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.

p paraméterű. A tengelyhossz ingadozása az 1200 mm körül normális eloszlású 40 mm szórással. hogy n perc után pontosan k vírus legyen? Ha pn. és p1 = 1/10. A vírus p ∈ (0. hogy fiú születik 0. amely két kockával dobva. Az ezekhez tartozó p1 . Egy X valószínűségi változó sűrűségfüggvénye: 0. ha x < 2 a . (1 − x)2 f (x) = 30.9 milliárd lej paraméterekkel. hogy a kifizetések összege 5 milliárd lej felett lesz? Mennyi pénzt kell tartani a fiókban. akkor fennállnak a következő egyenlőségek: a. A beszélgetés hossza véletlen. Ennek alapján becsüljük meg. POISSON eloszlású és az n−edrendű. ha 95%−os valószínűséggel akarjuk biztosítani a kifizetések teljesítését? Egy gyárban 1200 mm hosszúságú tengelyt szeretnének gyártani. p5 valószínűségek [ebben a sorrendben] számtani sorozatot alkotnak.3 27. hogy 200 véletlenszerűen kiválasztott ember között legalább négy balkezes van. amikor odaérünk. 39. amely percenként ugrik. σ) paraméterű. hogy körülbelül hányan indultak a versenyen! Egy kosárlabdázó p valószínűséggel dob a kosárba. normális eloszlású. Válaszoljunk a következő kérdésekre: Mi a valószínűsége annak. 38. P (a < X ≤ b) = F (b) − F (a) − P (X = a) + P (X = b) 29. Mennyi a valószínűsége. Egy munkadarabot elfogadhatónak tekintünk. P (a ≤ X ≤ b) = F (b) − F (a) + P (X = b) b. ha x > 2 . Az így kapott darabok közül hány százalék lesz megfelelő? A világűrből egy idegen vírus érkezik a sztratoszférába. binomiális eloszlású valószínűségi változó várható értékét és szórását! Mutassuk meg. 4.7 és 4. 37. a λ paraméterű. 34. Mekkora az a értéke? Mekkora valószínűséggel esik X a (2. hogy a kifizetések összege 3 milliárd lej alatt lesz? Mi a valószínűsége annak. hogy a balkezesek aránya átlagosan 1%. 35. Mutassuk meg. Írjuk fel a fiúgyermekek és lánygyermekek számának valószínűségeloszlását! Feltéve. 75−ön pedig két kullancsot. Kiderült. hogy milyen kapcsolat van a binomiális eloszlás és a POISSON eloszlás között! Egy család 4 gyermeket tervez. 32. ameddig először talál. 33. A kocogj velünk mozgalom keretében tavaly futóversenyt rendeztek a Duna–kanyarban. 1) valószínűséggel osztódik egy perc alatt ketté [magával azonos vírust hoz létre]. A pályát sajnos kullancsal fertőzött területen át vezették. µ = 3. a dobott számok összegét jelenti! Ábrázoljuk ezt a függvényt! Számítsuk ki a (µ. Írjuk fel az X valószínűségeloszlását! 28. p3 . 31. hogy . hogy 5 perc múlva sem kerülünk sorra? Egy bankfiókban a napi kifizetés összege normális eloszlást követ.k jelöli annak a valószínűségét. Mi a valószínűsége annak. percekben mérve 1/3 paraméterű exponenciális eloszlású. hogy a kifizetések összege 2. 3) intervallumba? Határozzuk meg annak az X valószínűségi változónak az eloszlásfüggvényét. Ha az élettartamát olyan digitális órával mérjük. hogy a versenyzők közül 300−an találtak magukban egy. hogy a k−adik dobásnál esik a labda a kosárba? Adott egy „örökifjú” tulajdonságú alkatrész. Egy gyermek születésekor annak valószínűsége. és addig próbálkozik. exponenciális eloszlású. 3. Mi a valószínűsége.6 milliárd lej és σ = 0. 40. Határozzuk meg ezt az eloszlást! Egy utcai telefonfülke foglalt. ha hossza kevesebb mint 50 mm—rel tér el a várt értéktől. amely exponenciális eloszlást követ 12 óra várható értékkel. hogy ha F az X eloszlásfüggvénye. becsüljük meg annak a valószínűségét. A szülések esetében az újszülött neme független az előzőleg született gyermekek nemétől.51 [megjegyzés: a genetikusok ezt az Y kromoszóma gyorsaságával magyarázzák]. 2. p2 . Legyenek az X diszkrét valószínűségi változó lehetséges értékei 1. akkor a mért élettartam diszkrét eloszlást követ. a λ paraméterű. 5. P (a < X < b) = F (b) − F (a) − P (X = a) c. p4 .5 milliárd lej között lesz? Mi a valószínűsége annak. 36.

0. Hány zseton lesz nyereségünk várható értéke µ−vel kifejezve? Milyen µ−re lesz nyereségünk várható értéke maximális? 44. ahol X egy λ = 1 paraméterű exponenciális eloszlású valószínűségi változó.4 1. hogy egyszerre leadva egy lövést. akkor igazoljuk. akkor 8 zsetont nyerünk. hogy egy véletlenszerűen kiválasztott ügynökjelöltet több. ha X > 6 cm. Öt katona lő céltáblára. Egy cég ügynökök betanításával foglalkozik.k + p · pn−1.5 0 1 1. mint 31 órát kell oktatni? Hát annak mi a valószínűsége. Mi a valószínűsége.8 2 2. 43.8 3 Figure 1. 6]. Egy automata zacskókba cukorkát adagol. amelyeknél 4 válaszlehetőség közül kell kiválasztani a helyeset. melyek közül bármelyik megszólalhat a többiektől függetlenül X időn belül.5 1 0.4 2. hogy minden kérdésre jól felel? Hát annak mi a valószínűsége. háromnál több találat lesz a céltáblán? 45. akkor nem nyerünk. hogy 4 kérdésre jól felel? Várhatóan hány kérdésre találja el a választ és milyen szórással? . normális eloszlású X valószínűségi változó. Egy zárthelyi dolgozatban 10 feleletválasztós kérdést tesznek fel. Egy szobában öt telefon van.5 2 1.k−1 .k = (1 − p) · pn−1. a szükséges idő normális eloszlást követ 6 óra szórással. Mindegyikük 100 lövése közül átlagosan 80 talál. 3} esetén. Tegyük fel. Véletlenszerűen kihúzunk egy fogpiszkálót egy dobozból és a következőt játsszuk: ha X < 5 cm.4 hogy n perc után pontosan k vírus van. 2. véletlenszerűen tippelget. A tapasztalatok szerint az ügynökök betanításához átlagosan 25 órára van szükség. hogy három véletlenszerűen kiválasztott zacskó között legalább egy olyan van. Várhatóan a férfiaknak hány %−a esik a 140−150 Hgmm tartományba. 41. σ = 2 g paraméterű normális eloszlásúnak tekinthetjük. akkor 12 zsetont nyerünk.2 1.6 2. A PARETO eloszlás sűrűségfüggvénye a ∈ {1. Mennyi a valószínűsége annak. aminek a súlya 99 g és 101 g közé fog esni? 46. A fogpiszkálók hossza µ cm várható értékű. Egy hallgató egyáltalán nem készült. ha a vérnyomás értékek eloszlása normális eloszlást követ? 42. Mekkora annak a valószínűsége.2 2. Mennyi az esélye annak. hogy a szükséges tanítási idő 22 és 30 óra között lesz? 3 2. hogy minden n. k ≥ 1 esetén pn. Mi a valószínűsége. ha X ∈ [5.6 1. hogy egységnyi időn belül pontosan két telefonkészülék fog csörögni? 47.5 cm szórású. A zacskók súlyát µ = 100 g. hogy a sorozáson megjelenő férfiak körében a systoles vérnyomásérték várható értéke 130 Hgmm és a szórása 12 Hgmm.

Előzetes mérések alapján tudjuk. A beta eloszlás sűrűségfüggvénye a = b = 0. hogy a 6−os dobások száma legalább 2 legyen? 51. Egy kör alakú. hogy egy zsák krumpli súlya az előírttól 50 dkg–mal többel tér el. hogy n másodperc után a bolha az origóból az m abszcisszájú pontba kerül! 56. A lőtávolság ingadozása az 1200 m körül normális eloszlású 40 m szórással. Hatásosnak tekintünk egy lövést. Minden másodpercben p valószínűséggel ugrik jobbra és 1 − p valószínűséggel balra. ha azt akarjuk. hogy egy löveg célba talál. hogy 100 esetből körülbelül ötször fordul elő. hogy egy ilyen atom 140 nap alatt 0. a = b = 1 és a = b = 4 esetén. Hány hallgató tartozik a 166 cm és 182 cm közötti magassági intervallumba? Hány hallgató nagyobb. A számegyenes egész koordinátájú pontjain egy bolha ugrál.4 0. Egy löveg tüzel egy 1200 m távoli célpontra. ha a találat a célhoz 50 m–nél közelebb esik.6 0. hogy legyen köztük fej? 49. Határozzuk meg annak a valószínűségét.9 1 Figure 2. Annak valószínűsége. Normális eloszlás alkalmazásával mire következtethetünk ebből a zsákok súlyának szórására vonatkozóan? 2. A polóniumatom bomlási ideje exponenciális eloszlású valószínűségi változó.5 1 0. hogy júliusban a hőmérséklet normális eloszlású. hogy az adott biztosítónál szerződött 200 egyetemista közül legfeljebb 5 okoz balesetet ebben az évben? 58. .5 0. átlaga 26◦ C. hogy a hőmérséklet 28◦ C és 34◦ C közé esik! 52. sűrűségfüggvényét. vagy éppen 190 cm? 50. Határozzuk meg az X eloszlásfüggvényét. Számítsuk ki annak a valószínűségét.5 valószínűséggel elbomlik. 55. A körön bármely területre való érkezés valószínűsége arányos az adott terület mérőszámával. A lövések hány százaléka lesz hatástalan? 54. minden lövésnél 0.5 48.75. Legyen az X valószínűségi változó a találati pont és a tábla középpontja közötti távolság. s a korábbi évek tapasztalatai szerint a biztosítottak 3%−a okoz balesetet. Tegyük fel. hogy 90%−nál nagyobb legyen az esély arra. hogy 0.5−nél ne legyen kisebb annak a valószínűsége. Azt mondják a zöldségesek. Egy biztosító társaság egyetemistáknak kínál gépkocsi biztosításokat. r sugarú céltáblára lövünk. szórása 4◦ C.7 0.1 0.5 2 1. mekkora a valószínűsége. Hány érmét kell feldobni ahhoz. és szórását! 53. hogy nem változtak a körülmények. Egy évfolyam 400 hallgatójának magassága normális eloszlású 170 cm–es átlaggal és 16 cm szórással. hogy 2000 lövés közül legalább két lövés célba talál? 57.2 0.8 0.5 0 0 0. Hányszor dobjunk fel egy kockát.001.3 0. Mekkora a valószínűsége. Feltételezve. várható értékét.

amikor egy polóniumatom 95%–os valószínűséggel elbomlik? Háromszor olyan valószínű. 66. míg Fa eloszlásfüggvény: fa (x) = ax−a−1 . Mekkora annak a valószínűsége. a > 0. hogy egy évben 2 ember öli magát a Marosba. az öngyilkosságok száma POISSON eloszlásúnak tekinthető] Tegyük fel. mint a lányoké? Egy számítógéphez 4 egymástól függetlenül működő lemezegység tartozik. hogy egy terhesség 308 vagy annál több napig tart! Hát annak mennyi a valószínűsége.6 59. hogy fa. 64.4 0. és 484 a lány. 62. hogy 5.b : (0. mi annak a valószínűsége.1 0 −10 −8 −6 −4 −2 0 2 4 6 8 10 Figure 3.2 0. Számítsuk ki annak valószínűségét. Fa. Mire tippel. hogy bizonyos káresetek során a kár értékének nagysága olyan valószínűségi változó.6 0.3 0. mint az.9 0.7 0. 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. amelyeket az alábbi relációkkal értelmezünk. amelyeket az alábbi relációkkal értelmezünk. hogy egy 6 gyermekes családban a fiúk száma pontosan annyi.b .8 0. −∞ 1 0. A logisztikus eloszlás sűrűségfüggvénye és eloszlásfüggvénye. és igazoljuk. ∞) → (0. 60. hogy egy adott oldalon legalább 2 sajtóhiba van? Biztosítótársaságok adatai alapján megállapítható. ∞) → (0. hány ember öli magát a Marosba egy évben? Mi a valószínűsége. 65. Mennyi a polóniumatom várható élettartama és szórása? Mekkora az az időtartam. Ábrázoljuk az fa. hogy egy 500 oldalas könyvben véletlen eloszlásban 300 sajtóhiba van. Határozzuk meg. 1) → (0. melyet a µ = 0 és σ > 0 paraméterű normális eloszlás pozitív értékekre csonkított eloszlása jellemez. ∞).5 0. hogy fa sűrűségfüggvény. 63. 1). és igazoljuk. Fa : (1. 1) → (0. x x Fa (x) = −∞ fa (t)dt = a t−a−1 dt. lásd Figure 1]. 1) függvényeket [PARETO eloszlás.b : (0. hogy senki sem lesz így öngyilkos egy év alatt? Átlagosan hány ember választja az öngyilkosságnak ezt a módját? [megj. hogy az adatfeldolgozás sikeresen befejezhető? Ábrázoljuk az fa : (1. hogy egy terhesség 283 vagy annál kevesebb napig tart? Megfigyelések szerint Sepsiszentgyörgyön 1000 újszülött közül átlagosan 516 a fiú. Az egyes lemezegységek 6·10−4 valószínűséggel hibásodhatnak meg. mi a valószínűsége annak. hogy egy adott oldalon pontosan 2 sajtóhiba van! Hát annak mennyi a valószínűsége. 1) függvényeket [beta eloszlás. 61. lásd Figure 2]. Ha az adatfeldolgozás elvégzéséhez legalább 2 hibátlan lemezegység kell.

F (x) = −∞ f (t)dt = 1 π x −∞ 1 t(1 − t) dt. 70.8 0. b > 0. Ábrázoljuk az f : (0. míg Fa. 1) → (0. amelyeket az alábbi relációkkal értelmezünk. Φ : R → (0.7 0. x x Fa (x) = −∞ fa (t)dt = a ta−1 dt.5 esetén]. míg Fa eloszlásfüggvény: fa (x) = axa−1 . 1) → (0. lásd beta eloszlás b = 1 esetén].b (x) = xa−1 (1 − x)b−1 . amelyeket az alábbi relációkkal értelmezünk. 1) függvényeket [árkusz szinusz eloszlás. 68. míg Φ eloszlásfüggvény: e−x /2 . b) x Fa. és igazoljuk. hogy f sűrűségfüggvény. 1) → (0.9 0. 1) → (0. EULER–féle beta függvény és a.7 sűrűségfüggvény. amelyeket az alábbi relációkkal értelmezünk. hogy ϕ sűrűségfüggvény. míg F eloszlásfüggvény: f (x) = 1 π 1 x(1 − x) x . (1 + e−x )2 x x F (x) = −∞ f (t)dt = −∞ e−t dt. ahol B(a. F : (0. F : R → (0.4 0. míg F eloszlásfüggvény: f (x) = e−x . és igazoljuk. B(a. ∞). −∞ 69. . és igazoljuk. ∞). (1 + e−t )2 1 0.2 0.b (x) = −∞ fa.5 0.1 0 −6 −4 −2 0 2 4 6 Figure 4. lásd Figure 3]. 67. 1) függvényeket [standard GAUSS–féle normális eloszlás. 1) függvényeket [hatvány eloszlás. A standard normális eloszlás sűrűségfüggvénye és eloszlásfüggvénye. 1) függvényeket [logisztikus eloszlás.3 0. és igazoljuk. b) az ún.b (t)dt = 1 B(a. ∞). Ábrázoljuk az f : R → (0. ϕ(x) = √ 2π 2 Φ(x) = 1 ϕ(t)dt = √ 2π −∞ x x −∞ e−t 2 /2 dt. Ábrázoljuk a ϕ : R → (0.b eloszlásfüggvény: fa. 1). Ábrázoljuk az fa : (0.6 0. hogy f sűrűségfüggvény. lásd Figure 4]. a > 0. Fa : (0. hogy fa sűrűségfüggvény. lásd beta eloszlás a = b = 0. b) x −∞ ta−1 (1 − t)b−1 dt.

1 0. 4. 5. és igazoljuk.15 0.05 0 −4 −3 −2 −1 0 1 2 3 4 Figure 6. 0. lásd Figure 5].4 0.3 0. a = 3 esetén MAXWELL eloszlás. 4. Fa eloszlásfüggvény: xa−1 e−x /2 fa (x) = a/2−1 .35 0. 1) függvényeket [khi eloszlás. ∞) → (0. ahol a → Γ(a) az ún. 2.8 0. ∞) → (0.1 0. 71. hogy fa sűrűségfüggvény.2 0. 5} esetén. 7} esetén és a standard normális eloszlás sűrűségfüggvénye [amely a fenti ábrán a nullában a legnagyobb értéket felvevő]. 3. . amelyeket az alábbi relációkkal értelmezünk.25 0. ∞). A STUDENT eloszlás sűrűségfüggvénye n ∈ {1.2 0. A khi eloszlás sűrűségfüggvénye a ∈ {3.45 0. Ábrázoljuk az fa : (0.15 0. 6. EULER–féle gamma függvény és a > 0.05 0 0 1 2 3 4 5 6 Figure 5.25 0. 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. Fa : (0.

míg Fn eloszlásfüggvény: 1 Γ n+1 x2 2 fn (x) = √ · 1+ n nπ Γ n 2 x − n+1 2 . n. hogy amikor az n minden határon túl nő. A FISHER–SNEDECOR eloszlás sűrűségfüggvénye n = m = 1. . hogy fn.4 0. .5 3 3. amelyeket az alábbi relációkkal értelmezünk. − n+1 x 2 1 Γ n+1 t2 2 dt. ∞) → (0. akkor a STUDENT eloszlás sűrűségfüggvénye a standard normális eloszlás sűrűségfüggvényéhez tart.6 0. ∞) → [0. 4 esetén. . .5 5 Figure 7.m (t)dt = Γ n+m 2 Γ n 2 x −∞ (nt + m) n+m 2 dt.5 1 1.m eloszlásfüggvény: fn.m (x) = −∞ fn. . ∞). 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 = √ .9 0. Ábrázoljuk az fn. 2. t 2 −1 n Fn.2 0. . 3.5 0. 2.5 4 4. 1].m : [0. } esetén. 3.m sűrűségfüggvény. Fn.5 2 2. míg Fn. hogy fn sűrűségfüggvény. míg a második azonosság azt mutatja meg. azaz a STUDENT eloszlás eloszlásfüggvénye közzéppontosan szimmetrikus [akárcsak a standard normál eloszlás eloszlásfüggvénye].8 0. lásd Figure 7]. m ∈ {1.3 0. Fn (x) = fn (t)dt = √ 1+ n n nπ Γ 2 −∞ −∞ Továbbá igazoljuk. 2. 1 0.m : [0. . 2.1 0 0 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 . ∞). és igazoljuk. . Ezenkívül igazoljuk. } függvényeket [FISHER–SNEDECOR eloszlás. hogy Fn (x) + Fn (−x) = 1 minden x ∈ R és n ∈ {1. . amelyeket az alábbi relációkkal értelmezünk. Ábrázoljuk az fn : R → (0. Fn : R → (0. n ∈ {1. 1). 2π 2 [megjegyzés: (w)–ben az első azonosságot WALLIS formulának nevezzük. és igazoljuk. lásd Figure 6] 73.9 72. } függvényeket [STUDENT eloszlás].7 0. .

míg F eloszlásfüggvény: f (x) = 1 1 . Ábrázoljuk az fa : (0. amelyeket az alábbi relációkkal értelmezünk fa (x) = axa−1 e−x . ∞) → (0.5 2 2. míg Fa eloszlásfüggvény! 1. A WEIBULL eloszlás sűrűségfüggvénye a ∈ {2. F : R → (0. Ábrázoljuk az fλ : [0. Fλ : [0. és igazoljuk. ∞). hogy fλ sűrűségfüggvény. 1] függvényeket [exponenciális eloszlás]. míg Fa eloszlásfüggvény! 77. t3/2 ahol a > 0. ∞) → (0. lásd Figure 8]. lásd Figure 10]. ∞). ∞) → [0.10 74. π 1 + x2 x F (x) = −∞ f (t)dt = 1 π x −∞ 1 dt. 1) függvényeket [CAUCHY eloszlás].2 0 0 0. ∞). ahol a > 0. hogy fa sűrűségfüggvény. 76. és igazoljuk.5 1 1. hogy fa sűrűségfüggvény. a = 2 esetén RAYLEIGH eloszlás. míg Fλ eloszlásfüggvény: fλ (x) = λe−λx .8 0.5 3 Figure 8. Fa : (0. amelyeket az alábbi relációkkal értelmezünk. Ábrázoljuk az f : R → (0. lásd Figure 9]. ∞). ∞). 4} esetén. Fa : (0. Fa : (0. λ > 0. 2π x3/2 x Fa (x) = −∞ fa (t)dt = a · 2π x −∞ e−a/(2t) dt. a x x Fa (x) = −∞ fa (t)dt = a ta−1 e−t dt. 1 + t2 78. −∞ 75. ∞) → (0. Igazoljuk.2 1 0.4 1. Igazoljuk. Ábrázoljuk az fa : (0. ∞) → (0. 1) függvényeket [khi négyzet eloszlás. míg Fa eloszlásfüggvény! . 3. ∞) → (0. Ábrázoljuk az fa : (0. hogy fa sűrűségfüggvény.4 0. hogy f sűrűségfüggvény. 1) függvényeket [LÉVY eloszlás. 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. a −∞ ahol a > 0. 1) függvényeket [WEIBULL eloszlás.6 0. x x Fλ (x) = −∞ fλ (t)dt = λ e−λt dt. amelyeket az alábbi relációkkal értelmezünk fa (x) = xa/2−1 e−x/2 . amelyeket az alábbi relációkkal értelmezünk fa (x) = a e−a/(2x) · . ∞) → (0.6 1. ∞) → (0. amelyeket az alábbi relációkkal értelmezünk. Igazoljuk.

45 0. 79.5 0. melynek sűrűségfüggvénye f (x) = 0. Mennyi Γ(n + 1). A khi négyzet eloszlás sűrűségfüggvénye a ∈ {2. Egy bizonyos fajta adócső élettartama a vizsgálatok szerint normális eloszlású. 1170 óra várható értékkel és 100 óra szórással.15 0. Gázmolekulák sebessége ún. ha x ≤ 0 3 x2 e−x2 h2 /√π. Ábrázoljuk az fa : (0.11 0. (1 + t)a+b 81.4 0. ha n egy tetszőleges természetes szám? Hát mennyi Γ(2008)? Igazoljuk. 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. hogy fa sűrűségfüggvény. ∞) → (0. ha a gyár legfeljebb 5% garanciaigényt kíván kielégíteni? Most tegyük fel.05 0 0 2 4 6 8 10 12 14 16 18 20 Figure 9.2 0. hogy a gyár által gyártott csöveket négyesével dobozokba csomagolják. Γ(1/2) = π és hogy minden a > 0 esetén Γ(a + 1) = aΓ(a). hogy 4 cső közül kettőt kivéve. ha x > 0 . az egyik 1180 óránál tovább fog működni.3 0. 6} esetén. hogy egy dobozban levő 4 cső mindegyike 1180 óránál tovább fog működni? Mennyi annak a valószínűsége. ∞) → (0. 4h ahol h > 0 paraméter.25 0.35 0. MAXWELL–eloszlású [sajátos hi eloszlás] folytonos valószínűségi változó. b. amelyeket az alábbi relációkkal értelmezünk. [EULER–féle gamma és beta függvények] Igazoljuk. a másik meg nem? [az egyes csövek élettartamát tekintsük egymástól független valószínűségi változóknak] . Mennyi a valószínűsége. 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. Egy gyár rádióadócsöveket gyárt. míg Fa eloszlásfüggvény: fa (x) = xa−1 e−x . hogy Γ(1) = Γ(2) = 1. B(a. Fa : (0. 1) függvényeket [gamma eloszlás]. 4.1 0. és igazoljuk. A gyár a csövekre garanciát vállal. hogy minden a. a > 0. Számítsuk ki a sebesség várható értékét és szórását! 82. x > 0 esetén fennállnak az alábbi azonosságok: ∞ 1 Γ(a) x −∞ ta−1 e−t dt. ∞). Fa (x) = Γ(a) x −∞ fa (t)dt = √ 80. Hány órás működésre szóljon a garancia.

STATISZTIKAI ADATOK ÉS FONTOSABB JELLEMZŐIK [21] „A matematikában az ember a dolgokat nem megérti.1 11.05 mm–nél nagyobb.15 0. A hengerek hossza és átmérője normális eloszlású valószínűségi változónak tekinthető.1 0.055 mm szórású.5 11. Az alábbi táblázatban egy 40 résztvevős.028 mm szórású valószínűségi változó. azaz a 12 mm–től 0. ha hosszmérete a tervezett értéktől. Az ismérv a 100 méter lefutásához szükséges idő.12 83.3 − 11.7 10.9 − 11. A henger hosszmérete [statisztikai adatok alapján] 0.45 0.4 0.7 − 10. 3} esetén. 100 méteres síkfutóverseny eredményeit láthatjuk osztályokba rendezve. A LÉVY eloszlás sűrűségfüggvénye a ∈ {1.9 10.3 − 12.9 − 12.05 0 0. Egy henger akkor tekinthető selejtnek. átmérője pedig 0.1 12.1 − 12. Futási idő 10. mediálját. a lehetséges értékek pedig a táblázatban feltüntetett intervallumok.5 − 10. hanem megszokja. mint valószínűségi változókat. tekinthetjük függetleneknek] 0.5 − 11.5 Versenyzők száma 1 1 2 5 7 7 6 5 4 2 Írjuk fel minden intervallumnak az abszolút és a relatív gyakoriságát.1 − 11.1 mm–nél nagyobb értékkel tér el.5 2 2.5 0. Menynyi a valószínűsége.3 12.2 0. vagy pedig ha átmérőjének eltérése a 6 mm–től 0. 2.3 11.35 0.25 0.5 6 Figure 10.7 − 11. Görgőscsapágyak készítésére 12 mm hosszúságú és 6 mm átmérőjű hengereket [görgőket] gyártanak.7 11.5 1 1. hogy egy véletlenszerűen kiválasztott görgő selejtes lesz? [a henger hosszméretét és átmérőjét.9 11. móduszát.5 4 4. valamint a felfele és lefele halmozott gyakoriságait! Adjuk meg a fenti minta mediánját.3 0.5 3 3.5 5 5. B.” NEUMANN JÁNOS 1. .

18]−ba és 10−nek a (18.500) 10 (500. A pálcikák hossza az adott hosszúságnál nagyobb is. móduszát és a Q1/10 . 173. 192. Az adatokat ezer literben közöljük. 188. Q3/4 . 174. Q3/4 . majd számítsuk ki a mintaátlagot. Az alábbi táblázatban a Budapesten 1896–1995 közötti júliusi hőmérsékletek szerepelnek 2◦ C−os intervallumokba sorolva. 170. Egy évfolyamból találomra kiválasztott 20 hallgató testmagassága cm–ben: 166. 182. és egy közelítő tapasztalati eloszlásfüggvényt. 0) 5 (0. 180. Határozzuk meg a mediál– medián eltérésből származó ∆M koncentráltsági együtthatót. a mediált. 500] Összesen Töltőállomások száma 8 14 23 21 10 8 5 4 2 95 Számítsuk ki az így kapott minta mediánját. A 31 elemű véletlen minta alapján végzett vizsgálat eredményét a következő táblázatba foglalták: Osztályközök Gyakoriság (470. 170. 188. −2) 3 (−2. 175 és 190 helyeken! Írjuk fel és ábrázoljuk a gyakorisági hisztogramot és a közelítő empirikus eloszlásfüggvényt. kisebb is lehet. 450] (450. valamint a YULE–féle aszszimetria együtthatót! 2. A pálcika hossza legyen az X valószínűségi változó. 16]ba. Q9/10 kvantiliseket.510) 10 (510. 182. 2) 4 (2. Tegyük fel. 200] (200. 183. Egy homokbánya markolója által kiemelt homok kg súlyát véletlen kiválasztással 31 esetben lemérték. 175. Q9/10 kvantiliseket. 14]−ba. Q1/4 .480) 1 (480. és a Q1/10 . Valamely cég az eladói technikáról tréninget rendezett. ha az osztópontok: 166. Q3/4 . 182. 25−nek a (12. 350] (350. 300] (300. Egy automata darabológép adott hosszúságú pálcikákat készít. Q1/4 . valamint a YULE–féle asszimetria együtthatót! 6. 190. 21−nek a (16. és a következő táblázatba foglaltuk össze: Méret eltérés Pálcikák száma (−4.13 és számítsuk ki a Q1/10 . 170. 5. 3) 3 (3. Értékesítés (ezer liter) (50. 183. Adjuk meg az empirikus eloszlásfüggvény helyettesítési értékét a 160. 20]−ba esett. 150] (150. 192. 1) 5 (1. hogy n = 26 mérést végezve a méreteltérések számát intervallumonként rögzítettük. −1) 4 (−1. és a móduszt! 3.490) 4 (490.520) 4 (520. Q1/4 . 185. a móduszt. a mediált. Becsüljük meg a sokaság mediánját. és a korrigált tapasztalati szórást! 8.530) 2 . 178. −3) 1 (−3. Q9/10 kvantiliseket. 90 résztvevő által tartott prezentációk időtartamának [percekben mérve] megoszlása a következő: 8 résztvevő prezentációjának időtartama a [10. mediálját. 182. Határozzuk meg a mediál–medián eltérésből származó ∆M koncentráltsági együtthatót. 250] (250. 26−nak a (14. 186. 179. 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. 169. 186. 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. 12] időintervallumba. 400] (400. 4. 178. 4) 1 Szerkesszük meg a hosszúság eltérés sűrűséghisztogramját. Számítsuk ki a mediánt. 100] (100. A MOL 95 üzemanyagtöltő–állomásának egy adott havi gázolaj eladását vizsgáljuk.

4 28. a móduszt. 27. 21. 21. 25. 28. 25. 25.1 32. 20.3 23. 18. 26.7 21. 19.2 21. Osztályba sorolással [STURGES vagy FREEDMAN–DIACONIS szabály alapján] állapítsuk meg a szakítóerő átlagát. 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. 25. Az X valószínűségi változó jelölje a palackba töltött folyadékmennyiséget. 20. majd mindkét esetben szerkesszük meg a közelítő eloszlásfüggvényt! Számítsuk ki az osztályokba rendezett minta mediánját. 21. 24. 17. és a koncentráltsági együtthatót! 11. a mediánt. 29. 16. hogy a folyadékmennyiség–eltérés 1 cm3 −nél nagyobb legyen? 10. 20.2 29. 25. 17. 23. 29.3 20. 30.2 22. 17.4 25. 23. 19. véletlenszerűen. 27.14 Szerkesszük meg a súlyeltérés sűrűséghisztogramját és egy közelítő tapasztalati eloszlásfüggvényt! Számítsuk ki a mintaátlagot. 30. 26. A textiliparban az elemi szál szakítóvizsgálatánál 100 méréssel a következő szakadási értékeket kapták század N–ban. Az alábbi táblázat a Budapesten július 1−jén mért maximális hőmérsékleteket tartalmazza ◦ C–ban. 30. 25. 23. YULE–féle. 24. 25.3 32. 25. 26. 21. a mediánt.7 28.7 31 25. 22.3 21.8 31.5 19. 22. 22.4 32. 28. illetve PEARSON–féle asszimetria mutatóját.5 27.8 32. 21. 22. 25. a mediált és a korrigált tapasztalati szórást! Megközelítően mennyi a valószínűsége.1 30. A palackokba. 24.9 32. 0) 3 (0. −1) 2 (−1. 27. 32. 25. 27. 25.6 18.3) 1 Szerkesszük meg a folyadékmennyiség–eltérés sűrűséghisztogramját és egy közelítő tapasztalati eloszlásfüggvényt! Számítsuk ki a mintaátlagot. 21. mediálját és móduszát! Határozzuk meg a mediál–medián eltérésből származó ∆M koncentráltsági együtthatót.8 32. 23. 23. 25. 24.3 A fenti táblázatban található minta elemeit rangsoroljuk egyenlő szélességű osztályokba a STURGES–féle szabály. 23. 23. illetve a FREEDMAN–DIACONIS–féle szabály alapján.2 33.6 31. 26.8 34. 19. 23. 19. valamint a YULE–féle asszimetria együtthatót! . Egy automata palacktöltőgép cm3 −ben megadott mennyiségű folyadékot tölt a palackokba.9 25.8 30.5 26. 30. 19. mediálját. 15. 25. 27. 20.2 32 25. 21. 22.1 17. 27. 20.2 17. a móduszt. 25.2 21. a mediált és a korrigált tapasztalati szórást! Hozzávetőlegesen mennyi a valószínűsége annak.6 33 26.1) 3 (1. 26. 22.1 17 21. 23. 17. 20. 22. korrigált empirikus szórásnégyzetét. 23.9 32.5 30.9 24.4 21. mindjárt nagyság szerinti sorrendbe rakva: 13. 28.9 14. mediánját. 24.3 17.3 30. 24. az adott mennyiségtől eltérően hol több. 30.8 28 31.3 28. 26.3 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. móduszát. 20. 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. 27.8 25 25. átlagát. 25.5 25. −2) 1 (−2. 23. 17. A palackok tartalmát 12 elemű véletlen minta alapján ellenőrizték és a vizsgálat eredményét osztályba sorolással a következő táblázatba foglalták: Folyadékmennyiség Gyakoriság (−3. 22. 21.8 31. 18.1 28. hol kevesebb kerül. 30.8 38. 22.8 27. 27.8 22. 28. hogy 485 kg–nál kevesebb homokot markol a gép? 9.2) 2 (2. 20.

47 35. 10.3 17.14] Gyakoriságok 1 1 6 12 20 23 21 11 4 0 1 14.951 13. 10. % 0 10 20 30 40 50 60 70 80 90 100 1949 (%–ban) 0 1.87. Szerkesszük meg a mérési eredményekhez tartozó eltérés sűrűséghisztogramját. 10.61 100 2001 (%–ban) 0 1. a mediánt.81.632 15.55%–a lakott. hogy a legnagyobb városok népessége gyorsabban nőtt. vagyis 25 településen összesen. Az eredményeket eleve olyanformán adtuk meg. 1960–ra.538 2002 35.383 10 4.03 19.232 19.87] (9.86 20.07 26.04 29. 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 28.12 7.00 34.721 15 8 6.49 60.7 15 7 7.639 15 9 5.08.617 25. 10.02. 10.93.08] (10.13 7. 9. Különböző véletlen jellegű hatások miatt azonban ezek nem lesznek mind 10 mm átmérőjűek. ezeknek az átmérőjüket megmérték és az eredményeket az alábbi táblázatban összesítették [csoportosították]. a móduszt. 9. 9.10 22.05.20 55.575 19.11. a mediált és a korrigált tapasztalati szórást. hanem a méretek a 10 mm közelében szóródnak.686 Vizsgáljuk meg a méztermelés koncentrációját a HERFINDAHL–féle index segítségével. 1990–re és 2001–re vonatkozóan tartalmazza a 2001– ben Magyarországon városi jogállású települések lakosságának a településnagyság szerinti megoszlását.279 23.9 15.356 15.05] (10.02] (10.90.7 16. Melyik időszakban volt a legnagyobb a lakosság koncentrációja? Elmondható–e. hogy 2001–re 1949–hez képest a magyarországi városállomány úgy változott.11 13. amelyeket 10 mm átmérőjűre kívánnak készíteni.84] (9.96] (9.96.99. 1/4−ed. 9.62 15.13 26.04 40.56 54. Az elkészült golyók közül 100 elemű mintát vettek ki.691 10 4.61 39. 3/4−ed és 9/10−ed rendű kvantiliseket! Értékközök (mm–ben) [9.63 4. majd az 1/10−ed. hogy például 1949–ben a települések első 10%–ban.737 2005 37 21.695 25.23 100 1990 (%–ban) 0 1.99] (9. és egy közelítő tapasztalati eloszlásfüggvényt! Számítsuk ki a mintaátlagot.02 100 Számítsuk ki mindegyik esetben a LORENZ–GINI mutatót és ábrázoljuk a LORENZ– GINI görbéket.31 22.714 15.39 16.54 61.39 30.409 14.65 4.08 45.32 8. 9.84.2 8 7.2 15.861 2003 35.2 14.93] (9.11] (10.691 21.25 13. vagyis hogy a .60 4.44 8.15 12.461 2001 31.14 19. Egy üzemben golyókat gyártanak.43 11.39 11. 9. 2001–ben városi jogállású településállomány lakosságának 1.55 4.30 100 1960 (%–ban) 0 1.24 16. mint a kisebbeké.31 2004 36.90] (9. Az alábbi táblázat 1949–re.504 16.722 14. a teljes.19 44. Melyik évben volt a legnagyobb a méztermelés koncentrációja? Mérsékelt vagy lényeges koncentrációról beszélhetünk ebben az évben? Mit állíthatunk az éves átlagtermelésről? 13.

30. 20. 22.069 2002 267. 7. 22. 1.89 51.721 69. 25.5] intervallumban.808 2005 298 82. az életkor móduszát és mediánját. 19. 23. 23. 23. 6. majd a STRÜCK–féle mutató segítségével! A textiliparban az elemi szál szakítóvizsgálatánál 110 méréssel a következő szakadási értékeket kapták század N–ban. .272 57. Vizsgáljuk meg a koncentráció változását a HERFINDAHL–féle. 26. 22. a medián és a várható érték egymáshoz képesti elhelyezkedésére vonatkozó fenti „szabály”. 26. 31. 28. 16. 25.045 2004 297. 25. 20.439 58. 2 : 1 arányban osztja fel a módusz és a várható érték közötti szakaszt. 28. 20. 2.462 50. 22. 23. 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.091 93 99. 27. 13.043 59. 27. 21. 20. 22. 32. 20. 28. 23. Az árbevételből való részesedések pedig a következők voltak %–ban kifejezve: 50.431 53.5. 30. az alsó és felső kvartiliseket. 2. 25. 30. 6]−ban. 19. 25. mindjárt nagyság szerinti sorrendbe rakva: 13. azaz megközelítőleg [M e − M o] : [M (X) − M e] ≈ 2 : 1.55 57.144 58. 24. 16. 7]−ban és 10−nek a (7. 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. 21. 28−nak az (5. 24. 23.5. 25. 15. 25. 2. 25. 23. 17. 27. 31. 21. 30. Igazoljuk. 31. a szóródás mutatóit. 500 és 1300. Minőségellenőrzés keretében megvizsgálták egy adott típushoz tartozó elektromos habverők élettartamát. 25.89 2003 294.631 16. 26. 23.336 80 79. 25. mediánját. 19. 27. 14. 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. Osztályba sorolással [STURGES– féle. 22. 27. 27. 26.5]−ban. 20.358 60. 29. 19. viszont 1990–hez viszonyítva 2001–re csökkent? 15. 17. 20. mediálját és móduszát! 21. mediálját. 13. 25. 25.929 80 83. illetve FREEDMAN–DIACONIS–féle szabály szerint] állapítsuk meg a szakítóerő átlagát. 19. 24. 24. 23. 18. 28. 26. 24.83 74. 27. 21.19 80 84. 3. 14. 150. 27. 50−nek a (6.54 75 82. 5. 17. 23. 17. 22.335 60. az asszimmetriai mutatószámokat. 19. 25. 15.945 52. Számítsuk ki a HERFINDAHL indexet! Tegyük fel. Az elmúlt hónapban termelt menynyiség darabban: 20.16 népesség koncentrációja emelkedett? Igaz–e. 24−nek a (6. 9. Asszimetrikus unimodális eloszlások esetében a következő „szabályra” szokás hivatkozni: a medián kb. 4. a Q1/4 és Q3/4 kvantiliseket. A tárgyi időszakra 10–re nőtt e tevékenységgel foglalkozó cégek száma. 24. hogy az exponenciális eloszlásra tűrhető pontossággal teljesül a módusz. 18. 16. 20. 24. 22. Vizsgáljuk meg a méztermelés koncentrációját a HERFINDAHL–féle index segítségével. 26. A 120 megfigyelés eredményeként 8–nak az élettartama évben kifejezve az [5.839 61. átlagos négyzetes eltérését [szórását]. 30. 25. 21. hogy a népesség koncentrációja 1949–hez viszonyítva 1960–ra emelkedett. 21.5]−ban van. 21. 22. 21. hogy a kerti bútorok gyártásával a bázis időszakban 3 cég foglalkozott és az összes árbevételből való részesedésük nagysága 60%.218 71. korrigált empirikus szórását. 30% és 10% volt. 23. 18.935 2001 254. valamint a koncentráltsági mutatókat. 17.878 56. 30. 2. 20. 29. 25.987 73. 17. 25. móduszát. 30.555 83 77. Becsüljük meg az adatsor mediánját.

Mi a valószínűsége.4 kg között van? c. Mi ugyanennek a valószínűsége 100 elemű minta esetén? d.3.4 kg között van? b. oldalon] 4. Mi a valószínűsége.45 legyen. de legfeljebb 3. Milyen intervallumba várhatók a 100 elemű minták átlagai 95%–os valószínűséggel? e. Egy fonal szakítószilárdságának átlaga n = 36 mérésből X = 3. Hát akkor mi történik. A mérés alapján a kimarkolt homok súlyának tapasztalati szórására s∗ = 15 kg értéket 16 .6 kg szórással. 95%–os biztonsággal milyen megbízhatósági intervallumba esik az egész sokaság várható értéke? A szabványelőírás a konfidencia intervallum fél szélességére legfeljebb d = 0. Mi történik.3. ha az 5000 puttony közül csak 30–at mérünk le. Legyen a töltési súly normális eloszlású σ = 50 kg szórással. Egy puttonyának átlagos töltési súlya.1 Tételt és az 1. 705 kg. már nem vonatkoznak a valóságra. ha tudjuk.3 N–nál. ha az (a) alpontban a σ szórást a 100 mérés alapján számított s∗ = 51 kg korrigált tapasztalati szórással helyettesítjük? 100 7. ha egy 100 elemű minta átlaga 3. ha a tapasztalati várható értéke X = 2200 óra.3 Példát a 65. 100 mérés alapján. de nem ismerjük a σ szórást? 30 d. annál kevésbé biztosak. Az 5000 puttony közül hányat kell lemérni ahhoz.2−et enged meg. 30 Határozzuk meg a szórásra a 95%−os konfidencia intervallumot.75% mintaátlagot és σ = 0. c és d alpontoknál használjuk a centrális határeloszlás tételének LINDEBERG– LÉVY–féle alakját. hogy a minta normális eloszlásból származik. a korrigált tapasztalati szórása pedig s∗ = 190 óra? 30 5. Villanyégők élettartamát normál eloszlásúnak találták. a. Egy hajóra szerelt kotrógép egy adott időszakban 5000 puttony kavicsot emel ki. Milyen konfidencia intervallumba esik az egész sokaság várható értéke. Hosszú évek tapasztalata alapján Magyarországon a lánycsecsemők élveszületéskori súlya normális eloszlást követ 3. hogy a konfidencia intervallum félhossza 95%–os szint mellett 7 legyen? c. Ha 95%–os biztonsággal azt akarjuk. STATISZTIKAI BECSLÉSEK ÉS HIPOTÉZISVIZSGÁLAT [53] „A matematika szabályai minél inkább vonatkoznak a valóságra. A TV képcsövek vizsgálatánál 30 darabnak mérték meg az élettartamát. 99%−os. b.25 N–nak adódott. amely közelítőleg normális eloszlású volt 99%–os biztonsági szinten. 30 doboz mérése alapján a töltési súly tapasztalati szórására s∗ = 12 g értéket kaptunk.2 kg átlaggal és 0. korrigált tapasztalati szórása s∗ = 186 óra.17 C. Szerkesszünk konfidencia intervallumot 95%–os szinten a sokasági átlagra. ahonnan kapjuk. 98%−os és 95%−os 15 biztonsági szinten milyen konfidencia intervallumba esik az egész sokaság várható értéke? 6. melyek alapján az X = 2.28% szórást kaptuk. hogy a várható érték legalább 3. a.1 kg és a sokasági szórás továbbra is az ismert 0. [a b. 95% és 99%–os megbízhatósági szinteknek megfelelő konfidencia intervallumot a töltési súly várható értékére vonatkozóan. Az egész sokaság szórása [előzetes mérésekből kialakított szabványelőírás alapján] nem lehet több σ = 0. Egy szerves vegyület oxigéntartalmának vizsgálatához 30 mérést végeztünk. hogy egy véletlenszerűen kiválasztott lánycsecsemő súlya 3 kg és 3. hogy egy 10 elemű minta átlaga 3 kg és 3. Számítsuk ki a várható értékre vonatkozó 96%−os szintnek megfelelő konfidencia intervallumot.6 kg.” ALBERT EINSTEIN 1. 2. akkor ennek elérésére hány mérést kell végeznünk? 3.05. 8. Amikor bizonyítást nyernek. hogy X = 708 kg és s∗ = 52 kg. Egy markológépnél véletlenszerűen 16–szor lemérték a kimarkolt homok mennyiségét. n = 15 égő élettartam átlaga X = 1200 óra. lásd a jegyzetben az 1. Határozzuk meg a 90%.

1003. hogy ez a vastagság nem haladhatja meg átlagosan . A csapolt sörhab vastagsága közismerten normális eloszlást követ.2 −0.3 0. Az n = 16 elemű minta elemeinek hosszmérete: 193.4 127. Feltéve.2 127.9%−os szinten nem szignifikáns.1 127.8 0. 154.8 127.3 132.9 131 130. 987.2 128.3 128 126. 12. 196. hogy a gép által gyártott pálcikák hossza normális eloszlású valószínűségi változó.9 1. Mintavétel során az alábbi értékeket kaptuk g–ban kifejezve: 985. Vajon a gép által gyártott pálcikák hossza megfelel–e az előírt méretnek? Előzetes adatfelvételből tudjuk. 193. hogy 95%–os biztonsági szinten teljesül–e a várható értékre a µ0 = 1000 g előírás.5 129. 12 mérésből az X = 3.1 130. 993. Számítsuk ki a várható értékre vonatkozóan a 95%–os szintnek megfelelő konfidencia intervallumot.5 129.8 129. hogy ismert a szórás: σ = 0. 14.2 129. 155. 152. 996. adjunk 95%–os megbízhatósági szintű konfidencia intervallumot a várható értékre és a szórás négyzetére! Egy automata gép 200 mm hosszúságú pálcikák előállítására van beállítva.2 −1. vagyis az egész sokaságban a várható érték µ0 = 200 mm? Egy csokoládégyár speciális 14 dekagrammos csokoládészeletek gyártását kívánta megvalósítani egyik gépén.25% átlagot kaptuk. 158. 985. σ = 3 mm szórással.5 129. 196. 204.6 128.30%. 195.2 0. 1004.1 −1.5 Ellenállásértékek 1000 óra működés után 131.5 131. 151. 201. 11. 991. 10. 203. Tegyük fel. 154. 199.9 0.3 0.8 1 −0.1 128.1 131.3 128. 191. hogy a különbségek normális eloszlást követnek.6 128. 155. kapták.3 129.4 131 131. 198.2 Különbségek 1.5 0.6 127. Elfogadható–e.2 131. Feltételezhető–e az eltérés véletlenszerűsége? Egy konzervdoboztöltő adagolóautomata 1000 g anyag betöltésére van beállítva. hogy a pálcikák hosszának eltérése az előírt mérettől 99.3 129. 1002. 155. Starking alma tömegét mérték g–ban.8 dekagrammnak adódott.1 −0. 198.2 130. Feltéve.4 128.1 129. arra szeretnénk választ kapni. hogy az ellenállás várható értéke szignifikánsan változott–e a működés kezdetén és végén. A mért értékeket és a különbségüket mutatja az alábbi táblázat 20 mérés esetén. 156.7 −0. 198. A véletlenszerűen kiválasztott 25 darabos normál eloszlásból származó minta átlaga azonban X = 14. Vizsgáljuk meg. 196.7 0. és a 10 elemű minta az alábbi értékeket adta: 150.18 9.2 −0. Egy vendéglátóipari egységben a tulajdonos előírása.7 128. 13. ha tudjuk.5 127.3 130. hogy a minta normális eloszlásból származik! Egy vegyület hidrogén tartalmának meghatározására végeztünk méréseket.3 15. Határozzunk meg a szórásra 90%–os konfidencia intervallumot. 200. 994. 191. azaz a H0 : µ = µ0 = 1000 nullhipotézis! Elektromos berendezéshez szükséges alkatrészek ellenállását mérjük az üzembe helyezés kezdetén és 1000 óra működés után.6 128.5 130.9 130.5 130. hogy a minta normális eloszlásból származik.2 −0.2 0. Működés kezdetén 130.2 0. melynek szórása σ = 2 dekagramm volt.

hogy szignifikánsan változtak–e a paraméterek az előző évhez képest! Starking alma tömegét mérték g–ban. hogy a minta normális eloszlásból származik. Az egyikre végzett n = 9 független mérés során X = 0. 750. 152. 155. Ellenőrizzük. A mérőeszköz szórása [egyúttal a két minta elméleti szórása] σ = 0. p = 0. 308. 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. 748. 317. 11 nap szórással. 300. 288. 155. 751. 750. 154. hogy mennyi idő múlva kerül vissza a gyárba a visszaváltható palack. Vizsgáljuk meg. 743. 753. 296. és az Y elemei: 300. 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. A következő évben spórolás céljából egy jóval kisebb vizsgálatot terveznek. 25 véletlenszerűen kiválasztott korsó esetében X = 6 mm. 744. 154. Feltéve. 300. 301. 751. Szignifikánsan kevesebbet vallottak–e be 95%–os szinten a tényleges fogyasztásnál az áramszolgáltató fogyasztói? Egy üdítőital gyárban egy évben nagyszabású felmérést végeznek arra vonatkozóan. 747. ahol µ1 és µ2 a két gép által töltött mennyiségek várható értéke! .5%−át? Állatokon végzett bizonyos kezelés hatását vizsgáljuk a testsúlynövekedésre vonatkozóan. A mérési eredmények igen jó közelítésben normál eloszlást mutatnak.0012. mint a nem kezelteknél? 22. 746. azaz hány napos a forgási sebesség. véletlenszerűen kiválasztott 50 palackot jelölnek meg. 748. Az X elemei: 305. hogy a két sokaságban a várható érték megegyezik? Egy áramszolgáltató vállalat 200 véletlenszerűen kiválasztott háztartásban tételesen ellenőrzi. 156. míg a másik gép által töltött mennyiség: 749. az 5 mm–t.1672 [század N]. 25 Ellenőrizzük. hogy a forgási sebesség átlagosan 42 nap. hogy a kezelt állatoknál nagyobb a gyarapodás várható értéke. 18. Legyen a gépenként véletlenszerűen kiválasztott 7–6 doboz töltősúlya az X−re. A mintában az átlag 47 nap 14 nap szórással.19 16. 303. 19. mekkora tőkét kell lekötni palackok formájában.05 megbízhatósági szinten vizsgáljuk meg a µ1 = µ2 hipotézis helyességét. 748. 95%–os megbízhatósági szinten elfogadható–e a minta alapján az a feltételezés. hogy az almák tömegének szórása nem haladja meg az átlaguk 1. 151. ha σ1 az X elméleti szórása és σ2 az Y elméleti szórása! Laboratóriumi mérleghez kétféle tárasúlyt azonos súlyúra kell méretezni. illetve az Y −ra vonatkozó 6 elemű minta. 747. hogy hány napot töltött a megfelelő palack a gyáron kívül. 744. 748. 314.1683 [század N] mintaátlagot kaptunk. 753. 745. 25 kWh szórással. Ez alapján az eredmény az. 743. 20. és a 10 elemű minta az alábbi értékeket adta: 150. s∗ = 3 mm. hogy 95%–os megbízhatósági szinten teljesül–e a H0 : σ1 = σ2 nullhipotézis. teljesül–e az előírás 5%–os szignifikancia szinten! Egy konzervgyár mindkét próbaüzembe állított gépén 300 grammos konzervek gyártását kezdte meg. Két borpalackozó gép által a palackokba töltött mennyiségeket megmérték. Az egyik gép által a palackokba töltött mennyiség ml–ben kifejezve: 742. 158. 17. Ellenőrizzük 5%–os szignifikancia szinten. eljárás II. Több ezer palackot jelölnek meg vonalkóddal és regisztrálják visszaérkezéskor. és a napok száma jó közelítéssel normális eloszlást követ. 95%−os megbízhatósági szinten elfogadható-e. 750. a másikra m = 16 független mérésből Y = 0. eljárás 305 300 317 301 308 303 300 288 314 294 316 296 23. 294. 316. 745. 21. 749. 749. A mintában egy adott hónapban átlagosan 5 kWh–val kevesebbet diktáltak be. hogy egy hónapban a telefonon bediktált fogyasztási adatok megfelelnek–e a valóságnak. 155.

A mérések alapján megállapított részeredmények: az A műszeren végzett 100 mérés során a mintaátlag X = 0. másrészt ne repüljön a gép fölösleges kapacitással. hogy a többi vendéglős figyelmét is felhívják a problémára. Ezért időről időre ellenőrzik. hogy a felnőtt utasok testsúlya nem tér–e el a feltételezettől. 7–szer 2–est. Kúpgörgős csapágy belső gyűrűjének kúpszögét mérjük egy hitelesített A műszerrel és egy hitelesítendő B műszerrel. 5%–os szignifikancia szinten! 30. 6–szor 5–öst és 17–szer 6–ost.5 19 11. ha a H0 : µ1 = µ2 hipotézis fennáll. Y szintén normál eloszlású.5 − 11.5 − 13 11 Feltehető–e.20 24. Hitelesnek tekinthető–e a B műszer? 25. a B műszeren végzett mérés eredménye. 11–szer 4–est. 237–szer 4–est. akik között . Szabályosnak tekinthető–e a kocka? 29. Egy hónap múlva újabb 15 véletlenszerűen kiválasztott vendéglő kerül sorra.5 24 5. Oktatáskutatók véleménye szerint az egyetemi oktatás hatékonyabb kis– és középcsoportos oktatási formában.471 és a korrigált emprikus szórás 1. Ellenőrizzük. míg a B műszeren szintén 100 mérés során a mintaátlag Y = 0.5 12 1.01−es szignifikancia szinten ellenőrizzük le.5 − 3. hogy egyrészt ne terheljék túl a gépet.5 25 3. majd megbüntetik a tévesen számlázókat.5 26 9. hogy egy adagolóautomata működésének vizsgálatához 174 doboz mérését végezték el. Egy fogyasztóvédelmi akciócsoport 10 véletlenszerűen kiválasztott vendéglőben teszteli Sepsiszentgyörgyön. 7 családban 3 lány és 3 családban 4 lány volt. Egy 32 elemű véletlen minta alapján azt találták. hogy 4 családban nem volt lány. illetve széleskörűen hirdetik az eredményeket. Az A műszeren végzett mérés eredménye. 10 családban 1 lány. Egy kockát 1400–szor feldobva az egyes számok gyakoriságára a következőket kaptuk: 228–szor dobtunk 1–est. A grammokban adott névleges tömegértéktől való eltérés értékeit osztályba sorolva az alábbi táblázatot kapták: 0 − 1. Szabályosnak tekinthető–e a kocka? 26. 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. A légitársaság a terhelést 78 kg–os átlagos testsúlyra és 11 kg–os szórásra tervezi. Akkor tekinthető hitelesnek a B műszer is. A légi közlekedésben fontos figyelemmel kísérni az utasok átlagos testsúlyát. ahol µ1 az X várható értéke és µ2 az Y várható értéke. 235–ször 5–öst és 236–szor 6–ost. Tegyük fel.5 − 4. E feltételezés tesztelésére egy alapozó tárgyat az egyetemen kis– és nagycsoportos formában egyaránt meghirdették.5 35 7.269. hogy az előírt tömegértéktől való eltérések normális eloszlásúak? 31. hogy szignifikánsan csökkent–e az átlagos túlszámlázás nagysága. hogy hány lejjel károsítják meg őket. A feltételezés ellenőrzése céljából megmérték 100 véletlenszerűen kiválasztott utas súlyát. Az X karakterisztika jelentse a négygyermekes családokban a lányok számát. hogy az X binomiális eloszlású–e! 28. X normál eloszlású.754.5 − 9.625 és a korrigált empirikus szórás 0.5 − 5. Egy kockát 60–szor feldobva az egyes számok gyakoriságára a következőket kaptuk: 15– ször dobtunk 1–est.5 − 7. hogy a kis– és középcsoportos oktatás hatékonyabb–e? 27. 4–szer 3–ast. 8 családban 2 lány. 224–szer 3–ast. Mindegyik kurzust ugyanaz a tanár oktatta. 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. mint nagy hallgatói létszámú csoportokban. 0.5 22 4. A félév végén a vizsgát a hallgatók közösen írták. 240–szer 2–est.

és korrigált empirikus szórásnégyzetét! b. 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. majd 5%–os szignifikancia szinten teszteljük azt a nullhipotézist. 38 félig érett és 31 érett szárazanyag tartalma 10 − 20% között. 15 utas testsúlya a (60. 41. hogy független. hogy a terhelhetőség várható értéke a mintaelemek átlaga. pénteken 12. hogy a várható magasság 178 cm! Feltételezhető–e. hogy a veleszületett rendellenességek összefüggésben vannak–e az anyát a terhesség első 3 hónapjában sújtó megbetegedésekkel [kivéve a vírusos megbetegedést. Adjunk meg egy olyan intervallumot. 45. Adjunk meg egy olyan intervallumot. javítható. hogy a terhelhetőség normális eloszlású a becslésből adódó szórással és adjunk meg egy olyan intervallumot. Az átmérő nagysága alapján az elkészült gyűrűket három kategóriába soroljuk: jó. Találomra kiválasztunk n = 200 darabot annak ellenőrzésére. Ellenőrizzük 0. 42. hogy a terhelhetőség várható értéke 40 kg–mal azonos! e. amelyeket külön vizsgáltak]. 32 utasé a (70. 177. 41. 181 [cm]. 36. Egy heti megfigyelés alapján a betörések száma az alábbi volt: hétfőn 6. Mi a valószínűsége. 177. 173. 39. 45. 179. 45. g és h pontoknál a teoretikus. 39. hogy egy játékszer terhelhetősége 15 és 28 kg közé esik? f.21 32. 180. a. selejtes.05 szignifikancia szinten. csütörtökön 7. 90]. Henry–féle egyenes és χ2 próba alkalmazásával végezzünk normalitásvizsgálatot! c. Ezután tegyük fel még azt is. 34. . 100] és 5 utasé a (100. 80]. Az összes vizsgált. 37. A minta alapján feltehetően változik–e a szárazanyag tartalom az érés során? Gyermekgyógyász szívspecialisták foglalkoztak azzal a kérdéssel. hogy egy játékszer terhelhetősége eléri a 46 kg–ot? h. 44 nő volt. Csapágygyűrűknél fontos minőségi jellemző a belső átmérő (R1) és a külső átmérő (R2). 44. 48.9 valószínűséggel esik bele! [az e. amelybe egy találomra kiválasztott játékszer terhelhetősége 0. kedden 8. 60]. szerdán 5. hogy a külső és a belső átmérő független–e egymástól. f. Határozzuk meg az adatok empirikus eloszlásfüggvényét. Mi a valószínűsége. A mérés eredménye kg–ban kifejezve: 7 utas testsúlya az [50. 44. 38. 70]. amely a terhelhetőség várható értékét 95%–os valószínűséggel tartalmazza! d. 42. Mi a valószínűsége. Nullhipotézisünk az. Teszteljük azt a hipotézist. 33. 174. hogy a vízben oldható szárazanyag tartalom különbözik–e a mintában. 172. 169. tehát nem a mintából számolt értékeket kell meghatározni!] 15 egyén testmagasságára a következő mérések adódtak: 171. hogy a testmagasság normális eloszlású? Egy város rendőrsége szerint az éjszakai betörések száma egyenletesen oszlik meg a hét napjain. 41. 42. 46. 183. 39. 40. függetlennek tekinthető–e az anyáknál történő megbetegedés a gyermekek veleszületett rendellenességétől! 37. A mérési eredmények a következők: 29 félig érett és 68 érett szárazanyag tartalma 0 − 10% között. 35. 43. 110] intervallumban volt. Ezután tegyük fel. empirikus várható érékét. 44. szombaton 17 és vasárnap 15 betörést jegyeztek fel. 28 utasé a (80. Végezzük el az eloszlás normalitására vonatkozó feltételezés ellenőrzését! Egy gyermek játékszer fizikai terhelhetőségére elvégzett próbatesztelések a következő mérési eredményekre vezettek [kg–ban kifejezve]: 40. hogy egy játékszer terhelhetősége nem éri el a 13 kg–ot? g. 46. 176. 53 félig érett és 21 érett gyümölcs szárazanyag tartalma 20% feletti volt. amely a várható magasságot 95%–os valószínűséggel tartalmazza. hogy igaz–e a rendőrség állítása! Félig érett és érett gyümölcsökre egyaránt 120 − 120 mérést végeztek annak eldöntésére. 43. 175. 178. Az adatok szórása ismeretlen. 46. 13 utasé a (90. 179.

Az érszűkületet okozó gyógyszert szedő páciensek közül egy 40 elemű mintát vettek és a vérnyomásértékek [Hgmm–ben] a következők: 126. 127. 39. 143. 124. hogy az egészséges páciensek körében a systoles vérnyomásérték várható értéke 120 Hgmm és a szórása 10 Hgmm. hogy nem. 125. 124. 123. 116. 24. több ezres mérés alapján ismert. Közlekedésbiztonsági szervek 1000 személyi sérüléses közúti balesetet vizsgáltak meg aszerint. 96%. érszűkületet okozó gyógyszeres kezelés hatását vizsgálták a páciensek vérnyomására nézve. 96%. Döntsünk χ2 próbával az alábbi kontingenciatáblázat alapján. 96%. hogy a reumatoid artritisben szenvedő betegek átlagos kalcitonin szint értéke szignifikánsan kisebb mint az egészséges páciensek átlagos kalcitonin szint értéke? . 125. 112. 45. 39.9 pg/ml. 135. hogy a baleset kimenetele független–e attól. 32. 99% megbízhatósági szinten] hossza legfennebb 8 Hgmm lehet. 96%. 140. 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. hogy a kalcitonin szint értékek eloszlása normális eloszlásból származik [az osztályba sorolásnál használjuk a STURGES–féle szabályt]. 96%. b. 29. hogy az egészséges páciensek körében a kalcitonin szint átlagos értéke 47. 36. akkor legalább hány mérést kell elvégezni? 39. 34. 128. Ha a konfidencia intervallum [95%. 122. 35. 35. 46. 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. hogy a vérnyomás értékek eloszlása normális eloszlásból származik [az osztályba sorolásnál használjuk a FREEDMAN–DIACONIS szabályt]. 30. 21. Egy adott típusú. 40. 43. 99% megbízhatósági szinten]. 48. A hipotézis tesztelésére 40 reumatoid artritis betegségben szenvedő beteget vizsgáltak meg és megmérték a kalcitonin szintjüket. Igaz–e. 131. 135. 135. 19. 115. 117. 125. 23. 34. 37. 27. 27. 96%. 20. 121. 31. 40. 37. 122. Adjunk meg az érszűkületet okozó gyógyszert szedő páciensek átlagos systoles vérnyomás értékére konfidencia intervallumot [95%. 99% megbízhatósági szinten]. 115. 130. 39. 140. 38. 99% megbízhatósági szinten]. 128. a. 125. b. Előzetes. Igaz–e. 120. 127. 37.22 ellenhipotézisünk az. Előzetes több ezres mérés alapján ismert. 115. Kutatások igazolják. 99% megbízhatósági szinten]. A mérési eredmények [pg/ml–ben kifejezve] a következők: 26. 129. Igazoljuk [95%. 99% megbízhatósági szinten]. hogy az illető viselt–e biztonsági övet! 40. 130. 125. egy alkalmas próba segítségével [95%. 33. 46. 42. Hasonlítsuk össze az egészséges páciensek átlagos systoles vérnyomás értékét az érszűkületet okozó gyógyszert szedő páciensek átlagos systoles vérnyomás értékével [95%. 110. 44. 140. 28. a. 25. Hasonlítsuk össze a reumatoid artritisben szenvedő betegek átlagos kalcitonin szint értékét az egészséges páciensek átlagos kalcitonin szint értékével. 34. 26. 135. 121. hogy az érszűkületet okozó gyógyszert szedő páciensek átlagos systoles vérnyomás értéke szignifikánsan nagyobb mint az egészséges páciensek átlagos systoles vérnyomás értéke? c. 132. 126. 126. Igazoljuk [95%. hogy a reumatoid artritis betegségben szenvedő betegeknél nagyobb az esélye a csontritkulásnak. 38. hogy milyen súlyos volt a baleset és a baleset alkalmával a sérült viselt-e biztonsági övet. 24.

30 pár cipő vizsgálatánál a következő értékeket kapták [10 N/cm–ben]: 1.65.15. 99% megbízhatósági szinten] hossza legfennebb 8 pg/ml lehet. 3.06. 96%−. 96%−. 4. A mért értékek [10 N/cm–ben]: 1.8 [10 N/cm]. hogy a 20 elemű minta szintén normál eloszlásból származik. a.39.35.05. Adjunk meg a reumatoid artritisben szenvedő páciensek átlagos kalcitonin szint értékére konfidencia intervallumot [95%.26. Egy szabvány előírás szerint a cipők átlagos talpfelerősítési szakító szilárdság értéke 3.01. 1/4−ed és 3/4−ed rendű kvantiliseit.85.75. 4. 99%−os megbízhatósági szinten] döntsük el. 3.55. 4. 4. 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. Feltételezve. 4. 4.65.85. 4. 96%.46. Egy másik alkalommal 20 pár cipő talpfelerősítési szilárdságát mérték.75.35. Egy marketinggel foglalkozó cég vezetője arra kíváncsi.57. akkor legalább hány mérést kell elvégezni? d. 3. majd a YULE–féle asszimetria együtthatóját! Mire következtethetünk a YULE–féle együttható értéke alapján? Mutassuk ki.94. 2.65. 4.15. 99%−os. 4. 4. 99%−os megbízhatósági szinten] a 30 és 20 elemű minták szórásainak.75.55.75. 2. 3. 3. 3. azaz az a alpontbeli osztályba sorolás felhasználásával igazoljuk [95%−. 3. 3.95.05.97. 3. 96%−. Az adatokat úgy gyűjtötték.55. 3.25. 5. 5. A cipők talpfelerősítési szilárdsága véletlentől függő változó.35. 4. Ha a konfidencia intervallum [95%.89.99. STURGES–féle szabály használatával soroljuk osztályokba a mért értékeket! Számítsuk ki az így kapott minta mediánját.35.83.95. 5. 3. hogy egy adott termékből egy hónap alatt hány darabot sikerült az ügynöknek eladni. 3. Alkalmas próbával [95%−. 4.79. 2.45.15. 3. 96%−.23 c. 2. hogy jól kiképzett munkatársainak ügynöki teljesítménye független–e az életkortól. 99%−os megbízhatósági szinten]. 3.25.45.65. 6.5. illetve várható értékeinek eggyezőségét! .67. 96%. 96%−. 5. 99%−os megbízhatósági szinten]. 3. 3. hogy a talpfelerősítési szilárdság eloszlása normális eloszlásból származik! c. hogy az adatok alapján a talpfelerősítési szilárdság eloszlása jól közelíthető normál eloszlással! [szerkesszük meg a sűrűséghisztogramot] b. 5. illetve 95%−. 99%−os megbízhatósági szinten] hossza legfennebb 0.75 [10 N/cm] lehet.5. Adjunk meg a talpfelerősítési szilárdság [ismeretlen] átlagos értékére konfidencia intervallumot [95%−. 5. vizsgáljuk meg [95%−. hogy a gépkocsijavítási igények és a gépkocsi típusa függetlennek tekinthető–e? 43. Egy megye 60 ezer személygépkocsi tulajdonosa közül véletlenszerűen kiválasztottak 50– et a gépkocsijavítási igények és a gépkocsi típusa közti kapcsolat jellegének feltárására.15. 3.75. 3. 3. Ha a konfidencia intervallum [95%−. 4. hogy a 30 mérés átlaga megfelel–e a szabványelőírásnak! e. 2. Erősítsük meg az a alpontbeli állításunkat egy alkalmas próbával. 4. 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. 4.75. 4. 5. akkor legalább hány mérést kell elvégezni? 41. 99% megbízhatósági szinten].65.2.

494. 96%−. 493. 188. 96%−. 171. 500. Feltételezve. 511. 491. 504. 496. majd a YULE–féle asszimetria együtthatóját! Mire következtethetünk a YULE–féle együttható értéke alapján? Mutassuk ki. Ugyanabban az acélüzemben. Alkalmas próbával [95%−. 516. 498. hogy a 24 mérés átlaga megfelel–e az acélüzem követelményeinek! e. 168. A mért értékek [N/mm2 −ben]: 473. 99%−os megbízhatósági szinten] a 31 és 21 elemű minták szórásainak. 529. 499. 128. 146. Ha a konfidencia intervallum [95%−. 508. . 493. 99%−os megbízhatósági szinten]. akkor legalább hány mérést kell elvégezni? d. 515. Egy acélüzemben a C–10 5 órás diffúziósan izzított acélnál a hajlító határfeszültségre a következő értékeket mérték [N/mm2 −ben]: 111. vizsgáljuk meg [95%−. 182. 501. 160. 489. 167. 1/4−ed és 3/4−ed rendű kvantiliseit. 525. 150. 512. hogy a 21 elemű minta szintén normál eloszlásból származik. 125. hogy a hajlító határfeszültség eloszlása normális eloszlásból származik! c. hogy a 31 mérés átlaga megfelel–e az acélüzem követelményeinek! e. 210. 182. 173. 488. 514. 99%−os megbízhatósági szinten]. 139. Ugyanabban az acélüzemben. 509. hogy az adatok alapján a hajlító határfeszültség eloszlása jól közelíthető normál eloszlással! [szerkesszük meg a sűrűséghisztogramot] b. 96%−. 96%−. szintén az A–50–es acél szakítási szilárdságát ellenőrizték és az egész sokaságból 21 mérést végeztek. 96%−. 496. 1/4−ed és 3/4−ed rendű kvantiliseit. Egy acélüzemben az A–50–es acél szakítási szilárdságának ellenőrzésére az egész sokaságból 31 mérést végeztek. 96%−. 483. 186. Erősítsük meg az a alpontbeli állításunkat egy alkalmas próbával. 143. akkor legalább hány mérést kell elvégezni? d. 512. 96%−. hogy az A–50–es acél szakítószilárdság eloszlása normális eloszlásból származik! c. 172. 481. 162. 99%−os megbízhatósági szinten] hossza legfennebb 10 [N/mm2 ] lehet. illetve várható értékeinek eggyezőségét! 45. 152. 495. a. 514. 519. illetve 95%−. 99%−os megbízhatósági szinten]. A mért értékek [N/mm2 −ben]: 470. egy másik alkalommal. 118. 198. 502. 506. 96%−. 129. 184. a. 169. 226. 99%−os megbízhatósági szinten]. azaz az a alpontbeli osztályba sorolás felhasználásával igazoljuk [95%−. FREEDMAN–DIACONIS–féle szabály használatával soroljuk osztályokba a mért értékeket! Számítsuk ki az így kapott minta mediánját. 170. A mért értékek [N/mm2 −ben]: 113. 99%−os. szintén a C–10 5 órás diffúziósan izzított acél hajlító határfeszültségét ellenőrizték és az egész sokaságból 21 mérést végeztek. 96%−. 99%−os megbízhatósági szinten] hossza legfennebb 25 [N/mm2 ] lehet. 492. Adjunk meg a hajlító határfeszültség [ismeretlen] átlagos értékére konfidencia intervallumot [95%−. Feltételezve. 176. 507. 175. egy másik alkalommal. azaz az a alpontbeli osztályba sorolás felhasználásával igazoljuk [95%−. 517. Alkalmas próbával [95%−. 492. Adjunk meg a szakítószilárdság [ismeretlen] átlagos értékére konfidencia intervallumot [95%−. 193. 497. Erősítsük meg az a alpontbeli állításunkat egy alkalmas próbával. hogy az adatok alapján a szakítószilárdság eloszlása jól közelíthető normál eloszlással! [szerkesszük meg a sűrűséghisztogramot] b. 183. 142. 178. 513. majd a YULE–féle asszimetria együtthatóját! Mire következtethetünk a YULE–féle együttható értéke alapján? Mutassuk ki. 489. 493. 218. 499. 502. 505. 490. 497. 174. FREEDMAN–DIACONIS–féle szabály használatával soroljuk osztályokba a mért értékeket! Számítsuk ki az így kapott minta mediánját. 184.24 44. 506. 164. 99%−os megbízhatósági szinten] döntsük el. 516. 530. 163. 485. 165. Az acélüzem szabvány előírása szerint az A–50–es acél átlagos szakító szilárdság értéke 500 N/mm2 . Az acélüzem szabvány előírása szerint a C–10 5 órás diffúziósan izzított acél átlagos hajlító határfeszültsége 170 N/mm2 . 99%−os megbízhatósági szinten] döntsük el. 213. 115. 495. 177. Ha a konfidencia intervallum [95%−. 140. 497. 185.

hogy leírható–e az adatsor POISSON eloszlással! [megj. illetve 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. 119. Vizsgáljuk meg [95%−. hogy leírható–e a fenti adatsor POISSON eloszlással! [megj. 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%−.25 hogy a 21 elemű minta szintén normál eloszlásból származik. mint 1926–tól 1975–ig. illetve intenzitása független–e egymástól! 51. hogy a két betegség megjelenése. 300 egyedet választunk ki a populációból véletlenszerűen. 168–szor talált 1 szemcsét. 99%−os. illetve várható értékeinek eggyezőségét! 46. 5–ször 5–öt. Észlelései szerint adott térfogatrészben 112–szer egyetlen aranyszemcse sem volt. 99%−os megbízhatósági szinten]. a POISSON eloszlás ismeretlen λ paraméterét a mintaátlaggal becsüljük és így becsléses illeszkedés vizsgálatot kell használnunk] 47. A mintában szereplő felvételizők összes pontszáma [amely a tapasztalatok szerint szimmetrikus eloszlást követ] a következő volt: 118. vizsgáljuk meg [95%−. Vizsgáljuk meg [95%−. Egy évben egy egyetem nappali tagozatára jelentkezők közül 30 fős mintát vettek egyszerű véletlen kiválasztással. 99%−os megbízhatósági szinten]. SWEDBERG svéd fizikus a BROWN–mozgás tanulmányozása során 518 megfigyelést végzett vízben lebegő aranyszemcsékre vonatkozólag. hogy a dombtető és a völgyfenék nyári hajnali minimum–hőmérsékleteinek eloszlása lényegesen különbözik egymástól. Számítsuk ki ezekből az eredményekből az aranyszemcsék számára vonatkozó relatív gyakoriságokat. Vizsgáljuk egy növényállomány állapotát két betegség (X és Y ) szempontjából! A két betegség nem zárja ki egymást. Igazoljuk [95%−. 96%−. . a POISSON eloszlás ismeretlen λ paraméterét a mintaátlaggal becsüljük és így becsléses illeszkedés vizsgálatot kell használnunk] 50. 99%−os megbízhatósági szinten] a 24 és 21 elemű minták szórásainak. 103. 1–szer 6–ot és 1–szer 7–et. 101. 32–szer 4–et. 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. 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. az észlelt aranyszemcsék számának átlagértékét. 130–szor 2 szemcsét. Az észlelt értékek az alábbi osztályközös gyakoriságokban fordultak elő. 69–szer 3–at. 99%−os megbízhatósági szinten]. 99%−os megbízhatósági szinten]. majd hasonlítsuk össze az így kapott adatokat a megfelelő POISSON eloszlás tagjaival. egyes egyedeken mindkettő tünetei megjelennek. 96%−. hogy a Tisza Szegednél mért évi maximális vízállásai ugyanazt az eloszlást követték–e 1876–1925 között. 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.

76. 79. azaz az a alpontbeli osztályba sorolás felhasználásával igazoljuk [95%−. 99%−os megbízhatósági . Adjunk meg a felvételizők [ismeretlen] átlagos pontszámértékére konfidencia intervallumot [95%−.8. 90. 92. 79. 109.1.2. 92. 91.3.5. 105. hogy az adatok alapján az X eloszlása jól közelíthető normál eloszlással! [szerkesszük meg a sűrűséghisztogramot] b. 99%−os megbízhatósági szinten] a 30 és 20 elemű minták szórásainak. 92. 96.3.8. 94.6. Feltételezve. FREEDMAN–DIACONIS–féle szabály használatával soroljuk osztályokba a fenti adatokat! Számítsuk ki az így kapott minta mediánját. Egy városban kis számú felmérés segítségével megvizsgálták. Erősítsük meg az a alpontbeli állításunkat egy alkalmas próbával. 81. 90. 125.6. 109. Ugyanazon az egyetemen. 99%−os megbízhatósági szinten] döntsük el.2.8.3.3. vizsgáljuk meg [95%−. 111. 99%−os megbízhatósági szinten]. azaz az a alpontbeli osztályba sorolás felhasználásával igazoljuk [95%−. 114.8. 88. 96.5. 108. hogy szignifikáns összefüggés van a politikai pártállás és a felekezeti hovatartozás között! 53. hogyan függ össze a vallásosság a politikai attitűdökkel. 98. Ebben a mintában szereplő felvételizők összes pontszáma [amely a tapasztalatok szerint szintén szimmetrikus eloszlást követ] a következő volt: 84.5. 92. 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. 94. Erősítsük meg az a alpontbeli állításunkat egy alkalmas próbával.9.2. 89. 97. 92.8. 89. 99%−os megbízhatósági szinten]. 84. 86.9. Több éves tapasztalat alapján ismert. hogy a 20 elemű minta szintén normál eloszlásból származik. 99. 95.2. 100. 96. 90. 110.9.1. Alkalmas próbával [95%−. 115. 119. 85. 83.7. 80. 87.5. hogy a felvételizők pontszámának eloszlása ténylegesen normális eloszlásból származik! c. 89.8. Tekintsük ezeket az adatokat egy X valószínűségi változóra [mely most az adott területen termett répa mennyiségét jelenti] kapott mintának. a. 106.1. 100. 93. 87.5. 91. 86. 104. 94.5.5. 112. 95. 87. 95. 81. 79. 79. 84. 79. 80.4. 89. 87.9. 116.3.26 121. 127. 115.2. majd a YULE–féle asszimetria együtthatóját! Mire következtethetünk a YULE–féle együttható értéke alapján? Mutassuk ki. 84.6. STURGES–féle szabály használatával soroljuk osztályokba a fenti adatokat! Számítsuk ki az így kapott minta mediánját.8. 112.9. 78.6.5. hogy a felvételizők átlagos pontszáma 100. 117. 1/4−ed és 3/4−ed rendű kvantiliseit. 60 egyenlő nagyságú területről a betakarított répatermés mennyisége [tonnában kifejezve] nagyság szerint rendezve: 70. hogy a 30 fős minta átlaga megegyezik–e a várt 100–as pontszámmal! e.2. 120. 89. majd a YULE–féle asszimetria együtthatóját! Mire következtethetünk a YULE–féle együttható értéke alapján? Mutassuk ki. 86.9. 110. a. 107.1. 99. illetve várható értékeinek eggyezőségét! 52. 75. 76.5. 88. szintén a nappali tagozatra jelentkezők közül egy 20 fős mintát vettek egyszerű véletlen kiválasztással. 113. 84. 108. hogy az adatok alapján a felvételizők pontszámának eloszlása jól közelíthető normál eloszlással! [szerkesszük meg a sűrűséghisztogramot] b. egy másik alkalommal. 87. 90. 92. 101.2. 116.1.5. 1/4−ed és 3/4−ed rendű kvantiliseit. Ha a konfidencia intervallum [95%−. 101.4. 94. 89. 93. 89.8. 99%−os megbízhatósági szinten] hossza legfennebb 4 lehet. 72. 98. 95. 82.8.9. 102. akkor legalább hány fős mintát kell vizsgálni? d. 91. 114. 82. Az egyszerűség kedvéért itt két egyszerűsített változóval vizsgáljuk az összefüggés meglétét. 97. 102. 89.

025. Például a tizenkettedik sorban és az ötödik oszlopban található 0. Ez Excelben a következőképpen kapható meg: NORMSDIST(1.1−p kvantilisek vannak feltüntetve p = 0.672.5)=4.0. mint az F próbánál.1−p/2 = t9. Így például az F6.jpg fájlban. Mivel a táblázatbeli értékek kétoldali próbára vonatkoznak.1−p = t20.05 szignifikancia szintű. ÚTMUTATÁS a táblázatokhoz [7] 1. A standard normal distribution.8729. 82.025 = χ15. hogy a 60 egyenlő nagyságú területről betakarított répatermés mennyiségének átlaga megegyezik–e a várt 88–as értékkel! e. ezért a jobboldali t próba esetén az értékeket át kell számítani. akkor azt a számot keressük.9503.262. vizsgáljuk meg [95%−. hogy az egymintás.05 szignifikancia szintű jobboldali χ2 próbához tartozó χ2 9. Fisher-Snedecor distribution2.05. fel.872856799.14−ben. 108. Például a p = 0.pdf fájlban a jobboldali χ2 próba kvantilisei vannak feltüntetve különböző szignifikancia szinteken. Hasonlóképpen az F6.49.1/2 átalakítás miatt a következőképpen kapjuk meg: TINV(0. 3. hogy u0.pdf fájl az egymintás vagy kétmintás kétoldali t próba kvantiliseit tartalmazza. Ugyanez Excelben: FINV(0.975 kvantilist a tizenötödik sorban és a harmadik oszlopban kell keresnünk: 6. A Student distribution.99 kvantilist akarjuk meghatározni.0. Ekkor a következőképpen járunk el: ha az u0.p/2 .950294397.1−0.92.9898.262122945. hogy a df1 szabadsági fok mindig nagyobb vagy egyenlő mint a df2 szabadsági fok].14) = 0.jpg fájlban az ötödik sorban és a hatodik oszlopban találjuk: 10. Több éves tapasztalat alapján ismert. 4.jpg fájlban a standard normál eloszlás eloszlásfüggvényének értékei találhatók négytizedesnyi pontossággal. kétoldali t próbához tartozó t9. 103.99. 91. Például a p = 0.26.975 kvantilist.6722382.05.20)=1.1−0. Alkalmas próbával [95%−. Ekkor kétoldali χ2 próbához a χ2 15. amelyben a Φ értéke 0.jpg fájlokban a jobboldali F próbához tartozó Fdf1 −1. 70. illetve 0. . Fisher-Snedecor distribution3. akkor legalább hány területről kell a termést vizsgálni? d. Excelben ugyanez a következő: CHI2 INV(0. 99%−os megbízhatósági szinten].0. 97.15)=27. ha rögzített p = 0. A tizenötödik sorban és a nyolcadik oszlopban a megfelelő érték 27. ha kétoldali χ2 próbához keressük a kvantiliseket. 99%−os megbízhatósági szinten] hossza legfennebb 6 lehet.05.27 szinten]. 105. vagyis Φ(1.05 rögzített szignifikancia szinten [azzal a kikötéssel.01 és p = 0.724718004. Ugyanez Excelben: TINV(0.pdf fájlban a kilencedik sorban és a hatodik oszlopban találjuk: t9.05 szignifikancia szintű jobboldali t próbához akarjuk kiszámítani a t20.5.99 kvantilist a Fisher-Snedecor distribution1.05/2 = t20.95 kvantilist a Fisher-Snedecor distribution3. Excelben ugyanezt a t20. 92.9)=2.jpg. hogy a betakarított répatermés mennyiségének eloszlása ténylegesen normális eloszlásból származik! c.6.5. 99.1−2·0. Hasonlóképpen kapjuk a χ2 15. hogy a szig2 2 nifikancia szint p = 0.91896016. akkor ezt az értéket a huszadik sorban és az ötödik oszlopban kell keresnünk: 1. Például. 99%−os megbízhatósági szinten] a 60 és 20 elemű minták szórásainak.95 kvantilist.jpg és Fisher-Snedecor distribution4.262158887.725. vagy kétmintás u próba kvantiliseit akarjuk meghatározni.pdf fájlban a kilencedik sorban és a hetedik oszlopban találjuk: 16. az ötödik sorban és a hatodik oszlopban találjuk: 4.33.1−p/2 = χ15. 87. Excelben ezt a következőképpen kapjuk: CHIINV(0. szintén arról a 60 egyenlő nagyságú területről egy 20 elemű mintát vettek egyszerű véletlen kiválasztással.975 kvantilist a Student distribution. 100.df2 −1. illetve várható értékeinek eggyezőségét! D. Ha a konfidencia intervallum [95%−.48836466 azonosságból kapunk. amelyet Excelben a CHIINV(0.99)=2. 109.15)=6.975 = 2.99 = 2.0. Feltételezve. Egy másik alkalommal. Adjunk meg a betakarított répatermés mennyiségének [ismeretlen] átlagos értékére konfidencia intervallumot [95%−. 81.1.14)=0. azaz a χ15.9)=16.0. 99%−os megbízhatósági szinten] döntsük el. Ebben a mintában a betakarított répatermés mennyisége [amely a tapasztalatok szerint szintén szimmetrikus eloszlást követ] a következő volt: 65.0.5)=10. A chi square distribution.6. 85. Tegyük.0.95 kvantilist a chi square distribution. Azonban.01. 86. hogy a 20 elemű minta szintén normál eloszlásból származik. 66.326341928. akkor hasonlóképpen járunk el. A Fisher-Snedecor distribution1. hogy a betakarított répatermés mennyiségének átlagos értéke 88. ezért megközelítőleg kapjuk. 75.8729 a standard normál eloszlás Φ eloszlásfüggvényének értéke 1. 89.975.0. illetve negyedik oszlopban a 0. Ugyanez Excelben: FINV(0. Ugyanezt Excelben a következőképpen kaphatjuk meg: NORMSINV(0.05.9901 értékek találhatók.jpg. Mivel a huszonnegyedik sorban és a harmadik. Most tegyük fel. 71. 2.

Sign up to vote on this title
UsefulNot useful