ELŐ SZÓ

Lektorálta Dr. O bádovics Csilla Dr. Szelényi László Dr. Szelezsán János

DR. OBÁDOVICS J. GYULA, 1995, 2001 © SCOLAR KIADÓ, 2003

Minden jog fenntartva, beleértve a sokszorosítást, a mű bővített, illetve rövidített változatának kiadási jogát is.

ISBN: 963-9534-00-5

Kiadja a SCOLAR KIADÓ 1114 Budapest, Bartók Béla út 7. Tel/fax: (06-1) 466-7648 E-mail: scolar@scolar.hu www.scolar.hu Felelős kiadó és felelős szerkesztő: Érsek Nándor A borítót tervezte: Máthé Hanga A könyv ábráit rajzolta: Érsek-Obádovics Robin, Szabó Béla Nyomta a Dürer Nyomda Kft. Felelős vezető: Megyik András

A valószínűségszámítás és a matematikai statisztika tárgyköre kb. 300 év óta folyamatosan, újabb és újabb eredményekkel gazdagszik. Eredményeit néhány évtized óta számos tudományterületen rendszeresen alkalmazzák különböző problémák megoldására. Folyóiratok és napilapok gazdasági, műszaki, mezőgazdasági, társadalomtudományi cikkeinek szerzői is gyak­ ran alkalmaznak állításaik bizonyításához valószínűségszámítási és statisz­ tikai módszereket. Közvéleménykutatási adatok feldolgozását, választások eredményeinek sok szempontú elemzését az újságolvasók széles köre rendszeresen olvassa. Félő, hogy elemi valószínűségszámítási és statiszti­ kai ismeretek nélkül ezekből a cikkekből hamis következtetéseket vonnak le. Mindezek figyelembevételével szükségesnek tartjuk, hogy már a kö­ zépiskolák minden típusában a valószínűségszámítás és a statisztika alap­ jaival megismertessék a tanulókat, mert az a gondolkodásmód, amely az említett cikkek megértéséhez nélkülözhetetlen, csak így alakulhat ki. Mivel a világ jelenségei nem determinisztikusak, hanem véletlenszerűek, ezért ki kell fejlesztenünk azt az érzéket, amely lehetővé teszi számunkra, hogy becsülni tudjuk a jelenségek bekövetkezésének valószínűségét, mert csak így dolgozhatjuk ki azokat a taktikai lépéseket, amelyek a következmények felerősítésére vagy éppen kivédésére, hatásuk csökkentésére alkalmasak. E könyv a valószínüségszámítás és a matematikai statisztika elemeit tár­ gyalja a középiskolai ismeretekre támaszkodva. Fejezetei a főiskolai és egyetemi oktatási programokhoz illeszkednek. Kidolgozott példái, feladatai a gyakorlati élet különböző területeinek problémáit ölelik fel. A feladatok megoldásai a könyv III. részében találhatók. Az I. rész a valószínűség­ számítást öt fejezetre, a 11. rész pedig a matematikai statisztika elemeit négy fejezetre bontva tárgyalja. A fejezetekhez űn. „ellenőrző kérdések” tartoznak, amelyekkel az Olvasó ellenőrizheti tudását, ha a kérdéses fejezet tanulását befejezte. A kérdések természetesen csak a legfontosabb fogal­ mak definícióira, a további fejezetek megértéséhez nélkülözhetetlen téte­ lekre, és az alkalmazás szempontjából fontos eljárásokra vonatkoznak. így az az Olvasó, aki korábbi tanulmányai során már szerzett bizonyos isme­ reteket, az ellenőrző kérdések alapján megállapíthatja mennyire biztos a tudása, és ha azt kielégítőnek találja, akkor a következő fejezet ismeretei­ nek elsajátítására térhet át. Javaslom, hogy az Olvasó a példákat és a fela­ datokat ilyen esetben is nézze át, ill. oldja meg, mert csak az önállóan jól megoldott feladatok adnak kellő biztonságérzést, a táblázatok használa­ tában való jártasságot, amely nélkül nem lehet jó eredménnyel vizsgázni.

6

Előszó

A könyvben való tájékozódást a jól tagolt tartalomjegyzéken kívül a na­ gyon részletes név- és tárgymutató teszi még könnyebbé. Mindazok, akik a könyvben foglaltakon túlmenő ismereteket kívánnak elsajátítani, az iroda­ lomjegyzékben találnak megfelelő műveket igényeik kielégítésére. Köszönetét mondok a könyv lektorainak, Dr. Sz e l e z s án Jánosnak és Dr. O b á d o v i c s Cs i l l ának a lektorálás fárasztó, de számomra igen sok segít­ séget nyújtó munkájáért és különösen É r s e k Nán do m?i k, aki nélkül sem ez a könyv, sem a szép kiállítású M a t e m a t i k a könyvem nem jelenhetett volna meg.
Dr. O b á d o v i c s J. Gy u l a

TARTALOMJEGYZÉK
ELŐSZÓ................................................................................................................................5 TARTALOMJEGYZÉK.................................................................................................... 7 GYAKRABBAN HASZNÁLT JELEK ÉS RÖVIDÍTÉSEK.................................. 11 I. RÉSZ 15

VALÓSZÍNŰSÉGSZÁMÍTAS...........................................................................................17

Balatonszárszó, 1994. december havában

ELŐSZÓ A NEGYEDIK KIADÁSHOZ Köszönetét mondok mindazoknak, akik felhívták figyelmemet a korábbi kiadásokban előforduló elírásokra és hibákra. Ez a negyedik kiadás néhány új témakörrel és számos - az alkalmazást és a tárgyalt módszer megértését elősegítő - példával gazdagodott. Köszönetét mondok a negyedik kiadás lektorainak, Dr. Szel é ny i L á s z l ó ­ nak és Dr. O b á d o v i c s Cs i l l ának igen gondos és precíz munkájukért.
Dr. O b á d o v i c s J. Gy u l a

ELSŐ FEJEZET............................................................................................................... 17 L l. B evezetés...............................................................................................................17 1.2. Esemény, eseménytér......................................................................................... 20 1.2.1. Műveletek esem ényekkel...........................................................................23 1.3. A valószínűség és axióm ái................................................................................ 27 1.3.1. Gyakoriság, relatív gyakoriság................................................................. 27 1.3.2. A valószínűség matematikai fogalma......................................................29 1.4. Valószínűségi m ezők ..........................................................................................33 1.4.1. Klasszikus valószínűségi m ező ................................................................ 34 1.4.2. Kombinatorikai összefoglaló.....................................................................35 1.5. Geometriai valószínűség....................................................................................45 E .l. Ellenőrző kérdések az 1. fejezethez................................................................ 47 V .l. Feladatok az 1. fejezethez..................................................................................47 MASODIK f e j e z e t ...................................................................................................... 51 2.1. Feltételes valószínűség....................................................................................... 51 2.1.1. Szorzási tétel................................................................................................ 54 2.2. A teljes valószínűség tétele............................................................................... 57 2.2.1. Bayes tétele...................................................................................................60 2.3. Események függetlensége................................................................................. 63 E.2. Ellenőrző kérdések a 2. fejezethez.................................................................. 67 V.2. Feladatok a 2. fejezethez...................................................................................67 HARMADIK FEJEZET.................................................................................................. 71 Valószínűségi változók és jellem zőik ...........................................................................71 3.1. Diszkrét valószínűségi változó......................................................................... 72 3.1.1. A várható érték............................................................................................. 75 3.1.2. Vonaldiagram és hisztogram.....................................................................77 3.1.3. A szórásnégyzet (variancia) és a szórás (diszperzió)........................... 81 3.1.4. Valószínűségi változók együttes- és peremeloszlásai..........................85 3.1.5. A valószínűségi változók közötti kapcsolat szorossága.......................89 3.2. Folytonos valószínűségi változó...................................................................... 97 3.2.1. Eloszlásfüggvény........................................................................................ 98 3.2.2. A sűrűségfüggvény...................................................................................103 3.2.3. Várható érték, szórásnégyzet és szórás................................................. 106 3.3. A valószínűségi változó egyéb jellem zői......................................................] 10

Balatonszárszó, 2001. június havában

5

VALÓSZÍNŰSÉGSZÁMÍTÁS ÉS MATEMATIKAI STATISZTIKA
3.3.1. A momentumok és alkalmazásuk.......................................................... 110 3.3.2. A médián..................................................................................................... 115 3.3.3. A /7-kvantiIis, a terjedelem és a m ódusz...............................................117 E.3. Ellenőrző kérdések a 3, fejezethez................................................................119 V.3. Feladatok a 3. fejezethez................................................................................. 120 NEGYEDIK FEJEZET..................................................................................................125 Nevezetes eloszlások......................................................................................................125 4.1, Diszkrét vaíószínüségeloszlások....................................................................125 4.1.1. Binomiális eloszlás....................................... ............................................125 4.1.2. Poisson-eloszlás........................................................................................ 131 4.1.3. Hipergeometrikus eloszlás...................................................................... 136 4.2. Folytonos eloszlások ....................................................................................... 138 4.2.1. Egyenletes eloszlás...................................................................................141 4.2.2. Exponenciális eloszlás............................................................................. 144 4.2.3. Normális eloszlás................................ ................................. ................... 146 E.4, Ellenőrző kérdések a 4. fejezethez................................................................155 V.4. Feladatok a 4. fejezethez......................................................................... ........155 ÖTÖDIK FEJEZET..................................... ..................................................................159 5.1. A Csebisev-egyenlőtlenség...................................................................... .......159 5.2. A nagy számok törvénye ............. ............................................................ ...... 162 E.5. Ellenőrző kérdések az 5. fejezethez.............................................................. 164 V.5. Feladatok az 5. fejezethez........................................................................ ...... 165

Tartalomjegyzék

9

3.4. A zF -próba.......................... .......................................... .................................. 218 3.5. Illeszkedés- és homogenitásvizsgálat............................. ..............................219 3.5.1. Illeszkedésvizsgálat.................................................................................. 220 3.5.2. Homogenitásvizsgálat.......................................................... ................... 222 3.6. Függetlenségvizsgálat -próbával.................................... ....................... 226

E.3. Ellenőrző kérdések a 3. fejezethez............................................................... 230 S.3. Feladatok a 3. fejezethez..................................................... ........................... 230 NEGYEDIK FEJEZET................................................................................................. 233 Empirikus képletek előállítása, korreláció- és regressziószámítás........................233 4.1. Az empirikus képlet kiválasztása.................................................................. 233 4.2. A paraméterek meghatározása........................................................................ 235 4.3. A statisztikai modell......................................................................................... 241 E.4. Ellenőrző kérdések a 4 . fejezethez............... ............................ ............ .......246 5.4. Feladatok a 4. fejezethez................. ............................................. ...... ..........246 III. RÉSZ 247

MEGOLDÁSOK.................... ............ ..................................... .........................................249 AZ I. RÉSZ FELADATAINAK MEGOLDÁSAI...................................... ............ 249 V .l. Az 1. fejezet feladatainak m egoldásai............... ................................... ..... 249 V.2. A 2. fejezet feladatainak m egoldásai.................................. .................. ......256 V.3. A 3. fejezet feladatainak m egoldásai..........................................................262 V.4. A 4. fejezet feladatainak m egoldásai...................................... .....................271 V.5. Az 5. fejezet feladatainak m egoldásai................................................... ....276 A II. RÉSZ FELADATAINAK MEGOLDÁSAI...................................................277 5.1. Az 1. fejezet feladatainak m egoldásai................. ........................................277 5.2. A 2. fejezet feladatainak m egoldásai....................................................... ....282 5.3. A 3. fejezet feladatainak megoldásai................................................... .........284 5.4. A 4. fejezet feladatainak m egoldásai.......................................... ...... .......... 285 IRODALOMJEGYZÉK............ ................... ...................... .................................. .....287 TÁBLÁZATOK.................................................... .................................................... ...289 1. sz. táblázat................................................... ............... ...................... ..................289 2. sz. táblázat........ ..................................... ......................................... ............ ........290 3. sz. táblázat.................. .................................... ............................................ .........291 4. sz. táblázat................... .................... ............. ....................................... ................292 5. sz. táblázat.................. ....... .............. ....................... ........................ .................. 293 6. sz. táblázat....... ....... .................. ..................... ................................. ....................294 NÉV- ÉS TÁRGYMUTATÓ.................. .................................................................. 295

II. RÉSZ

167

A MATEMATIKAI STATISZTIKA ELEMEI.................................. .................. ........169 ELSŐ FEJEZET................. ............................................. .......................... ........... ........169 1.1. Bevezetés ...................................................... .................................. .................. 169 1.2. Statisztikai m intavétel............. ................................... .................................. ..171 1.2.1 A statisztikai minta jellem zői..................................... ............................173 E .l. Ellenőrző kérdések az 1. fejezethez................. .................................. .......... 185 5.1. Feladatok az 1. fejezethez.......... .............. ...... ..............................................185 MÁSODIK FEJEZET......................... .............. ................................. ........................189 Statisztikai becslések......... ............. ............................ ................................................. 189 2.1. A pontbecslés m ódszere......... ......................................... .............. ................189 2.1.1. A maximum-likelihood módszer...........................................................192 2.2. Konfidencia-intervallum...................................................................... ........... 195 2.2.1. A várható érték becslése......... ................................ ...............................196 2.2.2. A szórás becslése............................................ ...... ..................................201 E.2, Ellenőrző kérdések a 2. fejezethez......... ........... .......................................... 203 5.2. Feladatok a 2. fejezethez......... ....................................................................... 204 HARMADIK FEJEZET............................... ................................................................205 Statisztikai hipotézisek vizsgálata...............................................................................205 3.1. Az egy- és kétmintás M-próba......... ........................................... ............ ...... 207 3.2. Egy- és kétmintás í-próba................................................. ............................. 212 3.3. A W elch-próba............................... .................................. ...............................215

rendezett pár A és B Descartes-szorzata { a . valódi részhalmaza .... részhalmaza ... b) az a.-nak (.4 = 2 4 a természetes logaritmus alapszáma e alapú exponenciális függvény binomiális együttható (n alatt c u n \ Z összegezés jele.-nak (. elemek halmaza { x |r (x ) } mindazoknak az x elemek­ nek a halmaza. b) szám «-es leképezés jele hozzárendelés jele függvények jele az a. b [ a-tól b-\g terjedő zárt ill.. amelyre érvényes van legalább egy olyan .. b \ \ a . nem részhalmaza .k2 .. pl..+ «« X n elem ismétíés nélküli per­ mutációinak száma V 3 p(ki ... hogy .. « 2..-nak (..x 2 ..--.-nek) ... mint kisebb vagy egyenlő nagyobb vagy egyenlő összeadás kivonás szorzás osztás {xi.x^) — > h-> /.-nek) nem eleme .nek) ..-re) létezik olyan ...-nek) halmazok egyesítésének jele halmazok metszetének jele halmazok különbségképzé­ sének jele A halmaz komplementere direkt vagy Descartes-íéle szorzat jele minden ....-nak (. mint nagyobb....4 != l-2 .kr) „ elem ismétléses per­ mutációinak száma (Xi..Xj) AxB V. g max {a.-nak (. % ! e nyílt intervallum százalék faktoriáüs: p l.. b számok közül N Z Q R \a\ a kisebb természetes számok halmaza egész számok halmaza racionális számok halmaza valós számok halmaza az a szám abszolút értéke k . n....-nek) .. n í=I P„ +Ö2+-...-ra (.... ..... Ü2 .. amelyekre a T(x) tulajdonság érvényes üres halmaz eleme . b számok közül a nagyobb min (a..k n különböző elem ismétlés nélküli ^-ad osztályú variá­ cióinak száma ..3 . } ű]..GYAKRABBAN HASZNÁLT JELEK ÉS RÖVIDÍTÉSEK egyenlő nem egyenlő azonosan egyenlő közelítőleg egyenlő definíció szerint egyelő kisebb.

számtani közép Görög ábécé 13 v. .n. a ^ variancia. (p(x) F{x). A) Pom on-eloszlás nid x„ módusz eloszlásfüggvény /?-kvantilise . M(X^) <I)(x) sűrűségfüggvény eloszlásfüggvény Yi 72 ferdeségi együttható lapultsági együttható valószínűségi változó vár­ ható eltérése médián (az eloszlás közepe) valószínűségi változó terje­ delme mi X változó Á:-adik momentu­ ma b(k.k Görög ábécé A f!.V* ry A 5 Ee z í.4 S.Up Ufz. H P valószínűségi vagy szignifikanciaszint konfidencia intervallum számított és táblázatbeli ér­ ték jelölése nullhipotézis és ellenhipoté­ zis jele Á:-adik centrális momentum Var X. szórás­ négyzet feltételes relatív gyakoriság v(Xj).12 VALÓSZÍNŰSÉGSZÁMÍTÁS É S MA TÉMA TIK AISTA TISZTIKA n elem k~&á osztályú ismét­ léses variációinak száma n elem fc-ad osztályú ismét­ lés nélküli kombinációinak száma N(m.F). D^ { X ) . r korreláció.U c II.v(yj) peremeloszlások w(xi .í) X. Ut Ho. y I ) együttes eloszlás Cov (X.x normális eloszlás standard normális eloszlás mintaközép. korrelációs együttható f i x ) .Y) kovariancia R(X.’\ x) a alfa béta gamma delta epszilon zéta éta Ii Kk A ióta kappa lambda mű nű kszí Pp Za Tx Yv <5^ XX T \ |/ ü Cű ró szigma tau üpszilon fi khí pszí ómega tapasztalati eloszlásfüggvény relatív gyakoriság tapasztalati és korrigált tapasztalati szórás tapasztalati és korrigált tapasztalati szórásnégyzet az H-próba értéke a í-próba értéke az F-próba értéke a x'^ -próba értéke BP Cl n. m D{ X) . X M^l NV P{A) P{A\B) az A esemény valószínűsége az A valószínűsége a B feltétel mellett (feltételes valószínűség) t F Oo omikron Pí 0 Ű théta Tln M{X).<7) N{0. p) binomiális eloszlás p { k . a X valószínűségi változó várható értéke X valószínűségi változó szórása l~Up-.á osztályú ismét­ léses kombinációinak száma biztos esemény lehetetlen esemény .k n elem k-a.

s/órásncgyzet és szórás Együttes.és pereme!oszlások Eloszlás. p-kvantilis N evezetes eloszlások C sebisev-egyenlőtlenség A nagy számok törvénye Fejezetenként ellenőrző kérdésekkel és feladatokkal . eseménytér M űveletek eseményekkel A valószínűség és axiómái Kombinatorikai összefoglaló Feltételes valószínűség A teljes valószínűség tétele Valószínűségi változók Diszkrét és folytonos valószínűségi változó Várható érték. médián.és sűrűségfüggvény Módusz.V a l ó s z ín ű s é g s z á m ít á s Esemény.

a folyók vízállására. a szerencsej átékokra vonatkozó megfigyelések. ábra). az időjárásra. hogy a lehetséges hat eset mmdegyikének (a kocka egy adott lapja felülre kerülésének a valószínűsége 1/6. a környezetében ismétlődően lejátszódó jelenségek megfigyelése alapján felkészült bizonyos események be­ következésére. Bevezetés Az emberiség már jóval korábban a valószínüségszámítás matema­ tikai megalapozása előtt. Ilyenek voltak pl. szabályos pontozású dobókockát (a továbbiakban röviden kockát. A kocka sok­ szori feldobásakor azt tapasztaljuk. Szabályos kocka lapjai Ezt a tényt úgy fejezzük ki. hogy mindegyik lapja az összes dobás kb. egy anyagában homogén. ábra. Általában egy véletlen esemény valószínűségén azt a számot . 1. 1/6-ában lesz felül. Tekintsünk pl.I.1. • • • • • • • • /. RÉSZ VALÓSZÍNŰSÉGSZÁMÍTÁS ELSŐ F E JE Z E T 1.

aki felismerte. Gyakran bizonyos feltételek által meghatározott korlátokkal. Huygens (1629-1695) foglalkozott. P. Huygens is megismerkedett. P. Cardano (1501-1576). B. 6 . a kísérlet eredményeit jellemző információ megkü­ lönböztethető értékei alkotják. hogy az nyeri a kitűzött pénzösszeget. A továbbiakban kísérletnek nevezzük az olyan tömegjelenség megfigyelését. Mi az oka annak. Sz. G. hogy determinisztikus. amely 1657-ben jelent meg. azonban modern elméletét A. amelynél a megfi­ gyelés szempontjából kiválasztott feltételek egyértelműen meghatá­ rozzák az eredményt. amely megadja. Kolmogorov dolgozta ki. Az említett problémákkal Ch. 2. 4. Általában két alapvető modellt különböztetünk meg: a deter­ minisztikus és a nem-determinisztikus vagy sztochasztikus modellt. D. Ezzel összhangban egy jelenségről is azt mondjuk. században A. J. Ars conjectandi (A sejtés művészete) c. s erre alapozva olyan mate­ matikai módszerek kidolgozása. hogy a valószínűség­ számítás jól alkalmazható a természet és társadalom véletlen jelen­ ségeinek vizsgálatára. hogy egy kockával páros számot dobunk A 19. Pascal. . de Moivre (1667-1754). Bernoulli (1654-1705) munkásságához. Bayes (17021754). de helyes általános megoldást B. az összes eset pedig: 1. L Bujfon (1707-1788). Csebisev (1821-1894) munkássága következtében. Jordán Károlynak (1871-1959) és mások­ nak az eredményeit továbbfejlesztve. Munkásságát követően a valószínűségszámítás feladatának megfogalmazása is módosult.18 VALÓSZÍNŰSÉGSZÁMÍTÁS 1. hogy két kockával dobva az első 24 dobás vala­ melyikében megjelenik a két hatos? 2. értekezésében rögzítette. Egy szenvedélyes szerencsejátékos. és a megoldásokat a „De ratiociniis in ludo aleae” c. Pl. N. 6. s a modell megfigyelése alapján következtetünk a modell jó sá­ gára. a kedvező esetek és az összes esetek számának hányadosaként definiálták. Jelentős eredmények fűződnek J. L. Galilei (1564-1642). A szerencsejátékokkal kapcso­ latos véletlen események matematikai vizsgálatával elsőként H. 4. egy kocka «-szeri feldobásánál megfigyeljük hányszor dobunk páros számot. Determinisztikus modellnek nevezzük azt. amit az alapok tisztázatlansága okozott. aki először nyer k számú játszmát. amely csak az ún. amelyekkel bizonyos események (véletlen tömegjelenségek) valószínűsége kiszámítható. amely a bizonytalanságot numerikusán méri. S. mivel 6 2 a kedvező esetek a 2. A valószínűségszámítás töretlen fejlődését akadályozta az egzakt matematikai megalapozottságának hiánya. A valószínűségszámítás klasszikus elméletét P. Pascal és P. (1623-1662). Mises (1883-1953). egy célgépen a gyártandó alkatrész méreteinek beállítása után megfigyeljük az elkészült alkatrészek tényleges méreteit. A 18. ha valamilyen okból akkor kellett abbahagyniuk a játékot. Th. mate­ matikai eszközökkel leírt jelenség. 5. annak valószínűsége. Kolmogorov E. vagyis három. Gauss (17771855). Poisson (1781-1840). de Méré a következő két problémával fordult Pascalhoz (1654): 1. Abban az időben a valószínűséget. Bőreinek (1871-1956). században pl. modell megfigyelését végez­ zük. L. Fermat adtak 1654-ben. de hátrá­ nyos arra fogadni. ún. hogy egy kockával dobva előnyös arra fo­ gadni. Kolmogorov elmélete elősegítette a valószínűségszámítás ugrásszerű fejlődését. A valószínűségszámítás matematikai megalapozásával foglalkoztak a 20. hogy a szóban forgó esemény az eseteknek k b . G. azaz hat. hányadrészében következik be. Hogyan kell mél­ tányosan felosztani a kitűzött pénzösszeget. A valószínűségszámítás feladata olyan mérték bevezetése. mű­ vében a nagy számok törvénye is megfogalmazásra került. „egyenlően valószínű” esetekre teljesül. . Két játékos megállapodik abban. A kísérlet különböző kimeneteleit a megfigyelés szempontjából kiválasztott mennyiség ill. Bevezetés 19 értjük. hogy az első négy dobás között megjelenik a hatos. N. mivel megszüntette azt a bizonytalanságot. század elejétől a valószínűségszámítás igen gyors fejlő­ désnek indult S. Laplace fog­ lalta össze. Bernstein (1880-1969) és R. amikor az első játékosnak még n < k . a halmaz. Fermat (1601-1665) és Ch. F. amelynek lefolyása a véletlentől függ.1.és mértékelméletre alapozva 1933-ban alkotta meg a valószínűségszámítás axiomatikus elméletét. Pl. K. L Lagrange (1736-1813) és mások bővítik a valószínűségszámítást új eredményekkel. a másodiknak pedig még m < k győzelem hiányzik? A problémák korábban is ismertek voltak. ha azonos feltételek megléte ese­ tén a jelenség mindig ugyanúgy játszódik le és szükségszerűen bekövetkezik. Ch. 3.

amelyek az 1. és az eredményt befolyásoló tényezőket nem. Valamely kísérletnél biztos esemény az. A 4 . A pénzérme feldobás kísérletét elegendő sokszor megismételve azt tapasztaljuk.6 } eseménytér részhalmazai.3 . Ezt úgy mondjuk. A5 .4 . hogy ™ valószínűséggel lesz a dobás kimenetele „fej” vagy „írás”. Ha pl. „írás”. 6 } halmazzal adható meg. ha a 2. 4. 2 . A hat elemi esemény tehát A^. . Esemény. A^ . azaz ű . halmazok jelölik. azaz ha figyelembe vennénk a feldobás előtti helyzetét. 5 .2. eseménytér Mit nevezünk eseménynek. 5 }. hogy a jelenségnek nem lennének meg az okai. A D esemény bekövet­ kezik. 4 . éspedig a kocka felülre kerülő lapján megszámlált pontok száma alapján. a halmazok egyesítésének és a metszet képzésének művele­ teit. 6 } . B és C események a g = {l. Egy jelenségről is azt mondjuk. hogy a lehetséges kimenetelek halmaza min­ den kísérlettel kapcsolatban megadható. A a páradan pontszámok. B d Q . Esemény. amelynél a meg­ figyelt feltételek alapján nem lehet egyértelműen meghatározni a kísérlet kimenetelét. Definíció. 4 . ha a 2. a pörgés gyorsaságát stb. egy szabályos pénzérme feldobásakor a „fej” vagy „írás” eredményt meg tud­ nánk mondani. 5 }. vagy egyes okokat nem veszünk figyelembe vizsgálataink során. jele: 0 . az eseménnyel azonosítjuk. amely a kísérlet során sohasem kö­ vetkezhet be. Q = {l. azaz bizonyos kimene­ telek összességét. A^. lehetséges kimeneteleit (a megfigyelés eredményeit). 6 vagy a 2. 6} A és B esemény összege tehát az az esemény. A 2 . ha a 2. 3 . eseménytér 21 Sztochasztikus modellnek pedig azt nevezzük. 3. A B esemény bekövetkezik. ha e jelenséggel kapcsolatos összes befolyásoló tényezőt számításba vennénk. akkor ezen eseményeket rendre {l. 3. Ha viszont csak azt vesszük figyelembe. 5 és 6-os dobásnak felelnek meg. 6 } és {2 . Legyen pl. 5 } . az elemi eseményeket pedig az ábécé többi indexes vagy index nélküli dőlt nagybetűivel. ha nem állítható elő tőle különböző események összegeként.{ 2 . hanem csak azt. jele: I. 5. A valószínűségszámítás témakörében végzett vizsgálatokhoz szto­ chasztikus modellt alkalmazunk. ha a figyelembe vehető feltételek nem határozzák meg egyértelműen a jelenség kimenetelét. Az eseményteret jelöljük ö-val. 4 . 5 számok közül bármelyiket dobjuk. Kísérletek végrehajtása ill. A 6 elemből álló eseménytérnek a biztos és a lehetetlen eseményt is számbavéve 2 ® részhalmaza van. 3. a dobás magasságát.5 . 4 . 5 elemi események valamelyike bekövetkezik. Egy A esemény elemi esemény. hogy véletlenszerű vagy sztochasztikus.20 VALÓSZÍNŰSÉGSZÁMÍTÁS 1. A Q teljes eseménytér a biztos eseménynek felel meg. 3. A Q helyett szokásos jelölés a görög nagy ómega. l ill. és a C esemény bekövetkezik. tehát a D esemény a B u C halmazműve­ lettel adható meg: ö = i5 u C = {2 . amely akkor kö­ vetkezik be. amelyek bekövetkezése a kérdéses esemény be­ következését vonja maga után. eseménytérnek? Ebben a szakaszban felhasználjuk a halmazelmélet elemi isme­ reteit. akkor azt mondjuk. 3. és így az elemi események ö -val jelölt eseménytere: Q = {Ay. a kísérlet kimenetele 1. 3. azaz ha a B vagy a C esemény bekövetkezik. Egy kocka feldobásával végzett kísérletnél hat elemi eseményt különböztetünk meg. hiszen az összes elemi eseményt tartalmazza.2. A^. C . A3. Pl. azaz A = {1. {2 . A( . 5 } 1. az elemi események összességét. 3 . hogy mit tekintünk lehetséges kimenetelnek. az 0 üres halmaz az eseménytér egyetlen elemét sem tartalmazza. 5 . hogy a pénzérmét feldobtuk. A Q eseménytér valamely részhalmazát. amely a kísérlet során minden esetben bekövetkezik. halmazát pedig eseménytérnek nevezzük. ill. Természete­ sen ez nem azt jelenti. Az eseménytér bármely részhalmazát esemény­ nek nevezzük. Általában feltesszük. valamint a kiegészítő halmaz képzésének műveletét. elemi ese­ ménynek. akkor a dobás eredménye véletlenszerűen lehet „fej” vagy „írás”. As . 2. Egy kísérlet egyes megkülönböztethető véletlentől füg­ gő. 4. lehetetlen esemény pedig az. 3 vagy 5. jelenségek megfigyelése előtt mindig meg kell határoznunk. 6 számok közül bármelyiket dobjuk. ezért akármilyen kimenetele van a kísérletnek a 0 esemény nem követ­ kezhet be. 4. ha A és fi esemény közül legalább az egyik bekö­ vetkezik. Jelölje D a páros vagy prímszámok dobásának eseményét. hogy nem ismerjük az okok összességét. azaz AczQ.{2 . C c z Q . B a páros pontszámok és C a prímszámok dobásának eseménye. 3. hogy közel fele arányban lesz „fej”. (szokás Q -val is jelölni). hogy az A esemény bekövetkezett. tehát az A. 2 .A2 .

hogy az A vagy B esemény közül legalább az egyik bekö­ vetkezik. az A és B diszjunkt halmazok.6} Megjegyzés Az események összetett kifejezésében előforduló zárójeles ese­ ménykülönbségek általában nem kezelhetők az elemi algebra sza­ bályai szerint.3 } = { l.. 2 . hogy melyik kockával dobtuk a 6 -ost és melyikkel az a) A k j B -vei. de azt nem tudjuk eldönteni.4.C különbség az az esemény. amely akkor kö­ vetkezik be. új eseményeket hoz­ hatunk létre. azzal azonosítjuk. Műveletek eseményekkel Egy kísérlet eseményeire alkalmazva a halmazműveleteket. 5 } 5-őst.. ha A nem következik be. A + B -vei jelölt összegén azt az eseményt értjük.: c felülvonás) komplementerével fejezhetjük ki. Lehetetlen esemény az. hogy nem dobunk prímszámot a C halmaznak a Q teljes hal­ mazra vonatkozó C (olv.2 } n { 2 . miként azt az előző pontban példákkal szemléltettük. így a nem megkülönböztethető két kocka feldobásával végzett kísérlet lehet­ séges kimeneteleinek száma 36. 4. azaz £■ = A n C = {3. 6 } 1. azaz e = {(l. ha nem lehetetlen esemény és nem bont­ ható fel A-tói különböző események összegére. B \ C = B n C = {2.1. de a C nem. a teljesen egyforma kocka feldobásával végzett kísérletsorozatnál a 6-1-5 do­ bás. Azokat az eseményeket.C = {4 . ha bármelyik bekövetkezése maga után vonja a másik esemény bekövetkezését is. Pl.6} és C = (2. ill.az elemi mate­ matikában használt műveleti jelekkel definiáljuk az eseményekre vonatkozó műveleteket. . 6 } különbségét.3}={1} E definíció értelmében 5 = {2. 1) . Legyen A és B két esemény. azaz 11 összeg dobásának eseménye egyértelműen megfigyelhető. . megfigyelhető eseményeknek mondjuk. amely soha nem következhet be. Egy kísérlet Q halmazát eseménytérnek nevezzük. ha Q minden eleme a kísérlet egy lehetséges kimenetelét jelöli. {1.. Két eseményt akkor mondunk egyenlőnek. lehetetlen esemény. Összefoglalva: eseményeknek a Q halmaz részhalmazait tekint­ jük. hogy mind az A mind a B esemény. Pl. . tőle független esemény összegeként állítható elő.4.(6 .: á felülvonás).6 ) . Egy A esemény kom plem entere (ellentéte). 2 ) .. Műveletek eseményekkel 23 Jelölje E a páratlan prímszámok dobásának eseményét. Az A elemi esemény. akkor az E esemény az A és C halmazok metszete. ha a fi esemény bekövetkezik. 2 ) .3...3 } . ill. akkor ezen események A páratlan és a páros számok dobása egyidejűleg nem következ­ het be.( 1. a valószínűségszámításban általánosan elfogadott .{ 2 } c) B \ C . amelyekről a kísérlet eredményéből egyértelmííen eldönthető a bekövetkezésük vagy nem bekövetkezé­ sük. az az esemény. . (6. B . 1). Definíció. { l. megfigyelni. 2 ) .( 6 . A • B -vei) jelölt szorzata az az esemény.22 VALÓSZÍNŰSÉGSZÁMÍTÁS 7. Definíció. Pl. Pl. Pl.6}= {4 . . B-nek és Cellentett eseményének szorzataként is defini­ álhatjuk. jele: A (olv.6 ) } A és B esemény szorzata tehát az az esemény. 5} kockadobás eseményeinek B .. amely akkor és csak akkor következik be.( 2 .2. azt az eseményt.2 } u { 2 . AB-vcl (ill. ha az A és B események mindegyike bekövetkezik. { l . amely akkor kö­ vetkezik be. . ill. 7. 1) . Az A összetett ese­ mény ha legalább két.( 2 .. Pl.6}n {l.3 } b) A nfi"V el. azaz C = {1..4. ( 2 . amely mindig bekövetke­ zik.2}\{2.2 . biztos esemény pedig az. Ebben a pontban a halmazműveleteknek megfelelő. és a kísérlet bár­ mely végrehajtása során a megfigyelt kimenetel Q pontosan egy elemének felel meg. azaz mindegyik be­ következik. ezért az A n B üres hal­ maz. ( 1.6 ) . .. azaz AnB=0. ill. A esemény tehát az A ellentett eseménye.

Tetszőleges elemekből álló halmazt. A teljes eseményrendszer eseményei közül . A + B = B + A 3. ill.C ) + B általában nem egyenlők. A + A = Q 2 . jelentse B a kettővel osztható szám dobását. M űveletek eseményekkel 25 az A . és nem több. akkor fennállnak az alábbi azonosságok. A(B + C) = AB + A C 2. + A„ = / teljesül.. A + A = [.B = A. ill. A B = A+B. hogy az A esemény maga után vonja a B ese­ mény bekövetkezését A c 5 szimbólumot használjuk. Könnyen belátható.„A „} eseményhalmazt teljes eseményrendszernek nevezzük.A2 . akkor a Q = {a . 2. az A és A egymást kizáró események. A0 = 0 (az összeadás kommutatív) (az összeadás asszociatív) (a szorzás idempotens) (a szorzás kommutatív) (a szorzás asszociatív) Definíció. azaz események összegének ellentettje az egyes események ellentettjének szorzatával. A + { B .. A A = 0 2 ..A + 0 = A 3 . A2.B ) . A halmazok és az események tehát ugyanannak az algebrának. Pl.A + I = I. Pl. hogy egy kísérlet eseményhalmazához tartozó események a bevezetett műveletekkel eseményalgebrát alkotnak. {A + B ) ~ C . B pedig az. továbbá van egy kitüntetett I eleme ( 7 = 0 ). mények olyan halmaza. A + BC = (A + B){A + C) (A szorzás és összeadás két disztributív törvénye) f) De Morgan féle szabályok: Ha A és fi események komple­ menterei A és B . . ha egyszerre nem következhetnek be. A + Q = Q d) l . és események szorzatának ellentettje az ese­ mények ellentettjének összegével egyenlő. A „.1. n) az ese­ A . amelyre i ^ j ) és Aj + A2 + . ill.a definíció értelmé­ ben. hogy az eseményalgebra műveleti szabályai a halmazelmélet műveleti szabályainak felelnek meg. azaz A n B = 0 . hogy 3 -nál nagyobb számot dobunk. ■Aj = 0 (i.. A{BC) = (AB)C = ABC c) l . azaz összegük (uniójuk) a biztos esemény és páronkénti szorzatuk (metszetük) a lehetetlen esemény. közülük legalább az egyik mindig bekövetkezik. az eseményekre vonatkozó kísérlet során . és az ele­ mek eleget tesznek az a ) . A + (B + C ) = (A + B) + C b) 1. Legyen A az az esemény. AQ = A e) 1. és így a hal­ mazalgebrai azonosságokkal azonosak az eseményalgebrai azonos­ ságok. 2. 3. C tetszőleges események.. . A^ ^ 0 (k =l . A z A és B eseményeket egymást kizáróknak nevezzük. . azaz A v j B = I és egymást kizáró események.. a fioo/e-algebrának tesznek eleget. amely ekvi­ valens az A . Ekkor B \ C a háromnál nem nagyobb páros szám dobását jelenti. .. Annak jelölésére. C pedig a háromnál nagyobb szám dobását. a) 1. { A .C egyenlőség mindig teljesül. AB = BA 3. Legyenek A. Az eseményekre definiált műveletek műveleti jeleit a valószí­ nűségszámítás témakörében az algebrában használt műveleti jelek­ kel szokás helyettesíteni és azt mondjuk.24 VALÓSZÍNŰSÉGSZÁMÍTÁS Pl..C ) . ugyanakkor 1. AA = A 2. A + A = A 2.2.2.mindig egy ese­ mény következik be. j = 1. akkor A +B =A B . azaz ha szorzatuk a lehetet­ len esemény. vagyis A n B = 0 . A + B = B kifejezésekkel. ill.í B + C ) = ( A .n . .e ) axiómáknak Boole-algebrának nevez­ zük (George Boole (1815-1864) angol matematikus és filozófus). valamint egy egyváltozós művelet A van ér­ telmezve. azaz a kettes számot. B. hogy a kockával 4-nél kisebb számot.b ] teljes eseményrendszer. Legyen A]. Ekkor a e = {A.. Definíció. amelyben két kétváltozós művelet A + fi és AB. Pl. Megjegyzések 1. A/ = A. .

vagy egyiken sem. ill. jelölje C az az esemény. hogy legalább egy csövön áramlik gáz a három esemény öszszege fejezi ki: Aj + A2 + A3 . Tegyük fel. A valószínűség és axiómái Az eseményalgebrában láttuk. g) A + B -. e) A piros szalagon nincs. de a piroson nincs. azaz az ese­ ménytérrel. 1. vagy a 3. ezért C = A + B.C = A + B = A ■ B. Azt. A k számot az A esemény gyakoriságának nevezzük. valószínű­ ségét egy valós számmal megadni. Megoldás a) Az t az eseményt. vagy a 2 . Az eseményalgebrai azonosságok felhasználásával írjuk le a következő esemé­ nyeket. Az n-szer elvégzett kísérletben az A bekövetkezésének arányát a — szám fejezi ki. 2. c) B. Egy gázturbina működik. hogy a második dobás páros. ha A]. ha a hozzá csatlakozó három cső bármelyikén áramlik gáz. Egy üzemben a raktárból piros szalagon is és zöld szalagon is beszállítható az alkatrész. és megfigyeljük.3.3. A valószínűség és axiómái 27 1. de az is lehet. azt pedig. A3 esemény jelenti azt. a De Morgan-szabály ismételt alkalmazásával adhatjuk meg. Az eseménytér részhalmazaira előírt műveletekkel eseményalgebrát alkottunk és így azt matematikailag kezelhetővé tettük. azaz A j f) Az biztos. e) AB. ennek ellentett eseménye fejezi ki. a) AB. Most azt fogjuk megvizsgálni. Adjuk meg Megoldás Minthogy két szám szorzata mindig páros. hogy az 1. hogy mindkét szalagon nem folyik beszállítás. cső hibás és a másik kettő hibátlan ( A1A2A3 esemény). azt. ami az A-nak is és fi-nek is az ellentett eseményeként áll elő. d) A zöld szalagon van beszállítás.. hogy nincs. h) Egyik szalagon sem folyik beszállítás ( A + B . hogy a két szorzatuk páratlan. hogy az első A. b) A legalább egy cső hibás esemény azt jelenti. Legyen szám szorzata páros. Azt az eseményt.A B ). . hogy a C é s D eseményt az A és B eseményekkel. Egymás után kétszer dobás pontszáma páros. b) Legalább az egyik szalagon van beszállítás.1. vagy a 2. c) A pontosan két cső hibátlan esemény azt jelenti. A — számot az A esemény relatív gyakorisá­ k k 2. Azt az eseményt. vagy a 3. D pedig az az esemény. hogy a turbina nem kap gázt. hogy egyiken igen. hibás és a másik kettő hibátlan ( A]A2A3 esemény). hogy vagy az I. lehet. Ezt az eseményt pl. i) Vagy mindkét szalagon van beszállítás vagy egyiken sincs. Megoldás a) Mindkét szalagon van beszállítás. pedig B. Aj + A j + Aj = Aj Aj Aj . g) Egyik szalagon sem folyik beszállítás. d) B . Két szám szorzata csak akkor páratlan szám. hogy valamely kísérlet során miként lehet egy A esemény bekövetkezésének esélyét. 3.26 Példák VALÓSZÍNŰSÉGSZÁMÍTÁS 1. hogy egy kísérletet megadhatunk a kísérlet lehetséges kimeneteleinek Q halmazával. tehát D előállításához alkalmazhatjuk a De Morgaw-szabályt: D . ha az A-ra vonatkozó kísérletet sokszor meg­ ismételjük. Szavakkal fejezzük ki a következő eseményeket.A . Gyakoriság.. hogy a zöld szalagon van beszállítás B-vel. hogy az A esemény hányszor követke­ zett be. hogy egy n-szer elvégzett kísérletnél az A ese­ mény /c-szor következett be ( 0 < k < n). + A2 + A3 . hogy vagy az 1. A j A 2 A 3 4“ A j A 2 A 3 + A j A 2 A 3 . 3. b) A + B. csövön áramlik gáz: a) a turbina nem kap gázt. relatív gyakoriság Egy A esemény bekövetkezésének esélyére akkor nyerhetünk meg­ bízható információt. f) m i) AB + AB. de a piros szalagon lehet. c) pontosan két cső hibátlan. hogy egy adott műszakban van beszállítás a piros szalagon jelöljük A-val. A2 . c) A zöld szalagon nincs beszállítás.3. hibás és a másik kettő hibátlan ( AjAjAj esemény) és így a pontosan két cső hibátlan eseményt a három esemény összege adja. 1. ha mindkét szám páratlan. ha legalább az egyik szám páros. cső hibás. de a zöld szalagon ugyanakkor van beszállítás. b) legalább egy cső hibás. feldobunk egy kockát. hogy van. h) AB.

amely körül a relatív gyakoriság ingadozik. +A . az esemény valószínűségének nevezzük és P(A) -val jelöljük. tehát a relatív gyakoriság ebben az esetben 0 .3.3.B = 0 . ha teljesülnek az alábbi axiómák: I. ezért azt mondjuk.+ n n amelyből következik.P(Q) = 1. 4. és a lehetetlen eseményre k = 0 . . Azt a számértéket. A P-t valószínűségi függvénynek. amely körül valamely A esemény relatív gyakoriságának ingadozása viszonylagos stabilitást mutat. hogy P ( A i+ A 2 + . n + . Példa Dobjunk fel két szabályos kockát.28 VALÓSZÍNŰSÉGSZÁMÍTÁS 1. P(Q) = l. 8 Aj +^2 + .A és n . azaz I. akkor P(A + B) = P(A) + P(B). A2 . II. vagyis A. ezért 0 < -< l Mivel a Q eseménytér A eseményének valószínűsége az a P{A) valós szám.2.3..1 dobásokkal következik be. azaz az események mindegyikéhez egy valós számot rendelünk. vagyis a nem üres Q halmazon meg­ határozunk egy valós értékű P függvényt. + A j = P ( A i ) . Definíció.. A valószínűség matematikai fogalm a 29 gának nevezzük és csak k = 0. egyenlőtlenség. akkor ezért _ azaz a biztos esemény valószínűsége 1. Minden A c z Q eseményre 0 < P (A )< 1 . hogy a relatív gyakoriság egy bizonyos szám körül ingadozik.2. viszonylagos stabi­ litása figyelhető meg. hogy definiálható egy P függvény. + ■ III. ^Ay+Ao+.. amelynek P(A) he­ lyettesítési értéke adja az A esemény valószínűségét. mivel az egyik kocka minden lapjához a másik kocka hat lapja társulhat. hogy a relatív gyakoriságra vonatkozó tulajdonságok az esemény valószínűségére is érvényesek. 2.. n egyenlőtlenség teljesül a relatív gyakoriságra. .2. A valószínűség matematikai fogalma A kísérletek eredményeihez. egynél nem nagyobb valós szám. hogy a dobott pontszámok összege 5? Megoldás Az elemi események száma 36. azaz az egymást kizáró események összegének valószínűsége egyenlő ezen események valószínűségeinek összegével. tehát a relatív gyakoriság értéke ebben az esetben 1... melynek matematikai meg­ fogalmazását a következő pontban adjuk meg.2. Mivel az A bekövetkezésére jöhet számításba. + P (A „ ).. . valamint k . -val jelöljük.. P(A) -t pedig az A ez Q esemény valószínűségének nevezzük. azaz P(A) nemnegatív.4. 3. így az A esemény valószínűsége.. akkor k = n . . Legyenek Aj. Ha az A a biztos esemény.36.. Mennyi annak a valószínűsége. és ez az ingadozás az n növekedésével egyre kisebb.. Minthogy minden Q-ha. Ha A és fi egymást kizáró események. ( 1) A kísérletet ismételten sokszor elvégezve azt tapasztalhatjuk. 1. Az elemi események közül az 5-ös dobás A eseménye: 1. így P{I) . A relatív gya­ koriság (1) egyenlőtlensége alapján az A esemény valószínűségére is teljesül a 0 < P (A )< 1 1.A„ egymást páronként kizáró események. ezért elfo­ gadhatjuk. így a lehetetlen esemény valószínű­ sége P ( 0 ) = O . Mivel ezek az elemi események egyen­ lően valószínüek. más szóval minden esemény valószínűsége 0 és 1 között van. tartozó A eseményhez hozzárendelhe­ tünk egy az előbbiek szerint értelmezett valós számot.h P ( A 2 ) + .

Az axiómákból a valószínüségszámítás matematikai elmélete tisztán matematikai eszközökkel kidolgozható. akkor P (Á ) = 1 . A valószínűség matematikai fogalm a 31 IV. tehát a II. A 2 . és a III. "— ^ 3.P( A ■ fi). sorozata. Ui. Ezeket az axiómákat a valószínűség Kolmogórov-féle axiómái­ nak nevezzük. ha A d B. + A^ +. ha i i= . Ha A és fi két tetszőleges esemény. axióma és az 5. ábra. akkor az A és 0 diszjunkt halmazok és A u 0 = A. . vagyis a lehetetlen ese­ mény valószínűsége 0 . akkor P ( 0 ) = 0. . Ha 0 az üres halmaz. Tétel. Ui. továbbá A = (A \fi)-i-(A -fí). Ennek szemlélteté­ sére néhány fontosabb tételt . Ha A c z B . Tétel. ) = P(Ay) + P(Á2) + . Tétel. s ez csak a P ( 0 ) = 0 esetén állhat fenn.. . Ha A és B két tetszőleges esemény. és Q = A + A. ábra) eseményei egymást köl­ csönösen kizárják. akkor P(Ai + A 2 + . a Q eseménytér A \ B és A . az A és A egymást kizáró események. axióma szerint 1 = P(Q) = P( A + A) = P(A) + P(A). .P( A • fi) + P(B). axióma e tétel n = 2-nek megfelelő esete. • A j = 0 . a III. így azt fel­ használva a tételt teljes indukcióval igazolhatjuk.B (3. továbbá B = A + ( B\ A) . ezért a P(A) < P(B) egyenlőtlenség telje­ sül. Megjegyzés Ha a ö eseménytér véges. így a III. A2 . A„ események egymást páronként kizár­ ják.B) .. 5.. Tétel. amiből a P(A ) = 1 -P (A ) következik. . axióma szerint: P(B) = P(A) + P ( B \ A ) . azaz A. amelyből már állításunk következik. Ha az A]. A \ B é s A B 2. . Mivel P(B \ A) > 0. ha együttes bekövetkezésük valószínűségét kivonjuk a két esemény valószínűségének összegéből. ábra) eseményei egymást kölcsönösen kizárják.P ( A ).. . A III. továbbá A + B = ( A \ B ) + B.ismertetünk. axióma felesleges. 1. Ha A az A esemény komplementere (ellentettje).. akkor P(A\B) = P(A)-P(A-B). akkor P{A) < P(B). A c .. Tétel. Ui.2. axióma alapján P{A) = P( A + 0 ) = P(A) + P (0 ). így a III.. legyen A egy tetszőleges halmaz. Ha az A|..3. a Q esemény tér A és fi \ A (2. azaz Aj • A j = 0 . + P(A „). akkor a IV. axi­ óma szerint P(A) = P ( A \ B ) + P( A. 2. + P(A^) + . . ha i ^ j. . Tétel.. Q ^ 1 B\A Q ^ / A\B ----. Ui.. 3. így a III.bizonyítással együtt . egymást páronként kizáró események 4. 6. . Ui. a Q eseménytér A \ fi és fi (4. tétel felhasználásával: P( A + B) = P{A \ fi) + P(B) = P(A) . akkor P( A + fi) = P(A) + P(B) . Ui. (*) azaz két tetszőleges esemény összegének valószínűségét megkap­ juk. + A„) = F(A i) + P(A 2 ) + .. ábra. ábra) eseményei egymást köl­ csönösen kizárják. akkor P(A^ + Á 2 + .30 VALÓSZÍNŰSÉGSZÁMÍTÁS 1.j. A„.

ábra) akkor P (A uB uC )= = P (A )+ P (B )+ P (C )-P (A nB )-P (A nC )-P (B nC }^-P (A nB nC ).: F FF F FI FI F FII I F F I F I I I F 111 • B) + P{A + ő ) = 1.P ( A C ) +P(A B. A2. de megszámlálhatóan végtelen eseményekből áll. hogy a két tetszőleges esemény közül legalább az egyik bekövetkezik. ) + ( A .C)] = = P{A) + P(B) + P(C) .. akkor A n D = A r \ { B u C ) = i A n B ) K j ( A n C ) és P (A nD ) = P {A nB ) + P ( A n C ) . /I 2 . Példák 1. mivel A]. hogy ismerjük mindegyik A^ elemi esemény P{Ai) valószínű­ ségét. A (*) formula annak valószí­ nűségét adja. Megoldás A De Morgan szabály szerint A B = A + B . + p ^ + p . és a lehetséges esetek száma 8 (F a fej. A megfelelő valószínűségi mező: Q és Po=nO ) = | .P { Á B). azaz P ( A ) = Pieseményeket a hozzájuk tartozó Az Aj. Q = {o. 1.P ( A n B n C).. /7 3 = P (3 ) = 1 .P ( B C) -[P(A-B) +P{A-C) . Ha A. ha A és fi két tetszőleges esemény. p.P ( B C) ...2. ha előállítható a ö-ból vett események összegeként. Példa Igazoljuk.C). ) = p. melyből a P(A + B) = \ . amelyet jelöljünk pi -vei.P ( A B ) . ebből következik.. Valószínűségi mezők 33 amelyből állításunk már következik. Tegyük fel. Ui.3}. . egy fej dobásának eseménye 3-szor következhet be. Mi lesz a Q eseménytér és a valószínűségi mező? Megoldás Az eseménytér. Tehát P(A + B + C) = P{A + D) = P(A) + P(D) . A valószínűségi mezőt az előbbiekhez hasonlóan definiáljuk akkor is. -n 2 ) = |..32 VALÓSZÍNŰSÉGSZÁMÍTÁS 1. hogy P(A + B ) = \ . = P (1 ) = | .. A3 a Q teljes rendszer elemei. A z ellentett események valószínűségeinek összege I. ha a teljes eseményrendszer nem véges. A2.P ( A B. I az írás). két fej dobásának eseménye 3szor következhet be stb. Valószínűségi mezők Hogyan számítjuk ki egy A összetett esemény valószínűségét? Legyen 0 = {Aj. . és így alkalmazható a IV. Egy A összetett esemény valószínűségét is könnyen ki tudjuk számítani. B és C tetszőleges események (5... Ha pl.. azaz p (a ( z = 1. tehát páronként ki­ zárják egymást.P(A ■B ) állítás következik.P ( A n B n A n C ) = = P(A n B ) + P(A n C ) .. ugyanis ekkor az A valószínűségét az őt előállító események való­ színűségeinek összege adja. hogy A B és A + B ellentett események.)+ P( A . Három pénzérme ismételt feldobásakor figyeljük meg a fej dobások számát. legyen D = B u C .. Ekkor végtelen valószínűségi mezőről beszélünk.P(A • D) = =P(A) +P(B) +P(C) . } egy teljes eseményrendszer.4. axióma. 2. A = Aj -h A2 + A3 . A„ pi Következmény. Nulla fej dobásának eseménye (azaz 3 írás dobás eseménye) 1-szer következhet be.4. 1. n ) valószínűségekkel együtt valószínűségi mezőnek nevezzük. akkor P( A ) = P( A .

} teljes rendszer eseményei egyenlően a kedvező esetek száma az összes eset száma valószínűek. azaz az ese­ mények egyenlően valószínűek. hogy P(A . és Robin nyerési valószínűsége: PiR) = 2P{B) = 2 . a valószínűségek öszszege 1. az- “ 8 + 8 + 8 ‘" s “ ‘ > A legalább egy fej dobása legyen A esemény.. amelyeknél az egyes események valószínű­ ségei egyenlők. hiszen P i A 0 + P ( A 2 ) + . és P ( A i ) = : P ( A 2 ) . A z összes elemi esemény teljes eseményrendszert alkot. akkor nyilvánvaló. akkor az A valószínűsége egyszerűen kiszámítható. . P(A) = A elemeinek száma Q elemeinek száma Ez a képlet a P(A) kiszámítására csak egyenlő valószínűségi mező esetén használható. Az A esemény kimeneteleit kedvező eseteknek szoktuk nevezni és a fenti képletet így írjuk fel: P(A)=Megjegyzés Ha a ö = {^1. ezért p + 2 p + 4 p = l.2 p = : 4 p .3}. 1 1 1..4..1. + P ( A J = l Balázs vagy Miklós nyerési valószínűsége pedig. np = 1 azaz p = — . 2 .. hogy a valószínűségek nemnegatív valós számok és összegük: 1.n ). . Az A esemény valószínűsége a definíció szerint: P( A) = P (l) + P(2) 4. = P (A „ ) = p.. amiből 1 7’ sig y P{R) = A p = ^ . és ezek mindegyike ~ valószínű­ ségű.. más szóval klasszikus valószínűségi mezőről beszélünk. A kom­ binatorika alapfogalmaival kapcsolatos számítási formulákat bizo- .4.)= — ... és a mindhárom érmével fejet dobunk vagy egyetlen fejet sem dobunk esemény legyen B. A2 .2.. tehát 1.34 VALÓSZÍNŰSÉGSZÁMÍTÁS 1. P(B) = 2 p = j P { M) = p = j . Balázs és Miklós futóversenyen vesznek részt. hogy Balázs vagy Miklós nyeri a versenyt? Megoldás Miklós nyerési valószínűségét jelölje P { M) = p..2. mivel egymást kizáró események: P({B.. akkor Balázs nyerési valószí­ nűsége P(B) .4.F(3) = | + | + 1 = | . és Balázs nyerési esélye kétszerese Miklósénak.. M }) = P (fi) + F (M ) = I + 1 = l . Ha egy véges sok elemi eseményből álló Q eseménytér minden eseményéhez egyenlő valószínűség tartozik.2p. azaz A = {1. . akkor egy k számú elemi eseményt tartalmazó A esemény valószínűsége k ■ — = — . Robin. 3} és fí = {0. Kombinatórikai összefoglaló A klasszikus valószínűségi mező eseményeinek valószínűségei általában kombinatorikus módszerekkel számíthatók ki. Klasszikus valószínűségi mező A gyakorlati feladatok megoldása szempontjából fontosak azok a valószínűségi mezők.>(«) = P(0) + P(3) = i 4 =| =i Definíció. Ha ö n elemi eseményből áll. akkor egyenlő valószínűségi me­ zőről.. Kombinatórikai összefoglaló 35 (Vegyük észre. Robin nyerési esélye kétszerese Balázsénak. azaz n n 2.2 .. (i = l. Mi annak a valószínűsége. Ha egy A esemény előállítható egyenlő valószínű­ ségű események összegeként.

4 = ^ = -?Í = ^ (6 -3 )! 3! 3! = 4 . C) Kombináció a) Ha n különböző elem közül minden lehetséges módon kivá­ lasztunk k elemet.6 ! = l . 5. melynek száma annyi. melyeknek száma: = Példa A COMPAQ szó betűiből hány olyan hárombetűs jelsorozat állítható elő.=nl. ill.( n . k 2 . 14-ed osztályú ismétléses variációinak számával egyenlő: ^3. Ha az adott n elem között ki . en faktoriális).2.n (olv. l ~ n. A k-ad osztályú ismétléses vari­ ációk száma: Vh^k = b) (k>nis felléphet).2 . Tehát a 0. ahol k^ -f. az A háromszor.36 VALÓSZÍNŰSÉGSZÁMÍTÁS 1. db megegyező van. . hogy a kiválasztásnál ugyanaz az elem leg­ feljebb k-szoT ismételten kiválasztásra kerüljön. 3. B) Variáció a) Ha n különböző elem közül minden lehetséges módon kivá­ lasztunk k elemet s ezek összes permutációit képezzük.l. 2.x. . akkor k . 8 számjegyekből? Megoldás Ha a 0-val kezdődő számot nem tekintjük hatjegyűnek.2 elemek bánxielyikét elhelyezhetjük a tipposzlop megadott 13. akkor az összes lehetséges elrendezést n elem ismétléses permutá­ cióinak száma adja: p{k]. 13+1 találathoz? Megoldás Mivel az l. mivel a továbbiakban többször felhasz­ nálásra kerülnek. akkor 6 elem P g .l ) . ahol az egyes hárombetűs jelsorozatban a betűk nem ismétlődhetnek? Megoldás Hat elem harmadosztályú variációinak számát kell kiszám ítani: K „ = 6 . Részletesebb ismertetésük az irodalomjegyzék könyveiben található meg. .5 . Példa A totóban hány tipposzlopot kell kitölteni a biztos 13.a d osztályú ismétléses variációról beszélünk. b) Ha megengedjük. ezért a különböző módon kitölthető tipposzlopok szám a 3 elem 13-ad osztályú. n elem k-ad osztályú kombinációinak száma: = 2.2 .3 ..1.20.1 2 0 . de a kiválasztottak sorrendjére nem vagyunk tekintettel.5 -6 = 720 perm utációinak számából le kell vonni a 0 -val kez­ dődő permutációk számát. azaz n elem per­ mutációinak száma: P. ahol n \ = l . (0 ! = 1. 4. 24 10! 2!-3!-2!'l!-l!l! n\ k \{n -k)\ (k<n). =3 ^ ^ ^ = 4782969 . k .l) ^ _ ni ki\k2 l . Kombinatórikai összefoglaló 37 nyitások nélkül felsoroljuk. akkor n elem ^-ad osztályú kombinációit kpjuk. amennyi az utána álló 5 jegy permutációinak száma: P5 = 5 ! . 5. de ismétlődő elemek is vannak: az M kétszer.4. a T kétszer fordul elő. .2. 1! = 1).k2./c2 + ••• + Példa Hány permutáció képezhető a MATEMATIKA szó betűiből? Megoldás Az elemek (betűk) száma 10. 14 helyére.3. . icj = 3. *3 = 2 számának figyelem3628800 = 151200. akkor meg­ kapjuk n elem k-ad osztályú variációit.3 .13 = 3^^ = 1 594 323. 8 számjegyekből képez­ hető hatjegyű számok száma: 7 2 0 -1 2 0 = 600. 2. ill. (k< n). Példa Hány hatjegyű szám képezhető a 0.5 .6 = . tehát 10 elem ismétléses permutációinak számát kell meghatározni az ismétlődő elemek bevételével: p(2. 3.4 . A) Permutáció a) n különböző elem különböző sorrendjének. ill. 4.

tételt alkalmazhatjuk.\ clkk Példa Hányféle eredményt kaphatunk. 285 .319. ezért 6 elem harmadosztályú ismétléses kombinációinak számát kell kiszámítani: 2.2 . A B elemeinek száma: 14 hibátlanból 3-at választhatunk. A piros lap húzása legyen az A esemény. Mi annak a valószínűsége. amelyek közül hatnak hibás a menete.2. amelyek közül öt szám „eltalálása” szükséges a legnagyobb összeg elnyeréséhez. Véletlen­ szerűen hármat kiválasztva. P{A ■B) = 7 39 ahol [0!=l]. 6 számok közül három számot határoz meg. és a számmal jelölt lap húzása legyen a B esemény.38 VALOSZINUSEGSZAMITAS 1.3 . Hány szelvényt kellene tervszerűen kitölteni. A 32 lapos magyar kártya csomagból húzzunk egy lapot. ha három egyforma kockát egyszerre dobunk fel s a kockák sorrendje nem számít? Megoldás Mivel minden dobás az 1.6 8 1 . mivel C . lapok száma kártyacsomag lapszáma _ számmal jelölt lapok száma _ 16 _ 1 kártyacsomag lapszáma 32 2 ’ ff ^ _ számmal jelölt piros lapok száma kártyacsomag lapszáma 4 _ 1 32 8' b) Ha n elem /c-ad osztályú kombinációiban az elemek ismétlő­ dését megengedjük. P{A) = ? b) számmal jelölt lapot húzunk. 3 1 -2-3 Ő -5-4 = 20 -féleképpen választ1 -2 -3 141312 = 364 -féleképpen 1 -2 -3 Az A elemeinek száma: 6 hibásból 3-at hatunk. és 20-ból bármelyik csavart ugyanakkora valószínűséggel választhatjuk.3 Példák "6 + 3 -1 ^ f8^ 3 ^ ^3^ 8 -7 -6 = 56. Egy dobozban 20 csavar van. hogy egy biztos ötös találat legyen? Megoldás Mivel az öt különböző szám kijelölésének a sorrendje nem számít. így a kitöltendő szelvények száma 90 elem ötödosztályú kombinációinak számával egyenlő: „ _ f 9 0 ) _ 9 0 -8 9 '8 8 -8 7 5 1 . P(B) = ? Ha a „legalább egy hibás” C esemény valószínűségét akarjuk meghatározni. ill. akkor n elem A:-ad osztályú ismétléses kombi­ nációit kapjuk. =1 Megoldás Mivel az eseménytér egyenlő valószínűségű elemi eseményeket tartalmaz (hiszen mindegyik lap kihúzásának a valószínűsége ). 3. n elem fc-ad osztályú ismétléses kombinációinak száma: n +k . tehát P{C) = P { B ) ^ \ . 5.4 .4. mi a valószínűsége annak. hogy a három közül egyik sem hibás (B esemény)? Megoldás A kiemelt 3 csavar egymás közötti sorrendje nem számít.P { B ) = l 91 285 194 -0 . így 20 elem harmadosztályú ismétlés nélküli kombinációja adja a Q eseménytér elemeinek számát. ak­ kor a 3. 4. Tehát 20 csavarból hármat ^20^_ 20-19-18 = 1140 -féleképpen lehet kiválasztani . melyek között egyenlők is lehetnek.5 ■ -4 3 9 4 9 2 6 8 . 1-2-3 „három közül egyik sem hibás” kiválasztás valószínűsége: P(B) = 364 1140 91 = 0. 285 1. 2. Tehát „mindhárom csavar hibás” kiválasztásának valószínűsége: ^6. Példa a binomiális együtthatók szokásos jelölése. hogy mindhárom hibás (A esemény). Kombinatorikai összefoglaló c) számmal jelölt piros lapot húzunk. hogy a) piros lapot húzunk. ezért 8 _ 1 32 4 ’ A lottószelvényen 1-töl 90-ig vannak a számok felírva.B .

ami egy kocka dobásánál 4. azaz A de Méré által felvetett kérdésre (1. 35‘ '’ esetben dobhatunk dupla 6-ostól eltérőt. a 8 bam aszem ű közül 5-öt -féleképpen választhatunk. így a kedvező esetek száma: 6' -5 '''. n 462 Tehát 0. és így az í-szeri feldobás lehet­ séges kimeneteleinek száma 36'''. mi a valószínűsége annak. Ha véletlenszerűen kiválasztunk 6 lányt. Bevezetés 2. Kombinatórikai összefoglaló 41 3. vagyis ha hatodára csökken a valószínűség. akkor az egyenlően valószínű lehetséges kimenetelek száma 6''. probléma) a (*) formulából s = 4 helyettesítéssel: P(A) = l = 0. azaz x = In 2 M l-p) P+ Ebből látható. s = 15 érték behelyettesítésével x25 \ k = Cj i ■Cg 5 = 3 A kérdéses esem ényt/l-val jelölve. A felvetett problémához tartozóan — -nél nagyobb valószí­ nűség eléréséhez szükséges dobásszámot nevezzük kritikus érték­ nek. Az első játékos győzelmének valószínűségére. Bevezetés 1.4 9 1 4 < 2 1 adódik.4. 6'''-5''' P{A)^-----— = i _ 6 ^ ' f 5'^‘' (*) b) A dupla 6-os dobás eseményét jelöljük B-vel. 1.36.50553 > ^ / adódik. s ekkor a kritikus értékek arányossági szabálya megfe­ lelő közelítést ad. A kérdésre pontos Megoldás a) A 6-os dobás eseményét jelöljük A-val. a (**) formulából s = 24 helyettesítéssel: P(B) = Í 35 36 x24 ^\í. ha pedig . tehát a kedvező esetek száma: = 3-56 = 168.v-szeri feldobásával legalább egyszer dupla 6-ost dobunk? 36 = 0. Megjegyzés De Méré második kérdésére (1.v-szer feldobjuk. A nnak való­ színűsége tehát.1. „kritikus érték arányossági szabálya” : 4 :6 = 2 4 :3 6 . akkor miért nem hat­ szorosára nő a kritikus érték. hogy a) egy szabályos kocka 5-szeri feldobása közül legalább egyszer 6-ost dobunk? P {A )^^ = 168 b) két szabályos kocka . A 0 < p <l valószínűséghez az 5 kritikus szám az a legkisebb egész szám lesz. probléma) ab­ ban az időben számos tudósnak sem sikerült helyes választ adni. hogy pontosan egy kék szemű lesz köztük? Megoldás Hat lány kiválasztásának összes lehetséges számát 11 elem hatodosztályú kombi­ nációinak a száma adja.40 VALOSZINUSEGSZAMITAS 1. Egy osztályban 11 lány közül 3 kék szemű és 8 barna szemű. De Méré annak okát kereste. Ui. 4. 5 = 0. hogy miért nem teljesül az ún.p Y = ~ egyen­ let X megoldásánál. így a kedvező esetek száma: 36'’ -35''’. Két szabályos kocka feldobása­ kor az egyenlően valószínű kimenetelek száma 36. 1 -2 -3 -4 -5 A 3 kékszemű közül egyet 3-féleképpen választhatunk. hogy két kocka í szeri feldobása közül legalább egyszer dupla 6-ost dobunk: kicsi érték. mű­ vében adott. Mi a valószínűsége annak.1.5177 adódik. amely nagyobb az (1 . = 0 . Mivel a lehetséges esetek közül a nem 6-os dobás eseménye 5''' esetben fordul elő. hogy a 6 lány között tesz pontosan egy kék szemű. Egy kocka feldobásakor 6 elemi ese­ ményt különböztetünk meg.2. hogy s dobás közül legalább az egyik 6-os: választ de Moivre 1718-ban megjelent Doctrine o f Chances c. Annak valószínűsége tehát. 1. Pascal és Fermat álta- f35 36" 36 . hogy elegendő kicsi p esetén elhanyagolható In 2 értéknél.6 - 11! 7 '8 '9 '1 0 '1 1 = 462.36 annak valószínűsége.

képpen lehet kiválasztani.. h hibás} esemény valószínűsége: N -kYk\ P{A)=- Péter és Pál abban állapodnak meg..l i hibátlan elemet 43 -féleképpen vá­ lános megoldást adott. Milyen arányban osztozzanak a megnyerhető összegen. mely Pálnak kedvezett. amelyek között k db hibás van.42 VALÓSZÍNŰSÉGSZÁMÍTÁS 1.6 arányban kellene elosztani a T összeget..h meinek a száma (a kedvező kimenetelek): hibátlant pedig ( N -féle­ . ( k = 0X 2. akkor n+ m— l fN-k^ n-h -féleképpen. ha feltesszük.. Találomra kiválasztunk n db terméket (n < N). 2.'5^ + + . (/t = 0 . A legyártott termékek közül N áh a. ekkor a formulát P(A) = választhatunk. Péter a T összegnek csak ^ szét kapná. Az egyforma valószí­ /=2 32 ■ Í5'^ ^5^ ^5^ 4. ha elfogadják Pál ajánlatát.. 6. Mi a valószínűsége annak. Ha A-val jelöljük azt az eseményt. A h hibás terméket a vissza­ tevés miatt k ’^ -szór választhatjuk ki..4. hogy a hibás termékek darabszáma helyett elegendő a P . és visszatesszük a többi közé. hogy a minta pontosan h db hibásat tartalmaz? Megoldás N termék közül n db kiválasztásának lehetséges számát. Tegyük fel. mivel bármelyik termék kerülhet az n elemű minta 1. vagyis az A = \ n . A kiválasztottak között akkor van h hibás. A z ilyen kiválasztást visszatevéses m intavételnek nevezzük. helyére. az igazságosan neki járó 91 rész helyett. Ugyanakkor Péter nyerési esélye a (***) formula szerint. . A kedvező esetek száma tehát: és így annak valószínű­ sége. ha a játékot folytatnák. h hibásat pedig ' N . Ui. hogy a játék befejezéséig Péternek még kettő.{ h hibás.. N elem n-ed osztályú ismétlés nélküli kombinációinak számával adhatjuk meg. akkor Péter — nyerési esélye csak 13 valószínűséggel nyerhet. Kombinatórikai összefoglaló n . Pálnak pedig még négy győzelemre van szüksége.h a hibátlan termékek száma. aki először nyer 10 játszmát. azaz fN számú mintát 1_± iV " N N . n -/x hibátlan} eseményhalmaz ele­ N-kf-^k' és így a keresett valószínűség: iN-kf~^k' P{A) = 5. Ez azt jelenti. 2+ 4 -1 V _ L a5 2 5 y 2-1 n-h . az ismétléses variációk száma adja: N " . hogy a találomra kivett n db termék közül pontosan h db hibás. míg Pál nűségű elemi események száma tehát N ” .h hibátlan.4^ 2 ^3 Vagyis. Az n . tehát a T összeget igazságosan 13:3 arányban kell felosztani Péter és Pál között. hogy az nyeri a felajánlott T pénzösszeget. hogy minden termék kivá­ lasztásánál feljegyezzük annak milyenségét. úgy. hogy a kiválasztott mintában pontosan h db hibás termék van. amelyek közül k db hibás. így az A .1 . A formulából látható. Az alakban használjuk. A legyártott termékek közül N áh a raktárba került.— selejtarányt ismerni. Az ilyen kiválasztást visszatevés nélküli m intavételnek nevezzük. azaz 8. Mi a valószínűsége annak. mely szerint a megnyert játszmák arányában osszák fel a T összeget? Megoldás Pál ajánlata szerint a nyert játszmák arányában. stb.n). Ez a felosztási arány lényegesen eltér Pál által javasolt 64 aránytól. raktárba került. ha pontosan n .2. hogy bármelyik n db termék kiválasztásának az esélye azonos. Az egyforma valószínűségű elemi események száma tehát 'n ' n . Most egyenként válasszunk ki n terméket ( n < N ) . hogy bármely termék kiválasztásának az esélye azonos? Megoldás A lehetséges esetek számát.k ^ í k^ [n-hj P{A) =Példa - í=n I n +m -\ i laszthatunk ki. ha nem folytathatják a játékot? Ki jár jobban. hogy az első játékos győz.2 .

axiómának megfelelően P( Á ^ + Á 2 + . Mi annak a valószínűsége. Visszatevéssel 5 elemű mintát választva. akkor geometriai valószínűségről beszélünk. azaz Q = { A . mi a valószínűsége annak..^ rész térfogata Q térfogata A valószínűséget a Q halmazon egyenletes eloszlásúnak nevez­ zük. 1. é s ^ / 3.. Mi annak a p valószínűsége. A 2 ... megszámvagy /> (A ) = A véges eseménytérhez hasonlóan valószínűségi mezőt kapunk. Példák 1. + P( A. hogy a -2<a<0..5. Geometriai valószínűség A Q eseménytér egy geometriai alakzat nem megszámlálható pont­ halmazához rendelt elemi események halmaza is lehet.) = P( A y )+ P ( Á2 ) + . Ekkor a IV. = l feltételeket kielégítő pi számok valószíi=í nűségeloszlást alkotnak.... hogy a Q eseménytérben annak valószínűsége. . .. Ennek értelmében mondhatjuk.. hogy miként oszlik meg az egységnyi valószínűség a Q teljes eseményrendszer eseményei között. azaz P{A) = A részszakasz hossza Q szakasz hossza A rész területe Q területe P(A) = fsY 1 vagyis 0. így bármelyik színű golyó kiválasztásának valószínűsége P ~ ^ .2 4' n A területe ö területe 2. ^ 2 .. stb.. pontja a vele koncentrikus ■ — sugarú körlapba esik? Megoldás Jelöljük ö-val az r sugarú. térfogatrész köbtartalma. arányos az A tar­ tomány mértékével (vonalszakasz hossza. hogy egy r sugarú körlap véletlenül kiválasztott Az A esemény P(A) valószínűségét ebben az esetben is az A elemi eseményeinek valószínűségeiből képzett összeg adja. hogy a d —b —a egye­ nes szakasz három egységnél hosszabb lesz? . Egy dobozban egyenlő számú fehér és piros golyó van. hogy a mintában 2 piros golyó lesz (A esemény)? Megoldás Mivel a dobozban ugyanannyi fehér és piros golyó van. A valószínűsé­ get az A és ö mértékének hányadosával adjuk meg. Ilyenkor ha feltesszük. hogy egy véletlen pont az A d Q résztartományba essen. Geometriai valószínűség 45 7.. hogy a Q eseménytér az Ay.. + + .^ ) + .. A-val pedig az sugarú körlap ponthalmazát.. Megjegyzés Tegyük fel. hogy minden pi > 0 (í = 1...= ^ P i =1 i-1 vagy P (/i) .. ha a ö minden Aj eleméhez hozzárendeljük annak pj valószínű­ ségét. ha tetszőleges A esemény valószínűsége arányos a halmaz A mértékével.).). lálhatóan végtelen elemi események halmaza. A „ .5..44 VALÓSZÍNŰSÉGSZÁMÍTÁS 1.^ (****) formulát használva.31 valószínűséggel kerül az 5 elemű mintába 2 db piros golyó... Általában az egyenletes eloszlású valószínűségeket geometriai valószínűségeknek mondjuk. 2. = = Pl + P l +■■■ + P n +.. Válasszuk ki a valós számegyenesen az a és pontokat úgy. . A P(Ai) = Pl számok azt mutatják.. 0<b<3 egyenlőtlenségek teljesüljenek. akkor (r ^ ..

Z . a „vörös kapu nyitva” eseményt jelölje V.l. Igazoljuk. eseménytérnek? 2. Hogyan igazolhatók az axiómák alapján a P ( A \ B ) = P ( A ) . azaz az X2 ” X. az A és a. V. Tehát annak valószínűségét. hogy a gázmolekula az r sugarú gömb belsejében van. fejezethez V .4. Legyen A. E . V. h) Z V .46 Megoldás A Q eseményteret az {a.3 — .C ) ( B . A gömb térfogata: metriai valószínűség definíciója szerint Ar^n P ÍA )= ^ = . 5. Ellenőrző kérdések az 1. Igazoljuk. Az A halmaz pontjait a téglalaptartományon belül a d = b . fejezethez 1.\ = ~ -0. Melyek a Kolmogorov-féle axiómák? 4. fejezethez 47 rendezett számpárral adott ponthalmaz alkotja. hogy a) B és BA egymást kizáró események. b) Z + V.35 Vh Í 2 r^ 9 annak a valószínűsége. A és A . Ellenőrző kérdések az 1. .l.1. Feladatok az 1.a > 3 lesz. i) ZV. = 3 egyenes feletti bevonalkázott síkidom. g) Z V . f)Z+V.2.1. Q területek méröszámának aránya adja: ^ A területe _ 2 _ 1 _ Q területe 6 3' V .P ( A B) és P(A u B ) = P{A) + P{B) .b) pontok alkotják. Mi a valószínűsége annak az A eseménynek. ábra téglalapja szemléltet. Egy várba egy zöld és egy vörös kapun lehet bejutni. A geo=— b) A + AB = A + B\ c) ( A . Hogyan definiáljuk a valószínűségi függvényt? 3. Mit jelentenek a következő események: a) Z V.a > 3 feltételt ki­ elégítő (a.3. Igazoljuk. Egy Í r alapélü. Hogyan számítjuk ki az egyenlő valószínűségi mező valamely eseményének valószínűségét? 7. = 2r ■Í r ■3r = 1 2 r . B és C egy Q eseménytér 3 eseménye. elemi eseménynek.C . d) V . hogy a hasáb oldallapjai között bolyongó gázmolekula éppen a gömb belsejében van? Megoldás A hasáb térfogata: V. Mit nevezünk gyakoriságnak és relatív gyakoriságnak? 8.P ( a B).P{A • B) állítások.l.1. hogy a) P{B) = P { AB) + p ( AB) \ b) P(A + B) = \ .l. hogy az AB. Mit nevezünk kísérletnek. A „zöld kapu nyitva” eseményt jelölje Z. Mit nevezünk geometriai valószínűségnek? amelyet derékszögű koordinátarendszerben a 6. Legyen a Q eseménytér két tetszőleges eseménye A és B.C ) = A B . V. j ) Z + V. hogy a b . 3r magasságú egyenes állású négyzetes hasáb belsejébe egy r sugarú gömböt képzelünk.. c) Z. 3. k)ZV+ZV.B események teljes rendszert alkotnak. 4 ^. e) Z + V.l . Hogyan definiáljuk a véges valószínűségi mezőt? 6.b) VALÓSZÍNŰSÉGSZÁMÍTÁS E .

48

VALÓSZÍNŰSÉGSZÁMITAS

V. 1. Feladatok az 1. fejezethez
A - {két fej és páros szám} B = {a 2-es szám megjelenése} C = {pontosan egy fej és prímszám} c) Adjuk meg az A és fi; csak a fi; B vagy C eseményeket az elemi események felsorolásával. V.1.10. Legyen adott a Q = {a,, A2 , A3, /I4 } eseménytér. Az alább adott függvé­ nyek közül melyek definiálnak a Q-n valószínűségi mezőt? a) m ) =i P { A ^ ) = ^ , P ( A ^ ) ^ ~ , fi(A4) = i ;

V.1.5. Dobjunk fel egy pénzérmét hatszor egymásután. Mekkora a következő események valószínűsége: a) mindegyik fej, b) mindegyik írás, c) vagy mindegyik fej, vagy mindegyik írás, d) pontosan egy fej, a többi írás, e) pontosan 4 fej, f) legalább egy fej. V.1.6. Egy dobozban 20 db hibás, de még egyes esetben használható, és 30 db hibátlan csavar van. Ha 2 db-ot találomra kiveszünk a dobozból, mekkora annak a valószínűsége, hogy a) mindkettő hibás, b) egyik sem hibás, c) csak az egyik hibás, d) legalább az egyik hibás, • e) legfeljebb az egyik hibás. A válaszokat visszatevés nélküli és visszatevéses mintavétel esetére is adjuk meg. V.1.7. Egy 6 hektárnyi terület fölött szálló repülőgépről véletlenszerűen leszakadt egy lemezdarab. Mekkora a valószínűsége annak, hogy egy 100x80 m^ -es sport­ pályára esik? V.1.8. Egy kocka és egy pénzérme együttes feldobásával (írás (7), fej (F), 1, 2, 3, 4, 5, 6) adódó elemi eseményekből álló Q eseménytér legyen Q = [ f i , F2, F3, f a , F5, F 6 , 11, 12, 13, 14, 15, 16} a) Adjuk meg Q részhalmazaként a következő eseményeket: A = {fej és páros szám},

b) F ( A , ) = | , P{A 2 ) ^ \ ,

=

c) P ( A , ) = ~ , P { A ^ ) = ~ , P(As) = j , P ( A , ) = 1 ;

d) P ( A ) = 1

P{A2)=~, P (A 3 ) = 1

fi(/Í4) = 0.

V.1.11. Legyen P a Q - { a ^ , A 2 , A j } eseménytéren értelmezett valószínűségi függvény. Határozzuk meg P (A ,) értékét, ha a) P{ A 2 ) = ~ és fi(A 3 ) = l ;

b) P{A 0 = 2 P{A 2 ) és P { A j } = ~ ; c) P{[A 2 ,A^]):^ 2 P{Ay)-

B = {fej, valamint írás és prímszámok}, C = {írás és páratlan számok} b) Adjuk meg az A vagy B; fi és C; csak a B eseményeket. c) Az A, B és C események közül melyek a páronként egymást kizáró ese­ mények? V.1.9. Dobjunk fel egy ötforintost, egy tízforintost és egy kockát. a) írjuk fel a Q eseményteret az elemi események felsorolásával (pl. F F l , stb). b) Adjuk meg az A, a fi és a C eseményt az elemi események felsorolásával, ha

d) P(A^) = 2P(A2) és P(A2) = 3P(A,).
V.1.12. Nándi (N) és Balázs (fi), valamint Merci (M), Anita (A) és Jetta (I) sakk­ versenyen vesz részt. A nyerés valószínűsége nemenként azonos, de minden fiú kétszer esélyesebb, mint bármelyik lány. a) Határozzuk meg annak valószínűségét, hogy a sakkversenyt lány nyeri; b) Határozzuk meg annak valószínűségét, hogy a sakkversenyt N és M (Nándi, Merci) testvérpár valamelyike nyeri. V.1.13. Egy olyan súlyeloszlású kockánk van, amellyel bármely pontszám dobá­ sának valószínűsége arányos a szóban forgó pontszámmal. Az A, fi, C eseményeket rendre a páros, a prím és a páratlan számok alkotják. a) Adjuk meg a valószínűségi mezőt;

50

VALÓSZÍNŰSÉGSZÁMÍTÁS
b) Határozzuk meg a P(A), P{B), P(C) valószínűségeket; c) Határozzuk meg a c j ) páros vagy prímszámok; C2 ) páratlan prímszámok; C 3 ) B-hez nem tartozó páros számok dobásának valószínűségét.

M Á SO D IK FEJEZET 2.1. Feltételes valószínűség Kísérleteink során sokszor előfordul, hogy valamely esemény való­ színűségét egy másik esemény bekövetkezésének figyelembevéte­ lével kell meghatározni. Vizsgáljuk meg, hogy mi az A esemény valószínűsége abban az esetben, ha csak azokat a kimeneteleket vesszük figyelembe, amelyek a B eseményhez is hozzátartoznak. Ezt úgy is értelmezhetjük, hogy Q helyett B-t tekintjük az új ese­ ménytérnek, vagy az A valószínűségét a B esemény bekövetkezésé­ nek feltétele mellett keressük. Definíció: Legyenek A, B tetszőleges eseményei egy kísérlet Q ese­ ményterének és B valószínűsége legyen pozitív, azaz P(B) > 0. Az A esemény B feltételre vonatkozó, P{A\B) -vei jelölt (olv. pé A feltéve B) feltételes valószínűségén az A és B együttes bekövetke­ zésének és a B esemény valószínűségének hányadosát, azaz ( 1) számot értjük (7. ábra). Ez a szám azt mutatja, hogy A hányadrész­ ben következik be a fi bekövetkezéseinek esetei közül, ill. ha B bekövetkezett, akkor annak valószínűsége, hogy A is bekövetkezik, P (A B ).

V.1.14. Egy dobozban 12 tranzisztor van, amelyek közül 4 hibás. Véletlenül ki­ emelve 2 db tranzisztort, mi a valószínűsége annak, hogy mindkettő hibás; egyik sem hibás ill. legalább az egyik hibás? V.1.15. Egy rekeszbe rendezetlenül lett behelyezve 20 nő és 10 férfi személyi nyilvántartási lapja. A férfiaknak is és a nőknek is a fele mérnök. Mi annak a való­ színűsége, hogy egy véletlenül kiemelt lapon férfi (A esemény), mérnök {B ese­ mény), férfi vagy mérnök adatai vannak? V.1.16. Egy kör kerületén véletlenül kiválasztott három pontot jelölje a, b és c. Mi annak a valószínűsége, hogy a három pont a kör ugyanazon fél kerületén fekszik? V.1.17. P{A->rB) = ^ , F ( A ) = - | és a P{A), P{B) és P{A B) valószínűségeket. V.1.18. Határozzuk meg a P{A B), P{A ■B), P(A + B) és P{B A) valószí­ nűségeket, ha P { A ) = ^ , P{A + B) = ^ és P { B ) = —. ■B) = -^ ismeretében, határozzuk meg

V.1.19. Egy szabályos kockát 100-szor feldobtunk, és az egyes pontszámok elő­ fordulását az alábbi ún. gyakorisági táblázatba foglaltuk: Pontok száma: Gyakorisága: Számítsuk ki á) a 6 -os dobás; b) a 3-as dobás; c) a páratlan szám dobás; d) a prímszám dobás relatív gyakoriságát. 1 14 2 17 3 20 4 18 5 15 6 16

7. ábra. Wenn-diagram: P(A B) I P{ B) szemléltetése

52

VALÓSZÍNŰSÉGSZÁMÍTÁS
2.1. Fe l t ét el es val ó s z í n ű s é g 53 A nyilvántartó kartonok rendezetlenül vannak letéve. Mi a valószínűsége annak, hogy a véletlenszerűen kiemelt karton a) fiúé; b) betegségen átesett tanulóé;

A képlet alapján a feltételes valószínűséget a feltétel nélküli való­ színűségekből kiszámíthatjuk, ha a feltétel valószínűsége nem nulla. Megjegyzés Ha A és fi a Ö-hoz tartozó egyenlő valószínűségi mező esemé­ nyei, akkor az A esemény fi-re vonatkozó feltételes relatív gyako­ riságát az
, , -ülA R . mg '

c) betegségen átesett fiúé. Ha előzetesen a fiúk és lányok kartonját rendezetlenül külön-külön halomba tették, akkor mi a valószínűsége annak, hogy d) a fiúk kartonjából egyet kiválasztva az betegségen átesett fiú kartonja lesz; e) lányok kartonja közül egyet kiválasztva az olyan lányé, aki nem volt beteg? Megoldás A táblázat jelölései szerint:

képlettel számíthatjuk, ahol m^.g az A B esemény bekövetkezé­ seinek, mg pedig a B esemény bekövetkezéseinek száma.
Példák 1. Dobjunk fel két szabályos kockát. A B esemény legyen az, hogy a két koc­ kával 6-ot dobunk, azaz amikor a két kocka felső lapján a pontok összege 6: B - {(1,5), (2,4), (3,3), (4,2), (5,1)},

a) /> (fi)= ii|= = 0 ,4 8 ;
b) m ) = ^ = 0,39; = 0,22;

c) P(A fí) = ^ az A esemény pedig az legyen, hogy legalább az egyik kockán kettest dobunk. Szá­ mítsuk ki a P{A\B) feltételes valószínűséget. Megoldás A Q eseménytér elemeinek a száma: 6 -6 = 36, az A elemeinek a száma pedig: A={{2, 1), (2,2), (2,3), (2,4), (2,5), (2,6), (1,2), (3,2), (4,2), (5,2), (6,2)} azaz 11, és A B = {(2, 4), ( 4 ,2 )} ezért P( A B) __ 36 ^ 2 _5_ 5 ’ P{B) 36 d)
p (a \b ) =

VI !

p[g)

2 i0 230 80

110

= = 0 45’ ’

120
230

120

- 0,67.

P( A\ B) ^

ugyanakkor 2. Tegyük fel, hogy egy iskola 230 tanulójáról az alábbi kimutatás készült egy járványos betegség időszakában; beteg volt fiú lány összesen esemény 50 40 90 A nem volt beteg 60 80 140 A összesen 110 120 230 esemény B B

3. Egy üzem A-val és fi-vel jelölt két célgépén ugyanazt az alkatrészt gyártja. Az A gépen naponta 500 darabot, melyből 20 db selejt, a B gépen naponta 650 darabot, melyből 30 a selejt. Ha az egyik nap gyártott alkatrészek közül kiveszünk egyet és az selejt, akkor mi annak a valószínűsége, hogy ez a kivett selejtes alkatrész az A gépen készült? Megoldás A lehetséges esetek száma a két gépen naponta gyártott alkatrészek száma: 1150 db, a kedvező esetek száma az A gépen gyártott selejt darabszáma: 20 db. Ha E jelenti azt az eseményt, hogy az alkatrész az A gépen készült, S pedig a feltételt jelentő eseményt, azaz egy selejt kihúzását, akkor a P( E ■S) annak a valószínűségét jelen­ ti, hogy az alkatrész az A gépen készült és selejt, így

20
P(S) - 1150 . . 2 0 ^ 2 50 50 5 1150 ’

Példák 1. Szorzási tétel A feltételes valószínűség fontos következménye az ún. . az A B = B . és ennek valószínűségét szorozzuk a másik eseménynek a feltételre vonatkozó valószínűségével. a második hibás.1..72. Mivel . Ha hibátlant vettünk ki.. A„ eseményekre is kiter­ jeszthető a teljes indukció alkalmazásával: F(Ai • A2 ■A„) = P(Ai)P(A2|Ai)P(A3|Ai • A 2).A felhasználásával a 2 .75. módszer: Mivel 1 6 . hogy az A esemény megvalósult. mind az összes létszám eggyel csökken). szorzási tétel (szorzási szabály). Amint látható a tétellel két tetszőleges esemény együttes bekö­ vetkezésének valószínűségét megkapjuk. akkor a P(T{T2 T^ ) valószínű­ 229 ’ séget kell meghatároznunk.73 jelöli az egymás után. módszer: 16 tranzisztorból hármat tani. Az előző pont 2.39 valószínűséggel vehetünk ki a dobozból egymás után három hibátlan tranzisztort. = ^ = 0.39. így mind a betegségen átesettek száma. A szorzási tétel tetszőleges Aj. 2.54 v a l ó s z In ü s é g s z á m í t A s 2. visszatevés nélkül. Mi annak a valószínűsége.1. Ekkor az A c \ B r \ C esemény valószínűségét kell meghatá­ roznunk a (2**) képlet szerint: p (a b c ri6 = 560 -féleképpen lehet kiválasz­ = 220 -féleképpen. Természetesen A-t is tekinthetjük feltételnek s akkor (2) helyett P(B • A) = P(A)P(B\A) (2*) formulát használjuk. A 2 . hogy a 230 kartonból egymás után kihúzott három karton betegségen átesett fiú kartonja.06. hogy a harmadik karton betegségen átesett fiúé. A szorzási tétel alkalmazásával „ 12 11 10 = 11 '" T é ls tehát 0. Egy dobozban 16 tranzisztor közül 4 hibás. hogy az első karton betegségen átesett fiúé. C pedig azt. 161514 28 b) Ha 7]. tehát 220 11 3.1. Megoldás A jelölje azt az eseményt.71. hogy a) visszatevés nélkül három egymás után kivett tranzisztor hibátlan? b) az első hibátlan. példájának adatait felhasználva határozzuk meg annak va­ lószínűségét.F ( A „ |A l ■A 2 ■ • A „ _ i ) • ( 2 * * ) zisztor kivételének valószínűsége | | = 4 = 0. 2. az első hibátlan tran­ 16 4 alakban kapunk.0.1. Szorzási tétel 55 2. 230’ lasztott hibátlan tranzisztor választásának eseményét. p (c \b ■a ) = 228’ így a keresett valószínűség: p {a -b c )= 90 89 230 229 228 .73. hogy a második karton betegségen átesett fiúé. amelyet. a harmadik ismét hibátlan? Megoldás a) I. tehát 121M 0 11 p =.1. véletlenszerűen kivá­ )= p {a ) p (b \a ) p (c \b ■a ) . B azt. módszer: 16-ból egymás után három tranzisztort kiválasztani 1 6 1 5 1 4 - féleképpen lehet. és a harmadszor is hibátlan tranzisztor kivéte­ lének valószínűsége | ^ = y = 0.4 = 12 hibátlan van a dobozban. A jobb oldali valószínűségek: P(A) = 90 . pont ( 1) képletéből P ( A B ) = P(B)P(A\B) (2) (feltettük. 12-ből hármat pedig 1 2 1 M 0 -féleképpen.. ha az egyik eseményt feltételnek tekintjük. 12-ből hármat pedig A (2**) formulát általános szorzási szabálynak nevezzük. tehát a másodszor is hibátlan tranzisztor kivételének valószínűsége = 0. akkor a dobozban a maradék 15-ből 11 hibátlan..

és így az általános szorzási szabály szerint a keresett valószínűség: p ( W 3 ) = P ( r .. stb. A fadiagramot a 8.+ (A„ • B). ahol az A . A vélet­ lenszerűen kiválasztott urnából emeljünk ki ugyancsak véletlenszerűen egy golyót.f 2 ) = | . Ha [ j Aj =Q (9..+ P(A„ • B).| l = o. véges valószínűségekkel rendelkező véges számú kísérlet­ sorozatokat (véges sztochasztikus folyamatokat) célszerű ún. hogy a kísérletsorozat egy-egy útja által meghatározott eseményének valószínűségét az út menti valószínűségek szorzata adja.) . A lehetséges felbontások közül szá­ munkra az egyik legfontosabb az. a meg­ felelő valószínűségekkel ellátva.. A teljes valószínűség tétele Egy Q eseményteret többféle módon is felbonthatunk bizonyos számú esemény összegére. hogy egy kezdőpontból (a gyökérből) kiindulva utakat (ágakat) rajzolunk az első kísérletsorozat egymást kizáró eseményeihez. 2 . 2. E pontokból a következő kí­ sérletsorozat eseményeihez szintén megrajzoljuk az utakat. fadia­ gramon szemléltetni. másrészt. amelyeket A-val. A kezdőponttól a végponthoz vezető utak mindegyike a kísérletsorozat egy kimenetelének felel meg. Ha az A urnát választottuk. B-vel és C-vel jelölünk. 2 . . akkor a piros golyó kiemelésének valószínűsége: —■ — = 3 10 15 ha a fi urnát választottuk.T. Mi a p valószínűsége annak. Példa Adott három urna.) .P ( f 2 |r . A teljes valószínűség tétele 57 16 akkor 4 ~ = ~ ..B (/ = 1. a C-ben 5 fehér és 3 piros golyó van.. ábra). teljes eseményrendszer S a A) = i és B egy tL tetszőleges pozitív valószínűségű esemény. s minthogy három kölcsönösen független út vezet a piros golyókJ O O hoz. amelyik a Q eseményteret kölcsönösen kizáró események összegére bontja fel. a ő-ben 5 fehér és 1 piros.F ( r 3 |r . n) egymást kölcsönösen kizáró esemé­ nyek. -1 - ) ■B ~ = (A] • B) + (A 2 ■B) + . akkor a teljes valószínűséget az egyes utakhoz tartozó valószínűségek összegeként kapjuk. . i=l akkor B = Q ■B = (A j -I. ezért egy piros golyó kiemelésének p valószínűségét a három út valószínűségei­ nek összege adja: n_ 14’ n -1 4 ^ 1 K I 3 _ 2 ^ 3 10 3 6 3 8 15 1 ^ 1 _ 113 18 8 360 ’ ' P(.^ . hogy piros golyót emeltünk ki az urnából? Megoldás A sztochasztikus folyamat most két kísérletből áll: az urna kiválasztásából és a fehér (F) vagy piros {P) golyó kiválasztásából.. Legyen Aj. Az A-ban 6 fehér és 4 piros. akkor 3 6 18 ha a C urnát választottuk. .i6 Megjegyzés Adott. és az utakhoz a megfelelő valószínűségeket írjuk fel. A 2 . ábra szemlélteti.2.. ha az eseményhez több út tartozik. A fadiagramot úgy készítjük el..56 P(TO = 1 6 -4 VALOSZINUSEGSZAMITAS 2 4’ 2 .. így P{B) = P{A^-B) + P(A2 B ) + . A feltételes és a teljes valószínűség tételeiből egyrészt következik.A 2 + .

.3) pedig azt az eseményt. Először meghatá­ rozzuk az A esemény feltételes valószínűségét Bj feltétel mellett.. fizika szakos hallgatói­ nak 70%-a sikeresen vizsgázott. A teljes valószínűség tétele tehát azt fejezi ki.. Mennyi a valószínűsége annak. hogy a kiválasztott hallgató fizikus.1. A2.3 - .2. A fizika szakosok az évfolyam 18%-át teszik ki. évben. melyek közül 12 db a 2000. A fizikus hallgató kiválasz­ tásának esélye: a matematikus hallgatóé: p (m ) = ^ ^ .j és ^ /^ ( A . hogy az először választott 3 érme közül j darab 2000-ben vert érme volt.í Tehát 0. amelyet P(B) = Í í ’{Aí )p (b |A. hogy matematikus. hogy a véletlenül kiválasztott hallgató a sikeresen vizsgázottak közül való.7 ^ 12-7. (3) P { A i ) ^ 0 (i = l.+ P(A „)P(fí|A „). évben vert érme közül j db és a korábban vert 7 érme közül 7 3 . / • C7 3. A szorzási tétel alkalmazásával P(B) a következő alakban is felírható: P(B) = P ( A 0 P ( b \A0 + P(A2)P(B\A2)+.) = 1 .2. A teljes valószínűség tétele feltételes valószínűsége az F feltétel mellett: 90 100' p {b \f 59 ]~ és az M feltétel mellett: A teljes valószínűség tételét felhasználva: p {b )= f [b \ f )f {f ) + p (b \m )p {m ) = 100 100 90 82 100 100 1260 + 7380 10000 = 0.C.5S v a l ó s z ín ü s é g s z á m ít As 2. 3 érme összes lehetséges kiválasztásának számát 19 elem 3-ad osztályú kombinációi adják: n = Cjg 3 = "1 9 '^ = 969.86 vagyis 86 % annak a valószínűsége..j db nem megjelölt 2000 -ben vert érme közül választhatunk. Ha először j db 2000-ben vert érmét választottunk. A B esemény kiválasztásának lehetséges száma: Ci 2 j = 3~j db kiválasztásának lehetséges száma: (3») vagyis a kedvező esetek száma: ki . pozitív valószíníiségű események n 2. az M pedig azt. akkor másodszor 3 db nem megjelölt 2000 -ben vert érmét csak 1 2 .. Az F esemény jelentse azt.2.) alakban szokás megadni. a többi pedig 1997. Bj { j = 0. 2. hogy a másodszor kivett három érme nincs megjelölve.. A„ egymást páronként kizáró.n ) Ezt a formulát a teljes valószínűség tételének nevezzük. akkor tetszőleges B esemény valószínűségét a (3) i=í képlete szerint lehet kiszámítani. hogy ha Aj. Példák 1. A 12 db 2000. Mennyi a valószínűsége annak. és 2000 . Egy éremgyűjtö dobozában 19 darab ötforintos van. évben készült? Megoldás A kérdéses eseményt jelölje A. = 0. és visszatevés előtt mindhármat megjelöljük. Az évfolyam matematika szakos hallgatóinak 90%-a. 2 .^ = "12 " í ^ 1 j J 3-7 1 A Bj esemény valószínűsége: 3-7 ( . A lehetséges kedvező választások száma: '1 2 .1. hogy egy véletlenül kiválasztott hallgató a sikeresen vizsgázottak közül való? Megoldás Legyen B a kérdéses esemény. A következő érdek­ lődő számára ismét kiveszünk találomra 3 érmét. Egy érdeklődő számára véletlenszerűen 3 érmét kiveszünk.3). évben készült.

Ha . pontjának 2. . Bayes tétele A teljes eseményrendszerrel kapcsolatban gyakran nem a B ese­ mény valószínűségét kell meghatároznunk...1. A (1) képletbe P(B) helyett helyettesítsük a 2. Példák 1. A„ egymást páronként kizáró pozitív van 3 3 P(A)=J^P(A\Bj)P(Bj)=J^j =0 j =0 lószínűségű események. hogy ez pontosan az eseményrendszer Aj (í-edik) eseményének bekövetkezésével együtt valósult meg.39. (í = l. ezért a B.+P(A^)P(B ( 2) 3 ( j . ismerve a feltételi eseménynek az eseményrendszer elemeire vonatkozó fel­ tételes valószínűségeit. amelyekre ^ p ( a . Ezt a formulát nevezzük jBajes -tételnek. 938961 Tehát 0.2. ' )= 1. ha B bekövetkezett. hogy a B esemény bekövetkezésében az eseményrendszer egyes esemé­ nyei milyen szerepet játszanak.3). A2. • = ( 2 * ) 2. Az Aj események B eseményre vonatkozó feltételes valószínűségeit minden i-re a ( 1) képlettel számíthatjuk. lányok közül való. hanem azt.= i ( . pont (3) kife­ jezés jobb oldalát. példájában szereplő adatok felhasználásával ha­ tározzuk meg a) az A esemény valószínűségét a teljes valószínűség tételével is.1. akkor tetszőleges i =l pozitív valószínűségű B eseményre és bármely /-re fennáll a (2) összefüggés-. Bayes tétele 61 Tehát az A esemény feltételes valószínűsége Bj feltétel mellett: P {\B ) = P (A i)P (B A i) P(A^)P(B A^)+P(A2)P(B A2)+.2.1.13 annak a valószínűsége. Az (2*) formulából látható.n). fejezet 2. hogy egy betegségen átesett tanulót kiválasztva. Alkalmazható tehát a teljes valószínűség tétele: p ( a ) = p (A |fi)p(fi)+ ^ ’ VI / w p (a V /* \ / 100 230 p [a + ~ = — = 0. Megoldás a) Az esemény és komplementere mindig teljes eseményrendszert alkot.60 VALÓSZÍNŰSÉGSZÁMÍTÁS 2. hogy másodszorra 3 db nem megjelölt 2000ben vert ötforintos érmét veszünk ki. A kérdés a következőképpen is megfogalmazható. akkor a következő összefüggést kapjuk: alakban szokás megadni..• B) helyett pedig a neki megfelelő P(Ai)P(B Aj) kifejezést. A 2..2. amelyet -(220-1-35 + 1 6 5 -1 2 -2 1 + 1 2 0 -6 6 '7 + 8 4 -2 2 0 -1)= 969" t| Í ™ = 0. és b) annak valószínűségét.2. 120 230 230 ami megegyezik a közvetlenül számított ) -val.13... a P(A.0.. B teljes eseményrendszer.1. hogy a Bayestételt akkor alkalmazzuk. valamint a teljes eseményrendszer minden elemének valószínűségeit. mi annak a valószínűsége. Most alkalmazzuk a teljes valószínűség tételét: 1 3- Ha tehát az Aj.. ha egy teljes eseményrendszer valamelyik eseményének feltételes valószínűségét kell meghatározni. az a fiúk közül való.2.

22 annak a valószínűsége. Egy műhelyben gyártott összes alkatrész 50%-át a G] gép 3%-os selejttel. és B 2 feltétel melletti feltételes valószínűségére is: 45 jO 10000 60 .62 VALOSZINUSEGSZAMITAS 2.03+ 0. a nők 0.\ Z) = es Így P(A\ b OP ( BO P í a Ir X ' 8 ^ _ 100 '6 0 PÍB 2 ) ^ 60 8 100 2 25’ P ( B i \ A) = - 2000 6 PiAB0PiBy) + P(A\B2)P{B2) 5 . hogy a kiválasztott karton szívbetegé. (1) hogy a kiválasztott karton nő betegé. akkor a teljes valószínű­ ség 2. A férfiak 8 %-a. azt látjuk. 20%-át pedig a G3 gép 5%-os selejttel gyártja.037 15 37 ~ q 2. 10000 2000 ’ 30%-át a Ö 2 gép 4%-os selejttel. Legyen A és B két tetszőleges véletlen esemény.015 0. ha nincsenek hatás­ sal egymásra. ha P ( A B ) = P(A)P(B) jelentse azt. . Az A és B egymástól független események. hogy a karton nő betegé? Megoldás Az A esemény jelentse azt. hogy egy véletlenül kiemelt alkatrész selejtes? b) Ha a véletlenül kiválasztott alkatrész selejtes. ha az egyik bekövetkezése nincs hatással a másik bekövetkezésének valószínűségére.04 + 0.50 0. hogy a be­ tegségen átesett tanuló a fiúk közül való: a B2 esemény valószínűsége: 230 lányok közül való: A fi] esemény A feltétel melletti feltételes valószínűségének kiszámításához a W ) 90 230 90 Bayes-tétdt alkalmazzuk.22.A i . a) Mi a valószínűsége annak.037.3.30 0. vagy más szóval.3. B 2 pedig jelentse azt.50 • 0. P(Gi )P(Z|Gi )___________ _ P(Gi )P{ Z G . Események függetlensége A íBj esemény valószínűsége: 63 b) Bayes-tétd felhasználásával számítjuk ki annak valószínűségét.45%-a szívbeteg. Matematikailag akkor tekint­ jük függetlennek a két eseményt. ' 3.) + P(G2 ) P( Z G 2 ) + P{Gj )P(Z|G3 ) ^ ___________ 0. P(BO 10 60 45 9 2.05 0.03 + 0.20 • 0. ha az egyik bekövetkezése nem befolyásolja a másik bekövetkezését. hogy az a G\ gép terméke? Megoldás A selejtes alkatrész választásának eseményét jelölje Z. Annak valószínűségét. 2000 6 25 6 Tehát 0.20 •0.30 ■0.05 = 0.. A és B együttes bekövetkezésének valószínűsége egyen­ lő A és fi valószínűségeinek szorzatával. hogy a karton férfi betegé. Egy kórházban 50 nőt és 10 férfit ápolnak. hogy a karton szívbetegé. A betegségeket leíró kartonok közül véletlenszerűen egyet kiválasztva. vagyis. Esem ények függetlensége Általában függetlennek mondunk két eseményt. Definíció.03___________ 0. melyhez szükségünk van az A esemény fij. hogy a szívbetegséget feltüntető kiválasztott karton nö betegé.04+ 0. hogy a selejtes alkatrészt a Gj gép gyártotta a Bayes-tétel ( 2 ) képletével számíthatjuk ki: P(G.2. pont (3) képlete szerint P{Z) = P(G^ )P(Z|Gi ) + P(G2 )P(z|G 2 ) + P(G3 )?(Z|G3 ) = = 0.50 0. mi a valószínűsége annak. ha. Mennyi a valószínűsége annak.0.

) függetlennek nevezünk. Megjegyzés Ha az A és fi független események. ha bárhogyan kiválasztva közülük A.. )P(A. Egy kocka feldobásának eredménye lehet páros szám és páratlan szám. (k = 2 . Ez 2'^ . ha A ^ {f f .. B és C események függetlenségét. = [l-PiA)][l-P{B)]=P(A)P(B). A z A és B esemény bekövetkezésének valószínűsége: P { A ) = ^ = ~ . Megoldás A z A. Ha az (1 *) csak k = 2 -re.IF}.. azaz a B esemény bekövetkezése nem változ­ tatja meg A bekövetkezésének esélyeit. Általában n eseményt (n = 2 . Két szabályos pénzérme feldobása a Q = {f F .. tehát 6 2 o / P(BC) = P{{ i f } ) = ^ .. Megoldás Páros és páratlan szám dobása egyszerre nem következhet be.) . Aj. A j ^ . azaz P { A n B ) = P{A)PiB)..-^ eseményeket. A b) állítás hasonlóan látható be. Ha az (1) feltétel nem telje­ sül.. az (1) feltétel nem teljesül. hogy {teljesen) függetlenek. mánként. stb. P{AB) = P{A)P{ B) = \ .\ ^ ^ . Példák 1..-ként függetlenek. teljesül. a páratlan szám dobásáé pedig B.-^.. •A A: ) = P(A .. ezért az A és B = l-P (A )-P (B ) + P(AnB) = = 1 P(A) P(B) + P(A)P(B) = - események nem függetlenek.64 VALÓSZÍNŰSÉGSZÁMÍTÁS 2.0 ^ P{A)P(B)P{ C) .. ha a három esemény páronként füg­ getlen.l feltétel teljesülését követeli meg. vagyis a három esemény nem független.— . hogy a teljes függetlenséghez a páronkénti függetlenség nem elegendő.. . P(A n B ) = P ( A u B ) = 1 . stb.P (A .n) (1 *) 2. hogy az A]. Az események egyenlő valószínűségűek. 2 2 4 A (*) feltétel azonban nem teljesül. Vizsgál­ juk meg az A és B események függetlenségét. ui. P { A n C ) = P{A)P{C). Az Aj. I f I C = {f I. b) az A és B valamint az A és B események is függetlenek. mivel ABC = 0 és így P{ABC) = P ( 0 ) . . P(A: ) .P ( A u 5 ) = Mivel 0 = P{AB) P { A ) P { B ) .3 . azaz bármely tetszőlegesen kiválasztott k-számú kü­ lönböző esemény együttes bekövetkezésének valószínűsége az egyes események valószínűségének szorzatával egyenlő.. hárazt mondjuk. akkor P{A B)-P(A). A pá­ ros szám dobásának eseménye legyen A.. vagy csak k = 3 -ra. P { B ) = ^ = -^.n . B és C események függetlenek. A páronkénti függetlenség feltételei teljesülnek.3. A j. Ui. akkor A„ események páronként. . P { B n C ) = P{B)P{ C) és teljesül még a P { A n B n C ) = P( A) P( B) P( C) {*) feltétel is. .3 . 3. Események függetlensége 65 Ha A és 5 független események és P{B) > 0. azaz P(AB) = 0. akkor a) az A és B események is függetlenek. azok együttes bekövetkezésének valószínűsége egyenlő valószínűségeik szorzatával. tehát A és B egymást kizáró események. . F i i B = {f F. F I J F . Az A. A„ eseményekről tehát azt mondjuk. Vegyük észre. teljesül a . Vizsgáljuk meg az A. I I } eseményteret alkotja. B é s C események valószínűségei: P{A) = P { B) : ^ Pi C) = ^ = ^ és P(AB) = P{{FF}) = 1 P{ AC) = P({ f i ]) = 1 egyenlőség... ha akárhányat kiválasztva közülük. akkor az A és B események nem függetlenek. A . vagyis az A feltételes valószínűsége a B feltétel mellett egyenlő az A valószínűségével.

b) legalább az egyik kockával 5-öst dobunk.28 annak valószínűsége. Hasonlóan. Milyen eseménytéren értelmezzük a feltételes relatív gyakori­ ságot? 3. Hogyan alkalmazzuk a fadiagramot valószínűségek kiszámítá­ sára? 5. azaz P(AB) 0.8^ = 0. ill.2.2. akkor A és B egymást kizáró események. hogy egy munkás tevékenységéhez csizmát. Ellenőrző kérdések a 2. mi a valószínűsége annak. ha legalább az egyik esemény bekövet­ kezésének valószínűsége 0 . Hogyan származtatjuk Bayes tételét? 7. Mit mond ki a teljes valószínűség tétele? 6. két egymást kizáró ese­ mény csak akkor független.015625. Mivel a csizma igénylésének valószínűsége 0.5. azaz P{A) = P(B + C) = P{B) + P{C). hogy 6 munkás egymás után csak csizmát vagy 6 munkás egymás után csak bakancsot visz el? Megoldás Legyen B esemény az.3 ) • (1 .56 annak valószínűsége. hogy legalább egy műszak időtartama alatt egyik számítógép sem hibásodik meg? Megoldás Ha A-val jelöljük az egyik számítógép és ő-vel a másik számítógép műszakon belüli meghibásodásának eseményét. hogy egy műszakon belül egyik számítógép sem hibásodik meg. Hogyan definiáljuk az események függetlenségét? V.2. Az 1. Mi a valószínűsége annak. és P{B) = 0. akkor A és B nem lehet egymást kizáró esemény. hogy mind a 6 munkás egymás után csizmát vagy bakancsot igényel.2. Hogyan értelmezzük a valószínűségek szorzási tételét? 4.2. Egy dobozban 7 hibátlan és 3 hibás alkatrész van.. bakancsot igényel 0. Bence a jól megkevert 52 lapos bridzs kártyacsomagból négy lapot kapott.) V. Annak valószínűsé­ ge.2. Tehát 0.2..015625 = = 0. azaz AB -vei adhatjuk meg.2. tehát az A valószínűségét a B és C valószínűségének összegeként meghatározhatjuk.2 6 2 1 4 4 és hasonlóan: P(C) = 0. hogy mind a hat munkás egymás után egy-egy csizmát igényel. vagyis P(AB)=P(A)P(B). vagyis P{A) = P(B) + P{C) = 0.. fejezethez 67 4. káró. mi annak valószínűsége. ha a) az 1-es kockával 5-öst dobunk. Ha a két számjegy összege páros. hogy a B és C események egymást kizárják. treff lapok mind­ egyikéből 13 van.56. Azt az ese­ ményt.. A z egyik szá­ mítógép műszakonként] meghibásodásának valószínűsége 0. hogy legalább egy műszakon belül egyik számítógép sem hibásodik meg. Feladatok a 2. akkor P{A) = 0.5.262144 -f 0.8. . Ellenőrző kérdések a 2. kör.66 VALÓSZÍNŰSÉGSZÁMÍTÁS E. mennyi a valószínűsége annak az Aval jelölt eseménynek.5*^ = 0. Mi a valószínűsége annak. Egy üzem raktárában gumicsizmák és bakancsok vannak. ill. Mi annak a valószínűsége. és mindkét esemény valószínűsége pozitív. Pongrác a jól megkevert 32 lapos magyar kártyacsomagból 5 lapot kapott. 2. 0. Hogyan definiáljuk a feltételes valószínűséget? 2. E. Tehát 0.8.2.0 .2 ) = 0.1.3. hogy a következő három lap között is lesz legalább egy pikk? (A pikk.3. hogy mindegyik lap zöld? Megjegyzés 1. Ha egymás után három alkatrészt kiveszünk a dobozból. C esemény pedig az. de AB nem lehetetlen esemény.28.3. így a 6 egymás utáni igénylés valószínűsége: P (fi) = 0. Ha azonban az egyik esemény valószínűsége 0.0 . Egy irodában két számítógép egymástól függetlenül működik.2. A függetlenség figye­ lembevételével P(A B) = P ( A ) P ( B ) = (1 . a harmadik pedig hibás lesz? V. hogy az együttes pontszám 10 vagy 10-nél nagyobb. 5. fejezethez 1. A és B független. hogy mindkét számjegy páratlan? V. V.9 számjegyek közül véletlenül válasszunk ki két számjegyet. fejezethez V .2. akkor mi a valószínűsége annak. akkor P{AB) = 0. Dobjunk fel két szabályos kockát.7 •0. a másik számítógépé pedig 0. mivel egyszerre is bekövetkezhetnek. Ha két esemény. hogy mind a hat munkás bakancsot igényel.4. hogy az első kettő hibát­ lan.8 = 0. A és B események ellentétével. Nyilván­ való. Ha a négy lap mindegyike pikk. Ha mindegyik munkás csak egy lábbelit visz el.

hogy matematikából vagy fizikából elégtelen az osztályzata? V. Robin és Nándor egy céltáblára lőnek. a Z gép pedig 25 db-ot gyárt. hogy egy véletlenszerűen kiválasztott cipő a) hibás.9. b) rövidlátó egy véletlenszerűen kiválasztott lány. d) hibátlan és azt a X gyár készítette? valószínűségeket. c) egyikük sem él még 10 évet.2. Számítsuk ki az a)P{A\B)\ b)P{B\A)-. V. Z gép naponta gyártott termékei között átlagosan szépséghibás 0. Véletlenszerűen kiválasztunk mindkét szalagról lekerült termékek közül egyet-egyet. d) pontosan egyik hibás? V. hogy a) mindkettő hibás. hogy egy véletlenszerűen kiválasztott napon a) mind az öt gép üzemszerűen működik. hogy matematikából elégtelen az osztályzata. hogy a nő még 10 évet él ^ .2. a lányoké 500. ill. b) egyik gép sem működik. Számítsuk ki az A eseménynek a S-re vonatkozó. 4.7. és állapítsuk meg: a) Mi a valószínűsége annak. Egy idős házaspárnál annak valószínűsége. d)P{ABy. d) csak a nő él még 10 évet. Mekkora annak a valószínűsége.13.2.11. Mekkora a valószínűsége annak. ha V. 0.15. Válasszunk ki egy hallgatót az évfolyamból.2. Az X. d) legfeljebb egy gép működik? V. Az X gép naponta 10 db-ot.6. 0.14. Egy iskola 2000 diákja közül a fiúk száma 1500.2. ha fizikából elégtelen? b) Mi a valószínűsége annak.2. ill. akkor azt a lövést Balázs adta le? V. Egy gyárban két szalagon ugyanazt a terméktípust szerelik össze. Az X. A szem­ orvos minden diákot megvizsgált és azt találta. ill.12.8. F eladatoka 2. hogy 60 fiú és 50 lány rövidlátó. hogy fizikából elégtelen az osztályzata. Egy évfolyam hallgatóinak 25%-a matematikából.68 VALOSZINUSEGSZAMITAS V.9. d) lány egy véletlenszerűen kiválasztott rövidlátó? 6 4 3 Mindegyikük egy lövést ad le. fejezethez 69 V. e)P{^A) c) hibás és azt az Y gyár készítette. c) legalább egy gép működik. Egy üzem három különböző termelékenységű gépe ugyanazt a terméket gyártja. hogy a férfi még 10 évet él annak valószínűsége. Egy cipő nagykereskedő X. 15%-a fizikából és 10%-a matematikából és fizikából is elégtelenre vizsgázott.2. hogy a) mindketten élnek még 10 évet. hogy szépséghibás. V. ha mate­ matikából elégtelen? c) Mi a valószínűsége annak. Az első szalag mellett gyakorlott szakmunkások 10%-os selejttel. b) egyik sem hibás. Mekkora valószínűséggel a) rövidlátó egy véletlenszerűen kiválasztott diák. 35.9. valamint a B esemény­ nek az A-ra vonatkozó feltételes valószínűségét. Z gyár cipői 5. az Y gép 15 db-ot. Y. F és Z gyártól vásárol cipőket 25. Mekkora annak valószínűsége.2. Az egy nap gyártott összes terméket tartalmazó ládából véletlenszerűen kive­ szünk egyet és megállapítjuk.3. a második szalag mellett kezdő betanított munkások 20%-os selejttel végzik a szerelést.10. ill.2. Számítsuk ki annak valószí­ nűségét. b) legalább az egyik él még 10 évet. b) hibátlan. c) P ( A kj B). c) rövidlátó egy véletlenszerűen kiválasztott fiú. Y.2. Mi a valószínűsége annak. Az egyes gépek napi üzemszerű működésének valószínűsége 0. 40%-os arányban. b) ha egy találat van. hogy azt az X gép gyártotta? . Egy műhelyben egymástól függetlenül öt forgácsoló gép működik. A találat valószínűsége a sorrend szerint hogy a) közülük csak egy talál a céltáblába.5 db.2. 2%-ban hibásaknak bizonyultak. Mekkora annak való­ színűsége. ha P(A) = V. Balázs. V. c) legalább az egyik hibás.

HARMADIK FEJEZET Valószínűségi változók és jellemzőik Egy kísérlet által meghatározott valószínűségi mező ismeretében rendelkezünk azokkal az információkkal. Mindegyik esemény valószínűsége 6 azaz P (A .. Láttuk.2. akkor a Q halmazon egy valós értékű függvényt értelmezünk.. akkor az analízis jól kidolgozott eszközeivel is elemezhetjük a véletlen jelen­ ségek törvényszerűségeit. a 2-es dobás. 4. 5 és a 6 számok.. Az eseménytér eseményeinek vizsgá­ lata helyett célszerűbb az eseményekhez rendelt.)= ™ . stb. 6 {i = 1. az 1. vagy a 2 és 5 közötti szám dobásának való­ színűségét is stb. éspedig \ 6 valószínűséggel. Ha egy kísérlet minden lehetséges kimeneteléhez... Ezt a függvényt valószínűségi változónak nevezzük és X-szel (általában az ábécé dőlt nagybetűivel) jelöljük. .. Ezt a jelenséget a következő módon is megfogal­ mazhatjuk: A kockadobás kimenetelét egy olyan X változónak tekintjük. 3. azaz a kísérlet teljes eseményrendszere mindegyik elemi eseményéhez egyértelműen hozzárendelünk egy-egy valós számot. egy célgépen gyártott termék véletlenszerűen kiválasztott darabjának valamely méretét.. amelynek értékei. Az ilyen változó értékei véletlentől függő számértékek. Amennyiben az eseménytéren értelmezünk egy valós értékű függvényt. Definíció. Tekintsük például az első fejezetben tárgyalt kockadobással vég­ zett kísérletet. Az X változó jelentheti pl. amelyek lehetővé teszik a kísérlet részletes vizsgálatát.6). hogy a Q eseménytér hat elemi eseményt tartalmaz: Aj az 1-es dobás. megfelelően ér­ telmezett valós számokkal végezni vizsgálatainkat. \ a 6-os dobás eseménye. Az X minden dobásnál ezek közül csak egy értéket vehet fel. Vizsgálhatjuk pl. 2. a 3-nál na- gyobb szám dobásának. a Balaton vizének véletlenszerűen kiválasztott időpontokban mért hőmérsékletét. a lehetséges eredmények.

Pl. Ennek értelmében a biztos esemény az.2 .xi esemény bekövetkezése azt jelenti.. amelyre Xi < X egyenlőtlenség fennáll. azaz X{Q) = {xi.X 2 . . 3. Azt is mondjuk. x ^ } hal­ mazba esik. 4. í= l valószínűségek. Egy X valószínűségi változót diszkrétnek nevezünk.1.. azaz 1. x„}. hogy a változó milyen értékeket milyen valószínűséggekkel vesz fel. ^2 .. hogy a biztos esemény valószínűsége. mezőt kapunk...X 2 . az X változó valószínűségeloszlásának. hogy az X valószínűségi változó felveszi az x^ (/ = 1 ..- Definíció. n) pontok­ ban képzett Pl = P ( X = xi) valószínűségekkel egy valószínűségi 6 valószínűséggel követ- .. ame­ lyeket egy diszkrét X valószínűségi változó pozitív valószínűséggel vesz fel... ha ismertek a p. Adjuk meg az X valószínüségeloszlását és eloszlásfüggvényének értékeit. 2. ha csak megszámlálható számú értéket vehet fel. Ha egy kísérlet során az Aj elemi esemény következik be. 6 kimenetelei legyenek az X valószínűségi válto­ zó értékei. Ha az Xi..n ) és b) 'Y. . akkor ezt az X valószínűségi változó egy lehetséges értékének mondjuk és az X = x.v(xi ) valószínűséggel veszi fel.l.v(Xi) = l. Példák 1. Az X valószínűségi változót adottnak tekintjük. Megoldás Mivel a kockadobás kimenetelei közül bármelyik kezhet be. hogy az X változó eloszlása kielé­ gíti a következő feltételeket: a) v (x i) >0. Az értelmezésből következik..elemi esemény valószínűségét P {X = Xj) jelöli. A változó eloszlá­ sát tehát egyértelműen jellem zi az. A következő pontokban a diszkrét és a folytonos valószínűségi változókkal valamint azok jellemzőivel ismerkedünk meg.2 . ahol az összegezést mindazon i-re végezzük.. hogy pi annak a valószínűsé­ ge. Legyen az X valószínűségi változó lehetséges értékeinek hal­ maza akkor ezt röviden x ( ö ) . Ha Z ( ö ) = {x|.. így X valószínüségeloszlása: (í. (k =1. hogy a való­ színűségi változó valamelyik lehetséges értékét felveszi. n) események teljes ese­ ményrendszert alkotnak. 3. n) értéket. és eh­ hez az Xi értéket rendeljük.. hogy a valószínűségi változó értéke az {xi.. X diszkrét eloszlásfüggvényének nevezzük.. Egy kockadobás 1... Diszkrét valószínűségi változó 73 A valószínűségi változó jelölésére a X helyett a ^ görög betűt is használjuk..x 2 . azaz lehetséges érté­ keinek halmaza véges vagy megszámlálható halmaz. a valószí­ nűségi változó lehetséges értékein oszlik el.. 5. A valószínűségeloszlást táblázatosán adjuk meg: Xi v{ Xi ) v (x i) •^2 V(X2) v (x „ ) Az (1) formula azt fejezi ki.v a l jelöljük.72 VALÓSZÍNŰSÉGSZÁMÍTÁS 3. ...2 . Az X (Q) halmazon v(xi) = P i = P ( X = X i ) = (1 ) jelölést használjuk.Xfi}. Az X . 2. az F(x)= Y^pi Xi<X Ekkor az A . .x^ jelölik azokat a különböző értékeket. . diszkrét valószínűségi változó a kockadobásnál kapott pontszámokkal meg­ határozott változó. Ezt úgy is mondjuk. akkor a {X = Xj^}. Diszkrét valószínűségi változó Definíció.. hogy az X valószínűségi változó az Xi értéket pi .= P(X=Xi) (1*) függvényt.1.. képlettel adott függvényt. akkor az x^ (/ = 1 .

4) Más megfogalmazásban. Vegyünk ki a dobozból véletlenszerűen négy tranzisztort. vagy m. 3. Tehát az X eloszlásfüggvénye: o 0. Az X diszkrét valószínűségi változó M { X ) -szel jelölt várható értékének. hogy 2 < x < 3 esetén X felveheti az P3=P (X =3)= .1.2.1.3 4 .P { X < x)=P{Q)=^l. az M ( X ) az X valószínűségi változó lehetséges értékeinek a súlyozott átlaga. Egy dobozban négy jó és három hibás tranzisztor van. Ha x > 6 . a 3.) Pl -f P 2 F{x) = /?1 + P 2 Pl Pl 3. az elosz­ lásfüggvény ábrázolását 1. 75 -A . 4) számok. P 4 -F (X = 4 )= . pontban. amely körül a változó tapaszta­ lati értékeinek az átlaga ingadozik. akkor a változó által felvett értékek egy m eghatá­ rozott érték körül ingadoznak. a 3. Szokásos jelölése még E(X). . Ezt a valós számot várható értéknek nevezzük. . + x^v(x „ ) = X XjV(Xi) i=l képlettel meghatározott számot nevezzük. ha X < 1 Dl 6 h a i< x < 2 2 ha2<x<3 3 ' ha 3 < X < 4 4 ha 4 < X S 5 0.1. mivel az { x < x} biztos esemény. akkor X valószínűségi változó az (1*) formulának megfelelően csak x-né\ kisebb értéket vehet fel. azaz F{x) = P ( X < x ) = ^ . Megoldás Az X diszkrét valószínűségi változó.03. .03 YjPi 1 és 2 értéket.1. f4 ]f3 ) 3 1 12 = ~ = 0 . stb. '35'' 18 35 Mivel X 1-nél kisebb értéket nem vehet fel. Táblázatosán adjuk meg a valószínűségi változó eloszlását. A várható érték (4] l 3 3^ > 2 7'' i Í4] 4 0 “ 0. . A valószínűségi változót jó l tudjuk Jellemezni azzal a valós számmal. akkor F ( x ) . Definíció.1. . formulával számítható ki.. vagyis az 1 számot. pontban.34 4 0. hogy k darab jó tranzisztort vettünk ki a dobozból a 3 4-k p^=P{X=k) = =P( X =Xi) (i = l . A várható érték Ha egy valószínűségi változóra vonatkozólag független kísérletso­ rozatot végzünk. 2. 2.k { k = \ .1. tehát F(x) = P { X = l ) = ~ . . ha x i=\ >6 Az X valószínűségi változó eloszlásának ábrázolását 1. ha eloszlása a v ( X i ) = Pi P3 Pa ~ P i ' ^ P i ' ^ P s ' ^ P a ' ^ P s = "g> ha5< A :^ 6 6 ^ P j = 1. 6 Tehát a kérdéses X diszkrét valószínűségi változó táblázatosán adott eloszlása: Xi 1 2 0. értékei pedig az x .Hasonlóan kapjuk. így x < 1 esetén F{ x) =P{ X <x)=0.2.51 3 0. 2 . az n M ( X ) = Xj v(X|) + X2 V(X2 ) + . n ) összefüggéssel adott. 3. (Vagyis {Z < x } lehetetlen esemény). 2. M. (2) {k = l.. Az X valószínűségi változó értéke rendre legyen a jó tranzisztorok száma.. Annak az eseménynek a valószínűsége.11 Pi _______1 (A kerekítési hibák miatt tér el az összeg az 1-töl. Ha l < x < 2 . fi.74 1 Pi 1 6 2 1 6 3 1 6 VALÓSZÍNŰSÉGSZÁMÍTÁS 4 1 6 5 1 6 6 1 6 3. tehát .

. Példák 1. hogy az egymásutáni dobások pontértékének átlaga a 3. (3. azaz mindkét esetben 3. A kapott eredmények alapján az X valószínüségeloszlását táblázatosán is meg­ adhatjuk: Xi képlettel számítjuk. b ) = max(a.5 /=i 6 6 is csak azt mutatja. X(ö) = {l. (2.5).1). v{5) = P i X = 5 ) = ~ . Megoldás Az {(1. hogy a Descartes-íé\& derékszögű koordinátarendszer x-tengelyén kijelölt pontokhoz az X lehetséges értékeinek megfelelő számokat 1 1/36 2 3/36 3 5/36 4 7/36 5 9/36 6 11/36 v(^/) .76 VALÓSZÍNŰSÉGSZÁMÍTÁS 3.1. (3.6}. stb. Számítsuk ki az X változó p. (6 . (1 .. a „nagyobbik szám 2” esemény háromféleképpen következhet be. valószínűséggel vesz fel. a 3.1..5 várható érték körül fog ingadozni.. v(2) = P { X = 1 ) = P ({(2.3)..2 ).5-hez közeli. ill.1). ill. hogy az X valószínűségi változó végtelen sok...1. értékeket pi valószínűséggel veszi fel.5. (2. i=\ (2 * ) alakban használjuk. akkor ezek átlagát képez­ ve 346/100 = 3.46.b) pontszámának átlaga fog 4. a várható értéket M (X ) = £ 36’ i=l v ( x . 3 4 9 /1 0 0 = 3. ha ^ v ( x i ) x i végtelen sor abszoi =í lút konvergens.4.3)}) = — . Vonaldiagram és hisztogram A diszkrét valószínűségi eloszlásokat vonaldiagrammal vagy hisztogrammal szemléltethetjük. Vonaldiagram és hisztogram Az X várható értéke a (2) formula szerint számolva: 77 A (2) képletet az X diszkrét valószínűségi változó várható érté­ kének kiszámítására.2).2. A vonaldiagramot úgy készítjük.3).2)}) M egjegyzés Tegyük fel. az M {x )= tp iX . ha kétszer 100 dobásos kísérletnél az egyes dobások pontjait összeadva 346-ot.47 körül ingadozni. azaz X i a . 3.= v (x. Két szabályos kockával végzett kockadobások esetében a Q eseményteret 36 rendezett számpár alkotja. pusztán az egymás utáni dobások max(a.l ) } ) = ^ . hogy v(4) = P { X = 4) = i=í <+oo.. v(6) = P ( X = 6 ) = | i . akkor abban az esetben. tehát v(l) = P ( X = l ) = P ( { ( l . (1.1).2.49. értéket v(xj).47. 349-et kaptunk eredményül. 2. s hasonlóan kapjuk.2. 2 = {(1. azaz v(3) = P { X =3 ) = P({(3. ha az x.2).. ) eloszlását és M ( X ) várható értékét. (1.v(x2 v(x^). (6. b) számpárokból mindig a nagyobbik számmal egyenlő.3. Ekkor az X valószínűségi változó le­ hetséges értékeinek halmaza: Természetesen sosem lesz a két kocka dobásánál megjelenő nagyobbik szám 4. X értéke legyen a Q elemeit képező {a. pont példáját) számított várható érték: M ( X ) = ^ P i X j =-^(1 + 2 + 3 + 4 + 5 + 6 ) = 4 ^ = 3..6 )}. de attól eltérő értéket kaptunk.b). ) x . Egy kockával végzett kísérletnél kapott valószínűségeloszlásból (1.1)} esemény csak egyféleképpen következhet be. Pl.

v( x.1 1 . .■ 2 /3 6 -1 /3 6 -0 1 2 3 4 5 6 7 8 9 10 11 12 13. 2 .5) = P({(1.1.1. a 6 értéket — valószí36 36 36 nűséggel veszi fel. ábra.1 0 .■ 4 /3 6 . pont példájának Q eseményterén most a két kockával dobott pontszámok összege legyen az X értéke. a 2 értéket — .) = 2 4 + 3 4 + . X valószínűségi változó eloszlásának vonaldiagramja v ( x . ábra szemlélteti. pontban tárgyalt 1.4).1. X valószínűségi változó eloszlásának vonaldiagramja 11.5/36 ■■ 4 /3 6 -3/36 . 9 . 7. Példa A 3.2).7 /3 6 -5 /3 6 -3 /3 6 . Az X valószínűségi változó eloszlásának hisztogramja képlettel képezzük a valószínűségi változó értékeit.^ 5/36 .jc-tengelyre merőleges . ábra. 36 Az X várható értéke: !1 M « ) = £ j . a 3. A + . 5. Vonaldíagram és hisztogram Az X valószínűségi változó v(x.2. azaz X( a . 4. pontban tárgyalt példa valószínűségi eloszlásának vonaldiagramját a 10.1. ábra. egymáshoz illeszkedő téglalapokkal ábrázoljuk. X valószínűségi változó eloszlása 6 /3 6 ^ ( ^ '. 8.■ 3 /3 6 -2 /3 6 ■ ■ 1 /3 6 -• —ö 1 2 3 4 5 6 7 8 9 10 11 Í2 X/ Az ábrán azt rajzoltuk fel. 3. ábra. Megoldás X( Q) = (2. i X I v( x. + 1 | .1)}= A .1. és e téglalapok .(4. ábra szemlélteti. hogy a valószínűségi változó az 1 értéket — . 11 12 1/36 1/ 6 1 2 3 4 5 6 X Pl. ) eloszlásának táblázata.) 11/36 9 /3 6 . v(5) = P { X .(3. 10. P. 6. Ha a valószínűségi eloszlást minden xi -nél azonos szélességű. példa valószínűségi eloszlásának vonaldiagramját a l l .(2.1.egyeneseket illesztünk. és így tovább. amelyek hossza arányos a szóban forgó pontokhoz tartozó valószínűségekkel.78 v a l ó s z ín ű s é g s z J m ít á s 3. J _ = 252 ^ M 36 36 36 36 36 Az X valószínűségi változó eloszlását a 12.1/36-■ 0 1 2 3 4 5 6 Xi 12. ábra. és a pontokra olyan .1 2 }.3). A 3. b ) = a + b 1 3 II V (X /) 6/36 .) 1 2 1/36 2 3 2/36 3 4 3/36 4 5 4/36 5 6 5/36 6 7 6/36 7 8 5/36 8 9 4/36 9 10 3/36 10 11 2/36 79 írjuk egy adott távolságegységgel. .

) -vei arányos tég­ lalap magassággal) képzett szorzatát eredményül pontosan 1-et kapjunk. Az X valószí­ nűségi változó eloszlásának a jellemzésére tehát a várható érték mellett a várható értéktől való átlagos eltérésnek a mértéke is fontos információt szolgáltat. az átlagtól való eltérések négyzeteinek átlagát.7 2 . ha nem prímszámot dob. Az X valószínűségi változó értékkészlete (a já­ tékos nyereségét pozitív. . Vegyük észre. i + 1 0 8 . a v(x. Az X valószínűségi vál­ tozó v(x. Példa Egy kockajátékos a banktól páros szám dobása esetén a pontszám 18-szorosát kapja forintban számolva.-) A negatív számok a játékos veszteségeit fejezik ki.l + 5 4 .2 4 .= . hogy a két tengelyen az egység megválasztása lényegesen eltér. Számítsuk ki a várható értéket. ) eloszlása táblázatosán: Xj 2 1 6 3 1 6 5 1 6 -1 1 6 -4 1 6 -6 1 6 v(x. tehát az X változó v(x. E példánál a téglalapok alapját 1-nek választva a hiszto­ gramot a 13. i . X (4) = 4-18 = 72. X (3) = .1 + 7 2 .3. kor­ rektnek nevezzük.l 6 6 6 6 6 6 6 A játékszabály a .2 4 = -2 4 . Pl. . veszteségét negatív számmal jelölve): X (l) = . Xi v(xi) X2 v(X2) Xn HXn) . A tégla­ lapok szélességét tehát úgy kell megválasztani. hogy a kockadobás játékszabálya most a következő: prímszám dobá­ sakor a játékos a pontszámmal azonos forintot nyer. nem prímszám dobásakor pedig a pontszámmal azonos forintot veszít. Legyen adott az X diszkrét valószínűségi változó és eloszlása: Xi v(Xi) X (2) = 2-18 = 36. hogy a változó értékei mennyit térnek el a várható ér­ téktől. 36 1 6 72 i 6 108 1 6 -2 4 1 6 -7 2 1 6 -1 2 0 1 6 v(x.-) A várható érték.72.108. valamint az utóbbi négyzetgyökét.j átékos számára kedvezőtlen.) eloszlása táblázatosam Xi Az előző példához hasonlóan végezzük a számításokat. A játékos szempontjából kedvező a játék. ábra szemlélteti. .i . ami a nagyapára vonatkozólag igen kedvező. Azonban pusztán az átlagértékből levonható következte­ tés könnyen megtévesztő. páratlan szám dobása esetén pedig a játékos fizet a bank­ nak. 1 . Q = {l. 1 . i = ^ í ^ = 0. Ennek megfelelően egy valószí­ nűségi változó várható értékének kiszámítása mellett azt is meg­ vizsgáljuk. A já­ ték várható értéke: M (X ) = 2 4 + 3 . a 60 éves nagyapa és a 6 éves unoka átlagéletkora 33 év. amely megfeleltethető a várható értéknek.1 2 0 } Egy szabályos kocka feldobása esetén bármely pontszám bekövetkezése — való­ színűségű. ha a várható érték pozitív. akkor hisztogramot kapunk.5 '2 4 = -120. A s z ó r á s n é g y z e t ( var i anci a) és a s z ó r á s ( d i s z pe r z i ó) Megoldás 81 területösszege pontosan l. 2. hamis eredményre vezethet. A szórásnégyzet (variancia) és a szórás (diszperzió) Milyen további számértékekkel jellemezhetjük egy kísérletsorozat eredményeit? Különböző jelenségek jellemzésére köznapi értelemben is gyak­ ran használjuk az átlagértéket.l . 1 . 2 0 . „ ( X ) = 3 6 . ill. hogy összeadva az egyes téglalapok alapjának v{xi ) -vei (ül.80 VALÓSZÍNŰSÉGSZÁMÍTÁS 3. Számítsuk ki a várható értéket. Megoldás Az eseménytér. éspedig a pontszám 24-szeresét.5. de nem úgy az unokára. X (6) = 6 1 8 = 108. Példa Tegyük fel. és kedvezőtlen.4 .i 4 .4.J.1.3 ■ 24 = -7 2 . X(5) = . ha negatív. tehát X (Ö) = {36. mivel a várható érték negatív. Az ilyen rendszerű játékot. 3.6}. mennyire „szórnak” a várható érték körül.6 .3..24. vagyis ahol a várható érték 0.72.3. Egy jelenségre vonatkozó kísérletsorozat mérési adatainak je l­ lemzésére tehát rendszerint megadják az egyes mérési adatok elté­ rését átlaguktól.

szórásnégyzetét és szórását. A D^(X) szórásnégyzet pozitív négyzetgyökét az X va­ lószínűségi változó szórásának (standard eltérésének) nevezzük.0. A (3) képletet az X diszkrét valószínűségi változó szórásnégyzetének kiszámítására.1 + i 2. Az X valószínűségi változó szórásnégyzetének egyszerűbb ki­ számítását teszi lehetővé a kővetkező tétel: Tétel (3) Megoldás A várható érték: 5 (3*) alakban használjuk. i=l formulával adott számot. Számítsuk ki az X valószínűségi változó i Xi v(x. ha az Xj értékeket valószínűséggel veszi fel.1 ) 2 . Más szóval az adatok négyzetes közép­ hibája D^(X) körül ingadozik.2 m X i + m )v(x^) = 1=1 1=1 « 2. a 2 mint kisebb pontszám 9 esetben .-) = -1 • 0. Példák 1. A szórás tehát a valószínűségi változó várható értéke körüli in­ gadozásainak átlagos nagyságát jellemzi. A szórás: D ( X ) = y [ 2 A = 1. két kockát feldobva va­ lamelyiken az 1 pont 11 esetben fordulhat elő.2 = 1. és az X valószínűségi változó értéke legyen a két pontszám közül mindig a kisebb pontszámmal egyenlő.m f ) (1) = i=l H xi)~ 2 m ^ + m ^ = ^ x f v ( x i ) .3+ 3^ .0 .2 ( 2) táblázattal adott eloszlása alapján várható értékét. A legkisebb pontszám 1.^ xfv{x i)i=l 2 83 Definíció.l 2 z= 2.3 2 0 0.1 + 2 ■ 0 3 + 3 • 0. Megoldás 9 ^ 9 9 A lehetséges esetek száma: 36.2 . a n f n ^ A szórásnégyzet jellemzi tehát az X-re vonatkozó egyes mérési adatok eltérését átlaguktól..82 v a l ó s z ín ű s é g s z Am ít A s 3.3 + 0^ ■0.) 1 -1 0.1.0 .m f ) . A tétel bizonyításához a '^ X iv (x i) = m és a '^ v ( X i) = 1 összei=l i=l függéseket használjuk fel: Z u ^ X i-m ) v{Xi) = ^ ( X i . = (.m ^.1 4 2 0. Az X valószínűségi változó szórásnégyzetének (varianciájának) az {X -m)^ valószínűségi változó várható értékét ne­ vezzük.1 + 2^ ■0.3. Számítsuk ki X eloszlását vár­ ható értékét és szórását. ahol m az X várható értéke ( m = M ( X ) ). Definíció. azaz D{ X) = ^ M { { X .4. azaz a D ^ ( X ) = S (X ( i=l n m ^ xiv{xi) + m ^^v(x^) = i =l 1=1 = M «X .1 3 1 0.5492. G és ■jYar(X). Dobjunk fel két kockát. A szórásnégyzet szokásos jelölése még í . X. m = M (X ) = (=1 A szórásnégyzet. cr 2 2 és Var(X). A szórásnégyzet (variancia) és a szórás (diszperzió) n .-v(x. A szórás szokásos jelölése még s.3 5 3 0.3 + 0 • 0.1 +1 •0.

+ M ( X J . a) M( k X ) = k M( X ) .4.4.L n ^ .. (*) 36 A várható érték: m .553. Pl. ahol Xi .. D (aX + k ) = \a\-D(X).M ( X ) = ^ Xj p. a 2. 2.y ^ } ....3 6 .1)_2. így az eloszlás táblázata: X.m ^ ~ Az X*-ot normált vagy standard valószínűségi változónak ne­ vezzük. és Y( Q) = {y^. . ha az X valószínűségi változó helyett az . e) tételek felhasználásával igazol­ hatjuk. ui.és perem eloszlásai X* = 85 fordulhat elő . mert ennek várható értéke 0 és szórásnégyzete 1. f ) D ( X + k ) = D( X) . Valószínűségi változók együttes.5 + 5^.. 1 11 2 X-M(X) D( X ) (D(X) >0) (4) 3 7 36 4 5 36 5 3 36 6 1 Pi 36 9 36 valószínűségi változóra térünk át.y 2 „ .84 VALÓSZÍNŰSÉGSZÁMÍTÁS 3. + X J = M ( X 0 + M ( X 2 ) + . . d) D ^ ( X + k ) = D^ ( X) e) D ^ (a X + k ) = a ^ D^ ( X) .. A (*) állításokat az a). b) M ( X +k ) = M ( X ) + k.. 3. a 6 pont csak egy esetben. M{ X * ) = M X-M(X) D( X ) 1 A szórásnégyzet: D ^ { X) ~ Var(X) = D( X ) M(X-M(X)) = 1 ( M ( X ) . d). X 2 . Gyakran a számítások egyszerűbbek.. .. c) M ( X i + X 2 +. k &R .X 2 . A szórás: D (X ) = / V a r W = = és D ^ (X * ) = D^ Megjegyzések 1...53^ 36^ = 8 . g) X-M(X) D( X ) D^ ( X) D^ ( X) 3..M ( X ) ) = 0-.1.x J .1.. d '^{X*) = \. n_ 36 36 O p.. Egy pozitív X valószínűségi változó szórásának és várható ér­ tékének D{ X) M{xy hányadosát X relatív szórásának nevezzük. n + 2 ^ -9 + 3^ ■7 + 4^.és perem eloszlásai Miként vizsgálható két valószínűségi változó kapcsolata? Legyen Z és F a ö eseménytér két valószínűségi változója: X( Q) = {xi. b)..6 . dupla hatos dobása esetén fordulhat elő „kisebb” számként. a szórásnégyzetre és a szórásra érvényesek az alábbi tételek. Valószműségt változók együttes. a &R. A várható értékre. D( X ) ^ . példa valószínűségi változójának relatív szórása: = 0.4 0 -1 .3 + 62 . X ^ ugyanazon a Q eseménytéren értelmezett való­ színűségi változók. azaz M ( X * ) = 0.9 6 .

12)}.j = l.6 ) } .. Példa Két szabályos kockával dobásokat végezve . y = 3.a ö eseményteret 36 rendezett számpár alkotja: ö = { ( U ) . és j indexek minden lehetséges értékére végezzük. iJ b) adjuk meg az F{x. akkor 2-nél nagyobb dobás nem jöhet létre.4.. hogy a w együttes eloszlás eleget tesz a n m )’m)} w(xi.yi) w(xi.6.= 1 =l és minden {xi.y j w(X2 .yj)>0 jy )-v e i és /= 1 . vagyis X sor w (xi. Az X ( Q ) x Y ( Q ) halmazon értelmezett w( x i .yj) ij (3) (í = l. Hasonlóan .( 6 . mint az előbbi képletben. az Y változókra vonatkozólag. Xn X oszlop W(JC„.y2) w (x i.12}..XjyjW (xi.. b ) = ma. (X .5.m ) ( 1) függvényt az X és Y.VALÓSZÍNŰSÉGSZÁMÍTÁS 3.3. ha y j = 3 . akkor az együttes el­ oszlás: w(xi.1 2 .b) számpárokból mindig a nagyobbik számmal legyen egyenlő. ill. Az X és 7 együttes eloszlását az alábbi táblázattal adjuk meg: X\Y Xi X2 yl yi Jm.8. ugyanúgy.2).zoYZBt uk^t Nyilvánvaló. tehát w ( l . =1 ’ 3'j n ^= S ’ } ’j ) pe­ ej X és y változók perem-elos zlásfüggvényét. y m ) V(X2) X(Ö) = {l.x(a.. :^2).b) = a + b.. Ha X és Ffüggetlen valószínűségi változók.. (6. az Y változó értéke pedig mindig az (a.rt.7.( m ..3.).11). Definíció. Y = y j ). J l) u{y\) w(Xn. pont példájában láttuk . Ha a számpárok közül egyik sem nagyobb 1-nél. dig a j-edik oszlop elemeinek az összegét: m H xi) = X . külön-külön.1. ahol az összegezést i. ( 2) Megoldás A max(a.5.. Descart es-s.2.Z>) = 1 és a + b . formulával számítjuk ki. Y=y j ) valószínűséget.. y j ) = 0.3).1...yj)=^v(xi)-u(yj).6 helyen együttesen. y) eloszlásfüggvény néhány értékét.b) számpárok összege legyen.b} . y j ) várható értéket.10. y j ) rendezett párhoz rendel­ jük hozzá a P{ X=Xi . Valószínűségi változók együttes.5.2 közül. (1.2) csak egyszer fordulhat elő a lehetséges kimenetelek amelyeket marginális (határ-)eloszlásoknak vagy peremeloszlá­ soknak nevezünk az X.5 ) .9..y2) u(y2) M( j m) HXn) Készítsük el az X és Y változók együttes eloszlásának táblázatát és számítsuk ki a) az M ( X Y ) = ' ^ X i y j W( x / .mint azt a 3..( 6 . Az X( Q) X Y(Q) Descartes-szorzat a Q* eseményteret állítja elő: X ( Q ) x V(Q) = {(1.. feltételeknek.. ill.6} és Y{Q) = {2.y i) w (x2.4 .2.. ill. melyet jelölünk.4..F ) valószínűségi vektorváltozó együttes eloszlásának vagy együttes diszkrét valószínűségelosz­ lásnak nevezzük. tehát w(l. d) számítsuk ki az eloszlásfüggvény értékét x = 2. y j ) = P( X =Xi .) jelöli az j-edik sor elemeinek..és perem eloszlásai 87 Képezzük az X (Ö) X r ( ö ) = {(x„ y .y2) w(x2. Az X valószínűségi változó értéke a Q elemeit képező (a. (JCI. A táblázatban a v(x. Az X és y valószínűségi változók együttes várható értékét ^ = ^l.4.2.11. azaz X( a .1. azaz Y{a. (6.

Pl. . akkor az egyik változóról nyert infor­ mációkból a másik változóra is szerezhetünk információkat. ha y < 2 ha 2 < _ y< 3 ha 3 < y < 4 ha 4 < j < 5 ha 12 < y y e R és F „ .2) = 0. az árucikk keresletének hal<x<2és4<}'<5 ha2<x<3és4<j<5 ha3<x<4és4<j<5 12 < h a 6 < X és y . x e R és F^{x) .1. ^ . és közü­ lük az egyik ismert. 2/36 2/36 2/36 1/36 2/36 2/36 2/36 2/36 1/36 1/36 1/36 9/36 11/36 Az y változó perem-eloszlásfüggvényét az Y marginális eloszlásának összege­ zésével kapjuk: 0.(2.3) = ^ . A gyakorlati feladatokban előforduló valószínűségi változók között azonban gyakran van bizonyos összefüggés. ( y ) ^ P ( Y < y ) 2/36 2/36 2/36 2/36 2/36 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 a) Az {x y ) várható értéke a (3) formula szerint számolva: JL 36’ m 2_ 36’ A í ( ^ .4 + 3 4 . w(2.5 . A valószínűségi változók közötti kapcsolat szorossága A valószínűségi változókról fontos tudnunk.(3 . tehát a következő: 3. A valószínűségi változók közötti kapcsolat szorossága 89 c) Az X változó perem-eloszlásfüggvényét az X marginális eloszlásának összege­ zésével kapjuk: ha X < 1 10 1/36 2/36 1/36 2/36 2/36 1/36 0 0 12 1/36 3/36 5/36 7/36 36’ 36’ _9_ F„Áx) = 36’ 36’ ha 1 < X < 2 ha 2 < X < 3 ha 3 < X < 4 . 1 36’ 1 36’ 1 36’ _L + J_ „ 3 36 36 36’ F(x. F . abból. w(2. hogy ismerjük az X változó eloszlását.5.5) = 0.5) = . Az együt­ tes eloszlás és a peremeloszlás táblázata.22. Pl. 3 .6 ) .5. ha egy gépkocsi sebessége nő. F . hogy függetlenek-e vagy sem.^ . Ha az X és F független valószínűségi változók. ha 4 < X < 5 ha 5 < X < 6 ha6 < X 75 36’ 1. .12^== 34.4) = — . ^ 2 4 .. annak alapján a másik változóra nem nyerünk új információt.y)^ _ L + ^ _ 3 36 36 36 1 36’ 4 36’ 6 36’ 1. hal<x<2és3<}'<4 ha2<x<3és3<)'<4 ha3<x<4és3<j<4 3. ) ' i k 2 ^ 2 . vagy egy árucikk árának ugrásszerű növekedése. 36 36 36 A 36’ 0.í ^ ) = I ^ / 3 ' i 4 / . ha X < 1 vagy y < 2 hal<x<2és2<j<3 d) ha2<x<3és2<y<3 F ( 2 . Általában. stb értékeket. a tőle független Y változó eloszlásáról még semmit sem mondhatunk.1. akkor a fogyasztása is nő.6 ) = ^ .^ . +6. w(2.P{X < x). ha az X és Y változók nem függetlenek.VALÓSZÍNÜSÉGSZÁMÍTÁS kapjuk a w(2. 3 .

y I ) adatpárok mértékegysége. ha a várható értékeikhez képest ellenkező irányba változnak.F ) = 0 ból nem következik X és F változók függetlensége. de ez fordítva nem áll fenn. y j ) = j w( Xj . a változók és várható értékük különbsége és ezek szorzata. a valószínűségi változók közötti sztochasztikus kap­ csolat szorosságának mérésére bevezetjük a kovariancia és a kor­ relációs együttható fogalmát.M ( X ) ) ( Y . r es a iJ összefüggések felhasználásával a (4) képletet számításra alkalma­ sabb alakra hozhatjuk: C ov(X . y j ) = Y ^ x ^ y jv ix ^) • u { y j ) = U] ÍJ = '^ X iV (X i)-'^ yju(yj)= M (X )M (Y ). Az X és F valószínűségi változók közötti összefüggés számszerű jellemzésére.u { y j ) .F ) =21 ( x i )(>’j .5. a várható értékeket jelölje és niy. . véges valószínűségi változók együttes eloszlása w. és így ^ . F) = iJ r n x X y j .m ^niy. y j ) =^ v ( x i ) .F)-nal jelölt kovarianciáján a C ov(X . ezért ennek kiküszöbölésére az X -m . Minthogy az X és F diszkrét. mely már dimen­ ziómentes: Cov X . y j ) . hogy C ov(X . valamint várható értékük szintén valószínűségi változók. D{Y) számot értjük. ( X . ezért a X iJ ^yj ) = ^ y J j)= > standardizált változók kovarianciáját képezzük. akkor a várható értékeiktől való eltéré­ seik együtt növekednek ill. akkor Hx i . Mivel a ko­ variancia nagyságát jelentősen befolyásolja a vizsgálatba bevont (xi. A v al ós z í nűs é gi v á l t o z ó k közöt t i k a p c s o l a t s z o r o s s á g a 91 csökkenésével jár.M ( Y ))>0 vagy. Definíció. azaz {X-M(X)lY-M<Y))<0. y j ) = ) == " í . hogy az {X-M(X))(Y-M(Y)} valószínűségi változó várható értéke az X és F változók függőségé­ nek mérésére számszerű információt ad. Az ilyen típusú változók között általában nem függvénykapcsolatról van szó. X és Y valószínűségi változók összege.m^My = M (XF) . iJ (5) Ha X és F független valószínűségi változók.F ) = 0 . azaz C ov(X . és így a várható értékükkel képzett különbségek szorzata pozitív. y j ) =M ((X -m ^ )(F -m y )) (4) D (X ) és az Y-m.n t y ) ij i j Az M (X F) = M ( X ) M (F) -ból (5)-re tekintettel következik.Y^ x ^ y j w( Xi . Ezek alapján arra következtethetünk. véges valószínűségi változók.m ^ C ov(X . akkor negatív.my ) w( x i . A való­ színűségi változók közötti kapcsolatot sztochasztikus kapcsolat­ nak nevezzük. csökkennek. hogy ha az X és F változók szoros kapcsolatban állnak. szorzata. azaz Y ^ X iW iX i . akkor az X és F változók Cov(X.90 VALÓSZÍNÜSÉGSZÁMÍTÁS 3.1. hiszen a valószínűségi változó érté­ keinek létrejöttét számos véletlenszerű hatás befolyásolja..F) D( X ) D( Y) D( X ) D( Y ) • . Legyen X és F diszkrét. A valószínűségi változókra vonatkozó vizsgálatok azt mutatják.

5.F ) = ±1.F ) | közel van az 1hez. yj"(yj)- = i J = D ^ ( X ) + D^(Y). akkor a valószínűségi változók között lineáris függ­ vénykapcsolat van. 2 . c Y + d ) = R{ X. vagyis nem követ­ kezik R (X .92 VALÓSZÍNŰSÉGSZÁMÍTÁS 3. .F ) < 1. X ) = 1. Ilyenkor azt mondjuk. d) R { a X + b . akkor az R (X . hogy az X és F valószínűségi változók korrelálatlanok. Ha az X és 7 valószínűségi változók szórása és kovari­ anciája létezik. Y) _ M ( X Y ) . m ) s ebben az esetben a w együttes eloszlás minden tagja a megfelelő peremeloszlások szorzataként állítható elő. ha P{ X = X i J = y j ) = P( X =Xi ). Ha |R ( X . hogy a valószínűségi változók korrelálatlanok.F ) = 0-ból. A kétváltozós együttes eloszlásokhoz tartozó változónkénti azonos peremeloszlások esetén is különbözhetnek a kovarianciák is és a korrelációk is. .7 ) = 0. Ha X és y független valószínűségi változók. y j ) .P( Y = y j ) (7) így négyzetre emelés. A korrelációt a valószínűségi változók közötti kapcsolat erőssé­ gének mérésére használjuk. azaz w( x i . c) R ( X . hogy M ( X ) é s M ( Y ) létezik. akkor azt mondjuk. .c ^ O . akkor az R (X . 7 = 1 . i j b) Minthogy D ^ ( X + Y ) = ' ^ ( X i + y j fw(Xi. pusztán a kapcsolat lineáris jellegének erősségét lehet becsülni. . akkor (2)-re tekintettel a) M ( X + y ) = X S ( . akkor a) M ( X + Y) = M ( X ) + M(Yy. Y) . ill.1. y ) < l . n. b) D^ { X + Y) = D^ { X ) + D^(Yy. azaz Y = a X +b . F) -nal jelölt korrelációján az R( X. (8) formulára tekintettel. A ö eseménytéren értelmezett X és F valószínűségi változók függetlenek.X ). h a a .F ) értékéből nem lehet a valószínűségi változók közötti függvénykapcsolat milyenségére következtetni. rendezés és aj-ra. y j ) = v{Xi )-u(yj). ha M (X F ) = M (X )M (F ). valamint (2 )-re tekintettel d \ x + Y ) = ' ^ xf v( x. ha (i = 1 . hogy X és F erősen korreláltak. Az R( X. b) . a változók mértékegységétől. ( 8) D ^(X + F) = D ^(X ) + D ^(F). 2 . A (6) formula alapján mondhatjuk. Ha az X és 7 valószínűségi változók függetlenek. y j ) adat­ párok. R ( X . . ahol a és b konstansok. ij képlettel meghatározott számot értjük.Í M ( X + Y ) f . 7 ) korreláció dimenziómen­ tes és az alábbi tulajdonságok jellemzik: a) R (X . Ha R (X . ha viszont -1 < R (X . . .^ í + y i i j = (6) i j i i = ' ^XiV{Xi) + Y . 3. Y) = Co v ( X. 2.m ^ m y D( X) D( Y ) D{ X) D( Y) Feltesszük.y ) = R (F .l < R ( X . Ezek figyelembevételével ki­ mondható a következő Definíció. . Ez az állítás fordítva nem áll fenn.X ) = -V. akkor R (X . Összefoglaló megjegyzések 1. y j U { y j ) = M { X ) + M{Y) . A valószínűségi változók közötti kapcsolat szorossága 93 Az összefüggés szorossága így függetleníthető az (xi . . és ez fordítva is igaz. hogy X és F függetlenek.

5.m^. ) ■ « (y y ). l + ó^ . rész 4. = X és F. V) = M{ UV) .F ) ^ D (X) Di Y) .) 2. de C ov(X . F) R ([/. V). A valószínűségi változók közötti kapcsolat szorossága X és U várható értéke: = m. Megoldás A peremeloszlások alapján egyrészt. mivel R( X.+ 6 1 0 ~ = 28. a II.4 ^ =4. valamint U és V valószínűségi változók kovari­ anciáit és korrelációjukat. X é s U eloszlása: Xi v(Xi) F és V eloszlása: yi ui yO Az XY várható értéke: 4 1/2 10 1/2 2 Vegyük észre.F )9 í Cov(í7. fejezetét.4 . hogy az X és F valószínűségi változók nem függetlenek.F ) = M (X F)-m ^m ^ = 2 2 .).. 4 4 4 4 . írás (I) sorozat lehetséges eseteinek száma 16: FFFF FFFI FFIF FFII FIFF FIFI FIIF FIII IFFF IFFI IFIF Íf Í F IIFF IIFI IIIF I l i i M (i7V) = 2 .. Az X valószínűségi változó értékei legyenek a négy dobásnál jelentkező fejek száma. 1/2 együttes eloszlásokkal adott X és Y. éspedig y = ~ x + l.0 + 2 .1 0 — Az UV várható értéke: 6 • 4. más­ ^ D( U) D{ V) 6 részt az X és U valamint az 7 és V eloszlásai azonosak.+ 2 1 0 ~ + 6 . U\V 1/4 1/4 1/2 10 1/4 1/4 Is !/2 1/2 X és F. Számítsuk ki az X és F változók együttes és peremeloszlását.-) ■u (j/).= 4. Az X és F. azaz w ( x .m ^ = 2 ^ . stb. Számítsuk ki az X\Y 2 VALÓSZÍNŰSÉGSZÁMÍTÁS 3. (Id.m l = 4 ^ ~ + 1 0 ^ tehát Ű( X) = D ([/) = V4 = 2.. Egy szabályos pénzérmét dobjunk fel négyszer.4 ' 7 = . 6 - =9. mivel R (t/.. valamint U és V szórásnégyzete és szórása: D ^ i X ) = D^( U) = M ( X ^ ) .Í . 6 1/2 Az X és F között.V ) = 0. 1 .V ) és R( X. m^ = 2 8 .^ . az együttes eloszlás tagjai nem egyenlők a megfelelő peremeloszlások szorzataival. Cov(U.C ov(X . az U és V valószínűségi változók pedig függetlenek. D^i Y) = D ^ ( y ) = M ( Y ^ ) .2 8 = 0.6 . 95 4 0 1/2 1/2 10 1/2 0 1/2 Z sor 1/2 1/2 F és V várható értéke: m . Négyszeri feldobás fej (F). azaz w{ x j .6 . A z U és y valószínűségi változók korrelálatlanok.. valamint U és V kovarianciája: 6 X oszlop C ov(X .1. lineáris függvénykapcsolat van.94 Példa 1.. látható. kovarianciáját és korrelációját. valamint t/ és V korrelációja: RfY y y . hogy bár az X és í/ valamint az Fés V eloszlása azonos. ’ = v ( a: . Megoldás 1/2 M (X F) = 2 ' 4 ._ y j) D (F) = Ű(V) = V9 = 3 .4 . F) = -1. = m. y j ) ^ v(x. az F valószínűségi változó pedig jelölje a fejdobás sorozat hosszát. = 7.l O’0 = 22.+ 6 ..4 . = .

AH-3^2. Az X és F változó korrelációja: R( X. ezért mondhatjuk.-2 .1000 intervallumban) bármelyik pillanatban meghibásodhat (kiéghet).= 16 16 16 2 0 1 16 1 4 16 v(X j ) Cov(X.b] interval­ lumba esnek. F) közel van az 1-hez. hogy X és Y erősen korreláltak. így a peremeloszlások szorzataként nem állíthatók elő az együttes eloszlás tagjai.96 VALÓSZÍNÜSÉGSZÁMÍTÁS Az XY várható értéke valamint és várható értéke: 97 Az X valószínűségi változó (fej dobások száma) eloszlása: v(0) = . mivel a (*) 16 eseménye közül 1 hosszúságú F sorozat 7 esetben követ­ ( a kétszer aláhúzottak.87 10. mint azt az előző pontokban láttuk. F) =C ov( X . stb.2. formulát alkalmazva kapjuk az együttes eloszlás táblázatát: Az R( X. mivel 1 fejdobás négyszer kö­ vetkezik be. 1 . y j ) = P { X = Xi . Az X változó szórásnégyzete: Az Y valószínűségi változó (fej dobássorozat hossza) eloszlása: «(0) = .2.25.m .í = 0. A + 2. számuk 5). stb. m(2) = Az X változó szórása: D ( X ) = l.38 = 0. mivel a 0 16 4 fejdobás eseménye egyszer következik be. értékeiket egy véges vagy egy megszámlálhatóan végtelen számhalmazból vehetik fel. ± + l . Az Y változó szórásnégyzete: 16 Az Y valószínűségeloszlásának táblázata: 0 u{yj) 1 16 1 7 16 2 5 16 3 2 16 4 1 16 D ^{Y)=M {Y^)-m t=l^ ~ + 2 ^ ~ + 3 ^ ~ + 4 ^ ..8 6 = 0 .4. = 4.9 6 . Pl.3. 16 7 «(]) = — . X \Y 0 1 2 3 4 ^ oszlop 0 J_ 16 0 0 0 0 1 16 1 0 _4_ 16 3 16 0 0 7 16 2 0 0 3 16 2 16 0 5 16 3 0 0 0 2 16 0 2 16 4 0 0 0 0 1 16 1 16 1 16 4 16 6 16 4 16 1 16 3. F ) Az X és y nem függetlenek.^ +3 -^ +4-l.2.A + 3. ^ 16 16 16 16 Az F változó szórása: Z)(F) = 0. amelynél a változó által felvehető értékek egy zárt [a. j = 0. m^=0 .^ . Folytonos valószínűségi változó A diszkrét valószínűségi változók. Az X valószínüségeloszlásának táblázata: Xj M ( X y ) = M 4 + 2 . Y) = M ( X Y ) .4) D ( X) D { Y) 0.8878. vagy a vízállást jelző mérőléc 0 m és 10 m jelző pontjai között a Duna vízállása bárhol lehet.1+4.87. v(l) = — . A w{ Xi . Y = y j ) (j.3.^ . Számos olyan véletlen jelenség is van.±=4. ± + ^ 16 16 2 6 16 3 4 16 4 1 16 Az X és F változók kovarianciája: 2 . egy villanyégö 0 és 1000 óra között (a [0.1. . kezik be (aláhúzottak).25 .m ^ .98.3.

1. F (x) minden pontban balról folytonos. Az eloszlásfüggvény értelmezéséből következik. akkor egy geometriai valószínűségi feladatra vezethetjük vissza a problémát.1000] időintervallumot egy szakasznak tekintjük.98 VALÓSZÍNÜSÉGSZÁMÍTÁS 3. azaz egy valós-valós függ­ vényt definiálhatunk. mert annak valószínűsége. . F(x) eloszlásfüggvény .2. Az (1) formulával adott F( x) függvényt az X valószí­ nűségi változó eloszlásfüggvényének nevezzük. mert kimondtuk. A folytonos valószínűségi változó definícióját leg­ egyszerűbben az ún. lim F ( x ) = 0 és lim F ( x )=1. így minden x valós számhoz hozzá­ rendelünk egy P ( X < x) valós számot. Nyilvánvaló. hogy a meghibásodás valószínűsége arányos a szakasz hosszával.1000] intervallumból veheti fel értékeit. Az is világos. 2.-4. azaz X a [0. mert X < 0 lehetetlen esemény (a meghibásodás időpontja negatív nem lehet).x] szakaszon ég ki az égő. Ez azt jelenti. Figyelembe véve az előzőeket definiálhatjuk a f ol y­ tonos valószínűségi változót. ábra szemlélteti. haO< x < 1000 ha x > 1000 (*) A (*) formulával adott F{x) eloszlásfüggvény gráfját a 14. Ha viszont 0 < x < 1000. Vjcg R (1) Definíció. és legyen F( x) = P ( X < x). azaz V cg lim F (x) = F(c). pontokba foglaltaknak. Határozzuk meg a jelenség eloszlásfüggvényét.1. azaz Va. ábra. arányos a szakasz hosszával. Eloszlásfüggvény Tegyük fel. ha a <é>. hogy egy villanyégő véletlenszerű meghibásodási időpontja 0 és 1000 óra között van (vagyis legfeljebb 1000 óráig jó). hogy az égő 1000 órán túl biztosan nem üzemelhet. akkor F (a )< F (b } 3. akkor P{X<x) = 1000’ mert feltettük. ha X > 1000. F ( x )> 0 .b esetén. 4. Az értelmezés szerint tehát az F függvény értéke az x pontban annak a valószínűsége. hogy definiálunk egy olyan X valószínűségi változót. hogy a [0.2. Ha az X valószínűségi változó F( x) eloszlásfüggvénye folytonos. Tehát ha x < 0 F{x) = P { X < x ) = 1000 1. akkor az X változót és az eloszlását is folytonosnak nevezzük. eloszlásfüggvény segítségével adhatjuk meg. folytonos valószínűségi változó fogalmát. hogy P ( X < 0 ) = 0. amely „folytonosan” vehet fel értékeket az R valós számhalmaz valamely részhalmazából. X— 0 esetén Ha egy függvény eleget tesz az 1. 1000 14. Definíció. hogy minden adott x e R értéknél ki tudjuk számítani a P ( X < x) valószínűséget. X-^-oo X->+o° P ( X < x ) = l. akkor 3. monoton növekedő. hogy F (x) -re teljesülnek az alábbi tulajdonságok: 1. Jelöljük ezt a függvényt F( x) -szel. Megoldás Ha a [0. hogy a X változó értékei kisebbek mint x. ak­ kor valamely folytonos valószínűségi változó eloszlásfüggvényé­ nek tekinthető. Példa Tegyük fel. Eloszlásfüggvény 99 A valószínűségszámításban az ilyen problémák tárgyalására be­ vezették az ún. Jelentse az X valószínűségi változó a meghibásodás időpontját.

07. akkor akkor F(x) = 0. -3<x<2. hax<0 _ j e^. 6 7 X 15. hogy az X valószínűségi változó értékei egy adott a. ha az A. Tm 1 -3 -2 -1 0 i 1 i 2 1 1 i 3 4 5 i1. (2) Ui. 4 F(x)=-+^ = . és a 100.A és A d B.ha 0 < x.. Megoldás Ha . 4 2 4 F (x) = -Í + 4 + -t = !• 4 2 4 1 2<x<6. b) F(x) valóban lehet eloszlásfüggvény. akkor P ( a < x < b ) = F(b)-F(a). ún. monoton növekvő. Az egyes intervallum szakaszokhoz a lépcsős függvény értékeit az alábbi mó­ don számítjuk ki: F{x) = 0.. mivel minden x e R -re értelmezve van. hogy az X változó n számú lim F ( x „ ) = lim 0 = 0. Érvényes a következő tétel: Tétel Ha F az X valószínűségi változó eloszlásfüggvénye. ha 0 < X. feltéve. értéket vesz fel. . ábra.. a) F(x)= x -4 ^ ----.< x< xk+ i F(x) = Po + Pl. minden pontban folytonos és F( x) = 1.A ) = P(B) . . F ( x ) = Pq. a) F{x) nem lehet eloszlásfüggvény. + Pk. F( x) ' 13/41/2? JL 1 Megjegyzés A diszkrét valószínűségi változó eloszlásfüggvénye az j:-tengellyel párhuzamos szakaszokból áll. . 1000 1000 1000 = 0.F(30) = 100 30 70 akkor A megoldást a 15.4) intervallumban negatív. akkor mivel C = B .c < -3 .P( A) = Pk Ábrázoljuk az F(x) eloszlásfüggvényt. Eloszlásfüggvény Példák 1.2.F(a). F{x) = —. 6 <x Példa A tétel felhasználásával számítsuk ki a villanyégöre vonatkozólag annak való­ színűségét. Az adott függvények közül melyik lehet eloszlásfüggvény? ÍO. F(x) eloszlásfüggvény (lépcsős függvény) 2. óra között következik be. U +4 Megoldás F( x) = pq + pi + P 2 . hogy a meghibásodás a 30. ezért P ( a < x < b ) = P(C) = P ( B . lépcsős függvény.. lim F (x „ ) = lim 1 = 1. B. h a x < 0 b) F{x) = 1. F (x ) = po + pi + .100 VALÓSZÍNŰSÉGSZÁMÍTÁS 3. ábra szemlélteti. ha Xfi_i < X . i . akkor = P ( X < b ) ~ P ( X <a) = F ( b ) .1. Legyen az X diszkrét valószínűségi változó eloszlási táblázata: Xk -3 1/4 2 1/2 6 1/4 101 A z eloszlásfüggvény ismeretében ki tudjuk számítani annak va­ lószínűségét is. ha jc < jcq ha jcq < X < h a x i < x < X2 hax2 <x<x^ h axj.b] intervallumba essenek. Megoldás P(30 < a: < 100) = F(IOO) . C eseményeket a következő módon definiáljuk: A legyen X <a\ B legyen X <b és C legyen a < x < b . mert (0.

A sűrűségfüggvény c) F ( . F(x) eloszlásfüggvény . ill. P (X = 3 ) = | . FII. (17. Ha az X valószínűségi változó F( x) eloszlásfüggvénye előállít­ ható X 3 X 16. ábra) F(x)= l f ( t ) d í alakban. 8 1. ahol f ( t ) integrálható függvény.F ( X < l) = l . akkor az f ( t ) függ­ vényt az X valószínűségi változó. FIF. (1) Más megfogalmazásban. 8 8 Legfeljebb 1 fej dobásának valószínűsége: P (X <1) = P ( X < 2 ) = F(2) = j . P {X = l) = ^ . 8 d) Legalább egy fej dobásának valószínűsége: F (X >1) = 1 . azaz nem lehet negatív. ábra. azaz F\x)^f(x). IIF. b) eloszlásfüggvényét és gráfját. c) F ( . F (2 ) értékeket. F(l.8) = P {X < 1. ábra): P (X = 0) = l . akkor a deriváltfüggvényt az X sű rűségfüggvényének nevezzük és f ( x ) szel jelöljük. 17.8) = 4 = i . 8 2 103 3.l ) . ha 2 < x < 3 ha 3 < x xeR .F ( l ) = l . i ha x < 0 ha 0 < x < l h a l< x < 2 . és véges számú pont kivételével létezik az F'(x).l ) = P{X < -1 ) = 0. A sűrűségfüggvény Definíció. F(l.2. Dobjunk fel 3 érmét. 8 1. j f ( x ) d x = 1. IFI. Az eloszlásfüggvény tehát a sűrűségfüggvény integrálfüggvénye. 8 F{x) = 4 . F(3) = P (X < 3 )= ™ .2.8). F(x)^ 0 1 2 3 X 2. ill. 1 . 3. Az X valószínűségi változó legyen a dobásonkénti fejek száma.3 . az F( x ) eloszlásfüggvény sűrűségfüggvényének nevezzük. a) A fej dobások valószínűsége (16. legfeljebb 1 fejet dobunk. IFF. valamint az eloszlásfüggvény felhasználásával annak valószínűségét.2 . Az X diszkrét valószínűségi változó értékei. hogy az FFF. 0.2. Tétel Az/sűrűségfüggvény az alábbi tulajdonságokkal rendelkezik: 1.2. Adjuk meg az X változó a) valószínűségeloszlását és gránát. azaz improprius integrálja 1. X valószínűségeloszlása b) Az eloszlásfüggvény: 0.102 VALÓSZÍNŰSÉGSZÁMÍTÁS 3. ábra. III elemi események egyenlő valószínüségüek. Megoldás Tegyük fel. hogy legalább 1 fejet. f ( x ) > 0. FFI. P (X = 2 ) = | . Ha az X valószínűségi változó F( x) eloszlásfüggvénye pi 3 /8 + 1/8 0 1 2 folytonos.i = -^.

b] intervallumhoz tartozó terület mérőszámával egyenlő. ezért nem lehet a deri­ F \x ) = f ix ) = R 0. akkor egy folytonos valószínűségi változó sűrűségfüggvé­ nyének tekinthető. Bizonyítás 1. 0. a) ábra) rálja az X változó [a. tulajdonsá­ gokkal.a 3. 3. fix) sűrűségfüggvény Megoldás +“ U) a) Mivel j f i x ) d x = j —dx = =^ ~ 0 = 2 * í .2. A folytonos valószínűségeloszlásokat gyakran nem az eloszlásfüggvénnyel. integrállal.^]-be esésének valószínűségével egyenlő. a) f i x ) = <5 0 ha0<x<10.2. b) ábra. F(x) eloszlásfüggvény 18. Mivel F{x) elos zlásfüggvényének deriváltja: 1000 1. X ha jc < 0 .0 = 1. Megjegyzés 1. 2.I o ® j 0 dx = 1(KX) 1000 1000 1000 = 1. az í f ( x ) d x = lim f ( x ) d x = lim [F(R) . A Newton-Leibniz tétel értelmében b « « U U X X ) l f i x ) d x = J0áx4. a) ábra. Példák 1. a 3. Annak valószínűsége. b) ábra szemlélteti. -beli integ­ F(x) = P ( X < x ) = 0. és az elosz­ lásfüggvényt a sűrűségfüggvényből számítjuk ki az F (x )= f{t)dt b) f i x ) = ^ x .2. f ( x ) > 0 az értelmezési tartománybeli F{x ) eloszlásfüggvény 3. azaz tetszőleges [a.F( . 2. A sűrűségfüggvény 105 Pl. 1 0 00 ’ hax< 0 ha 0 < X < 1000 ha > 1000 váltja negatív. egyébként.-2. Ha egy / folytonos függvény rendelkezik az 1. hanem a sűrűségfüggvénnyel adjuk meg. ha 0 < a: < 4. 8 0 egyébként. \ f { x ) dx = F{b)-F{a) = P [ a < X < b ) = a f(x) 1/1000 = P ( a < X <b) = P ( a < X <b).b] interval­ lumba esik . pont példájában szereplő X valószínűségi változó sürüségfüggvénye az 3. hogy az X változó az [a.1. f ( x ) d x = P { a < X <b) .az f ( x ) sűrűségfüggvény gráfja alatti [a. A z adott függvények közül melyik lehet sűrűségfüggvény? 0 1000 ^ 0 1000 18. tulajdonság alapján . minden x-re és melynek gráfját a 18. haO < x < 1000 ha x > 1000 (18.104 VALÓSZÍNŰSÉGSZÁMÍTÁS 3. . tulajdonsága értelmében. monoton nem csökkenő. ezért ez a z /fü g g v én y nem (2) lehet egy folytonos valószínűségi változó sűrűségfüggvénye.R) ] = 1 .

2.3. (5) Megjegyzés Mindazok az állítások.M ( X ) ) ^ valószínűségi változó várható értéke. tehát 0.c> 3 . szórásnégyzet és szórás 107 b) Mivel ^ f {x)dx = ^ —xdx = = 16 . hogy a szórásnégyzet fix) = i.F (l) = (4) 3. az {X . akkor várható értéke.2. azaz c = — = — . A diszkrét esethez hasonlóan az m = M ( X ) és M ( X ^ ) létezése szükséges és elegendő feltétel a D ( X ) létezéséhez. j f ( x ) d x = jcx ^ dx = 27 „ 1 = — c -0 = l (x-mrf(x)dx (3) V képletekkel definiáljuk. haO <x<3. Várható érték. és f i x ) > 0 . 0 egyébként.0 = !.3. szórásnégyzet és szórás Definíció. F(x) = ~ x ^ . szó­ rására és szórásnégyzetére.c < 0. 27 1. ahol m = M ( X ) . vény lehet egy folytonos valószínűségi változó sűrűségfüggvénye. ha a jobb oldali integrál létezik és véges. ezért ez a függ- \\x \f( x ) d x <+oo. h a x > 4. Definíció. a F függvény felhasználásával: 2 P { \ < X < 2 ) = \ ^ x ^ d x = F (2) . Megoldás A c értékét T'-~ J D(X) = . amelyeket a 3. a folytonos valószínűségi változókra is érvényesek. feltéve hogy a jobb oldali 3 1 egyenletből számíthatjuk ki. Milyen 6-érték mellett lesz az f ( x ) = \^^ ’ [0 egyébként. ill. akkor szórásnégyzetét és szórását a 2. ha létezik. függvény valamely folytonos valószínűségi változó sűrűségfüggvénye? A c ismeretében számítsuk ki P(1 < X < 2) értékét. Ha az X folytonos eloszlású valószínűségi változónak f { x ) a sűrűségfüggvénye. ha X < 0. és így a szó­ rásnégyzetet és a szórást a következő képletekkel is számíthatjuk: A z /. pont megjegyzésében felsoroltunk a diszkrét valószínűségi változó várható értékére. h a .* " ’ h a O S x S S .1. Várható érték. Ha az X folytonos eloszlású valószínűségi változónak f { x ) a sűrűségfüggvénye.3. A (2) formula alapján azt is mondhatjuk.106 •rs~ H VALÓSZÍNŰSÉGSZÁMÍTÁS 3. 16 1.c < 4 . ha . hogy az improprius integrál abszolút konvergens. h a 0 < . azaz . M{X)= xf ( x ) dx (1) x^f(x)dx-m^. melynek eloszlásfüggvénye: 0. integrál létezik. feltéve. Tehát az (1) formula csak akkor áll fenn.

hogy X az Megoldás 11 2 ’2 intervallumba esik: 0. azaz M ( X i + X 2 +. ha X > 2 1 3 Számítsuk ki a P(— < X < —) valószínűséget. Határozzuk meg és ábrázoljuk az F{x) eloszlásfüggvényt. ha0<x<2 ha X < 0 ill.... X 2 .2. Legyen az X folytonos valószínűségi változó sűrűségfüggvénye: m = 0. + M( X ^ ) stb.Xf^ valószínűségi változók mindegyikének létezik várható értéke. V 20 2 V m = . = l l 8 ^ ' 24 ' 28 32 ■ Az F(x) gráfját a 19. 3 _ 2é . valamint X várható értékét. Annak valószínűsége.. Megoldás A 0 < X < 2 intervallumban.7 7 4 6 = 0. szórás­ négyzetét és szórását. + X^) = M ( X 0 + M ( X 2 ) + .. így F{x) = 1. m = M {X ) = \xf{x)dx = \^ x '^ d x = ^ R 0 2 M {X^) = \x^ f{x)dx = ^ d x = ^ = 1 1^ = 1 8' 4 2' 1 Í l = i2 8' 5 5 ■ Tehát a szórásnégyzet: i l _ l =J_. Legyen az X folytonos valószínűségi változó sűrűségfüggvénye: |x ^ O 0. szórásnégyzet és szórás 109 Pl... ábra) D(X) = l ± = l 1 « 1 . ha X < 0 h a 0 < jc < 2 ha X > 2 3 'x ^ ' 2 <<X /> 1 (1 X< <1 1. ábra szemlélteti. akkor összegüknek is létezik várható értéke. Ha X i .) = | / ( x ) J x = J l x V x = l 2 2' 8 3 1 2 A várható érték: 3 1 '2 7 83 8 1 ' . ül..3873. és az összeg várható értéke az egyes változók várható értékének összegével egyenlő. ha X > 2 (20. haO<x< 2 h a x < 0. Példák 1.0 . 5 4 20’ 2 és a szórás: 2. Várható érték.108 VALÓSZÍNŰSÉGSZÁMÍTÁS 3.3.

Az M ( X ) elsőrendű momentumnak is nevezhetjük. . melyet -val jelölünk: flt=M({X-M(X)f) Az X valószínűségi változó várható értékét (diszkrét és folytonos esetnek megfelelően) M ( X ) = Y.{M {X ) f Definíció.3.110 VALÓSZÍNŰSÉGSZÁMÍTÁS 3. terjede­ lem.M { x ) f ) = M ( X ^ ) . ) i ill.( M { x ) f . azaz formulákkal. ui. ha létezik A:-adik centrális abszolút mom entum­ nak nevezzük. tehát Az X változó ^-adik momentuma mellett azt is vizsgálhatjuk.XiV(Xi). mivel M ( X ) konstans. médián. \ / várható értéket. ha létezik A:-adik abszolút momentumnak. a szórás és szórásnégyzet mellett további információt nyerhe­ tünk az ún. . . A formulákban X és X ^ várható értéke szerepel. M ( X . ) (2 ) ha a várható értékek léteznek. = M ( X ^ ) = 3. hogy X egy adott r értéktől (ponttól) való eltérésének /:-adik mo­ mentuma mivel egyenlő. ferdeség és lapultság értékei. momentumok előállításával. folytonos valószínűségi változó sűrűségfüggvénye szim­ . várható értéket. hogy az első és második momentum ismeretében a második centrális momentum. kvantilisek. ill.M ( X ) = 0 . . 2 .3.. 3. A következő pontokban megvizsgáljuk. így várható értéke önmagával egyenlő. A momentumok és alkalmazásuk 111 Mj. A valószínűségi változó magasabb fokú várható értéke is felhasználható eloszlásának és sűrűségfüggvényének jellemzésére. akkor a várható értékre vonatkozó ún. Az M { X ) várható értéket az eloszlás centrumának is nevezzük. A:-adík centrális momentumról beszélünk.m {x )^ (5) várható értéket. Ha ez az r érték éppen M { X ) értékével egyenlő. az m (4) [\ x . í ill. 2. A momentumok és alkalmazásuk í x ^ f ( x ) ( k=í .1. Definíció. azaz / M X k Ebből látható. . Az formulákkal adtuk meg.3.1. A valószínűségi változó egyéb jellemzői A valószínűségi változó és eloszlása jellemzésére a várható ér­ ték. ill.-hez tartozó valószínű­ M k = M ( X ’‘) = J^xfv(Xi) ( t = l . hogy a momentumokkal miként állíthatók elő az eloszlásokat jellem ző várható eltérés. (1) ségei. a szórásnégyzetét pedig D^ ( X) = m {{X . Legyen X valószínűségi változó.M { X ) f f{x)dx= ^ \x ^ f{ x ) d x. A második centrális momentum pedig a szórásnégyzettel egyen­ lő. módusz. azaz a szórásnégyzet is előállítható.M { m {x )) = M ( X ) . A z X ^ változó várható értékét fc-adik vagy fc-adrendű momentumának nevezzük és Mj^ -val jelöljük.M ( X ) ) = M ( X ) . M ( X ) = °j xf (x)dx i “ oo (3) Az első centrális momentum 0. Ha a diszkrét valószínűségi változó jc. D^{X)= ' ] { x . .

2184637892. 3. és harmadik centrális momentuma. Példa Számítsuk ki a ferdeségi és a lapultsági együtthatót. de használata az abszolút érték miatt nehézkesebb. pozitív / j esetén pedig a módusztól jobbra elnyúlik. Az X valószínűségi változó 7i -gyei jelölt harmadik centrális momentumának és szórása harmadik hatványának hánya­ dosát ferdeségi együtthatónak nevezzük. C T ^ = 0. hogy pozitív 72 esetén az X változó sűrűségfüggvénye rendszerint magasabb és csúcso­ sabb. azaz 72 = D *(X ) (T (8) 0 egyébként.6836673906. A szó­ rásnégyzet: A leggyakrabban előforduló normális eloszlás (1.112 VALÓSZÍNÜSÉGSZÁMÍTÁS 3.3. ferdeségi együtthatót számíthatunk ki. Ha az eloszlás. r ^ . pontot) lapultsági együtthatója 0 . amelyből a szórás: a = D { X ) = 70. megegyező várható értékű és szórású normális eloszlású változó sűrűségfüggvényéé (21.3. Az X valószínűségi változó 7 2 -vei jelölt negyedik cent­ rális momentuma és szórása negyedik hatványa hányadosának 3mal csökkentett számértékét lapultsági együtthatónak nevezzük. Megoldás a) Mivel az f ( x ) sűrűségfüggvény szimmetrikus az y tengelyre. ill. mint az összehasonlításul választott. így mondhatjuk. akkor annak mérésére egy ún. Definíció. akkor a páratlanrendü centrális mo­ mentumok 0-val egyenlők.467401101. pontot). Definíció. a sűrűségfüggvény nem szimmetrikus.2. a) és b) ábra).3. Definíció. a 4.1. Ha 7l = 0.3. ha Egycsúcsú eloszlás esetén a valószínűségi változónak csak egy módusza van (1. (7) rendü centrális momentumok 0-val egyenlők. azaz M { X ) = 0. b)f{x) = —— ha 0 < X < 1 ^ l + x^ 0 egyébként. azaz (6 ) 21. ezért a páratlan­ 3. Az X valószínűségi változó m/ -lel jelölt első centrális abszolút momentumát az X v árh ató eltérésének nevezzük. pontosabb értéket ad. . Lapultság és ferdeség a normáleloszláshoz képest ' D ^ {X ) ' Az (5) formulát k = l esetén a valószínűségi változó várható ér­ téke körüli véletlen ingadozásának mérőszámaként használhatjuk a szórásnégyzet helyett. a) és b) ábra. ekkor a folytonos valószínűségi változó sűrűségfüggvényének grá^a negatív j \ esetén a módusztól balra. és ^3 = 0. akkor a gráf szimmetrikus.3195468911. ha vár­ ható értéke létezik.467401101 = 0. IÍ2 = D ^ ( X ) = I ~ c o s x d x = . A momentumok és alkalmazásuk 113 metrikusak a várható értékre. azaz mi=M[X-M{X)). ha ismert a változó szórása. =0.j. Az X valószínűségi változó sűrűségfüggvényének jellem zésére a vele azonos várható értékű és szórású normális eloszlású valószínű­ ségi változó sűrűségfüggvényével való összehasonlításból is követ­ keztetést vonhatunk le.2 = 0.

akkor azoknak az x értékeknek a felső határát nevezzük mediánnak.01185056671. azazXq =m^.r ) elsőrendű abszolút momentuma felveszi minimumát. de valamely ]a. = i í l = --------. amelyekre F( x) < Á t A médián geometriai szemléltetésére ábrázoljuk az F{x) elosz­ lásfüggvényt és az .2802129001 és így = 0. l + X^ (1 ) egyenletnek.02200211219.2.47925498. A médián Definíció. amelyek bekövetkezési valószínűsége ugyanaz. Ha az F{x) gráfjának az egyenessel való metszéspontját levetítjük az x tengelyre. hogy az -vei y.c = 0. ábra az egyetlen megoldás esetét..3 .2. Azt az r számot. ha egyetlen Xq megoldása létezik. 0-3 0. r H 2 4 .í / x = 0.2184637892 vetkeztethetünk. A médián 115 ^ 4 = I x ^ . arra követ­ keztethetünk.07851926940.----------= 0.3 = -1. de általában attól különbözik. = i A kiszámított értékekkel: 1 — L . Ha nincs egyetlen m egoldá­ a = V0. a 23. és y j = .lc o s jc í/x = ^ . szám a valószínűségi változó értékeit két olyan b) A várható érték: In 2 szórásnégyzet: D ^ iX )= í{x -m f ■ 1 — 1— d. ct'* = sa az (1) egyenletnek. ha ez létezik.3. r 2 =0.806249806. azaz =■ a +b (2 ) II. Igazolható.07 851926940 = 0. Ez az részre osztja. A 7 i ferdeségi együttható pozitív.3195468911 y = E l .47925498. hogy a megegyező várható értékű és szórású normális eloszlású változó sűrűségfüggvényéhez képest a vizsgált változó sűrűségfüggvénye laposabb. _ 3 = _ 0. F{x) = akkor ennek az intervallumnak a középpontját nevezzük mediánnak. akkor az az elosz­ lás mediánjával egyenlő.. tehát össze­ hasonlítva a megfelelő normális eloszlású változó sűrűségfüggvényével. ^ _ _q. A mediánt szokás az X valószínűségi változó F{x) eloszlásfüggvényével is definiálni. 7 i = ^ = 0. minthogy a sűrűségfüggvény szimmetrikus. . amelyre az X valószínűségi változó m [ x . A definícióból és a várható érték fogalmából következik.Z?] intervellumbeli értékekre 0.3. 72 lapultsági együttható negatív. A 22. mediánnak (az eloszlás közepének) nevezzük és jelöljük. A negatív 72 -böl arra iíö^2 ^4 0.006165275664. ^ í + x^ Ha az egyenletnek nincs megoldása. 3. F{x) ordinátájának ^ magasságában vegyünk fel egy egyenest.. m eg­ kapjuk a mediánt.^ . hogy a médián bizonyos esetekben egyenlő is lehet a várható értékkel.2490325103. hogy a vizsgált változó sűrűségfüggvénye a módusztól jobbra el­ nyúlik. és laposabb.077852905.114 VALÓSZÍNŰSÉGSZÁMÍTÁS 3.X tengellyel párhuzamosan.

. hogy Vxg ]a . é s a p = ^ értékekhez tartozó kvantiliseket. akkor az F( x) = p (2) egyenletnek egyetlen megoldása van. amely az eloszlást p : ( l . Azt az Xp valós számot.b\-v& F{x) = - esetét.116 VALÓSZÍNŰSÉGSZÁMÍTÁS 3. azaz a +b p = . A m é­ dián definíciójának megfelelően.3. A médián. ábra pedig „felső3. az utóbbit pedig felső kvantilisnek nevezzük. Gyakrabban használjuk a p = ^ . Definíció.r - A médián grafikus meghatározása F(x) 1/2 0 rrig X Ha a /? értékkel nem lesz egyenlő az F{x) eloszlásfüggvény egyetlen Xp helyen sem.^ ]-re p-vel egyenlő. A médián grafikus meghatározása Az X folytonos valószínűségi változó f ( x ) sűrűségfüggvényé­ nek grafikonja alatti területet az x = m^ egyenes felezi. hogy olyan 0< p <l számot kell megadnunk. A jp-kvantilis. ábra. a terjedelem és a módusz 117 ábra a V xg ]a.3. melyből már következik. az F( x) eloszlásfüggvény /. ha F( x) szigorúan monoton növekedő. Előfordulhat. amelyre a P ( X < X p ) = p. Abban az esetben. olyan szám. ha csak egyetlen ilyen Xp létezik. az előbbit alsó. a terjedelem és a módusz határ F(jc) < ^ ” esetét szemlélteti. és az Xp -vei egyenlő. akkor /?-kvantilisnek az F(x) < p felté­ telt kielégítő X értékek felső határát nevezzük. A p-kvantilis.p.-kvantilisének nevezzük. A mediánhoz hasonlóan itt is még két esetet különböztethetünk meg. a P = \ értékhez tartozó x j 2 24. kvantilis a médián. amely az eloszlást arányban osztja ketté. és a 24.p) arányban osztja ketté. P ( X >Xp) = l . akkor F( x) 0 a trig ö X p-kvantilise ezen intervallum középpontja.3. 0 < p < l (1) egyenlőtlenségek teljesülnek.3. A gyakorlatban előfordul. azaz = M(X). hogy szimmetrikus eloszlás esetén a médián egyenlő a változó várható értékével.

m ^ = x = ^ 4 = 1. két. móduszú eloszlást unimodális. Ez az hetséges értékek közül a legvalószínűbb.a hosszát az X valószínűségi válto­ (4) 1. Ha több ilyen érték van. ábra. Ha X folytonos eloszlású valószínűségi változó.118 VALÓSZÍNŰSÉGSZÁMÍTÁS E. jelölése: m^. alsó. Hogyan értelmezzük az X és F valószínűségi változók együttes eloszlását és peremeloszlásukat? . ha X > 2 eloszlásfüggvény mediánját. akkor a sűrűségfüggvénye lokális maximumhelyeit nevezzük az eloszlás móduszainak. ill.b \ az a legszűkebb intervallum.3.. bimodális.. hogy korlátos eloszlásokra a variancia legfeljebb a terjedelem fél hosszával egyenlő. Felső kvantilis: x^ = ^ E. Mit nevezünk egy X valószínűségi változó eloszlásának és várható értékének? 2.b . mely értékeket vesz fel relatíve nagyobb valószínűséggel. az értékei közül azt az x. Igazolható. amelyre P{a<X<b) =\ zó terjedelmének nevezzük. Az eloszlásnak tehát több módusza is lehet. három stb. lehetséges a le­ = -|. Diszkrét valószínűségi változó X]. Egy játékot mikor nevezünk korrektnek ill. Ellenőrző kérdések a 3. amelybe 1 valószínűséggel beletartozik az X. Ellenőrző kérdések a 3. hogy megadjuk azt az -vei jelölt legszűkebb intervallumot..2599 ~ 1. Ha valamely X valószínűségi változó korlátos és \a . fejezethez 1. a játékos szem­ pontjából kedvezőnek vagy kedvezőtlennek? 3. Hogyan definiáljuk az X valószínűségi változó szórásnégyzetét és szórását? 0 m^m^x X 25.~ x \ ha 0 < X < 2 akkor az intervallum n t f .és felső kvantilisét. eloszlásnak mondjuk (25. számot nevezzük az X változó móduszának. Az egy.egyenletek megoldásai adják a médián. ~ 1. amelyre a P {X =x. ábra. médián (m^) és közép érték (x) 4. mind a folytonos valószínűségi változó jellem ­ zésére azt is célszerű megadni. Definíció. h a x < 0 F(x) = . akkor mindegyik módusza a valószínűségi változónak. Bimodális és trimodális eloszlás Példa Számítsuk ki az 0. ábra).-) = Pi szám a legnagyobb. fejezethez 119 A valószínűségi változó jellemzését kiegészíthetjük azzal is. Definíció. és 26. trimodális stb. hogy melyik Xj értéket veszi fel a legnagyobb valószínűséggel. alsó és felső kvantilis Xp értékeit: Medián.3. Unimodális eloszlás módusz (ntj ). ^2 .5874 Alsó kvantilis: 4 Mind a diszkrét. Megoldás = -j. ábra.8171. azaz Y ar{X ) = D ^ ( X ) < ^ (3) 26.

r < Oés h a x > 3 . Feladatok a 3. Állapítsuk meg. 1 fej dobásakor 1 forintot kap. a szórásnégyzetet és a szórást az alábbi táblázatokkal adott eloszlásokhoz: a) vixi) b) 1/3 1/2 A) X \F 1 5 X oszlop _4 1/8 1/4 3/8 2 1/4 1/8 3/8 7 1/8 1/8 1/4 Iso r 1/2 1/2 11 1/6 B) -4 1/8 1 1/2 2 1/8 X \Y 1 2 X oszlop -2 0. Határozzuk meg az X és F valószínűségi változókhoz az a) M{X) és M(Y). Legyen az X folytonos valószínűségi változó: 0. Milyen következtetést vonhatunk le a korreláció értékéből az X és F valószínűségi változók közötti kapcsolatra vonatkozólag? 7. ha.4 Xj v(Xi) -5 1/4 V. c) D ( X ) .3 5 0. b) Cov(X.2 0.1 0. hogy a játékos szempontjából kedvező vagy kedvezőtlen a játék? V.5 V.F ) értékeket.6.7 2 0.F) = 0. D(Y) és R (X .3.2 eloszlásokkal adottak. 2 fej dobásakor 3 forintot. ~ x + b. c) korrelációját és d) vizsgáljuk meg X és F függetlenségét. Tegyük fel.120 VALÓSZÍNŰSÉGSZÁMÍTÁS V.4 2 0.1 0. Feladatok a 3.5 8 0.1 0.3.3 X sor 0. V. V. Határozzuk a) X jelenti a négy dobásonkénti fejek számát.1. fejezethez Határozzuk meg az X és Y a) eloszlását.5.5 fix ) = sűrűségfüggvénnyel adott.1 0.3 yi u(yi) -2 0.3 4 0.3. Legyenek X és F független valószínűségi változók az Xi viXf) 1 0. hogy az X és F valószínűségi változók együttes eloszlása az alábbi táblázattal adott: X\ F 1 3 X oszlop -3 0.3.7.1 0.2. hogy C ov(X . Hogyan értelmezzük az X folytonos valószínűségi változó ese­ tén az eloszlást.4. h a O < x < 3 o 0.2 0.3 -1 0.3.3 0.3. A játékos 3 fej do­ básakor 5 forintot.1 0. b) F jelenti a négy dobásonkénti fej dobások sorozatának hosszát.2 0. Egy játék három szabályos pénzérme feldobásából áll.F). Állítsuk elő az X és F együttes eloszlástáblázatát. Hogyan definiáljuk az X és 7 valószínűségi változók kovarian­ ciáját és korrelációját? 6.3. V. egyéb­ ként pedig azaz 3 írás dobásakor a játékos fizet a banknak 15 forintot.3.6 0.3.3. a szórásnégyzetet és a szórást? 8. Egy szabályos pénzérmét dobjunk fel négyszer egymás után.3 4 0 0. b) kovarianciáját. fejezethez V.3 X sor 0.3 0 0.2 0. a várható értéket. Számítsuk ki az m várható értéket.1 5 0. ha az együttes eloszlások táblázata: 121 5. és igazol­ juk. Hogyan értelmezzük az X valószínűségi változó eloszlásfügg­ vényét és sűrűségfüggvényét? V.

Adjuk meg az { X . Az X diszkrét valószínűségi változó az VALÓSZÍNŰSÉGSZÁMÍTÁS V.14.3. Határoz­ zuk meg az X változó értékeit. b) együttes eloszlásfüggvényét és a perem-eloszlásfüggvényeket.122 a) Számítsuk ki a b értékét. V. Feladatok a 3. 0 és 4 értékeket veheti fel. melyek­ hez tartozó valószínűségeloszlás: P {X = ~ 2)= -^ . b) eloszlásfüggvényét és gráfját. P (X < 0 ) = ?. Adjuk meg az X változó a) valószínűségeloszlását és gráfját. . Y pedig a tömegét. és ha jc> 2 Válasszunk ki véletlenszerűen egyet. V. c) X és F változóinak kovarianciáját és korrelációs együtthatóját.3. Y ) valószínűségi vektorváltozó a) együttes valószínűségeloszlását és peremeloszlását. 40.3. ha 0 < X < 2 2 0. b) Számítsuk ki a P(1 < X < 2) értékét.13. Egy csokoládégyár 110 egységnyi és 220 egységnyi titkosított adalék­ anyaggal gyárt 20. ha el­ oszlása: -2 v U í) 1/2 1 1/4 3 1/4 V. X =1. Legyen az X folytonos valószínűségi változó sűrűségfüggvénye: fix) = —X.8. Jelentse az X valószínűségi változó a dobásonkénti fej dobások sorozatának hosszát. Egy dobozban 3 friss és 2 záptojás van.10. Ábrázoljuk az F(x) eloszlásfüggvényt. 60 és 100 g-os csokoládé szeleteket. V.3.3. hogy a fej dobás valószínűsége P (F ) = —. hogy legalább egy friss.3. c) P ( X > 0 ) ^ 7 . Határozzuk meg és ábrázoljuk az F(x) eloszlásfüggvényt. Az X valószínűségi változó jelentse a cso­ koládé szelet adalékanyag mennyiségét.2 .9.3. eloszlását. b) Számítsuk ki az eloszlásfüggvény értékét az X = -3 . V. az írásdobásé pedig P{!) = Dobjuk fel az érmét háromszor egymásután. várható értékét. X = -2 . Egy X valószínűségi változó a . Egy érme olyan súlyozású. P (X = 0 )= -~ . V.11. legfeljebb egy friss tojás van a kivettek között. Az X valószínűségi változó jelentse a kivett friss tojások számát. Visszatevés nélkül véletlenszerű­ en kiválasztunk hármat. Számítsuk ki az X valószínűségi változó első négy momentumát. ha X < 0. Az ALFA üzletháznak a következő táblázat szerinti összetételben teljesítették a megrendelést: 1/2 -2 v(Xi) 1 1/4 1/8 1/8 X \Y 110 220 20 50 250 40 100 300 60 100 400 100 250 550 eloszlási táblázattal adott.12. X = 5 helyeken. V.3. fejezethez 123 valamint annak valószínűségét. P (X = 4 )= 1 a) írjuk fel és ábrázoljuk az X változó eloszlásfüggvényét. ill.

függetlenül X j jelentésé­ től. Binomiális eloszlás Mi annak a valószínűsége. pl. amelyek lehetővé teszik a különböző jelenségek bizonyos szempontok szerinti csoportba sorolását. vagyis a kísérlet során azt figyeljük meg. a különböző jelenségek vizsgálata során arra törekszik.NEGYEDIK FEJEZET Nevezetes eloszlások A valószínüségszámítás. Diszkrét valószínűségeloszlások A gyakorlati feladatok kísérleteinél legtöbbször csak az érdekel bennünket. amelynek pontosan két kimenetele van.1. hogy a valószínűség szempontjá­ ból hasonlóan viselkednek. 4. Szá­ mos jelenségről megállapították. hogy bizonyos feltételeknek eleget tevő valószínűségi vál­ tozóknak milyen jellegzetes eloszlásfüggvényei vannak. Olyan kísérletsorozatot vizsgálunk tehát.1. hogy valamely A esemény bekövetkezett-e vagy sem. valószínűségek azo­ nos eljárással (képlettel) számíthatók ki.1. Ilyen kérdésre ad választ a következő eloszlás. Legyen az A esemény bekövetkezésének valószínűsége minden ki- . ugyanazt az eloszlást követik. hogy egy kísérletben az A esemény pon­ tosan ^-szor következik be? Tekintsünk egy független kísérletekből álló kísérletsorozatot. mert ezzel azonos módszerek alkalmazására nyílik lehetőségünk. vagyis az X valószínííségi változó értékeihez a /?. hogy a kísérlet eredményes volt-e vagy eredménytelen. de ugyanazzal az eloszlásfüggvénnyel írhatók le. A következő pontokban azt vizs­ gáljuk. 4. mint minden más tudomány. hogy feltárja azokat az elvonatkoztatható jegyeket. vagy csak paraméterértékekben különbözőek.

hogy a kísérletek egymástól függetlenek. 1 .. í . A binom iá­ lis eloszlás tagjai kezdetben a k-\al együtt növekednek. 2 . Ha np egész szám.p.n ) ( 0 < p < l ) képlettel adható meg.p = q. mivel a Pk =Pn ( ^ ) valószínűségek a (p + ^)” hat­ ványmennyiség binomiális tétel szerinti kifejtésének tagjai.k ) -szór fordul elő. Ilyen kétkimenetelű független kísérletek vizsgálatával először J. 1 .2.. akkor az ehhez tartozó valószínűség a legnagyobb. hogy n (n = 1. p) = \ k (1 * ) J 2 { \ 2? n-11 P n P^ amelynek k < x -re vonatkozó összegezésével kapjuk az eloszlásfüggvényt: (2 ) k<x M egjegyzések Az 1.) független kísérletso­ rozatban az A esemény pontosan k-szov következik be. ahol q = \ . . B elem pedig ( n .p.. n ) (1 ) n\ binomiá­ kl(n-k)l akkor az X valószínűségi változó binomiális eloszlású.. Mivel feltettük. és lis együttható. ahol q = l . . hogy X éppen a k értéket veszi fel Pk = ( k =0 . amelyekben az A elem pontosan k-szor. Ha annak valószínű­ sége. 2 . p„=P{X=k) = {k = 0.p p ara m é te rű binom iális eloszlás­ n a k nevezzük. . \. Bernoulli foglalkozott. amelynek értékei a ter­ mészetes számok. azaz az eloszlást a következő táblázattal adhatjuk meg: k Pn(k) 0 ín\ V 1 / 1 Az ilyen elem-n-es sorozatok száma: . 2 .P { A ) = \ . Ismételjük meg a kísérletet n-szer egymástól függetlenül.. ezért minden elem-n-es valószí­ nűsége: p ^q ^ ^ . . .1. azaz az A esemény bekövetkezéseinek számát megadó X valószínűségi változó X j^ értéke éppen k (tehát Xj ^=k) a . Tétel Annak valószínűsége. 1. A binomiális eloszlást általánosabban is definiálhatjuk. Az (1) binomiális eloszlást b(k\n. . azaz b(k'. . azaz X ={0.1. p ) -vei is szokás jelölni. s így az A előfordulásának való­ színűsége: P{A) = k p ^ q ’^~^\ (A: = 0 . Binomiális eloszlás 127 sérletben P{A) = p és az ellentett esemény A bekövetkezésének valószínűsége: p (A ) = \ . n ) . . .. ezért a fentiekkel kapcsolatban Bem oullikísérlet és Bernoulli-eloszlás elnevezések is használatosak. majd a maximum elérése után csökkennek. . tétel bizonyítását az A és 5 elemekből álló olyan n elem­ hosszúságú sorozatok vizsgálata alapján végezhetjük. . Legyen X diszkrét valószínűségi változó. ha pedig nem egész szám. . Az (1) eloszlást n -e d re n d ü . .n. és az X diszkrét valószínűségi változó értéke legyen az A esemény bekö­ vetkezéseinek számával egyenlő.126 VALÓSZÍNŰSÉGSZÁMÍTÁS 4. 2 .. akkor az np-hez legközelebbi egész számhoz tartozó valószí­ nűség a legnagyobb.

egyszerűsítsünk A. hogy D ^ ( X ) = npinp + q )~ (np)^ = npq.p)= k= 0 k=Q 1. Megoldás Bernoulli-'kíséútiml van szó.( M ( x ) f összefüggést. Példák A binomiális eloszlású X valószínűségi változó várható értéke: szórásnégyzete: szórása: m = M ( X ) = np s^ = V ar(Z ) = D ^ { X ) = npq s = ^ V ar(X ) = D ( X ) = ^ npq (3) (4) (5) A (3). p = q = ^ . (1**) képlettel előállítjuk az elosz­ k\{n-k)\ lás táblázatát n = 6.l . W .1 .5 . k 0 0 1 1 64 2 7 64 3 22 64 4 42 64 5 57 64 6 63 64 6< 1 l tehát M ( X ) = np.^ k=\ P Ák) = ill. p) = {p + r= 0 q f ^ = l ” ^ =1. az (1 *) jelölést használva M(X)= ^k-b(k.3 . p) formulára. eloszlásfüggvényét és grafi­ konjait. (k-mn-k)\ képleteket használva: k Pé(k) 0 1 64 1 6 64 2 15 64 3 20 64 4 15 64 5 6 64 6 1 64 k . A yt = 0 -ra az első tag kiesik.i g vé­ gezzük: r= 0 r=0 Az eloszlásfüggvényt F^(x) = ^ P ( k ) képlettel számítjuk: k<x de a binomiális tétel értelmében: n -1 Y ^ b {r\n -\. Binomiális eloszlás 129 2. és felhasználva a D ^ { X ) = M ( X ^ ) . kap­ juk. (4) és (5) formulák a megfelelő definíciók és a binomiális sorbafejtés képleteinek felhasználása alapján igazolhatók. Ui.2 .1. Egy szabályos pénzérmét dobjunk fel hatszor és figyeljük meg a fej dobások számát.1.\ = r helyettesítéssel az összegezést r = 0 -tói n . Állítsuk elő a valószínűségi változó eloszlását. k +\ rekurziós képlettel végezhetjük. l-p kapjuk: M ( X ^ ) = np(np + q).n.128 VALÓSZÍNŰSÉGSZÁMÍTÁS 4. = 0 .-val és emeljük ki np tényezőt: ” (n -1 )! M (X ) = n p ' £ .4 .6 értékekre. A P^(k) valószínűségek kényelmesebb kiszámítását a (1 * * ) A fenti lépéseket alkalmazva M ( X )= ^ k k^O b(k. tehát az (1*) ill.n.

0006 + 4 2 /6 4 22/6 4 + ^ 0. mi a valószínűsége annak. H a X a í: értékeket P ( X = k ) = p{k\X) = \k~X X^e 2..9994^ 0..2 . amelynek értékei 0. X) számok valószínűség­ és p = = ezért az (1) képlet szerint eloszlást alkotnak. Tehát a sikeres adatfeldolgozás valószínűsége P (X > 2).(x) binomiális eloszlásfüggvény 4. ábra.. Poisson-eloszlás a) P ( 3 M ) = 6 . akkor az X valószínűségi változó eloszlása egy n = 4. hogy egy házaspár 6 születendő gyermeke közül a) 3 fiú lesz.1 ..1.9994) = k=2 0..2. ha a fiúk születésének való­ színűségét Megoldás Mivel most n = 6 -nek vesszük? kl -. ábra.130 eloszlásfüggvényt a 28.9999998. akkor az X eloszlását X paraméterű Poisson -eloszlásnak nevezzük.) (1 ) valószínűséggel veszi fel. hogy az adatfeldolgozás sikeresen befejezhető? Megoldás Annak. (X > 0). k.4 J_ l-2 ^ 3 '8 '8 131 A binomiális eloszlású valószínűségi változó eloszlását a 27.. p = 0. Egy számítógéphez 4 egymástól függetlenül működő lem ezegység tartozik.S .0006" = 0. A p( k.0. Ha az adatfeldolgozás elvégzéséhez legalább 2 hibátlan lemezegység kell. akkor kevesebb a lányok számánál. 6 /6 4 1/640 1 2 3 4 5 ----___ 1 —^ 6 k Az egyes lemezegységek 6 •10“'^ valószínűséggel hibásodhatnak meg.{x) 1 lás.1.0006^ + 0.9994 paraméterű binomiális elosz­ ^F. 2. 1. ábra szemlélteti.(k) valószínűségi változó eloszlása (hisztogramja) -\(T^ = 0 ..9994^ ■0. 2.9994^ 0. hogy egy sajtóhibákat tartalmazó könyv véletlenül kinyitott oldalán van sajtóhiba? Legyen X pozitív állandó és X egy diszkrét valószínűségi válto­ zó.2. ui. tehát Peik) P(0 fiú) + P(1 fiú) + P(2 fiú) = x6 21 32’ 3. hogy egy lem ezegység nem hibásodik meg p = \ 6 27. Ha a hibátlanul működő lemezegységek számát X jelöli. azaz 4 63 /6 4 5 7 /6 4 1 P(sikeres adatfeldolgozás) = P (X > 2 ) = ^ _ b { k \ 4. 4 7 /64 j m 1 28. b) a fiúk száma kevesebb lesz a lányok számánál. a binomiális 16’ b) Ha a fiúk száma 0.. (/: = 0 . ábra. 1.9 9 9 4 a valószínűsége. Mennyi a valószínűsége annak.. P(. Poisson-eloszlás Mi a valószínűsége annak. Az F(. i 2 0 /6 4 15/64- VALÓSZÍNŰSÉGSZÁMÍTÁS 4.. .

aöra. Poisson-eloszlás 133 Pow^on-eloszlást szemléltet a 29. ha X = np . Az egyes valószínűségek kiszámítását megkönnyíti a követke­ ző rekurziós form ula: (1 * ) 2.2. annak n szerinti határértékeként.- A PoM5on-eloszlású X valószínűségi változó várható értéke: szórásnégyzete: szórása: m = M { X ) = X\ 0. és így D ^ ( X ) = M ( X ^ ) . p) = lim A e -A Az első tag k = 0 -ra 0-val egyenlő.1.p ) ' ‘ = ( l . Az (1) formula jelölé- 1. .{ M ( X ) f = M X + l ) .3-- 1=1 0 . ábra A = 1. így X k . hogy e = k=0 sét használva: M(X)=f^k-p(k-X)=f^k k=0 k=0 n. A Poisson-eloszlás a binomiális eloszlásból is származtatható. Ennek belátá­ sához felhasználjuk az r=0 • •2~ r=0 (* ) Hasonló meggondolással M ( X ) = A(A +1) adódik.l = r helyettesítéssel: 1 .- A binomiális eloszlást elég nagy n és kicsi p valószínűség esetén az np = X paraméterű Poisson-eloszlis jól közelíti. M egjegyzések amelyeket a megfelelő definíciók alapján állíthatunk elő. Taylor-sovt Ui.X) 0.p ) = ( l .1 0 2 4 6 29.132 VALÓSZÍNŰSÉGSZÁMÍTÁS 4. s = ^V ar(X ) = D ( X ) = -Jx. 2.4-0. hogy X állandó és = “ .A ) " . ha feltesszük. azaz X = pn\ ekkor ugyanis lim b(k\n.(0 .X ^ =X. A = 2 és A = 5 -re: k=0 ' k=0 A Poisson-Qloszlású valószínűségi változóhoz tartozó eloszlásfüggvényt a (1) -gyei adott valószínűségek összegezésével kapjuk minden k < x -re kiterjesztve: (2 ) k<x k\ ■ k\ Pn(k. A bizonyitáshoz felhasználjuk.ke -A Á k\ kiemelésével és . akkor í. Poisson-e/ojz/áío/: s^ = V ar(X ) = D ^ ( X ) = A. n .

1353 0. Tegyük fel.00051 0. p(2. Poisson-eloszlás Megoldás 135 Mindkét oldal természetes logaritmusát képezve: In Z?(0. z = — helyettesítéssel: k 0! 1 0. 48 0.368 0.0613 0. hogy a zX valószínűségi változó Pom on-eloszlású. Számítsuk ki a 77(3. Tegyük fel. táblázat b) 2 vagy több (legalább 2) sajtóhiba van.013. 3.497 = P (X = 2 ) = p (2. p{k. P= 500 a binomiális eloszlást Poiííon-eloszlással közelítjük X = np = 0. 29. = -A .k + l ) p _ X .\) Pik.p) kq kq k ' Ekkor b i k \ n . Az eredményt táblázatba foglaltuk. hogy egy adott oldalon a) pontosan 2 sajtóhiba van. akkor A.6.l)= - X (*) figyelembe vételével.0034 0.2.l ) p _ X b(k-l.3679 = 0. ábra. Számítsuk ki az X valószínűségi változó Po/íío/j-eloszlását A = 1.00674 p{k.^). (L. hogy egy 500 oldalas könyvben véletlen eloszlásban 300 sajtóhiba van.( k .184 0. akkor n = 300 A . Példák értékeket a [0. és 1.n. és teljes indukció­ nálásával b { V.0153 0. hogy b(2-. 3.) Pl. és 2.0181 Ha a/7 elegendő kicsi.1404 4 0.0842 Ha n igen nagy. akkor ~ 1.0902 0.^ ) = -1 2 .5) k 6 0. ha k = 0.0 J ) = b (t.0653 9 10 és így p{k. X ) .5. hogy oldalanként hány sajtóhiba van. 12.n. P { X = 3) = p ( 3 .49 0.1805 0. p ) ~ ^ b ( k . 3.8.2.3] intervallumban a 6. Megoldás 3 •e i 2 b(k.1755 0 0.0000 0.718282 2 3 0.0.7) valószínűségeket.368 0.n.\ \ n . 2.0337 1 e ____ L = 0. Az és tartalmazza.0000 0. Mivel p elég kicsi és n elég nagy.9.607 = 0.1462 7 0. 2! 0 . 2.n . . 2 ) P(k. Számítsuk ki annak valószínűségét.1.p ) = ^ ^ ^ = p ( k .0009 0.10 . 0. p ) ^ Xe val kapjuk.5 paraméterekkel. p ) K összeffiggésből (**) felhasz— .5) 0. n.0363 0.7.1755 5 0.2707 0.6 paraméterérték mellett. n.00007 0.0002 0.1045 8 0.1. P ( X = 0 ) = p (0 . 1 paraméterű binomiális eloszlást kapunk.00307 0.—).368 stb. a ^ további értékeihez a (1 *) képletet használjuk.2) 0.012 0. p) = ln(l Yí = n ln(l .134 VALÓSZÍNŰSÉGSZÁMÍTÁS 4.\) p {k. A .2707 0. p) _ ( n . Megoldás Ha azt vizsgáljuk.0361 0. A k = 0 értékhez a (1) képletet.4.

07 1 0..1.26 2 0.549) = 1 . ha a k~hoz képest M és N elég nagy. amely az Xj^=k (k = 0. Kettőnél kevesebb hiba egy oldalon úgy következhet be. M. hogy jól megkevert kártyacsomagból mindig véletlenszerű az elosztás. n nemnegatív egészek és M < N .3.2. az ellentett események valószínűségei közötti összefüggés alapján számítjuk ki. . Hipergeometrikus eloszlás Mi annak a valószínűsége. hogy a z X a k értéket veszi fel az (1) képlet szerint: íqV 24 ^ \-k ()k = 0 .. Pk várható értéke.M ) ..( p o + P i) = l - A hipergeometrikus eloszlás tagjai kezdetben k-wal együtt növe­ kednek.1.p) n . M ^ ^ 0.0 7 0. 4.8 ) értékek felvételével hipergeo­ metrikus eloszlású.122. Az X változó értéke legyen az egyik kijelölt játékoshoz kerülő piros lapok száma..p) N . továbbá számítsuk ki várható értékét és szórását. amelyből M = 8 a piros lapok száma.36 3 0. (Feltesszük. hipergeometrikus eloszlású valószínű­ ségi változónak nevezzük. majd a maximum elérése után csökkennek. Egy hipergeometrikus eloszlású X valószínűségi változó várható értéke: m=M(X) =n M N ’ 1n —1 0.6 ) r . Az adatok alapján annak valószínűsége.(0. közelí­ tőleg Powí'on-eloszlásúak stb. hogy az X a 0 vagy 1 értéket veszi fel..l. vérsejtek száma egy térrészben. Pl.n) (1 ) Az X valószínűségi változó eloszlástáblázata: k 0 0..l Megjegyzés A gyakorlati feladatokban gyakran találkozunk Poisson-oXoszlással.6 ■ 0. egy adott tartományba hulló esőcseppek száma. Azt az X valószínűségi változót.1...= P (X = k ) = szórása: Példa s = ^V ar(X ) = D { X) = np{\ . ha a yVszámú alkatrész között M db selejtes van? Definíció.... Az eloszlás M tagjait jól közelíthetjük az n-edrendű — = p paraméterű binomiá­ lis eloszlás megfelelő tagjaival. A vizsgált esemény valószínűsége: P ( X > 2 ) = l .549 VALÓSZÍNŰSÉGSZÁMÍTÁS = 0.36 0.3.23 4 0. N . 4. a csillagok a térben. egy telefonközpontban egy adott időintervallumban je ­ lentkező hívások átlagos száma.. és n = 8 lapot kap mindegyik játékos. ahol N.0 .0 8 0. A lapok száma N = 32 .0988.07 5 0. s minthogy ezek az események egymást kizárják.0 valószínűséggel veszi fel. szórásnégyzete: s^ = V ar(X ) = D ^ ( X ) = n p ( l . Hipergeometrikus eloszlás 137 b) Annak az eseménynek a valószínűségét.1 .l 7 V -1 Egy 32 lapos magyar kártyacsomagot négy játékos között egyenlően osztunk el..329) = 0. hogy egy oldalon 2 vagy több. Megoldás Az X valószínűségi változó X j^ = k {k .6 0! -+ 1! = + 0.n ) értékeket N -M n -k P k = P (X = k ) = p . hogy N számú alkatrészből visszatevés nélkül kiválasztott n db-ból álló mintában a selejtesek száma k db..549 + 0. azaz legalább 2 hiba van. így összegük valószínűsége pq + p^. a radioaktív bomlá­ sok száma egy adott időtartam alatt.8 ) '32^ {k=0X2..01 6 0.) Készítsük el az X valószínűségi változó eloszlásának táblázatát.0 .136 a) p ( 2 . 0 < n < min(M ..2 .

. Megkülönböztetés és rövidítés céljából a folytonos eloszlások várható értékét |i-vel. -1 -1 ! F{x) = I f ( t ) d t = j O d t + ^ ^ t ^ d t + ^Qdt 2 2’ = . Folytonos eloszlások a) Vizsgáljuk meg. és mindkét függvényt ábrázoljuk. 0 . Példa Legyen fix ) = 0 h a -l< jc < l egyébként ha x > l .. ha Az X hipergeometiikus változó eloszlását a 30.2 " 0 . Hipergeometrikus eloszlás Tehát az adott/függvény valóban sűrűségfüggvény. 0 . 0 . a Poisson. határozzuk meg a sűrüségfüggvény eloszlásfüggvényét.4 .): 4. X F{x) = I Odt = 0 . szórásnégyzetét és szórását. 0 . így nyilvánvaló. A folytonos eloszlásokat a sűrűségfüggvényeikkel definiál­ juk.25-dal? Megoldás a) Mivel XG R > 0 minden valós számra.0 7 -- -í r + — 4r- -fO = 0 .2 6 -0 . ábra. c) Mekkora valószínűséggel tér el az X változó a várható értékétől legfeljebb 0.. 0 1 2 3 4 5 -f6 2 7 3 30.2 3 -- .3 6 ■ ■ 0 .1 . Ha . ha 32 32 32-1 = 1. hogy teljesül-e az f { x ) > 0 és az 139 Jf { x ) d x = 1 feltétel. A következő pontokban folytonos eloszlásokat tárgya­ lunk. hogy f ( x ) > 0. ábra szemlélteti.0 1 . melynek gráfja (31.16. b) Számítsuk ki az X változó várható értékét. igen. Mivel az X folytonos valószínűségi változó egyes konkrét érékeinek valószínűsége 0-val egyenlő.3 .138 szórása: D {X)= n p {\-p ) n-\ N -\ v a l ó s z ín ű s é g s z á m ít á s 4. szórását pedig a-val fogjuk jelölni. így a változó jellemzésére a sűrűségfüggvényt vagy az eloszlásfüggvényt használhatjuk. ábra. szórásnégy­ zetét cj^-tel.2. de magadjuk az eloszlásfüggvényeket is. -! 1o “ j f ( x ) d x = ^Odx+ ^—x^dx+ ^Qídx = 0 0 . F(x)= j0 d t+ j j t ^ d t = j Az X valószínűségi változó sűrűségfüggvényének F{x) eloszlásfüggvénye: Ha x < -1 .és a hipergeometrikus eloszlással.l < x < l .2. Folytonos eloszlások Az előzőekben három nevezetes diszkrét valószínűségi eloszlással ismerkedtünk meg: a binomiális.

Tehát az X a várható értékétől 0. < l . 1.1.l < j . szórásnégyzet definíciói alapján: c) Ki kell számítani a p ( |x .u| < 0 . mivel b .b[ intervallumon.2. F( x) = P ( X < x ) = és szórása: (7 = D ( X ) = ^ = 0. ábra): . hogy f { x ) > 0. . f(x) = b . ha sűrűségfüggvénye (33.a > 0 .h ^ d x .25-dal legfeljebb 0.140 Tehát az eloszlásfüggvény: 0. (2) és a várható érték. A nevezete­ sebb folytonos eloszlások közül a következő pontokban az egyen­ letes eloszlást.U .2 s) valószínűséget: . b-a V Í I’ A folytonos valószínűségi változók eloszlásainak vizsgálatát ál­ talában a bemutatott példához hasonlóan végezhetjük.25) = várható értéke: szórása: l i i =M( X) = a = D(X) = a+b 2 ’ = P (-0 .2 5 ) = = = 0 .1.2 5 < X < 0. h a x < . szórás. ha a: > 1 „ xeR (1 ) Azonnal látható.5 0 7 8 -0 . Az X valószínűségi változót egyenletes eloszlásúnak nevezzük az ] a'. Egyenletes eloszlás 141 4.2.l F(x) = + VALÓSZÍNŰSÉGSZÁMÍTÁS 4. ábra). szórásnégyzete: . és b b) Az X valószínűségi változó várható értéke: H = M ( X ) = |x /( x ) = j x ~ x ^ d x = ~ ^ -1 szórásnégyzete: a ^ = D \ X ) = ]x^f{x)dx-^ l^ = jx ^ .0157.4 9 2 1 = 0./ i | < 0 . Egyenletes eloszlás Definíció.0.a 0 egyébként 1 h a . ha.O ^ = 1 f(x)dx = dx b-a 1 b-a b-a b —a = 1. x-a b-a 0.25 < X < + 0.25) . az exponenciális eloszlást és a normális eloszlást tárgyaljuk részletesebben.774597. A sűrűségfüggvény definíciójából következik.0157 valószínűséggel tér el.25 )= P(.25) = F(0. hogy az egyenle­ tes eloszlású X változó eloszlásfüggvénye (34. f(t)dt = dt b-a ha X < a..F (-0 . ha a < x < b . melynek gráfja (32. x > b. ábra): 1.

A z eltelt idő legyen az X egyenletes eloszlású valószínűségi változó. hogy X egyenletes eloszlású a ]10. 90 1.f { x ) d x = Ha feltesszük.) Példa Egy üzemi telefonközpont telefonhívásainál azt tapasztaljuk. pontban. szórását. ha x < 1 0 . -.c-10 b+a b~a 3 C T= 12 b-a _ b-a fix) = ha X > 100. ha jc<10. h a l0 < . Megoldás 4 n ~ i S ' Feltettük.b \ intervallum­ ban. és eloszlásfüggvénye (35. hogy a tárcsázást követő kapcsolásig terjedő időtartam 1 mp-től 100 mp-ig terjedhet. s b-a h-a vallumba esik P{r<X<s)=\f{x)dx = b-a 2 2 ■ r 1 a. f(x) 1/90 f . a geometriai valószí­ nűséget az 1. hogy legalább 50 mp-ig kell várnunk a kapcsolásra. valamint annak valószínűségét. eloszlásfüggvényét. várható értékét.2. ábra): 0. hogy X az Jr.5. Egyenletes eloszlás 143 Ui.1. akkor annak valószínűsége.100[ intervallumban. ezért sűrű­ ségfüggvénye (35. a várható érték: M (X )= \ x . ábra. hogy X egyenletes eloszlású az \a . f(x) sűrűségfüggvény és F(x) eloszlásfüggvény 100 . ábra): 0.142 VALÓSZÍNŰSÉGSZÁMÍTÁS 4. Határozzuk meg az X valószínűségi változó sűrűségfüggvényét.T < 1 0 0 . F(x) = P ( X < x ) = . (L.b részinter- b-a dx = r s-r b-a ’ A szórásnégyzet és szórás: x'^ i —dxb-a f b + r^ ^ vagyis arányos az intervallum hosszával. 0.p — 0 10 100 35. h a lO < jc< 100 ha x > 1 0 0 .

98 . = M (X )-ln 2 = ^ . A médián definíciója értelmében egyszerű számítással kapjuk a médián értékét: m . hogy egy alkatrész pl. szórásnégyzete: 2 ’ szórása: Annak valószínűsége.2. az eloszlás paramétere (36. ábra. 2000 órán belül nem hibásodik meg? Definíció. Mint látható az exponenciális eloszlású valószínűségi változó várható értéke és szórása egyenlő egymással. 1 0 0 -1 0 VÍ2 VÍ2 szórásnégyzete: 90 2V 3 2 = 55mp.26mp.2. A feltételeknek eleget tesz a z /. . Az X folytonos valószínűségi változót X paraméterű ex­ ponenciális eloszlásúnak nevezzük.c < 0 ahol a A állandó tetszőleges pozitív szám. mint a várható értékénél kisebb értékeket. (1 ) 36. ^ (2) amiből következik.2. Exponenciális eloszlás 145 Az X egyenletes eloszlású valószínűségi változó várható értéke: 2 szórása. hogy legalább 50 mp-ig kell várnunk a kapcsolásra: a=^WarX = D (X )= j. . hogy az X változó a várható értékénél nagyobb értékeit kisebb valószínűséggel veszi fel. . 4. Az (1) sűrüségfüggvényű X valószínűségi változó eloszlásfügg­ vénye (37. Exponenciális eloszlás Mi a valószínűsége annak. X exponenciális eloszlású változó sűrűségfüggvénye 0. ha jc < 0.2.hax>0. ábra).144 VALÓSZÍNŰSÉGSZÁMÍTÁS a+b 10+ 100 4. minthogy < M(X). ábra): X í 0. ha sűrűségfüggvénye fix) _ ^Xe h a x > 0. és a megfelelő definíciók alapján. egyszerű integrálás és határérték­ számítás alapján az exponenciális eloszlású X változó várható értéke: 45-V 3 3 25. F(X) = P(X <x)= [ f ( t ) d t = V ~ ^ . ha . mivel / > 0 és f ( X )dx = Xe ^ d x = 0 = hm Á Í e ~ ^ d x = lim = 0 + 1 = 1.

azaz . . (C. f{x) = ■ 500 0.) ^dt integrálba megy át.P { X < 2000) = 1 . F (x) = szórásnégyzete-. Egy X folytonos valószínűségi változót m és o param é­ teri! normális eloszlásúnak nevezünk. azaz +o= f{ x )d x = Y — yy\ 4. a paraméterű normális eloszlásfüggvényét (39.146 VALÓSZÍNŰSÉGSZÁMÍTÁS 4. D ^ ( X ) = a^ . o pedig tetszőleges pozitív szám lehet. mely t = --------helyettesítéssel 4. Tehát annak valószínűsége. a radioaktív atomok élettartama. német matematikus. azaz keletkezésüktől az elbomlásig terjedő időszakasz hossza.2.00 {x-m f 1 dx = \.F (2000) = ^ 0. hogy egy kiszemelt alkatrész 2000 órán belül még nem hibásodik meg. F. Az (1) sűrűségfüggvény -oo-tői x-ig vett határozott integrálja adja az X változó m . ábra): 1 2<j^ (-ÍX3 < X < -hoo) (1 ) ahol m tetszőleges valós szám.3. A feltételekből következik. . D{ X ) = o. hogy 2000 órán belül bekövetkezik az alkatrész meg­ hibásodása 98%. {t-m f b) sűrűség. Normális eloszlás 147 Megjegyzés Exponenciális eloszlású pl. és -°o -tői +oo -ig integrálva 1-et ad. Definíció. normális vagy Gauss-eloszlás.02. 1 500' és így az eloszlás paramétere: A = Az X normális eloszlású valószínűségi változó várható értéke: jx = M ( X ) = m. ha sűrűségfüggvénye (38. c) Annak valószínűsége. melyek a definíciók felhasználásával igazolhatók. Példa Legyen az X valószínűségi változó bizonyos típusú alkatrészek meghibásodásáig eltelt használati időtartam hossza. Megoldás a) Mivel X szórása 500.3. hsLX< 0. haX > 0.2. Gauss 1777-1855. amely sok jelenség leírásában jelentős szere­ pet játszik. alkatrészek meghibásodásai nagy időintervallum alatt stb. Normális eloszlás A leggyakrabban előforduló folytonos eloszlás az ún. hax<0. hosszú öregedési időtartamú berendezések. ezért várható értéke CT F(x) = P ( X <x ) = o 1 4 1 e k 2cr (2 ) = D ( X ) = M ( X ) = 500 óra. Határozzuk meg az X a) várható értékét. b) A sűrűségfüggvény: ~ — e 500 h a x > 0 . ábra). hogy egy alkatrész 2000 óráig nem hibásodott meg: P ( X > 2000) = 1 . Legyen X exponenciális eloszlású. szórása: az eloszlásfüggvény: í-e 0. hogy f { x ) > 0.és eloszlásfüggvényét és c) annak valószínűségét.0183-0. amelynek szórása 500 óra.

ugyanis M ( X ) = m.1 -^ x -3 -2 -1 ^ 0 1 2 3 40. e lo s z lá s fü g g v é n y e 1 (gráfja szimmetrikus a (0. Normális eloszlás 149 Vezessük be az X valószínűségi változó ( ö í + m )e Az M { X ) = — f = O ytln í x-e ^ = ——= ■sIlTt _* ^ dt = ^ X-M (X) " " W T " +°° íe _ í_ ^ dt + m 1 standardizáltját.. Az m v á r h a tó értékű .1 = í 0^1271: 2(7^ ^ (gráfja szimmetrikus azy tengelyre. o s z ó r á s ú n o r m á lis e lo s z lá s s z o k á s o s je lö lé s e : N ( m .2 38. —) pontra. kapjuk.2 %-a. tehát M{X) = A szórásnégyzethez az (x-m y o 427T • 0 + m • 1 = m.( M { X ) f = G ^ + n í ^ . Ha az X valószínűségi változó N( m. ^ dt. Definíció. 41. ábra). mivel az integrandusz páratlan függvény.3. Normális eloszlás sűrűségfüggvénye 39.4 %-a. Az első tag integrálja 0-val egyenlő.148 +00 _ ííz íü L VALÓSZÍNŰSÉGSZÁMÍTÁS + 4. <7 = 1 paraméterű normális eloszlást. R)\ (3) kiszámítását a fentiekhez hasonlóan végezve. sű r ű s é g fü g g v é n y e M ( X ^ ) = ---. eloszlásfüggvényének gráfja pedig a ( m . képlettel számítjuk.. és D ( X ) = a. ábra. Normális eloszlásfüggvény . ábra): (p{x)= — ^ e 2 {xe.. G) akkor standardizáltját C T eloszlású. (4) y jln i 0. standard normális eloszlásnak nevezzük. síirüségfüggvényének gráfja az m várható értékkel adott x = m egyenesre. ábra. melynek várható értéke M ( X * ) = 0.G ) .4 0 .m ^ =G^. ~ ) pontra szimmetrikus.1) -gyei jelölünk. . Az m = 0. 40. és szórása D( X*) = 1. Standard normális eloszlás sűrűségfüggvénye A normális eloszlást követő valószínűségi változók a z m é s <5 pa­ raméterben térnek el egymástól. Megjegyzés -1 < X < 1 intervallumokhoz tartozó terület a görbe alatti terület 68. ábra. hogy M { X ^ ) = o ^ + np-. ~2 < x < 2 -höz tartozó pedig 95. Tehát D ^ { X ) = M { X ^ ) . melyet 7V(0.2. a második tag pedig m • 1.

Tekintettel az (5) formulára. és így mediánja 0. minden páratlan rendű cent­ rális momentuma és így ferdeségi együtthatója is 0-val egyenlő.<D(-. ezért (p{-x) = (p(x). és 2.3. mivel az N(0. A standard normális eloszlás (3) és (4) függvényének segítségével kifej ezhetők az (1) és (2) függvények: x -m N ( m .1. .-|-) pontra szimmetrikus.x = 0 helyen inflexiós pontja van. a páratlan rendű momentumai 0-val egyenlők. y = <E>(j:) a (0. így a ferdeségi együtthatója is 0. F(m ) az (m. táblázatból kiolvasható értékek alapján a <E>(x) és a (p{x) függvény értéktáblázatának bő­ vítésére jól felhasználhatók. O és F gráf­ jait jellemezhetjük. 0 ( . azonban a 0 (x ) értéke a gyakorlati alkalmazá­ sok által megkívánt pontossággal táblázatokból kiszámítható. ábra).c) = 0(jc) . az y = F( x) gráfnak pedig az x = m helyen van inflexiós pontja.k a < X < m + kG) = 2 ^ ( k ) .1 (8) A (7) és (8) összefüggések az 1. a ) eloszlású. ezért a móduV 2 .l . mely a 3. mivel páros függvény (40. táblázat). medi­ ánja is és módusza is m-mel egyenlő. akkor eloszlása szimmetrikus az m-re. hogy N{ m . o ) eloszlású valószínűségi változó elté­ rése a várható értékétől valóban csak a ^-tól függ. inflexiós pontjai pedig az x = m . Normális eloszlás 151 mivel 0 a maximum helye ( cp(0) = ~ ^ = ~ 0. A (p{x) sűrűségfüggvény y = (p(x) gráfja az y tengelyre szim­ metrikus.(1 ~ 0(jc)) = 2d>(x) . és továbbá a (7)-böl a standard normális eloszlásra a következő össze­ függést kapjuk: P ( . A (6) és (7) formulákra (5) x -m (XG R). Ha tehát az X valószínűségi változó A (4) jobb oldalán álló integrál nem fejezhető ki elemi függvé­ nyek segítségével. A (p{x) mediánja 0. Felhasználva a (8) és a (6) formulákat: P ( m . (k>0) (9) = ~ -. akkor annak valószínűsége.x ) = l-íD (jc) (7) tekintettel. <I>(0) = 0. és így a maximuma is m-nél van 41.-^) pontra szimmetrikus. (6) Mivel a normális eloszlás sűrűségfüggvénye szimmetrikus a vár­ ható értékre. hogy az m várható értékre szimmetrikus a szórásá­ val arányos hosszúságú intervallumba esik.3989 ). pont (7) lapultsági együttható formulája alapján számítva igazolható. Az y = 0 ( x ) gráfnak . valamint ^ és F eloszlásfüggvények definícióira tekintettel. ábra. A (p és f függvényekre elmondottakat felhasználva. és a 2. l ) eloszlás szimmetrikus a 0-ra.3989 ).5. (1.3. Standard normális eloszlás eloszlásfüggvénye ( /( m ) = •0. Ha az X valószínűségi változó N ( m .150 VALÓSZÍNÜSÉGSZÁMÍTÁS 4. a ) eloszlású. A normális eloszlás gráfjának lapultsági együtthatója 0. az j = f ( x ) gráfnak x = m egye­ nes a szimmetriatengelye.r sza is 0.x < X < x) = 0 (x ) .2. hogy az intervallum hossza a 2 <7 -nak hányszorosa.G és x = m + G helyeken van­ nak. és amiből látható. csak attól függ. Az y = (p{x) gráfjának inflexiós pontjai vannak az jc = l és x = ~ l helyeken.

3%-a a feltételek szerint hibás. 0.0 (2 . táblázatban adott <I>(í) függvény t = 1. stb. Centrális határeloszlás-tétel Mint említettük. táblázatból vett értékekkel): F (-2 .073. ill.n .06 0 . háromszigma szabály. 0. centrális (központi) határeloszlás-tétel adja: Ha az X]. ahol (p a standard normális sűrűség­ függvény.0.8 4 1 3 -1 = 0.C T < X < m + (7) \ k / = 2 •0 ( 1 ) .84 cm-nél nagyobb korongokat tekintünk hibásnak? Megoldás A 0. valamint ha sem a p sem a q nem esik közel a 0-hoz.9544..637 Tn ” .9 2 7 = 0. távolság és területmérés hibaeloszlása.927 tehát a hibás korongok gyártásának valószínűsége: 1 -0 . A binomiális eloszlású változók esetén a / \ n P(k) = b (t.(1 . s ennek megfelelően A x -n p (11) A 0. p) kiszámítását célszerűbb az k —n p (p (10) V w közelítő képlet alapján végezni. hogy hibátlan korongok készülnek (az 1.5. kapjuk: P (m . Hány száza­ lékos hibával dolgozik a célgép. A Ser -t a megengedhető legnagyobb hibának nevezzük. három szórásnyira 0.9974. hogy az esemény 10000 kísérletből 9974 esetben bekövetkezik.6826. A műszaki. véges vár­ ható értékű és szórású valószínűségi változók. és 0.1 = 2• 0 .9 3 3 2 .5 )) = 0 . független.9772 . F (m -3 ( T < X < m + 3cr) = 2 0 ( 3 ) . mely a gyakorlatban jól használható.5. Normális eloszlás 153 Megjegyzések 1.5 < X* < 1. akkor Annak valószínűsége. t = 2.7 5 = 1.00.9 9 8 7 -1 = 0. hiszen azt fejezi ki pl. melynek szórása 0. hogy miként viselkedik nagy számú füg­ getlen valószínűségi változó összege.0 0 6 2 = 0.00 helyekhez tartozó értékeit. Tegyük fel. 0.3.637 rn ' Tehát az X változó a várható értékétől egy szórásnyira közelítőleg 0.75 cm várható átmérőjű korongokat készít.8 4 -0 .(1 .5) . ■ ■ ■ . Ha n nagy.2. -yjnpq szórású normális eloszlással.1 = 2' 0. 3-szorosával.60 cm standard értéke: 0 .9938) = = 0 .7 5 = “ 2.84 cm standard értéke: 2.152 Példák VALÓSZÍNŰSÉGSZÁMÍTÁS 4. így pl. (*) valószínűségek kiszámítása nagy n értékekre igen fáradságos mun­ kát jelent.06 cm. X 2 . P { m . Számítsuk ki. í = 3. akkor a binomiális eloszlás jó l közelíthető az np várható értékű.1 = 0. azonos eloszlású. vagyis a ko­ rongok 7. Egy véletlen esemény kialakulása általában nagy számú független véletlen hatás eredménye.9 3 3 2 -0 .5) = 0(1. két szórásnyira 0. Megoldás Felhasználva a (9) formulát és az 1. Egy célgép 0. Erre a kérdésre a választ az ún. .997 valószínűséggel tér el.) Ilyenek pl.60 cm-nél kisebb. A (*) formula az ún. hogy az X átmérő normális valószínűségi változó. . p) = k j 1.6 0 -0 .1 = 2 0 .. ha 0.06 akkor a b{k\n. 2-szeresével. a természeti jelenségek vizsgálatánál gyakran találkozunk normális eloszlással. hogy az X valószínűségi változó a várható értékétől legfeljebb mekkora valószínűséggel tér el a szórásának 1-szeresével..és természettudományok számos problémájának megoldásához igen gyakran olyan valószínűségi változót rendelhetünk. ha n számú kísérlet esetén a p eleget tesz a következő egyenlőtlenségnek: 0.683.954. (Az eltérésből adódó hiba a vizsgált jelenség szempontjá­ ból elhanyagolható. 2. ezért célszerű annak vizsgálata.(5(2) .00.2 a < X < m + 2 a ) = 2. az alkatrészgyártásban jelentkező méretingadozá­ sok. amelynek eloszlása normális vagy majdnem normális.

hogy az A csapat a) pontosan 2 játszmát nyer. Egy üzem által gyártott alkatrészek 2%-a selejtes. Mikor mondjuk az X valószínűségi változóról. szórása pedig 1. hogy binomiá­ lis eloszlású? 2. táblázatot. hogy a hőmérséklet 28°C és 34°C közé esik. 0.4.00 sorában a <E>(x) értéke 0. + -X^/j~ ntn o 4 VALÓSZÍNÜSÉGSZÁMÍTÁS E. A centrális határeloszlás-tétel tehát azt mondja ki. Megoldás A 28°C standard egysége a í = CT összefüggés felhasználásával: V.2857. 2 . sz. vagyis (12) lim P{ X^ < x ) = 0 n— >00 x-nm -Jn o = F( x) (12*) alakban is írható. szórása 4°C. Négy játszma le­ játszása esetén mi a valószínűsége annak. 4. fejezethez 155 lim P n-^oo <x e 2 d í = 0 (jc ) (1 2 ) E. 3 . Példa Tegyük fel. amelynek 2.9 7 7 2 -0 . Ellenőrző kérdések a 4. Mi a jellemzője az egyenletes eloszlásnak? 5. Hogyan definiáljuk a normális eloszlású valószínűségi változó sűrűségfüggvényét és eloszlásfüggvényét? 7. Feladatok a 4. és a 0. hogy sok független valószí­ nűségi változó összege normális eloszlású. Hogyan értelmezzük a standard normális eloszlás sűrűségfüggvényét és eloszlásfüggvényét? 8. Mikor nevezzük az X valószínűségi változót hipergeometrikus eloszlásúnak? 4.4 .4. a = D{Xj^) (k = 1 . fejezethez 1.29 valószínűséggel esik 28°C és 34°C közé.1.. a) Mi a selejtes darabok várható értéke és szórása? .4. hogy júliusban a H hőmérséklet normális eloszlású.154 X j + X 2 + . Számítsuk ki annak a valószínűségét. 2 = 0(2)-<I> = 0 .50 sorában 0 ( x ) értéke 0. A H* a H . és 0 ( x ) a standard normális eloszlásfüggvény. b) legalább 1 játszmát nyer. A számításhoz felhasználtuk az 1. V. A hőmérséklet kb. nm az X^ + X 2 + ■■■+ összeg vár­ ható értéke. c) a játszmák felénél többet nyer? V. melynek következtében X Y+ X 2 o 4 Xfi —nm n valószínűségi változó várható értéke 0. Hogyan definiáljuk az exponenciális eloszlású valószínűségi változó sűrűségfüggvényét és eloszlásfüggvényét? 6.4. Az A csapat nyerési esélye minden játszmánál a p = —.m k megfelelő standard valószínűségi változót jelöli. Ellenőrző kérdések a 4.6 9 1 5 = 0. Számítsuk ki az 2 8 -2 6 és 34°C standard egysége: 3 4 -2 6 4 tehát P (2 8 < //< 3 4 )= P =1 =1 4 8 4 2’ a) b b) b 3 . átlaga 26°C.^ értékeket (p + q = 1)..9772. Milyen feltételek teljesülése esetén közelíthető a binomiális eloszlás normális eloszlással? V. Mikor nevezzük az X valószínűségi változót Poisson-&\oszlásúnak? 3.6915. Gyfn pedig az összeg szórása. A megrendelő 10000 db-os csomagban kapja az alkatrészeket.3.2. fejezethez n ahol m = M (X^).4.

Mi a valószínűsége an­ nak. A tv-képcsövek működőképességének időtartam-hossza legyen egy X va­ lószínűségi változó. Hány hallgató a) tartozik a 166 cm és 182 cm közötti magassági intervallumba.08. táblázatban adott O ( x ) függvényértékek segítségével. V. Egy évfolyam 400 hallgatójának L magassága legyen normális eloszlású 170 cm-es átlaggal és 16 cm szórással.8 paraméterrel.) V.6.5. b) sűrűség.és eloszlásfüggvényét és c) annak valószínűségét.3 7 < X < 2.4. b) x = -0. hogy a A paraméterű exponenciális eloszlású valószínűségi változó várható értéke -i-. b) Milyen valószínűséggel vesz fel az X a várható értékénél kisebb értéket? V.75. hogy legalább 0. ha ö j x = l.1.4. Az X valószínűségi változó jelentse a mintában lévő minőségi előírásoknak nem megfelelők számát.1 mm. fejezethez 157 b) Hány db-ot kell véletlenszerűen kivenni és megvizsgálni ahhoz. Határozzuk meg az X a) várható értékét.4.4. Visszatevés nélkül is és visszatevéssel is vegyünk 4 elemű mintát.4.4. amelynek szórása 800 óra. Mindkét mintavételhez adjuk meg X valószínűségeloszlását. Számítsuk ki a standard normális eloszlású X valószínűségi változó sűrű­ ségfüggvényének (p{x) helyettesítési értékeit.4. b) P (-l.42). várható értékét és szórását.4 értékekre. Egy lövész valószínűséggel találja el a célpontot. Legyen X valószínűségi változó Powíon-eloszlású X = 1. hogy egy 100-as mintában 3 db selejtes? V. V. Az alkatrész nem alkalmazható. Egy üzem termékei között 2% a selejtesek száma.2. várható értéke 8 mm.7. Legyen X exponenciális eloszlású.12.3. hogy 7 lövés közül legalább kétszer célba talál? 2 b) Hány lövést kell leadni ahhoz. hogy egy véletlenül kijelölt képcső 3200 órán belül még nem hibásodik meg. Számítsuk ki a standard normális eloszlású X valószínűségi változó a) P { 0 < X < 1.13. szórásnégyzete .13).156 VALOSZINUSEGSZAMITAS V. Egy automata gép által gyártott alkatrészek átmérője normális eloszlású valószínűségi változó. d) P ( |X |< 1 ) valószínűségeit az 1.4. c ) P ( X > 1. Mekkora a hibás alkat­ részgyártás valószínűsége? a) Mi a valószínűsége annak.4.9. V.11. V. Alma osztályozásánál azt tapasztalták.4. Feladatok a 4.63.4. Igazolja.4. c) x = ~2.8. b) nagyobb vagy éppen 190 cm? V.02).96 valószínűséggel legyen köztük selejtes is? (A kiválasztott darabokat vizsgálat után azonnal visszatesszük. hogy a célt ~ -nál nagyobb valószínűséggel eltalálja? V.10. szórása 0. ha átmérője a várható értékétől 4%-kal eltér. V. a) Határozzuk meg p{ k\X) értékeit /c = 0. hogy 100 db közül 95% elsőosztályúnak minősíthető.

5.. Tétel. értékeihez pi. tetszőleges eloszlású X valószínűségi változó várható értékét és szórását jó közelítésben meg tudjuk adni. .^ iP i ^ Í= í X i> C X j> C = c X Pi = cP( X > c)..ÖTÖDIK FEJEZET Milyen következtetést vonhatunk le a nagy számok törvénye alap­ ján a kísérletsorozat eredményére vonatkozólag? A gyakorlat számos feladata olyan. Ha pedig X folytonos és sűrűségfüggvénye f{x). Ilyen problé­ mákkal kapcsolatos első eredmények már J. akkor P(X>c)<^^^.. p j . Bernoulli (1654-1705) halála után. X j> C amelyből már (1) következik. és ezen értékek alapján kívánjuk becsülni a változó megfigyelhető értékei és vár­ ható értékük eltérését. Ha X olyan tetszőleges nemnegatív valószínűségi válto­ zó. hogy az ismeretlen eloszlásfiiggvényü. . Ebben a fejezetben a valószínűség és a rela­ tív gyakoriság közötti összefüggéseket vizsgáljuk.1. valószínűségek tartoznak. X2 .. amelynek van várható értéke és c egy tetszőleges pozitív szám. c (1 ) Ui. ha X diszkrét valószínűségi változó megszámlálhatóan vég­ telen xi. A Csebisev-egyenlőtlenség 1. akkor az alábbi integrálegyenlőtlenségekből kapható (1): 4*00 -{-oo +00 M(X)= 0 xf(x)dx> c xf(x)dx> c cf(x)dx= c c f(x )d x = c P (X > c) . 1713-ban megjelent könyvében olvashatók. ak­ kor várható értékére a következő becslést kapjuk: M { X ) = ^ X i P i > Y .

P. (4) szerint pedig 0. M egjegyzések 1.160 VALOSZINUSEGSZAMITAS 5. hogy nagyszámú független kísérletet végezve a megfi­ gyelt érték a várható értékétől abszolút értékben szórásának legfel­ jebb kétszeresével tér el 0.2 r .M { X ) >k D{ X ) ) < 1 (2 ) P { M ( X ) . tétel feltételeinek eleget tevő X=(X-M (X)f es c = k^D^(X) helyettesítést elvégezzük.0331.2 D ( X ) . így a Csebisev-egyenlőtlenség alkalmazható az e = 44 értékre: >44 44^ Tehát legfeljebb 0.25. 2.. tehát annak valószínűsége 0. Feltesszük. hogy az X mekkora valószínű­ séggel esik egy adott intervallum belsejébe.1. Ha arra akarunk választ kapni. hogy legfeljebb mekkora valószínűséggel vesz fel a vál­ tozó 52-t vagy annál nagyobb értéket. hogy az X a várható értékétől abszolút értékben a szórás Á:-szorosánál többel térjen el. 2 ^ ^ ^ ^ \ ^ M ( ( X . hogy az X a várható értékének k D( X ) sugarú környezetébe esik. vagyis 25%. A Cí-e^wev-egyenlőtlenséget néha előnyösebb k D( X ) = e > 0 he­ lyettesítéssel 2 vagyis annak valószínűsége. A. valamint k > 1 tetszőleges valós szám. Negatív értéket nem vesz fel. szórása: D { X ) = 8. Ha az X tetszőleges valószínűségi változónak van várható értéke és szórása. hogy az eloszlás exponenciális? Megoldás egyenlőtlenséget kapjuk. r. a (2) formula értelmében annak való­ színűsége. Példa k ^ D ^ (X ) (5) . akkor a p({X-M(X)f>k^D 2 p(\X-M (XÍ>e)<J^Í-^ alakban használni. Ui. ha eléri az 52 értéket. 1821-1894 orosz matematikus). M ( X ) + 2 D{ X) ) intervallum­ ba esik.8 . . L. akkor a (2)-ből (3) komplementerének behelyettesítésével kapható (3) A z K a várható értéktől 5 2 . Mennyi a valószínűség pontos értéke.-nél nem kisebb annak valószínűsége. Mivel {X-M(X)f>k^D^(X) egyenlőtlenséggel ekvivalens az X .k D ( X ) < X < M ( X ) + k D( X) ) = = l .4 4 értékkel tér el.P( \ X-M(X)\ >kD(X))>l— y Ic (4) egyenlőtlenséget használjuk.M ( X ) >kD(X) egyenlőtlenséggel. így az eloszlásfüggvény értéke: = 0. akkor P { X . Tétel. ha feltesszük. Markov-egyenlőtlenségből (Markov. A Csebisev-egyenlőtlenség 161 Az (1) ún. így igazoltuk a (2) Csebisev-egyenlöűrnséget.0331 valószínűséggel veszi fel a változó legalább az 52 ér­ téket.M ( X ) f ] _ Legyen egy X pozitív valószínűségi változó várható értéke: M (X ) = 8. Ennek jelentése: 1---. A. 1856-1922 orosz matematikus) már könnyen előállíthatjuk a Csebisev-egyenlőtlenséget (Csebisev.75 valószínűséggel az ( M ( X ) . hogy X exponenciális eloszlású. Pl. h a a z ( l) egyenlőtlenségben az 1. legfeljebb -4 r. 2. Számítsuk ki.

A nagy számok törvénye A valószínüségszámításban nagy számok törvényeinek nevezzük a tételek olyan csoportját.. A nagy számok törvénye D ^ (X i+ X 2 163 + .+ X 2 + . akkor a nagy számok ún. {Nagy számok gyenge törvénye): Legyenek az X j. ha bárhogy választva az e > 0 számot. (1) >e < 11. m-mel jelölt várható értékük. Alkalmazzuk a Cí'e^wev-egyenlőtlenséget a binomiális eloszlás­ ra. X 2 .. Az X^. amelynél n > N számú kísérlet független megismétlésénél 1-hez k tetszőleges közel lesz annak a valószínűsége. ..+X^+.. . . X 2 . s így a Cíe^wev-egyenlőtlenség (5) alakját használva: . .162 tehát a keresett valószínűség 52 VALÓSZÍNŰSÉGSZÁMÍTÁS 5. eloszlásuk. e^n (3) ahol p = P{Á). Tekintettel arra.m > e )= 0 vagy lim p{ X „ .. ))+ Amint látható. mint a Cíeéwev-egyenlőtlenséggel kapott 0.2..+ X ^ ) = P {X > 5 2 )= \-F {5 l) = e « e ’ 0.p és — az A esemény relatív gya­ s mivel Xi . akkor az X _ -^1 ^ 2 + ••• + = 4 t D ^ ( X .m < E )= i.. q = p {a ) = 1 . hogy az esemény — relatív gyakorisága és p valószínűségének abszolútértékben vett eltérése kisebb egy előre megadott tetszőleges pozitív e-nál.0015 pontos érték lényegesen kisebb. Definíció.í ^ .0015. = D ^ (X i + D ^ ( X 2 )+ .. ha n minden határon túl nő. azaz lim p { x ^ .+ 0 ^ ( A : „ ) = n . hogy D ^ (X „ ) = D^ X.. az X n ~ X > £ egyenlőtlenség teljesülésének valószínűsége 0-hoz tart. az exponenciális eloszlás feltételezésével számított 0. hogy sztochasztikusan konvergál az X valószínűsé­ gi változóhoz.. azaz Hm P Í X ^ ~ X > e ) = 0 .. X ^ független valószínűségi változók.. akkor megmutatható.. X ^ . amelyek a valószínűségi változók és várható értékei közötti sztochasztikus konvergenciára vonatkoznak... Tétel. 5. a jobb oldal tart a 0-hoz. 3. .+ X „) = = — ( ns ) = — n " 1 . valószínűségi változók függet­ lenek. Bernoulli-féle törvényét kapjuk: k -tel jelölt szó­ számtani közép sztochasztikusan konvergál az m várható értékhez.. hogy van olyan N szám. valószínűségi változók sorozatáról akkor mondjuk. ha n minden határon túl nő. Megjegyzések 1. ezért korisága.+X..0331 felső korlát. Ha egy kísérletsorozat valamely A eseménye tetszőleges sok­ szor megismétlődhet.2. X 2 . 2. rásnégyzetük azonos.. így következik a tétel állítása.2 p \X n -m > e )< ne 2 ’ (2) amelyből n — > °o esetén.

164 VALÓSZÍNŰSÉGSZÁMÍTÁS V.) várható értéke.3 m szórással.14 0. Hány darabos tétel szállítására kössön szerződést a gyár.5.5. hogy a hibás kesztyűk relatív gyakorisága a megfelelő valószínűségtől legalább 0. hogy a kötél hossza legalább 1 m-rel eltér a várható 35 m-es értéktől? V.15 n 6 0. ha abban legfeljebb 12% hibás. Miként értelmezhető a Csebisev-GgyQnlöŰQnség és a nagy számok törvénye? .2. fejezethez V. hogy a 6-os dobás ™ valószínűségét annak V. A 3. fejezethez 1.02-nál na­ gyobb értékkel? q = l--^ = ^ 6 6 és 6 6 k _ l > 0. ■< 0.1.5.75 valószínűséggel 0. Hogyan becsüljük egy esemény relatív gyakorisága és való­ színűsége közötti eltérést? 3. Hogyan becsülhetjük a változó értékei és várható értéke kö­ zötti eltérést? 2. Példa Hányszor kell egy kockát feldobni. Legfeljebb mennyi annak valószínűsége.25.. hogy létezik az valószínűségi változók M ^ X f ) (i = 1. Ellenőrző kérdések az 5.25 Tehát 25-nél többször kell feldobni a kockát az adott feltételek mellett.5.14 n >■ • = 24.15" n amelyből kiszámítható az n értéke: 0.89 . 0.14 helyettesítéssel 6 V..14 0. Feladatok az 5.~ ~ ~ 0. E.25. ha a szórásnégyzet 0.15^-0. hogy 0. ha csak azt a feltételt kötjük ki.5. hogy az X pozitív valószínűségi változó legfeljebb mekkora valószínűséggel vesz fel legalább 70-es értéket. fejezethez 165 2..5.3. Egy gumikesztyűgyár termékeinek 10%-a hibás.1 Az egyenlőtlenség bal oldali valószínűségének 0.15-nál kisebb hibával meg­ közelítse. Ennek feltétele. Számítsuk ki.95 valószínűséggel ne térjen el 0. Feladatok az 5. hogy a kérdéses eseménnyel ellentétes esemény legalább 0. Egy kötélgyártó 35 m hosszú köteleket gyárt 0.14? Megoldás Jelentse A a 6-os dobás eseményét. A vevő csak akkor haj­ landó a leszállított tételt átvenni.2.15-nál kisebbnek kell lennie.85 valószínűséggel be­ következzék. ha M ( X ) = 20 és D { X ) = 20? 6 relatív gyakorisága legalább 0. A (3) képletbe p p q = . tétel akkor is igaz.

f :.''.r> l.-’ .'i' éh : \'.n f ' n Í K i^i^^uíúúsj fíi'r4 i A K ő'zcp -k Lr*.'.>J / í .i í .?kvaé'-^.í5> trwxVií--í:i‘f ..í ■ -f .r./ ^íS. F n / K : : .! I' ’ s . . ifil h c c '■ 'I■ :'> •• 111-’./„-’-’e ..r ' S ' f fllc.'Vo.-rs'-'uLi'’ fcj'V. í I k i !' t : i ÍC . ' | ! ! '.j “ í ■' a *í i. •i’ . i i 1 i v f .n n .k'Ae}ib r«c\.l ’ .*^l.-í a-irsí.! iííi>'.. ü -.:.í ‘ í i .-. ! ? • ./ " ' ‘rdi.J iíM iiiá !' •••■ A V'-'eld:-pf.!. •tj(-'V. / ..dUi. y í11■ :I. / n : ')■. «> )• ■:!:. í i - ''A ..'ifi_^/!t. ? = ..\ /eK-t'. £ '.

az eloszlásfüggvények paramétereire (várható értékére. stb. A matematikai statisztika feladata egyrészt az előbbiekben említett problémák kezeléséhez . Következtetései ún. Bevezetés Milyen tárgykörök tartoznak a matematikai statisztikához? A statisztika a tömegj elenségeknél észlelhető tapasztalati törvé­ nyek empirikus mérések általi feltárásával foglalkozó tudomány.) és társada­ lomtudománynak (gazdaságtudományok. RÉSZ A MATEMATIKAI STATISZTIKA ELEMEI ELSŐ FEJEZET 1. biológia. stb. a gép fizikai állapotától. valószínűségi ítéletek. Például egy darabológépet adott hosszúságú pálcikák előállítására állítottunk be. másrészt az adatokat szol­ gáltató kísérletek optimális tervezése. A matematikai statisztika a valószínűségszámítás egy önálló fe­ jezete. szórására) a lehető legtöbb információt nyerhetjük.) nélkü­ lözhetetlen segédeszköze. amely a megfigyelések és mérések eredményeiből az ún. stb. amelyeknek a bizonytalanságaiból fakadó hatásokat is szá­ mításba tudjuk venni.olyan módszerek kidolgozása. amelyekkel a jelenségek megfigyeléséből. a levegő hőmér­ sékletétől. A pálcikák. statisztikai adatokból következtet események ismeretlen valószí­ nűségeire vagy valószínűségi változók ismeretlen eloszlásfüggvé­ nyeire és ezek paramétereire. a pontos mérettől eltérő .II.1. amely elsősorban a valószínüségszámítás és a matematikai statisztika eredményeire és módszereire támasz­ kodik. demográfia. mérések útján előállított tapasztalati adatokból a keresett elméleti értékekre. Számos természettudománynak (fizika.-től függően.hosszabb és .

x^ méreteket kapunk. Glivenko. században rak­ ták le. F. A statisztikai mintavétellel szemben támasztott alapvető köve­ telmény. a gyártmánysokaságot (az alapsokaságot) minősítjük a bizonyos számú véletlenszerűen kiválasztott termék. Ebben a II. X 2 . M. R. Többször megismételve a mérést. A. hogy egy ismert eloszlású X valószínűségi változó milyen valószínűséggel esik egy adott intervallumba. amelyet statiszti­ kai mintának nevezünk. I. -nel. Pearson (1857-1936). x 2 . K. és a továbbiakban a tervezéshez az így meghatározott normális eloszlású valószínűségi változóval végezhetjük számításainkat. Alapjait a 18. A. Azok számára. amelyeknek tulajdonságait a matemati­ kai statisztika fogalmaival és módszereivel jól jellemezhetjük. Jordán Károly (1871-1959). a mezőgazdaság állatállománya. a korreláció. Az alapsoka- . A demográfiában és az ipari minő­ ségellenőrzésben M. A 20. Kolmogorov. T.2. S. A. a minta m inő­ sége alapján. é r t é k e k e t kapjuk. Vélet­ lenszerűen kiválasztunk n pálcikát. Osztrogradszkij (1801-1862) alkalmazta a matematikai statisztikát. Szmirnov és B.méretűek is lehetnek. akik a többi tárgykörrel is meg akarnak is­ merkedni. Tapasztalatból tudjuk. Gosset (1876-1937). S. csak a valószínűségszámítás Kolmogorov-féle megalapozása óta alakult ki. V. N. ■ ■ ■ . Statisztikai sokaságot alkotnak pl. A kapott mérési eredményekből statisztikai módszerekkel kiszámítjuk közelítően a várható értéket és a szórást.2. a faktoranalízis. az egyes megfigyelések eredményei. Student (eredeti neve: W. a valószí­ nűségszámítás témakörében olyan formulával adhattunk választ. értékeiket megbecsüljük. a szóráselemzés. a folyamatosan gyártott termékek összességét. A. bár egyes módszerei régebbi keletűek. az érté­ kek általában különböznek egymástól. Fisher (1890-1962). S. Gauss (1777-1855) és A. V. és a 19. 1. Hincsin. Általában alapsokaságnak nevezzük az egyedeknek azt a halmazát. A. amelyet a magyar származású Wald Ábrahám a döntés­ függvények elméletében egyesít és általánosít. L Csebisev (1821-1894). Statisztikai mintavétel Hogyan válasszunk mintát egy alapsokaságból? A továbbiakban statisztikai sokaságnak nevezzük az elemek (egyedek) olyan halmazát. hogy a pálcikák X hossza normális eloszlású valószínűségi változó. Jelöljük a sokaságból kivá­ lasztott n elemű mintát Xj. amelyben a várható érték és a szórás is ismert volt. az irodalomjegyzékben felsorolt műveket ajánljuk. M. hogy kidolgozták a hibaszámításhoz a legkisebb négyzetek módszerét. a becs­ léselmélet. ezért a vizsgálat céljára kiválasztjuk egy részét. A mintavétel azt jelenti. Kendall.. Pl. így pl. Bayes (1702-1761) módszert dolgozott ki az el­ oszlások meghatározására. azonos eloszlású független valószínűségi változók. J. népcsoportok egyedeinek öszszessége. melyeket lemérve x i . A matematikai statisztika elmélete és alkalmazása szempontjából jól körülhatárolható főbb fejezetei: a mintavétel elmélete. A matematikai statisztikában az ilyen típusú kérdésre csak akkor adhatunk választ. V. hogy az reprezentatív mintavétel legyen. melynek igen gyors fejlődését P. ha minden lehetséges mintának egyenlő valószínűsége van a kiválasztásra. melynek eredményeként X j . Neyman. P.--. Az elemek független kísérlet vagy megfigyelés ered­ ményei.170 A MA TÉMA TIK AISTA TISZTIKA ELEM EI 1. részben az első négy tárgykörrel foglalko­ zunk. N. században pedig K. így pl. Pearson. Ljapunov (1857-1918) és A. Arra a kérdésre. Laplace (1749-1827). különböző ágazatok által előállított termékek. A statisztikai sokaság egészének vizsgálata gyakran kivihetetlen vagy csak igen nagy fáradsággal és költséggel valósítható meg. Quetelet (1796-1874) munkássága segítette elő. a kísérletek tervezése és a hiba­ számítás. A matematikai statisztika modern elmélete. E. Legendre (1752-1833) a becsléselmélet megala­ pozását végezték el azzal. amelyből a mintavétel során a mintát vesszük. Statisztikai mintavétel 171 rövidebb . egy F{x) eloszlásfuggvényű változóra vonatkozóan n mérést végzünk. valamint az alkalmazás­ ban elért eredményei hozták létre a matematikai statisztika modern elméletét. Az egyes változók. Gnyegyenko kutatásai. V. X-szel azonos eloszlásúak és egymástól függetlenek. hogy a statiszti­ kai sokaságból véletlenszerűen többször kiválasztunk bizonyos szá­ mú elemet. Markov (1856-1922). D.és regressziószámítás. J. ha előbb az adatok alapján a várható értéket és a szórást közelítően meghatározzuk. a hipotézisvizsgálat. Általános ér­ telemben reprezentatív a véletlen mintavétel. A.

A második követelmény teljesülése biztosítja.n ) eredménysorozat általában nem azonos. Jelölje az X való­ színűségi változó a vízadagonként mért ólomtartalmat. n db véletlenszerűen kiválasztott gépalkatrész hosszára. egyenlő eloszlású valószínűségi változóknak tekinthetők. ha a mintaelemek eloszlása azonos és az alapsoka­ ságéval is megegyező. hogy hűen tükrözze azt a sokaságot. Az X j.. A matematikai statisztikában mintának nevezzük azoknak a számértékeknek a sorozatát is.X2 .1. stb. Több­ ször megmérve n vízadagot.. Pl. Ez elérhető.azok is valószínűségi válto­ zók. hogy az alapso­ kaság elemeinek elhelyezkedése véletlenszerűnek tekinthető. mintaelemekkel szemben fon­ tos követelmény.. kémiai kísérletek anyagaira vonatkozó független mérések eredményei. tehát . attól függően. hogy a véletlenszerűen kiválasztott mintaelemek re p re z en tá ljá k az alapsokaságot. A mintaelemek függetlenségének és az azonos eloszlásának biztosítására a kísérleteket.. szórására.1. Mivel a minta elemeinek kiválasztása véletlensze­ rűen történik. továbbá.2 .. . a minta elemei lehetnek termésbecslés esetén a véletlenszerűen kiválasztott n számú adott nagyságú terület terméseredményei. azt tapasztaljuk. hogy a minta elemei más-más értékeket vesznek fel. ekkor az nszer kimert vízadag méréssel kapott ólomtartalom értékei legyenek Xl.. X^2. fizikai. Pl. ilyenkor ún. A véletlen mintavétel legmegbízhatóbb módja a véletlen szám­ táblázat alapján való kiválasztás. mintaelemek a véletlen eseményre vonatkozó megfigyelési értékek. és az egyes rétegekből vesszük ki a minta meghatározott (általában arányos) részeit.•••> (1) n elemű mintát. Ez olyan mintavétel. az ország la­ kosságát nemek szerint két rétegre. hogy elegendő információt kapjunk a vizsgált valószínűségi változó el­ oszlására és egyes paramétereire. egyenlő eloszlású valószí­ nűségi változóknak tekintjük. súlyára. Gyakran az a követelmény.-re kapott számértékek. A statisztikai m inta jellem zői Legyen az X valószínűségi változó eloszlásfüggvénye F{x)... megfigyelé­ seket egymástól függetlenül kell végezni. stb. (Ha az alapsokaság elég nagy és a mintavétel reprezentatív vagy az alapsokaság elemei is független. hogy a statisztikai mintavétel csak bizonyos jellemzők szempontjából legyen reprezentatív.2. amelyek a kísérlet befejezése után n számú rögzített adatot jelentenek. hogy az .--. ilyen­ kor a mechanikus (szisztematikus) mintavétel is alkalmazható. a Tisza ólomtartalmának megállapításához a szennyezési idő­ szakban naponta többször bizonyos mennyiségű vizet kimernek és laboratóriumban meghatározzák ólomtartalmát. akkor az eseményhez rendelt X j vál­ tozó értéke 1 vagy 0 lehet. az elemek közül minden 30-adikat választjuk ki. Pl.■.. Előfordulhat. Az előállított statisztikai mintából következtetünk az X valószínűségi változó eloszlására. amelyek sorszámait a véletlen számtáblázatból kiolvastuk.) 1.. Például. és ezzel egy statisztikai mintát állítottunk elő. hogy az /-edik kísérletben az E vagy E következik be.mint említettük . Ekkor mondhatjuk azt. vagy kor szerint több rétegre osztjuk és az egyes rétegekből a részmintákat véletlen mintavétellel választjuk ki.172 A M ATEM ATIKAI STATISZTIKA ELEM EI 1. várható ér­ tékére.Xf^. ha a mintaelemek összességükben független valószínűségi változók. amelynél az alapsokaságot a mintavételt megelőzően bizonyos rétegekre (részekre) bontjuk. hogy P(Xi<x)=F{x) feltételnek /-tői függetlenül kell teljesülni. A statisztikai minta Jellemzői 173 Ságból kiválasztott Z ]. Z/n (í = l. Az első követelmény azt jelenti. A matematikai tárgyalás szempontjából a statisztikai mintavétel­ ből származó minta elemeit független. Te­ kintsük az X-re vonatkozó Z 2. A mintavétel alkalmával az alap­ sokaságnak azokat az elemeit választjuk ki. rétegezett mintavételt alkalmazunk. akkor az előbbi feltevés a valóságot jól megközelíti. X 2 . amelyből való és a lehető legtöbb információt nyújtsa az ismeretlen eloszlás­ ról. így pl. így nyilvánvaló. az X valószínűségi változóra vonatkozó n-elemü mérésso­ rozat rt-szeri elvégzésével kapott Xii. pl. X 2 . amelyet pl.2. ha valamely E esemény valószínű­ ségét akarjuk meghatározni. a minta elemein végzett mérések útján nyerünk.

2 . Definíció. A mintaelemekből alkotott statisztikák alapján tudunk jó in­ formációkat szerezni az eloszlás elméleti jellemzőire..174 A MATEM ATIKAI STATISZTIKA ELEM EI I..X : rendezett mintaelemek közül a médián: X * (4) ha w = 2m +1 páratlan szám (a (4) középső eleme) és (5) ha n = 2m páros szám.. A mintaátlag várható értéke az egész sokaság várható értéke. röviden statisztikák. i=l n (2) Definíció. A minta elemeiből kiszámított értékek a statisztikai függvények. (jfe = 1 . X-szel azo­ nos eloszlásúak és egymástól függetlenek. Az X változó (1) mintaelemei meghatározzák a tapasztalati{empirikus) vagy mintaeloszlást.... Az 0 < F„(x) < 1 tapasztalati eloszlásfüggvény monoton. . az í-edik rendezett mintaelem szintén statisztika. A (4) rendezett minta legnagyobb és legkisebb elemének R különbsége a mintaterjedelem (empirikus terjedelem) R -x :-X . sűrűségfügg­ vényére és azok paramétereire. ha X * < X képlettel határozzuk meg.. — pedig a relatív gyakoriságot. Azt is mondjuk. X^ véletlen minta F^(x) tapasztalati (empirikus) eloszlásfüggvényét az 0. nem k (7) eltérése (i = 1 . A statisztikai minta jellem zői 175 Xi. a mintaelemek által megszabott ugráspontokkal. a mintaterjedelem és a tapasztalati szó­ rás. amelyek közül a legfontosabbak a mintaközép vagy számtani közép. mintaátlagá­ nak vagy számtani közepének (empirikus várható értéknek) az n Az X.n) össze­ Ha az F(x) eloszlásfüggvényről feltesszük. Az (1) n elemű minta X mintaközepének. Xi < X '2 csökkenő. X 2 . a médián.. hogy a mintaelemek között két egyenlő érték nem fordul elő. ... Ekkor a minta elemeit nagyság sze­ rint rendezhetjük (jelölje ezeket Xj ). Az egyes mintaelemek X.< X*. azaz M( X ) = M( X). hogy a mintából kö­ vetkeztessen az alapsokaság (elméleti) eloszlására. Az X j . Mint a bevezetőben említettük a matematikai statisztika feladata. ahol k jelenti az x-nél kisebb mintaele(3) mek számát.. balról folytonos lépcsős függvény.. 1 ) 1. ha X < X ^ —. hogy az F„(x) lép­ csős függvény minden x helyen felvett értéke az X < x esemény­ nek a mintából számított relatív gyakoriságával egyenlő. azaz X (X i-x )= 0 . mintaelemek valószínűségi változók. 2 . Az X l^ X 2 ^ . ha X^ < X < X ^ 4. (6) IX i n képlettel meghatározott számértéket nevezzük.. Definíció.2 .. hogy folytonos. <.I.. amely a tapasztalati eloszlásfüggvénnyel vagy a gyakorisági eloszlással jellemezhető. Definíció.X gezve mindig zérus.. mint­ hogy az n számú véletlen mintaelem függvénye. ak­ kor 1 a valószínűsége annak.j.

176

A M ATEM ATIKAI STATISZTIKA ELEM EI

.2.1. A statisztikai minta jellem zői

177

Megjegyzés Igazolható a következő állítás: ha a minta elemei függetlenek és azonos eloszlásúak, akkor a minta tapasztalati eloszlásfüggvénye 1 valószínűséggel egyenletesen konvergál a megfelelő elméleti el­ oszlásfüggvényhez. Ha a mintaelemek n száma elég nagy, pl. n = 100, akkor olyan eloszlásfüggvényt kapunk, amelynek ugrásai kicsik 1 100 es Így

c) Kiszámítjuk az intervallumok Sí relatív gyakoriságait; d ) A z f I^''\ x ) közelítő tapasztalati eloszlásfüggvényt koordiná­ tarendszerben ábrázoljuk. (L. a 42. és a 46. ábrát.) A valószínűségi eloszlást is szemléltethetjük, ha a koordinátarendszerben minden (Xj_|;Xj) intervallum fölé /j-v e i arányos magasságú paralelogrammát rajzolunk. Ha a magasságot éppen g^ nek választjuk, akkor az ún. relatív gyakoriság hisztogramját kapjuk. Ha a koordinátarendszerben minden (xj_i;x,) részintervallum fölé gi Xí~Xi_^ (í = l,2 ,...,r ) (9) (í = 1 ,2 ,...,r ; g \+ g2+--- + gr =1)

ez a gyakorlat számára jól használható eloszlásfüggvény. Különösen nagy minták esetén a (7) tapasztalati eloszlásfügg­ vény helyett célszerűbb az

( 0,
i=\ 1,

ha X < Xq hax^_i < x < x f , , hsLXf < X ( k = \,!,■■■,r ) (8)

ún. közelítő tapasztalati eloszlásfüggvényt használni, amelynél az ugrás nagysága — helyett a gí relatív gyakoriság, ahol /,• az

magasságú téglalapot szerkesztünk, akkor az ún. sűrűséghisztogramot kapunk. A téglalapok területösszege 1; Í
i=l

(Xi_i ; Xi ] intervallumba eső mintaelemek száma. A (8) előállítása a következő lépésekből áll: a) Az Z j, X 2 , mintából kikeressük a legkisebb x \ = a,

y-y
í '“ 1

=
i=l

Ha téglalap helyett csak az x tengellyel párhuzamos egyenes sza­ kaszokkal készítjük el a gráfot, akkor az f ( x ) elméleti sűrűség­ függvényt közelítő f y( x) tapasztalati sűrűségfüggvényt kapjuk. Az így kapott ábra jellegzetes pontjait egy folytonos vonallal, ún. burkoló görbével összekötve, az f { x ) elméleti sűrűségfüggvény jellegére következtethetünk (44. ábra).
Példa Egy présgépen d = 2A mm átmérőjű korongokat kell gyártani. A korongok vélet­ lenszerű fizikai hatások következtében d értékétől eltérő átmérőjűek is lehetnek. Az elkészült korongok közül 35 db-os mintát lemérve 23,80 mm és 24,20 mm közötti értékeket kaptunk. 0,08 mm-es osztályközöket képezve megállapítottuk a gyakorisá­ got, majd kiszámítottuk a relatív gyakoriságokat, azok összegét és a sürüséghisztogramhoz a téglalapok magasságát. Ábrázoljuk az empirikus eloszlásfüggvényt,

és a legnagyobb X* = ^ elemet, és Xq = a, Xj, X2 , ..., x^. =b osztó­ pontokkal az (a,b) intervallumot r egyenlő (vagy nem egyenlő) rész­ re osztjuk, ún. osztályközöket képezünk. Pl. az osztályközök r számát yfn -hez legközelebb eső egész számmal adjuk meg, de szükség szerint változtathatjuk az osztályközök számát, hosszát. Fontos, hogy minden osztályközhöz tartozzék mintaelem. b) M egállapítjuk az egyes intervallumokba eső mintaelemek szá­ mát, azaz az egyes intervallumok gyakoriságát, az / i , / 2, •••, fr értékeket, amelyek összege f i + f
2

+ ... + f r = n\

178

A M ATEM ATIKAI STATISZTIKA ELEM EI

1.2.1. A statisztikai minta jellem zői

179

a sürűséghisztogramoí és a közelítő tapasztalati sürüségfüggvényt a táblázatba fog­ lalt adatok alapján. Osztályközök: i 1 2 3 4 5 0,08 mm 23,80-23,88 23,88-23,96 23,96-24,04 24,04-24,12 24,12-24,20 Gyakoriság: /,■ 2 7 15 8 3 V í Megoldás Az empirikus eloszlásfüggvény 23,80-nál kisebb ;n;-ekre 0-val egyenlő, távolságú, az x tengellyel pár/=i Relatív gyakoriság: Si 2/35 7/35 15/35 8/35 3/35 —35 _ j i 2/35 9/35 24/35 32/35 35/35

Si 0,08 0,7 2,5 5,36 2,86 1,07

majd 0,08-os intervallumonként x tengelytől

/
huzamos egyenes szakaszokkal alkotott, balról folytonos lépcsösfúggvény (interval­ lum felosztásnak az osztályközepeket vettük, 42. ábra). A sürüséghisztogramot intervallumonként az .í tengelyre merőlegesen álló

0,08

magasságú téglalapok alkotják (43. ábra). Az f j^ ix ) tapasztalati sűrűségfüggvény és a közelítő burkológörbe normális eloszlást mutat (44. ábra).

35/35=1 32/35

A minta jellemzésére fontos mutató a tapasztalati (empirikus) vagy mintabeli szórásnégyzet és szórás, valamint a tapasztalati momentum. A tapasztalati szórásnégyzet s , a mintaelemek mintaközéptől való eltérései négyzetének számtani közepe, azaz

0

23,84 23,92

24

24,08 24,16

x
- 2
?

- 2

42. ábra. Az F$s(x) tapasztalati eloszlásfüggvény

n

~

n

(10)

180

A MATEM ATIKAI STATISZTIKA ELEM EI

i.2.7. A statisztikai minta jellem zői

181

A (10) helyett kis n számú minta esetén (n < 10), az ún. korri­ gált tapasztalati szórásnégyzetet használjuk: 'L (X i-xy
n~l

képlettel számítjuk, ahol

az egyes osztályközök osztályközepe, k
k

az osztályközepek (ill. a ténylegesen különböző xi értékek) száma és

(11)

i=\ 2. A tapasztalati szórás és a mintaközép hányadosát, az = ^,

A tapasztalati szórásnégyzet is, és a korrigált tapasztalati szórás­ négyzet is véletlentől függő változó. Bizonyítható, hogy a korrigált tapasztalati szórásnégyzet várható értéke az X valószínűségi változó szórásnégyzete, azaz
2 2

X >0 statisztikát, relatív szórásnak (variációs tényezőnek) nevezzük. 3. Az (1) mintához tartozó A:-adik tapasztalati momentum, kiszámítását az

Nagy mintaelemszám esetén az 5 nyagolható. A tapasztalati szórást az

és s *

közötti eltérés elha­ ill. a

mj , =~ { X f ^ + x \ + . . . + x '^ ), centrális momentum kiszámítását 'Lfi(Xi-X)

( k=2, 3, . . . )

(16)

.= 1

i=\

( 12)

a korrigált tapasztalati szórást pedig képlettel végezzük. Ha a ú? osztályköz nem egységnyi, a (16) helyett a
i=\

- i
képlettel számítjuk ki.

n~l

(13) Mt,, =

S /i
n

(17)

Megjegyzés 1. Osztályközök képzésekor, ha a minta elemei adottak az osztályközökben, akkor a mintaátlagot
k

formulát használjuk a ^-adik centrális momentum kiszámítására. A gyakorisággal

(14) a tapasztalati szórást, ill. a korrigált tapasztalati szórást 'L fr(^i-x f — ------------------ , ill. S* =
i=l
n-l

hányadost, azaz a harmadik centrális momentum és az empirikus szórás harmadik hatványának hányadosát empirikus ferdeségi együtthatónak, a

(15)

7 2 = ^ - ^ = ^ -------- 4s n- s

-3

2 . h a x > 3 . (k^h2. 6.5 -2. p = — -hez tartozó alsó (negyedrendű) kvantilis az első esetben 'Z S i i 1/26 4/26 8/26 13/26 18/26 22/26 25/26 26/26 [np\ az np szám egész (0. 15. a rendezett minta elemei 1 . ahol része. b) a közelítő tapasztalati eloszlásfüggvényt.^ a második esetben.8 í ’ h a <x<x^. és számítsuk ki c) a mintaátlagot.2 . amelynél kisebb a mintaelemek \00p% -a (0 < p < 1).-2 ) ( . Tegyük fel. jy. 10. ..5 2.5 0. A statisztikai minta jellem zői Megoldás Először kiszámítjuk és táblázatba foglaljuk a szükséges részeredményeket. 12. 4. 14. Az elkészített pálcika hossza legyen az X valószínűségi változó. 1 . 14. ábra): 4 elemet tekintjük. 7. Osztályközök: mm (^ .1) (1. ezért intervallumonként a Az alsó kvantilisnek mindkét esetben az magasságú téglalapok ad­ ják a hosszúságeltérés sűrűséghisztogramját (45.2 . 17 akkor a.l) (-1.5. 13. lő ill. a 3. h a x < -3. 6.5 3. A pálcikák hossza az adott hosszúságnál nagyobb is. a) Mivel Xj . 5. ábra. Sűrűséghisztogram b) A közelítő tapasztalati eloszlásfüggvényt az 0. + 1 = [4]+1 = 4 + 1 = 5. A rendezett minta p-edrendű kvantilise az a mintaelem. 12. 9. 10. 5. 8. a ±1 és 0 mm közé pedig 5-5 esett. = 1. 46. pontot). 15. 3. í=i 1. 16.25]+1 = 4 + 1 = 5. Tehát a mintaelemek — része. (Intervallum felosztásnak az osztályközepeket vettük. vagyis ez az elem a rendezett minta [np\ + 1 -edik eleme.2) (2. 3..4) M +l = + 1 = [4. azaz 100 — = 25% -a kisebb.5 Gyakoriság: . a ±2 és ±1 mm közé 4-4. (3. .5 képlet definiálja. hosszeltérés —— ► [mm] 1 2 3 45. 13.3) M + l = 16. mint 4 4 5/26 4/26 3/26 Példa Egy automata darabológép adott hosszúságú pálcikákat készít.-0) Osztályközép Xj mm -3.5 -0. a ±3 és ±2 mm közé 3-3. Ha pl.3. 7.-3 ) (-3 .5 -1. Szerkesszük meg a) a hosszúság eltérés sűrűséghisztogramját. -3 -2 -1 0 2/26 1/26 9i x .182 A MATEM ATIKAI STATISZTIKA ELEM EI I. ábra.= 5 .1. 9. Y . 11.5 1.x.) .2 .-_.fi 1 3 4 5 5 4 3 1 I //= 2 6 Relatív gyakoriság: Si 1/26 3/26 4/26 5/26 5/26 4/26 3/26 1/26 ' L s i =1 183 formulát pedig a lapultság em pirikus m érő szám ának nevezzük (1. d) a korrigált tapasztalati szórást. kisebb is lehet.I. 8. 4. 11. hogy n = 26 mérést végezve a méreteltérések számát mm-es intervallumonként rögzítettük: a ±4 és ±3 mm közé 1-1.

(25)^ +(a5)^ ! ~ ~ 25~ —— _ 163-243 244-323 324-403 404-483 = ~ 1>82 mm.184 A MATEM ATIKAI STATISZTIKA ELEM EI £. Hogyan definiáljuk a tapasztalati (empirikus) eloszlásfügg­ vényt? 7.5) + 4 ■ 1. fejezethez 25/26 2 2 / 2 6 .. Az tapasztalati eloszlásfüggvény c) A mintaátlag. fejezethez S .5 — 26 amit a hosszúságeltérés szimmetrikus volta miatt közvetlenül is beláthatunk. mivel az egyes osztályközepet /. p18/26 f -913/26 --■ 8 /2 6 J ..i 4/26 '26 1/Í26 !26 I— f— I -1. Hogyan határozható meg a matematikai statisztika. ezért k x = i ^ ---------.(-0. Milyen követelményeket támasztunk a statisztikai m intavétel­ lel szemben? % 2.5 hosszeltérés ------.l ...5 +1 ■ 3.5 -2..-szer veszi fel a változó.5)^+5' (0.5 + 3 ■2.5 -0..5 1.5)^ +4.5)^+3. Mit nevezünk korrigált tapasztalati szórásnégyzetnek és szó­ rásnak? 6. 484-563 564-643 644-723 724-803 804-884 . valamint feladata és tárgyköre? 2.l . A vizs­ gált 142 vagonnál tapasztaltakat a következő táblázatba foglalták: Meddömennyiség: kg (osztályközök) Gyakoriság (vagonok száma): . Mit nevezünk sokaságnak és mintának? 3..(-1. /.5)^ +5.5) + 5 ■(-0. Hogyan szerkesztjük meg a sürüséghisztogramot? 46.= _ 1■ (-3.5) + 4 ■(-1.► [mm] o-3. ábra. A szénosztályozóba érkező vagonokból véletlenszerűen kiválasztanak egyet-egyet..5)^ +3 (-2^^+4.5) + 3 ■(-2..l.5 3.fi 8 19 23 27 18 15 12 12 8 n -l _ [(-3..5 O ' o. Melyek a statisztikai minta jellemzői? 5.5 4.l.. fejezethez 185 E . és megmérik a kiválasztott vagonban levő meddő mennyiségét.. Feladatok az 1. . d) A korrigált tapasztalati szórás: =0 S .(1. Ellenőrző kérdések az I...5) + 5 ■(0. Ellenőrző kérdések az 1.5 1 1.

d) a korrigált tapasztalati szórást. osztályhatárok cm^ Osztályközép ___3 Gyakoriság fi S. és számítsuk ki c) a mintaátlagot. Véletlenszerűen 25 db-ot kiválasztva. korrigált szórását.1. az alábbi mérési eredményt kaptuk: Osztályközök 10-11 11-12 12-13 13-14 14-15 Gyakoriság 1 5 13 4 2 -2 .5 -0 .8 mm szélességű alkatrészek gyártására egy olyan daraboló gép került beállításra. b) A z elemek hány százaléka felel meg az előírt pontosságnak? a) a folyadékmennyiség-eltérés sűrűséghisztogramját. amely 12. A 31 elemű véletlen minta alapján végzett vizsgálat eredményét a következő táblázatba foglalták: Osztályhatárok: kg 470-480 480-490 490-500 500^510 510-520 520-530 Gyakoriság: f] 1 4 10 10 4 2 . b) a tapasztalati eloszlásfüggvényt.1.8 ±1 mm pontossággal készíti az elemeket. és számítsuk ki c) a mintaátlagot.L Feladatok az I. Mennyi a valószínűsége annak.5 a) Számítsuk ki az adatok átíagát.186 Szerkesszük meg A MATEM ATIKAI STATISZTIKA ELEM EI S.4. A palackokba . b) a tapasztalati eloszlásfüggvényt. Egy automata palacktöltögép cm^ -ben megadott mennyiségű folyadékot tölt a palackokba.5 2.3) Szerkesszük meg 0. A palackok tartalmát 12 elemű véletlen minta alapján ellenőrizték és a vizsgálat eredményét osztályba sorolással a következő táblázatba foglalták: Folyadékmennyiség eltérés. Egy homokbánya markolója által kiemelt homok kg súlyát véletlen kivá­ lasztással 31 esetben lemérték. hogy 485 kg-nál kevesebb homokot markol a gép? 187 a) a mérési eredményekhez tartozó sűrűséghisztogramot.3.5 1 (0 . hol kevesebb kerül. S. relatív szórását.2) (2.véletlenszerűen . Az X valószínűségi változó jelölje a palackba töltött folyadékmennyiséget.5 -1 .1. fejezethez Szerkesszük meg a) a súlyeltérés sűrűséghisztogramját.5 1. hogy a folyadékmennyiség-eltérés 1 cm^ -nél na­ gyobb legyen? S.2. 12.az adott folyadékmennyiségtől eltérően hol több. Mi a valószínűsége annak. b) a közelítő tapasztalati eloszlásfüggvényt.1) (i. d) a korrigált tapasztalati szórást.

Mi ebben a pontban két. f ( x ) tehát függ az m és < 3 értékektől. _ {x -m f f(x)=' 1 - ahol m és G ismeretlen paraméterek. vagy eloszlása azzal közelíthető.1.elméleti meg­ fontolások vagy mérések alapján . ha pedig egy olyan inter­ vallummal. akkor intervallumbecslésről beszélünk. akkor pontbecslésről beszélünk. melyet alakban jelölünk.hogy egy X valószínűségi válto­ zó pl. egy fizikai mennyisé­ get olyan mérésekből kell meghatároznunk amelyek véletlen hibát tartalmaznak. más szóval becslésével foglalkozunk. A sűrű­ ségfüggvény ekkor. 2. Ha valamelyik ismeretlen paramétert egyetlen számértékkel be­ csüljük. A statisztika alkalmazása során tudjuk. A pontbecslés módszere A pontbecslés módszereit részletesen ismertetik az irodalomjegy­ zék művei.MÁSODIK FEJEZET Statisztikai becslések Melyek az ún. normális eloszlású. . jó becslés feltételei? Ebben a fejezetben a valószínűségeloszlások ismeretlen adatai­ nak. paramétereinek a mintából való közelítő meghatározásával. akkor általában a feladat megoldásához egy valószínüségeloszlás egyik jellemző paraméterének becslését kell elvé­ geznünk. paraméter becslésére használ­ ható képletet adunk meg. Ha pl. amely nagy valószínűséggel tartalmazza az ismeretlen paramétert. amelyeket a statisztikai mintá­ ból kell becsülnünk. mint ismert. .

. akkor a =Z ? . amelyre teljesül hogy P{ \ b i ( X i . hogy b^ az anak erősen konzisztens becslése. . állandók becslését a mintaelemek bi=bi(X^... X^) torzítatlan becslés és szórásnégy­ zete n növekedésével 0-hoz tart. X j .X 2. X 2 ...1. . továbbá a mintaelemek korrigált tapasztalati szórásnégyzete (4) torzítatlan becslés az elméleti szó­ rásnégyzetre. .. 2. . .(A-.. Ha M Í p i { X i .X^) értékek átlaga a paraméter valódi értéke körül ingadozzék. Ű 2 = 0 ^ (X ) = Í* ^ = — Hogyan juthatunk jó becslésekhez? Erre a becsléselméletben ki­ dolgozott.X ) 2 (4) n -l korrigált tapasztalati szórásnégyzettel végezzük. vagyis minden pozitív e-hoz és 5-hoz található olyan N szám.... .. A (2) függvényeket az ül paraméterek statisztikai becsléseinek nevezzük. X 2 .X2. az exponenciális.{X„X2... Hatásosság (efficiencia): A becslést hatásosság szempontjá­ ból akkor mondjuk jónak. X 2. A becslés H f hatásfokán (effícienciáján) az összes lehetséges becslések szórásnégyzetei alsó határának és a kérdéses becslés szórásnégyzetének hányadosát értjük. ha elegendő nagy n esetén b^ = b i ( X i .. azaz a melyre 0< H ^ < 1 egyenlőtlenség teljesül. X^ ) statisztikát va­ lamely a paraméter torzítatlan becslésének nevezzük.. akkor azt mondjuk. Az a becslés a leghatékonyabb (legeffídensebb). Elégségesség: Ha a bi =bi (X]^. . amelynek szórásnégyzete minden más torzítatlan becslés szórásnégyzeténél kisebb.190 A MATEM ATIKAI STATISZTIKA ELEM EI 2.. hogy a\ az X változó ismeretlen várható értéke és ű 2 pedig az ismeretlen szórásnégyzete. X 2 . 4. Tegyük fel pl. azaz M(fo. X2.. : hányadost. . Pl. A (3) és (4) becs­ lések helyessége a nagy számok törvényei alapján igazolhatók... akkor a becslés torzított. ha a b^ =Z?j(X j. X 2 . X ^ ) ) ^ a . .. A pontbecslés módszere 191 Ha az X valószínűségi változó eloszlásfüggvénye k számú isme­ retlen paramétertől függ: F {x\a\.ai^) és az X-rc vonatkozó n számú mérés eredménye X^. Konzisztencia (megegyezés): A bj statisztika sorozatot va­ d függvényei. X 2 . . Torzítatlanság: Egy bi = b i ( X i . . alábbi követelmények adnak választ: 1.. X 2 . ak­ kor a bii becslést hatásosabbnak (efficiens becslésnek) nevezzük. hogy a méréssorozatonként ingadozó bi=b. ha a D ^{bn)< D^{bi 2 ).a2. . X^ ) becslés a mintaelemekből nyerhető minden információt megad a kérdéses paraméterre vonatkozólag. akkor ezek becslését álta­ lában az (3) mintaközéppel. . Minden eloszlás esetén a mintaelemek mintaközepe (3) torzí­ tatlan becslés a várható értékekre. Ha a bi = b i ( X i . X^) (2) (1) X ^. ... akkor az ismeretlen ű. ) statisztikai függvényt elégséges becslésnek vagy elégséges statisztikának nevezzük.. statisztikái segítségével végezzük. . lamely a paraméter konzisztens becslésének nevezzük.a \ > e ) < ő . ill.X „ ) statisztika ingadozása megfelelően kicsiny. Ez azt követeli meg. ha n > N. . ... . . . az É ( X .valamint a Powjon-eloszlás várható értékére a mintaközép (3) elégséges becslés. M egjegyzések 1. 2. . X ^ ) nagy valószínűséggel jól megközelíti a paraméter értékét. ha várható értéke a-val egyenlő. . 3. X„) ) = a.-(X j.---. X ^ ) . A normális-.

a ) .. L = J J p ( X i .192 A M ATEM ATIKAI STATISZTIKA ELEM EI 2. Tegyük fel. feltéve..■f(x^^.5 lépéstávolsággal és keressük ki a legnagyobb értékhez tartozó p értéket.. Ekkor a maximum-likelihood módszer szerint az a para­ méter becslésének az mintaeiemeknek azt az n á = á { X i . Feladat. és tékek gyakorisága. Fisher 1922-ben megjelent cikke tár­ gyalja részletesen. .. .2..1. pont (7) ill. X 2 . azaz d ln L da =0 (3) .X „ az adott minta. 2.. amely az ismeretlen paraméter legjobb becslését adja az adott információk mellett.1. akkor a lokális szélsőértékek közül választjuk ki az abszolút maximum helyet.. (8) képletével. amelynek segít­ ségével az ismeretlen a paramétert becsülni akarjuk. Ha a (3) egyenletnek több gyöke van. A mintaelemekböl a teljes eloszlásfüggvényt az 1.a)■.X 2.. valamint ha van az a paraméternek elégséges becslése.d Y ' ..a) i=l egyenletből meghatározni az d értékét. 3. ^ 2..1. A többváltozós függvény szélsőérték-számítási eljárásának al­ kalmazásával több paramétert tartalmazó valószínűségeloszlás ese­ tén is alkalmazható a maximum-likelihood módszer.x „ számok a mintaelemeknek a kísérlet során mért értékei.) = p( xi ..4-töl 0.1.1. hogy a vizsgált minta x j. a) (i = l. b) Tegyük fel. A maximum-likelihood módszer A maximum-likelihood (legnagyobb valószínűség) módszerét jól alkalmazhatjuk annak a statisztikának a meghatározására. Ekkor a likelihood-függvény. A. bár már korábban is alkalmazták. hogy a maxi­ mum létezik és egyértelmű. A maximum-likelihood módszer 193 3. Példa a) Vizsgáljuk meg. ezért a (2) szorzatfüggvénynél célszerűbb a függvény logaritmusából számítani a szélsőértékhelyet. 2.■.2 .. Mivel egy függvénynek és logaritmusának a szélsőérték helyei meg­ egyeznek. Diszkrét valószínűségeloszlás esetén is alkalmazható a maxi­ mum-likelihood módszer. hogy maximum-likelihood becslés konzisztens és nagy n értékekre közelítőleg minimális szórású.. hogy egy binomiális eloszlású statisztikai sokaságból vett 25 ele­ mű mintának 17 eleme az előírt tulajdonságú. melyre az i= l szorzat a lehető legnagyobb értéket veszi fel..m ). Ha az isme­ retlen a paramétertől függő eloszlás mintaelemeinek közös sűrűség­ függvénye f i x . akkor a független mintaelemek együttes sűrű­ ségfüggvénye f{x■^.9-ig 0. Ha az a paramétert a maximum-likelihood módszerrel számí­ tott d -val becsüljük. A gyakorlat szempontjából elegendően általános feltételek mellett kimutatható. Számítsuk ki a valószínüségértékeket 0.a)=Y[f(x^.. akkor maximum-likelihood módszerrel ennek valamely függvényét kapjuk. hogy X i. akkor az a valamely g{a) függvényének maximum-likelihood becslése g(d) (invariancia tulajdonság). tehát az L =Ylf(Xi.. hogy a 0 < p < 1 intervallumban folytonos L(p) = függvénynek hol van maximuma. i= \ ahol P {X = X.. akkor e paraméter mellett van a legnagyobb valószínűsége annak. (1) ahol x i. A statisztikai sokaságban az előírt tulajdonságú elemek arányát akarjuk meghatározni.x 2.. . Megjegyzés az x^ mintabeli ér­ 1. X függvényét nevezzük. Ha az a paramétert d -val becsüljük. értékeit figyeljük meg. sürüséghisztogrammal végezzük. A módszert R.a)■f{x2^. a becslését pedig a tapasztalati sürűségfüggvénynyel ill.a) (2) í=l egyparaméteres függvény szélsőértékének meghatározása.

003121 0. A feje­ zetben a várható értékre és a szórásra vonatkozó 100(1. és az így kapott egyenletet oldjuk meg p-re: dUp) J dp / / (1.160742 0. p 0. hogy az a paramétert egy olyan interval­ lummal becsüljük./? megbízhatóság tehát azt jelenti.017495 0.119980 0. mivel ebben az intervallumban az L {p ) függ­ vény alulról konkáv. .55 0.p ) és az n-k k__n~k P ■ (-1) = i-p n-k^ =0 \-p egyenletből a megoldás: a p raaximum-likelihood becslése. .032233 0. ahol p egy 0-hoz közel eső kis valószínűség. akkor paraméter konfidencia-intervalluma (megbízhatósági interval­ luma) \ .68 = 0.pr-^ p '( i. Konfidencia-intervallum 195 függvény első p-szerinti deriváltját.75 0.124056 0. de általában az in­ tervallum is hosszabb lesz. .65 0. nűséghez található olyan bi = b i { X i . hogy az a rögzített ismeretlen paraméter értéke valamely {a^.070133 0.p megbízhatósággal. hogy a intervallum 1 .194 Megoldás a) Képezzük az L {p ) A M ATEM ATIKAI STATISZTIKA ELEM EI 2. akkor nagyobb megbízhatósági szintet kapunk.60 0. Ha változatlan mintanagyságnál csökkentjük a p értékét. ü 2 ) intervallumba esik. .80 0.2. . Xnl p) statisztikai függvény.p valószínű­ az a X ^ mintáját.p) % -ot a megbízhatóság szintjének.p) % -os konfidencia-intervallumának. . intervallum hossza n növelésével Vn arányban csökken.4 0. 6 8 pott értéknél található. és tegyük fel. Az olvashatjuk az ismeretlen p értéket közelítő p -t.2.70. Ezt úgy is mondhatjuk. tegyük egyenlővé 2. Ha egy adott 1 .011523 0.165080 0. X 2 .70 0.p valószínűséggel lefedi az a para­ méter értékét.p valószí­ nullával. azaz p = 0.001804 relatív gyakorisággal ka­ A maximum közelítőleg a p = 0 . amely \ . X ^ \ p ) és b2 =b 2 Í X i . Definíció. Az 1 . . .p) % -os konfidencia-intervallum meghatározásával foglalkozunk még. amely előírt valószínűséggel tartalmazza az ismeretlen paramétert.50 0.062349 0. X^ . X 2 . és 100p% bán nem.45 0.p)% -ában tartalmazza az intervallum. hogy a mintaelemek két statisztikai függvényével megadunk egy intervallumot. hogy nagyszámú mintavétel esetén a paraméter pontos értékét az esetek 100(1 . . és tekintsük az X vál­ tozó n elemű X |. a 100(1.90 V(P) 0. Í25' b) A v{ p) = 17 értékeket kiszámítva a táblázatból közelítőleg ki­ séggel tartalmazza az a ismeretlen állandót. 7 0 0 . Rögzített megbízhatósági szinten az intervallum szűkítéséhez a mintaelemszám növelése szükséges.85 0. Legyen az X valószínűségi változó eloszlásfüggvénye F(x\ a). Ezt az intervallumot az a paraméter 100(1 . Konfidencia-intervallum Gyakran az eloszlásfüggvény valamely paramétere pontos értéké­ nek becslése helyett megelégszünk azzal. az intervallum kezdő és végpontját pedig konfidencia határoknak is mondjuk.

X ^ minta alapján.1. ami azt jelenti.V « <u„ (3) (4) X -Up — j= < a < X +Up . Az a várható értéket X = becsüljük.196 A M ATEM ATIKAI STATISZTIKA ELEM EI 2. Az Up értékét az l . Mivel 1.1. táblázat alapján meghatározhatjuk. ui.p valószínűséggel érvényesek a következő egyenlőt­ lenségek: -Up < X-a . + X. ha az intervallumbecslést elég sok mintán elvé­ gezzük. hogy az X valószínűségi változó eloszlása (eloszlásfüggvénye) az a paramétertől függ.p)% szintű konfidencia-intervallum. (5)-ből következik.^ ismeretében az Up értéke a táblázatból visszake­ reshető. X 2 .p amely n növekedésével nullához tart. Kimutatható. . A konfidencia-intervallumot te­ hát célszerű 0-ra szimmetrikusan {-Up\Up) intervallumként elő­ állítani úgy. . Határozzuk meg az a paraméter konfidencia-intervallumát az Xre vonatkozó X]. hogy az X szintén normális eloszlású valószínűségi változó. akkor az <d rn egyenlőtlenségből a minta szükséges elemszámának nagyságára az n> u 2 egyenlőtlenséget kapjuk. CT (1) . Tévedésünk pedig lQQp% értékkel becsülhető.a). ekkor (t-ay P (X < x ) = F(x.p valószínűséggel esik ebbe az intervallumba.j = yjn ezért az m várható értékre (az a paraméterre) az 1 V27TC7 rn 4~n (5) mintaközéppel intervallum egy 100(1. A várható érték becslése 197 2. azaz P{ X <x ) = F(x. Ha előírt megbízhatósági szinthez megadjuk. . ■^n<Uj . hogy X-a legyen.^ . sz. (2)-ből (2) r . tehát az X-a u =■ 4~n egy az y-tengelyre szimmetrikus standard normális eloszlású valószínűségi függvény..2. ) = \ .2.p = 2^(Up)-l egyenletből az 1. a) = és így az 1 . amelynek várható értéke: M ( X ) = a és szórása az n . A várható érték becslése Tegyük fel.D ^ ( X ) = a ^ összefüggésből D ( X ) = . a) Legyen X egy normális eloszlású valószínűségi változó ismert a szórással és ismeretlen a várható értékkel. ■ ■ ■ . azaz G ~ _ _ X i + X ^ + .2 (6 ) . hogy a konfidencia-intervallum félhossza legfeljebb d legyen. hogy az X és az m eltérésének abszolút értéke legfel­ jebb az intervallum hosszának a fele. hogy az m várható érték l .

Pl. táblázatát. Z j. hogy a statisztikai minta elemszáma nem elegendő a paraméter kielégítő pontosságú becslé­ séhez. ha 25 mé­ rés mintaközepe 8. Az m tehát 95%-os valószínűséggel esik a (8. 1 . A 4.?)% szintű konfidencia-intervallum. Z?)Ha y. akkor arra következtethetünk. 8.4784. 8.9 s o r 6 .2 cm.96.9 7 5 0 . Megjegyzés A továbbiakban a gyakorlati feladatok megoldásához felhasz­ náljuk a Student-eloszlás 4.m ^= V n™ — (9) valószínűségi változót kapjuk.p valószínűséggel esik az * ( 11) valószínűségi változó eloszlását n szabadságfokú. 9 7 5 0 é r té k a z 1 . azaz t értéke l . A várható érték becslése 199 Ha a konfidencia-intervallum a számunkra elfogadhatónál na­ gyobb.4 cm. akkor a a helyett az 5* korrigált tapasztalati szórást helyettesítve az u kifejezésébe a f~ X . Ez viszont (9) figyelembevételével azt jelenti. táblázat a í-eloszlás értékeit tartalmazza adott %-ú statiszti­ kai biztonság és adott n-számú mérés esetére. ségi változók. és szórása 0.1.9 6 ■ 02 V25 . A (4) formula értelmében az X valószínűségi változó m várható értékét lefedő intervallum. Az 1. valamint a (khi-négyzet)eloszlás 3.2.p egyenlőség.4 v a g y is. Up értéknek megfelelő konfidencia-intervallumot. . 8 . bővíteni kell az adathalmazt.3216. X 2.4784) konfidencia-inter­ vallumba. Tehát ismeretlen szórás esetén a várható értékre ez lesz a 100(1-. Megoldás A = 95% -O S v a l ó s z í n ű s é g i s z in t n e k csak r t . teh át 1. hogy m értéke l .1) eloszlású valószínű­ intervallumba. akkor a 4nY (7) független. táblázat) adott p-hez meghatározható a tp szám. amely egy n . Számítsuk ki az m r /W = nn n+l / n \ +1 n+\ (8) várható értéke: létezik. t á b lá z a t b a n a 0 . szórásnégyzete: M (X ) = 0.2 ’ n > 3 -ra p - 0 . teh á t = = létezik. = sz.9 6 • 02 V25 < m < 8. táblázatát.4 + 1 .3 2 1 6 < m < 8. sz.198 A M ATEM ATIKAI STATISZTIKA ELEM EI 2.o s f e j l é c ű o s z lo p á b a n v a n .vagy í-elosziásnak nevezzük. A (8) sűrűségfüggvény n növekedésével az 7V(0. amelyre teljesül a p{-l. Példa Határozzuk meg értékét 95%-os valószínűségi szinthez. csak n > 2 -re várható értéket lefedő.p valószínűséggel esik a (10) 0 . S tudent. A Student-eloszlás táblá­ zatából (4.0 5 fe le l m e g . ha a normális eloszlású sokaságnak nem ismerjük a szórását. melynek sűrűségfüggvénye: intervallumba.l szabadságfokú Student-eloszlású valószínűségi változó.<t<l„)=p(t < t j = l . A^(0.1) eloszlás sű­ rűségfüggvényéhez konvergál.

2.0 .. Milyen konfidencia­ intervallumba esik az egész sokaság várható értéke. . X 2 .32] intervallum lefedi.l ) = 90. így es Így A konfidencia határok: X .2. A tv-képcsövek vizsgálatánál 19 db-nak mérték meg az élettartamát. + x ^ négyzetösszegének eloszlását n szabadságfokú x'^ (khi-négyzet)eloszlásnak nevezzük. 2.5 érték tartozik. amely közelítőleg normális eloszlású volt 99%-os biztonsági szinten. ö = 0.06 •^ = = 2.8 9 .04 érték tartozik. ha a tapasztalati várható értéke X = 2200 óra. * s V« I --. A konfidencia határok: 190 2073.75 .2. . így a 99%-nak megfelelő tp = 2.68 óra.0 -hez 18. Számítsuk ki a várható értékre vonatkozó 96%-os szintnek megfelelő konfidencia-intervallumot. hogy a szórás ismert. ha x < 0 (1) V« intervallumba. "2 független. 1 9 . ezért az ^ ‘ P ahol a r-v a l jelölt ún.^=) eloszlású. korrigált tapasztalati szórása pedig i* = 190 óra.1 esetén 1 0 0 (l.15% átlagot kaptunk.61. -eloszlású változó eloszlásfüggvényének konfidencia-intervallum határait kell kiszámítanunk. 2326. 4n vl9 tehát az egész sokaság várható értékét a [2073. pl. Igazolható. Vl6 tehát a szerves vegyület oxigéntartalma 96%-os valószínűséggel esik a [2.61.89] 2.898 • értékeit tartalmazza a valószínűség százalékában a szabadságfokok szerint.2.p ) = 1 0 0 ( l . gamma függvényt a következő képlettel ér­ telmezzük: r(/?)= \xP A X (khi-négyzet)-eloszlás p>0. 2.r - várható értéke: \n szórásnégyzete: A 3..68. táblázat a x M(x ) = n\ D ^iX^)^ln. Megoldás Mivel a minta korrigált tapasztalati szórása ismert.7 5 + 2 . A szórás becslése 201 Egy szerves vegyület oxigéntartalmának vizsgálatához 16 mérést végeztünk. Tegyük fel. sz. n = 12 szabadságfokhoz p = 0.898. hogy ismeretlen az eloszlás szórása. Pl. ha az X mintaközép N{ m. 22r 0. vTő X + M_ = 2 . Vegyünk most egy n elemű mintát az N { m \ o ) normális eloszlá­ sú sokaságból és tegyük fel.28%. valószínűségi változó x^ = x ^ + x^+ . A M ATEM ATIKAI STATISZTIKA ELEM EI 2.2.200 Példák 1. 0 6 .u „ ~ = 2. Vn Megoldás Mivel a 96%-os szinthez p = 0.1 = 18 a szabadságfokok száma.^ « 2 . 4T9 — X + f* 190 — = 2200+ 2. standard normális eloszlású melyek alapján X = 2. hogy x'^ sűrűségfüggvénye r2~ . A szórás becslése Az n számú X j.

18.51 ] . hogy a sokaság cr valószínűséggel esik a szórásnégyzete l . Ellenőrző kérdések a 2. Mivel a 95%-os szinthez p = 0.vagy í-eloszlásnak? 7.05 érték tartozik. Példa 18 doboz mérlegelése alapján a töltési súly tapasztalati szórására í * .24264-12 2. ahol Ha a értéke adott. akkor a X p 2 X 2 p értékeket a 3.1 2 g értéket kaptunk. így a 3. 4 n s * 1 -4 (5) 6. táblázatból Zp = X l m s = 30. Mit nevezünk n szabadságfokú -eloszlásnak? 4 n s *. hogy az ns (2) -eloszlású. fejezethez 2 Ez az intervallum az ismeretlen < 7 paraméter 1 0 0 (1 -/?)% -os konfidencia-intervalluma. E. Mit nevezünk n szabadságfokú Student. jó becslés követelményei? 3.2. Megoldás valószínűségi változó n . Mit nevezünk statisztikai becslésnek? 2.p 2 4ns* 4. (3) yfn s * 4. Ellenőrző kérdések a 2. A (4) "bői pedig felírható a <J szórás 100(1. Ki­ mutatható.4946337 A (3) -ból következik.24264-12 5. Határozzunk meg a szórásra 95%-os konfidencia-intervallumot./?)% -os konfiden­ cia-intervalluma: 1.\ szabadságfokú az n elemű minta alapján számított tapasztalati szórásnégyzet. táb- lázatból olvassuk ki a megfelelő szabadságfok figyelembevételével. Hogyan számítjuk ki a szórásnégyzet és a szórás 100(1 .7502727 2 ns 2 ns (4) 2 tehát a szórás 95%-os konfidencia-intervalluma [9. Hogyan számítjuk ki az m várható érték konfidencia-interval­ lumát? 5. ha a sokaság eloszlású? .27. Melyek az ún. Hogyan definiáljuk a konfidencia-intervallumot? 4. azaz y < ns = 1 -/7 .202 A M ATEM ATIKAI STATISZTIKA ELEM EI E. Az intervallum határai (5)-nek megfelelően: ^ ^ = 7. fejezethez 203 Igazolható. sz.p)% os konfidencia-intervallumát.p valószínűséggel esik a 2 2 2 2 X intervallumba.191. hogy a (2) -vei adott érték \ . intervallumba. sz. és a szabadságfokok száma 17.2.564.

12 mérésből az X =3. Egy hajóra szerelt kotrógép egy adott időszakban 5000 kanál kavicsot emel ki. Határozzuk meg a 90. hogy ismert a szórás: a = 0. ame­ lyeknek bizonyítására még nem került sor.25% átlagot kaptuk. Legyen a töltési súly normális eloszlású CT = 50 kg szórással.2. 705 kg. Oldjuk meg az 1. statisztikai próbát tárgyalunk. feladatot. várható értékére. A statisztikai vizsgála­ tok során feltevéseket teszünk pl. melyet akkor fogadunk el.30%. A hipotéziseket statisztikai módszerekkel ellenőrizzük.2. ha feltesszük.3. feladatban említett 5000 puttony közül hányat kell lemérni ahhoz. a valószínűségi változók típusára. azaz fjQ-nak és H- . pl. 5. Az 1. feladatot abban az esetben. 5. melyet //-val jelölünk és H : M ( X ) = m^mQ kifejezéssel adunk meg.2. Ezek az ún. ill. ellenhipo­ tézist. az esemény valószínűségére. akkor ezt a nullhipotézist H o :M (X ) = mo szimbólummal fejezzük ki. Eze­ ket a feltevéseket nevezzük statisztikai hipotéziseknek. Egy markológépnél véletlenszerűen 16-szor lemértük a kimarkolt homok mennyiségét. 5. Állapodjunk meg néhány jelölésben. Pl. 100 mérlegelés alapján. amelyek a szóban forgó változókra vett mintának. fontos alkalmazási területe a minőségellenőr­ zés. Számítsuk ki a várható értékre vonatkozóan a 95%-os szintnek m egfe­ lelő konfidencia-intervallumot.6.2. A következő pontokban néhány alapvető hipotézist. ill. A hipotézisvizsgálat (feltevésvizsgálat) a matematikai statiszti­ ka azon fejezete. amelyet igaznak tételezünk fel alaphipotézisnek vagy nullhipotézisnek nevezzük és Hq -val jelöljük.2. A hipoté­ zisvizsgálat a kísérleti tudományok és a műszaki gyakorlat igen hatékony eszköze. 5. a mintaelemek valamely függvényének vizsgálatán alapszanak. Egy kanalának (puttonyának) átlagos töltési súlya.2. Feladatok a 2. fejezethez HARMADIK FEJEZET 5. A mérlegelés alapján a kimarkolt homok súlyának tapasztalati szórá­ sára s * = 15 kg értéket kaptunk. azonos eloszlására. stb. két valószínűségi változó függetlenségére.4. hipotézisvizsgálati módszert. Tegyük fel. 95 és 99%-os megbízhatósági szinteknek megfelelő konfidencia-inter­ vallumokat a töltési súly várható értékére vonatkozóan. statisztikai próbák. hogy a konfidencia-intervallum félhossza 95%-os szint mellett 7 legyen? 5. Ezzel szembeállítjuk az ún. akkor a másik nem teljesülhet. A két hipotézist mindig úgy kell megalkotni. ha az 5000 puttony közül csak 30-at mértünk le és nem ismerjük a a szórást. amely a statisztikai hipotézisek közötti döntésekre vonatkozó módszereket és azok elvi kérdéseit vizsgálja. Egy vegyület hidrogén tartalmának meghatározására végeztünk mérése­ ket.1. Oldjuk meg az 1. Határozzunk meg a szórásra 90%-os konfidencia­ intervallumot.5. hogy az X valószí­ nűségi változó várható értéke thq.204 A M ATEM ATIKAI STATISZTIKA ELEM EI S. feltételezett törvényszerű összefüggések elképzelése. ha H q nem teljesül.2. hogy ha az egyik teljesül. varianciájára. Azt a feltevést. ha az ott közölt adatok közül a a szórást a 100 mérlegelés alapján számított s* = 51 korrigált tapasztalati szórással helyettesítjük. Statisztikai hipotézisek vizsgálata Hogyan ellenőrizhetjük feltevéseink helyességét? A hipotézis (feltevés) általában jelenségek feltételezett magyará­ zata.2.

. . jó is. ha elvetjük az igaz H q hipotézist. . .. azaz l . . Az 1 . hogy az X valószínűségi változó vár­ . X ^ ) & T . X ^ ) e T nagy való­ színűséggel teljesül Hq fennállása esetén. nem igaz helyes döntés másodfajú hiba heT H q elvetése: hG K elsőfajú hiba helyes döntés 3. X 2 . . X 2 . amelyre Hq fennállása esetén kicsiny a valószínűsége annak. Tegyük fel. Másodfajú hibát követünk el. X 2 . A hipotézisvizsgálat célja tehát a felállított hipotézis helyessé­ gének ellenőrzése a szóban forgó statisztikai minta alapján.X2>--->^n ) függvény értékei a T tar­ tományba esnek.. amelyre igaz. X 2 . . Képezzünk egy R) . A hipotézisvizsgálat menete. hogy az elsőfajú hiba valószínűségének csökkentésével egyidejűleg csökkentjük a másodfajú hiba valószínűségét is. . X2. .p ) % O S szinten elfogadjuk ill.1. . mivel valószínűségi értékek alapján hoz­ zuk. X ^ ) e K\H q )< p.és kétmintás m. . hogy a h{ Xi. elutasítjuk. vagyis a H hipotézist fogadjuk el. . X ^ ) e K\ h ) A hibás döntés valószínűségét tehát az első. hogy h ( X i .és másodfajú hiba valószínűségeinek összege adja. ha elfogadjuk a hibás Hq hipoté­ zist. . .X2. h ( X i . azaz P(hibás döntés) = ^(elsőfajú hiba) + P(másodfajú hiba) A hibás döntés valószínűségét tehát úgy tudjuk csökkenteni.. ./? számot a próba szignifíkancia szintjé­ nek nevezzük. . Az egy. akkor elutasítjuk a Hq hipotézist. b) Adjunk meg egy K ez R \ T kritikus tartományt..Xf^)G K.. .és kétmintás u-próba 207 nak egymást kizáró hipotéziseknek kell lenniük a vizsgált valószí­ nűségi változóra vonatkozólag. X „ ) s K\ Ha) < p\ c) Döntés: ha h { X i . . . mert h a . X 2 . Xf ^) statisztikai függvényt ( h : S Elsőfajú hibát követünk el. .. X 2 . . vagyis hogy h a kritikus halmazba esik. azaz p { h ( X i . X 2.p -nél nagyobb valószínűséggel lesz igaz az a hipotézis. 7 tartományba esik. . .206 A M ATEM ATIKAI STATISZTIKA ELEM EI 3. .1. Ennek valószínűsége P(elsőfajú h i h a ) = p { h ( X ^ . . ismeretlen m és ismert a ér­ tékkel. és dön­ téshozatal a nullhipotézis elfogadásáról vagy elvetéséről vagyis az ellenhipotézis elfogadásáról. .. akkor elfogadjuk a Hq hipotézist.P ( h ( X i .X^)EK. hibás is lehet. az összes n elemű statisztikai minta halmaza pedig legyen S. A döntés eredménye. mert a h a K tartományba esik. Legyen az X valószínűségi változó n elemű statisztikai mintája: X j.. A z egy. vagyis fennáll a egyenlőtlenség.-. . hogy X egy N{m\o) nor­ mális eloszlású valószínűségi változó. Ezt pl. . hogy a H q hipotézist 100(1 . ha h { X i . Ennek valószínűsége: ^(másodfajú hiba) = =p{ h( Xi . X 2 . és ennek alapján azt mondjuk.. a minta elemszámának növelésével tudjuk elérni. A döntések és az elkövetett hibák logikai kapcsolatát szemlélteti a következő táblázat: A H q hipotézis igaz H q elfogadása: a) Adjunk meg egy 0 < p < l számot és egy T c R elfogadási tartományt.. hogy h(Xi. Ellenőrizni akarjuk. . X^ ) e T\ h )= l .próba a) Az egy mintás M-próba.

de elfogadjuk az M {X ) = az Példák 1. Azt mondjuk. Mint az előző pontban említettük. ha Hq hipotézis igaz. és Mq = 200 mm. táblázatból visszakereshető. de elvetjük az M ( X ) = mQ feltevést. A z egy.X -niQ . és így a O(m^) = 1 .u „ < V n -------.9%-os szinten nem szignifikáns. pontjának (1) relációja alapján az u konfidencia-intervalluma 1 . statisztikailag nem igazolható. Azt mondjuk. mert pl.cr eltérés véletlenszerű.u . hogy az alapsokaság várható értéke és a feltételezett mg érték között az 200 mm. Elfogadható-e. -Jn = -Jl6 = 4. hogy vagy m < mg vagy m > Mq. azaz r. Ez utóbbi esetben statisz­ tikailag igazoltnak fogadjuk el. <7 = 3 mm szórással.y összefüggésből ad o tt p-hez Up értéke a 1. vagyis az egész sokaságban a várható érték Megoldás Mivel a változó normális eloszlású. Egy automata gép 200 mm hosszúságú pálcikákat készít.p)% szinten eluta­ sítjuk. 1 9 7 .. X = .és kétmintás u-próba 209 ható értéke m egyenlő-e egy adott mq számmal. Az (1) képlettel számított = u érték nagy valószínűséggel elfogadási tartományba feltevést pl. Az n = 16 elemű minta elemeinek hosszmérete: 193 195 201 204 198 196 196 196 203 199 193 198 191 191 198 200 th q= (1) formulával képzett u valószínűségi változó (próbafüggvény) N(0.< u . hogy a pálcikák hosszának eltérése az előírt mérettől 99. sz.95) az .^ érték a kritikus tartományra esett.u . 1 .X-niQ u = y j n -------. Kérdés: a mintaátlag mekkora eltérése esetén feltételezhetjük. A (*) ún. a minta átlaga 16 = 197 mm. Másodfajú hibát követünk el. akkor az f. hogy a gép által gyártott pálcikák hossza normális eloszlású valószínűségi változó. és csak kis valószínűséggel (pl. Elsőfajú hibát követünk el. más szóval az eltérés nem szignifíkáns.p)% biztonsági szinten elfogadjuk a nullhipotézist. hogy az alapsokaság várható értéke és a feltételezett mg érték között szignifíkáns különbség van. Ekkor a II. vagyis a H ellentett hipotézist fogadjuk el. fejezet 2. az u. 0. hogy a H q hipotézist 100(1./ ? = 1 -0 .2 0 0 = 4. mely azt fejezi ki. ha ^sz ^ azaz ha ’ a kritikus tartományba esik.208 A M ATEM ATIKAI STATISZTIKA ELEM EI 3..p valószínűséggel megadható.05) esik a kritikus tarto­ mányba.2.1. (pl. Ekkor elfogadjuk. (7 = 3 mm. ha Hq hipotézis nem igaz. 1) standard normális eloszlású. Egy n elemű minta X átlaga általában nem lesz pontosan . esik. 16 ezért az w-próba alkalmazásával dönthetünk: 4. hogy a várható érték Mq ? Ha a H o : M ( X ) = mo nullhipotézis teljesül a H :M (X) = m^mQ ellenhipotézissel szemben.0 5 = 0. Vajon a gép által gyártott pálcikák hossza megfelel-e az előírt méretnek? Előzetes adatfelvételből tudjuk. mindkét döntésünk véletlen folytán téves lehet. hogy 100(1. rész 2. kétoldali ellenhipotézis. ha <Up=Uf ahol M j a táblázatból kiolvasott érték. mert érték az elfogadási tartományra esett.

1. táblázatból Up^ q5 = 1. Y a két mintából számított mintaközép..96] intervallumon.• ••> független minták tartoznak.96.7 ■ = 4.7 cm. ezért a szinten el kell vetnünk. = 3. Az Up értékét adott p-hez az 1. táblázat­ ból.4 -1 5 .975 Vizsgáljuk meg a H q : M ( X ) = M{ Y ) nullhipotézist a b) A kétm intás m-próba. 1 4 . Mind az A mind a B gép által gyártott hengerek közül 30-30 db-ot lemérve mintaközepekre X = 16.p = 0. akkor az tézissel szemben 1 . Legyen X és Y két normális eloszlású valószínűségi változó. melynek 3.0 > « .001 értékhez tartozó Up táblázatbeli érték m .0 dkg volt.-1.9%-os szignifikancia szinten el kell vetni.29 (az 1. sz.210 A M ATEM ATIKAI STATISZTIKA ELEM EI 3.27 és 3. ismert.29 ezért az mo = 200 feltevést 99. sz. =1. Feltételezhetö-e az eltérés véletlenszerűsége? Megoldás A nullhipotézis: H q \ M { X ) = Mq = 14. &B gépen gyártottakét pedig Y.457. sz. és az 1. akkor 1 . 2.025 = 0. A (2) formula szerint X -Y 1 6 .96. tehát = 4 > H. 5 =1. cm és D{ Y) = Gy = 0 . ^{ Up^Q^) = l . ahol X . Az A gépen gyártottak átmérőjét jelölje X .0 dkg. azaz D{X) = g ^ =Q. hogy két célgép. melyekhez és . nullhipotézist 95%-os vagyis kívül esik a [-1. mivel ekkor a ki­ számított u értéke a \ -Up\Up\ intervallumon kívüli kritikus tarto­ mányba esik.95 szignifikanciaszinten.96.^ mivel p = 0. ezért a nullhipotézist elvetjük.96 értéknél nagyobb. A gyártást le kell állítani és a gépet újra be kell szabályozni.9995).Q5 = « .32 között bármely érték megfelel. = 3. de ismertek. táblázatból = 1 --^ összefüggés alapján kiszámíthatjuk. A véletlensze­ rűen kiválasztott 25 darabos minta átlaga X = 14. a ^ és Oy .p X-n\) Az általában szokásos p = 5% -nak megfelelő Up=o.0. A és B. Egy csokoládégyár speciális 14 dekagrammos csokoládészeletek gyártását kí­ vánta megvalósítani egyik gépén. azaz P(-Up < u < u p ) = l .j = 0. Példa Tegyük fel.7 cm adódott.8 -1 4 . a minta­ átlag nem véletlenül tér el a beállított 200 mm-es hosszúságtól. mivel l . azonos henger alakú alkatrészeket gyárt. Ha H o : M ( X ) = M(Y) nullhipotézis teljesül a H ■.M(X)^M(Y) ellenhipotézissel szemben.V) eloszlású. A szórásuk különbözők. M( Y ) ellenhipo­ = 0.975 Mivel I = 2.0 szignifikanciaszinten a nullhipotézist elvetjük. valamint szórásuk.05.és kétmintás u-próba 211 A /7 = 0. A hengerek átmérőjének mérete normális eloszlású.8 dkg-nak adódott. ugyanis a csokoládé szeletek várható súlyértéke 95%os szinten szignifikánsan eltér az előírt súlyértéktől. J intervallumba.) = 1— 1 = 1 -0. Ha a (2) formulával kiszámított M-statisztika nem esik a = 2. . A z egy.96 Íu í. és u= X -Y cr: -+ ■ k m (2) valószínűségi változó (próbastatisztika) N(0. melynek szórása a = 2.l . F2 .29 közbülső értéket választjuk. 30 Mivel a kiszámított u érték a táblázatból kiolvasott 30 = 1.4 cm és Y =15. Ekkor a kétmintás ustatisztika u konfidencia-intervalluma l .O (m . = 3. ezért az u.p valószínűséggel meg­ adható.p = 2 ^ { U p ) .

tehát 99%-os statisztikai biztonsági szinten ellenhipotézist fogadjuk el. szignifikáns eltérés van 95%-OS szinten. sz.212 A MATEM ATIKAI STATISZTIKA ELEM EI 3. hogy az eltérések csak a véletlennek tulajdoníthatók-e vagy szisztematikusak.p szignifikanciaszinten elfogadjuk a H q hipotézist. Példa n-í korrigált szórásnégyzet kiszámítása után a H Q : M ( X ) = mo nullhipotézis ellenőrzésére a (1) próbastatisztikát képezzük. hogy ezt elfogadhassuk.és kétmintás t-próba 213 3. sz. Megoldás Normális eloszlást feltételezve. Ez n . Az M-próbához hasonlóan azt mondjuk. amely ^ /)=(). Az (1) próbastatisztikát t-statisztikának nevezzük. tehát tp ér­ tékét a 4.és kétmintás í-próba a) Egy mintás í-próba.4 _ = 994.626. A Studenteloszlású táblázatból adott p-hez meghatározható az a (táb­ labeli) érték. táblázatból a tp értéket az n .250 > adódik.01 3. Pl. 9 9 4 . Egy. amelyre p [ .= íp és a H q hipotézist 1 .2.05 ~ 2.02. azaz H q . 10 X = . és mivel jfvzl = 2. az eltérések véletlennek tulajdoníthatók. ha '« . sz.. p = 0. 10 " í* = 7.p szinten elutasítjuk.162. í-próbával ellenőrizzük. sorának 5% fejlécű oszlopából olvassuk ki.05 értékhez íp=o. A gyakorlati feladatok többségében a nor­ mális eloszlású valószínűségi változóra a várható érték is és a szórás is ismeretlen.528. hogy 95%-os biztonsági szinten teljesül-e a várható értékre az niQ = 1000 g előírás.I -edik so r p % oszlopának megfelelő tf táblabeli értékkel vesszük fel. akkor a szabadságfok 20. Ilyen esetben az Adott n mintaelemszám és adott p értékhez a 4.05 (5%). . tehát a értékhez tp = / . A 99%-os szinten (szignifikanciaszinthez) a 9 szabadságfok mellett a p = 0. tehát 10 = 52. " n -1 =V ÍÖ = 3. A minta adatai alapján (n = 10). szabadságfokú sorban a 10-1 = 9 < i. ezért az automata nagy valószínűséggel nem működik jól. M( X) = niQ= 1000 hipotézis. = tp-QQ ^ = 2.626 > í.226. Mintavétel során az alábbi értékeket kaptuk: 985 991 987 994 1003 1004 993 1002 996 985 Vizsgáljuk meg.1 szabadságfokú (1-gyel csök­ kentett mintaelemszámú) Student-eloszlású változó.02 = h . ha hz azaz a H : M ( X ) = m^mQ (3) p = 0.162-----^^j ^ A SíMűfení-eloszlás 4. hogy 1 .2. Egy. = Hq: M ( X ) = niQ - 1000 nullhipotézist elvetjük. de a mintaelemszám nagyon kicsi ahhoz.267 tartozik.2.267.V « ^ : ^ = 3.222. táblázata alapján a = -2.0. p = 0. táblázat 20.t^ < t< tp )= \-p (2 ) Egy konzervdoboztöltő adagolóautomata 1000 g anyag betöltésére van beállítva.0 -1 0 0 0 ahol a /? a valószínűségi szintet jellem ző kis pozitív szám pl. ha mintaelemszám n = 21.

Oy ismeretlen és cj j ^ Gy. A nullhipotézis: H q : M ( X ) = M( Y) . . meiböl képzett empirikus szórásnégyzetet. Gyakran két normális eloszlású. de feltehető..3. = 2. = 1. Yj^ pedig az Y valószínűségi változóhoz tartozó egymástól független minták. a a szórás. 41. Képezzük a t =X -Y n+k -2 (4) 1 szabadságfokú 3. F2. Ha szórásuk ismeretlen. Vizsgáljuk meg.2 . hogy két azonos szórású minta azonos alapsokaságból származik-e? Legyen X g N{mi\o) és Y e N(m2'.36+ 40 0.36 60 ^ m^. de különböző akkor a kétmintás í-próba a várható értékek összehasonlítására nem alkalmazható. . Megoldás A nullhipotézis: H q : M { X ) = m ^ = M { Y ) = iriy.h esetén (a számított érték a intervallumba esik) a H q hipotézist 100(1. ahol mi és m 2 a vár­ ható értékek. sz... amely H q fennállása esetén n + k . A W elch-próba Legyen X és F két független normális eloszlású valószínűségi vál­ tozó.. Jelölje azaz m| ^ m. Jelölje szolút értéket.2.000 tartozik.05 (5% oszlopfejü) értékhez = t .2 20 0.3. azonos szórású alapsokaság várható értékeinek egyenlőségét kell vizsgál­ nunk.<7).s n + k .M(X) = M( Y ) hipotézis eldöntésére.p)% -os szinten elfogadjuk (m |= m 2)..2. s í pedig az Y valószínűségi változó mintaele- = 1-242 <tf= íp=o.4.B. b) Welch a kétmintás w-próba formulájához hasonló próbastatisztikát javasolt. az ellenhipotézist pedig elvetjük. szórá­ suk: D ( X ) = D(Y) = 0. hogy az ottani elméleti szórások helyére az empirikus szórásokat helyettesítette: w= Xn-Y„ ^ym ■ + m (1) > tf esetén pedig (a számított érték nem esik a intervallumba) a H q hipotézist 100(1-/?)% -os szinten elvetjük (mi ^ ni 2) . Az ellenhipotézis: H : M ( X) ^ M( Y) .05 .. Ha ismeretlenek a szórások. Ha a) . mintaközepei: X = 25. ezért a két valószínűségi változó várható értékének egyenlőségét 95%-os szinten elfogadjuk. A Welch-próba Példa 215 b) A k étm intás í-p ró b a. hogy 95%-os biztonsági szinten egyen­ lőknek tekinthetök-e a várható értékek. ill.6. azaz a (4) képlettel számított ab­ szabad­ = í. hogy azonosak. X j . azaz = m2 \ Legyenek az X és F normális valószínűségi változókra vonatkozó egymástól független minták mintaszáma 21. azzal a különbséggel.000. i-fJ 21 41 A 5íMí/ení-eloszlás 4. . akkor a várható értékük összehasonlítására alkalmazhatjuk. akkor P{-tp<t<tp) = l .214 A M ATEM ATIKAI STATISZTIKA ELEM EI 3. azaz A (4) formula alapján kiszámítjuk t értékét: 2 5 .p ..242. Szükségünk van olyan próbára. és mivel az X. L. statisztikát. továbbá X j. az ellenhipotézis pedig: H :M (X)^M (Y). a Student-Q\osz\ó. X ^ az X valószínűsé­ gi változóhoz. táblázatában a 60 szabadságfokú sorban a p = 0. ha C x . vagy arra a kérdésre kell választ adnunk.2 5 .2 ságfokú táblázatbeli értéket pedig tf = tp . amely akkor is alkalmas H q -.2 Student-closzlású változó.4 . és Fj. Y = 25.

5038.645. vagyis w > ío. táblázat 0.1 0-nek vá­ lasztjuk. táblá­ zat megfelelő szabadságfokú sorának p oszlopából kiolvasott táblá­ zatbeli értéket tp -vei jelöljük. . a 4. >t. ffi / . Vizsgáljuk meg.= 182.326. sz. Példa Egy üzem férfi és nő dolgozóinak testsúlyát lemérve. Az empirikus szórásnégyzetek: A Student-eloszlás táblázatából adott / szabadságfokhoz. A Welch-próba Osztályköz 40-44 45-49 5 0-54 55-65 66-70 71-80 81-90 90Osztályközép 42 47 52 60 68 75. n.326. hogy a két sokaság várható értéke megegyezik-e. 57 63 78 90 84 72 30 10 n = 484 Gyakoriság. Y. így a hipotézist 98%-os szinten elfogadjuk. sz.0403 < íq qj = 2.645. m a. minták 9 Sy^ pedig a mintákból számított empirikus szó­ 9 rásnégyzetek.02-nak választva.8967. Mivel w = 2. ha p értékét 0. m) < f <n + m egyenlőtlenség. A p értékét 0.1318..0403. a súlycsoportonkénti ered­ ményt a következő oldali táblázat tartalmazza. A w közelítőleg 459 < / < 459 + 484 egyenlőtlenségnek eleget tevő / szabadságfo­ kú t eloszlást követ.216 A MATEM ATIKAI STATISZTIKA ELEM EI 3. Ha a 4.io = 1. Az / kiszámítására javasolt közelítő képletek: c=• m felhasználásával / = 1 (1 -c y •+ m -l n -1 Megoldás A hipotézis: H q .5 85. X„-Y„ ■= 2. Igazolható. A mintaközepek: t h i X„ = -------= 60. a mintákból számított mintaközepek. Az /szabadságfokra teljesül a m in(n. m ill.02 oszlopának utolsó sorában a táblabeli érték: íq q2 = 2. M{ X) = M{Y).3685. akkor íq. nő fj 62 71 80 85 72 66 13 10 m = 459 217 ahol elemszámai. tehát 90%-os szinten a hipo­ tézist elvetjük.5 95 Gyakoriság. Ugyanakkor.---------= 170.„ = • = 59. az adott p értéknek megfelelő táblabeli értéket kiolvassuk. /= ■ n ^ -1 m ^ -1 sin = — --------------------.3.io = 1. hogy a w változó eloszlása jó l közelíthető f szabad­ ságfokú í-eloszlással. és w <t P' akkor a hipotézist p szinten elfogadjuk. ha w akkor p szinten elvetjük. Welch-próha: = M ----------.

hogy a szórások (szórás­ négyzetek) közötti különbség véletlennek tulajdonítható. szórása azonos-e vagy sem.) a) F^^ < F f . az eltérést szignifikánsnak tekintjük.1 = 5 szabadságfokkal: „2 F 2 I . ezért a nullhipotézist 95%-os szinten elfogadjuk.Képezzük az (5) statisztikát.és homogenitásvizsgálat 219 sebb empirikus szórású változó mintaelemszámáíiak 1-gyel csök­ 3. Jelölje Jelölje 2 2 2 kentett értéke. az szabadságfoka le­ Alkalmazzuk az f-próbát. 3. amely ( /j .6 . 5%-os szinthez tartozó táblázatbeli (kri­ tikus) érték (5.vz = F ‘ = ^2 = \ ’ Si gyen f 2 . Illeszkedés. hogy két normális eloszlású. az X. Legyen a gépenként véletlenszerűen kiválasztott 6-6 doboz töltösúlya az X-re ill. Illeszkedés. akkor pedig a Hq hipotézist 100(1. Megoldás Mintaátlagok: X = 297. X-hez és yj. b) > F f .4 ) . Az 2 szabadságfoka legyen f i .5. Legyen X e N { m i . Ha a vizsgálat csak arra vonat­ . Az (5) for­ mulába helyettesített értékekkel képezzük az számított értéket és összehasonlítjuk az F-táblázat 100(1 .1 -. (Az 5.6 -1 = 5. hogy valamely minta származhat-e egy bizonyos elméleti vaiószínűségeloszlásból.és homogenitásvizsgálat A matematikai statisztikában gyakran olyan próbát kell alkalmaz­ nunk. A nullhipotézis: H q : D ^ ( X ) = D^(Y).p)% -os szin­ ten elvetjük (c7i ^ G 2 ).4. íT| és Ö 2 a szórások.05 -ra. sz. (Ji =(T2. hogy a minták isme­ retlen szórásai azonosak. (1. f 2 pedig a ki- Az 5. F2> ták. ha > s^. azaz ill.1 .05. az F-hoz tartozó egymástól független min­ azaz d f = crf ill. y =310..^ < F. Az F -p ró b a A kétmintás í-próba alkalmazásakor feltettük. 4 i n = m in (j2 . ami azt jelenti. amellyel megvizsgálhatjuk.2 < 5. ismeretlen várható értékű statiszti­ kai sokaság szórásnégyzete ill. azaz 95%-os biztonsági szinthez van­ nak kiszámítva. az 7-ra vonatkozó 6 elemű minta: X elemei: Féléméi: 300 305 301 317 303 308 288 300 294 314 296 316. a i ) és Y & N {m 2 \<J2 ) .p)% szignifikancia szintű / 2 -edik sorának / j -edik oszlopából vett Ff értékkel. fc . Mivel F . Az F-próba alkalmazásával dönthetjük el. az eltérést véletlennek tulajdonítjuk.l . Pl. Az ilyen statisztikai próbát tiszta illeszkedésvizsgálatnak nevezzük. és f 2 = k-l.05). / 2 ) szabadságfokú F-eloszlás. ha Döntés.p)% -os szinten elfo­ gadjuk (dl = (T2). ahol mj és m 2 a várható értékek. Sj^ pedig az Y minta empirikus szórásnégyzetét.218 A M ATEM ATIKAI STATISZTIKA ELEM EI 3. CJi ^ ( i 2- Ellenőrizzük. / j a nagyobb empirikus szórású. sor 5-ös fejlécű oszlop): F.5. táblá­ zat értékei csak p = 0. 2 Az empirikus szórásnégyzetek: s{ = 38. akkor a H q hipotézist 100(1. = 5. n . melyet para­ métereivel együtt megadunk. az ellenhipotézis pedig: H : D^(X)^D^(Y). akkor f i = n . X 2 . Példa Egy konzervgyár mindkét próbaüzembe állított gépén 300 grammos konzervek gyártását kezdte meg. továbbá Z j. azaz 4 a x = m a x (í^ . táblázatból p = 0.4. hogy teljesíll-e a H q\ D { X) = D(Y) nullhipotézis. 2 ^ két szórásnégyzet közül a nagyobbat és a ki­ sebbet.05 értékhez.

gyakoriságot jelöljük / / -vei. hogy egy n elemű minta eloszlása megfelel-e az ismert eloszlásnak. Azt akarjuk eldönteni..\ . az eloszlás paramétereit a mintából becsülve.2 . r . a normális elosz­ láshoz való illeszkedés vizsgálata. -(khi-négyzet)-próba alkalmazását mutatjuk be. p előre megadott 1-nél nem na­ gyobb pozitív szám. és becsléses illesz­ kedésvizsgálat esetén.5. Bizonyítható. a )h a x ' ^ z ^ x l . sz. akkor gi jelenti relatív gyakori­ ságát.. Illeszkedésvizsgálat 221 kozik.1. r . akkor az (1) statisztika eloszlása tiszta illeszkedésvizsgálat esetén az r . táblázatból kiolvasott érték. X^. ahol a x^z (1) alapján számított.r~\ és X ^ . -eloszlású. ha a becsült paraméterek száma k. a f.1. Az n adatból az /-edik osztályba eső mintaelemek számát. A közelítés elég jó.x X ^ x l .\ . A próba az ismert eloszlás alapján várható gya­ koriságok és a minta gyakorisága közötti eltérések vizsgálatából áll. 0' = l. az ellenhipotézis: H : P ( X < x ) ^ F{x). A fenti vizsgálatokhoz számos eljárást dolgoztak ki.\ ül. pi.. amelyre P ( X = x .Pi f Pi (1) próbastatisztikával mérjük. ha npi > 10 Az elfogadási tartományt úgy adjuk meg. H Q : P ( X < x ) = F(xy. hogy tiszta illeszke­ dés esetén becsléses illeszkedés esetén pedig Pix'lz^xl^r-\-k) = ^ .r ) . P ( X = X i ) = Pi. Tehát.npi f _ ^ m {gj .) Folytonos eloszlás esetén a nullhipotézis. hogy valamilyen típusú eloszlás feltételezhetö-e. Ezt az eltérést a 2 _ Y (// .220 A MATEM ATIKAI STATISZTIKA ELEM EI 3. miként azt a hisztogram készítésénél is tettük. az ellenhipotézis: H : 31.5.k a 3. ezek közül is a leggyakoribb a normalitásvizsgálat. hogy bizonyos minták azonos alapso­ kaságból származnak-e. A homogenitásvizsgálat is statisztikai próba. Folytonos eloszlásnál a valószínűségi változó értékeit soroljuk be nagyság szerint r osztályba. D iszkrét valószínűségi változó esetén a nullhipotézis: H o . Az (1) statisztika 3. . Az ismert (feltételezett) eloszlás alapján az elméleti gyakori­ ság n p i . az eltéréseket véletlenszerűnek ítéljük.. akkor becsléses illeszkedésvizs­ gálatokat alkalmazunk. két vagy több valószínűségi változó elosz­ lása megegyezik-e? Általánosabban homogenitásvizsgálatnak ne­ vezzük az olyan statisztikai próbát is. hogy a megfelelő alapsokaságok bizonyos paramétereikben meg­ egyeznek-e.. Legtöbbször ez utóbbiakat használjuk. A minta alapján számított /.• gyakoriságok és az elméleti gyakoriságok általában különböznek egymástól.1 szabadságfokú x -eloszláshoz. amellyel csak azt vizsgáljuk. az r-\-k szabadságfokú x -eloszláshoz tart. tehát közelítőleg minden i-re. Illeszkedésvizsgálat Tegyük fel. a minta eloszlása az adott biztonsági szinten megfelel az elméleti eloszlásnak.k ^ akkor a nullhipotézist elfogadjuk. r . hogy ha n minden határon túl nő. ahol F{x) ismert eloszlás. hogy egy X valószínűségi változó eloszlása ismert.P legyen. éspedig annak megvizsgálására vonatkozik. mi itt az ún.

Legyen az X változóhoz tartozó mintaelemszám: ^ f i . A nullhipotézis. táblázatában p szinten található érték (szabadságfok: r ..^eloszlású valószínűségi változó. Ebből következik.5. 1^ I. hogy a oldjuk meg. Homogenitásvizsgálat Legyen X és 7 két tetszőleges eloszlású valószínűségi változó.n. próbastatisztika n— ^ és m . Az eljárás alkalmazása a következő lépésekből áll: Osszuk fel a számegyenest r számú osztályra: -C X 3 = b Q < b \ < b 2 < .^ esetén r . r . A feladatot -próbával Y változóhoz tartozó mintaelemszám: i=\ = m. = ^ (/ = 1. ezért a nullhipotézis: r gyakoriság ( k i ) 228 240 224 237 235 236 . akkor a vizsgálatot normalitásvizsgálatnak nevez­ zük és az előbbiekkel azonos módon járunk el.— ”1 = 1 (= 1 . .2.■<by pedig a x'^ 3.._i .=i = (2) képlettel végezzük.\ .. A ^ kiszámítását „2 _ V í=i .1 szabadságfokú .. sz. D Az X egyenletes eloszlású.ahol x'^z a (2) képlettel számított érték. Megjegyzés Ha azt akarjuk eldönteni.2. tehát H q : P { X < x ) = P{Y <x)\ az ellenhipotézis pedig H :P{X<x)^P{Y<x).2 .• P{X = Xi) = p . hogy ha az n és m elég nagy.k ^ akkor a nullhipotézist az adott biztonsági szinten elvetjük. Homogenitásvizsgálat 223 ^ )h a x í > x l .i. ^ .. Egy kockát 1400-szor feldobva az egyes számok gyakoriságára a következő­ táblázatot kaptuk: Dobott számok 1-es 2-es 3-as 4-es 5-ö s 6-o s Kérdés: szabályosnak tekinthetö-e a kocka? Megoldás Mivel szabályos kockánál bármely szám dobása egyenlő valószínűségű.5. Igazolható.. hogy X és F azonos eloszlásúnak tekinthető-e. . F-ra vi (/ = 1. a minta eloszlása szignifikánsan eltér az elméleti eloszlástól. és az i=l r //(. akkor próba alkalmazható a két eloszlás megegyezőségének vizsgálatára. 3.6).x l z > x l .. A nullhipotézist elfogadjuk. Legyen az i-edik intervallumba eső mintaelemek száma X-re f i .2.1 ) ..\ ill. becsülendő paraméter nincs. Példák 1. hogy a mintasokaság normális eloszlá­ sú-e vagy sem. Azt akarjuk megvizsgálni. ha . .222 A MATEM ATIKAI STATISZTIKA ELEM EI J.2 . ha xX > és elvetjük. — . r .

5 1 -.50 1.4341 0..51-7.0690 0.25 -0.Y ifi .75 0. Egy adagolóautomata működésének vizsgálatához 174 db doboz mérlegelését végezték el.l = 6 .6776 0. Homogenitásvizsgálat A várható értéket 225 x l ''-K „ — Pl n. hogy az előírt tömegértéktől való eltérések normális eloszlásúak? Megoldás A feladathoz becsléses illeszkedésvizsgálatot kell végeznünk.F{Xj_i) = 0) -0) x.796 0.5I ahol 12 25 22 24 35 26 19 11 174 ki 1 2.3908 1.5 9..25 1.. a szórásnégyzeteí 6 1400 A szabadságfokok száma: r .5 9.070 vagyis a nullhipotézis elfogadható.1 4 0 0 = ■326850-1400 = 0.2816 1.5 11 .00 (fi-npif npi 0.51-3.51-9.51-5. 174 .106.-1 .51-4. 12 25 22 24 35 26 19 11 2 .1381 24.5 8. A pj értékek kiszámításához a Pi = és < X <Xj) = F( x i ) .5-5.2.5 4 5 6..5 1.00 -0.5 5.00 -1. közép fi -1..0060 156.1085 18..2 = 5.5 1.0000 174. 6 2.0 600.75 132.0690 12.5.5 3.2435 42.. A grammokban adott névleges tömegértéktől való eltérés értékeit osz­ tályba sorolva az alábbi táblázat tartalmazza: Osztályok Gyakoriság fi .5 4.0431 7.5 10. A számítást célszerű a következő táblázatos formában végezni (a 0 ( m) értékek kiszámításánál lineáris interpolációt használtunk): osztályok gyak.4422 5. táblázatból.5 í)kf u < D (w ) Pi npi 12. akkor kiszámítjuk a den i'-re lényegesen nagyobb 10-nél (np: = 1 4 0 0 — = 233).420 0.5 12 fiki 12.l = 5. ha p = 0.-_i . A nullhipotézis: az ellenhipotézis: H q \ P { X < x) =■— ===-. X--X « = -7 r- m~ X = ■ 174 1062.6190 227.5 7..51-11.n p i f ^ ~U értéket.7857 < ..m Í»(-m ) = 1 -0 ( íí) képleteket használjuk. és a x^ -próbát alkalmazzuk. ^2na jL H : P ( X < x ) ^ F{x).9569 0.3851 Feltehető-e.2071 0.5 11.224 A MATEM ATIKAI STATISZTIKA ELEM EI 3.0952 16.5 8156.5 1. Amennyiben npi > 10 (/ = 1 .5-7.1185 20..5 7. sz. A szabadságfokok száma: r .166 0.5-9.3690 221.0392 0.00 -0.715 oo 0.5 2094.461 0.7857. r).. a kocka szabályosnak tekinthető.0 1584.0294 88.0 1878.05 ér­ tékkel adott.088 0. akkor x h = 1 l'O^O tehát = 0.0000 0.5159 0.í e át = F{xy.8617 0.1364 0. n l=r 1400 1400 1 ^ 1 (=1 — 6 4 -1 4 0 0 = 1400 (228^ + 240^ + 224^ + 2 3 V + 235^ + 236^) .3156 0.8790 120. A 3 .5544 1.1841 32.0 62.2 ./ : = 8 .5-4.l .5-11.5 5....5 1478.5-3.4154 1.00003 0.l ..0334 199. hiszen az npi érték min­ formulákkal becsüljük. A -próba alkalmazhatóságának a feltétele teljesült.i:|5 = 11..480 0.0 352.5 4..00 1062.6734 1.5 = 6.

X 2 .226 A MATEM ATIKAI STATISZTIKA ELEM EI 3. az adott statisztikai sokaságra vonatkozóan. Mivel a 95%-os szinthez az 5 szabadságfokú -táblázatban a 11.) « = 1.0690.. k)..1 0 6 ' -O (.. A definiált értékekből következik. a n Y j ) esemény bekövetkezésé­ Pl.Xj^. kontingenciatáblázatba rendezzük. vagyis az eltérésértékek normális eloszlásúnak tekinthetők.105 nek gyakoriságát fij -vei jelöljük. hogy az (X.9310. Y pedig ugyanarra az egyedre a testsúlyt.3851 lényegesen kisebb. Függetlenségvizsgálat khi-négyzet-próbával 227 173 és így j* = 79...5 -6 ..2.Yfj^. ha egyugyanazon statisztikai sokaság két valószínűségi változó által adott két tulajdonságának függetlenségvizsgálatát végezzük.2 . Arra szeret­ nénk választ kapni.. tehát Pl = 1 -0 . akkor azt mondjuk. táblázatból 1 . akkor ezeket az értékeket ún.6. fim fim nj ^2j fkl ^ o s z lo p U i\ fkl ^il .. zik. melynél a számított x^z = 5. Legyen az X valószínűségi változóhoz tartozó teljes esemény­ rendszer: X y . mindig ilyen összetartozó értékpárok az alapadatok. 3. i=\ i=\ i=l 7=1 A kontingenciatáblázatot tehát a következő elrendezésben ké­ szítjük el: X\ Y /ll X2 f ix 72 fii fii .. (Az npj értékek egy kivételével nagyobbak 10-nél.4833) = 0. ezért a nullhipotézist elfo­ gadjuk. A sor.c o ) = 1 -0 (1 .(~^Yj) esemény következett be. . Mindegyik mintaelem a két tulajdonság szerint osztályoz­ ható.6. = n. Függetlenségvizsgálat x -p róbával Egy férficsoport vizsgálatát pl.Y2 . Általában. sz.07 érték tarto­ = H oszloponkénti összeg pedig: k . az Y valószínűségi változóhoz tartozó pedig Yi.. hogy km k m = n.. Pl = < i> : Az 1.m ). Az fij gyakorisági értékek soronkénti összege: m €>(1. ettől az egy kivételtől eltekintünk...105. 173 delhető. függetlennek tekinthető-e. hogy a két tulajdonság..-.és oszlopösszegeket marginális értékeknek nevezzük. Ha a mintaelemek számát n-nel.6433 =3. magasság és testsúly szerint végez­ zük.4 8 3 3 )..P( Yj ) V {i.. j ) -re (/ = j = 1 . fkm ^ im Vkj n A mintaelemekböl mind az X mind az Y valószínűségi változó­ hoz a vizsgált két tulajdonságnak megfelelően egy-egy érték ren­ . A szorzási tétel értelmében felírható a nullhipotézis: H q : P(X^ n Yj) = P(X^). Ha az Xi és az Yj esemény együttesen következett be. Jelölje X valószínűségi változó aktuális értéke egyedenként a magasságot. i =l 3...9 3 1 0 = 0.

2 Xsz {25-27.{ m .4 4.2 10.95 értékhez x f =1.656 < x l m =10.6 5 6 .10 -hez x f =10. í. az osztályozás szerinti két valószínűségi változó független.2 15. 229 A ^ keit az -próbához ki kell számítani az elméleti gyakoriságok érté­ Számítsuk ki az (1) formulával az elméleti gyakoriság fjj értékeit és írjuk be a fii (1) táblázatba: fi j = 182 = 27. Delta) szál­ lítja a 11 kg névleges töltő súlyú palackokat. Célszerű ezeket az értékeket a táblá­ zatba fij értékei mellé írni.l)(m . P2=0.1 4. hogy a töltőállomásoktól függetlenek-e a súlyelté­ .6 30 17.47. mivel X l = 6. Függetlenségvizsgálat khi-négyzet-próbával Megoldás A nullhipotézis.7 x<10. akkor a függetlenségre vonatko­ zó Hq hipotézist x'sz .228 A MATEM ATIKAI STATISZTIKA ELEM EI 3.8Í 18 4. a P 2 = 0.8-11. Gamma. Alfa 25 20 5 50 Béta 30 10 3 43 Gamma 22 16 6 44 Delta 23 18 4 45 X sor 100 64 18 182 -O S 6. Az osztályozást töltőállomásonként és adott súlyhatárok szerint végezve az eredményt.o ^95 =1. = 0.10 választás mellett szinten elvetjük.2 = 182 = 23.Xt esetben elfogadjuk.63.\ ) .5 6.656 > .635.4 4. táblázatból adott 100(1 . a 3.4 44 22 16 6 44 Delta 24. sz.95 választás esetén elvetjük.1 ) = (3 . A nullhipotézist. sz.3 ^ oszlop Állapítsuk meg X rések. Az elosztó súlyvizsgálatot tartott vélet­ lenszerűen kiválasztott 182 palack lemérésévei. x'sz > x f esetben pedig 100(1. táblázat fok mellett a táblabeli Xt értéket. vagyis a két tulajdonság függetlenségét elfogadjuk.'=1 j=\ határoztuk a Xsz értékét.3-10.p)% -O S f„ Jij valószínűségi szint és {k - 1) szabadság+ 4.7 Alfa Béta Gamma 24.6 )^ 27 5 ’’ ’ 23 6 eloszlású. A becsléses függetlenségvizsgálat valószínűségi változója: ifij-fijT Xsz = 1 1 i=lj=l fii Súly kg 10. próbával. míg p.1)(4 .5 i 4 45 I 45 I sor 100 64 18 182 100 64 18 182 27. a következő táblázat tartalmazza: Súly kg 10.5 f (3 0 -2 3 .p)% Példa A PB gázpalack elosztóhoz négy töltőállomás (Alfa. Béta.7.9 50 5 50 4.645.6.63 5.1 ) = 2 •3 = 6.6 20 15.3-10.2 10.8-11. majd kikeressük a 3. /.3 43 10 3 43 (2) esetén x<10.1) szabadságfokú x Képezzük a (2) formula szerint Xsz értékét: .3 ^ oszlop Az (2) formulával számított valószínűségi változó n — > { k .645. Ha a mintából meg. sorában a pi = 0. mivel = 6. formulával minden /-re és j-re. A szabadságfokok száma: (k . 23 15.5 25 23. stb.

1.3.230 A MATEM ATIKAI STATISZTIKA ELEM EI S.9%-os megbízhatósági szinten az előírt tömegértéktől? 5. Van-e szignifikáns eltérés 99. 142 vagont megvizsgálva. fejezethez 1. Legyen a bálák tömege normális eloszlású.323 3 2 4 -4 0 3 404 .3. Egy adagolóautomata 1200 g tömegű massza töltésére van beállítva. fejezethez 231 E. Hogyan értelmezzük a statisztikai próbák elfogadási és kriti­ kus tartományát? 3. hogy normális eloszlású <7 = 3 g szórással.4. hogy a bálák átlagos tömege 705 kg.3. A massza tömegé­ nek értéke véletlentől függő változó. M it nevezünk tiszta. A mintát véletlenszerűen kiválasztott 16 db doboz alkotja. Mit nevezünk elsőfajú és másodfajú hibának? 4. amelyeknek a mért értéke: 1193 1195 1201 1204 1198 1196 1196 1196 1203 1199 1193 1198 1191 1191 1198 1200 4 5 6 7 8 I Vizsgáljuk meg. Ellenőrző kérdések a 3. Feladatok a 3. Milyen döntéshez használjuk az F-próbát? 7. Feladatok a 3. A do­ bozokba 1200 g-tól eltérő tömegű massza is betöltésre kerülhet.3. 100 bála mérlegelése alapján azt kaptuk. A szénosztályozóba érkező vagonok meddőeloszlásáról feltesszük. fejezethez S. Hogyan alkalmazzuk az w-próbát? 5.483 484 . Mintavétel során az alábbi értékeket kaptuk: 483 502 498 496 mq 502 483 494 491 505 486 Teljesül-e a várható értékre az = 500 g előírás 95%-os biztonsági szinten? . hogy normális eloszlású. osztályok szerint rendezve a követ­ kező adatokat kaptuk: osztályok gyakoriság fi 1 2 3 -2 4 3 244 .3.3.3. Mit nevezünk nullhipotézisnek és ellenhipotézisnek? S.3.643 6 4 4 -7 2 3 7249 18 23 27 18 15 12 20 142 i 2. Egy adagológép által dobozba töltendő anyag tömegének várható értékére az előírás 500 g. hogy a meddő mennyisége normális eloszlású-e. Van-e szignifikáns eltérés 95%-os meg­ bízhatósági szinten az előírt 700 kg-hoz képest? 5.és kétmintás í-próbát? 6.2.563 564 . az előzetes méréssorozatok azt igazolták. Mire vonatkozik a homogenitásvizsgálat? S. Egy csomagológép által készített bálákat vizsgálunk. (7 = 50 kg szórással.és becsléses illeszkedésvizsgálatnak? 8. Hogyan alkalmazzuk az egy.

. . Rendszerint ezeket az összefüggése­ ket bizonyos feltételek fennállása esetén is csak közelítő pontosság­ gal lehet kifejezni. mérés útján nyert tapasztalati ada­ tok között. hogy lehetőleg egy­ szerű képlettel kifejezzük az összetartozó ) {k = \ . hogy annak grafikonja jól illeszkedjék a tapasztalati adatoknak a koordinátarendszerben ábrázolt pontjai közé és a lehetséges legegy­ szerűbb függvényosztályba tartozzék. a legtöbb termé­ szeti törvényt is egy. a közgazdaságtudományok területein történő alkalmazásai során gyakran közvetlen megfigyelés. Az em pirikus képlet kiválasztása Az empirikus képlet típusának meghatározásakor arra törekszünk..1. . A tu­ dományok fejlődésének kezdeti időszakában pl. így az empirikus képlet típu­ sának meghatározása négy lépésre bontható: 1. Megállapítjuk az empirikus képlet típusát.N EG Y ED IK F E JE Z E T E m pirikus képletek előállítása.2. Az ilyen típusú mennyiségi összefüggéseket számításra alkalmas ún. em pirikus képletekkel adjuk meg. Meghatározzuk a választott típusú képletben szereplő para­ métereket a megfigyelés adatai alapján. 4.n) tapasztalati eredmények közötti kapcsolatot. 2. 2. A tapasztalati úton kapott értékpárokat koordinátarendszerben ábrázoljuk. A probléma megoldá­ sa általában két lépésből áll: 1.és regressziószám ítás A matematikának a természettudományok. korreláció. . a kísérleti adatoknak megfelelő empirikus kép­ letbe való foglalásával alkották meg. a műszaki tudományok. Célunk. A pontok közé jól illeszkedő görbét (egyenest) rajzolunk. a vizsgált folyamatra jellemző mennyiségi összefüggé­ sek elemzését kell elvégezni.

lineáris függvénykapcsolat: y = Iga + bx = A + bx. (1) empirikus képlettípus. y = lg y. . 2. Néhány egyszerű empirikus képlettípus és a lineáris kapcsolatot előállító leképezés: paraméterekkel. A tapasztalati úton kapott n-számú (xj^.x = A + Bx.) (k = l.. y ) .2. és c) legkisebb négyzetek módszere használatos. A pontok féllogaritmikus papíron ábrázolva közelítőleg egy egye­ nesre esnek. akkor az empirikus képlet típusa megfelelő. yj^) pontokat olyan helyzetbe hozzuk. hogy az ( i . Ha igen. A gyakorlatban a kiválasztott empirikus képlet alkalmasságá­ nak eldöntéséhez az adott x^. A pontok jc" értékekkel skálázott abszcisszatengelyű és _ y érté­ kekkel skálázott ordinátatengelyű koordinátarendszerben ábrázolva közelítőleg egy egyenesre esnek. 4. fl)A kiválasztott pontok módszere. Pl. hogy az tékek pozitívak. és megvizsgáljuk.. n) pontok közé il- . A pontok kettős logaritmikus papíron ábrázolva közelítőleg egy egyenesre esnek. A paraméterek meghatározása Az empirikus képlet megfelelő típusának kiválasztása után megha­ tározzuk a képletben szereplő paraméterek numerikus értékét úgy.2. Linearizáló módszernek nevezzük azt az eljárást.. Leg­ gyakrabban az a) kiválasztott pontok módszere.yk) {k = \ . Ebben az esetben az x = x. . y ) síkon egy egyenesre illeszked­ nek. x e R empirikus képlettípust. y = lgy. és a kiválasztott empirikus kép­ let alkalmasságát a linearizáló módszerrel ellenőrizzük.y = g ( x . Kiszámítjuk a paramétereket. hogy a közelítés valamely feltétel szerint optimális legyen. . zés a c + d x = y lineáris kapcsolatot állítja elő. Empirikus képlet: linearizálás: lineáris függvénykapcsolat: y = ax^ + c. I = y = y\ y = ax + c. . A paraméterek meghatározása 235 3. y^ értékekkel kiszámítjuk az értékeket. n) értékpárhoz az előbb leírt lépések szerint megalkotjuk a megfelelő y = (p(x.234 A M ATEM ATIKAI STATISZTIKA ELEM EI 4. .2. A pontok közé közelítőleg egy hiperbola jellegű görbe illeszthető. hogy az j = c + dx függvény a megfelelő y ~ ~ leképe­ ér­ Empirikus képlet: linearizálás: y = ax ^ .a 2 . amely révén a síknak valamely 'x = f ( x . Könnyebb kezelhetőség kedvéért feltesszük. Empirikus képlet: linearizálás: y = ae ^^. A megfigyelt adatpárokat derékszögű koordinátarendszerben ábrázoljuk. x = lg x.y^. lineáris függvénykapcsolat: y = lga + b\ge. a ^ ) ( m < n ) . x = x. A görbét összehasonlítjuk a legfontosabb elemi függvényekkel és kiválasztjuk az empirikus képlet típusát. . . A koordi­ nátarendszerben ábrázolt {Xj^. A pontok az x értékekkel skálá­ zott abszcisszatengelyű és — értékekkel skálázott ordinátatengelyű koordinátarendszerben ábrázolva esnek közelítőleg egy egyenesre.. 4. hogy az ( ) értékpárok által fel­ vett pontok közelítőleg egy egyenesre esnek-e. vagyis lineárisan függnek össze. ^ 2. . a |. b) közepek módsze­ re. Ez mindig elérhető Xk =--Xk + q> yk=yk+^2 transzformációval.ai. . Feltesszük. y ) leképezésével a függvénykapcsolatban álló (Xj^.

Megjegyzés közepek módszerével leggyakrabban az i í transz­ ig formáció után kapott közötti lineáris kapcsolatot határozzuk meg. Az egyenlet­ rendszer megoldása után a paramétereket behelyettesítjük az (1) kép­ letbe. 2 . (p függvény Xj^ he- négyzetösszegét. 2 . < 22. m) pontjainak alkalmasabb választásával szüntethetjük meg. és mindegyik csoportban az eltérések öszszegét zérussal tesszük egyenlővé. n) értékeket és képezzük az ek=yk-(p{Xk\ai.2. .2 ... . ű 2 . (4). ) értékek (k = l . a ^ paraméterekre m egyenletből álló =(p(Xi-. legkisebb négyze­ tek módszerével a paraméterek numerikus értékét az eltérések négyzetösszegének minimum feltételéből határozzuk meg... .. Az jc és y helyére az eredeti változóknak megfelelő kifejezések behelyettesítésével kapjuk az jc és y közötti kapcsolat empirikus képletét. .2. ü 2 . véletlenszerű mérési hibák terhelik.a2..a^) (fc = l . .236 A MATEM ATIKAI STATISZTIKA ELEM EI 4.. ű] .a ^ ) (i = \ .. y.. de előbb egy újabb. . x és y közötti lineáris kap­ csolatot hozunk létre. azaz 'L^k = 0 k=í (7) . paraméterek numerikus értékét abból a feltételből határozzuk meg. . A (2) egyenletrendszer megoldása szolgál­ tatja az üj paraméterek numerikus értékeit. a 2 . Amennyiben még nem ismert az összes paraméter.-.. . A param éterek meghatározása 237 lesztett görbén kiválasztunk m számú (x..ai. akkor az ellentmondást a görbe (x ^. Mivel az adatokat pl. (5) értékeket. n) feltételi egyen­ leteket és a rendszert kb. .. és a különbségek (5) k=\ ) értékpárokkal jc^ vagy változó növekedésének sorrendjében felírjuk a yj^=axi^+b (k = l . . (4) átlagát. melynek általános alakja: y =áx + b. .(p ( Xk \a i. Ha a (2) egyenletrendszer ellentmondó.. Az így kapott két egyenletből álló egyenletrend­ szerből kiszámítjuk a és b értékét. Természetesen a «1 =0’ k=í k=fii+l «2 =0.. képezzük a (3). k=n^_i+\ =0> (8) egyenletrendszert kapunk. b) A közepek módszere. két csoportra osztva különkülön összeadjuk. így a kísérlet eredményeként A dk = yk . . A tapasztalati úton kapott n-számú (k = 1..a2 . . ezért az adott n számú (xi^. Az ún. Ellenőrzésül..n) ér­ tékpárhoz az előbb leírt lépések szerint megalkotjuk a megfelelő (1) empirikus képlettípust. hogy a (6) eltérések algebrai összege zérus legyen.-) (/ = 1 . . . . y j ) (/ = 1 ... m) (2) feltétel teljesüljön. ezért az yj^ mért értékek és a..yi^) pon­ tot m csoportba osztjuk. . Mivel így csak egy feltételünk van az m számú paraméter meghatározásához. A még ismeretlen paramétert tartalma­ zó (1) empirikus képlettípusba helyettesítsük be a kísérlettel kapott (Xk^yk) (k =1.. . 2. Ellenőrzésül az így meghatározott empirikus képlet felhasználá­ sával kiszámítjuk a értékeket és képezzük az yj^ tapasztalati értékek és a . a különbségek n kapott (Xj^... a ^ ) különbségét. . . a kiszámított ű j. Ezzel az eljárással előállítjuk a szükséges m számú feltételi egyenletet. . .. c) A legkisebb négyzetek módszere. . m) pon­ tot és ezeket behelyettesítve az (1) képletbe.. . . n ) (3) részfeltételekkel együtt a (7) is teljesül. akkor ugyanezt a módszert alkalmaz­ zuk még egyszer. megfelezve. Ű2 >• ••> paramétereknek (1) képletbe való behelyettesítése után. . az a i .2... Az ű] ... . n ) (6 ) eltéréseket.2. 2.

vagyis a„ = 0.a2 . akkor a különbségek értéke (k = l. a tapasz­ talati adatok is elég pontosak. . így képlet: = 0. . hogy méréseink táblázatba foglalt adatai: 239 lyen vett helyettesítési értékei általában mástól. 8 k= i tehát 8 'Zyk . hogy az előbbi módszerekhez viszonyítva több számítási munkát igényel. ^ yh = 0. . . hogy ha a különb­ ségek négyzetösszege. különbségek értékét. . azaz y k-(p{Xk\ ai.0. ábra. Kiszámítva az m szá­ mú ( 11) egyenletrendszerből az m számú paramétert és visszahe­ lyettesítve az (1) egyenletbe. .ax. Használata akkor célszerű. ami a közepek módszerénél nem mindig áll fenn. a különbségek d átlagát és d^ négyzetösszegét..aJ= k=l (10) függvény minimumát amely az a^. . Ez azt jelenti.<j) normális eloszlás. feltételi egyenletrendszer megoldására. és hasonlítsuk össze a dj.0715 = a . a2. (4) és (5) értékeket.0426 20 0. ^ = 0.00286. ’ dü2 dF =0 da. (1 1 ) ►X 5 10 15 20 25 30 47.a 2 . Megoldás A pontokat koordinátarendszerben ábrázolva (47. Ha 9 a paraméterek szerint differenciálható. Hátránya."O^A-) = 0 . ..00287 x . hető a függetlenség és az N(0. akkor a feladat visszavezethető a dűl =0. . .am) = Bi^. A feladat tehát olyan y = (p(x-. b) és c) módszer szerint.0276 15 0. Tehát az a) empirikus függvényt regressziós függvénynek vagy regressziós görbének szokás nevezni. ai .. a) A kiválasztott pontok módszerével üq ún. Ellenőrzésül képezzük (3).a 2 .. n) is kicsiny..a2. hogy képeznünk kell az F(ai. . Ü2 . . ha.5 0..238 A M ATEM ATIKAI STATISZTIKA ELEM EI 4. .0758 mérési hibákról (a tapasztalatok szerint) általában felte­ függvény keresése. .0648 25 0. amely minimalizálja a mérési hibák hatását.) = 0. megkapjuk az empirikus képletet.ai.a^ g R) (12) szunk x-j = 2 5 és y. Pontok közé illeszkedő egyenes A pontok közé illeszkedő egyenes empirikus képlettípusa y . .0572 22. ábra) látjuk. .. amely a pontok közé illesztett egyenes ordináta értéke.00287. a ^ változók nemnegatív függvénye. A legkisebb négyzetek módszerének előnye. A paraméterek meghatározása Példa Tegyük fel.0143 10 0. kicsi. azaz az eltérések négyzetösszegét. 2.0725 26 0.. a ^ ) (m < n ) Határozzuk meg az empirikus képletet az a). hogy azok jó k öze­ lítéssel egy egyenesre esnek. d^. ' 25.0715 értéket. a ^ ) (m< n) ( x . Az { értékkel eltérnek egy­ k (9) X 0 0 5 0.2.ai. .00286 X b) A közepek módszeréhez 0. A véletlen hibákkal rendelkező mérési adatok alapján meghatározott y értékének meghatározásához válasz- ~(p(x-.. k=l -et. . . és így flo = — — ..

240

A M ATEM ATIKAI STATISZTIKA ELEM EI

4.3. A statisztikai modell

241

c) A legkisebb négyzetek módszerét alkalmazva a (lO)-nek megfelelő függvény

8 F(r,ao) = X(}'A--aoXkf. k= \
A -t a szélsőérték létezésének feltételi egyenletéből kapjuk:

4.3. A statisztikai modell Az I. rész 3. fejezet 3.1.4. és 3.1.5. pontjában definiáltuk két való­ színűségi változó, X é s Y w(Xi, y j ) =P(X=Xi , Y = yj ), (í = 1,2,..., n; j = 1,2,..., m)
n

Deriválás után 2-vel egyszerűsítve

együttes eloszlását, -aQXk) = 0,
m

8 kH 8 1,yk^k «()=■

)= Z j^\ peremeloszlásait, a

’y

.

i

=Z

’y j ) ■ >

es Így

tehát az egyenes (regressziós egyenes) egyenlete: =<p(x) = 0,00288. Az adatokat, a valamint az egyes módszerekkel kapott empirikus függvényhez tartozó kiszámított ordináta és d/, értékeket táblázatba foglaltuk, melyből látható, hogy legjobb eredményt a legkisebb négyzetek módszerével kaptuk. ( dah (10-") 0 0,0144 0,0287 0,0430 0,0547 0,0646 0,0718 0,0746 0 0,0144 0,0288 0,0432 0,0576 0,0648 0,0720 0,0749 0 0 -10 -3 0 +4 +10 + 14 41 idb)k (10-^) 0 -1 -11 -4 -2 +2 +7 +12 39 (d,)k (10-") 0 -1 -12 -6 -4 0 +5 +9 37

Cov(X,Y)=M[(X-M {X)\Y-M (Y))\='^Xiyjw(Xi,yj)-m,my = IJ ^ M (XY)-m^my kovarianciáját és az
Coy(X.Y) _ M{XY)-m^niy

X jt 0 5 10 15 20 22,5 25 26 123,5

yk 0 0,0143 0,0276 0,0426 0,0572 0,0648 0,0725 0,0758 0,3548

i ya)k 0 0,0143 0,0286 0,0429 0,0572 0,0644 0,0715 0,0744

^yh)k

(yc)k

Í N k=l
í n
l-= l 8 8

^ ’ ’ D(X)D(Y) D ( X ) D( Y ) korrelációját. A korrelációanalízis a valószínűségi változók közötti sztochasz­ tikus kapcsolatok felderítésével és e kapcsolatok szorosságának, erősségének mérésével, a regresszióanalízis pedig az összefüggő változókra vonatkozó, adott tulajdonságú függvénykapcsolatok megadásával, képlettel való leírásával foglalkozik. A kovariancia a két változó együttes változását, a korreláció a két változó kapcsolatának szorosságát jellemzi. Ha egy Y valószínűségi változó sztochasztikus kapcsolatban áll egy X valószínűségi változóval, akkor az Y értékét célszerű az M ( Y X = x) feltételes várható értékkel becsülni. A becslést min­ den x-re elvégezve, kapjuk a

5,125

4,875

4,625

( p( x )

= M (Y\X = x )

(x g R )

(6 )

ún. regressziós függvényt.
421 339 287

k=í

A (p(x) függvényt úgy célszerű megválasztani, hogy a (p(x) ér­ tékek a lehető legközelebb legyenek az Y értékeihez. A közelséget

242

A MATEM ATIKAI STATISZTIKA ELEM EI

4.5. A statisztikai modell

243

mérhetjük például az (F - (pix))^ várható értékével. A (p{x) -et úgy választjuk meg, hogy a várható érték minimális legyen, tehát az M ((y - ( p ( x ) f ' j = min feladatot kell megoldanunk. Ez azt jelenti, hogy a (p(x) regressziós görbétől az Y értékeinek négyzetes átlageltérése a legkisebb. Ha az X és F együttes eloszlása normális, akkor a regressziós függvény lineáris, grafikonja egyenes. A legkisebb négyzetek mód­ szerével kapott eredmény alapján az Y értékeit legjobban közelítő függvény a regressziós függvény. Az együttes sűrűségfüggvényből a regressziós függvényt y=( p( x) = R ( X , Y ) D(Y) ( X - M ( X )) + M ( Y ) , ( x e R) D{ X ) (7)

A korrelációanalízis szóhasználatában az R (Z ,F ) a lineáris kap­ csolat mérőszáma, elnevezése: korrelációs együttható (koeffici­ ens), és leggyakrabban r-rel jelölik. Mint már láttuk -1 < r < 1 és r = ±1 esetén a valószínűségi változók között lineáris függvény­ kapcsolat van, ha viszont r < 1, akkor a függvénykapcsolat típu­ sára nem, de a 0 és 1 között elfoglalt helyétől függően a lineáris kapcsolat erősségére következtetést vonhatunk le. Ha r = 0, akkor az X és y valószínűségi változókat korrelálatlanoknak mondjuk. A független valószínűségi változókra r = 0, de abból, hogy r = 0, általában még nem következik a valószínűségi változók független­ sége, de normális eloszlásúak esetén igen. K. Pearson a változók szorosságának mérésére az F-nak X-re vo­ natkozó várható értéke varianciájának és az Y varianciájának há­ nyadosát javasolja: ^ _ V a r ( M ( í' X)) *2Var(K)

alakban állíthatjuk elő. Ha az X, Y változókra ismert egy (X i,F i), (X 2,>2) , ..., statisztikai minta, akkor lineáris korrelációt feltételezve, a paramé­ tereket a mintából kapott (x/, j,-) egyenletes eloszlású diszkrét értékekkel becsülve:

x))

(*)

A (*) formulával kiszámított Q számra teljesül az
0< Ö < 1

egyenlőtlenség. ^(X i-xY i=l Q pozitív négyzetgyöke -Jq, az ún. korrelációhányados csak akkor 0, ha X és F valószínűségi változók függetlenek, és csak akkor 1, ha X és F között függvénykapcsolat van. A becslő formulák felhasználásával a (7)-ből a regressziós egye­ nes mintabeli becslésére 1 77x2 -(x -jc )-h y R ( X ,7 ) « r =
í = l

ly i

es Így

(8)
V i = l

X(X i-x)
i=l
v n V / = l

V1=1

í=i

egyenletet kapjuk, melyből az egyszerűsítéssel előálló:

244

A MA TÉMA TIK AISTA TISZTIKA ELEM EI

4.3. A statisztikai modell

245

melynek megoldása: ■{x-x) + y /=! alakot használjuk. Megjegyzés Ha a legkisebb négyzetek módszerét alkalmazzuk a pontok közé illeszkedő egyenes y = ax + b képlettípusára, akkor az F(x-.a.b) = f ^ ( y i - a x i - h f kétváltozós függvény minimumát kell kiszámítani, amely az > 2 mm M (Y-aX -by követelmény mintabeli becslése. A (10) kétváltozós függvény mi­ nimumának kiszámításához képezzük a függvény a és b szerinti parciális deriváltját. A deriváltakat 0-val egyenlővé téve, a-va és bre a következő egyenletrendszert kapjuk: K i=l - b){-Xi ) = 0, (10)
Példa A táblázat egy finom fémszál átlagterheléseknél mért átlag megnyúlásait tartal­ mazza: xkg ym 12 0,7516 14 0,7628 16 0,7728 18 0,7836 20 0 ,7 9 5 6 22 0,8065

(9)

'%{Xi - x){yi - y) a=M . 2

és

b = y - xa

(1 2 )

A két változó között lineáris regressziót feltételezve számítsuk ki a korrelációs együtthatót és a korrelációs egyenes egyenletét. Megoldás A számítás menetét az alábbi táblázat szemlélteti: k 1 2 3 4 5 6
Xk

yk 0,7516 0,7628 0,7728 0,7836 0,7956 0,8065 4,6729 0,7788

X^

- X

yk~y -0,0272 -0,0160 -0,0060 0,0048 0,0168 0,0277

(Xj^

-x)iy/^-y} 0,1360 0,0480 0,0060 0,0048 0,0504 0,1385 0,3837

(Xk - x f 25 9 1 1 9 25 70

(yk-yf 0,0007 0,0003 0,0000 0,0000 0,0003 0,0008 0,0021

12 14 16 18 20 22 102 17

-5 -3 -1 1 3 _

(-= 1 Az egyenletrendszer egyetlen (a,b) megoldása az F nemnegatív volta miatt, a (10) függvény minimumát adja. Az egyenletrendszer rendezésével kapjuk az ún. normálegyenletrendszert:
n /=1 n i=l n i=l

I
1 /6

A lineáris kapcsolat feltételezése jogos volt, tehát a regressziós egyenes egyenle­ tének paraméterei:

'Zxiyi=aY,Xi + b ^ X i ,

_________

, 0,3837 = 0,0055, 70

/=i
b = y - x a ^ 0 ,7 7 8 8 -1 7 -0 ,0 0 5 5 = 0,6853.

= a'^xi+ b-n
i =l i=l

(11)

A regressziós egyenes egyenlete: y = ax + b = 0,0055x -l- 0,6853.

fejezethez 1. születések 1970 13 1971 24 1972 32 1973 46 1974 57 Állapítsuk meg a születések száma és az évek közötti kapcsolatot. Ellenőrző kérdések a 4.7 626 98. akkor határozzuk meg a regressziós egyenes egyenletét. - cm 101. Hogyan állítható elő néhány nevezetes függvénytípus lineari­ záló képlete? 4.íji I . évek yf.246 A MATEM ATIKAI STATISZTIKA ELEM EI E. Egy darabológép 100 cm-es rudak vágására van beállítva.4..4. Egy változó lélekszámú faluban a születések számát öt egymást követő év­ ben az alábbi táblázat tartalmazza.4. fejezethez S. M l-X'. Hogyan választunk empirikus képletet? 2. akkor határozzuk meg a regressziós egyenes egyenletét. Ha az adatok alapján lineáris kapcsolat feltételezhető. S.3 609 103. Feladatok a 4. Véletlenszerű kiválasztással hat rúd hosszát és súlyát lemérik. Hogyan állítjuk elő a regressziós függvényt? 7. Mit mér a korrelációs együttható? 6.4. X f. Az eredményt a következő táblázat tartalmazza: X .2 579 100.6 586 99. Hogyan definiáljuk a legkisebb négyzetek módszerét? 5.1 605 yk dkg Számítsuk ki a korrelációs együttható értékét és ha a két változó között feltéte­ lezhető a lineáris kapcsolat. .9 594 97.1. Mit nevezünk linearizáló módszernek? 3.2. Hogyan számítjuk ki a lineáris regressziós egyenes együtthatóit? S.

3. akkor a zöld sincs nyitva. hogy nyitva van. Ha pedig a vörös zárva van.C .C)(B . a) Mindkét kapu nyitva.L Az 1. c) a zöld kapu nincs nyitva (a vörös lehet. e) egyik kapu sincs nyitva. pontja szerint: b) A + A B ^ { A + A){A + B) = 1 {A + B) = A + B. . Az események összege I.2. RÉSZ FELADATAINAK MEGOLDÁSAI V .l . de a vörös zárva. A műveleti szabályok e. vagyis. de az is lehet hogy zárva van).l.1. A( A . RÉSZ MEGOLDÁSOK AZ I. 2. (A . de a zöld zárva.B ) + AB = A + AB + AB = A + A(B + B) = I. g) a zöld nyitva. fejezet feladatainak m egoldásai V .B) AB = (AB){AB) = ABAB = AÁBB = A 0 = 0 . c) (A . h) mindkét kapu zárva. b) legalább az egyik kapu nyitva. ha a vörös nyitva.j5 ) = A( AB) = ( AA) B = 0 B = 0 . d) a. f) a „zöld zárva” és a „vörös nyitva” események közül legalább az egyik teljesül. i) legfeljebb egyik lehet nyitva. akkor a zöld lehet nyitva is meg nem is.C) = { AC) { BC ) = A B C C = (AB)C = A B .1. és páronként kizárják egymást: A + ( A . A(AB)^(AA)B = 0 B = 0 . V. V. a) b {b a ) = (B B) A = 0/1 = 0 .III. vörös kapu nyitva.

8449. C csak az egyik hibás esemény. 64 d) Legyen A legalább az egyik hibás. í 3./5 } .1551.64. (de Morgan). F5 . aj minthogy A B + A B = ( A + A ) B = I ■B = B. P(A)=-^Visszatevéssel: P(A) = 2 30 50 = 0. e) Legyen A legfeljebb az egyik hibás.P { A B ) .1. B C = 0 . a sportpálya területe 100-80 = 8000m ^. F3. F4.W = l--^ =f = 0. Visszatevéssel: P{A) = 50 = 0. 12.1. és így P{A) = P(B) + P(C). a B azon elemei. ezért P ( B ) . Visszatevés nélkül: c) és a) összege: P(A) = 0. V.48. I S ] .8. A z 1. és így P(A) = P(B) + PiC).7./3 .84. akkor A = B + C. F6} B = {F2. b) A vagy B azaz A u B = {F2.4. akkor legalább egy fej (nem mind írás) A eseményének valószínűsége: W =l. Visszatevés nélkül: b) és c) összege: P(A) = 0. 12] .I5} 20Y30 V. = 0. F6. Visszatevéssel: b) és c) összege: P{A) = 0. B és C azaz B n C . F 5 J 2 . tehát ' 8000 _ 2 _ ^ 60000 15 ’ ■ 64 f) Ha A jelöli a „mind írás” eseményét. ezért P{B) = P(AB + AB) = P(AB) + P{AB). V'6-2<^=64. F4. de AB és AB egymást kizáró események. k) csak az egyik kapu lehet nyitva. F3. a) A Q elemeiből azok az A elemei.P ( A B + A B ) .5. A 6 hektár 6 10000 m^. k Ha y\-val jelöljük a kérdezett eseményt. P(A) = ~ \ 64 d) Azt a helyet.250 j ) legfeljebb egyik lehet nyitva. amelyen fej áll = 6 módon választhatjuk ki.1. B egyik sem hibás.98. Visszatevéssel: c) és a) összege: P{A) = 0.1. így e) 4 fej dobása k = ^ = 1 5 -féleképpen állhat elő. a) Visszatevés nélkül: P{A) = 0 C = { /l. B C = 0 . akkor A = B + C. M EGOLDÁSOK V J .48979. 2Y2£^ "30 50 [0 |5 0 20 50 30 = 0. /5>.1. A fej és írás dobás elemi események lehetséges számát 2 elem hatod osz­ tályú ismétléses variációi adják: c) Visszatevés nélkül: P{A) = Visszatevéssel: P{A) ~ *"50^ 2 = 0.16. amelyek sem az A-hoz sem a C-hez nem tartoznak: B n A n C = { F3. = 0.{ l 3 .P { A + B ) ^ l . F5.6449.3551. tehát '6^ V.36. V. fejezet feladatainak megoldásai 251 b) Visszatevés nélkül: P(A) = V. amelyek az F betűből és a páros szá­ mokból állnak (hasonló meggondolással adjuk meg B és C elemeit): A = { F2. C mindkettő hibás esemény. akkor a P(A) = — képletet használva: a) k = l b) k = \. 73.6. b) P{A + B ) = ^ \ . B csak az egyik hibás.

Tehát P (l)= ^ . I F2 . V. B . P (4 )-4 /7 . FI 2. 7/2} C = {f i 2. tehát P(A).6.6}) = A + A + < 0.A2. FI2. F (4 )= ^ . A . FI 3.P (l) = — . 115.p. 7^(3). amelyből p = ^~ vagyis P ( A i ) = ^ .1.l. akkor p + 2 p = l .4. ajHa P(l)=p. akkor P ( 2 ) = 2p . M ] ) = P { N ) + P { M ) ^ j + j = ^ . FF5.. FFó}. tehát P ( B ) = ~ = ^ = 0. tehát csak az d) A függvény valószínűségi mezőt definiál a Q-x\.l. fejezet feladatainak megoldásai 253 V.75}) M EGOLDÁSOK V. ezért a Q eseménytér elemszáma 66 .FI\.6 } ) = l | . axióma szerint: p({A 2 ..1.5}. A n C = 0 .3.10.{egyik sem hibás} események valószí­ F{A0-2p = 2-^ = \ . így a feladat szerint nűségét P(A)-t és P{B)-t kell meghatározni. FF 4. Az A = {mindkettő hibás} ill. V. IF2. FF A. P ( 0 = P ({U 5 }) = | . B \ { A u C ) = { i I2}. IFS}. IFA. I P( 6) =6p. c) A III. III. FIS. Ha P ( M ) = p.14. FI 6.p + 1 3 1 . FF 6. P m = ~ .1. akkor p + -j + -^ = l.13.9.5} tehát P (fin C )= P ({3 . d) Legyen P( A 2 ) = p.6} tehát b) Legyen ^ (^ 2) = p. IF3. tehát p + /j+ p + 2 p + 2 p ~ \ . 1 nem tartozik hozzá.3. P ( 5 ) = |j .1. 2. FF2. 112. IF3. FI 3. j } ) = P ( M ) + P{A) + P ( i ) = l + l + l = l . é s P( N) =P(B) = 2 p. a) Legyen Pi Ax ) .252 c) A páronként egymást kizáró események A és C. b) P(A) = P({2. b) p { { N . 10 p (fi) = p({2. I F2 .11. mivel a valószínűségek nemnegatív értékek és összegük 1. F (5 ) -5 p . IF6.5 }) = A . B kj C = {f f 2. B = {f F2. amiből + p + 2 p = l. V. FIS. FI 2.^ . akkor P ( M) = P { A ) ^ P { J ) = p . IFI. FIA.1. p + 2 p + 3 p + A p + S p + 6 p = l. a ) Q = {f F\. ( A n B = {F2l f in C = { /3 . ezért amelyből P = . FF3. C 3 j a fi-hez nem tartozó páros számok eseménye: A n B = {4.—. mivel a valószínűségek összege: 2 b) Mivel PiA^) = 3 4 5 60 {{m . ^3 }) = PÍA 2 ) + P(A 3 ).113. c) A függvény valószínűségi mezőt definiál a Q-n. A z öt elemi esemény valószínűségének összege 1. V . A négy hibás tranzisztorból kettőt ' 4' ^ ^ = 6 -féleképpen lehet kiválasztani. akkor 2 ^ 4 . ni. FIS. tehát p (A n fi)= P ({ 4 . IFI.4. leképpen lehet kiválasztani. c) A n B = {FF2}.| j . mivel minden valószínűség 1nél kisebb pozitív szám és összegük c) C| ) a páros vagy prímszámok eseménye: A kj B = {2 . amelyből pa) p 1 7 V. vagyis P ( A i ) . P(6) = ^ . FI 3. P{3) =3p. IFS}. 112. Mivel a valószínűségek összege 1.12. és P .j . II A. ezért a függvény nem definiál valószínűségi mezőt.5}) = ^ . C2 j a páratlan prímszámok eseménye: B n C = {3. IF5.^ 1-2 66 ir ^ A nyolc hibátlan tranzisztorból kettőt f p = l. Mivel 12-ből 2-t fl2 1211 = 66 -fé­ 1-2 P{A 2 )+P{A^)=2P{A\)■ Ha P ( A i ) = p .116} b) A = {f f 2. IF3. ezért P ( A u B ) = 1 . aj Nem definiál valószínűségi mezőt. 66 33 8 -7 = 28 -féleképpen lehet kiválaszta1-2 . A z 1. akkor P{A^) = 2 p és p=3P( Ay) . p = A & t g y P ( A ) = f = -i^.

1. az a és c közötti ívhosszát pedig y (48. azaz C .. ábra). F(yl) = l . ábra. amiből P{B) = —.^ = ^ . a 3h^ 4 /j2 3 4' P i A Kj B) = Pi A) + P ( B ) ~ P { A n B ) egyenletbehelyettesítve: -^ = ^ + P( B) .B .17. 100 20 100 vagy mérnök személyi lap kiemelésének valószínűsége.16.18. V. 2h kerületű kör 2h 49.254 M EGOLDÁSOK V. 2h oldalú négyzet A 0 < x < 2 h és 0 < y < 2 h egyenlőtlenségeket kielégítő (x.1.1.1 = 1 .1. a P(B) . (A 49. ábra négyzetének bevonalkázott részei.o s dobás száma kísérletek száma 3 .P { A n B ) = ^ + ^ .19. y < h. Az A halmazt a Q azon részhalmaza alkotja. 4 A C = {legalább egy hibás} esemény valószínűségét. P{AnB) = P iA )-P {A r\B )= ~ -~ = -^ 12' 3 1 1 2 .20. A kör kerülete legyen 2h hosszúságú. y) pontok alkot­ ják a Q halmazt (49.P(B) összefüggéssel számítjuk: Pi C) = p V. fejezet feladatainak megoldásai Y. b és c a félköríven fekszik. b) r = = 0.P(B) = 1 .x > h\ d) y < h és x . P { A n B ) = ~ 8 P{AnB)=^\ 4 P ( A u é s o 255 P ( B n A )^=^.L A z 1. 1 4 + 2 0 + 15 c) r = 2h páratlan szám dobás száma 100 prímszám dobás száma 100 17 + 2 0 + 1 5 100 ÍÖ Ö h 48.as dobás száma 100 16 = 0. tehát A területe P = Q területe V. =^ = = P (A n fi) = ^ = l tehát a férfi képlettel számítjuk ki. y > h: c) x < h és y .15.1. a) r = f 6 . amelynek pontjai kielégítik az alábbi egyenlőtlenségeket: a) x .P ( ^ ) = 1 . ábra). ábra.) Ekkor az A azon pontokból áll. a 6. tétel felhasználásával: p = P ( A u B ) = PiA) + P i B ) . Az óramutató járásával megegye­ zően haladva a kör kerületének a és b közötti ívhosszát jelölje x. gyakoriság (az esemény bekövetkezésének száma) kísérletek száma V. A relatív gyakoriságot az (B) = 1 .—. b) x . mivel C a fí komplemense.y > h.l i = 1 | .16.l . amelyekkel a.

6).25. A szorzástétel felhasználásával: /j = .l14-14-1 -» -l +l = =.6) dobás esetén.3) (5. (6. A P{A u fí) = P { A ) + P { B ) .4 = 48 lap között még 1 3 .9 = 39 lap egyike sem pikk.^ .6.4) (S.F { A ^ B ) + P { A ) + P { B ) = . hogy legalább egy pikk lesz a három lap között: 1 8157 2 V. 3. megjegyzés szerint p(A nB)=p(ÁÜ B)=l-P(AuB) = l.5.(5. ezért V.1.5).8. hogy egyik lap sem pikk.5K 5. így p = =A 16 8 és az 1.3. Mivel 10 esetben következhet be két páratlan szám összegeként páros szám. A 2.2.2.2. A 2.10. tehát P = hiszen B-nek csak 11 különböző eleme van. ‘ 10 9 8 40 V.5)} A 10 vagy 10-néI nagyobb pontszám dobása háromféleképpen jöhet létre (5. ha mindkét összeadandó páros ill.5) (4. A .5) (5.6 -féleképpen választ­ c) P { A kj B) = -^-.2. V. ezért '39^ 3 = 9139 módon lehet hármat kiosztani 9139 Tehát 17296■ és így ? (a ) = i - p (a ) = 1 úgy. | =l 4 8 8 8 4 1 P(B) 5 5’ P=~6=lb ) B = {(5.6)} A pontszámok összege 10 vagy 10-nél nagyobb: (5. .2. )= 1-PÍB) = \ .5).2.6) (l. fejezet feladatainak megoldásai V.5) (6.(5. V. A 2.1) (5. 7.2) (5. Mivel i .256 M EGOLDÁSOK V. 9 páratlan számok közül kettőt pedig = 1 0 -féleképpen. d) Mivel p {b hatunk ki. b) P(B\A) = ^ - P(B\A) = P{BnA)_ 4 _2 F (A ) 3 3■ V. (5. A . P { F ) = 0. Ha M = {matematikából elégtelen hallgatók} F = {fizikából elégtelen hallgatók}. a) Jelölj ük/4-val azt az eseményt. (5. 5) (2. mindkettő páratlan. 48 lapból hármat = 17296 -féleképpen lehet kiválasztani.2.{5.7. A = . Két szám összege páros szám. akkor A = {(5.5).^ ~ ~ = . így 6-1-10 = 16 esetben kaphatunk páros összeget. 21 TT 1 OA -in oo 32 -ü 31 30 29 28 75516 P (M ) = 0.3).^ = ~ .2. ha az 1-es kockán 5-ös van felül.4 = 9 pikk van. 5.5) (3. A szorzástétel alkalmazásával: P ^_8_ _ 7 .2. tehát 2 1 P { A n B ) = . a) F(A|fi) = l . = annak valószínűsége.4. fejezet felad atain ak m egoldásai es Így V.i K 5. vagyis ennek valószínűsége /?. 4. 6. 5) (5. Négy pikk lap kiosztása után az 5 2 .2).4).™ = ™. az 1. akkor . 8 páros számok közül kettőt ( 4^ .2.2.P { A n B) összefüggésből: 257 V.\5 és P{ M n f ) = 0.

lány fi. s mivel ezek egymást kizáró események.9. fejezet feladatainak megoldásai p = p( T) = p { A r ^ B n c ) + p { A n B n c ) + p { A n B n C ) = 259 = p (A )p (fi)p (c )+ p (a ) p ( ő ) p ^ ) + p (a )p (p )p (c )= = 1 1 1 + 1 1 1 + 1 1 1 = 11 6'4'3 6 4 3 6'43 12' b) Annak valószínűsége. tehát 1 1 P{AnB)=p{A)p{B)=^. 7.í0V. akkor az adatokat a következő táblázatba rendezhetjük: B A A 50 450 500 B 60 1440 1500 J^sor 110 1890 2000 í> ( 4 n s ) = p ( J > > ( s ) = || = i A megoldást az A k j B = A n B összefüggés felhasználásával is előállíthatjuk: p (a n B )= p ( 4 Ü f í ) = d) 1- P ( A u fí) = 1— 1 =1 .P { B ) = 1 V.B^ egymást kizáró események.P ( A ) = ^ . p {b ) = \ .1 0 = 0 3 0 = — . hogy ha van találat azt Balázs érte el: P{A\T). s ^ oszlop mivel A p { A n B ) valószínűséget keli meghatároznunk: f ( a ) = 1 . p (a )= 1 -P (A ) = 1 . a három esemény független.B^ az X. ezért . A hibás esemény. a) A „pontosan egy személy talál a céltáblába” T eseményét T = ( a n B n c ) u (a n jBn V.2. B^. fi= {n öélm églO évet}. így li 72 31 b) p { A u B ) = p { A ) + P { B ) .^ 4 3 1 12' P(AnT) = p ( A n ő n C ) = | | | = :j^. p {b ) = —. ezért p ( J n B ) = P (A )p (fí) = . és pP) =| . p (b ) = | .2.B^. teljesülnek a teljes valószínűség és a Bayes-tétd feltételei.By. hogy csak Balázs ért el találatot. Ha rövidlátó A. P(ő) = | . teljes rendszert alkot­ nak.L egyen A = {férfi él még 10 évet}. ezért egyes eseményekre.2.258 M EGOLDÁSOK V. f ( c ) = |. A 2. akkor p ( a ) = . nem rövidlátó A.1 = | .10.j . B^.11. P { c ) = Y .25+ 0 .i.2. A z adatok alapján: c)u (a n B n c) képlettel adhatjuk meg. Mivel V . Események: A = {Balázs talál}. B = {Robin talál} C = {Nándor talál} te­ hát p {a )= . fiú B jelölést használjuk az s mivel A é s B esemény is független.2.P ( M n f ’) = 0.± = ± c) A p [a n ö ) valószínűséget kell meghatározni.P { A n B ) = ^ + ^ . A és ö független események. Z üzem ter­ mékének eseménye.12.1 5 -0 . tehát c) P ( M u F ) = F ( M ) + P ( F ) .45. másrészt a) A z A és B független események. Legyen A hibátlan. A r \ T = A r \ B C\ C esemény jelenti. b) P i A \ B ) = j ^ = 0. d) P(B|A) = ^ = 0.

^ .17647. P ( A \ b ^ ) = 0.9655.|^ ) = _ í í M 2 £ W _ ^ .02. ) k= \ .8 + 0.2. így P{A B) = P(A)P(B) = 0.3 10 PiA\B^) = ^ .96 + 0. P (A |s . A 2.2 = 0. 261 = 0. V.98.0346 = 0. c) Bayes tétellel számítjuk.----------. azaz a hibás cipők 40.) = 0.00001 . ) P{ B.45% hibás. Ekkor = = W .9 ■ 0.26. -k függetlenek és P(A^) = 0. fejezet feladatainak megoldásai a) P(Ai ^2 A3 A4 4 ) = P{A^)P{A2 )PÍA^)P{A^)P{A^) = 0. P { B ^ ) = 0.96. hogy a terméket a fc-adik gép készítette.15.2 = 0.8 = 0. b) P(A. a második szalagon gyártotté pedig B.99999.35. jelentse azt. p (b.6% -a származik az X gyárból.13.P( Á) = 1 -0 . V. „Egy gép sem működik”.9 1 5 ^ 0 .4 •0.59049.35 ■ 0. 3.P(A B) = 0. M EGOLDÁSOK P ( ^ B ^ ) = 0. Az előző ellentettjeként számítható: 1 . A2 1 3 Á4 Á5) = P{A^)P(Á2)P(Á^)P(Áí)P(A^) = 0 . ül.3) azt. azaz a cipők 3. Y^P{ A\ B. .1^ + 5 ■ 0.28.014 0.18 valószínűséggel az X gép készítette.15.0. P(.58% az Y gyárból származik.1 • 0.9.55% hibátlan.^ = 0.2.| | .ÁB + AB) = P( AB) + V. b) Az A esemény teljes valószínűsége: P{A) = P{B^ )P( ) + P{By ) P(A\ By ) + )P(A\ b ^) = P(A |fíi) = . Az előző esemény ellentettje: p = \ .02 = 0.4058. Az .2.) = f & = 0.2. 0.) = 0.04.1^ = 0.3 0 Ö 0. 0. {k = 1.95 + 0.0 3 4 5 = 0.5 Ö = .4. Jelölje {k = 1.00001 = 0. Az Af. amelyet az a) eredményéből is képezhetjük: P(A) = 1 .4.05.4 •0.9 ■0. „pontosan egy gép működik” egymást kizáró ese­ a) A z A esemény teljes valószínűsége: mények.2. hogy az Y üzem a hibás cipők hány százalékát szál­ lította: P{BJP(A P{B.00045. P ( B y ) = 0.9^ = 0. d) A c)-hez hasonlóan kapjuk: azaz a hibátlan cipőknek csak 24. hogy a fc-adik gép üzemszerűen működik. V.98 = 0.72. Alkalmazzuk a Bayes-tételt.25.02.0.95. Mivel az A és B események függetlenek.5 25 J Ö ’1 Ö ^ J 5 ' 1 Ö ^ 1 5 .2. p (a B) = 0. p (AB) = p ( A) P( B) = 0.0345.1^ = 0 .5).260 P ( B ^ ) = 0.9 •0.05 + 0.1 •0. tehát p = 0. A) = P( A) 0. P( A) = P{B^)P(A B^) + P{ By) P{ A B J + P ( B J P ( A B ^ ) = = 0. vagyis a cipők 96.9655. />(a|ő3) = .04 + 0.25 •0. P { A \ B y ) = 0. P (Á |fi. 17 Tehát a szépséghibás darabot kb.14. Az első szalagon gyártott hibás termék választás eseménye A.3 10 ^ 0.35 ■ 0.

A 3.m ^ =9 0.3. + 3 .2 0 .l .3.5 = 2. fejezet feladatainak megoldásai V.m ] = ^ y j v i y j ) .) M { X ) = 2.3.95.5 / = ^ x f v { x i ) .= 1•0. ui. ^(1..2 .1 5 .A ) a ) M (X ) = 3.-3) = 0.) M (F) = 1.1 ez pedig nem egyenlő a megfelelő peremeloszlások szorzatával: ' (pl.0.m ^ = 2 6 .M (F ) = l. 3 1 sége —. 2 és 1 fej dobásának valószínű- 8 v ( l ) « ( .2 4 j D (F j = V ^ . j M ( XY) = ^ X j y j w { X i .5 + 3-0.F = -3 )7 t p { X = 1) • P{Y = -3 ).6.1 = 8.3.3 4 0.i .3.D (F ) = 4.2. i j = V ÍÖ -3 .3.4 0 . i my = ^ yj U( yj ) = .3 = 0.25F. .) = l-0 .25.3 b) A várható értékek: mx = 2 ^ . = 9 . í + \ ' 2 .4.17.5.3 • 0. y j ) = l .F) _ -1.2 + . |+ l . V. Mivel 3 fej dobásának valószínűsége —.3.m l = J ^ x f v i x i ) .3 + 16 0 . 2 fej 6-szor fordul elő.4 + 2 •0. 6 = -1. | . j = V ^ .1 6 = 10.2.5 3 0.m^niy = 0 . V . . b) m = .5 .F ) = 1.7.262 M EGOLDÁSOK V. .5-0. tehát ÍJ C ov(X . = (var(y) = D^( Y) ) = 0. a) Peremeloszlások adják az X és Y eloszlását: 263 V. mivel pl. 8 7 .4 + 4 0. D (X ) = 1.3 ) 0 . b) A z Y eloszlása: yi v(yi) 0 1 16 1 7 16 2 5 16 3 2 16 4 1 16 D^{Y) = M { Y ^ ) . D (F) = 0. A 3.3.9. c) D^ { X) = M { X ^ ) . 2 fej egymás után 5 esetben következik be. 0 4 tehát a korrelációs együttható: n(Y Y \ . V.3 ) = 0. = 0. i + 3 . (pl.Cov(X. i =| 4 tehát a játékos szempontjából kedvező a játék. 3 írás dobás valószínűsége —. yi v(yi) -3 0. C ov(X .4 2 0.2 “ D( X) D( ¥) .2 ^ = 1 / D (X )= v r = i.4 = 0. stb.5. F) = M (XY) .T W d) Az X és F nem független. ezért a várható érték: „ = 5 . 1 = 0.3 -0 .3 + 4 •0.2 5 . ej D (X ) = 2.5 + 9• 0 .F ) = 0. F (X = l. A lehetséges esetek száma 16: F FFF F F F / F F /F F F // F /F F F /F / F //F F /// /F F F /F F / /F /F /F // //F F //F / ///F / / / / a) Az X eloszlása: Xi v{Xj) 0 1 16 1 4 16 2 6 16 3 4 16 4 1 16 és = (v a r (Z ) = D ^ (X ))= l. R (X .2. fejezet feladatainak megoldásai X.2 .6 ^ = 9 . stb.3 . v{Xi) 1 0.v (x .t.

+Z. ábrán a [0. a) Mivel / folytonos valószínűségi változó sürűségfüggvénye.5.7 0.3. V.8.2 V. terű- letegységgel egyenlő a Tj terület. ábra bevonalkázott Mivel = = területével.09 0. ezért.264 M EGOLDÁSOK V.F ) = -0. P { \ < X < 2) értéke egyenlő a 51.14 0.06 0.35 0. mivel X és F független valószínűségi változók.7. Az/gráfja: b) A.3 V. . b) C ov(X . felté­ ve hogy b > 0 . fejezet feladatainak megoldásai 265 a ) M { X ) = \A\ M (F ) = 1.21 0.3. c) D { X ) = Q.9. R (X .3. y j ) = P ( x i ) P { y j ) képlet alapján állítható elő. V.1.3. az 50.3 =l.A9\ D (F) = 3.6.+l).3 5 0.15 0.5 8 0. X\Y 1 2 X -2 0.F ) = -0. amelyből b = ^ .3. tehát P(1 < X < ! ) = —.3] intervallum feletti és az y = ^ x + b egyenes 6 alatti bevonalkázott terület 1 területegységgel egyenlő és így r=i(Z. A 3. I 0.3. Az eloszlás táblázata w ( x i .

2 ) = Fi x) = F (X < x) = P ( X = .^ + 3 .3}. és így tovább Minden x e i? -re meg kell határozni az F (x ) = P (X < x) valószínűséget: X< . M 3 = ^ x?v(x. . i +1 • + 27 ~ = 3.^ + 2 .FII.8 • Negyedrendű momentum: M 4 = ^ x / v ( x .85.3. F{x) = ] ^ t á t = ^ x ^ . ) = 1 6 ~ + l ~ + 8 1 ~ = 28. F és F és F dobás valószínűsége: P{FFF) = f ’f ' J = .^ . Harmadrendű momentum.) = . és 267 ha a: < 0 haO <x< ha X > 2 . Fix) = P i X < x ) = P i X = .2 ) + F (X = 0 ) = ™ + | = .2 Í + l —+ 3 — = 0.v(x. ^ + l .v(x. i V.) = 0 . III}. X( FFF) = 3.~ .5..2 ) + P { X = 0) + F (4) = 10 2 5 10 P (/F F )= A és X ( / // ) = 0. fejezet feladatainak megoldásai Tehát X(Ö ) = {0. I F F ) ^ ± + . ^ 2 4 4 Másodrendű momentum: ^ x}v{xi ) = 4 ~ + l ~ + 9 ~ = 4. X( FFI) = X(IFF) = 2. Az F{x) gráfja: M EG OLD ÁSO K V.^ = | | = l.2 < X < 0: 0<x<4: F (x) = P ( X < x ) = 0. .1.3. F (///)= ^ .12. Q = [ f FF. és így F{x) = 1. F (x) = P (X < x) = P ( X = . IFI.2. IIF. PUm =~ . FIF. 4<x: X( FI F = X (FII) = F(IFF) = X (IFF) = 1. 27 ' ‘ 27 ' “ 21 ' ~ 27 27 í=i V. P iIF I)= ^ .-) = .3.5.) 0 1 27 1 10 27 2 8 27 3 8 27 v(3) = F (F F F ) Várható érték: X M(X) = Xx.10.2 : . Elsőrendű momentum: M. IFF..11.3. = Y x M x . űj Az X valószínűségi változó eloszlásának gráQa: V. A 3. FFI.266 Az eloszlásfüggvény a 0 < x < 2 intervallumon: 0.^ = A z eloszlás táblázat: X . v(2) = PiFFI.

ha 0 < X < 4 1.13. V.14. 2.3 1’2 3 a) = 10 választhatunk.1 ) = P { X < . P(X =1)=-^. h a l< x < 2 b) F(x) = ha 2 < x < 3 1.3.2 < .3.F ( 0 ) = l . Legfeljebb egy friss tojás van a kiválasztott 3 tojás között: P ( X < l ) = F ( X < 2 ) = F (2) = . ha 3 < X X 6 i? (58. Az X változó diszkrét értékei: 0. ábra) 0. ha 4 < X. Az {X.3. ábra). Az 5 elemből 3-at 10-féleképpen 5 '4 . P ( X = 0 ) = 0. 1. F ( X = 3 ) = ^ . Y) valószínűségi vektorváltozó együttes valószínűségei és peremvalószínüségei: a) X\Y 1 1 10 lU 20 50 2000 250 2000 300 2000 40 100 2000 300 2000 400 2000 60 100 2000 400 2000 500 2000 100 250 2000 550 2000 800 2000 Iso r 500 2000 1500 2000 1 V.^ = .^ .l ) = Q F{5) = P { X < 5 ) = \ c) P ( X > 0 ) = l . ha X < 1 7^.3 ) = 0 F{\) = P { X < \ ) = ^ F{ . A 3. c < 0 F{x) = ■j.P ( < 0 ) = l .j |.. P { X < 0) = P { X < 4) = F (4) c) Legalább egy friss tojás van a kiválasztott 3 tojás között: 10‘ F(X >1) = 1-P(X <1) = 1 .1-0-1. M EGOLDÁSOK V. 3. fejezet feladatainak megoldásai 269 x e R\ b) F (-3 ) = P (X < .ZU X oszlop .268 Az X valószínűségi változó eloszlásfüggvénye: 0.F ( l) .2 ha . ha X < . 990 Z. (57.

ha 50.02 0. Az X valószínűségi változó értéke legyen n db-ból a selejtesek száma.0. ezért m .270 0.n. hogy a 4 játszmából felénél többet nyer az A csapat.4.2. amelyből 0.c<110 vagy >><20 110 < X < 220 és 20 < y < 40 M EG OLD ÁSO K V. ha . A 4.5338.c és 20 < > >< 40 és4 0 < j< 6 0 é s 4 0 < > ’< 6 0 (x..96 egyenlőtlenségből számíthatjuk ki. ha 2 2 0 < a: 1 1 0 < x < 220 és 100< y és 100 < y a) P (2 játszma nyerése) = £i 2. tehát P{3 játszma nyerése) + P (4 játszma nyerése) = í a 300 .4.4. fejezet feladatainak megoldásai 220 < Jt 110<x 220< . tehát annak.= 3 2 2 3.h a 2000 250 .0633.98" < 0. és így Í= 0000 0.4. D ( X ) = 0. azaz X = 0 : P(X =0) = Tehát n értékét az 1 .j . P = .04 n lg 0.02 = 200. Annak valószínűsége.4. M { X Y ) = J^x^y j W( x „ y j ) = 1. ha 2000 700 F. q = \ .n(y) = 2000 . 81 c) 3 vagy 4 játszma megnyerése jelenti azt.6266.02 és így Cow(X. A 4.c < 2 2 0 2000 ha 220 < x b) Mind a 4 játszma elvesztésének valószínűsége: 81 0. y ) = . 6 . Mivel n = 4.y)eR^.04 . Y) = M i X Y ) . a) Mivel p = 0.1. b) b n r6 Y n V n ^ V. ha 2000’ 1.4. hogy n db-ból egy sem selejtes.— . így X bi­ nomiális eloszlású.3454. V.— / 2^ Í4 2) Í1 21' = . ha 2000 300 .4. hogy az A csapat legalább egy játszmát nyer 1” ^ = — a valószínűsége.98 = V í% = 14. b) Selejtes darab választásának valószínűsége: p = 0.h a 1 1 0 < . fejezet feladatainak megoldásai 271 V. ha 2000 1200 .^ 1 _3_ 64’ 6 -5 4 I l.3. ha 2000 150 .n p = \ 0000 ■ 0.2 -3 '8 '8 16’ \ l 0 < x < 2 2 0 és 6 0 < y < 1 0 0 220<x és6 0 < y < 1 0 0 2 1 V.M ( X ) M ( Y ) = -0. ha 1200 .9 8 < lg 0. hax<110 500 .p = 0.h a 2000 700 b) F{ x. ha 2000 500 . ezért 2000 1. 0.p = . a) b _ 3 . M( Y ) = 2.0313.2556. D( Y) = 0.^ és q = i . ha Y V'i = 32 16 81 81 27 ■ c) M ( X ) = 0.yeR .98" > 0.02 . ha ^ < 2 0 20 < y < 40 4 0 < j< 6 0 6 0 < y <100 100 < j xeR .

4.3416. 6 b) Annak valószínűsége. A 2. Az X szórása és várható értéke azonos.8.8184= 4.96-nál nagyobb valószínűséggel legyen selejtes darab. 0. hogy a lövés nem talál célba: 1 3 2 1 1 = 1 . ha X < 0 1 800 e . Tehát legalább 160 darabot kell visszatevéssel megvizsgálni.7. a ) A k = 2.1057. táblázatból olvashatók ki a sűrűségfüggvény (p(x) értékei: p^ = = 0.0723.5 1 0 3 16384 16384 4547 8192' -2 3! 0.5. = ^ e ~ ^ ’^ (A : = 0. Annak valószínűsége. a) A számítást. azaz < — egyenlőtlenségből meghatározhatjuk n értékét: b) A sűrűségfüggvény: f ( x ) = nlg és így n > — ~ 3.5. Bár n = 100. ha X < 0 és az eloszlásfüggvény: F{x) = P { X < x ) = tehát a lövész — valószínűséggel célba talál. de n elég nagy és p elég kicsi. 0.2976.2.6. így X = np = 100 0. fejezet feladatainak megoldásai 273 P3 3! 6 ^01607.8) = po + Pl = 0.P (X < 3200) = 1 .15) = 0.l 00. ha legalább 4 lövést ad le.— = — és q” -nek 1 .0459.9 8 < 0 ezért M EG OLD ÁSO K V.08) = 0.4629.8 a c) meg: l-e .— = — -nál kel kisebbnek lenni.02) értékét: P = p(3-.02 paraméterű binomiális eloszlású valószínűségi P(1 találat) = 7 Y l Y l t _ 5103 1 6384’ tehát P =l- változó értékét kellene kiszámítani.15) = (p{0.1 értékekre kiszámított valószínűségek összegezése helyett. b) (pi-0. p = 0.4.1805. szórás: D { X ) = VÁ = ^ = 1.3.4) formulával végezzük.4. hogy a kiválasztot­ tak között 0. Annak valószínűsége.1354 = 0.3.272 s mivel lg 0 .1653. 16384’ b) Várható érték: M { X ) = A = 1. V.8. a) <p(l. ha A = 1. haX > 0. A 4. a) M { X ) = D { X) = 800 óra.F(3200) = 1 - l-e V.63) = 0. 0. V. ezért a q ” < —. ha X > 0 0.2) = 2 Mivel q = l .08) = <^(2. ezért az eloszlás paramétere: A = 800' 3 e f 2187 ^ . hogy X várható értékénél kisebb értéket vesz fel P{ X < 1.1.0.8) kiszámításával adható meg P { X < 1.2976 = 0.1653 + 0. Pl 2! c) (p(-2. vonjuk ki 1-böl a 0 és az I találat valószínűségének összegét: P(0 találat) = 2187 .4. .4.3011.4. \ A A . hogy a kijelölt képcső 3200 órán belül nem hibásodott 32(X) ' P(X=k) = p i .6. P ( X > 3200) = I .02 = 2 paraméterű Pom on-eloszlás p(3\2) értékével közelítjük Z?(3.p = V.

y ^ = 0.0 ( 0 ) = 0 .0002.8145.2 0 ( 3 .4. a) 166 cm standard egysége.04 • 8 = 0. /\ 100 / 100 100 ’’ I M { X ) .2 5 ))) = 0.01) . 4.^ = OX D (X ) = 0.3 7 < X < 2.25) = 1-0(1. 4. i i o o j [100 P{X =3) = (A í 5 t Tehát P(L>190) = P(L* >1.(F(8.1292.0. táblázatból olvashatók ki a o ( x ) értékei: a) P ( 0 < X <1. M { X ) = {xXe ^ d x = lim \xÁe ^ d x = í lir -X R i .T .4359. r nással kapjuk a szórást.F (7.68)) = parciális integrálást alkalmazva: M { X ^ ) = j x^Xe~^dx = 2 . V. 3.37)) = = 0.0 ( .3 .01) . 2 ) = 0.3 7 2 1 . és így L = 400 0 .01354. d) P(|Z| < 0.= 0.5 < X < 0.4. P { X = 3 ) = 0. D (X ) = .5) = P (-0 .000001.0000062. akkor w = 8.n p = 4 ^ = 0.2.0 ( .5))+ 0 (0 . így R [lOO J [100 J í 95 t = 0. A A egysege: ' 1 8 2--------1 7 0 = 0.4.43.13) = 1 . 0 Tehát Z)2(X) = M ( A ' ^ ) . értékei ugyancsak: 0. fejezet feladatainak megoldásai 275 V.32) = 1 .2 ) ) = 2 .4 r = . V.1056 és így L = 400 0. Az exponenciális eloszlású valószínűségi változó várható értéke.75) .25) = 1-0. 16 Y 95) T 5 1 |i o o J [100 J = 0.9147 = 0.~Xk A A’ (a határérték kiszámításához alkalmaztuk a L ’Hospitál szabályt). értékei: 0.13) = 1 .25.~ . = O.(1 .2 5 < L* < 0. Visszatevés nélküli minta választásánál X hipergeometrikus eloszlású.4222.3830. 2. P { X = 4) = Í4 5 Y f 95 100 100 = 0. 1.32 adataival: P (|x .274 V.32) = = -P (7 . P { X = 1) = í 5 1f 9 5 f [100 j [100 J = 0. c) P (X > 1.42) = a > a 4 2 ) .6 8 < X < 8. . P{X = 2) = r 5 YY 9 5 I = 0. 2.11. P (X = 1 ) = 0. = 2 .01) = <D(2.1 + 0.9 2 2 2 -0 .32) .75) = = (0(0.4.8119.M ^ ( Z ) = ^ . b) A 190 cm standard egység: 1 9 0 -1 7 0 ■ = 1. 182 ----Tehát P(166 < L < 182) = P (-0 .3 7 ) = 0 (2.5 = 0. visszatevéses minta választása esetén pedig X binomiális eloszlású.149 hallgató esik a 166 cm-rel és a 182 cm-rel adott ma­ gassági határok közé.«I>{0.2) .8| > 0.1765.10.6915 = 0.1 + 0. P ( X = 4 ) = 0. 3.P (Z < 1.5 ) = = -1 + 2 0 (0 .25.9778 . o.00138. mivel / (x) = 0.l. Az 1.5987 = 0. M EGOLDÁSOK V.(0(3. Visszatevés nélküli választás esetén: P ( X = 0 ) = 0.7734 . A z X normális eloszlású valószínűségi változó jelentse az átmérőt. az előzőhöz hasonlóan V. 10 Visszatevéses választás esetén: P{X = 0) = 1 Q 0 cm standard .1056 = 42 hallgató nagyobb vagy éppen 190 cm.8708 = 0.8944 = 0.OH4.(1 .4.1.5) = .1715. b) P (-l.<t>(-l. ha X < 0 . A szórásnégyzet kiszámításához előbb az várható értékét számítjuk ki.5 )= -1 + 2 ■ 0.0 (0 . M{X) = np =A .8925. — j— = -0.3721.4.9.13. 1.0000062. melyből négyzetgyökvo- = 1 . és a 4%-os eltérés: 0.000475. A 4. P (X = 4 ) = í 5 TV 95 ^ = 0.( l .75.12.

^ = 0. A II.09 < 0.1 6-0 .94 1...95 valószínűséggel a vevő átveszi azt...05 0.06 0..08 0.1 3-- i 0.05 0. 1 > 0 .V..1.11-0 .0 8-0 .06 'Ls! i 0..09 tehát legfeljebb 0. fejezet feladatainak megoldásai V.00002 644-723 724-803 8 0 4 .. 0.00 324-403 404-483 . p = 0.20j > 50) < ~ 50 ~ = 0. q = \ —p = 0.09 -4 5 0 0 .0004 0. RÉSZ FELADATAINAK M EGOLDÁSAI S .13 0. akkor 0. Az 5.1 0. fejezet feladatainak megoldásai értékeket: S.16 0. A Cíefeííev-egyenlötlenséget használva e = 1 értékre: A-j2 P ( |X . V.02 n 0.19-0 .9.1. hogy a kötél hossza nem esik a 34 m és 36 m közé.276 M EGOLDÁSOK V. ábra...5.08 0. Sűrűséghisztogram -► [kg] .0004 n feltételből n> 0.19 0.2.5. A hibás áru választásának eseménye legyen A.35 0.5.06 0.0 .78 0.11 0.l. 9i 0..02^ •« 484-563 564-643 0. vagyis.54 0.67 0.3. A Cvetoev-egyenlőtlenség felhasználásával: P (|X .9 0.5. Kiszámítjuk a gj relatív gyakoriságokat és a Meddő mennyiség kg (osztályközök) . ha a tételben 4500-nál több kesztyű van.-243 244-323 V.86 0.13 0.0 6 m eddő 163 243 323 403 483 563 643 723 803 883 59.16.19 0. Az 1.09 0. fi 8 19 23 27 18 15 12 12 8 I //= 1 4 2 í 8! 0.3 5 j > l ) = .1.09 annak valószínűsége.

majd m eg­ folyadékmennyiségeltérés .l.8 -1 5 . A z 1.64 -2 5 .64 17. fejezet feladatainak megoldásai 279 tapasztalati eloszlásfüggvény ábráját.5 .4 .1 .2 24.78 0.6 9 ) =1 . A ] .64 33. Tapasztalati eloszlásfüggvény S.94 0 .1.5 0 . 1 .5 ) = ~ ~ = — .0.278 M EGOLDÁSOK S . S.64 249. intervallumra eső adatok száma f(x)^ a.35 0.45 =1 . h a x > 2 . -----------------. .^ .7549 = 0.51%-ban kapunk olyan palackot. P ( X < .5 .► [cm3] 2.64 201. stb.5 ] intervallumba 1 esik a 12 közül._ 0.(^ = 1 2 .3 . Kiszámítjuk és táblázatba foglaljuk a szükséges részeredményeket: osztályhatár kg 470-480 480-490 Megszerkesztjük az 0.8 -5 . rajzoljuk a sűrűséghisztogramot (tapasztalati sürüségfüggvényt) intervallumonként ^^ . -0. tehát P { X < . h .3.0 .19 0 . a ] -l.0 (0 .5 ) = = .2.5 ) 490-500 500-510 510-520 520-530 osztály­ közép 475 485 495 505 515 525 i Xj gyak.5 62. ._i< x< x^ . ha X < -2 .67 0.8 4.Z 1z A balról nyílt jobbról zárt intervallumok mindegyikében a függvény állandó. 1.86 0.2 k fP ( x) = P Í X < x ) = /=i 1.5] intervallumba nem esik folya1.3 [ és ]3 . 0. ábra. ezért ezen intervallumokban a sűrűségfüggvényt 0-nak tekintjük.5 ] intervallumba 2 esik.1. ábra.5 .X (xi-xf 665.5 . a ]-2 . d) Annak valószínűsége.2.P { X < \ ) = 1 -0 'l-O' 1.64 585. ]-°o .-l. -0 .5 .2451 vagyis 24.° ° [ intervallumokba nem esett adat.5 meddő -► [k g ] dékmennyiség-eltérés. amelyben az előírthoz képest 1 cm^ -nél több a folyadékmennyiség eltérése. i^ 1.5 h ax^ .5 -1. Tapasztalati eloszlásfüggvény c) Mintaátlag: x = 0 .0 6 -0 203 283 363 443 523 603 683 763 843 60. hogy a folyadékmennyiség-eltérés 1 cm ^-nél nagyobb: P{X>V) = l . = ------------------------------------------' (összes adat száma) • (intervallum hossza) képlettel számított értékek alapján.m . -2.54 0. fi 1 4 10 10 4 2 Si 1/31 4/31 10/31 10/31 4/31 2/31 ' Z s i =1 i H si i 1/31 5/31 15/31 25/31 24/31 31/31 Xj . Az intervallum végpontjaiban f ~ az ugrás mértéke.2 14. a) Kiszámítjuk a relatív gyakoriságot és a gj részösszegeket.

8) . S. vagyis az elemeknek kb. . Tapasztalati eloszlásfüggvény c) Mintaátlag: 1 475 + 4 -4 8 5 -H 0 -4 9 5 _ + 10-505 + 4 -5 1 5 + 2 -525 = 500. vagyis a markolások számának 3.07.54.F (1 1.93. d) Korrigált tapasztalati szórás: s* =^ 30 Annak valószínűsége.6996.032. a) X =12. 4 ! . ábra a sűrűségfüggvényt (hisztogramot) a normális eloszlás sűrűség­ függvényével együtt szemlélteti (a gyakoriságértékeket 10 -31 = 310 -zel osztottuk). fejezet feladatainak megoldásai 281 a) A 63.35) -<I'(-0. hogy a gép 485 kg-nál kevesebbet markol: P { X < 485) = (485) = ~ = 0. ábra): 1 29/31 25/31 15/31 5/31 1/31 475 485 495 505 515 525 t ö m e g -^[kg] 64. X F(13.= 0.1. b) A tapasztalati eloszlásfüggvény a táblázatból vett i értékekkel (64.81.8) = 0.l. ábra.8) = 0(1.280 M EG OLD ÁSO K S . 70%-a felel meg az előírt pontosságnak.4. b) j* = 0.2%-ában 485 kg-nál kevesebb a kimarkolt homok súlya. A z I.

282 M EGOLDÁSOK S.2] intervallumba.l = 29. [12. Up = 1. A '+ í-. A 90%-os szinthez p = 0.84]. tp^ = 2. táblázat felhasználásával rendre =l.2. Sö .1] és [691. 6 6 2 . = 1. .6 4 5 .“ = 0. Mivel H = 100.662. A szabadságfokok száma n . Hasonlóan kapjuk a 95 és 99%-nak megfelelő intervallumokat: [688. A 3.718. 283 Vn S. S.1 2 = = 696. fejezet feladatainak megoldásai X +t „ ~ = 10S + 1. 9 i = 7.3.9.2. 95 és 99%-os szinteknek megfelelő p értékek rendre /?3 = 0. p 2 = 0.996 és xl^pii = x l .960 és Up^ =2.^ = 713. Up = 1.723.960 és d = 7 : Tehát 196 puttony lemérésénél kapott mérési eredményekből számított számtani középtől ±7 kg eltérésű intervallumba 95% valószínűséggel esik az 5000 puttony átlagos töltési súlya. cj = 5 0 és X = 705.632 értékekkel).42] 5. tp^ = 2 .5 kg.8 kg. 5. A 90.699.9.756. = 713.6 6 9 52 = 692.6. A (16) szerint számított konfidencia-intervallum.4] és [681.960.01. Az 1. ill.0.8. X +u a = 705 + 1.261. /?2= 0.9.2.4.05 és így a (12) formula szerint a 90%-os szint esetén X -t.08.l]. Up^ =1. 22.2. = 7 0 8 -1 . a 99%-nak megfelelő konfidencia-intervallumokat: [695. Vn VI00 Hasonlóan kapjuk a 95 és 99%-nak megfelelő intervallumokat: VíH 50 [694. A 2. fejezet feladatainak megoldásai S. [692.2 kg.2.1. tp^ =.0 4 5 és tp^ = 2.645- ’ VÍÖÖ A töltési súly 90% valószínűséggel esik a [696.8].95 stb. 15.05 és 773= 0. 95 és 99%-nak a a =0. A 30 puttony mérlegelése alapján kapott átlagos töltési súly X = 7 0 8 kg. táblázat alapján x j / i = x l m = 24.719.2. A szabadságfokok száma: 99.5785. táblázatból interpolált tp^ = 1. [692.15. a korrigált tapasztalati szórás 5* = 5 2 kg.724.1.2.6 6 2 ■ M pj =1.1.645. Hasonlóan kapjuk a 95 ill. /jj = 0.1 érték tartozik. A 90. sz.5 kg. 5. felelnek meg.15 kg.986..6.2. X .669 = 723.722.01 értékek SO tehát a 90%-os szinthez tartozó konfidencia-intervallum. A 90%-nak megfelelő konfidencia-határok (a 4.3].3. \n 51 = VÍÖÖ 696. a konfidencia-intervallum: [3.715.714.l.2. mivel a = 50.^ = 7 0 5 + 1 . A 4.4].t p ^ ~ = 705 -1 . A (6 ) formula alapján. táblázatból az ezekhez tartozó tp értékek: íp.5.9j 5. sz.2.713. A 2. ezért a 90%-os szintnek megfelelő konfi­ dencia-határok: X-u ^ Pl sn r = 7 0 5 -1 . A szabadságfokok száma.

0897 0. |m| = 4 > 3.4.353 0.284 M EGOLDÁSOK S. így érték felel meg. s*^ = 64.00987 0.2. be kell állítani.3. A korrelációs együttható: r = 0.262.1658 0. C T S.00723 0.4721 0.4.997.3.06391 0 (« ) 0.1312 0. 5.00565 0.. . A 4.1611 0.2. X-M = 1. {gi-Pif n 0. 10%-os szinten állítható.3 4 0 -0.6379 0.1620 0. A regressziós egyenes egyenlete: y = \ \ x .o. .776 1..3. táblázatban a 9. X = 1197g. 5. a gépet be kell állítani. 243 323 403 483 563 643 723 oo s Tehát = 1 4 2 0. m„ =1200g.4. „=V.1798 0.7811 0.00522 0. ezért hipotézisünket elvetjük.1056 0.. u ~4n A p = 0. C T= 50kg.4.1036 0. 5.0901 0.0.06391 = 9. fejezet feladatainak megoldásai A szabadságfokok száma: 8 .6.0845 0.05 értékhez m^ = X '= 7 0 5 k g és V n=V ÍÖ Ö = 10.1432 0.3 = 5.960.0000 .96.3.10 S. ezért 95%-os szinten nincs 1..1901 0. szignifikáns eltérés a 700 kg-hoz képest.3110 0.01534 0.51.41x -148. Az X = 494. ezért az automata nagy valószínííséggel nem mííködik jól. A 3.4.rI:2!o=_4.. sz.9 1 6 -0.24 esik legközelebb.493 -0 . = VÍÖÖ= 10.9815. A M X: .36 értéket.1268 0. így q 5.00352 0.1.9 kiszámítása után meghatározzuk a = -2.0000 Pi 0. hogy a minta normális eloszlású sokaságból származott. amelynek 285 = 0.00791 0.07 értékhez 9..3 a p = 0..1.001 értékhez tartozó értéknél. az előírt tömegtől való elté­ rés szignifikáns.. tehát m= 1<1. o = 3 g .3. a -1.1153 1. a számítást a Pi következő táblázat szemlélteti X. fejezet feladatainak megoldásai 5. Mivel m o = 7 0 0 k g.0634 0. Mivel |í^| = 2.1268 0.36 > Í95 = 2.0901 0. A 4. A 3.075.21657.8847 1.00917 0. A regressziós egyenes egyenlete: y = 7. tehát kb.199 oo =nY—— M képletet használva.m u —.3.0 7 0 0. A korrelációs együttható: r = 0. fejezet feladatainak megoldásai 5.1408 Pi 0.

8907 .9999 .9999 .9394 . [7] Mundruczó G y.6517 .2 0.9963 .9981 .9207 .9932 .5398 .8599 .5793 .9778 .8289 .8554 .7389 .0 2 .9999 1.9893 .9761 .9564 . 1983.9898 .8159 .9977 . Takács L.8485 .0 0. (Szerk.8729 .9999 1.7291 .6331 .7881 .9664 .9992 .7642 .9998 .9582 . 4.9319 .9990 .0 1 .8 3.9015 .7258 .9738 .9678 .8212 .9995 .9332 .7157 . Budapest.5948 .9279 . sz.6480 .9999 1.9920 . Tankönyvkiadó. 1968.8849 .9994 .: Matematika. kiadás.9999 1.-T óth Julianna: Valószínűségszámítás és matematikai statisz­ tika.: Alkalmazott regressziószámítás.8 0.9999 1.2 3.5199 . Gy.) Mezőgazdasági Kiadó.9573 .6985 .7357 . Példatár.5438 .9999 .9994 .9222 .9995 .9996 .9049 . Tankönyvkiadó.9 1.9946 .7224 .0 8 .9990 .8980 . Gy.8051 .9997 .9982 .9830 .6026 .9968 .9452 .9987 .9989 .9988 .9979 .9999 1.6664 . táblázat IR O D A L O M JE G Y Z É K [1] B o g n á r-M o g y o ró d i-P rék o p a-R én y i-S zász : Valószínüségszámítás. 1978.9951 .8577 . 1961.7823 .9872 .8264 . 1987. [3] Denkinger Géza: Valószínűségszámítási gyakorlatok. kiadás. Tankönyvkiadó.8461 .9082 . [2] Denkinger Géza: Valószínűségszámítás.: Paradoxonok a véletlen matematikájában.5279 .9649 .5832 .8531 .6103 .9 2.9971 .9998 .9996 .9952 .5 2.9999 .9976 .7996 .6406 . Budapest.9641 . [12] dr.9554 . 1993.8238 . [13] Rényi A.9 0 .6064 .9969 . 1966.9515 .0 3 .9966 .9999 .3 3.8389 .7123 .8997 . [10] Obádovics J.9495 .9936 . Műszaki Könyvkiadó. [6] Meszéna Gy.9699 . Berlin-Heidelberg-New York. 1978.9251 .9986 .9192 .6950 .2 2.9999 .6368 .9992 .9940 .8810 .9693 . 1966.9719 .7518 .9474 .9980 . [17] Székely J.9988 .8944 .5160 .9656 .8 2.6591 .9998 .9995 .9931 . Budapest.9998 . Budapest.7852 .9744 . Manczel J. Angewandte Statistik.5000 .9878 .9868 . [14] Sachs.0 1. Budapest.9925 .9941 .9997 .5080 .9783 . Budapest. 1972.6772 .9967 .6879 .8770 .6 2.9772 .5517 .9991 .9961 . Műszaki Könyvkiadó.9974 .3 2.5636 .9955 .: dr Fazekas F.9999 .6179 .9890 .8869 .9032 .9998 .5557 .9901 .9922 .7088 .7422 . M űszaki Könyvkiadó.9995 .: Matematikai statisztika ipari alkalmazásokkal.9997 .9591 .5987 .9949 .9999 .9803 .9817 . Medgyessy P.9808 .0 6 .9686 . Feller.9975 .7549 .9974 . 1981.9236 . kiadás.9463 .8340 . Budapest.9896 .9998 .: Matematikai statisztika.9984 .5478 .9999 1.9999 .: Műszaki Matematikai Gyakorlatok C.7704 .9934 .9265 .9608 .9838 .9979 . Budapest.6141 .5 0.5871 . [18] Vincze I.9306 .9999 . 1981.9906 .8186 .9864 .6293 .4 2.8925 .7 3.9854 .8962 .9756 .9846 .9131 .9981 . 1982.9370 .9987 .9990 .9985 .9147 .-Ziermann M.9292 .9999 .6628 .9972 .9857 .9861 .4 0.9948 .5754 .9918 .9956 .9887 .9982 .5239 . Példatár.9999 . [4] W.9429 .9999 . G.9997 . (Szerk.7734 .7054 .9996 .4 1.9066 .9970 . [9] Obádovics J.9927 .8508 . Tankönyvkiadó.5319 .9995 .8621 .9418 .7454 .7 1.7580 . SCOLAR Kiadó.dr. Bevezetés a valószínűségszámításba és alkalmazásaiba. Springer Verlag.9599 .9999 .9732 .: dr. Budapest.9998 .9162 .5359 . Valószínüségszámítás.0 9 .9998 . Akadémia Kiadó.0 M egjegyzés: 0 ( .0 2.9995 . Feladatgyűjtemény.9767 . [15] Solt Gy.1 1.5910 .9904 . 1982.9909 .9750 .9994 .9633 .9999 1.8665 .9793 . Nemzeti Tankönyvkiadó.9953 .9788 .0 4 .5675 .9997 .9992 .9977 .8790 .9978 .9671 .9987 .7939 .8643 .8686 .9999 . Műszaki Könyvkiadó.9992 .9998 . V . Gondolat Kiadó.9991 .6217 .9881 . 16.9 3. t 0.8888 .7190 . Budapest.7324 . 2.3 1.7794 .5120 . [16] Statisztikai módszerek alkalmazása a mezőgazd-ban.9997 .6 0..: Valószínűségelmélet műszaki alkalmazásokkal. Műszaki Könyvkiadó.9821 .6 3.9997 .9850 .9406 .5 3.9997 .5 1.0 5 . Közgazdasági és Jogi Könyvkiadó.8133 .9115 .8749 .9345 .3 0.2 1.9916 .9993 .9986 .9812 .9959 . 2000.9973 .9999 1.8106 .6554 .).9999 .9177 .1 2.8365 .1 3. . [5] Lukács O.9957 .9999 .9826 .6844 .t ) = .9525 .7967 .8078 .9943 .5596 .9994 .6255 .9911 .: Valószínűségszámítás.9875 .9996 .7 0.8438 .6915 .9938 .9991 .9993 .9997 .9998 .9983 .9616 .5714 .9441 . Budapest. [11] Prékopa A. Reimann J.9985 . 6.9998 .7764 .9965 .9713 .6700 .9484 .7486 .9625 .9997 .7 2.9357 .7673 .8 1.6808 .9945 .8023 .4 3. L.0 3.8830 .9929 .5040 .9998 .6 1.9960 .8315 .0 7 .9999 .: Gyakorlati számítási eljárások.9535 .9984 . Műszaki Könyvkiadó. Budapest.7910 .9871 .9834 .9382 .6443 .9989 . Budapest.8708 . 1974.9706 .9993 .9964 .7612 .6736 .9994 .9505 .9798 . [8] dr.9545 . kiadás. 1985.9996 . Tankönyvkiadó.8413 . Budapest.9996 .9913 .9099 .9998 .7019 .: Valószínüségszámítás.9726 .9884 . 1977.1 0.9962 .9989 .9999 1.9993 .: Valószínűségelmélet és matematikai statisztika. Budapest. Budapest.A standard normális eloszlás 287 1.

0019 .209 24.262 6.6 3.475 20.0379 .816 4.892 6.605 6.0863 .2966 .226 5.6 2.578 32.812 21.0151 .646 41.0065 .378 9.217 27.3187 .629 6.2 3.3521 .307 19.0478 .017 13.9 3.0006 .180 2.962 8.690 2.573 15.892 0.0332 .0584 .289 41.1200 .0310 .0027 .05 3.3970 .479 36.2420 .8 2.0003 0012 0008 0006 0004 0003 0012 .0596 1.689 12.827 13.919 18.7 1.769 25.0198 .3 1.2589 .0003 0021 0015 .563 36.0002 0002 0002 0001 0001 .1238 .2347 .0011 0011 0008 0005 0004 0003 .703 0.1374 .1582 .170 35.0940 .645 12.507 16.0694 .0024 .0010 .3683 .711 1.773 0.191 31.9 1.194 44.3980 .772 46.928 17.1 2.0040 .0833 .1394 .0002 .591 12.0017 .615 30.06E-2 0.2 0.3605 .0012 .364 40.086 16.0004 .3410 .026 22.1714 .0002 0002 0002 .484 0.575 5.1604 .2 1.0060 .5 3.0007 .052 55.1497 .2780 .0003 2.5 2.013 17.3271 .979 0. sz.557 43.706 4.82E-4 5.3989 .091 13.587 28.2661 .090 21.087 40.987 17.0033 .070 12.1781 .5 0.2827 .9 .982 11.348 11.145 1.0073 .288 A standard normális eloszlás sűrűségfüggvénye t> 0 értékekre A khi-négyzet-eloszlás a khi-négyzet-próba alkalmazásához 289 2 .277 15.01 6.3814 .920 23.916 39. sz.0508 .0303 .390 10.845 30.337 24.0 1.0 2.831 1.684 15.0440 .813 32.885 40.3637 .3847 .940 4.0620 .125 27.841 5.0003 3989 3965 3902 3802 3668 3503 3312 3101 2874 2637 2396 2155 1919 1691 1476 1276 1092 0925 0775 0644 0529 0431 0347 0277 0219 0171 0132 0101 0077 0058 0048 0032 0023 0017 .833 14.526 32^852 34.278 49.268 18.812 18.620 54.975 9.3429 .488 28.0015 .851 11.542 24.0707 .412 29.0005 .1647 .382 35.688 29.980 44.3867 .465 20.0387 .0096 .2059 .0989 .3932 .9 .247 3.0067 .0194 .409 34.0790 .2 2.1561 .528 36.1163 .635 9.909 34.7 0.733 3.6 .3 3.401 13.820 45.3589 .0 0.0009 .0396 .0540 .8 3.352 0.0252 .0037 .923 43.0007 .0317 .001 10.0005 .1182 .877 29.0283 .1435 .252 40. táblázat 3989 3961 3894 3790 3653 3485 3292 3079 2850 2613 2371 2131 1895 1669 1456 1257 1074 0909 0761 0632 0519 0422 0339 0270 0213 0167 0129 0099 0075 0056 0042 0031 3986 3951 3876 3765 3621 3448 3251 3034 2803 2565 2323 2083 1849 1626 1415 1219 1040 0878 0734 0608 0498 0404 0325 0258 0203 0158 0122 0093 0071 0053 0039 0029 .0113 .571 7.0468 .275 18.3982 .488 11.0175 .0036 .642 46.236 10.3778 .3885 .741 37.4 2.3572 .404 5.0189 .635 2.210 11.0048 .476 56.449 16.652 38.3739 .1 3.3011 .2107 .167 2.638 42.8 0.1023 .963 48.1942 .0020 .0721 .869 30.2989 .024 7.231 8.0086 .3 0.725 26.549 19.697 39.3857 .493 0.844 14.179 52.989 27.0014 .558 50.302 59.410 32.0014 .064 22.204 28.308 16.1826 .151 16.4 3.797 48.0004 .1006 .0154 .2179 .2036 .790 42.2012 0 .3910 .141 30.067 15.457 24.362 14.0026 .0050 .95 3.0413 . táblázat í 3.3332 .0264 .685 24.1 p = 0.3209 .0893 .0224 .0246 .2251 .0051 .0119 .023 20.0007 .3945 .907 9.535 19.708 18.0355 .3123 .1872 .672 9.2732 .237 1.0147 .93E-3 0.3 2.315 46.0002 .483 21.815 16.10 2.0002 0002 .996 26.196 34.0016 .1295 .1 1.3984 .0005 .435 13.0 3.251 7.1109 .566 38.3956 .588 31.671 33.611 15.815 9.0020 .415 37.591 10.120 13.103 0.484 14.113 41.268 49.4 0.0748 .592 14.325 3.908 7.517 22.666 23.337 42.0002 .379 16.0116 .025 5.0008 .0216 0.1354 .8 1.0208 .3056 .779 9.3725 .0241 .0079 .736 26.3939 .172 36.3752 .314 45.0055 .461 45.123 37.117 10.0002 .991 7.791 0.924 35.0030 3977 3925 3836 3712 3555 3372 3166 2943 2709 2468 2227 1989 1758 1539 1334 1145 0973 0818 0681 0562 0459 0371 0297 0235 0184 0143 3973 3918 3825 3697 3538 3352 3144 2920 2685 2444 2203 1965 1736 1518 1315 1127 0957 0804 0669 0551 0449 0363 0290 0229 0180 0139 0107 0081 0061 0046 0034 0025 0018 0013 0009 0006 0004 0003 Szabadságfok 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 0.0136 .264 32.283 10.805 36.0005 .2756 .3467 .047 16.0010 .296 27.2541 .322 26.191 37.932 40.2299 .564 8.0004 .728 51.675 21.2492 .1057 .0044 .307 23.0104 .256 0.781 38.2897 .338 13.893 58.0022 .3230 .7 2.7 3.6 0.0656 .2275 .000 33.0038 .5 1.119 27.0163 .0069 .0126 .0091 .0573 .362 23.0002 .2516 .1804 .0010 .076 39.007 33.312 43.143 12.3391 .144 31.0028 0110 0084 0063 0047 0035 0025 0018 0013 0009 0007 0005 0003 0022 0016 0008 0006 0004 0003 .4 1.700 3.261 7.009 5.

96 2.99 2.701 1.48 3.58 3.34 2.54 2.93 2.92 2.746 1.39 6.833 1.01 63.16 6.66 2.24 2.45 4.09 2.169 3.518 2.313 1.48 3.587 4.4 199.99 5.282 2.22 2.12 4.499 3.93 2.528 2.01 2.94 2.85 2.941 8.440 1.34 2.850 3.000 1.07 3.33 2.405 5.90 2.32 4.22 3.330 1.85 2.358 2.52 3.07 2.69 2.998 2.71 2.960 f \ a nagyobb empirikus szórásnégyzetű minta elemszámának .53 4.26 3.080 2.462 2.883 3.26 3.567 2.48 2.79 3.383 10 6.37 2.53 2.12 2.0 236.21 2.01 2.28 4.71 3.598 12.38 2.12 2.45 2.315 1.76 4.303 3.221 4./2 pedig a m ásik minta elemszámának eggyel kisebbített értéke.604 4.84 3.09 2.718 2.84 3.552 2.71 2.001 2 3.3 19.9 18.09 2.479 2.91 2.16 2.55 3.64 2.345 1.01 8.60 2.7 224.5 243.5 215.04 1.541 3.74 2.042 2.82 2.21 2.59 4.684 1.055 3.792 3.42 2.314 1.660 2.17 2.28 9.68 11 12 13 14 15 16 17 18 19 20 21 1.08 4.965 4.61 2.25 2.37 2.30 2.143 2.91 6.49 3.87 3.84 4.88 2.551 3.74 3.23 2.06 3.638 1.311 1.51 2.131 2.57 5.26 6.02 2.40 3.83 2.201 0.80 2.9 240.95 2.46 2.42 2. .753 1.96 1.74 2.576 0.064 2.38 3.84 2.52 2.86 3.54 2.47 3.88 3.07 3.94 6.39 2.11 3.68 3.13 3.943 1.62 2.55 9.10 0.39 3.303 1.28 2.859 5.01 2.776 2.35 3.05) 291 4.75 2.318 1.79 2.96 4.060 2.55 2.764 2.290 A t-(Student-)eloszlás a t-próba alkalmazásához.041 4. F-próba kritikus értékei 95%-os egyoldali szintre (p=0.38 2.43 2.50 2.01 2.38 4.57 2.460 3.92 3.49 2.31 2.697 1.82 4.423 2.91 4.328 1.70 2.59 2.34 3.657 9.66 3.68 5.28 2.925 5.671 1.699 1.76 2.015 1.45 2.048 2.659 3.646 3.55 2.07 4.57 2.51 2.296 1.87 2.819 2.356 1.20 2.353 2.95 4.457 2.734 1.49 4. F-eloszlás.63 3.365 2.27 2.325 1.44 3.67 4.00 3.610 6.42 3.326 636.707 3.13 9.98 2.37 3.37 3.05 3.59 6.819 3.796 1.747 3.21 4.771 1.310 1.20 3.63 3.708 1.02 0.35 4.763 2.68 2.18 3.437 4.42 2.39 4.38 19.58 2.333 1.052 2.47 2.101 2.492 2.45 2.96 2.17 4.59 3.069 2.704 2.617 2.25 19.00 5.29 3.845 2.093 2.291 3 4 5 6 7 8 9 10 11 12 2 1 3 4 5 6 7 8 9 12 161.17 2.355 3.44 2.390 2.02 2.706 4.365 3.530 1.60 2.37 3.959 5.10 2.6 230.807 2.54 2.70 2.51 19.447 2.106 3.812 1.61 2.04 6.60 4.681 2.032 3.33 19.81 2.77 2.42 2.34 2.045 2.30 4.476 1.68 3.84 2.781 4.372 1.53 2.508 2.262 2.39 2.77 4.289 1.021 22 23 24 25 26 27 28 29 30 40 60 120 23 24 25 26 27 28 29 30 40 60 120 oo 2.23 3.650 2.36 2.321 1.44 3.37 19.44 2.703 1.92 2.66 3.07 3.756 2.21 4.725 1.711 1.860 1.323 1.250 3.20 3.80 2.861 2.717 1.34 3.415 1.49 2.706 1.83 1.46 4.797 2.337 1.46 242 2.920 2.41 3.14 4.24 3.583 2.965 3.363 1.69 3.73 2.602 2.78 2.980 1.485 2.140 4.30 2.50 3.09 3.00 5.35 19.64 2.318 4.15 2.18 2.95 2.32 3.16 3.69 2.49 2. sz.71 2.10 2.60 1.16 19.467 2.078 1.65 2.60 2.36 2.92 1.00 2.841 4.14 3.012 2.690 3.18 2.35 4.977 2.15 3.75 4.94 8.37 2.8 238.619 31.120 13 14 15 16 17 18 19 20 21 22 3.767 3.76 2.921 2.821 6.15 4.48 2.46 2.782 1. sz.03 3.70 2.821 2.33 3.41 4.79 5.10 3.658 1.73 3.32 2.373 3.59 2.750 2.898 2.571 2.073 4.20 4.79 2.89 8.12 3.831 2.24 4.160 2.00 1.98 3.319 1.90 2.56 2.40 2.306 2.350 1.725 3.28 5.99 3.74 7.787 2.25 2.41 10.886 1.49 3.707 3.056 2.771 2.54 4.745 3.12 9.110 2.721 1.0 19.645 31.90 2.015 3.647 3.761 1.81 8.80 3.32 4.10 3.41 5.77 2.02 2.314 2.28 2.88 4.729 1.20 0.33 3.25 2.05 12.316 1.086 2.61 5.51 2.74 2.59 3.26 4.473 2.878 2.85 2.36 3.779 2.63 2.22 4.228 2.29 3.29 2.76 2.19 5.40 2.714 1.53 2.895 1.05 4.74 4.09 6.10 4.97 3.179 2.28 4.96 2.074 2.18 4.18 3.539 2.71 6.35 2.947 2.500 2.23 3.32 2.25 2.34 2.624 2.0 234.922 3.132 2.11 3.29 2.896 2.27 2.341 1. táblázat P= Szabadságfok 5.182 2.táblázat V/l 1 0.13 2.740 1.84 8.71 2.145 2.397 1.

7711 . 72 . Sz.67 .9608 . 19.04 .5945 .6912 2. táblázat 0.7183 3.ÉS TÁRGYMUTATÓ bimodális eloszlás 118 binomiális együttható 126 binomiális eloszlás 126.95 .4050 1.4449 .63 .9048 .445 18. 27 Descartes-fé\Q derék­ szögű koordinátarendszer 77 .0833 1.4351 2.4918 1.5769 .33 .1052 1.2255 0.0000 0.5066 .3869 2.1 2.0960 2.2933 2.41 .161.5379 .8404 1.6637 .79 .0907 .1972 1.0618 1. 67 .182 13.1383 2.5117 .61 .29 .6771 .6989 1. 24.7860 1.64 .4 1.01 Az és az függvény értékei 1. 18 centrális abszolút momentum 111 centrális (központi) határeloszlás-tétel 153 centrális momentum 111.8589 1.6645 2.8521 .389 8.7945 . 19 Bujfon. 22.8958 .4191 1.6065 .81 .80 1.4493 .69 .7634 . 220 .6126 .eredménye 206 döntéshozatal 206 abszolút momentum 111 adatpárok ábrázolása 234 alaphipotézis 205 alapsokaság 171 alsó.59 .25 .3946 .7189 .3012 .4109 2. H.49 .880 16.2713 1. 170 Bayes-iéteXt 61 becslés .0942 1.4677 .7333 1.3497 1. szórás­ négyzete 128 binomiális tétel 126 biztos esemény 21.23 .8607 .4596 2. George 25 Boo/e-algebra 25 Boréi.320 3.7 1.0101 1.4916 .illeszkedésvizs­ gálat 220 Bemoulli.1353 .72 .6653 1.3867 .086 2.8776 1.6 2.62 .97 .53 .6820 1.4770 1.2231 .7118 .5326 .78 .4630 .függetlenségvizs­ gálat 228 .37 .2705 2.85 .3100 1.3329 .20 .7160 1.58 .várható értéke.76 . 159 Bernoulli-eloszl&s 127 Bernaulli-félc törvény 163 Bernoulli-kíséú&t 127 Bernstein. 127. 30 diszkrét eloszlásfügg­ vény 73 diszkrét eloszlások 125 diszkrét valószínűségi változó 72.4 2.70 . L. J.181 . szórása.75 .50 .71 .4843 2.6703 .15 .8187 .11 1.474 6.2 1.54 .65 . 19 Cardano.4868 .5527 1. 28.9 3.91 .6313 .5827 .3753 .19 .2461 1. N.6977 .1275 1.99 1.0513 1.0408 1.22 .5683 1.3910 1.6117 2.kiszámítása 181 Csehisev.0821 .3791 .1503 1.3985 .1827 .48 . G.4584 .9231 . szórása 141 egyenletes eloszlású 45 egyenlő valószínűségi mező 35 egyenlő valószínűségű események 34 egymást kizáró esemé­ nyek 24.174 20.21 .0 1.5016 .5488 .90 .00 .7483 .40 .42 .9900 .292 6.84 .9739 1.3397 2.86 .98 .5169 .eloszlásfüggvénye 142 .0725 1.30 .összege 29 egymást kizáró hipo­ tézisek 206 egymást nem kizáró események összege 31 D De Morgan-szabály 26.5373 1. L L 18 Descartes-szorzat 86 determinisztikus 19 diszjunkt halmazok 22.2096 1.56 .77 .5434 .5345 2.4274 .05 .7866 .09 .4107 .3231 1.2019 .0305 1.94 .2214 1.2255 2.3906 .9324 .0544 2.82 .3632 2.2969 1.4190 .0608 .83 .1003 .74 .0498 NÉV. 127.24 .3 1.3634 1.2337 1.08 .6188 .7 2.32 .eloszlásfüggvénye 100 .6487 1.9139 .9155 1.9348 1.6376 .1496 .6005 .0340 2.2466 .6380 2.10 .4066 .974 11.5841 1.8025 .66 .92 .16 .valószínűsége 29 Boole.3 2.4493 0.40 0.4232 .6000 1.0202 1.0 0. 18.3716 .1225 .31 .73 .7788 .34 .68 .7683 1.5857 2.6703 .51 .5093 2.1108 .2586 1.1618 1.5599 .5 2.7558 .7047 .5886 .1653 .80 . 18.57 . E.166 9.4966 .3829 .5655 .464 14.055 4. P.0751 2.87 . Th.8040 1.6161 1.szórásnégyzete 83 disztributív 25 dobókocka 17 döntés 206 . szórásnégyzete.4317 .hatásfoka (efficienciája) 191 leghatékonyabb (legefficiensebb) 191 becsléses .4333 1.6839 .8353 .0550 .1 1.4025 .4819 .60 .39 .004 3. felső kvantilis 117 asszociatív 25 axiomatikus elmélet 19 általános szorzás] szabály 54 átlagérték 81 átlagtól való eltérés 81 B Bayes.0000 1. 30.953 5.2725 .7334 .44 .18 .9 2.6505 .7261 .43 .2 2.3679 .6440 .4404 .8694 .0 2.26 .5220 .38 .13 .1735 1.050 6.5600 2.2479 2.0138 2.4477 1.várható értéke.52 .3164 2. sz.4148 .17 .9512 .36 .4623 1. 153 -je lö lé s e 127 .02 .5712 .8437 .illeszkedés 221 .5 1.8 1.5273 .5068 1.5543 .46 .55 .12 .1598 2.1388 1.07 .9542 1.14 .686 7.3771 1.28 .023 12.35 .482 4. 29.3364 1.4360 .45 .6323 1.7408 .5220 1.8965 1.6250 .4724 .9802 .4538 .9418 .sűrűségfüggvénye 142 .1815 2.1853 1.669 4.6 1.9704 . 163 E egyenletes eloszlás 141 .2840 1.8270 .1170 2.2034 2.4771 .7507 1.8221 1.6907 .8 2.0672 .4918 .27 .8106 .03 .96 .93 .8781 .0743 .47 .6570 . 170 Cíe^iíev-egyenlőtlenség 160.9937 2.06 .1163 1.025 9.

170. szórása 137 hipotézis 205 hipotézisvizsgálat 205 . 243 korrelációs koefficiens 243 korrelálatlan 243 korrelálatlan valószínű­ ségi változók 93 korrigált szórásnégyzet 212 korrigált tapasztalati szórás 180 korrigált tapasztalati szórásnégyzet 180 kovariancia 90. V. V.félhossza 197 kontingenciatáblázat 227 konzisztens becslés 191 korrekt játék 80 korreláció 92.metszete 24 .uniója 24 . 144 . 202. 126 elméleti eloszlásfügg­ vény 176 elméleti gyakoriságok 228 eloszlás bimodális 118 . 151 Fermat. I. 170 Gnyegyenko. 239 kritikus érték 41 kritikus értékek arányos­ sági szabálya 41 kritikus tartomány 206 különbségek átlaga 236 különbségek négyzetösszege 236 egymintás í-próba 212 egymintás jí-próba 207 együttes bekövetkezés valószínűsége 64 együttes diszkrét valószínüségeloszlás 86 együttes eloszlás 87.valószínűsége 28. A. J. P. 22 . 222 Huygens. Károly 19.táblázata 86 együttes várható érték 87 elégséges becslés 191 elégséges statisztika 191 elemi esemény 20. 22. 170 L Lagrange.szorzata 22.centruma 111 .kedvező 80 . F.várható értéke. 2 1 0 .közepe 115 trimodális 118 unimodális 118 eloszlásfüggvény 98. 208.2 1 4 .várható értéke. 35 Kendal. 208 . P. 41 féllogaritmikus papír 235 Fisher.kimenetelei 19 kiválasztott pontok módszere 235. szórásnégyzete 201 khi-négyzet-próba 220 kísérlet 19 . 103. A.gyakorisága 27 .201 . 72 elemi függvények 234 elfogadási tartomány 206. B. 18. 18 Laplace. 241 kölcsönösen kizáró ese­ mények összege 57 közelítő képletek 216 közelítő tapasztalati eloszlásfüggvény 176.menete 206 hisztogram 80 homogenitásvi zsgálat 220.211.típusa 233 empirikus terjedelem 175 empirikus várható érték 174 J G fadiagram 56 „fej” vagy „írás” 20 feltételes relatív gyakoriság 52 Galilei. 220 illeszkedő görbe 233 improprius integrál 103 intervallumbecslés 189 invariancia tulajdonság 193 144 . 19. 125. 170 Kolmogorov-féle axiómák 30 kombináció 37 . szórása 145 empirikus ferdeségi együttható 181 empirikus képlet 233.egyenlősége 22 eseményekre vonatkozó műveleteket. 92.valószínűsége 33. G.valószínűsége 207 elsőrendű momentum 111 93 esemény 22 .kedvezőtlen 80 Jordán. 27.eloszlásfüggvénye 144 . 170 játék 80 .tulajdonságai 98 . 192 folytonos eloszlás 99. 141. M.294 VALÓSZÍNÜSÉGSZÁMÍTÁS É S MA TÉMA TIK AISTA TISZTIKA erősen konzisztens becslése 191 erősen korrelált változók feltételes valószínűség 51. 209 . 170 Gosset.és tárgymutató geometriai valószínűség 45 Glivenko.220 folytonos eloszlású valószínűségi változó . K. 71 . 98 folytonos változó 99 F-próba218 független események 63 független kísérletsorozat 126 független valószínűségi változók 87. Ch. J. H háromszigma szabály 152 hibás döntés valószínű­ sége 207 Hincsin. L.szórása 107 . ismétléses 38 kombinatorikus mód­ szerek 35 kommutatív 25 komplementer 22 konfidencia határok 195 295 konfidencia-intervallum 195. 241 korrelációanalízis 241 korrelációhányados 243 korrelációs együttható 90.összege 21. R. 197.p-kvantilise 117 elsőfajú hiba 207. szórásnégyzete. 177 közepek módszere 236. szórásnégyzete. 18 29 eseményalgebra 24 események . 138..2 1 8 ellentett esemény 22. 199. 150. D.bekövetkezésének esélye 27 .azonossága 25 . 170 gyakoriság 35 gyakorisági eloszlás 174 K A:-adik centrális momentum 111 ^-adik tapasztalati momentum 181 A-adrendű momentum 110 kedvező esetek 18. A.felbontása 57 . 241 . 92 független. 23 .60 feltételi egyenletek 237 feltételi egyenletrendszer 238 feltevés vizsgálat 205 ferdeségi együttható 112. 170 hipergeometrikus eloszlás 136 . 239 klasszikus valószínűségi mező 35 kocka feldobásával végzett kísérlet 21 Kolmogorov.várható értéke.komplementere (ellentettje) 30 . 235 .. egyenlő elosz­ lású valószínűségi változók 173 függetlenségvi zsgálat 226 függvény szélsőértéke 192 függvénykapcsolatban álló pontok 234 Név.részhalmaza 21 . 170 lapultság empirikus mérőszáma 182 .különbsége 23 .sűrűségfüggvénye 144 . N.szemléltetése 46 exponenciáUs eloszlás I idempotens 25 illeszkedésvizsgálat 219. 23 .várható értéke 106 folytonos valószínűség­ eloszlás 104 folytonos valószínűségi változó 97. nem független 64 . 23 eseményrendszer 24 eseménytér 20. 170 kettős logaritmikus papír 235 kétmintás í-próba 214 kétmintás w-próba 210 kétmintás w-statisztika 211 kétoldali ellenhipotézis 208 kétváltozós függvény minimuma 244 khi-négyzet sűrűségfüggvénye 201 khi-négyzet-eloszlás 198. 18 gamma függvény 201 Gauss.szórásnégyzete 107 . W S. 208 ellenhipotézis 205.

módszerei 189 próbafüggvény 208 próbastatisztika 212 reprezentatív mintavétel 171 rétegezett mintavétel 173 297 szorzási tétel (szorzási szabály) 54 szórás 141 szórás (standard eltérés) 82 szórás becslése 201 szórásnégyzet.2 1 2 . szórása 132 pontbecslés 189 . V. 175 likelihood-függvény 193 lineáris függvény­ kapcsolat 93. 118 Moivre. 18. 198 . 170 négyzetes középhiba 82 normálegyenletrendszer 244 normális eloszlás 146 .sűrűségfüggvénye 147. Név. 2 1 0 . A. 148 . 144. V. A. de 18. 22. 133. 3 5 . 41 mérési eredmények 170 mérési hibák 238 minőségellenőrzés 205 minta 172 .geometriai szemléltetése 115 O osztályközök 176 Osztrogradszkij. D.. 181 rendezett minta /?-edrendű kvantilise 182 Ö összeg várható értéke 108 összes esetek 18 összetett esemény 22 . 221 . S.sokaság 171 statisztikák 174 Student 170 Student-eloszlás 198.162 nevezetes eloszlások 125 Newton-Leibniz-tétd 104 Neynian. feltételes 52 relatív gyakoriság hisztogramja 177 relatív szórás 85. R. E.folyamat 56 . 177.2 1 8 . 28 -valószín ű sége 30 lehetséges érték 72 lehetséges kimenetel 20 lépcsős függvény 100.nagyság szerinti rendezése 174 mintaközép 174 mintateijedelem 174. 170 Mar^ov-egyenlőtlenség 160 másodfajú hiba 207. 170 R regresszióanalízis 241 regressziós függvény 238. S.valószínűsége 33 N n szabadságfokú (khinégyzet)-eloszlás 201 n-1 szabadságfokú 212 nagy számok gyenge törvénye 162 P paraméter becslése 189 paraméterek kiszámítása 235 standard eltérés 82 standard normális eloszlás 149 .eloszlásfüggvénye 149 . 214 súlyozott átlag 75 sűrűségfüggvény 103.. 209 . 116. de 18. 175 tapasztalati (empirikus) vagy mintaeloszlás 174 tapasztalati sűrűségfüggvény 177 tapasztalati szórás 174.becslése 190 ..eloszlásfüggvénye 147. 174.elfogadása 223 nyerési esély 42 M marginális (határ-) eloszlás 86 marginális értékek 227 Markov. 199 Student-dosxlású táblázat 212 Student-eloszlású változó 212.várható értéke.különbség 209 szignifikáns eltérés 219 Szmimov. A. 235 lineáris kapcsolatot elő­ állító leképezés 234 Hnearizáló módszer 234 Ljapunov.minta 171 . szórás kiszámítása 107 szórásnégyzet 82. 175 .226 . A. 180 . 145. 170 legkisebb négyzetek módszere 237.szükséges elemszá­ mának nagysága 197 mintaátlag 174.hipotézisek 205 . 171 megfigyelhető események 22 megszámlálhatóan végtelen 44 Méré. 148 normalitásvizsgálat 220. 19 Poisson-eloszlás 131.valószínűsége 207 matematikai statisztika 169 . 175 . J. 242 regressziós görbe 242 rekurziós formula 133 rekurziós képlet 128 relatív gyakoriság 28.szintje 195 megbízhatósági intervallum 195 megengedhető legnagyobb hiba 152 megfigyelés eredményei 20. A. 170 Quetelet.tulajdonságai 103 sűrűséghisztogram 177 számtani közép 174 szerencsejáték 18 szignifikancia szint 206 szignifikáns 209 . 73 teljes rendszer 35 teljes valószínűség tétele 58 í-eloszlás 198 tételek 84 tiszta illeszkedés 221 torzítatlan becslés 190.feladata 169 maximum-likelihood (legnagyobb valószí­ nűség) módszere 192 maximum-likelihood becslés 193 mechanikus (szisztema­ tikus) mintavétel 173 médián 115. N. A.kapcsolat 90 sztochasztikusan konvergál 162 lapultság! együttható 112. B.296 VALÓSZÍNŰSÉGSZÁMÍTÁS É S MA TÉMA TIKAISTA TISZTIKA megbízhatóság 195 . 221. 225 . 41 momentumok 110 nagy számok törvénye 159.. 19 modell 19 módusz 112. K.sűrűségfüggvénye 149 standardizált változók kovarianciája 91 statisztikai adatok 169 statisztikai becslések 189 statisztikai függvények 174 statisztikai .várható értéke 174 mintaelemek 172 . Ch.2 1 4 . 241 permutáció 36 . M. 208. 170 lottó 38 222 normált vagy standard valószínűségi változó 85 nullhipotézis 205. 199.175 mintavétel 171 . szórásnégyzete.kiszámítása 82 sztochasztikus 19 .41 Pearson. 136 . 170 Pearson. 150. 180 tapasztalati szórás­ négyzet 179 Taylor-soT 133 teljes eseményrendszer 61.modell 241 -próbák 205 . 240 lehetetlen esemény 21. M. 141. ismétléses 36 pénzérme 20 Poisson. 170.és tárgymutató paraméterek statisztikai becslései 190 páronként független események 64 páronként kizáró események 28 Pascal. 191 trimodális eloszlás 118 ^-statisztika 212 turbina 26 . 243 peremeloszlás 86.eltérése 174 . 24.151 Legendre. 170 tapasztalati (empirikus) eloszlásfüggvény 174. visszatevés nélküli 42 . visszatevéses 43 Mises.

és példaanyaga méltán emeli a világ leg­ jobb matematika tárgyú könyvei közé. 106. 73 vonaldiagramja 78 valószínűségi függvény 29 valószínűségi ítéletek 169 valószínűségi mező 33. Azok a reformtörekvések. 225 . Az átdolgozás néhány újabb anyagrész ismertetését is igényelte.feladata 19 valószínűségszámítás matematikai elmélete 30 változó eloszlása 73 változók kapcsolatának szorossága 241 változók szorosságának mérése 243 várható eltérés 113 Obádovics: Matematika Az Obádovi cs : Mat emat i ka tizenötödik.eloszlásfüggvénye várható érték 75.és integrálszámítás Az Obádovi cs : Mat e mat i ka eredményes segítőtársa lehet a mate­ matikával bármilyen szinten foglalkozó diáknak és felnőttnek egya­ ránt. világos magyarázatai. jelölésrendszerére. koordinátageometria ♦ Bevezetés az analízisbe ♦ Differenciál. 72 valószínűségi változó 71 W Wald.298 VALÓSZÍNŰSÉGSZÁMÍTÁS É S MA TÉMA TIKAl STA TISZTIKA . A hazai és nemzetközi korszerű matematikai irodalom által használt jelölésrendszerből átvettem és alkalmaztam azokat a jeleket. a relációk ele­ mei. Ábrahám 170 W^e/c/í-próba215. 77.ismétléses 37 variancia 82.várható értéke 82 valószínűségi változók kapcsolata 85 . felvételire készülőknek. Bővültek a valós számhalmazra. 141. módszertanára. néhány fogalmának pontosítá­ sára is hatottak. amelyek a megértést segítik és meghonosodtak a középiskolai oktatásban is. 217 ♦ A halmazelmélet és az absztrakt algebra elemei ♦ Algebra ♦ A kombinatórika és a valószínűségszámítás elemei ♦ Sík' és térmértan. valamint külföldi kiadásai bizonyítják. a síkgeomet­ riára. különösen az érettségire. az algebrai struktúrák. 44.diszkrét 72 . gördülé­ keny stílusa.eloszlása 78 .” . bőséges ábra. a matematika tananya­ gára. a függvényekre. Terjedelem: 816 oldal Formátum: B/6 ISBN: 963-9193-70-4 . Használhatósá­ gát az eddig eladott közel 500 000 példány. az egyenletekre.összefüggése 89 valószínűségi vektor­ változó együttes eloszlása 86 valószínűségszámítás 17 .részlet a s z e r z ő e l ő s z a v á b ó l üres halmaz 21 valós értékű függvény 71 valószínűség feltételes 51 valószínűségeloszlás 44.terjedelme 118 . illetve egyes tárgyakra irányultak. 199. trigonometria. évek óta közkedvelt összefoglaló kézikönyv. „Az iskolai matematikaoktatás hazai és nemzetközi tapasztalatait felhasználva fogtam hozzá a Mat e ma t i ka tizenkettedik kiadásának teljeskörű átdolgozásához. Ilyen például a halmazelmélet. az integrálszámításra és a differenciálegyen­ letekre vonatkozó ismeretek.becslése 196 variáció 37 . teljeskörűen átdolgozott kiadása. amelyek az okta­ tás egészére. 118 végtelen sor 77 végtelen valószínűségi mező 33 véletlen esemény 17 véletlen mintavétel 171 véletlen számtáblázat 173 véletlenszerű 20 visszatevés nélküli mintavétel 42 visszatevéses mintavétel 43 vonaldiagram 77 A Scolar Kiadó matematikakönyv-ajánlata unimodális eloszlás 118 100 . Áttekinthető felépítése.

Sign up to vote on this title
UsefulNot useful