá igazoljuk, hogy
Fn (x) + Fn (−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
r ¡ ¢ µ ¶− n+1 2
(2n)!! 1 π 1 Γ n+1 2 x2 2 e−x /2
(w) lim √ = és lim √ ¡n¢ · 1 + = √ .
n→∞ (2n − 1)!! 2n + 1 2 n→∞ nπ Γ 2 n 2π
[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 fn,m : [0, ∞) → (0, ∞), Fn,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 fn,m sűrűségfüggvény, míg Fn,m eloszlásfüggvény:
¡ ¢ n m n −1
Γ n+m2 n2 m 2 x2
fn,m (x) = ¡ ¢ ¡ ¢ n+m ,
Γ n2 Γ m 2 (nx + m) 2

Z x ¡ ¢ n m Z n
Γ n+m2 ¢ n¡ m
2 2 x
t 2 −1
Fn,m (x) = fn,m (t)dt = ¡ ¢ n+m dt.
−∞ Γ n2 Γ m 2 −∞ (nt + m) 2

0.9

0.8

0.7

0.6

0.5

0.4

0.3

0.2

0.1

0
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5

Figure 7. A FISHER–SNEDECOR eloszlás sűrűségfüggvénye n = m = 1, 2, 3, 4 esetén.


10

74. Ábrázoljuk az fλ : [0, ∞) → (0, ∞), Fλ : [0, ∞) → [0, 1] függvényeket [exponenciális elosz-
lás], amelyeket az alábbi relációkkal értelmezünk, és igazoljuk, hogy fλ sűrűségfüggvény,
míg Fλ eloszlásfüggvény:
Z x Z x
−λx
fλ (x) = λe , Fλ (x) = fλ (t)dt = λ e−λt dt, λ > 0.
−∞ −∞

75. Ábrázoljuk az fa : (0, ∞) → (0, ∞), Fa : (0, ∞) → (0, 1) függvényeket [WEIBULL


eloszlás, a = 2 esetén RAYLEIGH eloszlás, lásd Figure 8], amelyeket az alábbi relációkkal
értelmezünk
Z x Z x
a−1 −xa a
fa (x) = ax e , Fa (x) = fa (t)dt = a ta−1 e−t dt,
−∞ −∞

ahol a > 0. Igazoljuk, hogy fa sűrűségfüggvény, míg Fa eloszlásfüggvény!

1.6

1.4

1.2

0.8

0.6

0.4

0.2

0
0 0.5 1 1.5 2 2.5 3

Figure 8. A WEIBULL eloszlás sűrűségfüggvénye a ∈ {2, 3, 4} esetén.

76. Ábrázoljuk az fa : (0, ∞) → (0, ∞), Fa : (0, ∞) → (0, 1) függvényeket [khi négyzet
eloszlás, lásd Figure 9], amelyeket az alábbi relációkkal értelmezünk
Z x Z x
xa/2−1 e−x/2 1
fa (x) = a/2 , Fa (x) = fa (t)dt = a/2 ta/2−1 e−t/2 dt,
2 Γ(a/2) −∞ 2 Γ(a/2) −∞

ahol a > 0. Igazoljuk, hogy fa sűrűségfüggvény, míg Fa 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:
Z x Z
1 1 1 x 1
f (x) = 2
, F (x) = f (t)dt = dt.
π1+x −∞ π −∞ 1 + t2
78. Ábrázoljuk az fa : (0, ∞) → (0, ∞), Fa : (0, ∞) → (0, 1) függvényeket [LÉVY eloszlás,
lásd Figure 10], amelyeket az alábbi relációkkal értelmezünk
r Z x r Z x −a/(2t)
a e−a/(2x) a e
fa (x) = · 3/2
, Fa (x) = fa (t)dt = · dt,
2π x −∞ 2π −∞ t3/2
ahol a > 0. Igazoljuk, hogy fa sűrűségfüggvény, míg Fa eloszlásfüggvény!
11

0.5

0.45

0.4

0.35

0.3

0.25

0.2

0.15

0.1

0.05

0
0 2 4 6 8 10 12 14 16 18 20

Figure 9. A khi négyzet eloszlás sűrűségfüggvénye a ∈ {2, 4, 6} esetén.

79. Ábrázoljuk az fa : (0, ∞) → (0, ∞), Fa : (0, ∞) → (0, 1) függvényeket [gamma eloszlás],
amelyeket az alábbi relációkkal értelmezünk, és igazoljuk, hogy fa sűrűségfüggvény, míg
Fa eloszlásfüggvény:
Z x Z x
xa−1 e−x 1
fa (x) = , Fa (x) = fa (t)dt = ta−1 e−t dt, a > 0.
Γ(a) −∞ Γ(a) −∞

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:
Z ∞ Z ∞ Z 1 Z ∞
−t a−1 −t2 2a−1 a−1 a
Γ(a) = e t dt = 2 e t dt = (− ln t) dt = x ta−1 e−xt dt,
0 0 0 0
Z 1 Z ∞
xa−1
B(a, b) = xa−1 (1 − x)b−1 dx = dx
0 0 (1 + x)a+b
Z π/2 Z 1 a−1
2a−1 2b−1 t + tb−1
=2 sin θ cos θdθ = a+b
dt.
0 0 (1 + t)
81. Gázmolekulák sebessége ún. MAXWELL–eloszlású [sajátos hi eloszlás] folytonos valószí-
nűségi változó, melynek sűrűségfüggvénye
½
0, ha x ≤ 0
f (x) = 3 2 −x2 h2 √ ,
4h x e / 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

0.45

0.4

0.35

0.3

0.25

0.2

0.15

0.1

0.05

0
0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 5.5 6

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 Q1/10 , Q1/4 , Q3/4 , Q9/10 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 Q1/10 , Q1/4 , Q3/4 , Q9/10 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 Q1/10 , Q1/4 ,
Q3/4 , Q9/10 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 cm3 −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 cm3 −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 Hmax Év Hmax Év Hmax
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 Q1/4 és Q3/4 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 [M e − M o] : [M (X) − M e] ≈ 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 µ0 = 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 µ0 = 1000 g előírás, azaz a H0 : µ = µ0 = 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 H0 : σ1 = σ2 nullhipotézis, ha σ1 az X elméleti
szórása és σ2 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/cm2 −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
µ1 = µ2 hipotézis helyességét, ahol µ1 és µ2 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 H0 : µ1 = µ2 hipotézis fennáll, ahol µ1 az X várható
értéke és µ2 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 χ2 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 χ2 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/mm2 −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/mm2 ] lehet,
akkor legalább hány mérést kell elvégezni?
d. Az acélüzem szabvány előírása szerint az A–50–es acél átlagos szakító szilárdság
értéke 500 N/mm2 . 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/mm2 −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/mm2 −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/mm2 ]
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/mm2 . 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/mm2 −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 u0.99 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 u0.99 = 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 Fdf1 −1,df2 −1,1−p kvantilisek
vannak feltüntetve p = 0.01 és p = 0.05 rögzített szignifikancia szinten [azzal a kikötéssel, hogy a df1 sza-
badsági fok mindig nagyobb vagy egyenlő mint a df2 szabadsági fok]. Így például az F6,5,0.99 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 F6,5,0.95 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 t9,1−p/2 = t9,0.975 kvantilist a Student
distribution.pdf fájlban a kilencedik sorban és a hatodik oszlopban találjuk: t9,0.975 = 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 t20,1−p = t20,0.95 kvantilist, akkor ezt az értéket
a huszadik sorban és az ötödik oszlopban kell keresnünk: 1.725. Excelben ugyanezt a t20,1−2·0.05/2 =
t20,1−0.1/2 átalakítás miatt a következőképpen kapjuk meg: TINV(0.1,20)=1.724718004.
4. A chi square distribution.pdf fájlban a jobboldali χ2 próba kvantilisei vannak feltüntetve különböző szig-
nifikancia szinteken. Például a p = 0.05 szignifikancia szintű jobboldali χ2 próbához tartozó χ29,0.95 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 χ2 próbához
keressük a kvantiliseket, akkor hasonlóképpen járunk el, mint az F próbánál. Tegyük, fel, hogy a szig-
nifikancia szint p = 0.05. Ekkor kétoldali χ2 próbához a χ215,p/2 , azaz a χ215,0.025 = χ215,1−0.975 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 χ215,1−p/2 = χ215,0.975 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.

You might also like