Statisztika

jegyzet

gazdasági informatikus,
műszaki menedzser,
munkaügyi és társadalombiztosítási igazgatási,
igazságügyi igazgatási,
nemzetközi tanulmányok szakos hallgatók részére

Írta:
Dr. Horváth Eszter Ph.D

ISBN 978-615-5837-41-8

Széchenyi István Egyetem

Győr
2018

1
Tartalomjegyzék
Tartalomjegyzék .............................................................................................................................. 2
Előszó ...................................................................................................................................................... 4
1.Bevezetés .............................................................................................................................................. 5
2. Viszonyszámok ................................................................................................................................. 10
2.1. Megoszlási viszonyszám ............................................................................................................ 10
2.2. Összehasonlító viszonyszámok .................................................................................................. 12
2.3.Teljesítmény viszonyszámok ...................................................................................................... 14
2.4. Intenzitási viszonyszám .............................................................................................................. 14
2.5. Koordinációs viszonyszámok ..................................................................................................... 14
2.6. Területi viszonyszámok .............................................................................................................. 15
3.Középértékek ...................................................................................................................................... 16
3.1. Számtani átlag ............................................................................................................................ 16
3.2. Helyzeti középértékek ................................................................................................................ 19
3.2.1. Módusz ................................................................................................................................ 20
3.2.2.Medián .................................................................................................................................. 20
3.2.3.Kvartilisek ............................................................................................................................ 21
3.3. Szóródási mutatók ...................................................................................................................... 23
3.3.1. Szóródás terjedelme ................................................................................................................ 23
3.3.2. Interkvartilis terjedelem........................................................................................................... 23
3.3.3. Átlagos (abszolút) eltérés ........................................................................................................ 24
3.3.4. Szórás ...................................................................................................................................... 24
3.3.5 Variancia .................................................................................................................................. 26
3.3.6. Relatív szórás .......................................................................................................................... 28
3.3.7. Átlagos különbség (G)............................................................................................................. 28
3.3.8. Aszimmetria ............................................................................................................................ 29
3.3.9.Koncentráció ............................................................................................................................ 32
4.Ismérvek közötti kapcsolatok ............................................................................................................. 35
4.1. Asszociáció................................................................................................................................. 35
4.2.Yule-féle asszociációs együttható ............................................................................................... 36
4.3.Csuprov-féle asszociációs együttható.......................................................................................... 37
4.4.Cramer-féle asszociációs együttható ........................................................................................... 38
5. Standardizálás.................................................................................................................................... 41
5.1. Főátlagok különbsége és a főátlag-index ................................................................................... 42
5.2. Részátlag-különbség és részátlag index ..................................................................................... 42
5.3.Összetétel-különbség és összetétel-index .................................................................................... 43

2
 5.4. Példa a standardizálás módszerére ............................................................................................. 44
6. Indexszámítás .................................................................................................................................... 49
Gyakorló feladatok ................................................................................................................................ 55
Felhasznált irodalom ............................................................................................................................. 59

3
Előszó

A tantárgy megkedveléséhez, a jegyzetben felsorolt módszerek rendszeres alkalmazásához

legyen iránymutató az alábbi idézet:

„Egy napon a statisztikai gondolkodásmód a társadalom hasznos tagjává váló ember számára
az íráshoz és olvasáshoz hasonló alapvető készséggé válik.” (H.G.Wells)

Miért kell statisztikát tanulni?

Mert „számszerű információk tömege bombázza az embereket, a média ontja a számsorokat,
grafikonokat és statisztikai táblákat, statisztikai mutatókat és elemzéseket, előrejelzéseket,
közvélemény kutató intézetek, piackutató cégek, bankok, hitel és biztosítási, pénzügyi
vállalkozások, politikai pártok és egyéb szervezetek szinte naponta adják közre a számukra
fontos számszerű adatokat. Bonyolult statisztikai mutatók alkotják az átlagemberek mindennapi
beszédtémáját (GDP adatok és összehasonlítások, inflációs és munkanélküliségi ráták,
államadósság, külkereskedelmi mérleg adatok stb.). Azonban Statisztikát csak igen kevesen
tanulnak - a statisztikai információkat viszont az emberek túlnyomó része használja, értelmezi,
véleményt és álláspontot alakít ki ezek alapján.” (Prof. Dr. Besenyei Lajos: Századok
gondolkodói a statisztikáról /a statisztika igazsága/)

Miért érdemes még statisztikát tanulni? Mert a humor is belefér:

„A statisztikát úgy használja, mint a részeg a lámpaoszlopot: támaszkodásra és nem

világításra.” (Andrew Lang)

„Ne higgy annak, amit a statisztika mond – mindaddig, míg meg nem győződsz róla.” (William
W. Watt)

„Volt idő, amikor a pápák és királyok asztrológusokat tartottak udvarukban, hogy segítsenek
nekik tervezni a jövőt. Ma ugyanezt a célt szolgálják a statisztikusok.” (M.J.Moroney)

„Ha egyik kezed forrásban lévő vízben van, a másik jeges vödörben – teljes kényelemben vagy”
a statisztikusok szerint.

A komolyágnál és a tényeknél maradva:

„A statisztika a modern élet alapelemévé, az emberek mindennapi döntéseinek iránytűjévé vált”

Jó munkát és jó tanulást!
A szerző

4
1.Bevezetés

A statisztika által használt fogalmakat, módszereket - ha nem is direkt módon de – mindennapi

életünkben használjuk. A munkában, a tudományos tevékenységben pedig tudatosan
alkalmazzuk a társadalmi-gazdasági jelenségek értelmezésesben, leírásában.

Néhány példa a mindennapi használatára:

• „Az autósok 50 forintos különbséget is tapasztalhatnak a töltőállomások árai között. A

benzin ára 2012. április elején érte el csúcsát, akkor egy liter átlagosan 451 forintba
került. A gázolaj literje 2012. január közepén volt a legdrágább, átlagosan 449 forint.”
• „A Központi Statisztikai Hivatal (KSH) átlagos, egy főre jutó havi munkaerőköltséget
összesítő statisztikáit összegezve a szakértő a legfigyelemreméltóbb tendenciának
nevezte, hogy 2016 júniusa és 2018 júniusa között negyedével nőtt az átlagkereset. A
bruttó keresetek növekedésével párhuzamosan a munkaerőköltség is nőtt, azonban a
járulékcsökkentésnek köszönhetően a béreknél kisebb
mértékben - tette hozzá.”
• „Az arabica kávéfajta ára szerdán 12 éves mélypontra csökkent, az év eleje óta csaknem
19 százalékkal esett az ára. A gyengébb minőségű robusta ára pedig csaknem 10
százalékkal csökkent az év kezdete óta. India a világ hatodik legnagyobb kávétermelője,
az országban elsősorban a robusta kávéfajtát termesztik, amely a gyorsan oldódó
kávéporok alapanyaga. Indiában 1670-ben kezdődött a kávétermesztés hét
becsempészett kávébabbal. Az ország kávétermésének mintegy háromnegyedét
exportálja. Az indiai kávébab legnagyobb vásárlója Olaszország, Németország és
Belgium.” (Kisalföld online 2018. 09. 04.)

Érdekes statisztikák az Facebook-ról:

1. Naponta átlagosan 20 percet töltünk el a Facebookon.

2. A Facebook felhasználóinak a 83 százaléka 45 évnél fiatalabb.
3. 2017 második negyedévében a Facebookon 9,16 milliárd dollár értékben hirdettek a hirdetők
– ez 47 százalékos emelkedés a 2016-os év hasonló időszakához képest.
4. 2017 harmadik negyedévében a Facebook felhasználóinak a száma meghaladta a 2 milliárd
72 millió főt.
5. A fogyasztók 57 százaléka gondolja úgy, hogy a közösségi média hatással van a vásárlásaira
– a közösségi média felületei közül ebben a kategóriában a Facebook vezet, méghozzá 44
százalékkal.
6. Egy érdekes demográfiai adat: a Facebook felhasználóinak a legnagyobb része a 18-24 és a
25-34-es korcsoportba tartozik, 30 és 29 százalékkal.
7. A Facebook Messengert több, mint 1.2 milliárd ember használja napi szinten – nem is
véletlen, hogy a hetekben a Facebook elindította a Messengerben megjelenő hirdetéseket.
8. Az átlagos felhasználó naponta nyolcszor megy fel a Facebookra.
9. Több, mint 83 millió kamu profil található a Facebookon.
10. Egy vállalkozók körében elvégzett felmérés arra világított rá, hogy a Facebook messze a
legfontosabb social média platform a vállalkozásaik számára: 62 százalékuk jelölte meg a
Facebookot, mint az elsőszámú közösségi média platformot (egyébként a Facebookot a
LinkedIn követi 16 százalékkal, míg az Instagram és a Youtube csak 7 és 4 százalékon állnak).

5
11. Naponta több, mint 300 millió új kép kerül feltöltésre Facebookra.
12. A videók egyre nagyobb teret nyernek a Facebookon. Ez olyannyira igaz, hogy a teljes
Facebook közösség napi szintű videó megtekintése 8 milliárd felett van.
13. 400 új felhasználó regisztrál a Facebookra minden egyes percben!
(https://thebusiness.blog.hu, 2018.09.10.)

De mi is a statisztika?
A statisztika a valóság, tömör számszerű jellemzésére szolgáló tudományos módszertan,
illetve gyakorlati tevékenység.

Tudományos módszertan egyrészt, mert általános elméleti és módszertani kérdéseket foglal

magában, illetve az általános elvek és módszerek egy-egy területen történő konkrét
alkalmazását. A statisztikai módszertan ágai a következők:
 Általános statisztika
 Szakstatisztikák

A statisztika tudománya az összes tudományterülettel kapcsolatban áll. Felgyorsult

világunkban az egyik legfontosabb érték, erőforrás az információ, a számszerű információ
(tömör, releváns, kezelhető, rögzíthető stb.), amely előállításában és hasznosításában a
statisztikáé az egyik legfontosabb szerep.

Gyakorlati, számbavételi tevékenység is, mert lehetővé teszi tömegjelenségek számbavételét,

elemzését, összefüggések feltárását, valamint következtetések levonását.
Két ágát különböztetjük meg:
 Leíró statisztika
 Következtető statisztika

Leíró statisztika:
 A vizsgálat tárgyát képező jelenség tömör, számszerű jellemzését adja,
 Nem lép túl a megfigyelés körén, de a megfigyelt adatok legjobb megértésére,
bemutatására, összefoglaló jellemzésére törekszik.
Például:
 Népszámlálási adatgyűjtések és kiértékelések,
 Üzleti szféra (a befektetők, brókerek gyakran használnak áttekintéseket a
hozamok alakulásáról; gazdasági szervek működésének vizsgálata),
 Sporteredmények bemutatása,
 Egyszerű közvélemény kutatások,
 stb.

Következtető statisztika:
 Fő célja a mintából való következtetés, általánosítás a teljes sokaságra
vonatkozóan.
Például:
 Minőség-ellenőrzés,
 Jövedelmi helyzet vizsgálata,
 Mezőgazdaság,
 TV-nézetség vizsgálata,
 Választási eredmények kiértékelése,
 stb.

6
A statisztika eredete és rövid története
Eredetileg – ma már ritka, elavultnak számító értelmezés szerint – a statisztika matematikai
eszközöket igénybe vevő államháztartástant jelentett, vagyis azon módszerek gyűjteményét és
elméletét, amelyek segítségével az újkorban kialakuló modern államok számon tarthatták
erőforrásaikat és a társadalmi problémákat (népesség, állatállomány, katonák, termelés,
betegségek stb.). Erre utal a szó etimológiája is, minthogy a szót az újlatin statisticum collegium
(„államtanács”) és az olasz statista („államférfi”, politikus) kifejezésekből származtatják. A
statisztika atyja, Gottfried Achenwall is ilyen értelemben használta e szót munkáiban („az állam
tudománya”), először 1749-ben. A szó mai értelmét („az adatgyűjtés és adatfeldolgozás
általános tudománya”) csak a tizenkilencedik század elején nyerte el.
Az emberiség történelmével azonos a statisztika tudományának kialakulása, csak még nem
nevezték statisztika tudományának (a kapitalizmus korától nevezik annak). Számok, súlyok,
mértékek használatát jelentette főként.
Elsősorban az alábbi területeken alkalmazták:
 népszámlálási, összeírási tevékenység,
 leltározás,
 országok gazdasági életére, polgárok vagyoni helyzetére vonatkozó összeírások,
 mezőgazdasági összeírás,
 hadászati összeírások.
A 15. század végétől, hódítások, nagy utazások, népességnövekedés, tőkés termelés gazdasági
társadalmi feltételei megteremtődtek, így megnőtt az igény az egyes országok társadalmi,
gazdasági és politikai viszonyainak megismerése iránt, amely a statisztika tudományát is útjára
indította. Matematikával, valószínűségszámítással, nagy tömegű adatok kezelésének,
feldolgozásának módszertanának fejlődésével teljesedett ki.
A statisztika az ok-okozati összefüggések és következtetések módszere.

Nézzük meg a statisztikai kutatómunka lépéseit:

1.Adatokra van szükség

Tervezés
- El kell dönteni: milyen típusú adatokat kívánunk begyűjteni, mely megfigyelési
egységekről,
- Meg kell határozni, hogy melyek lesznek a számbavételi egységek (egyes emberek,
korosztályok, csoportok, pártok), amelyekkel kapcsolatot hozunk létre az adatok begyűjtése
érdekében,
- El kell dönteni az adatgyűjtés jellemzőit: gyakoriság, köre, ideje (időpontra vonatkozik,
vagy időtartamra), helye, módja.

2.Honnan és hogyan jutunk adatokhoz?

Primer adatgyűjtés (a megfigyelés köre, reprezentativitás, milyen gyakran?): elsődleges

adatgyűjtés, előttünk még senki nem gyűjtötte be azokat az adatokat.
Reprezentatív (mintavétel): képviseleti módszer, az egészre jellemző, tipikus tulajdonságokkal
rendelkező egységek sokaságának vizsgálata, és ebből vonunk le következtetést az egészre.

Az adatgyűjtés lehet:
- teljes: a vizsgálandó sokaság minden egysége,
- részleges: vizsgálandó sokaság egy részére terjed ki a mintavétel,
- egyéb: részleges.
7
Mindhárom lehet folyamatos és időszakos.

- Folyamatos: az események folyamatát megszakítás nélkül figyelemmel kíséri (pl. lakásépítés,

születések, halálozások).
- Időszakos: ha csak bizonyos időközökben hajtják végre. Ilyen pl. a népszámlálás
Magyarországon, amely 10 évente van.
A megfigyelendő sokaságot térben pontosan körül kell határolni.

Szekunder adatgyűjtés: A szekunder információkat egyszer már valaki összegyűjtötte,

feldolgozta saját céljaira. Ezekhez az információkhoz (általában) könnyebben hozzá lehet jutni,
olcsóbbak és beszerzésük kevésbé időigényes, de hátrányuk, hogy nem mindig időszerűek,
pontosak és nem a saját szempontunk alapján vannak összegyűjtve, értékelve. Ilyenek például
a statisztikai hivatalok felmérései, szakmai folyóiratok, kiadványok adatai, piackutató cégek
publikált adatai.

Forrásai:
• KSH,
• Kutatási adatbázisok,
• Minisztériumok,
• Eurostat,
• Wikipédia ne használjuk, nem megbízható!

3. Az adatok összegyűjtése

 Adatgyűjtés: adatfelvétel, a statisztikai adatok beszerzése,

 Kikérdezés: személyes interjúban, vagy postai úton kérdőívben. Piac és közvélemény
kutatásban alkalmazzák a leggyakrabban, gondot okoz a hibás válaszok kezelése,
 Megfigyelés: adatok rögzítése közvetlen megfigyelés vagy mérőműszer segítségével.
Pl. forgalomszámlálás, testmagasság megállapítása. Mérési hibának fontos szerepe van!
 Kísérlet: ennek során valamilyen hipotézis (feltevés) ellenőrzését végezzük. A hipotézis
feltételeinek teljesüléséről gyakran külön gondoskodni kell megfelelő beavatkozással,
kezeléssel. Kontrollált kísérlet: valamely változót tervszerűen változtatnak. A
közgazdaságtanban a kísérletezés többnyire nem lehetséges.

4.Ellenőrzés: Adatszolgáltatás megbízhatóságénak érdekében.

5.Adatok feldolgozása

Statisztikai elemzések=matematikai és logikai műveletek elvégzése

- Egyváltozós elemzések,
- Két vagy többváltozós elemzések (adatok közötti kapcsolat),
- Egyéb.

6. Adatok közzététele:
- Statisztikai sorok,
- Statisztikai táblák,
- Grafikus ábrázolás.

8
Statisztikai alapfogalmak:
Statisztikai sokaság: a megfigyelést képző egyedek összessége, halmaza= populáció (magyar
felsőoktatás hallgatói, az országba érkező turisták, az ország lakásállománya, ipari vállalatok,
bruttó hazai termék, gyümölcsfogyasztás).
Adott időpontra vonatkozik=álló (stock) sokaság
Adott időszakra= mozgósokaság (flow) sokaság
Diszkrét sokaság: elemei jól elkülöníthetők egymástól (pl.: hallgatók)
Folytonos sokaság: elemei nem különülnek el, értékeit általában intervallumban adják meg (pl.:
hallgatók magassága)

Sokaság egységei: a sokaságot alkotó egyedek

Statisztikai ismérv: a sokaság elemei meghatározott tulajdonságokkal, jellemzőkkel, vagy

másnéven ismérvekkel rendelkeznek. (pl.: gépkocsi típusa, a nem, vállalkozásoknál a
foglalkoztatottak száma stb.). Ezek olyan tulajdonságok, amely alapján a sokaság egymást át
nem fedő részekre bontható.
Az ismérveket általában x-el jelöljük (x1, x2... xn)

Statisztikai ismérv változat: az ismérv lehetséges kimenetele. (Ford vagy Opel, férfi vagy nő,
KKV vagy nagyvállalat).
Ha csak két ismérvváltozattal rendelkezik akkor alternatív ismérvnek nevezzük. A kettőnél több
változattal rendelkező ismérvek átalakíthatók alternatív ismérvé. (fizetés bruttó 500.000 alatt
és fölött)
Amely ismérv alapján a sokaság elemei egyformák közös ismérvnek nevezzük, amely szerint
különböznek az a megkülönböztető.

Az ismérvek különböző információkat nyújtanak, ezek alapján megkülönböztetünk:

- mennyiségi
- minőségi
- időbeli
- területi

Az adatok rendszerezést statisztikai sorok és statisztikai táblák segítségével végezzük.

Statisztikai sorok: a statisztikai adatok meghatározott összefüggésben történő felsorolása,
egyetlen ismérv szerinti csoportosítása eredményeként jön létre. A csoportosítás lehetőséget
nyújt a sokaság szerkezetének, struktúrájának tanulmányozására.

Statisztikai sorok összefüggő rendszerét statisztikai táblának nevezzük. Formájuk szerint

vízszintes és függőleges sorokat tartalmaznak. Rovataiba a sorokba, illetve oszlopokba
rendezett számadatok kerülnek. A külön-külön elszigetelt statisztikai sorokat a táblába foglalás
teszi áttekinthetővé és összehasonlításra alkalmassá. A jó tábla a sorokban rejlő
összefüggéseket szembetűnővé teszi.

9
2. Viszonyszámok

A statisztikai kutatómunka során az adatok értelmezésének és összehasonlításának

leggyorsabb, illetve leggyakrabban használt módszere a relatív és abszolút adatok kiszámítása,
azaz a kivonás és az osztás elvégzése. Abban az esetben, amikor két egymással összefüggő
statisztikai adatot osztunk el egymással viszonyszámot kapunk. A viszonyszámok a
csoportosított, sorba rendezett adatok elemzésének egyik legegyszerűbb eszközei.

Pontos meghatározása: a viszonyszám két egymással logikai kapcsolatban álló statisztikai

adat hányadosa.

Képletük:

A
V 
B

V: a viszonyszám
A: a viszonyítás tárgya
B: a viszonyítás alapja

E definícióból következik, hogy:

A
A= B*V és B
V
Ezek az összefüggések a későbbiekben többször is elő fognak fordulni.
A viszonyszámokat számíthatjuk azonos fajta adatokból (ugyanaz a mértékegység) és
különbözőfajta adatokból. Az azonos mértékegységű adatokból számított viszonyszámok azt
mutatják meg, hogy az egyik adat hányszorosa a másiknak.
A viszonyszámok legfontosabb fajtái:
- megoszlási viszonyszám,
- dinamikus viszonyszám,
- intenzitási viszonyszám,
- teljesítési viszonyszám,
- koordinációs viszonyszám,
- területi viszonyszám.

2.1. Megoszlási viszonyszám

A sokaság egyes részeinek (a részsokaságainak) a sokaság egészéhez viszonyított arányát

fejezi ki. Mennyiségi és minőségi sorok elemzési eszközei.
Képletük:

xi
Vm  *100
 xi

10
A megoszlási viszonyszámot %-os formában értelmezzük, értéke így 0-100% lehet.
Együtthatós formában a relatív gyakoriságot fejezi ki, melynek értéke 0 és 1 között van:
x
gi  i
 xi
g i : relatív gyakoriság

Példa megoszlási viszonyszám számításra:

Az alábbi példa segítségével számítsa ki, hogy a BARNA kft. négy telephelye egyenként
milyen mértékben járul hozzá az összes árbevétel alakulásához.
1.táblázat
Telephely Árbevétel
(MFt)
A 36,2
B 43,5
C 20,9
D 18,7
Összesen 119,3
Megoldás:
A kérdés megválaszolását a megoszlási viszonyszám és a relatív gyakoriság kiszámítása teszi
lehetővé.
A megoszlási viszonyszám segítségével azt számoljuk ki, hogy egyes telephelyek árbevétele az
összes árbevétel hányad részét tesz ki:

A telephely esetén: (36,2:119,3)*100=30,34 azaz 30,34 % -kal járul hozzá az árbevételhez.

Vagy azt is mondhatjuk, hogy az A telephely termeli meg az összes árbevétel 30,34 %-t.
Adott példa esetében a megoszlási viszonyszámokat összeadva mindig 100 %-t kell
kapnunk!

A relatív gyakoriság kiszámításával azt tudjuk megválaszolni, hogy az egyes telephelyek

árbevétele az egészhez, azaz 1-hez képest mekkora értéket képvisel.

A telephely esetén: (36,2:119,3)=0,3034 azaz az egészhez képest ekkora részt képvisel.

Adott példa esetében a relatív gyakoriságokat összeadva mindig 1-t kell kapnunk!

2.táblázat
Telephely Árbevétel Megoszlási Relatív gyakoriság
(MFt) viszonyszám (%)
A 36,2 (36,2:119,3)*100=30,34 (36,2:119,3)=0,3034
B 43,5 36,46 0,3646
C 20,9 17,52 0,1752
D 18,7 15,68 0,1568
Összesen 119,3 100 1
Forrás: saját példa

11
A megoszlási viszonyszámok tipikus ábrázolási lehetősége a kördiagram, a torta-, illetve a
robbantott torta diagram.
1. ábra

Árbevétel (MFt)

D
16%
A
C 30% A
18% B
C
B D
36%

Forrás: saját szerkesztés

2.2. Összehasonlító viszonyszámok
Az összehasonlító viszonyszámok arról tájékoztatnak, hogy hogyan aránylik egymáshoz két
azonos típusú – egymástól térben vagy időben különböző – ismérvérték. Tehát területi vagy
idősorok elemzési módszere. Kiszámításához a sor minden elemét elosztjuk a bázisként kijelölt
elemmel.
Általános képlet:

xi
Vö 
xk
Az összehasonlító viszonyszámok a területi vagy idősorban bekövetkezett változást mutatják
meg a következőképpen:

Vö 1 növekedést jelent

csökkenést jelent
Vö 1
stagnálást jelent
Vö  1

2.2.1. Dinamikus viszonyszámok

Az összehasonlító viszonyszámok leggyakoribb formája dinamikus viszonyszám. Két

fajtáját különböztetjük meg:

12
1. Bázisviszonyszám: az idősor adatait egy állandó, bázisul választott adattal osztjuk.
Mindig tisztázni kell melyik érték a bázis. (lehet az idősor kezdeti értéke, de lehet
bármelyik érték az idősorból, sőt az idősoron kívül rendelkezésre álló adat is lehet)

Képlete:
y
Vb  i
 100
y 0

2. Láncviszonyszám: a bázisadat változik, az idősor értékeit mindig közvetlenül a

megelőző időpont adatival osztjuk.

Képlete:

y
Vl  i
100
y
i 1

Az idősorból számított lánc- és bázisviszonyszámok összefüggenek egymással,

egymásból kiszámolhatóak:
 egymást követő bázisviszonyszámok hányadosa láncviszonyszámot ad

yn
b y y
lt  t  0  n
bt 1 yn1 yn1
y0
 egymást követő láncviszonyszámok szorzata bázisviszonyszámot ad

bt  lt * lt 1 * lt 2 * ... * lt n
yn y1 y2 y
 * * ... * n
y0 y0 y1 yn1

 a fejlődés átlagos ütemét láncviszonyszámok segítségével, vagy az idősor első

és utolsó eleme segítségével ki lehet számolni

yn
V l
 n 1 Vl1 *Vl 2 * ... *Vl 3  n 1  Vln  n 1
y0

13
2.3.Teljesítmény viszonyszámok
Valamely számokkal meghatározott kitűzött cél végrehajtását mutatja meg. Leginkább
munkateljesítmény kiszámolására használják; szálláshelyek árbevételének alakulásának
kimutatására.
A kitűzött célok elérésének vizsgálatára szolgál. Általában %-os formában adjuk meg.
Nagysága: bármekkora lehet - szakmai megfontolástól függ, hogy mekkora
teljesítményviszonyszám-nagyságot értékelünk jónak.

Képlete:
elért .eredmény
Vt 
tervezett.eredmény

Példa
Egy vállalkozás 2016-ban 426 millió Ft árbevételt elérését tervezte, azonban abban évben 466
millió Ft-os árbevételt realizált.

466
Vt   1,0938  109,38%  9,98% -kal teljesítette túl a tervezetet.
426

2.4. Intenzitási viszonyszám

Különböző típusú/mértékegységű, de egymással összefüggő, egymással logikailag
kapcsolatban lévő teljes- és részsokaság egybevetésével keletkeznek. Megmutatja, hogy egy
jelenség a környezetében ilyen intenzitással fordul elő
Két különböző statisztikai sor megfelelő elemének hányadosa, pl. GDP/fő, km/h, Ft/db, eFt/fő
stb.
Nincs általános képlete, mindig a vizsgált jelenségtől, a vizsgálat céljától függően,
értelemszerűen és szakmai megfontolások alapján kell eldönteni, hogy a jelenség melyik
egységére vetítjük.

Fajtái:
 Reverzibilis (megfordítható): 2,5 t/ha 2,5 ha/t
 Irreverzibilis (nem megfordítható): 2,5db/fő 2,5 fő/db
(nincs értelme)
 Nyers: a viszonyítási alap és a viszonyítás tárgy között lazább a kapcsolat. Pl.:
születések száma/népesség
 Tiszta: a viszonyítási alap és a viszonyítás tárgy között szorosabb a kapcsolat.
Pl.: születések száma/szülő képes korú

2.5. Koordinációs viszonyszámok

A koordinációs viszonyszámot ugyanazon sokasághoz tartozó két részadat egymáshoz
viszonyított arányaként számítjuk ki. Vagyis két részsokaság hányadosa.
Mértékegységgel rendelkező hányados, a nevező 100 vagy 1000 egységére vonatkozik az
értéke.

14
Mind a megoszlási, mind pedig a koordinációs viszonyszám a sokaság belső összetételét jelzi,
a két viszonyszám úgy is összefügg, hogy egymásból kiszámíthatók bizonyos feltételek mellett.
Pl. 1000 férfira jutó nők száma vagy 1000 nőre jutó férfiak száma

Képlete:
viszonyított részsokaság
Vk
viszonyítás alapjául szo lg áló részsokaság
xi
Vk 
yi

2.6. Területi viszonyszámok

A területi összehasonlító viszonyszám azt mutatja meg, hogy a vizsgált jelenség térben
különböző adatai hányszorosát (hány %-át) teszik ki az alapul választott adatoknak.
Földrészek, országok, országrészek, régiók és más területi egységek adatainak az
összehasonlítására szolgál. Sokat elárul az összemért területi egységek gazdasági, társadalmi
eltéréseiről.
Hosszabb területi sor esetén leggyakrabban a területi egységek valamelyikét (egyet) tekintjük
viszonyítási alapnak, ahhoz mérjük, hasonlítjuk a többi területi egység adatát.
A viszonyítási alapot mindig nagy körültekintéssel kell megválasztani (pl. szélsőséges területi
egység adatainál), mert téves következtetésekre juthatunk.

Példa:
A Közép-dunántúli régióban 2017-ben 6039 db vendéglátó egység volt, a Nyugat-dunántúli
régióban 5763 db. Hasonlítsa össze a két értéket!
A Nyugat-dunántúli régióban 5, 42 %-kal volt kevesebb vendéglátó hely 2017-ben.

A teljesítmény, az intenzitási, a koordinációs és a területi viszonyszámok számítása egyszerű,

példa függő.

15
3.Középértékek

Az egyszerű statisztikai mutatószámok közé tartoznak az átlagok, amelyeket középértékeknek

is szokás nevezni. Egyszerűségük és hasznosságuk abban rejlik, hogy segítségükkel az adott,
az azonos fajta adatok halmazát és jellemzőit egy számmal ki tudjuk fejezni.
A jó átlag:
- könnyen kiszámítható,
- a legkisebb és a legnagyobb érték közé esik,
- az adatok többségéhez közel áll,
- egy határozott szám,
- érzékenyen reagál a sokaság tagjainak változására.

A középértékek két nagy csoportja van:

1. Számított középértékek: a sokaság elemeiből számítással képezzük:
a. számtani átlag
b. mértani átlag
c. négyzetes átlag
d. harmonikus átlag

2. Helyzeti középértékek: a statisztikai sorban elfoglalat helyzetük alapján nyújtanak

információt:
a. módusz
b. medián
c. tercilisek
d. kvantilisek
e. decilisek
A középértékeknek megkülönböztetjük az egyszerű formáját (az egyes értékekhez nem tartozik
gyakoriság), illetve súlyozott formáját (az egyes értékek többször is előfordulnak a statisztikai
sorban, vagyis gyakoriság tartozik hozzájuk; súlyozás jelentése: az értéket szorozzuk a hozzá
tartozó gyakorisággal).

3.1. Számtani átlag

A leggyakrabban előforduló és a legtöbbször használt átlag fajta. A számtani átlag az a szám

amit, ha beírunk az átlagolandó értékek helyébe, összegük változatlan marad.
Egyszerű számtani átlag képlete:
n

x
i 1
i
x
n
ahol
xi: az átlagolandó értékek (vagyis ezeket az adatokat kell átlagolni)
n: a sokaság elemeinek száma
i: az elemek sorszáma (1-től n-ig)

16
Példa egyszerű számtani átlag számításra:
Egy törvényszéki labor által vizsgált mérgezéses eseteket mutatja a következő táblázat.
Számolja ki átlagosan mennyi mérgezéses esete volt a labornak a 2006-2013-as időszakban!
3.táblázat

Év eset

2006 28

2007 12

2008 36

2009 57

2010 48

2011 27

2012 32

2013 45
Forrás: saját példa
Megoldás:
28  12  36  57  48  27  32  45
x  35,625 esete volt a labornak átlagosan a 8 év alatt.
8
r r
 f i * xi  si n
A súlyozott számtani átlag: x  i 1
r
 i 1
r
  g i * xi
 fi  fi i 1

i 1 i 1

ahol
xi: az átlagolandó értékek (vagyis ezeket az adatokat kell átlagolni)
fi: gyakoriság vagy más néven súly (adott átlagolandó érték hányszor fordul elő)
i: az elemek sorszáma (1-től r-ig)
si: értékösszeg (részletesen lásd a mintafeladatokat)
gi: relatív gyakoriság

17
Példa súlyozott számtani átlag számítására
a) Diszkrét (az értékek jól elkülöníthetők) sorból
A sikeres vizsgát tett hallgatók félévi osztályzatát mutatja a táblázat statisztikából. Számolja ki
az évfolyam átlagát!
4.táblázat
Osztályzat gyakoriság

2 14

3 38

4 22

5 9

összesen 83

Forrás: saját példa

Megoldás:
2 *14  3 * 38  4 * 22  5 * 9
x  3,31
38

Az évfolyam átlagos jegye statisztikából 3,31.

b) Súlyozott átlag számítása folytonos (az adatok intervallumban vannak megadva)

sorból
Ki kell számolnunk az egyes intervallumok (osztályok) „közepét”, azaz számtani átlagát és ezt
az átlagot átlagoljuk majd tovább.
Egy adott vállalatnál 200 fő dolgozik, a táblázat a dolgozók megoszlását mutatja a jövedelmük
alapján. Átlagosan mennyit keres egy dolgozó?
5.táblázat
e Ft fő
51-100 55
101-150 87
151-200 36
201-300 16
301-400 6

18
 Összesen 200
Megoldás:
e Ft fő Osztályközép
51-100 55 75
101-150 87 125
151-200 36 175
201-300 16 250
301-400 6 350
Összesen 200
Forrás: saját példa

55 * 75  87 *125  175 * 36  250 *16  6 * 350

x  137eFt / fő
200

Egy dolgozó átlagosan 137.000 Ft-ot keres ennél a cégnél.

3.2. Helyzeti középértékek

Ahogy azonban megfigyelhettük átlaggal azonos érték nem vagy csak igen ritkán található a
statisztikai sorban, illetve az értékek többsége kisebb-nagyobb mértékben eltér az átlagtól
(változékonyak). Ezért az átlag nem mindig elegendő az egyszerű statisztikai elemzéshez.
Helyette célszerű a sokaság valamelyik tényleges elemét kiválasztani (illetve becsülni), vagyis
valamelyik középértéket kijelölni, mert azok a sokaságban elfoglalt helyzetüknél fogva jól
jellemzik a vizsgált jelenséget vagy folyamatot.
A középérték kijelölés szabályai:
- Az egyedeket valamilyen szabály szerint sorba kell rendezni,
- Általában növekvő sorrendbe rendezzük az ismérveket=rangsort képzünk,
- A sor valamelyik elemét választjuk ki:
o diszkrét sor esetében kiválasztjuk,
o folytonos sor esetén becsüljük.

A tantárgy keretében tanult főbb középértékek:

- módusz: legtöbbször előforduló érték,
- medián: az az érték, aminél a sokaság egyik fele kisebb, másik fele nagyobb értéket
vesz fel (felezi a sokaságot),
- kvartilis: negyedelik a sokaságot.

19
3.2.1. Módusz

o A statisztikai sorban a leggyakrabban előforduló ismérv,

o Ez a legsűrűbb érték, ezáltal jól jellemzi a sokaságot,
o Egy eloszlásnak több módusza is lehet,
o Diszkrét sor egyszerű kiválasztani,
o Folytonos sor esetén ki kell választani a modális osztályközt: a legnagyobb gyakoriságú
osztály (középértéke a nyers módusz) és az alábbi képlettel kell megbecsülni:

f mo  f mo 1
M o  mo  * hmo
( f mo  f mo 1 )  ( f mo  f mo 1 )
mo : modális osztályköz alsó határa
f mo : modális osztályköz gyakorisága
f mo 1 :modális osztályközt megelőző osztály gyakorisága
f mo 1 modális
: osztályközt követő osztály gyakorisága

hmo : modális osztályköz hossza

3.2.2.Medián
o Jelentése: középszám,
o Nagyság szerint sorba rendezett számok közül a középső,
o Két egyenlő részre osztja a statisztikai sor adatait, előtte és utána ugyanannyi adat áll,
o Páratlan számú adatsor esetén a középső két adat számtani átlaga,
o Páros számú sor esetén a két középső számból számolunk számtani átlagot,
o Kiszámításához el kell készíteni a gyakoriságok halmozott (kumulált) sorát,
o Amelyik osztályhoz tartozó kumulált érték a felező értéknél (n/2) nagyobb annak az
osztálynak az alsó határával számolunk (illetve ennek az osztálynak az értéke a nyers
medián)
o Folytonos sor esetén az alábbi képlettel számoljuk ki:

n
 f me,
1
M e  xmea  2 * hme
f me
xmea :
mediánt tartalmazó osztályköz alsó határa
n
: középső elem
2
,
f me mediánt tartalmazó osztályt megelőző osztály kumulált gyakorisága
1 :

f me : mediánt tartalmazó osztály gyakorisága

hme : mediánt tartalmazó osztályköz hossza

20
3.2.3.Kvartilisek
o A sokaságot három ponttal négy egyenlő részsokaságra bontjuk,
o Kiszámításához el kell készíteni a gyakoriságok halmozott (kumulált) sorát,
o Q1= megmutatja, hogy a sokaság ¼ része mely értéknél kisebb,
o Q2=középső kvartilis= megegyezik a mediánnal,
o Q3= a sokaság ¾-e mely értéknél kisebb, ¼-e mely értéknél nagyobb)
o Kiszámításuk az alábbi képlettel történik:

n
 f q,1 1
Q1  q1  4 *h
f q1
n
3 *  f q,3 1
Q3  q3  4 *h
f q3

A jelölések értelmezése a mediánnal leírtakkal azonos módon történik!

Példa középérték számítására:

Az alábbi adatok segítségével határozza meg a testmagasságok móduszát, mediánját, az aló- és
felső kvartilis értékét!

Testmagasság Gyakoriság
(cm)
151-160 30
161-170 80
171-180 70
181-190 10
191-200 10
Összesen 200

Megoldás móduszra:
80  30
Mo  160   10  168,3cm
(80  30)  (80  70)

A legtöbb hallgató magassága 168,3 cm körül alakul.

21
Megoldás mediánra:
Testmagasság Gyakoriság fi'
(cm)
151-160 30 30
161-170 80 110
171-180 70 180
181-190 10 190
191-200 10 200
Összesen 200

100  30
M e  160   10  168,75cm
80

A diákok egyik fele 168,75 cm-nél alacsonyabb, másik fele ennél magasabb.

Megoldás kvartilisre
50  30
Q1  160   10  162,5cm
80

150  110
Q3  170   10  175,71cm
70

A diákok ¼-e 162,5 cm-nél alacsonyabb, illetve a diákok ¾-e 175,71 cm-nél alacsonyabb.

22
3.3. Szóródási mutatók

A középértékek az adatsorok jellemzéshez nem elegendőek, mivel annak csak egyetlen

tulajdonságát rögzítik. A gyakorisági eloszlásoknak három fontos jellegzetességük van:
helyzetük, szóródásuk és alakjuk. Ahhoz, hogy pontosan leírjuk a vizsgált eloszlást, ismernünk
kell a három jellegzetesség mutatószámát.
Ezek közül a szóródás az azonos fajta, számszerű adatok egymástól, vagy egy kitüntetett
értéktől való eltérését mutatja meg.

A szóródás mutatói kétfélék lehetnek:

1.Abszolút mutatók: az ismérvértékek egymás közötti különbségei, vagy az ismérvértékeknek
egy kitüntetett értékétől való eltérése. Mértékegysége mindig ugyanaz mint az ismérvértékeké.
2.Relatív mutatók: különböző ismérvek szórásának összehasonlítására szolgálnak.
Elvonatkoztatnak az ismérvértékek eredeti mértékegységétől, nagyságrendjétől.

A szóródás legfontosabb mutatószámai:

 szóródás terjedelme (R)
 kvartilis eltérés (ITQ)
 átlagos eltérés (  )
 szórás (  ,s)
 relatív szórás (V,CV)
 átlagos különbség (G)

3.3.1. Szóródás terjedelme

Annak az intervallumnak a teljes hosszát mutatja meg amelyen belül az ismérvek

elhelyezkednek, ingadozhatnak, „mozoghatnak”.
Kiszámítása a vizsgált ismérvek között előforduló legkisebb és legnagyobb érték különbsége
alapján történik. Képlete:

R(T )  xmax  xmin

Mivel azonban csak a két legszélsőségesebb elemből számoljuk, így csak egy nagyon egyszerű,
közelítő mérőszáma a szóródásnak. A két szélső értéket alakíthatja a véletlen, azok kevésbé
jellemzik a sokaságot, arról, hogy a többi érték hol helyezkedik el nem nyújtanak információt.

3.3.2. Interkvartilis terjedelem

A szóródás terjedelméhez hasonló különbség jellegű mutató, a negyedelő pontokhoz tartozó

értékek eltérését fejezi ki.
Kiszámítása a vizsgált ismérvek alsó és felső kvartilis értékének különbsége alapján történik.
Képlete:
IQT  Q3  Q1

23
Az alsó és felső kvartilis a vizsgált értékek 50 %-át foglalják magukban, az IQT alkalmas a
kiugró értékek ellenőrzésére.

3.3.3. Átlagos (abszolút) eltérés

Az átlagos eltérés a szóródási mutatók azon csoportjába tartozik, amelyek a szóródást az
ismérvértékeknek egy kitüntetett értéktől (=az átlagtól) való eltéréseire támaszkodva jellemzik.
Kiszámítása: az egyes értékek számtani átlagtól vett eltéréseinek abszolút értékeinek számtani
átlaga.
Képlete:
r


r
i xi  x  f i xi  x
 i 1
illetve, gyakorisági sor esetén:   i 1
r
n
 fi
i 1

A mutatószám kifejezi, hogy az ismérvek átlagosan mennyivel térnek el a számtani átlagtól.

Mértékegysége ugyanaz, mint az alapadatoké. A szóródás hiányát a mutató a 0 érték
felvételével jelzi.
Mivel az átlag nagyságát nem a súlyok abszolút nagysága, hanem a súlyok aránya befolyásolja,
ezért a relatív gyakoriságból is kiszámítható:
r
   g i xi  x
i 1

3.3.4. Szórás

A szórás a szóródás legfontosabb és leggyakrabban használt mutatószáma. A szórás az egyes

értékek számtani átlagtól való eltéréseinek négyzetes átlaga, azt mutatja meg, hogy az
ismérvértékek átlagosan mennyivel térnek el a számtani átlagtól. Mértékegysége mindig
ugyanaz, mint az alapadatoké.

Megkülönböztetjük:
a) tapasztalati szórást (  ),
b) elméleti szórást (s)

a) Tapasztalati szórás: a sokaság adataiból számoljuk, a sokaság egészére vonatkozik.

1. Egyedi adatokból:
n n

(x i  x) 2
x 2
i  nx 2
 i 1
, vagy   i 1

n n

24
 2. Gyakorisági adatokból:
r

 f (x
r
i i  x)2  f i xi2  nx 2
 i 1
, vagy   i 1

n n
b) Elméleti szórás: a minta adatiból számoljuk.

1. Egyedi adatokból:
n

 (x i  x)2
s i 1

n 1
2. Gyakorisági adatokból:
n

 f (x i i  x)2
s i 1

n 1
A szórás mindig nagyobb értékű, mint az átlagos eltérés.
Példa szórás számítására:
Számítsa ki, hogy az egyes magyar családok nyaralással töltött ideje hogyan tér el az átlagtól!
Számítsa ki a relatív szórást is!
6.tablázat
Nyaralással
eltöltött idő
(nap) fő
0-1 134
2-4 256
5-7 101
7-10 45
Összesen 536
Forrás: saját példa

25
Megoldás:
7.táblázat

Nyaralással
eltöltött idő
(nap) fő xi osztályközepek
0-1 134 0,5
2-4 256 3
5-7 101 6
7-10 45 8,5
Összesen 536
Forrás: saját példa

x  3,4
i
nap

A magyar családok átlagosan 3,4 napot töltenek nyaralással.

Szórás számítása:
r

 f (x  x)i i
2
134  (0,5  3,4) 2  ....  45  (8,5  3,4) 2
 i 1
  2,37 nap
n 536
Az egyes családok nyaralással töltött ideje az átlagtól átlagosan 2,37 nappal tér el.
Relatív szórás:

 2,37
CV    0,68 azaz 68 % (szélsőségesen ingadozó)
x 3,4
Az egyes családok nyaralással töltött ideje 68 %-kal tér el az átlagtól.

3.3.5 Variancia

Variancia, azaz szórásnégyzet önálló mutatószámként is használatos. Kiemelkedő jelentősége

van a varianciaanalízisnél. A variancia fontos szerepet tölt be a sokaság változékonyságának
vizsgálatában.
A vizsgált sokaság elemeit részsokaságokra bonthatjuk fel, összefüggést tudunk felírni a
részsokaságokra és a fősokaságra számított szórásnégyzetek között. A sokaság szórásnégyzete
egyenlő a sokaságelemek csoporton belül és a csoportok között számított szórásnégyzetek
összegével, melyet teljes szórásnégyzetnek nevezünk. A csoporton belüli szórásnégyzetet belső
szórásnégyzetnek, a csoportok közötti szórásnégyzetet pedig külső szórásnégyzetnek nevezzük.

26
Teljes szórásnégyzet:

 2   B2   K2
 2 : teljes szórásnégyzet
 B2 : belső szórásnégyzet
 K2 : külső szórásnégyzet

Teljes szórás:

  2
Azt fejezi ki, hogy a vizsgált sokaságban az egyes értékek átlagosan mennyivel térnek el a
főátlagtól.

Belső szórásnégyzet: a csoporton belüli elemek megfelelő csoportelemtől (részátlagtól) való

négyzetes eltéréseinek átlaga.

Részsokaság szórásnégyzete:

j 
2  ( xij  x j ) 2
nj

j: csoportosító ismérv változatainak száma

 2j : a j-edik részsokaság szórásnégyzete
n j : a j-edik részsokaság elemszáma
n: a sokaság elemszáma

Belső szórásnégyzet:

 B2 
 n j 2j
n

Belső szórás:

 B   B2

Azt fejezi ki, hogy a részsokaságok egyes értékei átlagosan mennyivel térnek el a saját
részátlaguktól.

Külső szórásnégyzet: az egyes részsokaságok átlagai (részátlagok) és sokaság átlaga (főátlag)

közötti eltérések négyzetösszegeinek átlaga.
(Az eltérés négyzeteteket a részsokaságok elemszámával súlyozzuk, ha osztályokba soroljuk az
adatokat.)

27
 n

 n
j 1
j * (x j  x )2
 K2 
n

x j : a részsokaságok átlaga
x : főátlag

Külső szórás:
 K   K2

Azt fejezi ki, hogy a vizsgált sokaságban az egyes részsokaságok átlagai átlagosan mennyivel
térnek el a sokasági főátlagtól.

3.3.6. Relatív szórás

A szórás abszolút értéke a sokaság változékonyságáról önmagában még kevés információt

nyújt. Fontos mutatószám az szórás átlaghoz viszonyított nagysága, melyet relatív szórásnak,
szóródási együtthatónak, variációs koefficiensnek nevezzünk. Mértékegység nélküli mutató,
százalékban kifejezve értelmezzük.


V (CV ) 
x
A variációs koefficiens meghatározásával lehetővé válik, hogy összevessük:
 különböző vagy azonos tulajdonságú,
 különböző szórású, de azonos átlagú,
 különböző átlagú, de azonos szórású sokaságokat.

A szóródási együtthatót százalékosan kifejezve a gazdasági gyakorlatban a változékonyságot

a következő kategóriákkal jellemezhetjük:
 0-10 % állandó (homogén)
 10-20 % közepesen változékony
 20-30 % erősen változékony
 30 % felett szélsőségesen ingadozik

3.3.7. Átlagos különbség (G)

Az átlagos különbség (G) nevét Corrado Gini olasz közgazdászról kapta, ezért Gini-féle
mérőszámnak is nevezik.

28
Számítása: minden lehetséges módon párba állított ismérvértékek egymás közötti
különbségeinek abszolút értékeiből számított számtani átlag. Általában jövedelmi és jóléti
egyenlőtlenségek mérésére használják.

Súlyozatlan formában:

n n

 x
i 1 j 1
i  xj
G
nn  1

Súlyozott formában:

n n

 f
i 1 j 1
i f j xi  x j
G
nn  1

Számításához három munkatábla szükséges:

Első táblázatban kiszámoljuk: xi  x j

Második táblázatban kiszámoljuk: f i * f j

Harmadik táblázatban kiszámoljuk: f i * f j xi  x j

A táblázat kitöltése során a főátlóra szimmetrikus mátrixot kapunk, ezért a táblázatnak csak egy
részét töltjük ki, majd a harmadik táblázatban kapott eredmény megszorozzuk kettővel.

3.3.8. Aszimmetria

A gyakorisági sorok eloszlása szorosan kapcsolódik a szóródásvizsgálathoz, hiszen ugyanazon

átlagú vagy ugyanazon szórású sokaságok eloszlása is különbözhet. Az értéknagyság szerint
képzett gyakorisági sort ábrázolva már az ábra alakja is utal az adott ismérv változékonyságára.
Változatos görbéket kapunk, de nagy többségük szabályszerűséget mutat. Gyakorisági sorok
eloszlása lehet egy móduszú (amikor a gyakorisági sornak egy helyi maximuma van), azon
belül szimmetrikus és aszimmetrikus, illetve több móduszú.
3. ábra
Két móduszú eloszlás

29
 35

30

25

20

15

10

0
1 3 5 7 9 11 13 15 17 19
-5

Forrás: saját példa

Szimmetrikus eloszlás: ha a gyakorisági sort ábrázolva a gyakorisági poligon vagy hisztogram

legmagasabb pontjából a vízszintes tengelyre húzott merőleges az ábrát két azonos alakú
szimmetrikus részre osztja.
Ebben az esetben érvényes az alábbi összefüggés: X  M e  M 0

3.ábra

30

25

20

15

10

0
1 3 5 7 9 11 13 15 17 19

Forrás: saját példa

Aszimmetrikus eloszlás: a módusz valamelyik szélső értékhez esik közelebb. Ferde eloszlásnak
is nevezzük, attól függően, hogy a módusz melyik szélsőértékhez esik közelebb jobb vagy
baloldali aszimmetriáról beszélünk.

Baloldal aszimmetriánál a következő összefüggés érvényes: M 0  M e  X

4.ábra

30
 30

25

20

15

10

0
1 3 5 7 9 11 13 15 17 19
-5

Forrás: saját szerkesztés

Jobb oldal aszimmetriánál a következő összefüggés érvényes: X  M e  M 0

5.ábra

50
45
40
35
30
25
20
15
10
5
0
1 3 5 7 9 11 13 15 17 19
-5

Forrás: saját szerkesztés

Az összefüggésekből látható, hogy az aszimmetriát a módusz és az átlag viszonya dönti el,

minél távolabb esik értékük egymástól, annál nagyobb az aszimmetria. Az aszimmetria
mérésére különböző mutatószámokat használhatunk, amelyek a következőkben kerülnek
bemutatásra.

Aszimmetria mutatószámai
A mutatószámok tulajdonságai:

31
  az aszimmetria foka dimenzió nélküli szám
 minél közelebb esik nullához, annál kisebb az aszimmetria
 a mutató pozitív, akkor baloldali az aszimmetria
 a mutató negatív, akkor jobboldali az aszimmetria

1. Pearson féle mutatószámok

Az egyik legáltalánosabban használt mutatószámok közül kettő Karl Pearson angol
matematikai statisztikus nevéhez fűződik.
Az „A mérőszám” (az aszimmetria foka): megmutatja, hogy az aszimmetriát az átlag és a
módusz különbségén kívül a szórás is befolyásolja. Képzése abból indul ki, hogy szimmetrikus
eloszlásnál a számtani átlag és a módusz megegyezik, míg aszimmetrikusnál eloszlásnál
eltérnek.

x  Mo
A

Értéke 0 és 1 közé esik. A 0,5-nél nagyobb mutató már erős aszimmetriát jelez, szélsőséges
esetben 1-nél nagyobb érték is előfordulhat.
A „P mérőszám” azaz Pearson- féle mutatószám: azon empirikus összefüggésre
támaszkodik, amely szerint a mérsékelten aszimmetrikus gyakorisági eloszlások esetében a
medián az átlagtól az átlag és a módusz közötti teljes távolság mintegy egyharmadával balra
vagy jobbra esik.
3xa  Me 
P

Értéke -3 és +3 közé esik, ha -0,5 és 0,5 közé eső érték erős ferdeséget jelez.
2.Ferdeségi mutató
A ferdeségi mutató (F mutató) az alsó és a felső kvartilis mediántól való eltérésének egymáshoz
viszonyított nagyságán alapul.
Q3  Me  Me  Q1 
F
Q3  Me  Me  Q1 
Értéke -1 és +1 között alakul. Baloldali aszimmetria esetén a medián az alsó, jobboldali
aszimmetria esetén pedig a felső kvartilishez esik közelebb. 0,2-nél nagyobb érték esetén már
nagyfokú aszimmetriáról beszélünk.

3.3.9.Koncentráció

Gyakorisági sorok eloszlásáról nyújt információt a koncentráció. A koncentráció a szóródás

egyfajta megnyilvánulása.

32
Koncentrációnak nevezzük a sokasághoz tartozó teljes értékösszeg jelentős részének vagy
egészének kevés egységére történő összpontosulását.

Az értékösszeg jele: Si

Ha vizsgált sokaság elemszáma kicsi, az már önmagában is koncentrációnak minősíthető hiszen

ilyenkor a sokasági értékösszeg a szó szoros értelmében véve is kevés egységre összpontosul.
Ha vizsgált sokaság nagy, akkor a „kevés egységet” a sokaság teljes egységéhez viszonyítjuk.
A koncentráció kiszámítása a relatív gyakoriság és relatív értékösszeg meghatározásával
történik.

 relatív gyakoriság:

fi
gi 
n
 relatív értékösszeg:

si
zi 
s i

A kumulált relatív gyakoriság és a kumulált relatív értékösszeg segítségével elkészíthetjük a

koncentráció meglétének és mértékének leggyakoribb kimutatási/ábrázolási módját, a Lorenz-
görbét. Ez egy olyan egységnyi oldalú négyzetben elhelyezett vonaldiagram, melynek egyik
függőleges és egyik vízszintes oldala 0-tól 1-ig (vagy 0-tól 100 %-ig) terjedő egyenletes
skálabeosztással van ellátva.
6.ábra

Lorenz görbe ábrázolása

1
Kumulált relatív értékösszeg (zi')

0,9
0,8
0,7
0,6
0,5
Átló
0,4
Lorenz
0,3
0,2
0,1
0
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1
Kumulált relatív gyakoriság (gi')

Forrás: saját szerkesztés

33
Ha az ábrázolt görbe az átlón fut, akkor a megfigyelt sokaságban nincs koncentráció, ha az
átlóhoz közeli akkor gyenge koncentrációról beszélünk. A görbe annál nagyobb fokú
koncentrációt jelez, minél távolabb van a rajzolt görbe az átlótól.

A koncentráció mértéke az ún. koncentrációs együttható segítségével is kiszámolható, amely

a Gini-féle mutatószámon alapul.
Koncentrációs együttható:
G
K
2x
A koncentrációs együttható dimenzió nélküli szám, amelynek értéke koncentráció hiányában 0,
teljes koncentrációnál 1. A koncentráció annál erősebb, minél közelebb esik az értéke 1-hez.

34
4.Ismérvek közötti kapcsolatok

Az eddig ismertetett statisztikai módszerekkel csak egy ismérvet tudunk vizsgálni. Egy ismérv
vizsgálata azonban a gazdasági összefüggések megismeréséhez ritkán elegendő. Azok a
gazdasági-társadalmi jelenségek, amelyekkel a statisztika foglalkozik kapcsolatban állnak
egymással, illetve más ágazatokkal, területekkel, az ott érvényesülő tendenciákkal.
Például:
 az ár befolyásolja a megvásárolt élelmiszerek mennyiségét,
 az egészségtudatos életmód követése hatással van az elfogyasztott élelmiszer
mennyiségére (és minőségére),
 a város közelsége és a város közeli településeken épített házak száma közötti kapcsolat,
 adott területi egység és a bűnözések száma közötti kapcsolat,
 a nemiség és a házimunkával töltött idő közötti kapcsolat,
 stb.

Vagyis a különböző típusú (mennyiségi, minőségi, területi, időbeli) ismérvek között kapcsolat
mutatható ki, amelyet tudunk vizsgálni.

Milyen lehet ez a kapcsolat?

1. Függvényszerű, ha az egyik ismérvérték egyértelműen meghatározza a másik
ismérvértéket (pl.: búzakalász hossza a benne lévő szemek számát).
2. Függetlenek, ha az ismérvértékek között teljesen hiányzik a kapcsolat (pl.: a lábméret
és a hajszín alakulása egyénenként).
3. Sztochasztikus, ha az egyik ismérvérték hatással van a másikra, de nem határozza meg
annak értékét egyértelműen – átmenet a függvényszerű és független kapcsolat típus
között (pl.: egy városi lakás ára és elhelyezkedése között van kapcsolat, de az árat a
lakás mérete, állapota, a környékén megtalálható hasonló paraméterű eladó ingatlanok
stb. is alakítják).

A továbbiakban a sztochasztikus kapcsolatokkal foglalkozunk. E kapcsolat típuson belül, az

ismérvektől függően megkülönböztetünk:
- asszociációt
- vegyes kapcsolatot
- korrelációt

4.1. Asszociáció

Az asszociáció két minőségi, két területi, vagy egy minőségi és egy területi ismérv közötti
kapcsolat elemzésére szolgál. (pl.: van e kapcsolat a nem és a filmnézési szokások között, a
születési hely és lakhely között, a lakóhely és a választott közlekedési eszköz között).
Az asszociáció elemzéséhez az adatokat ún. kontingencia táblázatba rendezzük. Két
ismérvváltozat esetén a táblázat általános képe:

35
 2x2-es kontingencia –táblázat általános alakja
8.táblázat
Ismérvek 1 2 ∑
1 f11 f21 f1.
2 f21 f22 f2.
∑ f.1 f.2 n
Forrás: saját szerkesztés

(az fij a tulajdonságok együttes előfordulási gyakorisága)

4.2.Yule-féle asszociációs együttható

A 2x2-es kontingencia táblázat segítségével az asszociáció legegyszerűbb mutatóját, a Yule-

féle asszociációs együtthatót tudjuk kiszámítani. A Yule-féle asszociációs együttható csak
alternatív (kettő) ismérv közötti kapcsolat szorosságának mérésére alkalmas.
Az f értékek azt jelentik, hogy az alapsokaságból hány elem rendelkezik egyidejűleg egyik és
másik tulajdonsággal is. Alapvető összefüggés:
f11 f12 f 21 f 22
   1
n n n n
Az egyik tulajdonsággal rendelkezők aránya:

f1. f f
 11 12
n n

A másik tulajdonsággal rendelkezők aránya:

f 2. f  f 22
 21
n n

A Yule-féle asszociációs együttható alkalmazásának alapgondolata a függetlenséghez

kapcsolódik. Mivel az ismérvek egymás alternatívái, így a függetlenség áll fent, ha

f11 f
 12
f 21 f 22

azaz

f11*f22=f12*f21

vagyis ha f11*f22- f12*f21=0, akkor nincs kapcsolat a vizsgált ismérvek között, tehát függetlenek
egymástól.

36
Az összefüggésből a Yule-féle asszociációs együttható képlete:

f11 * f 22  f12 * f 21
A
f11 * f 22  f12 * f 21
A mutató értéke -1 és 1 közé esik. A kapcsolat teljes hiánya esetén az értéke 0, teljes kapcsolat
esetén ± 1.

4.3.Csuprov-féle asszociációs együttható

Statisztikai vizsgálatok során gyakori eset, hogy a minőségi ismérveket kettőnél több csoportra
kell bontani, illetve több szinten jelentkeznek eltérések. Ezekben az esetekben a Yule-féle
asszociációs együttható nem alkalmazható, helyette a Csuprov-féle asszociációs együtthatót
használjuk.

Képlete:
2
T
n  ( s  1)  (t  1)

T: Csuprov-féle együttható,
s: az egyik ismérv változatainak száma
t: a másik ismérv változatainak száma
n: a sokaság elemszáma

Értelmezési tartománya:

 ha s=t akkor 0 és 1 között

s 1
 ha s˂t akkor 0 és 4
t 1

Kiszámítása a következő összefüggésen alapul: két esemény (mindkét minőségi tulajdonsággal

rendelkezik a vizsgált egyed) együttes bekövetkezése egyenlő a két esemény bekövetkezési
valószínűségének szorzatával. Ha az ismérvek nem függetlenek egymástól, akkor ez az
általános szabály nem igazolódik vissza, tehát a tényezők hatnak egymásra; vagyis a tapasztalati
eloszlás (gyakoriság) eltér az elméleti eloszlástól. Ezt az eltérést lehet felhasználni annak
mérésére, hogy ez az egymásra hatás milyen irányú és erősségű.

A Csuprov-féle asszociációs együttható számításához célszerű három kontingencia táblázatot

készíteni.
1. táblázat: rögzítjük a tapasztalati gyakoriságot (fij értékeket)
2. táblázat: kiszámítjuk az elméleti gyakoriságot (fij* értékeket)

fi .  f. j
f ij* 
n

37
 3. táblázat: kiszámítjuk a tapasztalati és az elméleti értékek közötti különbségeket (  2
értéket)

s t ( f ij  f ij* ) 2
 2  
i 1 j 1 f ij*

4.4.Cramer-féle asszociációs együttható

Minőségi ismérvek közötti kapcsolat térbeli vagy időbeli vizsgálatakor előfordul, hogy
ugyanazon ismérv változatainak száma nem azonos a két helyen vagy a két időpontban. Ebben
az esetben a Cramer-féle asszociációs együtthatót alkalmazzuk.

Képlete:
2
C
n * ( s  1)

ha s≤t

vagy

2
C
n * (t  1)

ha s ›t

A C mutató értéke mindig 0 és 1 között van. Ha a két ismérv rétegeinek száma megegyezik
(azaz s=t), akkor T=C, vagyis a Csuprov-féle és a Cramer féle asszociációs mutató értéke
azonos.

Példa a Csuprov-féle asszociációs mutató számítására:

200 15 éve végzett hallgatót kérdeztek meg egy egyetemen, hogy milyen beosztásban
dolgoznak jelenleg. Vizsgáljuk meg, hogy van-e kapcsolat a nem és a beosztás között.
A felmérés adatait az alábbi (kontingencia) táblázatban láthatjuk.

9.táblázat
Beosztás Fiú Lány Összesen
Beosztott 20 40
Középvezető 60 40
Felsővezető 30 10
Összesen

38
Forrás: saját szerkesztés

Megoldás:
1.Elsőként számoljuk ki a peremgyakoriságokat, azaz töltsük ki az összesen oszlopot és az
összesen sort.
10.táblázat
Beosztás Fiú Lány Összesen
Beosztott 20 40 60
Középvezető 60 40 100 peremgyakoriságok

Felsővezető 30 10 40
Összesen 110 90 200

peremgyakoriságok

2.A következő lépéshez egy újabb kontingencia táblázatra lesz szükségünk, ez lesz az ún. f ij*
tábla. Ebbe kerülnek az elméleti értékek/gyakoriságok, amelyeket függetlenség esetében
vennének fel az egyes kategóriák, vagyis esetünkben abban az esetben ha nem lenne kapcsolat
a beosztás és a nemiség között.
A táblázatba az eredeti peremgyakoriságokat írjuk, azok, vagyis az elemszám nem változik,
csak az kategórián belüli megoszlások.
A beosztott fiú esetében az elméleti értéket/gyakoriságot a következőképpen számoljuk ki:
110  60
f ij* =  33 fő
200
Jelentése: ha nem lenne kapcsolat a beosztás és a nemiség között akkor 33 fiú dolgozott volna
beosztottként.
Minden egyes kategóriában így kell eljárni.

11.táblázat
Beosztás Fiú Lány Összesen
Beosztott 33 90  60 60
 27
200
Középvezető 55 45 100
Felsővezető 22 18 40

39
 Összesen 110 90 200

3.Harmadik lépésben az ún.  2 táblát készítjük el, ennek segítségével számoljuk ki, hogy a
eredeti (tapasztalati) értékek mennyivel térnek el az elméleti értékektől. Minél nagyobb a
különbség, annál valószínűbb, hogy van kapcsolat a vizsgált ismérvek között.
A peremgyakoriságokat ebbe a táblázatba már nem írjuk be, mert az összesen oszlopba és
összesen sorba a különbségek összege kerül, amely megadja a  2 értéket.

A beosztott fiú esetében az eltérést a következőképpen számoljuk ki:

20  332  5,12
33
12.táblázat
Beosztás Fiú Lány Összesen
Beosztott 5,12 40  272  6,26
11,38
27
Középvezető 0,45 0,56 1,01
Felsővezető 2,91 3,56 6,47
Összesen 8,48 10,38 18,86

Behelyettesítünk a Csuprov-féle asszociációs együttható képletébe:

 2 = 18,86 s=2 t=3

2 18,86
T =  0,26
n s  1t  1 200 2  13  1

Mivel s˂t így ki kell számolnunk a T felső határát:

2 1
T max= 4  0,84
3 1
Az értelmezési tartomány:
0< T< 0,84 vagyis 0< 0,26 < 0,84 tehát a nem és a beosztás között gyenge kapcsolat van.

40
5. Standardizálás

Társadalmi-gazdasági jelenségek vizsgálatánál szükség lehet két vagy több ország gazdasági
potenciáljának, az ott élő emberek életkörülményeinek, kultúrájának stb., illetve két vagy több
vállalkozás gazdálkodásának, működésének stb. összehasonlítására. Ezek közül a mikroszintű
vizsgálat egyik hatásos eszköze a standardizálásnak nevezett módszertani eljárás, amely az
adott vállalkozás menedzsmentjének munkáját nagymértéken támogató statisztikai elemzés.
Segítségével a vezetés tájékozódik a működés operatív adatiról, továbbá a bekövetkezett
változások, a megfigyelt jelenségek és folyamatok hátteréről is fontos információkra tehetnek
szert. Mikroszinten, azaz egy vállalkozás működésében a bekövetkezett változást, az észlelt
jelenség színvolát (pl. átlagbéreket, termékek önköltségét stb.) vizsgáljuk. Mindezen
vizsgálatokat nem homogén, hanem összetett, azaz heterogén, különnemű adatokból álló
sokaságon, annak részein végezzük el. Az egyes csoportokon, részeken elvégzett számítások
segítségével jutunk el az egészre, a fősokaságra vonatkozó értékes adatokhoz.
A módszer során intenzitási viszonyszámokat alkalmazunk. Az egyes részekre kiszámított
intenzitási viszonyszámokat intenzitási részviszonyszámnak, a sokaság egészére kiszámított
intenzitási viszonyszámokat összetett intenzitási viszonyszámnak nevezzük.
A standardizálás olyan eljárás, amellyel az összetett jelenségek eltérését tényezőkre bontjuk.
Ennek során az összetett jelenséget az egyik tényező vonatkozásában különbözővé, a másik
(vagy többi) tényező szempontjából azonossá/állandóvá (standarddá) tesszük. A számítás során
kimutatjuk együttesen az összes tényező hatását kifejező (valóságos) eltérést és változást,
illetve külön-külön az egyes tényezők okozta változást a másik tényező állandósága mellett
(ezeket fiktív eltéréseknek, változásoknak nevezzük).
Az eredményben, vagyis az eltérésben annak a tényezőnek az egyedi hatását tudjuk kimutatni,
amely nagyobb hatással volt/van a bekövetkezett változásra.

Az összehasonlítást két módszerrel tudjuk megvalósítani:

- kivonással, különbség képzéssel,
- hányados (index) képzéssel.

A különbségképzést és indexszámítást mind időbeli, mind területi vizsgálatnál el tudjuk

végezni.

Valamilyen jelenség színvonalát kifejező mutatókat alapvetően két tényező befolyásolja:

1. az egyes csoportokban a vizsgált színvonal (részátlag) nagysága,
2. a csoportok összetétele, szerkezete.

Alapvető jelölések és összefüggések a standardizálásban:

v=A/B
A=v*B
B=A/v
V=∑A/ ∑B= ∑B*v/ ∑B
v: részátlag
A: érték, bértömeg stb.

41
B: szerkezeti, összetételi mutató

V : főátlag

5.1. Főátlagok különbsége és a főátlag-index

A standardizálás módszerének fő célja, hogy a vizsgált két (vagy több) sokaság főátlagát (
V 1,V 0 ) összehasonlítsuk. Ennek eszközei a főátlagok különbsége (K) és a főátlag-index (I):

• A főátlag-index a főátlag változását fejezi ki, azaz megmutatja, hogy hogyan változik a
heterogén sokaság főátlaga a részátlagok színvonalának és arányának együttes változása
esetén.

V1
I 
Aij Bij * Vij f ij * xij
V0
Vi  B 
Bij

f ij
ij

• A változást abszolút mértékben is kifejezhetjük különbségfelbontással. Ez a

mennyiségi változást mutatja meg.

K  V 1 V 0 B1 * V1 B0 * V0
K 
B1 B0

5.2. Részátlag-különbség és részátlag index

A részátlagok színvonalváltozásának hatását fejezi ki a főátlag változásában úgy, hogy

állandónak tekinti az egyes részek összetételét. Ez kétféleképpen történhet:

1.Állandónak tekintjük a bázisidőszak adatait (amihez hasonlítunk). Ilyenkor standard átlagot

számolunk: B 0 * V1
V s:B0 
B 0

V sB0
Ebben az esetben a részátlag-index: I ' 
V0

2.Állandónak tekintjük a tárgyidőszak adatait (amit hasonlítunk). Ilyenkor a standard átlagunk

a következő:

42
 B1 *V0
V s:B1 
B1

Ebben az esetben a részátlag-index:

V1
I' 
Vs

Ebben az esetben is kiszámoljuk az abszolút változást, azaz a részátlagok különbségeit:

K '  V1  Vs:B1 K '  Vs:B0  V0

5.3.Összetétel-különbség és összetétel-index

Az összetételindex a fősokaság összetételében bekövetkezett változásoknak a főátlagra

gyakorolt hatását fejezi ki.
Ez kétféleképpen történhet:

1.Tárgyidőszaki súlyozással a standard átlag:

B0 *V1
V s:V1 
B0

Az összetételindex:

V1
I '' 
Vs:V1

2.Bázis időszaki súlyozással a standard átlag:

B1 *V0
V s:vi 
B1

Az összetételindex pedig:

V s:v0
I '' 
V0

43
Hasonlóan a részátlag indexhez az összetételhatást is ki lehet fejezni a különbségek
felbontásával, azaz kiszámolhatjuk, hogy csak az összetétel-változás hatására mennyivel
változott a főátlag.

K ''  Vs  V 0 K''  V1  Vs

5.4. Példa a standardizálás módszerére

Számítsa ki hogyan változott a férfiak és a nők átlagkeresete a vizsgált időszakban, illetve a

létszám-szerkezetet mutató viszonyszámokat!
• Számítsa ki, hogyan változott a vállalati átlagbér!
• Mutassa ki a vállalati átlagbér változásának hatását!
• Írjon szöveges elemzést!

2012 2013
Átlagbér Átlagbér
Nem Létszám Létszám
(fő) (fő)
(Ft/fő/hó) (Ft/fő/hó)
Férfiak 50 200.000 60 220.000
Nők 80 190.000 70 205.000
á 130 - 130 -

Megoldás:

50 * 200.000  80 *190.000
V0   193.846 Ft/fő/hó
130

60 * 220.000  70 * 205.000
V1   211.923 Ft/fő/hó
130

K=211.923-193.846= 18.077 Ft/fő/hó

211.923
I  1,09325 109,325 % + 9,325 %
193.846

A vizsgált vállalatnál a férfiak és nők átlagkeresetének illetve összetételének változásának

hatására 2012-ről 2013-ra 9,325 %-kal, azaz 18.077 Ft-tal növekedett a vállalati átlagbér.

Részátlag – átlagbérek – változásának hatása:

44
 50 * 220.000  80 * 205.000
Vst:B0   210.769 Ft/fő/hó lett volna a cégnél az átlagkereset
130
2013-ban, ha a létszám szerkezet állandónak tekintjük.

K '  210.769-193.846= 16.923 Ft/fő/hó

210.769
I’=  1,0873 +8,73 %
193.846
A férfiak és nők átlagbérének növekedése 8,73 %-os, azaz 16.923 Ft-os vállalati átlagbér
növekedést okozott volna.

Összetétel – létszám– változás hatása:

K”= 18.077-16.923=1154 Ft/fő/hó

I”= 1,09325:1,0873=1,00547 0,547 %
Csak a létszámban bekövetkezett változás miatt a vállalati átlagbérek 0,547 %-kal, azaz 1154
Ft-tal emelkedtek volna.
Következtetés: a 9,325 %-os 18.077 Ft-ot jelentő vállalati átlagbér növekedésben a részátlagok
változásának volt nagyobb hatása.

2.Példa

2000-ben és 2003-ban felmérték a szellemi és a fizikai dolgozók átlagbérét. Hogyan változott

az átlagbér és mi okozta a változást?

2000 2003
Bérátlag Megoszlás Bérátlag
Megoszlás (%)
(Ft/fő) (%) (Ft/fő)

Fizikai 61930 57 91397 12

Szellemi 121779 43 143753 88

Összesen 100 100

Megoldás:

V 0  87.665,1Ft/fő

V 1  137.470,3 Ft/fő

K= 49.805,2 Ft/fő

45
I  1,5681 + 56,81 %

A dolgozók átlagbérében és összetételében bekövetkezett változások miatt a vállalati átlagbér

56,81 %-kal, azaz 49.805,2 Ft-tal növekedett a 2000. évről a 2003. évre.

Mi okozta a változást?

 Nőttek az átlagbérek? – Színvonal változás

 Változott a fizikai és szellemi dolgozók aránya? – Összetétel változás

Részátlag – átlagbérek – változásának hatása:

Vst:B0  113.910,1 Ft/fő

K '  26.244.98 Ft/fő

I’=1,3 + 30 %
A férfiak és nők átlagbérének növekedése 30 %-os, azaz 26.244,98 Ft-os vállalati átlagbér
növekedést okozott volna.

Összetétel – létszám– változás hatása:

K”=23.650,22 Ft/fő
I”= 1,206 20,6 %
A dolgozók összetételében bekövetkezett változás miatt a vállalati átlagbérek 20,6 %-kal
emelkedtek, ami 23.650,22 Ft-nak felel meg.
Következtetés: az 56,81 %-os 49.805,2 Ft-ot jelentő vállalati átlagbér növekedésben a
részátlagok változásának volt nagyobb hatása.

46
4.Példa
Töltse ki a hiányzó részeket! Válaszolja meg az alábbi kérdéseket:

 Számítsa ki az átlagos tartózkodási időt ( V 0 )!

 Számítsa ki a tárgyidőszaki főátlagot ( V1 )!

 Határozza meg az átlagos tartózkodási idő változását kifejező indexet % ban! ( I )!

Tartózkodási idő Vendégéjszakák

Vendégek száma (fő) (éjszaka/fő) száma (éjszaka)
ndég 2011 2010 Változás 2011-
2010 Megoszlás (2010= (éjszaka/ ben 2010 2011
(fő) 2010 (%)
100%) fő) (2010=100%)

225000 105 -10 720000

Külföldi

55 95 4,8 1442100
Belföldi

- - -
Összesen

47
Megoldás:

Tartózkodási idő Vendégéjszakák száma

Vendégek száma (fő) (éjszaka/fő) (éjszaka)
B0 B1 v0 v1 A0 A1
Vendég
Megoszlá 2011 Változás
2010 (éjszaka/
2010 (fő) s 2010 (2010= 2011-ben 2010 2011
(%) fő) (2010=100%)
100%)
105 236.250*(3,2*0,
100-55= 720.000:225.000 9)=
225000 (225.000*1,05=
=3,2
-10 720000
45 % 680.400
Külföldi 236.250 fő)

1.442.10:261.250=
500.000- 95 5,52éj/fő 275.000*4,8=
225.000= 55 4,8 1442100
(275.000*0,95= 5,52:4,8= 1,15 1.320.000
275.000 261.250 fő)
Belföldi +15

225.000:0,45
=500.000
100 % - - - 2.040.000 2.122.500
Összesen

2.040.000
V0   4,08 nap/fő volt az átlagos tartózkodási idő 2010-ben.
500.000

2.122.500
V1   4,27 nap/fő volt az átlagos tartózkodási idő 2011-ben.
236.250  261.250

4,27
I  1,046 + 4,6 %-kal nőtt az átlagos tartózkodási idő 2010-ről 2011-re.
4,08

48
6. Indexszámítás

A termelési, forgalmi, elosztási, felhasználási folyamatok érték-, ár- és mennyiségi

viszonylatainak eltéréseit mutatjuk ki a módszer alkalmazásával.
Az indexszámítás segítségével az árbevétel alakulását vizsgáljuk, illetve azt, hogy milyen
mértékben befolyásolják az eladási árak és eladott mennyiségek.

Alapösszefüggés:

v =p*q

p: ár
q: mennyiség
v: érték

Az értékben történő összehasonlítást aggregálásnak, az összesített értékadatokat

aggregátumoknak nevezzük
Az árbevétel vizsgálatát, az árbevételek összehasonlítását elvégezhetjük térben és időben is.
Az összehasonlítás történhet úgy, hogy a relatív nagyságot (I), vagy az abszolút nagyságot (K)
tudjuk megállapítani

Kiszámítjuk az árbevételt a cég egészére az összes termék tekintetében (összetett indexek),

illetve az egyes termék (egyedi indexek) árbevételének alakulását is.
Nézzük a módszer használatát az alábbi példa segítségével:
1. Határozza meg, hogyan változott a bérletek eladási ára, az értékesített bérletek száma,
valamint a realizált árbevétel a 2008-2009-es időszakban a tanult indexek ill.
indexdifferenciák segítségével!
2. Értelmezze a kapott eredményeket!

2015 szeptember 2016 szeptember

Bérlet eladott eladott

eladási ár eladási ár
bérletek bérletek
(Ft/db) (Ft/db)
száma (db) száma (db)

Tanuló és nyugdíjas 1600 1760 1520 1874

Felnőtt 2000 2700 1960 3125

Megoldás:
a)Egyedi mennyiségindex:

49
Tanuló és nyugdíjas bérlet:

q1 1520
iq    0,95 -5%
q0 1600

kq =q1-q0=1520-1600= -80 db

Felnőtt bérlet:

q1 1960
iq    0,98 -2%
q0 2000

kq =q1-q0=1960-2000= -40 db
b)Egyedi árindex:
Tanuló és nyugdíjas bérlet:

p1 1874
ip    1,0647 + 6,47 %
p0 1760

kp= 1874-1760= 114 Ft

Felnőtt bérlet:

p1 3125
ip    1,1572 15,74 %
p0 2700

kp= 3125-2700= 425 Ft

c)Egyedi értékindex:
Tanuló és nyugdíjas bérlet:
vi1 qi1 pi1
iv    i q * i p =0,95*1,064=1,0115 1,15 %
vi 0 q i 0 pi 0

Felnőtt bérlet:
vi1 qi1 pi1
iv    i q * i p = 0,98*1,1574=1,1342 13,42 %
vi 0 q i 0 pi 0

Egy személyszállítással foglalkozó vállalat árbevételét vizsgáltuk 2015 szeptemberében és

2016 szeptemberében. Az árak mindkét bérlet esetében nőttek, a tanuló- ás nyugdíjas bérletek
ára 6,47 %-kal, a felnőtt bérletek ára 15,74 %-kal emelkedett. Az eladott mennyiség csökkent,
a tanuló- és nyugdíjas bérletből 5 %-kal, a felnőtt bérletekből 2 %-kal adott el kevesebbet a cég.
Ezen változások hatására az egyes bérletekből származó árbevétel a következőképpen alakult:
a tanuló- és nyugdíjas bérletekből 1,15 %-kal, a felnőtt bérletekből 13,42 %-kal több pénz folyt
be 2016 szeptemberében, mint az előző év ugyanezen időszakában.

50
d) Értékindex és differencia:

Iv 
q p 1 1

8.973.480
 1,0922 + 9,22 %
q p 0 0 8.216.000

K v   q1 p1   q0 p0 = 8.973.480-8.216.000= 757.480 Ft

Az egység árak és az eladott mennyiségek változásának hatása miatt a fuvarozó vállalat összes
árbevétele 2016. év szeptemberében 9,22 %-kal, azaz 757.480 Ft-tal volt több, mint 2015
szeptemberében.
e) Árindexek:
Az ár befolyásoló hatásának vizsgálatakor a mennyiséget vesszük állandónak. Vehetjük
állandónak a bázisévi vagy a tárgyévi mennyiséget is. Eltérő súlyokat alkalmazunk, így
árindexeket a következőképpen számolhatunk:
Paasche-féle árindex (tárgy időszaki súlyozás):

I pP  I 1p 
q p 1 1

8.973.000
 1,1263 +12,63 %
q p1 0 7.967.200

Laspeyres-féle árindex (bázis időszaki súlyozás):

I pL  I p0 
q 0 p1

9.248.400
 1,1256 + 12,56 %
q 0 p0 8.216.000

Fisher-féle index:
I qF  I qL  I qP  1,1263 *1,1256  1,126 +12,6 %

f) Volumenindexek:
Az eladott mennyiségek befolyásoló hatásának vizsgálatakor az árat vesszük állandónak.
Vehetjük állandónak a bázisévi vagy a tárgyévi eladási árat is is. Eltérő súlyokat alkalmazunk,
így a volumenindexeket a következőképpen számoljuk:
Paasche-féle volumenindex (tárgy időszaki súlyozás):

I qP  I q1 
q p1 1

8.973.490
 0,9703 - 2,97 %
q p0 1 9.248.400

Laspeyres-féle árindex (bázis időszaki súlyozás):

I qL  I q0 
q p1 0

7.967.200
 0,9697 -3,03 %
q p0 0 8.216.000

Fisher-féle index:
I pF  I pL  I pP  0,9703 * 0,9697  0,97 -3%

51
Csak az árváltozás hatására 12,6 %-kal emelkedett volna a cég összes árbevétele, illetve csak a
mennyiségi változás hatására 3 %-kal csökkent volna a vállalkozás árbevétele. A két változás
együttes hatása eredményezte a cég egészében a 9,22 %-os árbevétel növekedést a vizsgált
időszakban.

2.Példa indexszámításra
Határozza meg, hogyan változott a vendégéjszakák száma, a szállásdíj, valamint a realizált
árbevétel a 2008-2009-es időszakban a tanult indexek ill. indexdifferenciák segítségével!

Vendégéjszaka Szállásdíj
Szállodák besorolása (éjszaka) (ezer Ft/éjszaka)
2008 2009 2008 2009

NÉGYCSILLAGOS 900 1062 7,5 8,7

HÁROMCSILLAGOS 1500 1560 2,8 3,0

KÉTCSILLAGOS 600 600 2,0 2,2

Megoldás:
a)Egyedi mennyiségindex:
Négycsillagos:

iq  1,18 18 %

Háromcsillagos:

iq  1,04 +4 %

Kétcsillagos:
iq  1

b)Egyedi árindex:
Négycsillagos:

i p  1,16 + 16 %

Háromcsillagos:

i p  1,071 + 7,1 %

52
Kétcsillagos:

i p  1,1 + 10 %

c)Egyedi értékindex:
Négycsillagos
iv  1,3688 +36,88 %

Háromcsillagos
iv  1,1128 +11,28%

Kétcsillagos
iv  1,1 +10%

Szálláshelyek árbevételének változását vizsgáltuk 2008 és2009 között. A szállásdíjak mindkét

évben, mind a három kategóriában emelkedtek. Az árak legnagyobb mértékben a négycsillagos
szállodák esetében nőttek 16 %-kal, ezt követték a kétcsillagos szállodák áremelkedései 10 %-
kal, majd legvégül a háromcsillagos szállodák következtek 7,01 %-kal.
A szálláshelyen eltöltött éjszakák száma a négy- és háromcsillagos szállodák esetében
növekedtek 18 % és 4 %-kal, a kétcsillagos szállodák esetében az érték nem változott.
Ezen hatások következében az egyes szállodatípusok árbevételei a következőképpen alakultak:
a négycsillagos szállodánál 36,88 %-kal, a háromcsillagosnál 11,28 %, a kétcsillagosnál 10 %-
kal volt több 2009-ben, mint 2008-ban.

d) Értékindex és differencia:

I v  1,2543 + 25,43 %

K v =3089,4 eFt

A szállásdíjakban és az eltöltött vendégéjszakák számában bekövetkezett változások miatt a

vizsgált szállodák árbevétele összességében 25,43 %-kal emelkedett, ami 3089,4 ezer Ft-nak
felel meg.
e) Árindexek:
Paasche-féle árindex (tárgy időszaki súlyozás):

I pP  I 1p  1,126 +12,6 %

Laspeyres-féle árindex (bázis időszaki súlyozás):

I pL  I p0  1,123 + 12,3 %

Fisher-féle index:
I qF  1,1247 +12,47 %

53
f) Volumenindexek:
Paasche-féle volumenindex (tárgy időszaki súlyozás):

I qP  I q1  1,1164 +11,64 %

Laspeyres-féle árindex (bázis időszaki súlyozás):

I qL  I q0  1,1138 +11,38 %

Fisher-féle index:
I pF  1,1151 11,51 %

Csak az árváltozás hatására 12,47 %-kal emelkedett volna az összes, vizsgált szálloda
árbevétele, illetve csak a mennyiségi változás hatására 11,51 %-kal emelkedett volna az
árbevétel. A két változás együttes hatása eredményezte a 25,41 %-os árbevétel növekedést.

54
 Gyakorló feladatok

7.1 Az alábbi cégadatok ismeretében, válaszolja meg a kérdéseket!

Árbevétel Reklámköltség
Év (Millió $) (Millió $)
2005 62 720 0,716
2006 64 060 0,977
2007 71 940 1,315
2008 75 940 1,569
2009 78 510 1,708
2010 81 670 1,681
2011 87 550 1,758
2012 88 400 1,746
2013 83 060 1,615
2014 81 180 1,427
2015 89 110 1,406
2016 96 500 1,335
Forrás: saját példa

1. A 12 év alatt összesen mekkora árbevétele volt a cégnek, és összesen mennyit költöttek

reklámra?
2. A reklámköltség az árbevétel hányad részét tette ki?
3. Melyik évben volt a legnagyobb arányú a reklámköltség?
4. Átlagosan mekkora volt a cég árbevétele az egyes években? Mekkora volt az ettől való eltérés
az egyes években? Ez elfogadható mértékű e?
5. Hogyan változtak az árbevételek az egyes években az első évhez képest?

55
7.2.Az alábbi táblázat és a tanult számítási módszerek segítségével készítsen komplett
elemzést a KKV helyzetéről a 2013-2016 közötti időszakra vonatkozóan!

A vállalkozások teljesítménymutatói kis- és középvállalkozási kategória szerint (2013–)

Hozzáadott Export-
Egy Értékesítés
érték értékesítés
Kis- és középvállalkozási Vállalkozások Foglalkoztatottak foglalkoztatottra nettó
(tényező- árbevétele,
kategória száma, darab létszáma, fő jutó árbevétel, árbevétele,
költségen), millió
ezer forint/fő millió forint
millió forint forint
2013
0 fős mikrovállalkozások 9 220 – – 15 184 766 2 029
1 fős mikrovállalkozások 392 914 392 914 8 005 3 145 338 744 804 158 286
2–9 fős mikrovállalkozások 173 174 584 438 12 329 7 205 466 1 539 366 359 192
Kisvállalkozások 29 197 473 362 22 796 10 790 992 2 071 075 1 321 508
Középvállalkozások 4 961 370 187 34 739 12 859 847 2 405 628 3 655 769
Nem KKV körbe tartozó
szervezetek 5 368 840 940 53 235 44 767 593 8 500 312 20 636 010
Összesen 614 834 2 661 841 29 598 78 784 420 15 261 951 26 132 793
2014
0 fős mikrovállalkozások 2 063 – – 62 055 19 023 2 012
1 fős mikrovállalkozások 424 110 424 110 8 070 3 422 359 809 840 172 500
2–9 fős mikrovállalkozások 170 329 583 478 13 393 7 814 453 1 707 924 358 966
Kisvállalkozások 30 372 494 046 23 901 11 808 288 2 343 803 1 411 877
Középvállalkozások 5 041 369 244 35 654 13 164 862 2 453 271 3 501 490
Nem KKV körbe tartozó
szervezetek 5 514 880 855 54 821 48 289 173 9 513 235 23 107 818
Összesen 637 429 2 751 733 30 730 84 561 191 16 847 096 28 554 663
2015
0 fős mikrovállalkozások 6 439 – – 43 824 12 745 365
1 fős mikrovállalkozások 454 316 454 316 8 235 3 741 090 909 274 171 910
2–9 fős mikrovállalkozások 171 015 589 467 13 913 8 201 124 1 826 901 388 974
Kisvállalkozások 32 157 524 610 24 087 12 636 019 2 597 628 1 492 390
Középvállalkozások 5 221 388 394 35 429 13 760 345 2 604 002 3 427 453
Nem KKV körbe tartozó
szervezetek 5 719 960 275 53 524 51 398 190 10 462 195 25 838 155
Összesen 674 867 2 917 062 30 778 89 780 593 18 412 745 31 319 246
2016
0 fős mikrovállalkozások 5 846 – – 21 664 5 810 1 826
1 fős mikrovállalkozások 471 058 471 058 7 960 3 749 805 926 389 170 770
2–9 fős mikrovállalkozások 172 829 599 095 14 118 8 457 881 1 912 680 382 351
Kisvállalkozások 32 742 535 006 23 988 12 833 719 2 713 290 1 545 500
Középvállalkozások 5 223 384 127 33 861 13 006 864 2 507 850 3 185 274
Nem KKV körbe tartozó
szervezetek 5 964 1 002 566 51 646 51 778 122 10 778 406 25 216 677
Összesen 693 662 2 991 852 30 031 89 848 055 18 844 425 30 502 398
Forrás: KSH

56
7.3. Hasonlítsa össze a két táblázatot és készítsen rövid szöveges értékelést!

Forrás: Eurostat

Forrás: Eurostat

57
7.4. Az alábbi táblázat segítségével készítsen egyszerű kimutatást a cég bevételének
alakulásáról a vizsgált időszakban!

Év Negyedév Forgalom (MFt)

1995 I 700
1995 II 750
1995 III 800
1995 IV 770
1996 I 740
1996 II 780
1996 III 850
1996 IV 810
1997 I 800
1997 II 820
1997 III 870
1997 IV 850
1998 I 780
1998 II 820
1998 III 840
1998 IV 810
1999 I 800
1999 II 850
1999 III 900
1999 IV 860
2000 I 820
2000 II 880
2000 III 950
2000 IV 900

58
Felhasznált irodalom

1. Besenyei Lajos (2010): „Századok gondolkodói a statisztikáról” /a statisztika

igazsága/.„A világ statisztikája – a statisztika világa” Ünnepi Konferencia az ENSZ
Statisztikai Világnap alkalmából 2010. Október 14-15 Esztergom, Szent Adalbert
Keresztény Képzési Központ
2. Horváth Eszter – Reisinger Adrienn – Dusek Tamás (2018): Statisztika I. egyetemi
jegyzet. Megjelenés alatt
3. Horváth Eszter (2018): Statisztikai alapismeretek egyetemi jegyzet. Az Adatkezelés és
üzleti elemzések Excelben tárgyhoz kapcsolódóan. Készült az EFOP 3.4.3 / B4 projekt
keretében. (Elektronikus jegyzet)
4. Hunyadi László – Vita László (2002): Statisztika közgazdászoknak. KSH.
5. Rappai Gábor (2001): Üzleti statisztika Excellel. KSH.
6. Szalka Éva (2007) Statisztika I. Universitas, Győr.
7. Szűcs István (2004): Alkalmazott statisztika. Agroinform kiadó és Nyomda Kft.
8. www.ksh.hu
9. http://ec.europa.eu/eurostat

59