Professional Documents
Culture Documents
Csernyák László - Valószínűségszámítás PDF
Csernyák László - Valószínűségszámítás PDF
Előszó ........ ................... ....... ....... ......... ....... ..... ..................... ..................... 7
1. K o m b in a t o r ik a ............................................................................................ ....... 11
1.1. Permutáció .................................. .................................................................. 11
1.2. V ariáció......................................................................... .................. .............. 17
1.3. K om bináció.................................................................................................... 20
1.4. Binomiális tétel .......... ................................ ........ ......................................... 26
1.5. A binomiális együtthatók néhány tulajdonsága ........................................ 29
5
5. T öbbdim enziós diszkrét eloszlások .................... ...................................... 122
5.1. Együttes eloszlás, peremeloszlások ........................................................... 122
ELŐSZÓ
5.2. Együttes eloszlásfüggvény.......................................................................... 128
5.3. Kovariancia és korrelációs együttható ..................... .......... ...................... 133'
5.4. Valószínűségi változók függetlensége.... ............................................ 138
5.5. Feltételes eloszlás, feltételes várható érték, regressziós függvény ......... 141
6 7
BEVEZETÉS
9
A 19. század nagy matematikusai közül Gauss (1777-1885), Poíncaré (1854- 1. KOMBINATORIKA
1912), Csebisev (1821-1894), Markov (1856-1922), Ljapunov (1857-1918) nevét
említjük meg.
Á múlt század első harmadában a valószínűségszámítás klasszikus módszerei
már nem voltak elégségesek a valóságot új és új oldalról megközelítő természet-
tudományok igényeinek kielégítésére. Kolmogorov 1933-ban megjelent „Á való
színűségszámítás alapfogalmai” című művében a valószínűség objektív értelmezé
séből kiindulva a valószínűségszámítást teljes matematikai szigorúsággal néhány
axiómára építette fel. Ezt megelőzően a magyar Jordán Károly, a francia Frédiét,
az orosz Bem stein és még sokan mások is hasonló irányban munkálkodtak. Ezzel A valószínűségszámítás klasszikus felfogása alapvetően két gyökérre támaszkodik,
a valószínűségszámítás megalapozásával kapcsolatos több évtizedes vita nyugvó a kombinatorikára és az eseményalgebrára. Ezek közül történetileg is az első a
pontra jutott, s a matematikának ez a fiatal ága mind elméleti, mind gyakorlati kombinatorika, mellyel játékos formában már mindannyian kora gyermekkorunk
vonatkozásban rohamos fejlődésnek indult, ban is találkoztunk.
Ez az elmélet napjainkban is nagy fejlődésen megy keresztül, majdnem kivétel Azt, hogy a tudomány is felhasználja a kombinatorika elméletét és módszereit,
nélkül alkalmazható az összes tevékenységi területen, A valószínűségszámítás bizonyítja a gazdasági, természettudományos és műszaki szakirodalom sokrétűsé
elméleti kérdéseiben, valamint közgazdasági, ipari,'’biológiai, fizikai, operációkuta ge, nagy száma.
tási stb. alkalmazásában magyar kutatók kiemelkedő eredményeket értek el.
Ebben a fejezetben azokkal a - részben már ismert - kombinatorikai fogalmak
kal és tételekkel foglalkozunk, melyek a klasszikus valószínűségszámítási felada
tok megoldásához hasznos segítséget nyújtanak.
Kissé túl általános, de lényegét tekintve jó meghatározás szerint a kombinato
rika a véges halmazok elmélete. Ez nem jelenti azt, hogy a kombinatorika minden,
a véges halmazokkal kapcsolatos matematikai problémával foglalkozik. Főként
csoportalkotási kérdéseket vizsgál. Ezek közül tankönyvünkben csak két alapfel
adatra szorítkozunk, mégpedig megvizsgáljuk:
> Hányféleképpen lehet egy véges halmaz elemeit sorba rendezni.
> Hányféleképpen lehet egy véges halmaz elemeiből bizonyos számú elemet
kiválasztani.
Természetesen kitérünk a fenti problémák megoldásánál kapott eredményeink
közti összefüggések feltárására és néhány, speciális alkalmazási területére is.
1.1. Permutáció
A permutáció röviden adott számú elem sorba rendezését jelenti. Aszerint, hogy az
elemek mindegyike különböző, vagy vannak köztük egyformák is, ismétlés nélküli
vagy ismétléses permutációról beszélünk,
10 11
Ö sszegzési sza b á ly
ISM ÉTLÉS NÉLKÜLI PERM UTÁCIÓ
Ha egy bizonyos A objektum ot m -félcképpen lehet kiválasztani, egy másik, B objektum ot pedig
n-féleképpen, akkor a vagy A, vagy 3 kiválasztás m + ^-féleképpen lehetséges.
A könnyebb megértés kedvéért tekintsük a következő példát. Ahhoz, hogy a fenti összegzési szabályt sikeresen alkalmazhassuk, meg kell követelnünk, hogy az
4 objektum egyik kiválasztása se essék egybe a £ objektum valamelyik kiválasztásával.
L L Példa,
Egy beosztott bizonyos üzleti kérdés eldöntésére háromféle javaslatot dolgozott Szorzást szabály
ki. Minthogy szerinte mindegyik javaslat rendelkezik előnyökkel, nehezen dönti Ha az A objektumot m-féleképpen lehet kiválasztani, és bárhogyan választjuk is ki A-t, a B objek
tumot /i-féleképpen lehet kiválasztani, akkor az (A, B) párt a megadott sorrendben m - n-féleképpen
el, milyen sorrendben ismertesse azokat főnökével és kollégáival a munkaérte
választhatjuk ki.
kezleten. Hányféle sorrendet alakíthat ki a munkatárs a prezentáción? Természetesen előfordulhat, hogy nem rendezett párokat, hanem rendezett n-eseket, vagyis több
elemből álló elem kom binációkat kell előállítanunk. Ezeket a feladatokat ugyanezzel a módszerrel
M e g o l d á s . Jelöljük a különböző javaslatokat A, B, C-vel! M ár csak az a kér oldjuk meg.
dés, hányféle sorrendje írható fel ezeknek a betűknek?
Az első helyre háromféleképpen választhatunk betűt. Ha ezt beírtuk, a má DEFíNÍCIÓ. Adott n különböző elem. Az elemek egy meghatározott sorrendjét az
sodik helyre csak kétféleképpen választhatunk. Mivel bármely első választáshoz adott n elem ismétlés nélküli perm utációjának nevezzük, és számu
bármelyik második választás tartozhat, ez 3 -2 eset. A maradék helyre csak a kat a PH szimbólummal jelöljük.
maradék betűt tehetjük, így a sorrendek számai 3 - 2 1 - 6 . Ha A -t választunk
1.1. T ÉT E L , n különböző elem összes lehetséges sorrendjének (permutációinak)
elsőnek és B-t másodiknak, akkor ABC a sorrend, ha C -t másodiknak, ak
száma:
kor ACB , Hasonló a helyzet, ha B, illetve C az első. A hat sorrend:
Pv = n ■(n -1 ) • (n - 2) • ... *1 = n ! (olv; n faktoriális).
ABC BAC CAB
AC B BCA CBA Bizonyítás. A bizonyítást az előző példa megoldásánál felhasznált módszerrel vé
gezzük el.
Természetesen nem kell feltétlen ragaszkodnunk ehhez a szisztémához, lénye
Az összes lehetséges sorrend összeszámlálásához tekintsük az egyes "helyek ki
ges azonban, hogy ne veszítsünk el egyetlen sorrendet sem. töltésének lehetőségeit! Az első helyen álló elem kiválasztására n lehetőségünk
Szokás a lehetőségek összeszámlálását ún. fával (1.1. ábra), máskor un. van, a másodikra n - 1 lehetőség, a harmadikra n - 2 lehetőség, ,,,, az utolsó
„csésze” modellel szemléltetni. helyen álló elem kiválasztására már csak egy lehetőség marad (1.2. ábra).
I . hely 2. hely 3. hely sorrend 1. 2. n.
1. 2 . ábra
1.2. Példa.
1
Megjegyzés:
A kombinatorikai feladatok megoldásánál sok esetben jól használható két alapvető szabály, melyeket Egy színházi előadásra 5 fiú és 5 lány vett egymás mellé szóló jegyeket.
célszerű megismerni, ezek: az összegzési és a szorzást szabály. Hányféleképpen ülhetnek le, ha két lány és két f i ú nem ül egymás mellé?
Kissé leegyszerűsítve közöljük ezeket.
12 13
MEGOLDÁS. A lehetséges elhelyezkedés vagy / I f i f i f i f i , vagyis fiú ül az így, ha az első hallgató kapja az A jelű feladatsort, a többiek között 3! = 6 -
első helyen, vagy l f i f l f i f i f , vagyis lánnyal kezdődik az ültetés. Minden féleképpen osztható szét a három B jelű, indexszel megkülönböztetett változat.
fiú-ülésrendhez 5!-féle lány-ülésrend tartozik, és a fiúkat is 5!-féleképpen ren
dezhetjük sorba. A lehetőségek száma: 2-5!-5í=28 800. Ismétléses
ABBB BABB BBAB BBBA
permutációk
AB\M2B2 B 1.1 B-jhABf B \S 2B3A
Az alábbi példabelihez hasonló problémák gazdasági környezetben is gyakran
előfordulnak, emiatt érdemes megismerkedni az ún. ciklikus permutációval. Ennek AB 1B2B2 ByÁB-tfii B \ByAB2 BsBiBtA
az a jellemzője, hogy a permutált elemeknek csak egymáshoz viszonyított helyze Ismétlés AB *Bx BzABfBj BzBiAB^ B2B tBy4
nélküli
tére vagyunk tekintettel, vagyis két sorba rendezést csak akkor mondhatunk külön ÁB 2BjBi B iAB jB i BjByAB 1 BjB^BiA
permutációk
bözőnek, ha forgatással nem vihetők át egymásba.
AB^BiBj B3AB;B2 BjBiÁBj BiB,B2A
1.3, Példa, AB tJ3i B\ B2AB2Bx 3\ B3BzBjA
Hét kislány járja a körtáncot. Hányféleképpen állhatnak körbe?
Ha a második hallgató íqa az A változatot, ugyanúgy 3!-féle B kiosztás! le
M e g o ld á s . A tánc elején ki kell alakítani a kört. Álljon fel a táncot tani tó „fő hetőség társul hozzá, és így tovább a harmadik és negyedik hallgató esetében.
táncos”, és hívjon maga mellé valakit. Erre 6 lehetősége van. Ezután a máso Megállapítható tehát, bármelyikük is kapja az A jelű feladatsort, a hozzá
dik táncos mellé hív újabb lányt, ekkor 5 személy közül választhat, és így kapcsolódó indexes B esetszám 3!= 6. Tehát ekkor, ismétlés nélküli permu
tovább, amíg az utolsó kislány megfogja a „főtáncos” szabad kezét, és kialakul
táció esetén, 4 • 3!= 4! lenne a megoldás. Ezek az esetek azonban a valóságban
a kör. A lehetőségek száma: 6 • 5 • 4 - 3 ■2 ■1 = 6 !
nem adnak új megoldásokat.
Általánosan, n elem ciklikus permutációinak száma: Pu_x = (n -1)! Vagyis az ismétlés nélküli permutációk száma annyiszorosa az ismétléses
permutációk számának, ahányféleképpen sorba rendezhetjük egymáshoz képest
A ciklikus permutációval kapcsolatos szokásos feladattípus a kör alakú asztal az azonos tulajdonságú, a példában csak indexszel megkülönböztetett elemeket.
mellé ültetés problémája is, melynek során a ciklikus permutáció csak azzal a meg Ebben a feladatban az ismétléses permutációk száma hatodrésze az ismétlés nél
kötéssel használható, hogy az ülőhelyek azonos adottságokkal rendelkeznek, csak a küli permutációk számának.
személyek szomszédsági viszonyai fontosak.
D e f in íc ió . Adott n elein, melyek között r (r < n ) különböző található, ezek ű, ,
Ismétléses perm utáció a2> ■■■> ar .
Ha az ű, elem /c, -szer, az a 2 elem lc2 -szőr, ... az a elem
Az ismétléses permutáció abban különbözik az ismétlés nélkülitől, hogy a sorba kr -szer ford u l elő, és k í + k 2 + ... + kr —n , akkor az n elem egy
rendezendő elemek között vannak egyformák (azonosak) is.
lehetséges sorrendjét ezen elemek ismétléses perm utációjának ne
vezzük.
1.4. Példa,
Egy négyfős hallgatói csoport tanári tévedésből kétféle feladatsort kapott, még
pedig egyvalaki A, hárman B változatot. Hányféle kiosztási lehetőség van? A permutációk számát a p^ “ k szimbólummal jelöljük.
MEGOLDÁS, a lehetséges kiosztások:' ABBB, BÁBB, BBAB, BBBA, összesen 1.2. TÉTEL. Rögzített n, r és kt , k 2, ..., k r esetén az ismétléses permutációk
4-féle. Vagyis sokkal kevesebb lehetőség, mintha mindenki különböző változa száma:
tot ima. Hogy a kétféle permutáció közti kapcsolatot meghatározhassuk, kiindu
lásként különböztessük meg a B jelű feladatsorokat indexekkel: Bt , B3, B2.
14
Bizonyítás, Kövessük az 1.4, példában látott módszert.
A tétel igazolásához az n elem egy tetszőleges permutációjában az ismétlődő
1.2. Variáció
(azonos) elemeket egymástól megkülönböztetjük (pl. úgy, hogy indexekkel látjuk el
őket). Á k t -szer ismétlődő elem ez esetben kx! különböző permutációt, a k1-szőr A variáció hétköznapi, egyszerű megfogalmazásban különböző elemek közül adott
ismétlődő elem k t l különböző permutációt jelent; és a gondolatmenetet folytatva számú elem kiválasztását jelenti, azzal a feltétellel, hogy a Idválasztás sorrendje
látj uk, hogy egy ismétléses permutációból k t!k 2 kr! különböző elemekből álló sem közömbös. Ahogy a permutációknál, itt is beszélhetünk ismétléses és ismétlés
nélküli variációkról, attól függően, megengedjük-e egy elem többszöri kiválasztását.
permutáció nyerhető. Ha az ismétléses permutációk száma ’*'*, akkor az
ismertetett eljárást ezek mindegyikére alkalmazva kJ.k2\ - ...- k t \P ^ " k" " 'K) ismétlés-" Ismétlés nélküli variáció
nélküli permutációt kapunk, amely ni-sál egyenlő. Képletben
Tekintsünk ismét először egy példát!
k}ík2\ •... ■kF\P ^,’kz"",k' ) =nl
1.6. Példa.
Ebből már az 1.2. tételben felírt egyenlőség adódik.
A cég hat, eddig kiváló teljesítményt nyújtott dolgozója között három különböző
hétvégi utazást sorsolnak ki. Mindenki legfeljebb egyféle jutalomban részesül.
Megjegyzés:
Hányféleképpen végződhet a sorsolás?
Általában a probléma megfogalmazásából következtetünk arra, ismétlés nélküli
vagy ismétléses permutáció segít-e a megoldásban. Nézzünk egy példát erre!
MEGOLDÁS, a megoldáshoz felhasználhatjuk a permutációknál már megismert
modelleket.
1.5. Példa.
Egy nőiruha-üzlet egyik polcán öt különböző méretű pulóver van összehajtva Először az első utazásra sorsolunk ki valakit, ennek ó-féle lehetősége van.
egymáson, közülük kettő lila, három rózsaszín. Ezután kisorsoljuk a második, majd a harmadik utazás nyertesét (1,3. ábra).
Hányféle sorrend alakítható ki köztük, ha a mérettől eltekintünk, csak a puló Mivel ezeket nem nyerheti meg ugyanaz a személy, m ár csak 5, illetve 4 esé
verek színe fontos? lyes maradt. A lehetőségek száma összesen: 6 • 5 • 4 = 120.
Hányféle sorrend alakítható ki köztük, ha egymáshoz képesti elhelyezkedé
2. 3,
sükben a méretre is tekintettel vagyunk?
M egoldás .
M íg az első kérdés megválaszolásához az ismétléses, a másodikéhoz az ismétlés 6-féleképpen 5-féleképpen 4-féleképpen
nélküli permutáció segít hozzá. Ha a mérettől eltekintünk, akkor a színösszeállí
tások lehetséges számát ismétléses permutációval határozhatjuk meg, vagyis a I 1.3. ábra
sorba rendezés lehetőségeinek száma:
DEFINÍCIÓ. Adott n különböző elem. Ha adott n elem közül k elemei (0 < k < n)
úgy választunk ki, hogy mindegyik csak egyszer kerül sorra, és a kivá
lasztás sorrendje is számít, akkor az n elem egy k-adosztályú ismét
lés nélküli variációját kapjuk.
Ha a méret is fontos, akkor az öt különböző tárgy sorba rendezési lehetőségeinek
számát keressük, amely Pa = 5!= 120 .
A z n elem egy A-adosztályú ismétlés nélküli variációinak számát a V* szim
bólum jelöli.
Az előző példa megoldása (V* - 6 ■5 ■4) általánosítható, melyet tétel formájá
ban fogalmazunk meg.
16
1.3. TÉTEL. Adotí n elem összes k-adosztályú ismétlés nélküli variációinak száma: ISMÉTLÉSES VARIÁCIÓ
V* = « ■ ( « - 1) • (n - 2) + 1).
Fogalmazzuk át az 1.6. példát!
Más alakban: V k = — '.... .
' (n —k)\
1.8. Példa.
A cég hat, eddig kiváló teljesítményt nyújtott dolgozója között három, különbö
Bizonyítás. Ha n elem közöl k darabot választunk ki úgy, hogy a kiválasztás ző hétvégi utazást sorsolnak ki. Hányféleképpen végződhet a sorsolás, ha nem
sorrendjére is tekintettel vagyunk, akkor az elsőt w-ből, a másodikat (n - l)-ből, zárjuk ki, hogy egy "dolgozó több utazást is nyerhet?
a harmadikat ( n - 2)-ből, az utolsót n - ( k - í ) = n - k + l elemből választhatjuk.
Ez összesen: Vj - n ■(n - 1 ) ■(n - 2) • - (n - k + \) lehetőséget jelent. M egoldás . Először az első utazásra sorsolunk ki valakit, ennek 6-féle lehető
sége van. Ezután kisorsoljuk a második utazás nyertesét. Mivel ezt ugyanaz a
Könnyen belátható, hogy a variációk számának kétféle felírása ekvivalens. személy is megnyerheti, újra 6 esélyes maradt. Majd ugyanígy a harmadiknál.
A lehetőségek száma összesen: 6-6- 6 = 216.
Megjegyzés:
Ha n - k , az n elem &-adosztályú ismétlés nélküli variációinak száma megegye DEFINÍCIÓ. Adott n különböző elem. Ha az adott n elem közül k elemet úgy
zik az n elem ismétlés nélküli permutációinak számával. választunk ki, hogy egy elem többször is sorra kerülhet, és a kiválasz
Ahhoz, hogy a variációk számának tört alakú kiszámítási módja értelmezhető tás sorrendje is számít, aklwr az n elem egy k-adosztályú ismétléses
legyen, szükséges a 0!= 1 definiálása. variációját kapjuk
1.7. Példa. Az n elem fr-adosztáiyű ismétléses variációinak számát a V k(i) szimbólummal je
Egy dobozban 10 cédula van, 0, 1, 2, 3, 4, 5, ó, 7, 8, 9 számjegyekkel löljük.
megjelölve. Egymás után négy cédulát húzunk ki, úgy, hogy a kihúzott cédulát
a húzás után nem tesszük vissza. A kihúzott cédulákon levő számjegyeket a hú 1.4. T é te l. A dott n elem összes k-adosztályú ismétléses variációinak száma-
zás sorrendjében újuk egymás mellé. Hány esetben kapunk: VKktn= n k.
a) páratlan négyjegyű számot;
b) 1 0 -zel osztható négyjegyű számot? Bizonyítás. Ha n elem közül k darabot választunk ki úgy, hogy a kiválasztás
sorrendjére is tekintettel vagyunk, akkor az elsőt n-ből, a másodikat szintén n-
M eg old ás.
ből, a harmadikat is »~bol, és az utolsót, a A-adikat is n elemből választjuk. Ez
a) Ha a végeredmény négyjegyű páratlan szám, akkor utolsó helyen az 1, 3, 5, összesen nk lehetőséget jelent.
7, 9 valamelyike állhat, azaz az utolsó helyet 5-féleképpen tölthetjük tó.
Marad még 9 számjegy. Az első helyen a 0-t Idvéve minden megmaradt
jegy szerepelhet, ez 8 lehetőséget ad. A második helyen, mivel már két
számot előzőleg elhasználtunk, 8 -féle, a harmadik helyen 7-féle számjegy
szerepelhet. Az összes lehetőségek száma:
5 - 8 - 8 - 7 = 2240.
b) Ha a négyjegyű szám 10-zel osztható, ez azt jelenti, hogy Q-ra végződik,
azaz az első három hely kitöltésére annyi lehetőség van, ahányféleképpen a
9 jegyből hármat ki tudunk választani, a sorrendet is tekintetbe véve:
V* - 504.
18
19
1.3. K o m b i n á c i ó András Béla Cili Dóra Emma Feri
1. + + + - -
2, + + .... + _
3. + + + -
A kombináció különböző elemek közül adott számú elem kiválasztását jelenti, + + - — +
4,
azzal a feltétellel, hogy a kiválasztás sorrendje közömbös. Ebben az esetben is 5. + _ + + _ _
beszélhetünk ismétléses és ismétlés nélküli kombinációkról, attól függően, megen 6. + + _ + _
gedjük-e egy elem többszöri kiválasztását. í t T” -L + - - +
8. ~r +~ + _
9, + - + _ +
I smétlés nélküli kombináció
+ _ _
10.
11. _ + ■f + _
Változtassuk meg ismét kissé az 1.6. számú példa feltételeit, és vizsgáljuk így a - + + _ + -
12.
sorsolás lehetőségeinek számát! 13. - + + - - +
14, _ + _ + + _
1.9. Példa. 15. + + „ +
A cég hat, eddig kiváló teljesítményt nyújtott dolgozója között három, azonos 16. - + _ - + 4*
hétvégi utazást sorsolnak ki. Mindenki legfeljebb egyféle jutalomban részesül. 17. _ _ + + + _
Hányféleképpen végződhet a sorsolás? H íg 7 1 -4- + +
19. _ _ + - 4-
I. MEGOLDÁS. 20. _ __ _ + + 4-
Az új feladat abban különbözik az 1.6. példától, hogy lényegtelen, kit melyik
útra sorsolnak ki, vagyis elsőként, másodikként vagy harmadikként nyer, Amint látjuk, nincs másról szó, mint arról, hogy három + jelet és három - je
csak az a fontos, hogy benne legyen a három kiválasztott között. Jelöljük let hányféle sorrendben lehet felírni. A lehetséges sorrendek száma:
most a kiválasztási lehetőségek számát C] -mai! Ha az utazások egyformák,
akkor a három nyertes megadása egy esetet jelent. Ha most megkülönböztet c , * - p , M = 61
3! 3!
nénk az utazásokat, akkor ebből az egy esetből 3!=6 esetet lehetne csinál
ni, hiszen ennyiféleképpen cserélgethetjük az utazásokat köztük. De így a Megjegyzés:
variációk számát kapjuk, ezért Az ötös LOTTÓ húzásának aktusát megfigyelve szintén ezt láthatjuk. Noha az öt
szerencseszámot egymás után választják ki, a nyereményt csak az határozza meg,
c> 3 ! = r (\ é s e tw i: hány, általunk megjátszott szám van az őt között, függetlenül a húzás sorrendjétől.
Ha számítana a sorrend, az 5 számot 5! -féleképpen rendezhetnénk, de ez már
90 elem 5-ödosztályú ismétlés nélküli variációja lenne. Ezért a húzás lehetőségei
II, M egoldás . re
A hat kiváló dolgozó: András, Béla, Cili, Dóra, Emma és Feri közül hárman nek száma: -22. = c L .
nyerhetik meg az utazást. Jelöljük a nevük alatt + előjellel, ha nyertek, 51
- előjellel, ha nem nyertek. Minden kiválasztási lehetőséghez tartozik egy
jelsorozat, és megfordítva. Kérdés, hány különböző, rendezett, + és - elő DEFINÍCIÓ, Adott n különböző elem. Ha az adott n elem közül k elemet
jelekből álló hatos sort lehet képezni? (0 < k < n) úgy választunk ki, hogy mindegyik csak egyszer kerül sor
ra, és a kiválasztás sorrendje nem számít, akkor az n elem egy k-
adosztályú ism étlés nélküli kom binációját kapjuk.
20 21
Az n elem fc-adosztályű ismétlés nélküli kombinációinak számát a C* szimbólum 1.10. Példa,
jelöli, Hányféleképpen oszthatjuk ki a 32 lapból álló magyar kártyacsomagot négy já
tékos között,
1.5. TÉTEL. A dott n elem összes k-adosztályú ismétlés nélküli kombinációinak a) ha mindenki 8 lapot kap?
ni b) Hányféleképpen történhet az osztás, ha mindenkinél van hetes?
száma: C„ = -
k\-{n —k)\
a)
I. M e g o ld á s . Legyenek a játékosok Anna, Berci, Cili és Dani. Osszunk elő-
A fenti kifejezést szokás az szimbólummal is jelölni (olvasd: n alatta k).
szőr Annának 8 lapot! Ezt -féleképpen tehetjük meg. A megmaradó
\ 1i j
22
23
Ismétléses kombináció DEFINÍCIÓ. Adott n különböző elem. Ha adott n elem közül k elemet úgy vá
lasztunk ki, hogy egy elem többször is sorra kerülhet, és a kiválasztás
Ismét kezdjük a tárgyalást egy könnyen követhető mintapéldával! sorrendje m m számít, akkor az n elem eg)> k-adosztályú ismétléses
kombinációját kapjuk.
1.11. Példa.
Cégünk karácsony előtt megajándékozza személyesen is megjelenő partnereit A z n elem /c-adosztályú ismétléses kombinációinak számát a C f !) szimbó
kettő, a partner által négy különböző közül tetszőlegesen kiválasztható reklám
lummal jelöljük.
tárggyal. Az emblémás ajándéktárgyak a következők: esernyő, exkluzív toll,
széldzseki, iratmappa. Hányféleképpen állíthatja össze ajándékait az éppen cé 1.6. TÉTEL. Adott n elem összes k-adosztályú ismétléses kombinációinak száma:
günknél tárgyaló partner, ha lehetősége van arra is, hogy a két tárgy azonos
/n +k -Ú
legyen, ha ez tetszik legjobban? Cm =
N
k S
MEGOLDÁS,
A mintafeladat megoldásához ismét vegyünk fel egy táblázatot! Bizonyítás. A bizonyítást a mintafeladat megoldásához használt módon könnyen el
Töltsük ki a táblázatot úgy, hogy az egyes tárgyak alá annyi + jelet írjunk, végezhetjük. A kiválasztási lehetőségeket számláljuk össze a táblázat segítségével!
ahányat ebből a partner beválasztott a csomagjába, és 0 -át elválasztásként a Á képzeletbeli táblázat oszlopaiban az n különböző elem, illetve minden két
tárgyak közé. Minden lehetséges jelsorozatban 2 db + jel és 3 db 0 áll. elem között egy-egy elválasztó oszlop van. Minden elem alá tegyünk annyi +
jelet, ahányszor kiválasztottuk az adott elemet. Válasszuk el egymástól az elemeket
Esernyő Toll Széldzseki Iratmappa 0-val. így egy-egy, k darab + jelből és n - 1 darab 0-ból álló jelsorozathoz
1. + + 0 0 0 jutunk, A kiválasztások és jelsorozatok kölcsönösen megfeleltethetők egymásnak.
2. + 0 + 0 0 A kérdés leegyszerűsödött arra a problémára, hány különböző jelsorozatot tudunk
3. + 0 0 + 0 felírni.
4. + 0 0 0 + Ezek száma megegyezik a + és 0 jelek ismétléses permutációinak számával,
+ + 0 azaz:
5. 0 0
6, 0 + 0 + 0
i
r m _ N + *' - ! )"S! —;( n + k - l ^
(»
—■
7. 0 0 0 »+i-' k\(n —-.X1)!. \ /,
^ J
8. 0 0 + 0 +
9. 0 0 + + 0 Sokszor előfordul, hogy adott feladat megoldása helyett könnyebb az „ellenke
0 0 + + zőjét” megválaszolni.
10. 0
24 25
1 ,7 . TÉTEL. Tetszőleges kéttagú kifejezés (binom) bármely nemnegatív kitevőjű
1-szer hatos: ■5 "=18 750; hatványa polinommá atalátható a következő módon:
/ n ''' / fl^
(a + b y = a 4- a ”-'b + ...+ ab'1-1+ b" =
2 -szer hatos: ■54= 9375;
A vv \ n ~ lJ
it
26 27
háromféleképpen tehetjük meg, hiszen a b-t választhatjuk az 1., a 2. vagy a 3. té 1.13. Példa.
nyezőből. így tehát 3a 2b adódik. Fejtsük ki a binomiális tétel alapján az ( j c2 - 2 y 3)5 hatványt!
Ha egy (a + b) tényezőből választjuk az a-1, a másik kettőből a b-1, akkor ( 5\
/ 5"| , 5 / 5'v
ab2 lesz a szorzat. És mivel ezt is háromféleképpen tehetjük meg, 3ab2 -et kapunk. ( ^ ) 5+ {x5r (- 2 / y + ^ ( x 2f ( - 2 y i ) 2 +
Végül, ha egyik (a + b) tényezőből sem választunk a-t, más szóval mindhá w
romból a b-t szorozzuk össze, b 3 lesz a szorzat. így + í 5^ (X2y - ( - 2 / y + (x 2) ' ( - 2 y y +
(a + b f + 3a 2b + 3abz + b \ v3y
I 2 íj - - íoxy +4o*y - 8
0*y +sox1/ 2- 32ys.
Hasonló módon járunk el (a + b)H= (a + b)(a + b) ... (a + b), n > 2 esetében is.
Ha mindegyik (a + b) tényezőből az a-t szorozzuk össze, a" adódik.
Ha n - 1 tényezőből az a-t, egyből a b-t szorozzuk össze, a “~'b lesz a szor
zat. De mivel ilyen szorzatot n esetben kapunk, mert az n tényező bármelyikéből 1.5. A binomiális együtthatók néhány tulajdonsága
választhatjuk a b-t, tehát na"~'b lesz az eredmény.
Ha n - 2 tényezőből a-t, kettőből b-t vesszük, a"~2b 2 lesz a szorzat. Mivel
A binomiális együtthatókat ( n - 0 , 1, 2, ... értékekre) az ún. Pascal-féle h árom
azonban a b-t -féleképpen választhatjuk ki az n darab (a + b) tényezőből, szögben helyezhetjük el.
n =0
Összesen a"~2b lesz az eredmény.
V2y
Hasonló módon, ha n - 3, n - 4 , ... tényezőből választunk a-t, a többi n —1
3,4,... tényezőből b-t, akkor «"”3ö3, a “~AbA, ... szorzatokhoz jutunk. Az vOy vb
/ .n_\ f n \ \
) 'i
együtthatók pedig sorra ? , ... lesznek, hiszen ennyiféleképpen választhat n —2
,3 , , 4y
juk ki azokat az (a + b) tényezőket, amelyeknek a b tagja szerepel a szorzatban. í 1l\
n —3 í 3'
Végül, ha egyik tényezőből sem választunk a-t, azaz mindegyikből b-t szer .2, ) A
zünk össze, b" adódik. 4*1 (4'' ^4S\ '4
\
Az így nyert szorzatok összege, felhasználva, hogy n= 4
J v3, í v4 1
/,
( n) = 1 és n- f s'1 l
n- 5 ’51 (-5]
loj ,3, \,4j A
a következő:
28 29
1 Összeadva a két törtet
1 1 ni n\(k + í) + n \ ( n - k ) _
1 2 1 (n-k)\k\ (n —k —!)!(£ 4-1)! (n -/c)!(/c +1)!
1 3 3 1
1 4 6 4 1 _ n\(n + 1) _ (re + 1)! +
1 5 10 10 5 1 ~ ( n - k ) \ ( k + 1)!~ ( n ~ k ) l ( k + 1)1 ~ U + 1J
c) Az állítás helyességét a binomiális tétel segítségével könnyen igazolhatjuk.
Legyen ugyanis a - 1 és 6 = 1, ekkor a binomiális tétel szerint
A Pascal-háromszög képzési szabályára e néhány sorból is következtethetünk. V
(1 + 1)" rj<> + r~ T + ...+ lY
Minden sor kezdő és utolsó eleme 1. Minden sorban a középre szimmetrikus ele
mek egyenlőek, és bármely sorban az egymás mellett lévő számok összege egyenlő vOy
az alattuk levő számmal, A binomiális együtthatókra tehát érvényesek a következő ahonnan
tulajdonságok: n n n
— + +. . . +
1 .8 . T é te l. Bármely k, n e N és 0 < , k < n esetén fennáll
a) a szimmetriatulajdonság Megjegyzés:
(V ' n ' a) A szimmetriatulajdonság állítása könnyen belátható algebrai átalakítás nélkül is,
egyszerű, gondolati úton. n elem közül ugyanannyi-féleképpen lehet k darabot
\ n ~ kJ kiválasztani, mint (n - k)-t, hiszen minden egyes k elemű részhalmaz kiválasz
b) az összegtulajdonság tásánál kiválasztódik az ott maradó n - k elemű részhalmaz is.
\ b) Az összegtulajdonság bizonyítását szintén elvégezhetjük egyszerű, gondolati úton is.
n ’n + Ú
Az állítás jobb oldala átfogalmazható arra a kérdésre, hogy valamely n +1
\ kj Vk +1 k + \, elemű halmazból hányféleképpen lehet k +1 elemű részhalmazt kiválasztani.
Tüntessük ki az n + 1 elemű halmaz egy elemét, vizsgáljuk meg, bekerül-e
'n'
c) + - 2 ". ez az elem a kiválasztottak közé?
v2 j Két eset van: a kitüntetett elem vagy beletartozik a k +1 kiválasztott közé,
vagy nem.
Bizonyítás. Ha igen, a részhalmaz maradék k elemét a kiindulási halmaz n eleme kö
a) Az állítás helyességéről könnyen meggyőződhetünk, hiszen értelmezésünk sze í y{\
zül féleképpen választhatjuk. Ha a kitüntetett elem nincs a kiválasztottak
rint:
30 31
2. ESEMÉNYALGEBRA 2.1. Alapfogalmak
32 33
az 1-es pontszám kerül felülre, értéket a kísérlet kimenetelének tekintünk;
a 2 -es pontszám kerül felülre,
H = [ 0; K] ,
a 3-as pontszám kerül felülre,
a 4-es pontszám kerül felülre, ahol K egy pozitív valós szám (a várakozási idők felső határa).
az 5-ös pontszám kerül felülre, Az eseménytér szemléltetésére itt a 2.1. ábrán látható módot választhatjuk.
a 6-os pontszám kerül felülre,
___________ H
H ~ {hl; Aj, Aj, h4, Aj, h61,
34 35
A véletlen kísérletekkel kapcsolatban különféle állításokat fogalmazhatunk meg, A fenti definíciónak megfelelően az elemi események a H eseménytér egyete
amelyek helyességét a kísérlet kimenetele dönti el. Ezeket az állításokat esemé mit részhalmazai.
nyeknek nevezzük. Ilyen esemény a játékkocka feldobásakor például az, hogy pá
ros számot dobunk, hogy legalább négyest dobunk stb. A pénztár előtti várakozási Megjegyzés:
1 , A H eseménytér részhalmazait ezentúl - bár formailag halmazok - mindig
idő megfigyelésénél az, hogy 10 percen belül sorra kerülünk, vagy hogy legalább
eseményeknek nevezzük. Az események nyelvén beszélünk, de szem előtt tart
2 percig kell vámunk stb,
juk, hogy halmazokról van szó. Továbbá, ha két eseményt ugyanaz a halmaz
Minden ilyen esemény az eseménytér valamely részhalmazával reprezentálható.
képvisel, akkor két esemény között nem teszünk különbséget, még akkor sem,
Az az esemény, hogy a kockával páros számot dobunk, a H ~{ l , 2, 3, 4 , 5, 6 }
ha esetleg szavakban másképpen fogalmazzuk is őket. így például az az ese
halma?. {2, 4, 6} részhalmazával is leírható. Az az esemény, hogy a várakozási mény, hogy a kockával 3-nál kisebbet dobunk, ugyanaz, m int az az esemény,
idő 10 percnél kevesebb, megfogalmazható oly módon is, hogy megadjuk a vára hogy a kockával 1 -et vagy 2-t dobunk.
2, Később látni fogjuk, hogy végtelen számosságú eseménvtéméi nem biztos, hogy minden részhal
kozási idők [0 ; K} halmazának azt a részhalmazát, amelyet a mérési eredmény*
maz eseménynek tekinthető.
ként nyerhető számértékek közül a 10-nél kisebb nemnegatív számok alkotnak.
(Ez pedig nem más, mint a [0 ; 10 [ intervallum.) Az események jelölésére a halmazoknál megismert jelölésrendszert alkalmaz
zuk, s ezért latin nagybetűkkel, A, B, C, ... stb., illetve indexszel ellátott latin
2.2, Példa. nagybetűkkel, pl, Ax, A2, Á} ... stb. jelöljük őket.
A 2,1. példában ismertetett kísérletekre vonatkozóan különböző eseményeket Az események szemléltetése ugyancsak a halmazokra megismert módon, Venn-
fogalmazunk meg, majd megadjuk az ezen eseményeknek m egfelelő részhal diagram segítségével történik.
mazokat:
A továbbiakban megismerkedünk az eseményekkel kapcsolatos újabb fogal
A véletlen eseménynek makkal.
Véletlen esemény
megfelelő részhalmaz Az eddig elmondottak alapján akkor mondjuk, hogy egy A esemény bekövet
a) A játékkockával 4-nél nagyobb {5, 6}. kezik, ha a kísérlet kimenetele eleme az A eseményt reprezentáló halmaznak.
számot dobunk Ha a kockadobás eredménye 2, akkor bekövetkezett az az esemény, hogy pá
b) Az érmével való dobás M- rosat dobunk, a 2-es szám ugyanis eleme a {2, 4, 6} halmaznak. Ezzel egyidejű
eredménye írás
c) A két kockával egyforma leg minden olyan, a kockadobással kapcsolatos esemény is bekövetkezik, amelynél
(2 : 2 ) , . . . (6 ; 6 ))
számot dobunk a 2-es szám eleme az eseményt reprezentáló halmaznak. Bekövetkezik például az
d) A pénztár előtt legfeljebb (x j x e [0 ; 2 ]}. az esemény is, hogy 1-nél nagyobbat dobunk, hiszen 2 e (2, 3, 4 , 5, 6}.
2 percig keli várnunk
e) Az üzletbe a nyitás utáni első j n <300, s é N ) . A H halmazt mint eseményt biztos esem énynek nevezzük, hiszen bármi is a
órában 300-nál kevesebb vevő kísérlet kimenetele, ez az esemény bekövetkezik.
jön be.
Az üres halmazt - amely nem tartalmazza a H egyetlen elemét sem - mint
eseményt lehetetlen esem énynek nevezzük, hiszen bármi is a kísérlet kimenetele,
Az elmondottakból kitűnik, hogy a véletlen események és a halmazok között köl ez az esemény nem következhet be. A lehetetlen eseményt 0 -val jelöljük.
csönösen egyértelmű kapcsolat létesíthető. így a véletlen események vizsgálatánál
felhasználhatjuk a halmazelméletben megismert fogalmakat és összefüggéseket.
2,3. Példa.
Ezek után nézzük meg, mi a véletlen esemény matematikai definíciója!
Egy urnában 3 golyó van, amelyeket az 1, 2 és 3 számokkal jelölünk. Ha a
kísérlet az, hogy a három golyó közül egyet kihúzunk, akkor az eseménytér
DEFINÍCIÓ. A H eseménytér egy tetszőleges részhalmazát véletlen esem énynek
H = {1, 2, 3}. A kísérlettel kapcsolatban értelmezhető összes esemény:
(röviden eseménynek) nevezzük.
36 37
{1}, {1,2}, 11,2,3}. látunk, a B esemény, hogy rovart pillantunk meg, Könnyű eldönteni, igazak-e a
0 {2}, { 1 ,3 } , következő állítások?
t {3}, {2,3}, f a) A c z B , b) B c z A , c) A = B .
lehetetlen biztos 2.4. Példa.
esemény esemény
Egy kétszemélyes társasjátékban a játékosok két kockával dobnak, és a dobott
Az összes esemény száma 2 3 = 8 (a biztos és a lehetetlen eseményt is beszá számok összegét figyelik meg. Jelölje A azt az eseményt, hogy az éppen soron
mítva). kővetkező játékos dobásösszege 6, B pedig azt, hogy mindkét kockával 3-ast
Á fenti események bármelyikét szavakban is megfogalmazhatjuk. Például az dobott.
Igazak-e a következő állítások?
fi, 3} esemény azt is jelenti, hogy páratlan számmal jelölt golyót húzunk. '
a) A d B , b) B<z A , c) A = B .
Jelölje A azt az eseményt, hogy két kockával egyszerre dobva két 6 -ost do M EG O LD Á S.
bunk, B pedig azt, hogy a két kockával dobott pontok összege páros. Ekkor vala a) Ha az A esemény bekövetkezik, vagyis a dobásösszeg 6, akkor ezt a 2.1.
hányszor az A bekövetkezik, bekövetkezik a B is. Ez példa c) részének megfelelően az (1; 5 ), (5 ; 1), (2 ; 4 ) , ( 4 ; 2 ) , (3 ; 3)
természetesen azt jelenti, hogy az A eseményt reprezen rendezett párok mindegyike megvalósítja. Ezek szerint, ha a dobásösszeg 6,
táló halmaz része a B eseményt reprezentáló halmaznak, nem biztos, hogy a (3 ; 3) kimenetel, vagyis a B esemény következett be.
azaz A c B . így ez az állítás hamis.
Legyen A és B a H eseménytér két eseménye. Azt b) Ha mindkét dobás 3, ez biztosítja a 6 -ot mint dobásösszeget, így ez az állí
mondjuk, hogy az A esemény maga után vonja a B ese
tás igaz,
ményt, ha valahányszor az A bekövetkezik, bekövetkezik c) Mível a két állítás közül csak az egyik bizonyult igaznak, c) hamis.
a B is. Ezt a tényt az A c z B szimbólummal jelöljük.
Az események közötti összefüggések szemléletesen jól
láthatók, ha azokat az ún. Venn-d iagramok segítségével 2.2. á b ra
ábrázoljuk ( 2 .2 , ábra).
Nyilvánvaló, hogy minden A eseményre teljesül:
2.2, Műveletek eseményekkel
0 a A, Ad A és A ez f f ,
Mivel az eseményeket a H eseménytér részhalmazaiként definiáltuk, az esemé
továbbá, ha
nyek közötti műveleteket is a halmazokra megismert műveletek alapján tárgyaljuk,
AdB és BczC, akkor A<zC. értelemszerűen átfogalmazva az események nyelvére. Ilyen értelemben beszélhe
tünk események ellentettjérol, összegéről, szorzatáról, különbségéről.
Természetesen két esemény - A és B - akkor egyenlő egymással, ha bárme
lyikük bekövetkezése egyben a másik bekövetkezését is jelenti, azaz Egy A esemény „be nem következése” maga is esemény, jelölhetjük ezt A -
A =B , ha AdB és Bei A . sál. Ily módon A az eseménytér mindazon elemeit tartalmazza, amelyek az ese
ményben nincsenek benne, de HAio z tartoznak. Minden h e H -ra fenn kell áll
A napi életből merített példából talán még könnyebben megértjük a fogalmat. nia az alábbi két állítás egyikének és csak egyikének:
Sokszor emlegetjük, néha még átvitt értelemben is a közmondást, miszerint „Nem
he A és hg A
minden rovar bogár, de minden bogár rovar.” Szép nyári nap nézzünk a lábunk elé,
nehogy rálépjünk az arra sétálóra! Legyen az A esemény, hogy éppen bogarat vagy
he A és h£ A .
38 39
DEFINÍCIÓ. Az AaH esemény ellentétes esem ényének (komplementerének) A biztos esemény komplementerének a lehetetlen eseményt, és a lehetetlen ese
nevezzük azt az A szimbólummal jelölt eseményt, amely akkor követ mény komplementerének a biztos eseményt tekintjük, azaz
kezik be, ha A nem következik be, és A a H .
H =0 és 0 =H .
Egy A esemény ellentétes eseménye nem más, mint a
H \ A komplementer halmaz. DEFINÍCIÓ. Ha A és B ugyanazon eseménytérhez tartozó két esemény, akkor azt
A 2.3. ábrán Venn-diagram segítségével ábrázoltunk az eseményt, hogy közülük legalább az egyik bekövetkezik, az A és B
egy A eseményt és annak eMentettjét. esemény összegének (egyesítésének) nevezzük és az A u B szimbó
lummal jelöljük.
40
41
nyék közül legalább az egyik bekövetkezik, így jelöljük: 2.11. Példa.
Nézzük, mi lesz a 2.9. példában szereplő két esemény szorzata!
u i - A u A , u ... u A n .
sok esemény összegét képezzük: Az események szorzásának művelete tetszőleges számú eseményre kiterjeszt
«5 hető- Azt az eseményt, hogy a H eseménytérhez tartozó A,, A2, . . . , Ah esemé
\ j A ,~ A. u A. U . . . , nyek mindegyike bekövetkezik, így jelöljük:
i=i '
Amikor egyértelműek az összeghatárok, akkor röviden az < jA t jelölést használjuk. r\A . - A, n A, n ... n A .
i=i 1 1 i "
Hasonlóképpen értelmezzük a megszámlál hatóan végtelen sok esemény szorzatát is. Jelölésére a
Ha egy kísérlettel kapcsolatban megfogalmazott A és B események közösen
tartalmazzák az eseménytér egy vagy több elemét, akkor valahányszor ezek közül r^A, = A. A, n ...
valamelyik bekövetkezik, A is és B is egyidejűleg (egyszerre) bekövetkezik. /=t
szimbólumot használjuk.
sO
D EFIN ÍC IÓ . Ha A és B ugyanazon eseménytérhez tartozó két esemény, akJíor azt A r\A i szimbólum helyett, ha nem okoz félreértést, a r \/íf szimbólumot alkalmazhatjuk,
az eseményt, hogy az A és B esemény egyszerre (egyidejűleg) bekö
vetkezik, a két esemény szorzatának (közös részének) nevezzük és az
A c s B szimbólummal jelöljük (2.5. ábra). DEFINÍCIÓ. A H eseménytérhez tartozó tetszőleges A és B eseményeket egy
mást kizáró eseményeknek nevezzük, ha egyszerre nem következhet
nek be, azaz ha A n B = 0 .
2.6. ábra
42 43
A definícióból következik, hogy a különbség lcét esemény szorzataként is felír Az eseményekkel kapcsolatban az előzőekben megismert elnevezések és műve
ható, mégpedig letek matematikai szempontból semmi újat nem tartalmaznak, csupán a halmazokra
vonatkozó fogalmaknak, műveleteknek az „események nyelvén” történő értelmezé
A \B = A n B . séről van szó. Ezért nem meglepő, hogy az ott megismert azonosságok itt is érvé
nyesek.
2,12. Példa.
Képezzük a 2,8, példában megadott események különbségét!
Tetszőleges A, B, C a H eseményekre fennállnak a következő összefüggések;
Megjegyzés: Megjegyzés:
A valószínűségszámítással foglalkozó irodalomban A fentiek alapján látható, hogy az események a műveleti definíciókkal együtt
az A u B helyett az A + B , Boole-algebrát alkotnak.
az A n B helyett az A B ,
az A \ B helyett az A - B
2.1. TÉTEL. Tetszőleges A, B ez H eseményeidre fennállnak a következő összefüg
jelölést is alkalmazzák.
gések:
Az elnevezések használatának megkönnyítésére egy „szótárt” állítottunk össze.
1. A u B = A n B ,
Az eseményekkel kapcsolatos A halmazelméleti kifejezések
AnB=AuB
kifejezések
(.DeMorgan-egyenlőségek)
Eseménytér Alaphalmaz
2. A u { A n B ) = A,
Véletlen esemény A H halmaz egy részhalmaza
Elemi esemény A H halmaz egy egyelemű An(AuB) ~ A
részhalmaza ({h } ez H ) (beolvasztási szabályok).
Biztos esemény Alaphalmaz
Megjegyzés:
Lehetetlen esemény Üres halmaz A 2.1. pontban a véletlen esem ény definícióját követő második m egjegyzésben em lítettük, ha H
Az A esemény ellentétes eseménye Az A halmaz komplementer halmaza végtelen számosságú, akkor nem biztos, hogy minden részhalmaz esemény. Ennek az a feltétele, hogy
Az A és B esemény összege Az A és B halmaz egyesítése az eseményeken a fenti műveleteket elvégezve eseményt kapjunk eredményül és megszám] áthatóan
Az A és B esemény szorzata Az A és B halmaz metszete végtelen sok esemény Összege és közös része is esemény legyen.
Az A és B esemény különbsége Az A és B halmaz különbsége
Az A esemény maga után vonja Az A halmaz részhalmaza
a B eseményt a B halmaznak
44 45
2.3. Teljes eseményrendszer, összetett események jól megfigyelhető, hogy A, B és C egymást páronként kizárják, összegük pe
dig a biztos esemény. Vagyis a felsorolt események teljes rendszert alkotnak.
b) A magyarkártya-csomagból négy lapot osztunk egy játékosnak. Könnyen be
DEFINÍCIÓ. Egy H eseménytérhe 2 tartozó fi,, B2, .... Bti események (amelyek látható, hogy a következő események teljes rendszert alkotnak:
közül egyik sem lehetetlen esemény) teljes eseményrendszert allcotnak, A ) - a kiosztott lapok között nincs hetes;
ha A 2 = a kiosztott lapok között egy hetes van;
a) egymást páronként Hzáró események,
Ai = a kiosztott lapok között két hetes van;
b) összegük a biztos esemény.
M ás szóval, ha A 4 = a kiosztott lapok között három hetes van;
a) B , r \ B j = 0 ( i * j és i, j = 1, 2 , ..., n). As = a kiosztott lapok mindegyike hetes.
b) f l , u 5 , u . c) Vegyük a 2.4. példa kétszemélyes társasjátékát, tehát figyeljük meg a soron
következő játékos két kockával végzett dobásának összegét! Tekintsük Al
A teljes eseményrendszert alkotó eseményeket az a) és b) feltétel alapján úgy is
eseménynek, hogy a dobásösszeg 2, A2 eseménynek, hogy a dobásösszeg
jellemezhetjük, hogy közülük egy és csak egy mindig bekövetkezik.
Az ellentétes események teljes eseményrendszert alkotnak, hiszen 3, Ai eseménynek, hogy a dobásösszeg 4, ... A tl eseménynek, hogy a
dobásösszeg 12. Mivel a dobásösszeg a 2 és 12 közé eső pozitív egész
A n A =0 és A<J A - H . számok mindegyike lehet, a fenti 11 esemény rövid gondolkodással belát
Nyilvánvaló az is, hogy a H eseménytér elemi eseményei (a H eseménytér hatóan valóban teljes rendszert alkot.
egyelemü részhalmazai) szintén teljes rendszert alkotnak, ha véges sokan vannak, d) Az előző játékban a nyereség meghatározása miatt a szereplőknek csak bizo
hiszen nyos csoportosításban fontosak a kapott eredmények. Legyen A l esemény,
a) egymást páronként kizárják,
hogy a dobásösszeg legfeljebb 5, A2, hogy 5-nél nagyobb, de legfeljebb
b) összegük a biztos esemény.
10, Ai pedig, hogy legalább 11. Ahogy a c) pontban, a dobásösszeg a 2
Megjegyzés: és 1 2 közé eső pozitív egész számok mindegyike lehet, a fenti három ese
A teljes esem ényrendszer fogalmát megszámlál hatóan végtelen sok eseményre is kiterjeszthetjük.
mény szintén teljes rendszert alkot.
A megszámlálhatóan végtelen sok eseményből álló B}, B2, . . . esem ényrendszert tel
jes esemény rendszernek nevezzük, ha az e) A 2.1. példában már említett orvosi rendelőben történő várakozás közben fi
a) Sl n B . = 0 ( Í * j ; i , j = 1,2,...), gyeljük meg az előttünk megvizsgált betegek számát! Legyen az A ese
mény, hogy legfeljebb 2 beteg kerül előttünk sorra, a B, hogy 2-nél
b) Cj B. - t~! többen, de 1 0 -nél kevesebben vannak, és a C, hogy legalább 1 0 -en jutnak
ni
feltételek teljesülnek. be előttünk. Nyilvánvaló, hogy a gyakorlatban a lehetőségek száma véges,
mégsem tudjuk teljes biztonsággal megmondani, milyen felső korláttal dől-
2.13. Példa. gozzunk, tehát ahogy a korábbiakban utaltunk rá, érdemes egy ésszerű felső
Tekintsünk néhány további példát teljes eseményrendszerekre! határt megállapítani. Az, hogy a három esemény megfelel a teljes esemény*
a) A kockadobás kísérletében legyen az A esemény, hogy legfeljebb 3-at do rendszer definíciójának, könnyen belátható.
bunk, a B esemény, hogy a lehető legnagyobb számot dobjuk, C pedig,
hogy dobásunk eredménye 4 vagy 5. Ha ezeket az eseményeket részletez Minden A eseményt felbonthatunk két esemény összegére a következő módon:
ve, számhalmazok formájában felírjuk:
A = A kj A , illetve A=Au0.
^ = {1,2,3}; 5 = {6}; £ = {4,5};
Ezt a felbontást triviális (nem valódi) felbontásnak nevezzük.
46 47
DEFINÍCIÓ, Egy eseményt összetett esem énynek nevezünk, ha előállítható - a tri Az A esemény összetett esemény, hiszen megvalósulhat úgy,
M EG O LD Á S,
viális felbontástól eltérően - két esemény összegeként. hogy mindkét kockával 3-ast dobunk, vagy ha egyikkel l-est, a másikkal 5-öst
dobunk, ami szintén összetett esemény, hiszen dobhatunk az első kockával 5-
Az összetett esemény az eseménytér olyan részhalmaza, amely egynél több ele öst, a másodikkal l-est. A dobásösszeg akkor is 6 , ha egyik kockával 2-est, a
met tartalmaz. Az elemi esemény az eseménytér egyelemü részhalmaza, ezért csak másikkal 4-est dobunk, és megfordítva. Vagyis, az A eseményt a 2.1, példa
triviális felbontása létezik. Az összetett események többféleképpen is létrejöhetnek, c) részének megfelelően az (1 ; 5 ) , (5 ; 1), (2 ; 4 ), (4 ; 2 ) , (3 ; 3) rendezett
az elemi események viszont csak egyféleképpen valósulhatnak meg. párok mint elemi események mindegyike megvalósítja.
Nem nehéz belátni, hogy minden összetett esemény előállítható elemi esemé
nyek összegeként, ha az eseménytér véges. M ég az is igaz, hogy ez a felbontás
2.16. Példa.
egyértelmű.
A már jó l ismert társasjátékban ellenfelünk a következő „gáláns” javaslattal áll
A lehetetlen eseményt nem tekintjük sem elemi, sem összetett eseménynek.
elő: ő csak akkor nyer, ha a két kockával dobott számok összege 6, 7, 8 vagy
9, mi pedig minden más esetben ugyanakkora összeget. Vizsgáljuk meg, való
2.14. Példa.
Tekintsük azt a kísérletet, amikor feldobunk egy játékkockát. ban előnyös-e az ajánlat!
A kísérletnek 6 kimenetele van, a kísérlethez tartozó eseménytér pedig
M EG O LD Á S.Első ránézésre tetszetősnek látszik a felkínált lehetőség, hiszen a
H = {l, 2, 3, 4, 5, 6 }. dobott számok nekünk kedvező összege lehet: 2, 3, 4, 5. 10, 11 vagy 12.
Vagyis 7 esetben nekünk áll a zászló, míg ő csak 4 dobásösszeg mellett nyer.
Jelöljük az elemi eseményeket - a H egyelemü részhalmazait - rendre az
Kicsit jobban átgondolva érdemes számba venni az egyes összegekhez tarto
E x, E t , E 3, E 4, E }, E 6 szimbólumokkal, ahol zó, őket mint összetett eseményeket megvalósító elemi eseményeket! Jelölje az
A esemény azt, hogy ellenfelünk nyer. Ez akkor valósul meg, ha az összeg 6,
£,={*} (/ = 1, 2, ... , 6). 7, 8 vagy 9. Milyen elemi események valósítják meg ezeket?
Legyen B az az esemény, hogy párosat dobunk, azaz B = {2, 4, 6}, C Ha a dobott számok összege 6, ezt az eseményt 5 elemi esemény valósítja
meg (1. 2.15. példa). Ehhez hasonlóan számolható össze a többi, ellenfelünknek
pedig az, hogy 4-nél kisebbet dobunk, azaz C = {1, 2, 3}. M indkét esemény
kedvező Összetett eseményhez tartozó elemi események száma.
összetett esemény, hiszen mindegyik előállítható elemi események összegeként: Ha a dobott számok Összege 7, ezt az eseményt 6 elemi esemény valósítja meg.
B = {2, 4 , 6 } = { 2 } u { 4 } u { 6 } = £ 2 u £ , u £ 6, Ha a dobott számok összege 8, ezt az eseményt 5 elemi esemény valósítja meg.
Ha a dobott számok összege 9, ezt az eseményt 4 elemi esemény valósítja meg.
C = {l, 2, 3} = {l j u { 2 } u { 3 } = E, u £ 2 \j E %.
Tehát játékostársunk összesen 20 elemi esemény bekövetkezésekor kerül
Kombinatorikai eszközökkel egyszerűen kiszámítható, hogy a kockadobás nyerő pozícióba.
kísérletnél összesen 26 = 64 különböző eseményt állíthatunk elő.
Nézzük most saját nyerési esélyeinket! Már a 2.1. példa c) részében össze
számláltuk a lehetséges elemi eseményeket, tudjuk, ezek száma: 36. Mivel a
Általánosan is igaz, hogy egy n elemi eseményt tartalmazó H eseménytéren
szereplő összetett események egymást kizárják, összegük viszont a biztos ese
összesen 2" eseményt értelmezhetünk, és ebből az összetett események száma
mény, vagyis teljes eseményrendszert alkotnak, a mi nyerésünket eredményező
2 "-n-l. elemi események száma; 16. Erről könnyen meggyőződhetünk, ha az előzőhöz
hasonlóan megnézzük, hány elemi esemény valósítja meg a 2, 3 stb. dobás-
2.15. Példa. összegeket.
A 2.4. példában ismertetett kétszemélyes társasjátékban a játékosok két kockával A kissé talán aprólékos számolgatás után kiderül, hogy az ajánlat csak első
dobnak, és a dobott számok összegét figyelik meg. Jelölje A azt az eseményt, ránézésre lesz számunkra kedvező, és valójában ellenfelünk nyerési esélyei na
hogy az éppen soron következő dobásösszege: 6. Összetett esemény-e az A? gyobbak.
48
3. A VALÓSZÍNŰSÉGSZÁMÍTÁS ELEMEI A relatív gyakoriság viszonylagos stabilitása figyelhető meg a következő egy
szerű kísérlet sorozatnál, amiről bárki maga is meggyőződhet. Dobjunk fél egy sza
bályos pénzérmét 100-szor egymás után. Legyen az A esemény az, hogy „fejet”
dobunk. Figyeljük meg az A esemény relatív gyakoriságának alakulását. Például a
következő dobássorozatot kaphatjuk ötösével csoportosítva:
50 51
3.2. A valószínűség axiómái, tételek
52 53
tehát a relatív gyakoriságok Összeadódnak. így két egymást kizáró A és B esemény p{A) függvényérték az A t z H esemény valószínűsége. E függvénynek az axió
re fenn kell állnia a
mákban előírt tulajdonságokkal kell rendelkeznie.
P { A u B) = P( A) +P( B)
D EFINÍCIÓ . Ha egy H esemény tér eseményeinek a halmazán értelmeztünk való
összefüggésnek. színűséget, akkor ezt a halmazt valószínűségi m ezőnek nevezzük. A to
vábbiakban ÍV-vei jelöljük.
A valószíníiségszámitás axiómarendszerének megalkotásához több tapasztalati
alapra nincs is szükségünk. Szokás a (H , W ) jelölés is. Az események a H eseménytér részhalmazai. A W-nek
Foglaljuk össze eddigi megállapításainkat, amelyek egyúttal a valószínűség
viszont ezek a részhalmazok az elemei, és mindegyikhez tartozik egy valószínűség.
számítás matematikai elméletének alapfeltevései, más szóval axiómái, amelyek
Axiómarendszerünkből kiindulva néhány olyan tételt ismerünk meg, amelyek
Kol mogorovtól származnak.
lehetővé teszik, hogy adott valószínűségű események alapján, velük valamilyen
I. AXIÓMA: Legyen adott egy véletlen kísérlethez tartozó H eseménytér. Minden módon összefüggő események valószínűségét meghatározhassuk.
A <zH eseményhez hozzárendelünk egy P{A) nemnegatív valós szá Tegyük fel, hogy A és B a H-hoz tartozó események, illetve a W valószínű
mot, az A esemény valószínűségét. ségi mező elemei.
54 55
3.2. TÉTEL. H a az Alt Á^, An események teljes eseményrendszert alkotnak, Innen
akkor
/>Ő4 r \ B ) = P (5 ) - n B).
P( A]) + P{A2) + , . . + P K ) = l.
Ez utóbbit a (3.2) összefüggésbe helyettesítve
Bizonyítás. Feltevésünk, szerint P(A u B ) = P(A) + P(B) - P(A n B ).
és Aj r \ A J = 0 , ha i ^ j (i, j = 1, 2, ..., ji),
3,4. TÉTEL, //a az A esemény maga után vonja a B eseményt, azaz A d B fen n
továbbá a II. axióma szerint P( H) - 1, így (3.1) alapján áll, akkor
P ( H) = P ( A , u A l u . . . u A n) = P( A ,) + P{A2) + . . . + • P{Am), P( B \ A) = P(B) - P{A) .
ebből
Bizonyítás. Ha ^ c f i , altkor
P( A]) + P( A2) + . . . +P ( A . ) = 1.
B =A u (B n l)^A u (B \A )
3 .3 . TÉTEL. Ha A és B két tetszőleges esemény , akkor annak a valószínűsége, és
hogy közülük legalább az egyik bekövetkezik,
/4n(5\/í) = 0 (14. ábra).
P(A u S ) = P(Á) + P(B) - P( A n B).
Ezért a III. axióma szerint:
Bizonyítás. Az A u B esemény előállítható két egymást P(B)^P(A) + P(B\A)
kizáró esemény összegeként, azaz (3.2. ábra)
és
A uB = Au(AnB) P (B \A ) = P ( B ) - P ( A ) .
es
Megjegyzések;
A n ( Á n B ) = 0. 1. A tétel következményeként adódik:
Ha az A esemény maga után vonja a B eseményt, azaz A ez B, akkor
Ezért a III. axióma szerint
P( A) <P( B) .
P( A u B ) = P(A) + P( Á n B). (3.2)
Ezt az állítást az I. axióma alapján felírható
A B esemény is előállítható két egymást kizáró esemény P(B \ A) = P(B) - P(A) £ 0
összegeként, azaz (3.3. ábra)
egyenlőtlenségből kapjuk.
B =( A n B ) u (Á n B ) Mivel minden A eseményre A a H , így P(Á) < P ( H ) - I. Ezért volt szük
es ségtelen, hogy az I. axióma a P(A) < 1 állítást tartalmazza.
2, Könnyen belátható, hogy tetszőleges A és B eseményekre a következő össze
( A n B ) n ( A n B ) =0. függés igaz:
Ismét a III. axióma alapján P(B\A) =P (B )-P (B nA ).
P(B) = P( A n í ) + P( A n B).
56 57
3.3. Klasszikus valószínűségi mező A tétel állítása szerint ezek az elemi események egyenlően valószínűek, azaz
P{E x) ^ P ( E 2) = ... = P( E, ) .
DEFINÍCIÓ. Abban az esetben, amikor egy W valószínűségi mező elemi eseményei síivel azonban
nek száma véges, és azok valószínűsége egyenlő, klasszikus valószínű-*
E t u E 2 u ,.. u E n = H ,
ségi mezőről beszélünk.
és a II. axióma szerint P{H) —i , ezért
3.5. T é te l, Legyen W egy klasszikus valószínűségi mező. Elemi eseményeinek
száma legyen n. Ha egy A ^ W esemény pontosan k elemi esemény P (E l u £ 2 u . . . u £ „ ) = L
összegeként írható fel, akkor
A III. axiómánál említett (3,1) összefüggés szerint
P (A ) = - P (£ , u Ei v j...u E ii) ^ P ( E 1) + P( E2)+ ... + P (E n) ,
n
igy
A szakirodalomban szokásos az A eseményt előállító elemi eseményeket - az
A bekövetkezése szempontjából - kedvező elemi eseményeknek nevezni. Ennek
P( Et) = - (i = l, 2, n).
megfelelően a tétel alábbi megfogalmazása is használatos: n
________ kedvező elemi események száma_______ Tekintsük ezután a W valószínűségi mező egy tetszőleges A eseményét, ame
lehetséges (vagy összes) elemi események száma lyet k darab elemi esemény összegeként állíthatunk elő.
Az elemi események sorszámozását végezzük úgy, hogy az A eseményt az első
Ez a tétel képezte az ún. klasszikus valószmöségszámítás alapját. A közölt kép k darab elemi esemény összege adja:
letet klasszikus képletnek is szokás nevezni. A valószínűségszámítás története
folyamán, hosszú időn keresztül csak olyan eseménytereket használtak, amelyelméi A = El kjE 2 u , , , u E k,
véges számú elemi esemény fordul elő és ezek mindegyike egyenlően valószínű.
Ez érthető is, hiszen a szerencsejátékoknál (pénzfeldobás, kockadobás, golyók hú így
zása urnából, m lett-, kártya- és sorsjátékok stb.) - amelyek a valószínűségszámítás P(A) = P ( E t u £ 2 u . . . u £ J = P ( E {) + P( E2) + . . . + P( Ek) =
kiindulási problémáit alkották - valóban elvégezhető ily módon a valószínűségek
meghatározása. Távolról sem állíthatjuk azonban, hogy a klasszikus valószínűség - & J_ ~ ! í
számítási módszereknek csupán történelmi jelentősége és érdekessége lenne. Na n n
gyon sok jelentős fizikai, technikai, gazdasági és más, az életben fellépő problémát
3.1. Példa.
lehet eredményesen modellezni az említett szerencsejátékokkal, azaz a klasszikus,
Egy kockát kétszer egymás után feldobunk. Mekkora annak a valószínűsége,
valószínűségszámítás feltevéseivel. A matematikai statisztika sem nélkülözheti a
hogy
klasszikus valószínűségelméleti módszereket. Ezért a valószínűségek klasszikus
a) mindkét dobásnál azonos pontszámot kapunk;
kiszámítási módszereivel a következőkben részletesebben foglalkozunk.
b) különböző pontszámot kapunk;
Ezután térjünk rá a 3,5. tétel bizonyítására. c) a pontszámok összege 9;
d) a pontszámok összege 10;
Bizonyítás. Legyen az eseménytér elemi eseményeinek száma n. Az egyszerűbb
e) a pontszámok összege legfeljebb 10?
tárgyalásmód érdekében a ' H eseménytér elemi eseményeit a következőképpen
jelöljük:
MEGOLDÁS, Az elemi események az 1, 2, 3, 4, 5, ó számokból alkotott ren
E\> E2, ... , En. dezett számpárok:
58 59
H = {( 1 ; 1), ( 1 ; 2 ), . . . . ( 1 ; 6 ), (2 ; 1), (6 : 6 ) } , amiből
ahol pl. a (2 ; 3) azt jelenti, hogy elsőre 2-t és másodikra 3-at dobtunk. Az w = 1_ J — Li.
elemi események száma: 6 ■6 = 36. 12 12
a) Jelöljük .4-val azt az eseményt, hogy mindkét dobásnál azonos pontszámot
kapunk, azaz A klasszikus képlet széles köri! alkalmazási lehetőségei tárulnak fel az ún. minta
vételes feladatokban.
^ = {<1;1), (2 ; 2), (3; 3), (4 ; 4), (5 ; 5), ( 6 ; 6 )}. Egy halmazból találomra kihúzott elemek összességét véletlen m in tán a k ne
vezzük. A „találomra” történő húzáson azt értjük, hogy bármely minta kiválasztása
így
egyforma valószínűséggel történik.
Azt az eljárást, amelynek eredményeképpen a véletlen mintát kapjuk, véletlen
36 6 mintavételnek; nevezzük. Két alapvető típusát különböztetjük meg, a visszatevéses
és a visszatevés nélküli mintavételt.
b) A szóban forgó esemény nem más, mint az A esemény ellentétes eseménye,
így
VISSZATEVÉSES MINTAVÉTEL
P(A) = l - P ( A ) = \ - ^ = l .
o 6 Tegyük fel, hogy egy N elemű halmazban, pl. egy N golyót tartalmazó urnában
c) Jelöljük C-vel azt az eseményt, hogy a pontszámok összege 9, azaz M fekete és N - M piros golyó van. Húzzunk ki egymás után találomra n számú
golyót úgy, hogy a kihúzott golyót, miután a színét feljegyeztük, visszadobjuk az
C = {( 3; 6) , ( 6 ; 3), (4 ; 5), (5 ; 4) }. urnába. Határozzuk meg annak a valószínűségét, hogy egy ilyen n húzásból álló
sorozatban a fekete golyók száma k (a többi n - k pedig nyilvánvalóan piros).
A C esemény tehát 4 elemi eseményt tartalmaz és így
Jelöljük a szóban forgó eseményt, hogy ti. a kihúzott n golyó között k fekete
4 van, Ak-val.
P( C) = — .
36 Ha valamilyen módon megkülönböztetjük a golyókat (pl. számozással), altkor
minden húzás Afféleképpen történhet, így a kísérlet lehetséges kimenetelének (az
d) Jelöljük D-vel azt az eseményt, hogy a pontszámok összege 10, azaz
elemi eseményeknek) a száma
D = {(4;6), (6 ; 4), (5 ; 5)}.
N". (3.3)
A D esemény 3 elemi eseményt tartalmaz és így
Az n kísérletből annak a k db kísérletnek a sorszámát, amelyeknél fekete go
lyót húzunk,
P{D)=— .
36
<e) Jelöljük F-fel azt az eseményt, hogy a pontszámok összege legfeljebb 10. (3.4)
\ kJ
Célszerű először az ellentétes esemény valószínűségét kiszámítani. Mivel ez
azt jelenti, hogy a pontszámok összege nagyobb, mint 1 0 , azaz -féleképpen választhatjuk ki. Ha rögzítünk egy ilyen sorrendet, akkor minden olyan
kísérletnél, amikor fekete golyó kerül kiválasztásra, a választás M-féleképpen tör
F = í ( 5 ; 6 ) , ( 6 ; 5), ( 6 ; 6 )},
ténhet. Ilyen kísérlet k db van, ezért a lehetséges esetek száma M k . Hasonló
így képpen, piros golyót egy kísérletnél (//-A /)-féleképpen húzhatok. Az ilyen kísér
letek száma n - k, így a lehetséges esetek száma
— 3 1
p ( F ) = - =- n -k
36 12 (N-M)
60 61
Ezért egy rögzített fekete-piros sorrendnél a kedvező elemi események száma: MINTAVÉTEL VÍSSZATEVÉS NÉLKÜL
M* Tekintsünk ismét egy IV elemű halmazt, pl, egy N golyót tartalmazó urnát, amely
Ha figyelembe vesszük a lehetséges sorrendek (3.4) alatti számát, a kedvező elemi ben M fekete és N —M piros golyó van. Vegyünk ki most is találomra n számú
események száma golyót az urnából, de úgy, hogy egyetlen golyó sem kerülhet többször kiválasztásra.
Ezt ketféle módon valósíthatjuk meg. Az egyik szerint az n golyót egyszerre
emeljük ki az urnából, a másik szerint a golyókat egymás után húzzuk la, de egyiket
M k( N - M ) H-ft
sem tesszük vissza a húzás után. Mindkét eljárást visszatevés nélküli mintavétel
\k; nek nevezik.
így (3.3) alapján Határozzuk meg annak a valószínűségét, hogy az n golyó között a fekete go
lyók száma k (a többi n - k pedig nyilvánvalóan piros)!
P(At ) = (3.5)
V*/ AT Jelöljük a szóban forgó eseményt Ak -val.
(Itt azt tettük fel, hogy mindegyik n elemű visszatevéses minta kiválasztása egy Mivel a fent említett módszerek elvileg különböznek egymástól, vizsgáljuk azt
formán valószínű.) az esetet, amikor az n golyó kivétele egyszerre történik, Ekkor az elemi esemé
nyek száma
Vezessük be a
fN\
M , N~M
p =— es a g =- -------- (3.7)
N N
jelöléseket, ahol p egy fekete golyó, illetve q egy piros golyó húzásának valószí A kérdezett Ai esemény akkor következik be, ha az n golyó között k számú
nűsége. Ekkor (3.5) a következő alakban írható:
(
fekete és n - k számú piros golyó van. A k számú feketét , az n - k számú
p kqa~k (A = 0 , 1 , 2 , n ). (3.6) Kk )
\ kJ rN
Ív -—M
M"'
pirosat n - k I -féleképpen lehet kiválasztani, így az At esemény Összesen
A P(Ak) helyett sokszor csak a Pk szimbólumot használjuk.
A (3.6)-ban közölt képlet általános érvényű minden olyan esetben, amikor az N 'M '
elemű halmaz (alapsokaság) valamilyen tulajdonság szerint két diszjunkt részhal (3.8)
, k j
mazra bontható. Pl. áruátvételnél az áru minősége (selejtes-hibátlan); statisztikai
adatszolgáltatásnál a nem (férfi-nő); stb. módon valósulhat meg.
A keresett valószínűség, figyelembe véve a (3.7)-et és (3.8)-at:
3.2. Példa.
100 termékből, amelyeknek 10%-a selejtes, visszatevéses módszerrel 5 elemű
mintát veszünk. Mekkora annak a valószínűsége, hogy a mintába 2 selejtes keriil? \ n ~ k j
P(A)=' (3.9)
' aO
MEGOLDÁS. A (3.6)-os összefüggést alkalmazzuk. Példánkban p = 0,1, q = 0,9,
n = 5 , k = 2 , tehát
k = 0, 1, .. . , n, rt< min(jW, N - M ) ,
' 5'
Pz = 0,13 0,9 3 = 0,07 29. A P(Ak) helyett a P, szimbólum is használatos.
62 63
(Itt azt tettük fel, hogy minden n elemű vissza te vés nélküli minta kiválasztása 3.4, Példa,
egyformán valószínű.) Tekintsük a 3.2. példát azzal az eltéréssel, hogy most a 100 termékből, ame
Belátható, hogy ugyanezt a valószínűséget kapjuk akkor is, ha az n golyó kivé
lyek között 10% selejtes, visszatevés nélkül veszünk 5 elemű mintát. Kérdés,
tele egymás utáni húzásokkal történik, visszatevés nélkül. (Nem részletezzük.) mekkora a valószínűsége annak, hogy a véletlenszerűen kivett darabok között
2 selejtes lesz?
Ha az M és az N értéke nagy az n-hez képest, akkor a Pk értékek a gyakorlat
számára kielégítő pontossággal közelíthetők a visszatevéses mintavételnél megis MEGOLDÁS: Példánkban M =10; N - M = 9 0 ; k = 2 és n - k = 3 , íígy
mert valószíniíségértékekkel, azaz
10 90
v3.
\ &A n-k 'A i) * 0 , 0 7 0 2 -
(3.10)
N Nj N
\ nJ
3.5. Példa.
Ez abból a megfontolásból is adódik, hogy ilyenkor a kivett minta nem befolyá
solja lényegesen az összetételt. Valamilyen termék átvételekor minőség-ellenőrzést végzünk. Mintavételi tervet
készítünk:
3.3. Példa. Minden 100-as tetelbcíl választunk egy 10 elemű veletlen mintát (visszate
Egy főiskola elsőéves hallgatóinak a száma 600. Ebből 250 fő fiú és 350 lány. vés nélkül), és a 1 0 0 -as tételt átvesszük, ha a mintában legfeljebb egy selejte
a) Az elsőévesek között, mivel tanulmányi átlaguk még nincs, sorsolás alapján set találunk. Egyébként visszautasítjuk.
osztanak szét 20 tandíjmentességet. Mennyi a valószínűsége, hogy közöttük Felmerülhet a kérdés, hogy ezen átvételi terv szigorúsága hogyan függ a se
lejtaránytól?
8 fiú lesz?
b) Az elsőévesek gólyabálján 20 ajándéktárgyat sorsolnak ki úgy, hogy minden
M e g o ld á s . Megválaszolásához az átvétel valószínűsége szükséges. Ehhez vi
húzásnál az összes név közül választanak. Mennyi a valószínűsége, hogy 8 tár
szont ismernünk kellene a tételben levő selejtes darabok arányát, amit jelöljünk
gyat fiú nyer, a többit lány?
p-vel. Az átvétel valószínűsége nyilván a p függvénye.
M egoldás . 'm q '' '100?>
Az a) kérdés esetében a (3.9) képletbe megfelelően behelyettesítve kapjuk: 100/7
P : P ( p ) = , 10 > q = \-p (3,5. ábra).
^250^ ^SO '' /'l 0 0 '' 100
8 12 10J 10
■= 0 , 1 8 0 6 .
'óOO''
,2 0 Az átvétel valószínűsége:
/? = 0,01 esetén 0,996,
A b) kérdés esetében a (3. 6 ) képletet használva:
jt>= 0 , 0 2 esetén 0,984,
^ 2 ° Y 2 5 0 Y / 3 5 0 V2 ^
-0 ,1 7 7 7 .
UooJ UooJ
Tehát, ha a minta elemszáma nagyságrenddel kisebb az alapsokaság elemszá 77 —0,05 esetén már csak 0,914.
mánál, akkor a kétféleképpen kiszámított eredmény jól közelíti egymást.
A számításokat a (3.10)-ben ismertetett közelítéssel végeztük.
64
65
3.4, Feltételes valószínűség, szorzási szabály hogy azon férfi neve szerepel. A 66 szakképzett között 45 a férfi, ezért ez a
valószínűség
B (nem szakképzett) 5 9 14
50 30 80
férfi neve van, P(A) = — = 0,625 ; az pedig, hogy egy szakképzett dolgozó Legyen A és B a H eseménytérhez tartozó két tetszőleges esemény, és
80 P( B) * 0 . Végezzünk n megfigyelést! Jelöíje k A, k g, k AB az A, B és A n B
neve szerepel, P(B) = — = 0,825 . események gyakoriságát. Az A \ B esemény relatív gyakorisága a
80
Hasonló módon nyerjük a következő valószínűséget:
P( A n B ) = — = 0,5625.
80 hányados. Ha a kísérletek száma elég nagy, akkor
Az A n B szimbólum nyilvánvalóan azt ez eseményt jelenti, hogy a kihúzott
kartoték egy szakképzett férfié. ^xP (A nB ) és ^*-* P(B ), ~ P( A IB ) ,
n n kB
Ha tudjuk a kihúzott kartotékról, hogy azon a „szakképzett” jelzés található,
vagyis B bekövetkezett, kérdezhetjük: mekkora lesz annak a valószínűsége,
66 67
MEGOLDÁS, A (3.11) definíció értelmében
P( a 2 1 4 ) = ^ . 4 .D A2)
P(AX)
Mivel P ( 4 n 4 ) - ^ | - és P(As) = — = ^ í j
25-24 25 25*24
(A pb jel itt azt jelenti, hogy a relatív gyakoriság az adott valószínűség körül inga.
így
dozik.)
Ez indokolja az alábbi definíció bevezetését;
69
szállítmányból. Mennyi a valószínűsége, hogy A tételt azért nevezik a teljes valószínűség tételének, mert egy A esemény
a) I. osztályút választunk (A} esemény); valószínűségét (teljes valószínűségét) feltételes valószínűségekből (részvalószínü-
b) II. osztályút választunk (A2 esemény)? ségekből) határozza meg.
A tétel bizonyítására, amely a 3.6. tétel többszöri alkalmazásán alapul, nem térünk lei. MEGOLDÁS, a fehér golyó húzása három egymást kizáró módon jöhet létre. Je
lölje B x, B , , B 3 az első, a második, illetve a harmadik urna választásának ese
ményét. Ekkor a teljes valószínűség tételét alkalmazva
3.5. A teljes valószínűség tétele, a Bayes-tétel, P{A) = P{A | B, )P(B]) + P(A | B2 )P(B2) + P{A | B, ) P( B, ) ,
valószínűségi fa s minthogy
3.8. TÉTEL. Ha a H esemény térhez tartozó Bt, B2, ..., Bn események teljes ese JT O = i / W = i
2 3 6
ményrendszert alkotnak és P{Bk) > 0 (k = 1, 2.......n), akkor bármely, és az első urnából 2/5, a másodikból 4/5, a harmadikból 3/10 valószínűség
a H-hoz tartozó A esemény valószínűsége: gel húzhatunk fehér golyót, azaz
70 71
a kérdezett valószínűség tehát A teljes valószínűség tétele szerint azonban
/>(^) = 1 . 1 + 1 . 1 + J L I = * i * 0,517,
5 2 5 3 10 6 60 I
amit az előző tört nevezőjébe helyettesítve a bizonyítandó tételhez jutunk.
3.10. Példa.
Egy műhelyben három műszakban készítik ugyanazt a2 alkatrészt. Egy napon Ez a tétel azt jelenti, hogy ha ismeijük az A esemény feltételes valószínűségét
az összesen gyártott alkatrészek 40%-a készült az első műszakban, és 30 - 30%-a a Bl, B 1 , . . , , B n teljes eseményrendszer eseményeire vonatkozóan, továbbá ismer
a második, illetve a harmadik műszakban. Az első műszakban elkészült alkat
részek 5%-a, a másodikban gyártottak 7%-a, a harmadikban gyártottak 10%-a tek a Bk események valószínűségei, akkor a Bk (k = \, 2, n) eseményeknek
selejtes. A három műszakban előállított alkatrészek teljes mennyiségéből a mi az A feltételre vonatkozó feltételes valószínűségét ki tudjuk számítani.
nőségi ellenőr találomra kiválaszt egyet és megvizsgálja. Mekkora a valószínű Szokás a P(Bk \ A) valószínűségeket „a posteriori” valószínűségeknek, a P ( B , )
sége annak, hogy ez hibátlan? valószínűségeket pedig „a priori” valószínűségeknek is nevezni. Amennyiben ez
utóbbiak eleve (a priori) ismeretesek, a tétel sok nevezetes probléma megoldására
MEGOLDÁS. Jelölje A a hibátlan alkatrész kiválasztásának eseményét, Bt, B2> használható (1. a 3.9. pontot).
B} pedig azt, hogy az első, második, harmadik műszakban készült a kihúzott
3.11. Példa.
darab. Alkalmazva a teljes valószínűség tételét:
Tekintsük ismét a 3.9. példát, és fordítsuk meg a problémát. Azt kérdezzük,
3
hogy mennyi a valószínűsége annak, hogy a húzás az első urnából történt, ha a
P( A) = £ P ( A | Bk )P{Bk) - 0,95 ■0,4 f- 0,93 ■0,3 + 0,9 ■0,3 = 0,929. húzás eredménye fehér golyó volt,
*=i
MEGOLDÁS, Helyettesítsük be a 3.9. példában kapott értékeket a (3.15) képletbe.
Előfordul, hogy a P(Bk \ A) (1 < k < n ) valószínűségre van szükségünk. Ekkor azt kapjuk, hogy
12
73
Ha egy kísérlet egymás után elvégzett véletlenszerű lépések sorozatára bontható szakképzetteket, annak valószínűsége, hogy a szakképzettek kartotékjai közül egyet
fel, akkor a lehetséges végkimenetelek egy fastruktúra ágainak felel telhetők meg. találomra kiválasztva, azon férfi neve szerepel, más, mint amikor a húzás az összes
Egy ilyen kísérlet jól megjeleníthető egy gráf segítségével, amelynek az ágaira kartoték közül történik, azaz
felvehetjük a lehetséges elemi eseményeket és á hozzájuk tartozó valószínűségeket.
A kezdőpontból kiindulva ágak sorozatán keresztül juthatunk el valamely végpont P(A | B) * P (A ) .
hoz, amelynek során a feladat egy lehetséges megoldását olvashatjuk ki. A tekintett
Azt mondhatjuk, hogy az adott esetben a nem és a szakképzettség egymástól
megoldás valószínűségét pedig a szorzási szabály segítségével kapjuk meg. nem független tulajdonságok.
A 3.6. ábrán ábrázoltuk a 3.9. példa valószínűségi fa struktúráját és az elemi
Más azonban a helyzet, ha a kérdéses 80 dolgozó adatai történetesen így ala
események valószínűségeit. kulnak:
A : fehér i v 1 2 2
p ( b. ^ a ) = ----- = — A (férfi) A (no)
S : í. urna v ' 2 5 10
B (szakképzett) 45 27 72
7 (5 4 " A : fekete í 1 3 3 B {nem szakképzett)
PÍB, n ,^ ) = ----- = — 5 3 8
2 5 10
^ )-l 50 30 80
A :fehér_ / \ 1 4 4
P { B , n A } = ------------
v J 3 5 15 Most ugyanis
A : fekete ( - v i l i
W ő 7 r w ) = ----------- ----
V ' 3 5 15 0,625 ■
A : fehér
B ; 3, urna
és
v ' 6 10 60
^ ) =i A : fekete , 1 7 7
P ( S . n , A ) = --------- — = 0,625,
6 10 60
tehát
3.6. ábra
P(A | B) = P ( A ) .
74
75
Bizonyítás. Bizonyítsuk be pl. azt, hogy az A és B függetlenek
P( A) P( Á) Mivel A - ( A r < B ) ^ J { A n B ) és ( A n B ) n ( A r \ B ) = 0 , így
P(A) = P ( A n B ) + P ( A n B ) .
feltéve, hogy P( A) > 0, azaz
Ebb&
P( B | A) = P( B) , P(AnB)=P{A)-P(AnB).
76 77
3.14. Példa. 3.7. Bernoulli-kísérletsorozat
Az előző példában szereplő két kockával kapcsolatos kísérletünkben legyen most
az A, B és C esem ény a következő:
A függetlenséget eddig olyan eseményekre definiáltuk, amelyek mindegyike ugyan
A esemény: a piros kockával legfeljebb 3-ast dobunk,
azon eseménytérhez tartozott, más szóval olyan eseményekre, amelyek mindegyike
B esemény: a fekete kockával legalább 5 -öst dobunk,
ugyanazon kísérlettel volt kapcsolatos.
C esemény: a pontszámok összege 4, 5, 6 vagy 7.
Most egy új, az eddigieknél általánosabb fogalmat, a független kísérletek fogal
Vizsgáljuk itt is a függetlenségeket! mát vezetjük be.
Ha egy kísérletet ugyanolyan körülmények között többször megismétlőnk (is-
M eg o ld á s.
metélt kísérletek), akkor a megismételt kísérletek kimenetelei nem befolyásolják
egymást. Ha tehát az első kísérlet eredménye egy A esemény, akkor ettől független
™ = ÍK - ^ 1 4 az, hogy ismétléskor mi következik be. Pl. a többször ismételt kockadobás, érme-
dobás stb.
P{A n B n C) = ~ ± = P{A) P{B) P( C) . Ugyancsak független kísérletekről beszélhetünk akkor is, ha több kísérletet vég
36 12
zünk egyszerre (többszörös kísérletek), és az egyes kísérletek kimenetelei nincse
Nézzük a páronkénti függetlenséget! nek egymásra semmiféle befolyással. Pl. egy játékkockát és egy pénzdarabot do
bunk fei egyszerre.
P { A n B ) = — = ~ = P{A)P{B), Amikor tehát egymástól függetlenül végrehajtott kíséri etekről beszélünk, akkor
36 o ezzel arra utalunk, hogy a kísérletek között semmiféle kapcsolat nincs. Ez nem ma
P { A r > 0 = % =\*P{A)P{C), tematikai fogalom, de gyakorlati szempontból mégis félreérthetetlen jelentése van.
36 3
Tekintsünk két, egymástól függetlenül végrehajtott kísérletet. Legyen Ax az el
p ( ^ c ) 43 6 4 12 í W ( C ) ' ső, A, pedig a második kísérlettel kapcsolatos esemény. Az első kísérlettel kapcso
latos eseményteret H x, a másodikkal kapcsolatos eseményteret H z szimbólummal
Látható, hogy sem az A, sem a B nem független a C-töl.
jelölve, nyilvánvaló, hogy az első kísérletnél bekövetkező A, esemény a H l , míg a
A P { A n B r \ C ) = P( A) P(B)P(C) egyenlőség teljesüléséből tehát általában nem másodiknál bekövetkező esemény a H l eseménytér részhalmaza, azaz
következik a páronkénti függetlenség. A t c H, és A2 c H l .
D EFINÍCIÓ . Egy H eseménytérhez tartozó A, B és C eseményt függetleneknek A két kísérletet egyesítsük egy olyan kísérletté, amelynek lehetséges kimene
nevezzük ha a következő összefüggések mindegyike teljesül: telei a H, és H 7 elemeiből alkotott rendezett párok.
P(AnB)^P{A)P(B), így már tudjuk vizsgálni az At és A2 események együttes bekövetkezésének
P ( A n C ) = P(A)P(C), valószínűségét, vagyis meghatározhatjuk a P(A, illetve azt, hogy a
P ( B n C ) = P(B)P(C), P(Aj r \ A^) = P i A ^ P i A f ] egyenlőség fennáll-e.
P(A n B r \ C ) = P( A) P( B) P{C) .
3.15. Példa.
Ekkor a három eseményt teljesen függetlennek is szokás nevezni, megkülön Dobjunk fel egy játékkockát és egy pénzdarabot egyszerre.
böztetvén a páronkénti függetlenségtől. a) írjuk fel a kísérlethez tartozó eseménytér pontjait!
b) Legyen A l az az esemény, hogy a játékkockán páros pontszám, A 2 pedig az,
78 79
hogy a pénzdarabon írás kerül felülre. Állítsuk elő az A, r í Az eseményt! elsőnél az A,, a másodiknál az ...... az n-edi lenéi az An esemény
c) Számítsuk ki a P(Axr \ A 1) valószínűséget! következik be, egyenlő az egyes valószínűségek szorzatával, azaz
P( Al n A 2 n . . . n A J = P(A,)P(A,) ... P ( A J (3.18)
MEGOLDÁS, Most arról van szó, hogy egyidejűleg két kísérletet hajtunk végre.
minden A,, Al , An esetén, akkor a kísérleteket független kísérle
A kockadobáshoz a //, = {1, 2, 3, 4, 5, 6 } eseménytér, a pénzdobáshoz a
teknek nevezzük.
H 2 = {í ; / } esemény tér tartozik.
a) A két kísérletet egyszerre végrehajtva az un. egyesített kísérlet eseménytere A 3.3. részben már tárgyaltunk olyan példákat, amelyek valójában független kí
a H, x H 2 Descartes-szorzat iesz. sérletek együttes végrehajtásából álltak, de ezeket kénytelenek voltunk egy kísér
letnek tekinteni, mert még nem ismertük a független kísérlet fogalmát.
f f , x / / a = { ( l ; / ) , (2 ; / ) , ( 6 ; / ) , ( 1 ; / ) , (2 ; / ) , .... ( 6 ; / ) } .
3.16. Példa.
Az egyesített kísérletnek 12 kimenetele van.
Független kísérletsorozat esetén mekkora a valószínűsége annak, hogy egy koc
b) Mivel Al ={2, 4, 6 } és Ai = { i } > így kát rc-szer feldobva, valamennyi dobás 6 -os?
Ai r \ A 2 = {(2 ; i), (4 ; í), (6 ; /)}.
MEGOLDÁS, A (3.18) képlet alapján ez a valószínűség — . A 3.3. részben
c) Tegyük fel, hogy minden pár bekövetkezése egyformán valószínű. Mivel az íí-
A, c\ Al esemény szempontjából a kedvező elemi események száma 3 és a ezt úgy oldottuk meg, hogy meghatároztuk az összes lehetséges elemi esemé
összes elemi eseményének száma 12, így nyek számát, mégpedig az n egymás utáni dobást egy kísérletnek tekintve. Ez
hat elem íi-edosztályú variációinak száma, 6 ", és közülük csak egy olyan van,
ahol minden dobás 6 -os.
P (A t n A 2) = - = - = = P(Ay)P(A2).
12 4 6 2
A független kísérletek vizsgálata során, kiemelt fontossága miatt részletesen ki
Hasonló összefüggés igazolható H ,, illetve H 2 tetszőleges eseményére. Ezek térünk az ún. Bemoulli-kísérletsorozatokra,
Függetlenül megismételt kísérletek sorozatát Bernoulli-kísérlet sorozatnak ne
után, ha bármely A, cr H, és A 2 ez / / , eseményre
vezzük, ha az egyes kísérleteknek két lehetséges kimenetelét vizsgáljuk, valamely
P( Al n A 7) = P( Al) P(A2), A eseményt, illetve annak komplementerét ( A ) . Az A és az A valószínűsége a
kíséri etsorozat során változatlan marad.
akkor joggal mondhatjuk azt, hogy a H t eseménytérhez tartozó kísérlet és a H 2
Tekintsünk egy kísérletet, amelyben egy A esemény bekövetkezésének való
esemény térhez tartozó kísérlet független egymástól. színűsége p, be nem következésének valószínűsége nyilvánvalóan l ~ p = q . Vé
gezzük el a kísérletet azonos körülmények között egymástól függetlenül n-szer
E példa következtetései az alábbi definícióban általánosíthatók.
egymás után. Ekkor annak a valószínűsége, hogy az első k kísérletben az A ese
D EFINÍCIÓ . Tekintsünk n számú kísérletet. Ha az első kísérletnél egy tetszőleges mény, valamennyi további n - k kísérletben pedig az A esemény következik be, a
A| esemény előfordulásának valószínűsége P (A t), a második kísér független kísérletekre vonatkozó (3.18) összefüggés értelmében
letnél egy tetszőleges A? esemény előfordulásának valószínűsége P(Ar>An...nAn Ar)An...nA) =
P{Al ), ..., az n-edik kísérletnél egy tetszőleges An esemény előfor * " ' 7^~k 1
dulásának valószínűsége P(Ait), és annak a valószínűsége, hogy az = P( A) Pi A) ... P( A) P(A)P(A) . ..P (A ) = p kq "-k .
'----------- ■,----------- ''-----------v-----------'
k tt-k
80 81
Nyilvánvaló azonban, hogy ugyanezt az eredményt kapjuk, ha azt kérdezzük,
3.8. Geometriai valószínűség
hogy a fenti kísérletsorozat valamely másik k kísérletében az A esemény, a töb
biben pedig az A esemény következik-e be. Mivel az n hosszúságú kísérletsoro
Sok valószínűségszámítási probléma megoldásánál a valószínűség meghatározását
zatban a k számú A esemény -féleképpen helyezkedhet el, kimondhatjuk a geometriai alakzatok mértékeinek meghatározására vezetjük vissza. Az eseményte-
\kJ
ret egy geometriai alakzattal reprezentáljuk, pl. szakasz, görbeív, síkidom stb.
következő tételt: M értéken a geometriai alakzat hosszát, ívhosszát, területét stb. értjük. Az elemi
események a szóban forgó alakzat pontjai. Például egy pontszerű objektumnak egy
3 .1 1 . TÉTEL. Annak a valószínűsége, hogy függetlenül megismételt kísérletek n
R sugarú, körlap alakú lemezre történő becsapódásaitól' a kísérlet kimeneteleként a
hosszúságú sorozatában az A esemény pontosan k-szor következik be.
körlap egy pontja tekinthető.
jt II~k (3.19)
P <? - DEFINÍCIÓ. Ha feltehető, hogy egy geometriai alakzattal megadott H esemény
\ ky
térben annak valószínűsége, hogy egy véletlen pont az A c # résztar
ahol tományba esik, arányos az A tartomány mértékével (amennyiben ez
p = P( A) és q = \ - p = P( A) . létezik), geometriai valószínűségről beszélünk.
3.18. Példa.
A 3.3. részben tárgyalt visszatevéses mintavételi modellnél ugyanerre az ered
Az R sugarú céltáblára lövéseket adunk le. Tekintsük biztos eseménynek azt,
ményre jutottunk, hiszen a kivett mintát visszatéve a kísérletek egymástól függet
hogy a céltáblát eltaláljuk. Jelöljük A -val azt az eseményt, hogy a középpont
lennek tekinthetők.
körül egy r < R sugarú körön belül esik találatunk. Tegyük fel, hogy geometriai
valószínűségről van szó, azaz
3.17. Példa.
Egy kockát feldobunk «-szer. Legyen az A esemény az, hogy egy dobásnál P( A) = A r 1 7r (r < R ),
4-nél nagyobb pontszámot kapunk. Mennyi a valószínűsége annak, hogy az n
dobás között pontosan k-szór kapunk 4-nél nagyobb pontszámot? ahol X egy arányossági tényező. Ez a következőképpen határozható meg:
Jelöljük H-val a teljes céltáblára esés eseményét, azaz a biztos eseményt.
MEGOLDÁS. Azonnal látható, hogy BemouIIi-kísérletsorozatról van szó. A kér Ekkor
déses valószínűség tehát a (3.19) képlet szerint
\ = P ( H ) = X R Jn,
n -k
V f a V f '4 ' OY 2
ahonnan
—
—
U J ^6,
—
ok j 3; U
mivel R 2n
P(A)=~. és így
6
Li
r 'f f | r
P(A) =
R 2x IR
82 83
hogy az egyes tartományokra esés valószínűsége arányos az illető tartomány terüle A játékos mond egy arányt, ami az ő fogadási hányadosa, q. A játékvezető en
tével, azaz n ekismeretében tesz egy tétet: S. A játékos qS összeget fizet azért, hogy játszhas
az A tartomány területe son az esemény kimenetétől függetlenül. Míg ha az esemény tényegesen bekövet
a H tartomány területe kezik, akkor a játékvezető S összeget fizet a játékosnak.
Az előző értelmezés illusztrálására tekintsük a következő egyszerű példát.
Meggondolásaink nemcsak síkbeli, hanem egyenes- és térbeli tartományokra is
érvényesek. így például annak a valószínűsége, hogy egy egységnyi hosszúságú 3.19. Példa.
szakaszt 1 0 egyenlő részre osztva egy véletlenszerűen ráhelyezett pont az egyik Vizsgáljuk meg, hogy mit jelent a következő kijelentés: szerintem 70% annak a
1 / 1 0 hosszúságú szakaszra esik, geometriai valószínűséget feltételezve 1 / 1 0 . valószínűsége, hogy holnap esni fog.
MEGOLDÁS. Ebben az esetben 0,7 a hit foka arra vonatkozóan, hogy holnap
esni fog, vagyis a fogadási hányados # = 0,7. A játékvezető ennek ismeretében
3,9. Szubjektív valószínűség S = 100 Ft tétet tesz fel. így én 70 Ft-ot vagyok hajlandó fizetni azért a játé
kért, hogy nyerek 100 Ft-ot, ha tényleg esni fog és elveszítem a 70 Ft-ot, ha
nem esik.
A valószínűség, a korábbi értelmezés szerint, az a szám, amely körül a relatív gya
koriság statisztikai ingadozást végez, a relatív gyakoriságok sztochasztikus határér Ramsey és de Finetti tehát az egyén hiteinek mérését azzal a racionális fogadás
téke, amennyiben feltételezzük a kísérlet tetszőleges számú megismételhetőségét. sal kapcsolja össze, amibe az egyén hajlandó belemenni, így az esély, aminél haj
M it tehetünk azonban az olyan köznyelvben használt ítéletekkel, hogy 80% a landófogadni az egyén, határozza meg a valószínűséget.
valószínűsége annak, hogy holnap esni fog az eső, vagy valószínűleg Kati keresett.
A gazdasági életben is nagyon sokszor kell feltennünk a következő vagy hasonló Megjegyzés:
kérdéseket: M ennyire valószínű, hogy egy új termék elér egy adott piaci részese A valószínűség szubjektív értelmezésében de Finetti odáig megy, hogy azi állítja, hogy az olyan ese
dést? A várható kereslet gyenge, közepes vagy erős lesz egy új term ék esetén? mények valószínűsége, mint a pénzfeldobás sem lehetnek az egyének hiteitől független létezők, így
Ezek a kérdések olyan eseményekre vonatkoznak, amelyek nem rendelkeznek az szerinte a valószínűséget objektívnek tekinteni téves felfogás. Ez az értelmezés komoly vitákat váltott
ki. De Finetti felfogásában főleg az objektív valószínűség létezésének megkérdőjelezését kifogásol
akárhányszor ismételhetőség tulajdonságával így a korábban értelmezett valószí
ták. A valószínűség körüli vitákat még ma sem lekinthetjük lezártnak. Mi azonban arra a napjainkban
nűség-fogalom nem használható. Ebben a pontban megismerkedünk a bizonytalan legelfogadottabb álláspontra helyezkedünk, amelyik a valószínűség kétféle értelm ezését (szubjektív,
ság körülményei közötti gazdasági döntésekben alkalmazható új valószínűség- objektív) együtt használja.
fogalommal, az úgynevezett szubjektív valószínűséggel, majd vizsgáljuk a bizony
talanság, a szubjektív valószínűség és a Bayes-tétel kapcsolódását. Tekintsük a már említett „valószínűleg Kati keresett” példát. Ebben az esetben
nem egy esemény valószínűségéről van szó, hanem egy tényállást, egy helyzetet
A SZUBJEKTÍV VALÓSZÍNŰSÉG ÉRTELMEZÉSE értékelünk a megérzéseink alapján. A tényállást, helyzetet, amelyről tudni akarjuk,
hogy igaz vagy hamis, állapotnak nevezzük a továbbiakban. Ha vizsgáljuk a szóba
Objektívnek tekintünk valamit, ha az a tudatunktól függetlenül létezik. Ilyen érte jöhető telefonálók halmazát, akkor az a tényállás, hogy „Kati telefonált” egy lehet
lemben az objektivitás a külvilág attribútuma. Az eddigiekben értelmezett valószí séges állapot a szóba jöhetők közül. Az /-edik állapotot a jövőben 9, szimbólum
nűség is a külvilág, egy kísérlet tudatunktól függetlenül létező tulajdonsága, ezért mal jelöljük. A P{9t) egy lehetséges állapot valószínűsége, ami azt fejezi ki, hogy
kapta az objektív valószínűség elnevezést.
az ítéletet mondó mennyire bizonyos, illetve bizonytalan abban, hogy Kati volt a
A valószínűség szubjektív értelmezése először F. P. Ramsey (1926), majd B.
telefonáló.
de Finetti (1937) munkásságában jelenik meg egy esemény bekövetkezésébe ve
tett hit fokának a mértékeként. Ok ezt a valószínűségi m értéket egy fogadási Ezekben az esetekben a valószínűség nem a véletlen kísérlettel függ össze, ha
helyzettel definiálják. A fogadási helyzet során a játékos, akinek egy esemény be nem a bizonytalanság egy kifejezéseként használjuk. Amikor nem tudjuk megálla
következésére vonatkozó hitét méljük, fogad a „játékvezetővel” . A fogadási helyzet pítani, hogy egy esemény (állapot) igaz vagy hamis, akkor csak annyit mondunk,
a következő: hogy lehetséges vagy valószínű. A különböző állapotoknak különböző valószínű
84 85
ségi szintje lehet, ami attól függ, hogy mi azt gondoljuk, hogy az a valószínűbb, A fenti értelmezések a szubjektív valószínűség operatív definícióját adják. A szak-
hogy igaz, vagy az, hogy nem. irodalomban ez a megközelítés nem egyedi. Például a fizikában az elektromos me
Az 1 valószínűség azt jelenti, hogy abszolút biztosak vagyunk, hogy igaz. A 0 zőt is hasonlóképpen definiálják.
valószínűség esetén is abszolút biztosak vagyunk, de abban, hogy nem igaz a tény
A valószínüségszámítás axiomatikus felépítése Kolmogorov nevéhez fűződik,
állás. A 0,5 valószínűség jelenti azt, hogy abszolút bizonytalanok vagyunk, hogy
amelynek alapján a valószínűség formális definíciója alatt azt a valós számot ért
fennáll-e az állapot, vagy nem. jük, amely a valószínűségi axiómáknak eleget tesz.
Az ún. koherencia feltételezésével az is kimutatható, hogy a fent értelmezett
A szubjektív valószínűség D. Wickmann (1990) által megfogalmazott értelme-
szubjektív valószínűségek eleget tesznek a valószínűség axiómáinak (C, Howson,
zése a következő: A szubjektív valószínűség a szubjektumnak egy adott állapot
P. Urbach, 1989 és D. Gillies, 2000). A koherenciafeltételek azt jelentik, hogy le
megítélésére vonatkozó bizonyossági foka.
hetetlen létrehozni olyan fogadássorozatot azzal a személlyel szemben, aki követi a
koherencia feltételeit, hogy ez a személy biztosan veszítsen, függetlenül attól, hogy
A bizonyossági szintet az „igazságos fogadás paradigmájával" kapcsoljuk Össze.
mire fogadott.
Korábban láttuk, hogy már Ramsey és de Finetti is összekapcsolták a hit foká
Az így definiált bizonyosság! szintek tehát joggal nevezhetők valószínűségeknek.
nak mérését a fogadási hajlandósággal. Az igazságos fogadás a következőképpen
történik:
A BIZONYOSSÁG) SZINT SZÁMSZERŰSÍTÉSÉ
3.20. Példa.
A szubjektív valószínűségeket általában nehéz mérni. Azoknak az eseményeknek,
Legyen 0i egy bizonyos állapot. D személy azt mondja, hogy P{9,) = ^
illetve állapotoknak a valószínűsége, amelyek nagyon ritkán fordulnak elő, vagy
(pl. 0,9), ű , f i e N , a + b ^ 0 mértékig biztos abban, hogy a 9. állapot fennáll. szinte biztos, hogy előfordulnak, azonban könnyen számszerűsíthető. Például, ha
annak az eseménynek a bizonyosság! szintjét kell megadni, hogy „holnap felkel a
Ha A és B egy bizonyos H összegre fogadnak, amelyből H ■ (0,9H) Nap”, a valószínűség 1 lesz. Ha pedig annak az állapotnak a bizonyossági szintjé
a +b ről beszélünk, hogy „sajtból van a ílold”, akkor a valószínűség közelít 0 -hoz. Mit
az A személytől, H ■ - (0,1//) pedig a B személytől származik, akkor a tudunk azonban mondani annak az állapotnak a bizonyossági szintjéről, hogy „fe
a +b hér karácsonyunk lesz”?
fogadási arány a : b (9:1) az A szempontjából. Az A fogad é? -re, B pedig
A számszerűsítéssel szembeni elvárások a következők:
0j tagadására, és a nyertesé lesz az egész Összeg. A z igazságosság azt jelenti,
> a bizonyossági szinteknek összehasonlíthatóknak kell lenniük,
hogy D szempontjából mind a kettőjüknek egyenlők a nyerési esély eik ,----- - - > bizonyossági szinteket egy skálán kell elhelyezni,
ű ■+■ö
> a skálának nemcsak ordinálísnak kell lennie, hanem arányskálának is.
ve) azt fejezi ld, hogy egyaránt kész A vagy B helyett belépni.
Ha mérhetővé akatjuk tenni a bizonytalanságot, meg kell adni egy etalont (stan
dardot), amihez viszonyítunk. Például a hosszúság mérésére a Párizs mellett elhe
3.21. Példa.
Vizsgáljuk, hogy mit jelent az igazságos fogadás szempontjából a következő ki lyezett I méter hosszú rúd a viszonyítási alap. A szubjektív valószínűség mérésé
jelentés: „70%-ig biztos vagyok abban, hogy Kati telefonált”, állítja D. nél a standard egy úgynevezett kalibrációs kísérlethez kötődik. Ez egy egyszerű
kísérlet, amelynél a kimenetek valószínűségei nagyon könnyen meghatározhatók és
7 ráadásul ezek a valószínűségek objektívek.
M e g o ld á s . Az állapot a következő: 6; = „Kati telefonált”. PW,) = y - - ^ = 0,7 . Az általunk alkalmazandó kalibrációs kísérlet egy um ás kísérlet. Egy urnában
bizonyos számú piros és fehér golyó van. Véletlenszerűen kiveszünk belőle egy
A és B 10 000 Ft összegre fogadnak úgy, hogy 7000 A-tó \7 3000 pedig 8 -tői
golyót. A valószínűség standard mértéke legyen az urnában levő piros golyók ará
származik. A fogadási arány tehát 7 : 3. Az A arra fogad, hogy Kati telefonált,
nya. Ez a valószínűség függ az urnában levő golyók számától. Például, ha az umá-
B pedig arra, hogy nem Kati volt a telefonáló.
86 87
bán 8 piros és 2 fehér golyó van, akkor 1 piros golyó kiválasztásának a valószí ha új információ birtokába jut. A korábbi jelölések felhasználásával ez a követke
nűsége 0 , 8 , ha csak pirosak vannak az urnában, a valószínűség 1 , és ha csak fehé zőképpen fogalmazható meg:
rek, akkor a valószínűség 0 . Tekintsük a { 6 ^, 02 , ..., 0u } lehetséges állapotok halmazát, amelyek a 0 ál
lapotteret alkotják. P(0j) az a szubjektív valószínűség, amivel egy adott személy
Téljünk vissza a „fehér karácsonyunk lesz” állapot valószínűségének számsze
rűsítéséhez. A valószínűség meghatározásához a következő két fogadást hasonlít bizonyos abban, hogy a /-edik állapot fennáll. A P{9}) -k által alkotott valószínű-
juk össze: ségeloszlás a <9 állapottér adott személy általi becslését adja. A 0 minél jobb
1. 10 000 Ft-ot kapsz, ha fehér karácsony lesz, egyébként semmit. becslése érdekében az adott személy mintaadatokat szerez (x) és így átalakítja
2. 10 000 Ft-ot kapsz, ha a kihúzott golyó piros, ha az urnában 5 piros és 5 fe eredeti becslését. így kétféle valószínűségeloszlásról beszélhetünk, egy minta előtti
hér golyó van, egyébként semmit. vagy a priori és egy minta utáni vagy a posteriori valószínüségeloszlásról. Az a
Ha az első fogadást részesíted előnyben, akkor szerinted annak a valószínűsége, posteriori eloszlás meghatározása az a priori eloszlásból és a mintavétel adataiból
hogy fehér karácsony lesz, nagyobb, mint 0,5, ha a második fogadást preferálod, a Bayes-tétel segítségével történik, amit szemléletesen a 5 .7. ábra tartalmaz.
akkor pedig kisebb 0,5-nél ez a valószínűség,
Minta-
Tegyük fel, hogy az első fogadást választottad, akkor a „fehér karácsony lesz a priori információ
valószínűsége” 0,5 és 1 közé esik. Tekintsük a következő két fogadást:
Pfa) F {.}&,)
1. 10 000 Ft-ot kapsz, ha fehér karácsony lesz, egyébként semmit. ' i r —— 1
2. 10 000 Ft kapsz, ha a kihúzott golyó piros, ha az urnában 6 piros és 4 fehér
golyó van, egyébként semmit.
Tételezzük fel, hogy most a második fogadást részesíted előnyben, ez azt jelen BAYES-TETEL
ti, hogy annak a valószínűsége, hogy fehér karácsony lesz, kisebb, mint 0 , 6 . így a
szubjektív valószínűség 0,5 és 0,6 közé esik. Ha pontosabb becslést akarunk, akkor
újabb fogadásokat kell összehasonlítani.
a posteriori
/>((?»
SZUBJEKTÍV VALÓSZÍNŰSÉG ÉS A BAYES-TÉTEL
3.7. ábra
Legtöbbször a szubjektív valószínűség mögött is bizonyos előzetes tapasztalatok
húzódnak meg, a múltbeli adatokat azonban nem tudjuk vagy nem akarjuk elérni.
A Bayes-tétel az új jelölésekkel a következőképpen fogalmazható meg:
Ennek a bizonytalanságnak, információhiánynak a kifejezésére használjuk a szub
jektív valószínűséget. Már de Finetti is kapcsolatba hozta a szubjektív valószínűsé
get a Bayes-tétellel. A következő gondolatmenet mutatja a bizonytalanság, a szub
jektív valószínűség és a Bayes-tétel összekapcsolódását. Y lP i x \ e i ) - n f f l )
i= i
Egy új termék piacra vitele előtt nem tudjuk, hogy mekkora kereslet várható.
Ilyenkor csak azt tudjuk mondani, hogy szerintünk pl. 0,4 annak a valószínűsége, x : a mintainformáció,
hogy a kereslet közepes lesz. Ez a valószínűség azonban módosulhat, ha új infor : a /-edik állapot,
mációhoz jutunk. Például, ha kikérjük egy piackutató cég véleményét, vagy próba-
vásárlást végzünk. Módosítani a kezdeti valószínűségeket, amikor új információhoz ^ ( ^ j) : a ./-edik állapotra vonatkozó szubjektív valószínűség,
jutunk, ez a Bayes-í gondolkodás fő motívuma. A Bayes-tétel éppen azt fogalmaz -v): a mintavétel utáni posteriori valószínűség,
za meg, hogy a racionálisan gondolkodó személy hogyan módosíthatja hipotézisét,
P(x j Oj) : a mintavételi statisztikából jól ismert megbízhatóság.
89
Előzetes ismereteinket, amelyek bizonytalanság esetén szubjektív feltételezések Hogyan módosulnak az a priori valószínűségek a piackutatóktól szerzett új in
ből, megérzésekből származnak, matematikailag egy valószínűségi eloszlás meg formációk hatására?
adásával fogalmazzuk meg.
Alkalmazzuk a leírtakat a következő példán keresztül. MEGOLDÁS. A piackutatókkal történt előzetes tárgyalás után, a kapott megbiz-
hatóságí információk alapján az a priori valószínűségek változását a Bayes-tétel
3.22. Példa. alkalmazásával határozzuk meg.
Egy húsipari cég a piaci részesedésének növelése érdekében egy új ízesítésű, új
A P( 6 t a',) és P {&2 | a,) a posteriori valószínűségeket és a meghatározásuk
megjelenésű szalámit fejlesztett ki. A vállalat egy valaha sikeres, de közben
csődbe jutó cég felvásárlása után 2 éve alakult új névvel, így a menedzsment menetét az alábbi táblázat tartalmazza:
számára kiemelkedően fontos, hogy ez az új tennék sikeres legyen. Ezért haj
landók áldozni piackutatásra is. A priori Feltételes Együttes A posteriori
A szakértőkből és menedzserekből álló team véleménye szerint kétfajta piaci valószínűségek valószínűség valószín üs égek valószínűségek
részesedés, 8 % (í?t) és 2% (#,) várható a termék piacra vitele esetén. A team
P(X]n $ t) =
hosszas mérlegelés és a vélemények aggregálása után a 8 %-os piaci részesedés 4 H°<) P ( X] r ^ )
bekövetkezésének 60% esélyt, a 2%-os piaci részesedésnek 40% esélyt fo = P(9,-) P(x, \ 0, )
galmazott meg, vagyis: m )
ö, 0,60 0,70 0,42 0,84
/>(£,) = 0,60, P(&2) = 0,40.
0,40 0,20 0,08 0,16
Ezek az a priori szubjektív valószínűségek.
A jobb döntés érdekében két piackutató céget is megkérdeztek. Mind a két
piackutató ugyanúgy két kategóriába sorolta az elérhető piaci részesedést, mint A P{ 8 y | x2) és a PfÖj | a',) a posteriori valószínűségek kiszámítása hasonlóan
a vállalat vezetősége. Az I. piackutató kategóriái a következők: 4% vagy annál történik, így csak az eredményt közöljük. A táblázat az I. számú piackutató esetén
nagyobb ( a,) , és 4%-nál kevesebb (x2) piaci részesedés, a IL számúé pedig az a posteriori valószínűségek és az a priori valószínűségek együttes táblázata.
3% vagy annál nagyobb, és 3%-náI kevesebb piaci részesedés. A piackutatók
által közölt megbízhatósági adatokat az alábbi táblázatok tartalmazzák. 4 m\*>)
Az I. számú piackutató megbízhatósági szintjei: 0,60 0,84 0,36
0,40 0,16 0,64
p(*M) Pi Xi W) Együtt £ 1,00 1,00 1,00
$ 0,70 0,30 1,00
0,20 0,80 1,00 Az előző utat követve a II. számú piackutató esetén az a posteriori és a priori
valószínűségek együttes táblázata a következő:
ahol a P(xt \ 9]) m egbízhatóság azt jelenti, hogy P (xl j ) —0,7 annak a való
3 m ) m i* ,)
színűsége, hogy x, előrejelzést kapunk, ha 0 l bekövetkezik, vagyis az informá
ö, 0,60 0,64 0,53
ció mennyire megbízható,
0,40 0,36 0,47
A II, számú piackutató megbízhatósági szintjei: £ 1,00 1,00 1,00
90 91
4. VALÓSZÍNŰSÉGI VÁLTOZÓ
I
a posteriori valószínűségeket a priori valószínűségként kezelve és alkalmazva a
Bayes-tétel t még pontosabb a posterion valószínűségeket kaphatunk.
Befejezésül a téma iránt érdeklődő hallgatók számára álljon itt néhány alapvető
mü, hiszen a szubjektív valószínűség és a Bayes-tétel alkalmazása sok olyan prob
lémát felvet, amely túlmutat a könyv keretein.
4.1, A valószínűségi változó fogalma
De Finetti (1964); Foresight: its Local Laws, its Subjective Sources. Studies in Subjective
Probability. Kyburg, Smolder, New York.
Az eddigiekben annak valószínűségét vizsgáltuk, hogy egy esemény bekövetkezik-e,
French, S. (1986): Decision Theory. Eli is Horword, Chichester. vagy sem. Az esetek jelentős részében az eseményhez egy vagy több szám kap
Gil, J-W a iker, L. D. (2005): Elicited Priors fór Bayesian Mód cl Specifications. Ghat ham csolható, Ha például egy szabályos dobókockát dobunk fel, az egyes kimenetelek
’& HaJl, New York. hez (elemi eseményekhez) az 1, 2, ... , 6 számokat rendelhetjük. Azt az összetett
Gillies, D. (2000): Philosöpliical Theories of Probability. Routledge. pp. 223 + xiv. eseményt, hogy páros számot dobunk, megfogalmazhatjuk úgy is, hogy az ered
mény a {2 ; 4 ; 6 } halmaz valamelyik eleme. Természetesen a kocka oldalait kü
Howsofi, C., Urbach, P. (1989): The Bayesian Approach. Open Court Publishing Company,
lönböző színekkel is jelölhetjük, de ekkor azonnal tapasztalhatjuk, hogy csak körül
Ramsey, F- P. (1963): Tiuth and Probability. Studies in Subjective Probability. John Wiley ményesebben tudunk az eseményekről beszélni. Ezért ilyenkor is célszerű az egyes
and Sons, New York. színekhez különböző számokat rendelni. Dobjunk fel egy pénzérmét! A dobás
Shafer, G.-Gitett. P R.-Sherl, R. B. (2003): Subjective Probability and Lower and Upper eredménye „fej” vagy „írás” lehet. Ekkor is megtehetjük, hogy az egyes elemi ese
Precision: A New Undefstanding. Internationa! Journal o f Approximate Reasoning. ményekhez számokat rendelünk, például a „fej’’-hez a 0 -t, az „írás”-hoz az 1 -et.
Wickmann, D. (1998): Bayes-statisztika. ELTE Eötvös Kiadó, Budapest. Egy kísérlet kimeneteleihez többféleképpen is rendelhetünk számot. Ennek a
megválasztását gyakran a vizsgálat szempontjai határozzák meg. Például a magyar
háztartásokhoz hozzárendelhetjük az adott háztartásban élők számát, a nettó össz
jövedelmet, az egy főre eső jövedelmet, az előfizetett mobiltelefonok számát, a
havonta ruhavásárlásra fordított összeget stb.
93
92
Megjegyzések: £ valószínűségi változó a dobott számok összegét. Ekkor a £ lehetséges érté
1. Valószínűségi változót csak olyan eseménytéren definiálunk, amelyhez tartozó kei. 2, 3, 4, . 1 2 . Az elemi eseményeket, a valószínűségi változó értékeit
eseményekhez már rendeltünk valószínűségeket, vagyis valószínűségi mezőt al és azok valószínűségeit az alábbi táblázat tartalmazza:
kotnak. így £ a ^ valószínűségi mező elemi eseményeinek halmazán értelme-
zett függvény, A 4 A £ értékeihez
2. A továbbiakban £ < x jelöli azon h kimenetelek halmazát, melyekre £ (/;)< * Dobott számpár (elemi események) valószínűségi tartozó
változó értékei valószínűségek
teljesül.
(l; l) 2 1/36
3. Véges valószínűségi mezőben az eseménytér tetszőleges A c: H részhalmazá (1;2), (2; 1) 3 2/36
nak (eseménynek) valószínűségét meghatározhatjuk az A halmazt alkotó ele (1;3), (2; 2), (3; 1) 4 3/3 ó
mek (elemi események) valószínűségei összegeként. Végtelen sok elemet tartal 0 ; 4), (2; 3), (3; 2), (4; 1) 5 4/36
mazó H eseménytérből kiindulva (mint a 2. fejezetben említettük) még az sem 11; 5). (2; 4), (3; 3), (4; 2), (5; 1) 6 5/36
biztos, hogy egy kiválasztott végtelen részhalmaznak, azaz eseménynek van 11; 6), (2; 5), (3; 4), (4, 3), (5 ;2 ),{6 ;1 ) 7 6/36
valószínűsége, A továbbiakban viszont mindig feltételezzük, hogy bármely valós (2; 6), (3; 5), (4; 4), (5; 3). (6; 2} 8 5/36
x esetén a (3; 6), (4; 5), (5; 4), (6; 3) 9 4/36
(4; 6), (5; 5), (6; 4) 10 3/36
m < *
(5; 6), (6; 5) 11 2/36
egyenlőtlenségnek eleget tevő halmaznak létezik a (6; 6) 12 1/36
P(t<x)
Táblázatunkból kiolvasható például, hogy
valószínűsége.
4.1. Példa.
Feldobunk két szabályos dobókockát. A kísérlet lehetséges kimeneteleit rende
zett számpárokkal jellemezzük (a két kockát megkülönböztetjük). így egy 36
elemi eseményt tartalmazó klasszikus valószínűségi mezőhöz jutunk. Jelölje a
94
D EFIN ÍC IÓ . Ha a 4 valószínűségi változó lehetséges értékeinek a száma véges
vagy megszámlálhatom végtelen (sorozatba rendezhető), akkor diszkrét 4.2. Az eloszlásfüggvény és tulajdonságai
vagy diszkrét eloszlású valószínűségi változónak nevezzük.
DEFINÍCIÓ. Legyen 4 egy valószínűségi változó. Az
D EFIN ÍC IÓ . Ha a diszkrét eloszlású % valószínűségi változó lehetséges értékei
xi , x 2. x J ....... akkora P(% = x x), P( 4 = x 2) , P{4 = x i ), ... valószí F ' F { x ) = P ^ < x), xeR
nűségeket a 4 valószínűségi változó eloszlásának vagy valószínűség- függvényt a £ valószínűségi változó eloszlásfüggvényének nevezzük.
eloszlásának nevezzük.
A valószínűségi változó definícióját követő második m egjegyzésünk szerint a
Könnyű belátni, hogy ekkor 4 függvényt csak úgy értelmezhetjük az elemi események halmazán, hogy a
ValÓSZÍníÍ£ég m i n d e i 1 x valós szám esetén létezzen. Ezért bármely való
i színűségi változónak van eloszlásfüggvénye, és az minden R esetén értelmezett.
ahol az összegzést az összes lehetséges i értékre elvégezzük, és így egy véges 4.3. Példa.
vagy végtelen összeget kapunk. A valószínüségeloszlás tehát az 1 valószínűséget írjuk fel a 4.2. példában szereplő 4 valószínűségi változó eloszlásfüggvényét!
osztja el a 4 lehetséges értékei között. Vannak azonban olyan eseményterek is,
melyeknek elemei a megszánni álhatóan végtelennél bővebb halmazt alkotnak. Ak M e g o ld á s . A 4 értéke egy távolságot jelöl, ezért negatív értéket nem vehet
kor viszont lehet olyan valószínűségi változót is értelmezni, melynek értékei nem fel. Akkor pedig
megszámlálható halmazt alkotnak.
Következő példánkban egy nem diszkrét eloszlású valószínűségi változót értel P(4<x) = 0, ha *<0.
mezünk.
Másrészről, az egy biztos esemény, hogy 4 £ 1 0 , tehát
4.2. Példa. P(4<x)= 1 , ha jc > 10 .
Az A és B településeket összekötő 10 km hosszú villanyvezeték egy erős vi
har következtében egyetlen pontban megsérült. Jelöljük 4 -vei a sérülés helyé A körülmények alapján abból indultunk ki, hogy geometriai valószínűséggel
számolunk, ezert 66
nek az A településen levő végponttól való távolságát. Ekkor 4 a [0 ; 10]
intervallum bármelyik pontja lehet: 0 á 4 ^ 10. A változó tehát most kontinuum ha 0 <x< 10 .
sok értéket felvehet, nem diszkrét eloszlású. Ha a hiba helyének elhelyezkedésé
re bármit szeretnénk mondani, bizonyos feltételezésekkel kel) élnünk. Ha fel Ezeket összefoglalva, az F{x) = P(£ < x ) -re adódik:
tesszük, hogy a meghibásodás szempontjából egyetlen rész sincs kitüntetve,
akkor abból indulunk ki, hogy bármely intervallumban a hiba valószínűsége 0 , ha j c s IO
arányos az intervallum hosszával (geometriai valószínűség). Ekkor pl. annak
valószínűsége, hogy a hiba 3 km-nél messzebb, de 5 km-nél közelebb van A ^Qc) = /■ (£< *) = <-?!, ha 0 < jc < 10
2
településhez, j°(3 < 4 < 5) = — . Annak a valószínűsége, hogy a hiba A -hoz kö [ 1 , ha 1 0 < jc.
zelebb van, mint 5 km, P (4 < ■Annak valószínűsége pedig, hogy a hiba A z F eloszlásfüggvény grafikonja a 4.2. áb
rán látható. Az eloszlásfüggvény most az
egész számegyenesen folytonos.
éppen félúton van, P(4 = 5) = — = 0.
96
97
A folytonos eloszlású valószínűségi változó értelmezését az analízis tanulmá A negyedik játék után, annak kimenetelétől függetlenül befejezzük a játékot,
nyaink során megismert határozott integrálra, a Riemann-integrálra alapozzuk. azért lesz
/ : / « = — , ha O c x c l O F( x) = P ( Z < x ) = P ( ^ l) = i .
10 4
0 , ha 10 <* Gondolatmenetünket folytatva, ha 2 < jc < 3 , akkor
függvényre és a változó F eloszlásfüggvényére (melyet a 4.3. példában határoz
F( x ) = P ( Z < x ) = P{ t = \) + P(Z = 2 ) = l ~ 2; . l = l - .
tunk meg) teljesül az 4 4 4 16
Ha 3 < x £ 4 , akkor
I-1 Z
egyenlőség. FW = P(í<^)=sP(í = l) +P(í=2) +/>(í = 3)=i4 +j4 44 +Í7
I^4J 4 ^64’
4.4. Példa. Végül, ha 4 < x , akkor £ < x biztos esemény, ezért ha 4 < x , akkor
Egy szerencsekereket 1000 forint befizetése után lehet megforgatni, es a kime
F( x ) = 1.
netelek 25%-ában nyer a játékos. Négy darab 1000 forintosunk van és addig
játszunk, amíg nem nyerünk, illetve ameddig a pénzünk el nem fogy. A £ való Összefoglalva
színűségi változó jelentse a játékra befizetett 1000 forintosok számát. Adjuk
meg és ábrázoljuk a £ eloszlását és eloszlásfüggvényét! 0 , x <1
\< x<2
MEGOLDÁS. A változó lehetséges értékei: £ - 1 ; 2 ; 3 ; 4 . 4’
7_
Az eloszlás: P{£ = ^ = F( x) = P( £ <x) = 2<x<3
16
37
3<x£4
64
1 , 4< x.
99
Az eloszlás a 4.3,, az eloszlásfüggvény a 4,4. ábrán látható. Az eloszlásfügg Bizonyítás. Csupán az a) esetet bizonyítjuk. Azt kell megmutatnunk, hogy tetszőle
vény „ugrása” a szakadási helyeken mindig ugyanakkora, mint az eloszlás aktuá ges jc, <jc2 esetén F ( x t) < F{ x f ) , vagyis F { x l ) - F ( x l) > 0 . Az előző tétel alap
lis tagja. ján, felhasználva, hogy egyetlen esemény valószínűsége sem lehet negatív,
F(x)> P ( x 2) - F ( x , ) = P (x i < ^ < j c 2) > 0
y
0,4- adódik.
0,2- 4.3. T é t e l . Ha valamely F függvény eleget tesz a 4.2. tételben felsorolt tulajdon
ságoknak, akkor van olyan £ valószínűségi változó, melynek eloszlás-
függvénye éppen F.
4.3. ábra 4.4. ábra Nem bizonyítjuk.
4.1. T É T E L . Ha a £, valószínűségi változó eloszlásfüggvénye F, akkor tetszőleges 0 <P( g = x 0) < P( x 0 < £ < x n) = F (x n) - F i x , ) . (4 . 1)
a < b valósszámolcra
Feltetelemk szerint F folytonos az x0 helyen, ezért F ( x a) -> F ( x 0) . De ekkor
P{a<4<b) = F{b)-F{a).
F ( x . ) - F ( x 0) - > 0 . így a „rendőrelv” szerint a (4.1) egyenlőtlenségekből a
Bizonyítás. Az A - ( % <a ) , B <b) és C, =( a <% <b) eseményekre fennáll ^ (# = * 0 ) = 0 következik, mert konstans sorozat csak akkor tart a nullához, ha a
nak a következő összefüggések: konstans nulla.
100
101
4.5. Példa. 4.3. A sűrűségfüggvény és tulajdonságai
Legyen
0 , ha x < l
A folytonos valószínűségi változó vizsgálatára használjuk a sűrűségfüggvényt Majd
F(x) \nx, ha 1 < x <e látni fogjuk, hogy azoknak a paramétereknek a kiszámításakor, melyekhez diszkrét
1 , ha e < x . változó esetén az eloszlásra van szükség, folytonos esetben a sűrűségfüggvény al
kalmas.
Lehet-e F eloszlásfüggvény? Ha igen, számoljuk ki a P( £ < 2); P(% = 2);
P (2 <,^ < 3) és a F(2 < £ ) valószínűségeket! DEFINÍCIÓ. Ha a % folytonos valószínűségi változó eloszlásfüggvénye F, akkor az
f : f ( x ) = F' (x)
MEGOLDÁS. A z F valamely £ változó eloszlásfüggvénye, mert függvényt a % sűrűségfüggvényének vagy valószínííségsüríiség-fiigg-
- monoton növekedő (4.5, ábra), vényének nevezzük
- limF = 0 és l i m F - 1 , Megjegyzések:
-co co
- minden pontban folytonos, ezért balról folytonos. 1. A folytonos valószínűségi változó definíciójából következik, hogy eloszlásfügg
vénye véges sok pont kivételével deriválható. A sűrűségfüggvény véges sok pont
kivételével értelmezve van.
2. A sűrűségfüggvényt kizárólag folytonos eloszlású valószínűségi változó esetén
értelmezzük. A 4.4. példában szereplő diszkrét eloszlású változó eloszlásfügg
vénye is differenciálható négy pont kivételével, de deriváltját nem nevezzük sű
rűségfüggvénynek. Ezt a véges sok pont kivételével nulla értéket felvevő függ
vényt nem tudnánk használni olyan számításokhoz, mint a folytonos változó
sűrűségfüggvényét.
3. A sűrűségfüggvény értelmezését gyakran ki szoktuk terjeszteni az egész szám
egyenesre. Ahol az F nem differenciálható, a sűrűségfüggvénynek gyakran a
nulla értéket adjuk. Máskor ezekben a pontokban olyan értéket adunk /-n e k,
P (£ < 2) = F (2 ) = In 2 . hogy balról vagy jobbról folytonos függvényt kapjunk. Ezt azért tehetjük meg,
P{£ - 2 ) - Q y mert F folytonos az x 0 =2 pontban. mert a sűrűségfüggvényből a paramétereket integrálással fogjuk számolni, ezért
A 4.1. tételnek megfelelően az / véges sok pontbeli megváltoztatása eredményeinket nem fogja befolyásol
ni. A következő tételben éppen azért nem foglalkozunk azzal, hogy /-e t a defi
P(2 < 4 < 3) = F ( 3) - F ( 2) - 1 - In 2 . níciója esetleg nem minden pontban értelmezi, mert az elmondottak szerint ki
terjeszthetjük a számegyenesre.
Felhasználva az ellentett esemény valószínűségére vonatkozó tételt, valamint 4. A sűrűségfüggvény elnevezést a következő megfontolás indokolja:
a fentebb kiszámolt P(% = 2 ) = 0 valószínűséget: Annak a valószínűsége, hogy £ az [x0 ; x] intervallumba esik,
102 103
4,5. TÉTEL, Ha valamely I folytonos valószínűségi változónak f a sűrűségfügg akkor van olyan 4, folytonos eloszlású valószínűségi változó, melynek
vénye, akkor sűrűségfüggvénye f .
a) f ( x ) > 0, xeD f , .5
104 105
00 ö CQ b £
ha í < x < e J / = Jo<&+ ^2e~2ídx = lim j2e~lxdx = lim [-e '2t ] =
-co -co ö 0 °
0, máshol = lim (-e~2b - ( - e 0)) = 0 + 1=1.
6-kc
függvényt szoktuk használni, de bizonyos vizsgálatoknál pl, az
A 4,6. tétel alapján tehát / lehet sűrűségfüggvény.
—, ha l <x <, e —, ha l < x < e b) M ost írjuk fel az eloszlásfüggvényt.
/ 2W = x ; x Ha x < 0 , akkor
0, máshol 0, máshol
x *
Ö , ha x < 0
m = - Az F eloszlásfüggvény tehát
2e~Zx, ha 0 < x
í 0 , ha x <0
a) M utassuk meg, hogy / valamely £ valószínűségi változónak a sűrűség- F ( x) =
| l - e ”lr, ha 0 < x .
függvénye!
ti) írjuk fel az eloszlásfüggvényt! Grafikonja a 4 .7.b) ábrán látható.
c) P (ln 2 < < 2) = ?
M egoldás ,
á) Világos {4.7.a) ábra), hogy az / függvény az i = Ö pont kivételével folyto
nos, sehol nem negatív függvény: f ( x ) > 0 , i g R .
= 1- e ~4 - { l - e m i ) = ~ e A+ {é~)niy = - - - V = 0.232.
4 e
Kiszámoljuk a függvény görbéje alatti területet.
106 107
4.8, Példa, Képezzük a G függvény deriváltját:
Határozzuk meg az A konstans értékét, ha tudjuk, hogy a 4 folytonos eloszlá
sú valószínűségi változó sűrűségfüggvénye x-b
g(x) = G'(x) =
a - M
a \ —a
m = &
Mivel G( x ) = ^g{t)dt teljesül, ezért rj valóban folytonos eloszlású és g a sűrű
0 máshol.
4.7. TÉTEL. Legyen a £, folytonos eloszlású valószínűségi változó eloszlásfüggvé DEFINÍCIÓ. A 4 valószínűségi változó mediánja az a med (4) -vei jelölt valós szám,
nye F, sűrűségfüggvénye f. Ha a > 0 , 6 e R , akkor r j - a ^ + b melyre
szintén folytonos eloszlású valószínűségi változó és eloszlásfüggvénye
P(4 < med (4)) és < med(4)) £: —, ha 4 disz/erét
x-b'
G : G (x) = F
és
sűrűségfüggvénye
P ( 4 < med{4)) —F(m ed(4)) = —■, ha 4 folytonos.
x -b
g:g(x) =- f
a
Ha két kockával dobunk és £ a dobott számok összege (4.1. példa), akkor a
Bizonyítás, Az eloszlásfüggvény: médián értéke 7. Erről a 4.1. példa adatainak a médián definíciójában szereplő
egyenlőtlenségrendszerbe való behelyettesítésével, közvetlenül meggyőződhetünk.
x-b x-b Ha viszont egyetlen szabályos dobókockát dobunk fel, és a változó a dobott számot
G(x) - P(tj <x ) = P(a4 + b < x ) = P 4 < =F
jelenti, akkor a médián definíciójának bármely, a [3 ; 4] intervallumban elhelyez
kedő szám eleget tesz. Állapodjunk meg abban, hogy az egyértelműség kedvéért
ilyenkor mindig az intervallum felezőpontja legyen a médián. Folytonos esetben
108 109
többször fogunk, olyan változóval találkozni, melynek sűrűségfüggvénye valamely rét, mind folytonos esetben szoktunk kétmóduszú eloszlásról is beszélni. Diszkrét
x = c egyenesre szimmetrikus. Ilyenkor: med(%) = c . esetben akkor, ha két olyan lehetséges értéke van a változónak, melyeket egyenlő
valószínűséggel vesz fel úgy, hogy ezek minden más érték valószínűségénél na
4.9. Példa. gyobbak. Ha a folytonos változó sűrűségfüggvénye két pontban egyenlő értéket
Határozzuk meg a 4.7. példában szereplő £ folytonos valószínűségi változó vesz fel, úgy, hogy ezek minden más függvényértéknél nagyobbak, kétmóduszú
mediánját! változónak nevezzük.
Az eloszlásfüggvény, mint kiszámoltuk: Ha az előző szempontok szerint kettőnél több érték jön szóba, akkor azt mond
juk, hogy a változónak nincs módusza.
f 0 , ha í < 0
^ (* ) = A 4.1. példában bevezetett változó módusza: mod(£) - 7 .
[l - e , ha 0 < *.
A 4,7. példában bevezetett £ folytonos eloszlású valószínűségi változó sűrű
Az ségfüggvénye:
, 0 , ha * < 0
_ J.
2 = U 2, , (4.4)
\2e ha 0 < x.
egyenletet kell megoldanunk:
Ennek a függvénynek nincs maximumhelye. Változtassuk meg az értékét az
x0 = 0 pontban a jobb oldali határértékre:
“ 2 ’
f 0 , ha jr < 0
és így
fM = U ~ . o í,. ( 4 ' 5 >
m ed(£) = “ ' 1J1 2 . így már beszélhetünk maximumhelyről, mely az jcö = 0 pontban található.
A £ változó sűrűségfüggvényének a (4.4) és a (4.5) alatti függvények bál-me
lyikét választhatjuk, tehát: mod(£) = 0 .
DEFINÍCIÓ. Ha a £ diszkrét valószínűségi változó lehetséges értékei között van
olyan, melyet nagyobb valószínűséggel vesz fel, mint a többit, akkor Gyakran előfordul, hogy nem tudjuk figyelembe venni £ összes lehetséges ér
ezt az értéket a £ móduszának nevezzük és m od(^)-vel jelöljük. Foly tékét. Ilyenkor keresünk egy olyan intervallumot, melyen kívül £ már csak egy
tonos valószínűségi változó móduszának a sűrűségfüggvény szigorít általunk előírt, aránylag kicsiny valószínűséggel fordulhat elő.
abszolút maximumhelyét nevezzük, ha létezik.
DEFINÍCIÓ. Legyen $ < q < \ . A % valószínűségi változó q-kvanlilisének nevez
Folytonos változónál előfordulhat, hogy a sűrűségfüggvénynek azért nincs ma zük azt az xq számot, amelyre
ximumhelye, mert a szakadási pontokban nem értelmeztük a függvényt, vagy a bal
és jobb oldali határértékek közül a kisebbiket adtuk értékként. P{% < \ ) í <] és P{£, < x ti) > q , ha % diszkrét,
P (4 < x f/) = Fi x f ) = q, ha ^ folytonos.
Már említettük, hogy a változó lényeges tulajdonságai nem változnak, ha ezek
ben a pontokban tetszőleges nemnegatív értékeket adunk a sűrűségfüggvénynek. Ha a ^-kvantilis definíciójának egy intervallum minden pontja megfelel, akkor
Minden egyes szakadási pontban válasszuk függvényértéknek a bal és jobb oldali általában az intervallum felezőpontját tekintjük x -nak. A fentiek alapján a médián
határértékek közül a nagyobbat. (A gyakorlatban előforduló feladatoknál ezek a nem más, m inta 0,5-kvantilis: med(£) = xos.
határértékek léteznek és nem egyenlők.) Ha az így módosított sűrűségfüggvénynek
van szigorú maximumhelye, akkor azt a változó móduszának nevezzük. Mind diszk
110 111
Vannak egyéb olyan xri értékek is, melyeket külön névvel látunk el: 4.5. Várható érték
jcfl3S alsó kvartilis xQll felső kvartilis
x0, alsó decilis jcoí, felső decilis A következőkben a valószínűségi változó két leggyakrabban használt paraméterét,
x 0i01 alsó centilis xuM felső centilis a várható értéket és a szórást vezetjük be. A definíció megfogalmazása előtt egy
példát mutatunk be.
x U6 alsó sextilis xsií felső sextilis.
4.11. Példa.
4.10. Példa. K étjátékos, A és B a kővetkező szerencsejátékot játsszák: Az A játékosnak
Legyen a £ valószínűségi változó sűrűségfüggvénye: legfeljebb három kísérlete van arra, hogy egy pénzérmével írást dobjon. Az A
játékos nyerési lehetőségei:
—e* , ha x < 0 - ha az első dobás írás, 4 forintot nyer;
2
- ha elsőre nem, de másodikra írást dob, 8 forintot nyer;
—e~ \ ha 0 <x. -h a csak harmadikra sikerül írást dobnia, 16 forintot nyer;
.2
- ha a három kísérlet egyike sem írás, akkor 40 forintot veszít (B nyer).
A sűrűségfüggvényt a 4.8. ábrán láthatjuk. A mod(£) = 0 a grafikonról azonnal A játék mind a négy esetben újrakezdődik. Jelölje £ az A játékosnak az éppen
leolvasható. Mivel a sűrűségfüggvény grafikonja az y tengelyre szimmetrikus, induló játékban a nyereményét. A £ valószínűségi változó lehetséges értékei:
ezért med(£) - 0. Határozzuk meg az alsó és felső decilis értékét! 4; 8; 16; - 4 0 .
A £ eloszlása:
Ekkor A nyereménye:
1 1 X
0 ,1 = í —e' £Í£=l i m f — = lim —e = — é /í = Jfc,-4 + A1 - 8 + jfcJ -16 + t ,( - 4 0 ) .
J 2
2 B-+-* JJ 22 *->-« 2 2
j;0l = In 0 , 2 - -1,61. Az egy játékra jutó átlagos nyereménye
112 113
4.12. Példa.
k „ P f£ = 4); * W ( £ = 8 ); ^ * P ( 4 = 16) és ^^ = -40) Két szabályos játékkockát feldobunk. Legyen a 4 valószínűségi változó értéke
n n « rt
a dobott számok Összege (4.1. példa). Ekkor
közelítések.
így nagyszámú játék után az várható, hogy az /í játékos egy játékra jutó — A/(£) = 2- — + 3- — + 4 — + 5 — + 6 -— + 7 ™ + 8 -— +
h 36 36 36 36 36 36 36
nyereménye közel esik a 4 3 2 1
+ 9 ---- +10 + ------f i i ---- + 12-'— = 7 .
P (4 = 4) - 4 + />{£ = 8 ) *8 + P (4 = 16 ) ■16 + = -4 0 ) - ( - 4 0 ) = 36 36 36 36
= 1 . 4 + 1 . 8 + --1 6 + -(-4 0 ) = l Most a várható érték egyenlő a mediánnal, illetve a módusszal. Ennek az az oka,
2 4 8 8 hogy szimmetrikus eloszlásról van szó, és a szimmetriapontnak legnagyobb a
értekhez. Ez azt jelenti, hogy a játék A számára kedvező, mert hosszú távon A valószínűsége.
játékos egy játékra eső nyereményének átlaga 1 forinthoz közeli érték. A követ
kező definíció alapján úgy fogunk fogalmazni, hogy A játékos egy játékra eső 4.13. Példa.
nyereményének, azaz 4 ' ne!í a várható értéke 1 forint. A 4 valószínűségi változó lehetséges értékei legyenek
D EFINÍCIÓ . Ha a 4 diszkrét valószínűségi változó lehetséges értékei 2, 4, 8, 16, .... 2*. ....
-£| j x 2, , a hozzájuk tartozó valószínűségek pedig rendre
akkor a 4 várható értékének az
1 1 1 _L _L
M (É) = £ P ( É = *,)■ *,= !>,-/>, (4-6) 2 ’ 4 ’ 8 ’ 16’ 2k ""
i »
Összeget nevezzük, ha ^ | x \ p , konvergens. Ez valóban egy valószínüségeloszlás, mert
I * 1
Ha a 4 folytonos valószínűségi változó sűrűségfüggvénye f akkor a
t=l *
4 várható értéke:
co Ekkor
M (£) - \ x - f ( x ) d x , M
M egjegyzés: A
4.14. Példa.
Zí W ^ <0° Számoljuk ki a 4.5. példában adott 4 valószínűségi változó várható értékét!
feltételt csak akkor szükséges vizsgálni, ha 4 végtelen sok értéket vehet fel. Erre és az MEGOLDÁS. Adott az eloszlásfüggvény
0 , ha jc í 1
J V i / o ) ^ 00
F(;c) = *Mn j; , ha l < j ; < e
feltételre a várható érték egyértelműsége érdekében van szükség, ennek okait nem 1 , ha e < i .
részletezzük.
114 115
» jo e a c
A C' 4 valószínűségi változó lehetséges értékei
M ( 4 ) = Ja'- f ( x ) d x ~ Jjc*(In*)'ífe = Jjc— dx = Jó* =
-CO -30 ] | ^ ] CX\ , c x l t c x 31
= [* ]' = e - l .
míg a valószínűségek változatlanok. így
116 117
Bizonyítói, Legyen S, diszkrét eloszlású változó Bizonyítás. A tétel a 4.8. tétel egyszerű következménye, ha figyelembe vesszük a
-V x2, ■■■ tétel előtti megjegyzést és az 5.3. tételt, mely szerint összeg várható értékét tagon
lehetséges értékekkel és a rendre hozzájuk tartozó
ként vehetjük.
f x
fc * H ha 0 <x<l
A folytonos esetben eJöször tegyük fel, hogy n páratlan pozitív egész. Ekkor x 1—> x " , x e R 3
szigorúan monoton növekvő függvény és a változó G eloszlásfüggvénye 1 ------ha 1 < ^.
3x 3
o„ co = n s " < 0 = n z <<Tn = ),
Ha a gép javítási költsége és a gép kiesése miatt fellépő járulékos veszteségek
ahol F a £ változó eloszlásfüggvénye,
így a sűrűségfüggvény együttes összege a £ javítási időből a K = 90£2 +15 (e Ft) formulával számol
ható, mennyi lesz egy gép elromlásából származó kiadás várható értéke?
118 119
4.6. Szórás Alkalmazzuk a 4.10. tételt, figyelembe véve, hogy M ( |) és M 2(£) konstansok:
D 2( f ) = M ( f 2) - 2 M ( f ) - M ( 4 ) + M 2( f ) = M ( 4 2) - M 2(4).
A várható érték a valószínűségi változó „átlagáról” ad felvilágosítást. Az előzőek
alapján is nyilvánvaló, hogy a legkülönbözőbb eloszlású változóknak lehet azonos ,4.12. TÉTEL. Ha a £ valószínűségi változónak létezik a szórása, akkor tetszőleges
a várható értéke. Vannak olyan esetek, amikor a változó által felvett értékek köz a és b valós számok esetén az j ] = a ^ + b változónak is létezik a szó
vetlenül a várható érték körül „tömörülnek'”, máskor attól „egészen nagy távolsá rása és
gokra” szétszóródnak. A változó ilyen jellegű vizsgálatára és jellemzésére alkalmas
D(a% + b) = \a \D{%).
a szórás. Ha a konkrét értékek várható érték körüli „szétszóródását” szeretnénk
jellemezni, természetesnek tűnik a f) átlagára, várható értékére gondolni.
:Bizonyítás. Alkalmazzuk az előző tételt;
Csakhogy a várható értéktől való pozitív és negatív eltérések éppen kompenzálják
egymást: M ( £ - A f ( ^ )) = Ö, nem alkalmas a feladatra. Ha nem az eltéréseket, ha D 1(ö<f + h) = M (\a í;+ b f ) - [M(a% + b ) f =
nem azok nagyságát tekintjük, akkor egy használható, de az abszolút érték miatt
= M ( a 1£ 2 +2ab£ + b2) - [ a M ( Z ) + b]2 =
matematikailag kényelmetlen d( ^) = - M (<^)\) paraméterhez jutunk. Ezeket
figyelembe véve alakították ki a szórás definícióját. = a1M ( ^ ) + 2abM (^) + b1- a 2M 1( 4 ) - 2 a b M ^ ) - b 2 =
^ a 2[ M ( í 2) - M 2(t)} = a*D2( t ) .
DEFINÍCIÓ, Ha a £ - M ( g ) valószínűségi változó négyzetének létezik a várható
Felhasználva, hogy a szórás nem negatív, ebből
értéke, akkor ezt a % szórásnégyzetének nevezzük:
D (a ^ + b) = \a\D(%)
d 2( £ ) = m ( 1 4 - m ( £)Y) .
következik.
Ennek négyzetgyöke
Bizonyítás. Fel fogjuk használni, hogy ha egy változó négyzetének létezik a várha
tó értéke, akkor a változónak is van várható értéke. A definíció szerint:
D \ $ ) = A / ( [ í - M ( í ) f ) = M ( f - 2M(£) ■# + M 2(£)).
12 0 121
5. TÖBBDIMENZIÓS DISZKRÉT ELOSZLÁSOK Az r} lehetséges értékei:
> i= 0 , y 2 =l ,
eloszlása:
13
P(7? = 0) = — , P(n = i ) = — . P(t] —2) = — .
29 29 29
Ha azt kérdezzük, hogy mekkora a valószínűsége, hogy a kiválasztott dolgo
Statisztikai vizsgálatoknál és a gyakorlat más területein legtöbbször a jelenség nem zónak két nyelvvizsgája van és csak egy diplomája, akkor a £ - 2 és az r j - \
írható le egyetlen valószínűségi változóval. Sőt sokszor éppen ezen változók közöt események együttes bekövetkezéseinek a valószínűségére vagyunk kíváncsiak.
ti kapcsolat a vizsgálat tárgya. Ebben a fejezetben az ilyen típusú kísérletekkel fog Ezt a valószínűséget a következő módon jelöljük:
lalkozunk azokra az esetekre szorítkozva, amikor a valószínűségi változók diszkrét
P ( Í = 2 , t] = \).
eloszlásúak, de a definíciókat és a tételeket, ha lehet, általános formában fogalmaz
zuk meg.
Ez a valószínűség , mivel a 29-ből 6 munkavállalónak van 2 nyelvvizsgája
és 1diplomája.
Hasonlóan
5.1. Együttes eloszlás, peremeloszlások
P(Z = 0 - v = 0) = — , P(£ = 0 ; *7 —1) —— ■ stb.
29
5.1. Példa.
Egy cégnél 29-en dolgoznak. A diplomák, illetve a nyelvvizsgák száma szerinti Foglaljuk ezeket a valószínűségeket táblázatba az (5.1) alatti megoszlási táb
megoszlás a következő: lázatnak megfelelően;
Diploma
N yelvvizsga''"-^
0 1 2 Összesen
X 0
9 3
1 2
2 14
0 9 3 2 Í4 0
1 4 1 0 1 5 29 29 29 29
2 0 6 4 10 4 1 5
Összesen 13 Í0 6 29 1 0
29 29 29 (5.2)
9 6 4 10
Véletlenszerűen kiválasztunk egyet közülük. Jelölje £ az illető nyelvvizsgáinak 0
számál és rj a diplomáinak számát. Ekkor a £ valószínűségi változó lehetséges 29 29 29
értékei: 13 10 6
I
29 29 29
=0, x2 - 1 , xs - 2 ;
122 123
JL J _ _ ! - Ü
0,5- 29 + 29 + 29 ~~ 29 ’
4 H
--- 1 1- n
------- - 5
0 —----,
29 29 29
. 6 4 _ 10
0 H----- -1------—---- *
29 29 29
Hasonló jelenség figyelhető meg az oszlopoknál, pl.
9 4 13
-----]------ h 0 — '
29 29 29
5.J. ábra
Megmutatjuk, hogy ez általában is igaz.
Most nézzük az általános esetet! Legyen £ és rj valamely W valószínűségi
mező elemi eseményein értelmezett diszkrét valószínűségi változó, 5.1. TÉTEL. A z (5.3) táblázat jelöléseit használva
m
£ lehetséges értékei x t , x2, xn; í',= 1- 2- ■■■' "5
rj lehetséges értékei y ], y z , ..., y m. j =1
£5
Az egyszerűbb írásmód érdekében vezessük be a következő jelöléseket:
2 ........«)■ í 5-4)
P (£ = x ,) = p l (i' = l, 2, n ), i-l
P(r? = y j ) = qJ Cy —1> 2, m ), Bizonyítás. Elég az egyik egyenlőséget bizonyítani, a másiké hasonlóan történhet.
P í í = ;c, ; rj = y j ) ^ p 0 (i = 1, 2 f ..., n ; ; = 1, 2 , .... m). Mivel T] lehetséges értékei y t, y,, y„,, a
Az (5.2) alatti táblázatot szemlélve, ha az 7 = 0, 1, 2-höz tartozó valószínűsé Ez azt jelenti, hogy nincs akadálya a következő definíció megfogalmazásának.
geket minden sorban összeadjuk, a jobb oldali oszlopbeli valószínűségeket kapjuk:
124 125
DEFINÍCIÓ. Az (5.3) táblázatbeli 0 1 Egyik nem király és nem piros, a másik király, de nem piros:
Pj, = P i^ = x, -,rj = y i ) (/ = 1, 2, ...t n ; j = 1, 2 ,..., m) ' 21^
íL3]
= 63.
valószínűségek a % és rj valószínűségi változók együttes eloszlását
1 1 Két eset lehet: ott a piros király, akkor a másik csak nem király és nem
alkotják A illetve 77 eloszlását perem eloszlásnak nevezzük.
' 2 0
piros lehet: = 21; ha nincs ott a piros király, akkor a királyt 3-ból,
Megjegyzések:
1. A £ vagy Tj, vagy mindkettő lehetséges értékei megszámlálhatóan végtelen
számosságnak is lehetnek, ekkor az (5.3) táblázat a megfelelő irányban a vég pirosat 7-ből kell választani: = 21. összesen: 42.
telenbe nyúlik. Röviden úgy is mondhatjuk, hogy n vagy m, vagy mindkettő
lehet 0 0 is. 2 1 Az egyik csak a piros király lehet, a másik pirosat 7-ből kell választani:
2. Ha egy kísérlethez kettőnél több valószínűségi változó tartozik, akkor tábláza
=7.
tunk is kettőnél több dimenziójú. Mivel egyrészt ezek kezelése bonyolult, más
részt a kétváltozós eredmények általában könnyen általánosíthatók, a továbbiak
c;
ban, ha tehetjük, a kétváltozós esetet tárgyaljuk. 0 2 Három nem piros királyból kell kettőt választani: = 3.
V2/
5.2. Példa.
Egy 32 lapos kártyacsomagból visszatevés nélkül kiveszünk 2 lapot. 1 2 Egyik a piros király, a másik király, de nem piros: = 3.
Legyen £ a kivett pirosak, 7 a kivett királyok száma. írjuk fel a £ és 7/ együttes
2 2 Két király két piros nem lehet: 0 .
eloszlását és a peremeloszlásokat!
126 127
5.3. Példa.
Legyen £ és rj együttes és peremeloszlása a következő:
1 2
Hasonlóan járhatunk el az utolsó sorban. í \
2 3 5
1
19 19 19
4 3 7
5.2. Együttes eloszlásfüggvény 19 19 19
2 5 7
3
19 19 19
Ha £ és t] valószínűségi változók, akkor mindkettőnek van eloszlásfüggvénye.
8 11
Jelölje ezeket illetve F2, azaz 1
19 19
P{£ <x ) = Fi{x) (íe R ) és P{rj < y ) ~ F2(>■) (y e R ).
írjuk fel az együttes és a perem-eloszlásfüggvényeket!
Ha - mint láttuk - beszélhetünk együttes eloszlásról, akkor együttes eloszlásfügg
vény is létezik, amelynek definíciója analóg az egyváltozós esettel. M e g o l d á s . A z 5.3, ábrán láthatók azok a pontok, amelyeknek koordinátái
{éj ; rj) lehetséges értékei, feltüntetve a megfelelő valószínűségeket is.
DEFINÍCIÓ. Legyenek éj és rj a W valószínűségi mező elemi eseményein értelme
zett valószínűségi változók. A éj és rj együttes eloszlásfüggvényének
azt az F kétváltozós fiigg\>ényt nevezzük, amely az (x ; y ) számpár
hoz a éj < x és f] < y események együttes bekövetkezésének valószínű
ségéi rendeli:
F:F(x-,y) =P (í< x-rj< y) (x;y)e R2
Ekkor a t, valószínűségi változó Fx eloszlásfüggvényét és az rj való
színűségi változó F2 eloszlásfüggvényét perem -eloszlásfüggvénynek
nevezzük.
színűségi mező elemi eseményem vannak értelmezve, egységnégyzetbe esik (az J.3. ábrán ilyen az (x2 ; y 7) pont), akkor az általa
akkor is, ha ezt külön nem hangsúlyozzuk. meghatározott síknegyedbe a lehetséges pontok közül csak az (1 ; 1) pont esik,
így
128 129
F (x ; y ) = P{4 < x ; 7 < y) = = 1 ; V = 1) = — •
F i x ; *) = />(£ = ! ;i? = l) + n £ = 2 ; 7 = l) = — .
130
131
5. lim fC * ; y ) = F t {y). 5.3. Kovariancia és korrelációs együttható
y—
xp j'^cű
6 , P(a < £ <b ; c < r j < d ) = F( b ; d ) - F{a \ d) -
- F { b ; c) + F( a ; c). Ebben a pontban két valószínűségi változó kapcsolatát, illetve annak mérőszámát
vizsgáljuk. Előtte azonban a várható érték egy fontos tulajdonságával ismerkedünk
Bizonyítás. Az 1. és a 2. állítást nem bizonyítjuk, csupán megjegyezzük, hogy az 1. meg.
a 6 . tulajdonságból az egyváltozós esethez hasonlóan adódik.
A 3 - 5 . állítás az alábbi egyváltozós esetben látott határértékekből következik:: 5.4. Példa.
Egy cégnél a hónap végén bérfizetéskor jutalmat is osztanak. A munkavállalók
lim P{% < x) = hmP(7j < _y) = 1,
bér és jutalom szerinti megoszlása a következő ( 1 0 ezer forintos egységekben
számolva):
ekkor
k iu ta lo m
lim P(£<A- ; r j <y) = P( r }<y) , 5 10 15
X" > » bér
lim P(£<Jc ; tj < y) = P (£ < x ) , 10 2 5 4
y-m 15 4 3 2
lim P (^< Jc ; ? ] < y ) - \ ^
J-HM
20 6 5 6
y—
>03
Véletlenszerűen kiválasztunk egy alkalmazottat, £ legyen a bére, rj a jutalma.
ami a 4., illetve az 5. állítást igazolja. A 3. állítás is a a) írjuk fel £ és rj együttes eloszlását és a peremeloszlásokat!
Hm P{% < x ) = lim P(rj < y) = 0 b) Határozzuk meg M(E,) és M (?]) értékét!
c) Mekkora M(J; + t}) és
határértékből következik.
A 6 . állítást a következőképpen lehet belátni. Az F (a ; rf) = <a\rj<d), M eg o ld ás .
illetve / r (Z> ; c) = /*(£ < 6 ; 7 < c ) annak valószínűségei, hogy a (£ ; ;/) pont az a)
5 15
5.5. ábrán a megfelelő vonalkázott részekre esik. Az F (a ;c) = P(<f < a ; rj < c) K 10
5 4
annak a valószínűsége, hogy a kétszeresen vonalkázott részre esik a (£ ; 77) pont. 2 11
10
így az 37 37 37 37
F(a;d) +F(b;c)-F(a;c) 4 3 2 9
15
37 37 37 37
annak a valószínűsége, hogy a (£ ; 77) pont 6 5 6 17
20
a sík valamilyen módon vonalkázott ré 37 37 37 37
szére esik. Ezt kell kivonni az F( b ; d ) -
12 13 12
1
= P{£ <b ;rj <d) valószínűségből, hogy a
37 37 37
téglalapra esés valószínűségét megkapjuk.
Ezzel állításunkat igazoltuk.
»> * ( 0 . 1 0 . ”
37 37 37 37
5.5. ábra . . . , e 12 . . 13 12 370 . .
Megjegyzes: M O 7 ) = 5 ---- + 10 ----- + 1 5 ----- --------= 10.
Ha egy kétváltozós függvény rendelkezik az 1-4. tulajdonsággal, akkor valamely 37 37 37 37
£ és Tj valószínűségi változó együttes eloszlásfüggvénye. Azonnal látható, hogy az M (£) az átlagbér és M (rj) a jutalom átlaga.
132 133
2 lazább kapcsolat szorosságát is mérnünk kellene. Maradjunk az 5.4. példánál. Te
c) Ha £ = 10 és í; = 5, akkor £ + 77=10 + 5 , és ennek valószínűsége — .
gyük fel, hogy az átlagosnál magasabb bér az esetek többségében az átlagosnál
Hasonlóan járunk el a többi nyolc esetben: magasabb jutalm at jelent és az átlagosnál alacsonyabb bér alacsonyabb jutalmat
(azonos irányú kapcsolat). Ekkor a és az r j - M( r j ) különbségek több
M (£ + 7 7 ) = (10 + 5 ) - A + (1 0 + 1 0 )-A + ( i 0 + 1 5 ) .A + nyire azonos előjelűek. Azaz szorzatuk pozitív. Ha az átlagosnál magasabb bér
többnyire átlagosnál kisebb jutalmat jelent és fordítva (ellenkező irányú kapcsolat),
akkor az előbbi szorzat az esetek többségében negatív. Ebből is úgy tűnik, a
+ (15 + 5)- — + (]5 + 10)- — + (15 + 15)' — +
37 37 37 - M ( 4 ) \ \ j j - M (ij)\ szorzat várható értéke a kapcsolat szorosságának mérő-
r í / A r í*
száma lehet.
+ (20 + 5) •— + (20 +10) •— + (20 + 15) •— = — .
37 37 37 37
DEFINÍCIÓ. Ha létezik a és 77 valószínűségi változók várható értéke, továbbá
Vegyük észre, hogy M (4 + rj) - M( £ ) + M( r j ) .
létezik a \ ^ ~ M ( ^ ) \ \ i ] - M ( r } ) \ várható értéke, akkor ezt a 4 és 77
A szorzat várható értékének kiszámításánál hasonlóan járhatunk el:
kovarianciájának nevezzük;
M ( t - 77) = 10-5 — +10 10 — + 10 -15 -— + 15 -5- — + 15-10- — + cov(£ ; 77) = M f á - M g ) ] - [17 - A /f a ) ]).
37 37 37 37 37
, 5700 5850 ,
A kovariancia kiszámításánál nem kell feltétlenül a definícióban szereplő for
mához ragaszkodni, ebben segít a következő tétel.
Most megmutatjuk, a példánkban szereplő azon észrevétel, hogy összegnek ta 5.4. TÉTEL. Ha cov(^ ; 77) létezik, akkor
gonként számíthatjuk a várható értékét, általában is igaz.
cov(£ ;77) = M (£/7)-M (£)M (77).
5.3. TÉTEL. Ha a £ és rj valószínűségi változók várható értéke létezik, akkor léis
zik a £ + Tj valószínűségi változó várható értéke is, és Bizonyítás. Felhasználva az 5.3. és a 4.S. tételt:
134 135
ekkorának adódna, azaz függ a mértékegységtől (dimenziótól). Ezért célszerűbb a 5.5. Példa.
kapcsolat szorosságának mérésére az alábbi dimenzió nélküli számot használni. Az 5.4. példabeli valószínűségi változónak számítsuk ki a korrelációs együttha
tóját!
DEFINÍCIÓ. Ha a 4 és 7 valószínűségi változóknak létezik a szórásuk, és az nem
nulla, akkor az 585
MEGOLDÁS, a kovariancia és a várható értékek m ár ismertek: M (£) ------ -
37
0(í)£)(>7) M{tj) = 10 ; cov(£ ; 77) = -4,05 . Csak a szórásokat kell kiszámítani.
136 137
Bizonyítás. Bizonyítás. Az 5,2. tétel 6 . pontja és a függetlenség definíciója alapján
D 2(£ + 77) = M ([#+ ??]2) - M 2(£ + rj) = P(a < 4 <b ; c < r f < d ) = F(b ; d) - F( a ; d) - F(b ; c) +
=M (£2 + 2 ^ / 7 + ?;2) - [M(£) + M(?7) ] 2 = + F( a ; c) = Fl (b)Ft (d) - Ft (a)Ft (d ) - Ft (b)F2 (c) + Fl {a)Fl (c) =
= A /( £ 2) + 2M{%rf) + M(rj 2) - M 2(^)~- 2 M(Í;)M ( 77) - M 2 ( 77) = = [Ft (b) - F{(a) }[F2 (d) - F 2 (c) ] = P(a < £ < b)P(c < tj < d ) .
138 139
Most válaszoljunk a bevezetőben feltett kérdésre: mi a kapcsolat a korrelálatlan- M eg o ld á s.
ság és a függetlenség között. Ehhez nyújt segítséget a következő tétel.
a) M { 4 ) - \ ------ + 2 ------- = —,
496 496 2
5.8. TÉTEL, Ha a 4 és 7} valószínűségi változókfüggetlenek, akkor . . . . . 112 . 6 1
M ( r j ) - \ ■—— + 2 --— - =
AÍ(£.í7) = AÍ(£)Ar07), 496 496 4
amennyiben ezek a várható értékek léteznek. 42 3 7 1
M Í 4 7?) = 1■I ' —— +1 ■2 ■— —+ 2*1- —— = —.
496 496 496 8
Bizonyítás. Ha 4 lehetséges éltékei x]r x2, xn és rj lehetséges értékei y,, Ebből cov(4 ; íj) = R{4 ; íj) = 0 , azaz 4 és 7 korrelálatlanok.
y ,, y m, akkor a függetlenség miatt b) Nem függetlenek, mert például:
« f = 2 )./> to = 2 ) - ^ . _ U o = P ( i = 2 : | , = 2 ).
M (& ) = = ; n = y /) = Y Í L w A t = xt)p{v = JO) =
i=\ M >=í
= Y i XíP ( í = x l) f jy j P(n = y j ) = M( 4) M( ?7) . Az 5.6, példa mutatja, hogy a korrelálailanságból nem következik a független
/-I M ség. Ebből és az 5.S. tétel következményéből az következik, hogy a függetlenség
„erősebb” követelmény, mint a korrelálatlanság. Ezek után az 5,5. tétel következ
Következmény: Ha 4 És ?j függetlenek, akkor korrelálatlanok is, hiszen ekkor ményét úgy is fogalmazhatjuk, ha 4 és 77 függetlenek, akkor
M ( 4 ‘i7) ~ M ( 4 )M(?]) = cov ( 4 ;tj) = 0 , azaz R ( 4 t r}) = 0 .
D \ 4 + 7J) = D í (€) + D 2 {77).
5.6. Példa. Mielőtt még ezt a függetlenséggel foglalkozó pontot lezárnánk, bizonyítás nél
Tekintsük az 5.2. példában szereplő eloszlást: kül megemlítjük, hogy ha 4 és rj független, akkor 4 2 és t)2 is az.
0 1 2
> <
220 63 3 276
0 5.5. Feltételes eloszlás, feltételes várható érték,
496 496 496 496
regressziós függvény
147 42 3 192
1
496 496 496 496
2] 7 0 28 A 3. fejezetben valamely A esemény B eseményre vonatkozó feltételes valószínű
0
496 496
ségét a
496 496
378 112 6
1 P {A \ B ) = ? ^ ± (P (£ )* 0 ) (5.9)
496 496 496
140 141
Vagy ennek megfelelően Ennek alapján könnyen felírhatjuk rj -nak a ^ - xt feltétel melletti várható érté
két is:
Pto-yA í = <5->» M ( tj \ £ = xl ) = M ( i i \ x j ) = Y j y j P(?] = y J | £ = * ,).
P( Z=X, ) (5.13)
(i = 1, 2, ..., n; j - 1 ,2 , ..., m ) .
Most megmutatjuk, ha (5.10)-ben j értékét, illetve (5.11 )-ben i értékét rögzít 5.7. Példa.
jük, akkor ezek a feltételes valószínűségek valószínűségeloszlást alkothatnak. Az Tekintsük az 5.4. példában szereplő eloszlásokat;
5.1. tétel alapján:
5 10 15
] > > ( £ = *, ■,jj=yJ) = P( Tj =yJ).
M 2 5 4 11
10
így
37 37 37 37
4 3 2 9
I s ' t ' P t é = Xl >Tl = y j ) , ^
15
p ( r ! =y j ) --------1 0 - 1 , 2 .........■ ). 37 37 37 37
6 5 6 17
20
vagyis valószínüségeloszlásról van szó. 37 37 37 37
12 13 12
1
DEFINÍCIÓ. Legyenek ^ és rj diszkrét valószínűségi változók xt , x2, ..., xtt és 37 37 37
y }, y 2 ....... y m lehetséges értékekkel. A
ahol £ a kiválasztott munkavállaló bére, rj a jutalma (10 ezer Ft-ban).
rw f' I •, p i £ = x f \ jl = yi ) a) írjuk fel £ és ij feltételes eloszlásait!
Jp(^ = xi v = y i ) = — öt
P(rj = y j ) b) Számítsuk ki a feltételes várható értékeket, és ábrázoljuk ezeket egy-egy ko
ordináta-rendszerben!
(Pty=yj)*o). 0 = 1 . 2 ........«)
valószínűségek a c, valószínűségi változó íj = y . feltételre vonatkozó M eg o ldás.
feltételes valószínűségeloszlását alkotják ( j = 1, 2, .... ni). a) Alkalmazzuk a definícióban szereplő formulát:
p (4 = 10 | 7 = 5) = — ; Pi 4 = i s \ >7 = 5) = — ;
Hasonlóan lehet definiálni az rj valószínűségi változó ^ - x. feltételre vonat
kozó feltételes valószínüségeloszlását. Ekkor már beszélhetünk ezen valószínűség
P ( ^ 2 0 \ 7 = 5 )= -^ .
eloszlások várható értékéről is.
DEFINÍCIÓ. A g diszkrét valószínűségi változó T]=yj feltétel melletti várható ér P(Z = i a\ TJ = 10) = — 1 P( 4 = 15| 17 = 1 0 ) = - ;
tékén az
P( 4 = 20 | 17 = 10) = - ^ - .
M ( 4 \ T f = y j ) = m \ y j ) = Í , x A í = xt \ v = y , ) (5-12)
1 p (€ ~ 10 | 77 = 15) = ; P(4 = 15 | ? = 1 5 ) = - ^ ;
összeget értjük, ha P(rj = y j ) * 0.
/>(£ “ 20 | 77 = 15) = — .
142 143
, 2 5 - .4 120
P(rj = 5\ £ = 1 0 ) = - ; p (r j= i o | í = i o ) = y j ; M in £ = 10) = 5- — + 1 0 ----- h 15 --— = -----.
' 1 * 11 11 11 11
* 4 in
M , l í
£ = 15) = <5 ' —
4
+m 3
10 •— 2
+15 ■— 80
=— ■. (5.15)
^ = 151 £ = 1 0 ) = - .
w i^ ' 9 9 9 9
P(tj = 15] £ = 15) = - . A z T] feltételes várható értékeit mint a £ te M(rj\Z = x,) = m,{x)
hetséges értékeinek függvényét az 5.5. ábra
P(rj = 5| £ = 20) = y y ; P(77 = 10 £ = 20) = szemléleti. i0i
17
P07 = 15| £ - 2 0 ) =
17 10 15 20 JC
b) Az (5,12) és (5.13) alapján
5.8. ábra
M (£ « = .n
77 = 5) 10 —2 + k
15 —4 + 20™ —6 = -----
200 = ■
—50■.
1 12 12 12 12 3
C 'l <C 1QC Mint látjuk, a £ valószínűségi változó 7 -ra vonatkozó feltételes várható értékét
M (£ 1 »7 = 10) = ]0- — + 1 5 -— + 20- — = — = 15. (5.14) Tj lehetséges értékeinek függvényeként kezelhet]tik, hasonlóan r/ feltételes várható
^ 1 13 13 13 13 értéke a £ lehetséges értékeinek függvénye.
i 4 2 6 190
M (£ 7j = 15) = 10- — + !5*— + 20- — = — .
1 12 12 12 12 D e fin íc ió . Az : m 2 (y ) = M (£ [ rj = y ) (y = , y 2 ....... y m) függvényt a £
A £ feltételes várható értéket mint rj lehetséges értékeinek függvényét az valószínűségi változó rj -ni vonatkozó (elsőfajú) regressziós fü g g vé
5.7. ábrán szemléltetjük. nyének, az (x) ~ M{ r j \ £ = .i) (x = , jt2 , . . xn) függvényt
az rj valószínűségi változó £ -re vonatkozó (elsőfajú) regressziós
=y;) = nh(y)
függvényének nevezzük.
20 -
Hangsúlyozzuk, hogy ezek a függvények rj, illetve £ azon lehetséges értékeinek
halmazán vannak értelmezve, amely értekeket a valószínűségi változó pozitív való
színűséggel vesz fel.
10 -
Az 5.7. példabeli eloszlásnál (5.14), illetve (5.15) alapján
120
50 ha x = 10
5 10 15 y 11 '
15 , ha y -1 0 80 , ha
— i, x = 15
5.7. ábra 9
192 , ha
— V y = 15 1 0 , ha x = 2 0
Most nézzük meg az rj feltételes várható értékeit!
144 145
Ezek a diszkrét pontokból álló grafikonok szemléltetik ugyan a két valószínűsé
Közvetlenül is beláthatjuk, de (5.17)-ből és (5.18)-ból is következik, hogy füg
gi változó közti kapcsolat milyenségét, de felmerül az igénye annak, hogy egyetlen
getlenség esetén (ekkor cov(£ ; 7 ) = 0 ) a regressziós függvény állandó:
görbével, vagyis valamilyen képlettel adott g függvénnyel közelítsük az elsőfajú
regressziós fiiggvényt. Itt azonnal adódik a kérdés, hogy mit értsünk jó közelítésen = (íe ^ ),
és milyen függvénytípust válasszunk. Mi példaként egy lineáris függvénnyel köze
lítünk, más függvényekkel való közelítések is hasonló elven működnek, ezekkel m 2 i y) = M ( 4 ) (yeD^).
részletesen a statisztika tárgyon belül foglalkozunk.
Az 5.7. példabeli eloszlás szükséges paramétereit már meghatároztuk (5.4., il
Azt mondjuk, hogy az mt függvényt az a g t(x) = ax + b függvény közelíti a letve 5.5. példa):
legjobban, amelyre az
:Oc
0 ?) =~ ~ » =10, 18,26, D ; ( 7 ) *=1 6 , 2 2 ,
M( [ a £ + b - 7 ] Y )
várható érték a minimális. Itt az a és b paramétereket kell meghatározni, azaz cov(£ ; 7 ) 0 -4,05 .
meg kell vizsgálni, hogy a
így
H( a ■,b) = M{[a% + b- T] Y) g ,W = -0,22* + 13,51,
kétváltozós függvénynek hol van minimuma. g , 0 0 = -0 ,2 5 r + 18,31.
H( a ; b) - M ( a 2^ 2 + 2ab% + b 2 - 2a^t] - 2b?] + tj2) - Ezeket az egyeneseket is az 5,8., illetve az 5.7. ábrán vázoltuk.
= a 2M ( £ 1 ) + 2 a b M ( Z ) + b 2 - 2 a M ( & ) - Megjegyzés:
-2bM(T]) + M( i j 2). Ugyanezt az egyenest kaptuk volna, ha az m t és m2 függvényt a legkisebb négyzetek m ódszerével
közelítettük volna egyenesekkel.
Szélsőérték ott lehet, ahol a parciális deriváltak zérussal egyenlők:
5.8. Példa.
/ / ; ( £ ; 7 ) = 2 a M( 4 2) + 2 b M ( 0 - 2 M ^ r f ) = 0 ,
Legyen a £ és 7 független valószínűségi változók eloszlása:
K iZ ; 77) = 2 ű M (í) + 2i>-2M(T7) = 0 . (5.16)
146
147
M egoldás .
6. TÖBBDIMENZIÓS FOLYTONOS ELOSZLÁSOK*
a) Függetlenség esetén pfJ = p tqp ezért
\ V 0 3 2
í \
í 2 2 1
1
20 20 20 4
9 2 4 4 2
20 20 20 4
Ebben a fejezetben - mint a címe is mutatja - csak folytonos valószínűségi váltó-
1 1 2 2 1
zókkal foglalkozunk. Gyakran hivatkozunk az előző fejezetre, ugyanis az ott álta
20 20 20 4 lánosan kimondott definíciókat, illetve tételeket itt nem ismételjük meg szó szerint,
2 2 2 csupán folytonos példákkal illusztráljuk, illetve megmutatjuk, hogy folytonos el
1
5 5 5 oszlásokra is igaz.
b) M (£) = i - I + 2 - ^ + 3 - i = 2,
4 4 4 5
6.1. Együttes sűrüségfüggvény
c) M ( tj | £ = ] ) = !■ j + 2 - | = | ,
A £ és t] valamely W valószínűségi mező elemi eseményein értelmezett való
M(77| 5 = 2) = l - | + 2 - | = | , színűségi változók együttes eloszlásfüggvényét az előző fejezetben már definiáltuk.
Az eloszlásfüggvény tulajdonságait az 5.2. tételben részleteztük. Most nézzünk egy
M(?7 [ £ = 3) = 1- —+ 2- —= —. példát.
1 5 5 5
6.1. Példa. yi.
íg y /« ,( j:)= - j = Aí C7?)j ha jt = 1, 2, 3. Tekintsük a koordinátás! kon a 0 < x < I ; ^
0 < _y < 1 egységnégyzetet {6,1. ábra). Vá
Hasonlóan
lasszuk ki véletlenszerűen egy pontját, f le
mt ( y ) = 2 t ha y = 0, 1, 2. gyen e pont abszcisszája és r; az ordinátája.
Geometriai valószínűséget feltételezve íijuk
Ez összhangban van azzal a megjegyzésünkkel, hogy függetlenség esetén az fel az együttes eloszlásfüggvényt és a pe
elsőfajú regressziós függvények a konstans függvények. rem-eloszlásfüggvényeket !
6.1. ábra
148
Ha 0 < x í 1 és 0 < y < 1, azaz ( a: ; y ) az egységnégyzetbe esik, akkor az A (6.1)-(6.5) alatti eseteket összefoglalva:
Ha l <x és 1 < y >akkor a teljes négyzet beleesik az (x ;y) pont által meg 6.2. Példa.
határozott síknegyedbe, így a %<x és ?] < y események biztosan bekövetkez Tekintsük azt az / kétváltozós függvényt, amely a 6.1. ábrán látható egység-
négyzeten 1, máshol nulla, azaz
nek, azaz
fl, ha O á x á l és 0 < ^ < 1
■F(x;j0 = 1, 1<jc, \ < y . (6.5)
A x-,y)=
lo egyébként.
150 151
Számítsuk tó az fennáll, akkor a £ és rj együttes eloszlását folytonosnak nevezzük és
f az együttes sűrűségfüggvény ü t
F :F (x;y) = J jf(t;s)dsdt ( 6 .6 )
—50-50 6.1. T é te l, Ha a g és tj valószínűségi változók együttes eloszlása folytonos és
függvény értékét az xy sík minden pontjában! együttes sűrűségfüggvényük f akkor
1, f ( x ; y ) > 0, ( jc ;j;) 6 R 2,
M e g o ld á s . H a x < 0 vagy ^ á O , akkor f ( x ; y) = 0, így
x y 2 - [ \ f { x \ y ) d x d y = \,
F ( x ; y) - \ \ f ( f , s ) d s d t = 0.
- 3 0 —03
3. a <b és c < d esetén
hj
Ha 0 < x < l és 0 <_y <1, akkor /-e t csak a 6.2. ábrán látható vonalkázott tégla P(a <%<b ; c < ? j < d ) = j j f ( x ; y ) d y d x ,
lapon kell integrálni (ettől negatív irányokban / nulla): II c
® oo
x y x y x x
4. \f{x-,y)dy^f(x); j f ( x ; y )d x = f 2( y ) ,
F (x ; y )= j j '/ O '; s)d sd t = J jlö f s ^ = = >>J]<// = _>>x. -<» -aj
00 00 0 0 ahol f y a £, és f 2 az rj sűrűségfüggvénye.
Ha 1 < x és 0 < _ y < l, akkor a 6.3. ábrán látható vonalkázott téglalapon elegen
dő integrálni: Mielőtt a bizonyításhoz kezdenénk, megjegyezzük, hogy a tételből következik,
ir i ha az együttes eloszlás folytonos, akkor külön a £ és külön az rj eloszlása is
F (x ; y ) = Jjlífcűfr = y j d t = y . folytonos. Ezeket itt is perem eloszlásoknak, és az f , f 2 függvényeket pereni-
00 c sűrűségfüggvényeknek nevezzük.
Hasonlóan, ha 0 < x < 1 és 1 < y , akkor
Bizonyítás.
x ! 1. A definícióból következik.
F ( x ; _y) = j^ ld s d í = x , 2. A (6.7) alapján:
00
<*> 0
0 y x
Ha 1 < x és 1 < y , akkor a teljes négyzeten kell integrálni: \ \ f { x ; y ) d x d y = lim [ \ f { t ;s)d td $ = \\m F (x ; y ) = 1.
13
F (x ; y ) = JJW írfí = 1. 3. Az 5.2. tétel 6 . állításából következik (nem részletezzük). Megjegyezzük, hogy
a bal oldalon a < és < jelek bárhol felcserélhetők.
Azt kaptuk, hogy az F a 6.1. példabeli eloszlásfüggvény. Vagyis az F eloszlás- 4. Az 5.2. tétel és (6.7) alapján
függvényhez találtunk olyan / neranegatív függvényt, amelynek a ( 6 .6 ) alatti
integrálfüggvénye F. Fs(x) - lim F ( x ; y ) = lim J J f ( t ;s)d sd t = J / (/ ,s ) d s \ d t .
152 153
Ez minden x-re csak úgy állhat fenn, ha Hasonlóan, ha y > 1, akkor
tű
ft(()= \ f ( l ; s ) d s , íe R .
x +y l + jc 1+y i+y
Az f 1 esete ugyanígy tárgyalható. 0 f ha y < \
F A y) =
6.2. T é t e l . Ha f a £ és rj valószínűségi változók együttes sűrűségfüggvénye és 1 - —^ - , ha 1< > .
1+ y
F az együttes eloszlásfüggvény, akkor minden olyan pontban, ahol f
folytonos: b) A 6.2. tétel szerint:
0 , ha í <1 vagy y
c) f , ( x ) = F,Xx) =
0 ha x < \ vagy y s l 2 ha 1< í,
(U * ):
n *iy ) =
1+- ha l < * és l<;y.
x +y \ +x l + _y 0 , ha j > < 0
154
6.4. Példa.
6.2. Várható érték, korrelációs együttható
Legyen a £ és 77 valószínűségi változók együttes sűrűségfüggvénye;
Könnyen belátható, ha £ és rj a W valószínűségi m ező elemi esem ényein értelme ■jíx + y), ha 0 < jc< 1 és 0 < y < 2
zeti valószínűségi változók, akkor £ + n és £ •77 is valószínűségi változó W-n.
0 egyébként.
Ha £ és 77 valószínűségi változók és együttes sűrűségfüggvényük f akkor meg Szám ítsuk ki az M ( ^ ) , M ( 77) , M f^ + í?) és az M (£ 77) várható értékeket!
lehet mutatni (nem részletezzük), hogy
CÜ CD MEGOLDÁS. Szükségünk van a perem-sürűségfüggvények nullától különböző
^ ( £ + 7 )= J \(x + y ) f { x \ y ) d x d y , értékére. Ha 0 c x < I , akkor
—CO“ *
43 n 2x + 2
M ( Z ' V ) = \ \ x y f { x ,‘ y ) d x d y / , ( * ) = “ í(Jc + > ')rfv= 7 xy + £
-űQ-nJ 3 0 3L 2
= /* /! ( * ) < & + J ^ / 2 (J^) rfy = AZ (^ ) + yV/ ( 7/ ) . Term észetesen ez utóbbi integrálástól m egkím élhettük volna m agunkat, hiszen
-J i -d ( 6 . 8 ) m iatt
Ezzel állításunkat igazoltuk.
W ( í + 7) = A f(í) + AÍ(í7) = | + j =y -
156 157
Szintén a definíció szerint Látjuk, hogy nagyon gyenge ellenkező irányú kapcsolat van a két változó között.
Az 5.5. tétel alapján
2!
Jí 2
M(£Tj) =-3 J \x y (x + j-O^öíy = - J — y +— y
3 2
dy = ♦ , ) - / > * « ) ♦ * ( , ) ♦ 2 co v (í ; „ . J i ♦ 2 - 2 . J |.
a
1 2 1 J 2
-y +-y
6 6 3 '
Amint látjuk,
6.3. Valószínűségi változók függetlensége
M (£-J7)*A f(£)A f(j?).
Az 5.4. pontban definiáltuk két valószínűségi változó függetlenségét. Megmutatjuk,
Az előző fejezetben a kovariancia és a korreláció definíciójában, sőt az 5.4. té hogy a sűrűségfüggvények segítségével is dönthetünk a függetlenség kérdésében.
telben sem szorítkoztunk diszkrét valószínűségi változókra, így ezek az összefüg
gések itt is érvényesek. Nézzünk rájuk egy példát. 6.3. TÉTEL. Legyen % és 7j együttes sűrűségfüggvénye f és a perem-sűrüség-
Jiiggvények f , illetve / , . A £ és az 77 akkor és csak akkor fü g g et
6.5. Példa. lenek, ha
A 6.4. példában szereplő valószínűségi változóknak számítsuk ki a kovarianciá
ját, a korrelációs együtthatóját és a 4 + TJ szórásnégyzetét! /(* ; y)=ffc)-fi(y). ( j c ^ j e R 1.
MEGOLDÁS. Használjuk a 6.4. példabeli eredményeket: Bizonyítás. Tegyük fel, hogy £ és r) független, ekkor a definíció szerint:
A bal oldalon F ( x ; >0 áll, a jobb oldalon f 2 nem függ /-tői, ezért kiemelhető a
belső integráljel elé:
81 . * -0 ,0 8 .
13 23 V 299 F i x ; y ) = f / 2( s)| |/ i (0 dt) ds = \ f (/) dt | / 3( 5 ) * ( A ) f 2 ()0 .
1 6 2 ’ 81 —ca 1^-a J —so -aj
158 159
így a definíció szerint £ és rj függetlenek. Lehet konstruálni olyan folytonos együttes eloszlást, ahol a valószínűségi válto
Folytonos esetben szintén érvényes az 5.8. tétel is, nevezetesen ha az M (£), zók korrelálatlanok, de nem függetlenek. így a korrelálatlanságból folytonos eset
ben sem következik a függetlenség.
M(? 7) és M(£r}) várható értékek léteznek, valamint % és rj függetlenek, altkor
160 161
6.6. Példa. 7. VALÓSZÍNŰSÉGELOSZLÁSOK
Tekintsük a 6.4. példában szereplő valószínűségi változókat, amelyeknek együt
tes sűrűségfüggvénye
K *;y) =
[ 0 egyébként
és a perem-sűrűségfüggvények
A 4, fejezetben láttuk, hogy bármelyik valószínűségi mezőben sokféleképpen ér
ha 0 < y < 2 telmezhetünk valószínűségi változót. Mind diszkrét, mind folytonos valószínűségi
y(jc +1), ha 0 < x < \
/,(* ) = fi(y)= 3 változókból végtelen sok különféle létezik. A gyakorlati felhasználás szempont
0 egyébként, egyébként. jából viszont csak néhány típus játszik jelentős szerepet. Most ezek közül tekintjük
át a számunkra legfontosabbakat, melyeket mi is fogunk használni.
Számítsuk ki az Aí(£ | y) és az M{t}\ x) feltételes várható értékeket! Ha egy diszkrét eloszlású valószínűségi változó viszonylag sok értéket vehet fel,
akkor pl. az
M e g o ld á s , a definíció alapján:
I
f ( x \ y ) = ^ , f ( y \ x) = l ^ ° <JC<1, 0 < -y < 2 ' várható érték kiszámolása hosszadalmas, számolásigényes feladat. Folytonos elosz
lású változónál a paraméter minden apró változása estén újra és újra integrálhatunk,
ha a várható értékre vagy a szórásra szükségünk van, A tárgyalt eloszlásoknál le
íg y fogjuk vezetni a várható értéket és a szórást egyaránt. Ha egy kísérlet kapcsán be
vezetett változó típusát felismeijük, igen sok számolástól menekülhetünk meg.
x x A gyakorlati problémák megoldása során az is szembeötlő lehet, hogy különféle
— +y—
3 2 _ 2 ^ 1 - eloszlásokkal számolva időnként nagyon közeli értékeket kapunk a valószínűsé
| rj) = \ x ^ - ^ - d x =
1 gekre vagy a várható értékre, esetleg a szórásra. A továbbiakban ennek feltételeit is
y+- J^ +
7 2 áttekintjük. Először a diszkrét eloszlások kerülnek sóira.
(0 < y < 2 ).
D is z k r é t e l o s z l á s o k
2x + -
;____ 1 Mint ismeretes, a £, valószínűségi változót akkor nevezzük diszkrét eloszlásúnak,
(0 < x < 1) -
2jc+ 2 2x + 2 ha lehetséges értékeinek halmaza véges vagy megszámlálhatóan végtelen halmaz.
A lehetséges értékekhez tartozó valószínűségeket nevezzük a diszkrét változó el
oszlásának, Ennek megadásával tudjuk az eloszlásokat definiálni.
Amint példánkból is látszik, a feltételes várható értékek függvények, amelyeket
folytonos esetben is (elsőfajú) reg ressziós függvényeknek nevezünk:
m 1 (y ) = M { £ \ y ) , A O ) = °K
m,■
h {x) = M( T ] \ jc) , x e R \ { j c| / ( x ) = o}.
163
162
7.1. Karakterisztikus eloszlás 7.2. Binomiális eloszlás
7.1. Példa. tatnunk, hogy P (£ - k) - 1 . Ehhez a binomiális tételt használjuk fel. Alkalmaz-
Legyen a kísérlet az, hogy egy szabályos játékkockát feldobunk, Válasszuk a ki
meneteleket a szokásos módon: E t = k = a dobott szám értéke (k = 1 ,2 ,..., 6 ). zuk most a binomiális tételt a (q + p )“ hatvány kifejtésére.
Mind a hat elemi esemény valószínűsége 1/6, így egy W klasszikus valószínű
ségi mezőhöz jutunk. (<? + />)" = qn- ' - p + ...+
VV k--0
A z A esemény legyen az, hogy 3 -nál kisebbet dobunk: A = {£,; £ 2} - { l ; 2 }.
Legyen továbbá £ (£ ,) = £ (£ ,) = 1 és í ( £ J) = í ( £ 4) = f ( £ i ) = í ( £ e) = 0 . A £ így tehát
164
165
/ \ Elekor viszont
n
p(n=k) = y ? Y '-\ jfc=0, 1, 2, n.
A szórásra egy kissé bonyolultabb összefüggés igaz (5.5. tétel). Mivel a Bemoulli-
sorozatban független kísérletek szerepelnek, ezért alkalmazhatjuk az 5.5. tétel kö
vetkezményében foglaltakat (ami kettőnél több tagra is érvényes):
166 167
dáshoz szükséges szintet nem éri el. A vizsgálatot egy 400 kísérletből álló, Mivel a nevező ft-tól független konstans, ezt
független kísérletek sorozatának tekintjük. A £ binomiális eloszlású: " / M^ f N - m ' V
(7.3)
Í400' ir-0 Kk JV n ~ k j vn )
*>(£ = *) = 0,04* -0,96* A = 0 , 1, 2, 400. alakba írhatjuk. írjuk fel a (7.3)-at részletezve:
\ \
400 ^WV N -M N -M M N -M
n i3 < í< i7 )= v 0,04* - 0 ,9 6 " _‘ = 0,2965 . n )i-l n- 2
í =mI A J \ 0 J\
N -M
(7.4)
Az M (£) 0,04* ■O^ö11011 * egy 401 tagú összeg. Ennek kiszámo- 0
*=o \ "■ ) Azt, hogy a (7.4) valóban érvényes, egy mintavételi modell felhasználásával igazoljuk.
lásától megmenekülünk, mert a binomiális eloszlású valószínűségi változó vár T ekintsünk egy N elemű halmazt, melyben M darab kitüntetett elem van. Legyen n S W é s
n < N - M . Válasszunk ki a halm azból « elemet visszatevés nélkül. Az üss2es lehetőségek száma
ható értéke M (£) = 400p = 400 ■0,04 = 16 és szórása D( ^ ) = y]npq = 3,92 a
V
7.2. tétel szerint egyszerűen adódik. . Ezt találhatjuk (7.4) bal oldalán. A (7.4) egyenlőség jobb oldalán lévő számok viszont a konk
A /Y N - M N
rét kiválasztási lehetőségek számait adják: , azon lehetőségek szám a, hogy nulla db
1A »
7.3. Hipergeometriai eloszlás
M N -M
kitüntetettet és u db nem kitüntetettet választunk. Az azon lehetőségek száma, hogy
n- 1
D EFIN ÍC IÓ . A £ valószínűségi változói hipergeometriai eloszlásúnak nevezzük, ha I db kitüntetettet és n - 1 nem kitüntetettet választunk ki. Ha így haladunk tovább, az összes konkrét
lehetőséget összeszámláljuk és így a jobb oldalon is az összes lehetőségek szám a adódik.
fM \(N -M \ A (7.3) összefüggést Cauchy-féle tulajdonságnak nevezzük, melynek ismeretes a faktor iá li sokra
n-k alapozott bizonyítása is.
/>(£ = *) A k = 0, 1, 2....... n (7.2)
(N
A binomiális eloszlással való összehasonlítás kedvéért a 7.2. ábrán « = 20-hoz
A /,= 3 0 , =100 (p —0,3), továbbá Aí3 = 5 0 , ^ = 1 0 0 (p = 0,5) értékekkel
és az n, M , N pozitív egész számokra érvényes: n <M < N és megrajzoltuk a hípergeo-
n<N-M . metriai eloszlás grafikon
ját. A vékony vonalak most
A hipergeometriai eloszlást gyakorlatilag a visszatevés nélküli mintavétel leírá sem tartoznak a grafikon
sára használjuk. hoz, csak az egyes para
méterekhez tartozó pontok
Megmutaíjuk, hogy (7.2) eloszlást értelmez, A tagok: pozitívak, ezéri csak a = A) = 1 ösz-
együvé tartozását jelzik.
*=o
szefüggést kell Igazolnunk. Állításunk tehát
169
7.3. TÉTEL. Ha £ hipergeometriai eloszlású, akkor várható értéke ' 30v 470'
M (4 ) = n -p (iahol p = — ), 0A io,_
N P ( £ 2 l) = l - P ( £ = 0) = l - = 0,4645,
'500^
szórásnég)>ze(e q = \ - p jelöléssel
. 10 J
N —}i
D 2 t f ) = npq M {E) = np = n— = 10- — = 0,6
N- 1 N 500
Nem bizonyítjuk. es
Vegyük észre, hogy a binomiális és a hipergeometriai eloszlás várható értéke 30 470 5 0 0 -1 0
azonos. A gyakorlatban rendszerint teljesülő n « N esetén (n „kicsiny” jV-hez = 0,7442.
500' 500 5 0 0 -1
képest) a szórások is közel esnek egymáshoz. Ezért a hipergeometriai eloszlást
gyakran szoktuk a könnyebben kezelhető binomiális eloszlássá! helyettesíteni. Érmek Nézzük meg, milyen közelítő értékeket kapunk az előzőekre, ha binomiális
elméleti megalapozását a következő tételben találjuk. eloszlással közelítünk!
rio''
M P(£al) = l-P (£ = 0 )» l- í 30 T i = 0 ,4 6 1 4 .
7.4. TÉTEL. Ha N és M úgy tartanak végtelenbe, hogy hányadosuk — = p állan IsooJ l
7.3. Példa.
7.4, Poisson-eloszlás
Egy farsangi mulatságon 30 tárgynyereményt sorsolnak ki az eladott 500
tombola vásárlói között. Ha 10 tombolát vettünk, akkor mi a valószínűsége,
hogy nyereménnyel távozhatunk a bálról? Számoljuk ki a nyereményeink szá Az eddig tárgyalt eloszlásokban a változónak mindig véges sok lehetséges értéke
mának várható értékét és szórását is! volt. Most egy olyan diszkrét eloszlással ismerkedünk meg, melyben a változó
megszámláthatóan végtelen sok értéket vehet fel.
MEGOLDÁS. Az N = 500 tombolából M - 30 kitüntetett van. A tombolavásár-
iás pillanatában még nem ismeretes, melyek lesznek a kitüntetett elemek. A 10 DEFINÍCIÓ, a 4 valószínűségi változót Poisson-eloszlásúnak nevezzük, ha lehet
tombola megvásárlásakor egy n = 10 elemű mintát veszünk, visszatevés nélkül. séges értékei: 0, 1, 2, 3, ... és
A nyereményeink száma a 10 elemű mintában lévő kitüntetett elemek szá
ma, hipergeometriai eloszlású valószínűségi változó. Ezért pk= P i4 = k )= ^ -e \ (7.6)
k\
ahol A > 0 rögzített és /c e N .
170 171
-JO 3*-2 <c
Mindenekelőtt megmutatjuk, hogy a (7.6) alatti pozitív számok eloszlást alkot
= Xlé f — ----- + Xe~i y — ----- <
nak, tehát = 1 teljesül rájuk. Most egy végtelen sort kell összegeznünk, ( * -! )! Ü(k~2)\ éí(A -I)!
k = /l2 + X .
melyhez felhasználjuk az e hatványsorát, melyet analízisbeli tanulmányainkból
ismerünk: A levezetéshez ismét felhasználtuk eÁ hatványsorát (7.8), valamint, hogy az
V3 k Összegből a nulla szorzóval rendelkező tagok elhagyhatók. Most m ár könnyen meg
határozhatjuk a szórásnégyzetet.
<7-7>
D \ 4 ) = M (£ 2) - M \ 4 ) = ( l 2 + X ) - X 2 - X ,
Ebből az x = X helyettesítéssel
oá 1k
es így
eA
k-0 K■ D{£) = 4 1 .
-e Á -
k\ ti k\ £ í(* -l)!
172 173
Most pontosabban is megfogalmazzuk az előzőeket. Jelöljük £(-vel egy l hosszúságú időinterval b) Jelöljük 77-val az 5 perc alatt bekövetkező csiliaghuliások számát. Az új idő
lumban valamely ,4 esemény bekövetkezéseinek a számát. Ekkor % lehetséges értékei 0, 1, 2, 3, ... .
intervallumhoz másik X tartozik:
Tegyük fel, hogy teljesül az alábbi három feltétel:
1. A P(4f = k) valószínűségek (k = 0, 1 ,2 ,...) csak az időintervallum hosszától függnek, attól nem, M ( 77) = 5- 6/15 = 2 = A,,
hogy az időt mikor kezdtük el mérni. 2' 2
'> = - ^ = 7 "
2. lim ^ — - =X (ahol X állandó).
t->0 /
Ezt úgy is fogalmazhatjuk, hogy ha / elég kicsi, akkor a P(g - I) közelítőleg aranyos í-veL A Poisson-eloszlást gyakran használjuk a binomiális eloszlás közelítésére. Ennek
3. l i m f f ^ = 0) + P(£t = ] ) ] = ] alapját az alábbi tétel adja.
f->oL ' 1 J
vagyis eiég kicsiny idő alatt az A esemény gyakorlatilag vagy egyszer sem, vagy egyszer követ-
kezík be. 7.7, TÉTEL, //a esetén p -> 0 úgy, hogy leözben az n - p sorozat állandó
Ekkor marad, np - X > 0, akkor q = 1—p jelöléssel
D/í = I\ =
*) --------- e ~U n 3*
k\ lim PH = --e
n—►
«*> * k\
Nem bizonyítjuk.
r t ( n - l ) ... ( n - A + 1) n w- 1 n-k+ 1 .
MEGOLDÁS. hm — 1 ^ 1 = hm ----------- . . . --------------- 1 ,
a) Legyen £ a 10 perc alatt bekövetkező csillaghullások száma. Ha 15 perc n n-w n n n
alatt 6 , akkor 1 perc alatt 6/15, ezért 10 perc alatt 60/15 a csillaghullások mert a k tényező mindegyike 1 -hez tart.
átlaga: M (£) = 60/15 = 4 .
Másrészt M{£,) —X, ezért X - A . X* Xk
lim— = — , mert a kifejtésben nem szerepel az n, konstansként visel-
k\ k\
4° _4 4' 4 1 _4 4 3
n í > 3 ) = i - p ( í < 3 ) = i - — e + — e + -— e +— e kedik.
0! 1! 2! 3!
64^ ,4 71
71 . limf 1—— | - lim f 1 + —^ \ =- e z , mint a sorozatnál tanultuk analízisből.
= l - | l +4 + 8 +— e - 1 ----- e
6 3
174 175
A K
lim 1-----=1 = 1, mert a kitevő rögzített. *>(£ = 2) = ^ = V =0,1839
n 21 2
Ezeket felhasználva adódik, ami a probléma szempontjából még mindig jónak mondható.
2k 2* -J
lim o„ ( ■qi i -k = 11-----
71
e -It = —
^
e .
n—mo
\kj ki ki
7.5. Geometriai eloszlás
7.5. Példa.
M agyarországon a forgalomban lévő gépjármüvek 10%-a olasz gyártmányú.
Mennyi a valószínűsége, hogy véletlenszerűen kiválasztva egy forgalomirányító D EFINÍCIÓ , A £ valószínűségi változót geom etriai eloszlásának nevezzük, ha
lámpát és időpontot, a következő piros jelzésnél megálló első 10 jármű között lehetséges értékei I, 2, 3, ... és
2 olasz gyártmányú lesz?
P t =P{ S = k) = qk-l -P ,
MEGOLDÁS. Legyen f a kiválasztott 10 jármű között az olasz gyártmányúak ahol 0 < p < 1, q = 1- p és k = 0, 1, 2, 3........
szama. A < hipergeometriai eloszlású is, de mivel N értékét nem ismerjük,
közelítő megoldást alkalmazunk. A z N „elég nagy”, ezért a 7.4. tétellel „elég jó ” Megmutatjuk, hogy ez a végtelen sok pozitív szám valóban eloszlást alkot, tehát
közelítést kapunk.
a ^ p k =1 összefüggés teljesül.
''lO'' k
ta
n í - 2 ); 0 ,lz -0,9a = 0,I937.
v2, Ismeretes, hogy a ^ a - q" geometriai sor konvergens, ha | c/1 < 1 és összege
n=0
Hogy a közelítésünk pontosságáról képet kapjunk, kiszámoljuk a
S = a —-— . Ezt alkalmazva
1- q
8 CO « 1 1
- -n - . 1 ./
/ í-i 4=1 n=o i q p
v10 Geometriai eloszlású valószínűségi változóval találkozhatunk például a kö
értékét különböző N értékekre. Egy ilyen valószínűséget ugyan nincs értelme vetkező esetben.
3-4 tizedesnél pontosabban meghatározni, de most az eltérések értékelhetősége Tekintsünk egy véletlen kísérletet és egy azzal kapcsolatos A eseményt, melyre
okán kivételt teszünk. Ha P(A) = p , Végezzük el a kísérletet újra meg újra, egymástól függetlenül mindad
dig, amíg az A esemény be nem következik. Jelölje a ^ valószínűségi változó azt
N = 4 millió, P(4 = 2) = 0,19371043 ,
a számot, ahányadikra az A esemény bekövetkezett. Ekkor £ geometriai eloszlá
N = 3 millió, P( 4 = 2) - 0,19371049,
sú, ugyanis lehetséges értékei 1, 2, 3, ... és a függetlenség miatt annak valószínű
N - 2 mülíó, P (£ = 2) = 0,1937106.
sége, hogy az első k - \ kísérletben A nem következik be, q kA , hogy a hadikban
Mindegyik érték 6 tízedesjegyig egyezik a binomiális közelítés 0,19371024 -es A bekövetkezik, p. így aztán
értékével. Most a m ár eleve közelítésként alkalmazott binomiális eloszlást a
7.7. tétel felhasználásával Poisson-eloszlással közelítjük. A X - n p = 10- 0,1 = i P t f = k) = q “ - p .
paraméterértékkel
Most térjünk rá a várható értékre és a szórásra.
176 177
7.8. TÉTEL. Ha a % valószínűségi változó geom etriai eloszlású, akkor várható
ahonnan a várható érték: S --------= — .
értéke és szórása 1- q p
t i A szórást hasonló eszközökkel számolhatjuk ki.
£»(£) = Nem részletezzük.
P
A 7.5. ábrán p - 0,3 és p - 0,5 paraméterekkel elkészítettük a geometriai elosz
Bizonyítás. A várható érték az
lás pontdiagramját.
(7.9)
végtelen sor összegeként adódik. Azt, hogy (7.9) egyáltalán konvergens, a hánya
doskritérium segítségéve] látjuk be.
(n + \)q"p n+ 1 . ,, ,
= ------q -> q < 1 (ha « -> « > ).
nq p n
n +1
Ez pedig azt jelenti, hogy alkalmas n 0 -nál nagyobb index esetén az
q 1+ 9
2 7.6. Példa.
7.4. ábra Megfigyelték, hogy egy gyártósorról lekerülő halogén izzók között a hibásak re
latív gyakorisága 0,01. Jelölje a £ azt a számot, ahányadikra a minőségi ellenőr
az első hibás terméket megtalálja. Tekintsük a valószínűséget és a relatív gya
De ekkor n > n0 esetén *+ 9 i
< íi =■~ i r < ] - koriságot egyenlőnek. Adjuk meg a £ eloszlását, várható értékét, szórását és
annak valószínűségét, hogy az első 10 termék között nem találunk hibásat!
Kiszámoljuk a (7.9) sor összegét, vagyis a várható értéket.
M egoldás . A változó geometriai eloszlású, ezért
S = p{1 + 2q + 3q 2 +4q* + (7.10)
S - q —p(q + 2 q l + 3q 1 + 4q* + . . . ) . (7.11) P{£ = *) = 0,99**' ■0,01, t = l, 2, 3, 4, ....
A (7.11) egyenlőséget a (7.10)-nek q-vs\ való szorzásával kaptuk. Most kivonjuk A várható érték
(7.10)-böl (7.1 l)-et.
w « > - -p = 7 0,01
7 7 = 100-
S —Sq —p(\ + q + q* + q + q + . . . ) .
A jobb oldali mértani sort összegezve: Tehát, ha sok napon keresztül figyeljük az ellenőr tevékenyégét és átlagoljuk
a naponta először megtalált hibás termékekhez tartozó számot (hányadikra ta
lálta), akkor egy 100-hoz közeli érték adódik. A konkrét értékek ettől gyakran
S Q - g ) ^ p - ^ - = p - - = i.
P messze is lehetnek, mert
178 179
A z így definiált / valóban valamely folytonos valószínűségi változónak a sűrű
p 0,01 ségfüggvénye, mert a < b miatt / ( * ) ^ 0 , l e R és
Végezetül
\ f { x ) d x = J —1— d r = ]* = | _ £ = l
LQ 4, *b-a b-a " b-a
P{£ > 10) = 1- P{4 < 10) = 1 - £ 0 ,9 9 * -’ ■0,01 = 0,904 .
Az eloszlásfüggvényt könnyen előállíthatjuk.
Jt X
A megismert egydimenziós diszkrét valószínűségi eloszlások több irányban is Ha x <, a , akkor / (x) = j f = Jorfí = 0.
általánosíthatók, illetve kapcsolhatók más eloszlásokhoz, melyek speciális területe -tf —in
ken nagyon fontosak lehetnek. Vannak olyanok, melyeket szakemberek részére írt Ha a < x < b , akkor
könyvekben általánosabban tárgyalnak. Mi a diszkrét eloszlásokkal ennél részlete
sebben nem foglalkozunk, áttérünk a folytonos eloszlásokra. F( *) = ( / = f 0 * + M — dt = —! _ [ / ] ' =
J —JoT> >b-a b ~ a L J" b - a
F o l y t o n o s elo sz l á so k
Ha b < x , akkor F( x)J/ = dt = Jo + J—-— dt + Jo Jí = 1 .
Ha a 4 valószínűségi változó folytonos eloszlású, akkor bármely xDe R értéket -«■ -« n^ ^ b
Ezeket összefoglaljuk egy képletbe:
nulla valószínűséggel vesz fel (4.4. tétel):
0 , ha x < a
P ( Z = x 0) = 0 .
x-a , ,
Ezért a diszkrét eloszlásoknál felhasznált valószínüségeloszlás szerepét itt a sűrű F : F ( x ) = ------ , ha a < x £ b (7.13)
b-a
ségfüggvény veszi át, de az eloszlásfüggvényt is sokkal hangsúlyosabban fogjuk
alkalmazni, m int a diszkrét esetben tettük. Folytonos eloszlásból is végtelen sok 1 , ha x < b .
van, melyekből csak néhány játszik igazán fontos szerepet. Ebben a fejezetben az
Az egyenletes eloszlás sűrűségfüggvényének és eloszlásfüggvényének grafikon
egyenletes és az exponenciális eloszlásokkal ismerkedünk meg. A közgazdasági
ját a 7.6. ábrán láthatjuk.
gyakorlatban és egyéb területeken is kiemelkedően fontos normális eloszlást és az
abból származtatott eloszlásokat egy külön fejezetben tárgyaljuk.
180 181
7.9. TÉTEL. Ha a 4 valószínűségi változó az ] a ; /; [ intervallum on egyenletes 0 , ha x < 0
eloszlású, akkor várható értéke és szórása: 1
ha O c x c lO
/ ( * ) = 10 F( X) - — , ha 0 < x < 10
a +b b -a 10
M (& = D (4) = 0 máshol
2 ' 2S ' 1 , ha 10 < x.
0 + 10 c ^ 1 0 -0 5
Bizonyítás. A várható érték:
2 ’ C (í)= i v r v r
00 6 1 1 (
M (£ ,)- \ x f ( x ) d x - \ x -------dx = —
J J bh —
- an b—
h -a 2^3 2^ r F [5 + 2s r F 2 V3 ,
1 b2 a +b 5
5+
b-a 2 2 V3 2 V3
= 0,289.
A második momentum: 10 10 2 V3
bl - a %
^ ( £ 2) ~ I' x 2f ( x ) d x - íx 2 —-— d x - ^
J J h
b—- art b-a 3( b - a )
1.1. Exponenciális eloszlás
(b - a)(b 2 + ab + a 2) b 2 + ab + a
3( b - a ) 3
D e fin íc ió . valószínűségi változót ex p o n e n ciá lis e lo szlá sú n a k nevezzük, ha
£
A szórásnégyzet: s űrűségfüggvénye
b 2 + ab + a 2 a + \2 ( b - a )2 \X-e~ÁI, ha x > 0
D \ t ) = M ( ? ) - M 2 (4 ) = /:/(* )= 7' 14
12 [ 0 , ha x < 0 (x e R )
182 183
Ki fogjuk számolni az eloszlásfüggvényt. Ezt az Bizonyítás. A várható érték kiszámításához szükséges primitív függvényt a parciális
integrálás módszerével meghatározhatjuk, így
F( x ) = \ f ( t ) d t n U n
_0ü
M (4 ) = \xf (x)dx=\üdx+\xX£-**dx =
formulából, integrálással tudjuk megtenni.
jf ~lh
Ha * < 0 , F{ic)= j0 r f /= 0 , e ----1 e -Á l
= Hm —x, , -jLc
A—KO
-go
0 x A határérték kiszámításához felhasználtuk azt az analízisből ismert tényt, hogy
Ha 0 < jc , F( x) = J0rfí+ +e° = .
lim— = 0.
Az eloszlásfüggvény tehát: a, g1
0 ha x < 0 A szórás meghatározásához szükségünk lesz a második momentumra. Ezt kétszeri
F:F(x) =< parciális integrálás segítségéve] nyeljük.
l - e -At, ha 0 < x (jc e R ).
tv y m
Az exponenciális eloszlás sűrűség-, illetve eloszlásfüggvényének grafikonját M ( 4 1) = J V /(*)<& = J0í& + f x 2Xe~*dx =
X —1 és X - 2 paraméterekkel a 7.7., illetve a 7.8. ábrán rajzoltuk meg. A sű
rűségfüggvény grafikonja szembeötlő hasonlóságot mutat a geometriai eloszlás _2_
pontjainak grafikonon való elhelyezkedésével, ha azokat összekötjük szakaszokkal = lim - x 2e~kx + 2 x e '?J>-
X2 X2
(7.5. ábra).
így aztán
D \ 4 ) =M { ? ) - M \ 4 ) =~ - \ ~ \
illetve
d (^ - t
A gyakorlatban elég sok olyan jelenség van, amit exponenciális eloszlással tu
dunk leírni. Jelölje a 4 valószínűségi változó valamely A esemény bekövetkezéséig
7.7. ábra 7.8. ábra eltelt idő hosszát. Ha az esemény bekövetkezésének a valószínűsége csak az idő
intervallum hosszától függ, de független attól, hogy az időt mikor kezdjük el mérni,
akkor a 4 exponenciális eloszlású. Ezt a tulajdonságot „örökifjú” tulajdonságnak
7.10. TÉTEL. Ha a 4 valószínűségi változó exponenciális eloszlású, akkor várható
nevezzük. Ezzel a tulajdonsággal rendelkeznek például a radioaktív atomok. Az,
értéke és szórása:
hogy egy radioaktív atom elbomlik-e vagy sem, egy egyórás időintervallumban,
M { 4 ) = D( 4) = \ . független attól, hogy az időt mikor kezdjük el mérni, ha addig még nem bomlott el.
A Jó közelítéssel „örökifjúnak” tekinthető egy nagy élelmiszer-áruház pénztári sora
is. Ha ugyanis a sor „nem termelődik újra”, az üzletet előbb-utóbb bezárják. Az az
idő, amit a pénztárnál sorunkra várva töltünk, szintén exponenciális eloszlású.
184 185
Ha egy intervallumba eső pontok száma Poisson-eloszlású, akkor a szomszédos c) A tizedik perc a kilencedik végén kezdődik, így
pontok távolsága exponenciális eloszlású és viszont, ha a szomszédos pontok távol
-i-io
ságáról ismert, hogy exponenciális eloszlású, akkor egy intervallumba eső pontok P(9 < 4 < 10) = F (10) - F ( 9 ) = l - e 10 - ( 1 —* 30 ) =
száma Poisson-eloszlású. )6 _40
= e ' 30 - e 30 =0,038,
Jelöljük a 4 eloszlásfüggvényéi F-feí. Akkor a G(jt) = l - F(x) ( x í Q ) annak a valószínűsége, hogy
A az x idő alatt nem következik be. Ekkor nyilván G monoton csökkenő és C (0 )= I. A feltételezett
„örökifjú" tulajdonságból a feltételes valószínűség definíciója szerint 7.9. Példa.
Az egyik budapesti útszakaszon egy tavaszi napon 100 méterenként átlag 2 ká
P{4>y) = P (S * x +y \e > x ) =
tyút regisztráltak. A szomszédos kátyúk távolsága exponenciális eloszlást követ
P((4Zx + y ) ( 4 * x ) ) _ P tfZ x + y ) Mennyi a valószínűsége, hogy
~ P{4 s jc) P(4 * *) a) induJási pontunkat követően 150 méteren belül találhatunk kátyút?
adódik, mén + c (^ > x). b) ha az első 50 méteren belül nincs kátyú, 50 és 200 méter között lesz?
Tehát c) az első 200 méteren legalább 3 kátyú lesz?
™ , CÍJc + J')
G(j0 = ~ rC{
T x)
~T' M e g o ld á s . Jelölje 4 az első kátyúnak az indulási pontunktól mért távolságát
Megmutatható, hogy ennek a függvény egyenletnek a folytonos függvények közül csak a
A 4 változó exponenciális eloszlású, — = M ( 4 ) = 50 .
A
G ( x ) = e~í ' (xZQ, /l>0)
-— 150 ,
függvény tesz eleget. így a) < 150) = /^(150) = 1—e 50 = \ - e =0,95.
F ( x ) = \ - e ~ Xl / L>0 ) í>) Az „örökifjú" tulajdonság miatt ugyanannyi, mint az előző. Ha ez esetleg el
következik, lehál az „örökifjú” tulajdonsággal rendelkező változó exponenciális elosztású. kerülné a figyelmünket, egyszerű számolással adódik:
P(5Q < £ < 2 0 0 és 4 > 50)
7.8. Példa. 7^(50 < 4 < 200 [ 4 > 50) = -
P( 4 > 50) "
Egy önkormányzati hivatal egyik osztályára szerdai napokon 11’° és 1200 óra
P(50 £ 4 < 200) f (200) - F(50)
között átlag 4 ügyfél érkezik. Mennyi a valószínűsége, hogy a szerda 1 l40-kor
p ( 4 >50) l-f(5 0 )
érkező ügyfél után
a) legalább 10 percet; -— 200 ^ -— 50^
1 - e í0 l - e 50 -1 -4
b) pontosan 10 percet kell várni a következő ügyfél érkezéséig? e -e
\ = I - e-3 = 0,95.
c) a tizedik percben érkezik a következő ügyfél? -1
ít)Nl
1 - 1 - e so
MEGOLDÁS, Jelöljük f -vei azt az időt, amennyit a 1 l40-kor érkező ügyfél után v. J
várni kell, a következő ügyfél érkezéséig. A 4 exponenciális eloszlású. Két ügy c) Legyen 7; a [0; 200] intervallumon található kátyúk száma. Mivel 4 expo
fél érkezése között átlag — perc telik el, ezért — - M (4) = — • nencíális, ezért rj Poisson-eloszlású. Ha 100 méteren átlag 2, akkor 200 mé
4 a 4 teren átlag 4 = M(r}) = \ kátyú van.
á) p ( í > i o ) = i - í > ( í < i o ) = i - F a o ) - i - ( i - e - í lo)=
P(rf > 3) = 1- F(i} < 3) = 1 - — e — e —■ e
= 30 10 -= e in -=0,264.
- e0-—
30 I 0! 1! 2!
b) P ( 4 = 10) = 0, mert 4 folytonos eloszlású (4.4. tétel). = l - 1 3 - e H =0,7652.
186 181
Ennek az integrálnak a kiszámítása általunk nem ismert apparátust igényel,
8. NORMÁLIS ELOSZLÁS,
ugyanis az integrandusnak nincs az elemi függvények és véges számú alapműveletek
NORMÁLISBÓL SZÁRMAZTATOTT ELOSZLÁSOK segítségével felírható primitív függvénye. Ezért (8.1) igazolását nem részletezzük.
Bizonyítás.
Tekintsük a lim e 7 - e 2 =0 .
J otz i,h
i
/ 0,2- 0 (x) =
• J lx
o,i-
Értékeit, mint említettük, nem tudjuk a Newton-Leibniz-form ulával kiszámítani,
i i * csak numerikus módszerekkel. Ezeket táblázatba foglalják, megfelelő pontossággal.
-2 -1 ) l 2 x Mivel (p páros függvény, x > 0 esetén felhasználva (8.1)-et (8.2. ábra):
188 189
8.1. Példa.
Egy automata 150 mm-es csavarokat gyárt. Jelöljük 77-val egy véletlensze
■JlK i , V2?T ; rűen kiválasztott csavar méretének a 150 mm-től való eltérését. Ha 77 standard
normális eloszlású és maximum 2 mm-es eltérés fogadható el, hány % a selejt
— i = fe 2 d x = l - 0 (x). (0 (2 ) -0 ,9 7 7 2 )?
y}27T
MEGOLDÁS. Annak valószínűsége, hogy selejteset választunk:
P( \ t j \ > 2 ) = \ - P { - 2 <?]< 2 ) = \ - [ ® ( 2 ) - ® { - 2 )\ =
- 1 - [0(2) - (I - 0(2))} = 2 - 2 0 ( 2 ) = 0,046.
1 (x-nA 1
f : f ( x ) = - < p \------- k - J z = e 2ff' (8.4. ábra), (8.5)
<y \ <j ) <j\1 2 k
190 191
eloszlásfüggvénye 8.2. Példa.
A tejeszacskóba névlegesen 1 liter tejet tölt az automata. A zacskóban levő tej
F:FM =J ^ i (8 .6) mennyisége normális eloszlású.
a) Mekkora a valószínűsége, hogy az általunk vásárolt zacskónál 0,5 dl-nél
Ezt az eloszlást röviden N( m ; a ) -val szokták jelölni. kisebb az l litertől való eltérés, ha a szórás 0,2 dl?
ti) A felmérések szerint a zacskók 95%-ánál l dl-nél kisebb eltérést észlelnek.
Mekkora a szórás?
- 0 ( 2 , 5) - 0 ( - 2 ,5) = 2 0 ( 2 ,5) - 1 ®
^ 2- 0,9938-1 = 0,9876.
8,4. ábra Tehát a keresett valószínűség: 0,9876 .
''11-10'S * ( 9 - 1 0
b) 0,95 = P(9 < 4 < U ) = F ( l l ) - F ( 9 ) = 0 - -<P
Megjegyzés:
Ügy is eljárhattunk volna, hogy a normális eloszlást a (8.5) sűrűségfüggvénnyel
definiáljuk, és az m = 0, cr - 1 speciális esetet nevezzük el standard normális el = 2 < P |i-h l.
oszlásúnak. Könnyű látnij hogy a 2 N(m , a ) eloszlásból a standard normális, azaz
Ebből
az yV(0 ; 1) eloszlás a (8.4) transzformáció inverzével, az
£+£+.■■ + £
n
192 193
számtani átlag várhatóan pontosabb, mint egy mérés eredménye, ha ennek kisebb a „ £, + ... + £ - n m
szórása. Erre vonatkozik a következő tétel. * ? » ------------ 1=------ ~ (8-»)
a-yjn
valószínűségi változók eloszlásfüggvényei olyan sorozatot alkotnak,
8.3. T é tel . Ha £ , £ , ..., £ , független valószínűségi változók és =
amely minden x e R pontban a standard normális eloszlás eloszlás-
= (/= 1, 2....... n ), akkor fuggvényéhez tart:
6 + & + ■■• + & (8.7) lim />(?/„ < x) = 0 (x).
/I
194 195
így a keresett valószínűség
w í [ k J U J U y
Megjegyzés:
Láttuk az előző fejezetben, hogy ha £ binomiális eloszlású valószínűségi változó,
akkor független karakterisztikus valószínűségi változók összege. így az «-et növel
ve a binomiális eloszlás is a fenti módon a normális eloszláshoz tart.
0 5 10 15 20 25 30 35 40
Az eddigiekből is kitűnik, hogy a normális eloszlásnak a valószínűségszámításban
8,5. ábra
és a statisztikában kitüntetett szerepe van.
=\ (i = l, 2, .... n ).
8.3. Normálisból származtatott eloszlások
így
A matematikai statisztikában gyakran van szükségünk olyan eloszlásokra, amelyek
standard normális eloszlású valószínűségi változókból alkotott algebrai kifejezések.
Parciális integrálással megmutatható, hogy
A gyakorlatban ezeknek csupán az eloszlásfüggvényeit használjuk egy meglehető
sen szűk tartományban. Mivel az eloszlásfüggvények integrál nélküli felírása ugyan £> *(£) = 2 (í = l, 2, ..., n ),
úgy nehézségekbe ütközik, mint a normális eloszlásnál és a sűrűségfüggvények sem
egyszerűek, ezek felírását mellőzzük. Az eloszlásfüggvények szükséges értékeit így
táblázatok tartalmazzák.
D l i x l ) = 2n.
A KH ÍN ÉGYZ ET-E LOSZLÁS Mint már említettük, az eloszlásfüggvény értékeit a legtöbbször előforduló tar
tományban táblázat tartalmazza.
D EFINÍCIÓ . Ha 4,, 42> ■■■> f ö s s e t ^e n > S t a n d a r d n o r m á lis e lo s z lá s ú v a ló s z ín ű
Természetesen egy nemnegatív valószínűségi változó négyzetgyöke is valószí
nűségi változó. A
ségi v á l t o z ó k , akkor a
196 197
D EFINÍCIÓ . Ha ?]. 42 ........független, Standard normális eloszlású valószí
nűségi változók, akkor a
V S -"-6 /
* ».I.I
6 6
* * t t 2 f i
valószínűségi változó elég nagy «-re tekinthető x -eloszlásúnak.
valószínűségi változót n szabadságfokú Síudent- vagy t-eloszlásúnak
MEGOLDÁS. A v) , v l t . . . , v 6 valószínűségi változók binomiális eloszlásúak: nevezzük.
M( v , ) = n ±ö 0 > i) = ff- oI ' 76 <i = 1' 2 ’ ’ 6>' A t2, /B és ílü sűrűségfüggvénye a 8 .6 . ábrán látható. Ezen az ábrán vázoltuk a
í30 szórásával azonos szórású normális eloszlás sűrűségfüggvényét is. Ebből is jól
ig y a látszik, hogy nagy n-ek esetén a /„-eloszlás jól közelíthető normális eloszlással.
1 Eloszlásfüggvényeinek értékeit a szükséges tartományban szintén táblázat tartal
vi ~ n ■— mazza.
5 = ,---------- C<=1. 2, .... 6)
I 2 .5
V *6 6
valószínűségi változók várható értéke 0 és szórása 1.
Említettük, hogy nagy n esetén a binomiális eloszlás közelíthető normálissal,
azaz a ^ valószínűségi változók közelítőleg (aszimptotikusan) standard normá
lis eloszlásúak. Ezért a definíció szerint
# + £ + ... + £
2 ,
aszim ptotikusan^ -eloszlású, amit bizonyítani akartunk.
Megjegyezzük, hogy + v 1 + . . . + v 6 = n lehet csak, így a 4 \ + ^ l +
+ í s = 0 egyenlőségnek is fenn kell állni. Ez nemcsak a függetlenségbe zavar be
A tH-eloszlás várható értéke csak n > 2 esetén létezik.
egy kicsit, hanem azt is jelenti, hogy a ^ + 41 szabadságfoka eggyel
Az n - 1-nél (Caucby-eloszlás) a sűrűségfüggvény
kevesebb: 5.
1 1
A 8.4. példában bemutatott gondolaton alapul a ^ -p ró b á v a l történő illeszkedés 71 1 + \ +x2
vizsgálat, amelyre a statisztika tárgy keretében térünk ki részletesen.
ahol az improprms íntegi ál nem konvergens. Ha n> 2 , akkor = 0 . A szórás
A S tudent - féle t- eloszlás csak n> 3 esetén létezik, ekkor
198 199
AZ F-ÉS A Z-ELOSZLÁS Egyszerűsítés után figyelembe véve (8.1)-et adódik, hogy
z = \n -ÍF R ( p ; v) = r .
valószínűségi változó eloszlását Fischer-féle z-eloszlásnak nevezzük.
Ha a (8.9)-ben r = 0 , akkor
1 _í :_z '
( p{x\ y) = — e 2 z =(py{x)(pz(y) (8.10)
Ln
8.4. Kétváltozós normális eloszlás*
(<px = <p2, hiszen mindkettő standard normális eloszlás sűrűségfüggvénye). A (8.10)
azt jelenti, hogy ebben az esetben a korrdálatlanságból következik a függetlenség
DEFINÍCIÓ. A u és v valószínűségi változók együttes eloszlása standard normá (mint tudjuk, ez általában nem igaz).
lis, ha együttes sűrűségfüggvényük
1 ---- — [.r-lfíT+i'2] DEFINÍCIÓ. Legyenek cr, > 0 , a 2 > 0 , m, és m 2 valós számok, valamint {4 és v
‘ I ( l - r 3) L J
<p:<p(x\y) = (8.9) együttes eloszlása standard normális. Ekkor a
2 W l-í
4 = o -^ + m u r ] = a 1v + m 7 ( 8 . 11)
ahol - l < r < l .
valószínűségi változók együttes eloszlását normális eloszlásnak (vagy
Azt, hogy ez valóban sűrűségfüggvény, nem 'bizonyítjuk. ^ kétváltozós normális eloszlásnak) nevezzük.
Az jogosít fel bennünket a standard normális jelzőre, hogy a peremeloszlások
A 4 és r} együttes sűrűségfüggvénye; (8.9)-ből
standard normálisak. Például
: r [t-w ii) ( y -u h ) | {y -n h f
1 je dy = f ( x i y ) = --------- ^ ----- r e 2ÍW)
2^crlí7IVl - r
á -------rriy-n)1
dy = A perem-sürííségfüggvények:
—rft
y~rx ->
=t 1 í1 4— 1 r —1—i , nr~
7TO~2
= —= £ 2 __ 1,----- =• \e 1 - J l - r dt
V T 7 _
y = y j \ - r 2t + rx
200 201
A paraméterek: . 9. BECSLŐ FORMULÁK
M (£) = m,, M (77) = m 2 , £>(£) = <7,, D(ij)-=ct2> R( f ; r j ) = r,
Az előzőekben láttuk, hogy a várható érték körüli ingadozás egyik fontos mérő
száma a szórás. A Csebisev-egyenlÖtlenség gyakorlati jelentősége abban van, hogy
segítségével a várható értéktől való eltérések valószínűségét a2 eloszlás ismerete
nélkül, csupán a várható érték és a szórás ismeretének a birtokában megbecsülhet
jük. A Csebisev-egyentötlenség a Markov-egyenlőtlenség segítségével igazolható,
ezért először a Markov-egyenlŐtlenséget tárgyaljuk, amelyet szintén használhatunk
valószínűségek becslésére,
y. (9.1)
P(rj>a)<^^-. (9.2)
a
Bizonyítás. Ha 77 diszkrét valószínűségi változó és lehetséges értékei 0 < y: < y 2 <
akkor
M (? ) = ^ y , p 0? = y<) = Y , y A v = w + £ y f i v = y ,) ^
tel y, <a y, irt
^ =x) * E apfo=yJ
y ,2 a y ,in
=y J= a P - a)•
203
flO u CO 00
M(r}) = Jy g ( y ) d y = j y g ( y ) d y + \y g ( y ) d y > j y g ( y ) d y > Mivel a 1 > b 1 akkor és csak akkor áll fenn, ha |a | i>| b \ , a (9.4) alatti egyenlőtlen
a a
0 0
ség ekvivalens a
ÚD
> a ^ g ( y ) d y = aP(T]>á) .
p [ \t-M (£ )\> J tD (o )< X
-
Innen már egyszerűen adódik állításunk.
egyenlőtlenséggel.
9.1. Példa. Ha itt a / > 1 paramétert í s-re cseréljük, adódik a2 állításunk.
Legyen 7] pozitív valószínűségi változó, amelynek a várható értéke M{if) - 8.
A tétel szerint tehát annak valószínűsége, hogy a valószínűségi változó a várható
Számítsuk ki, hogy legfeljebb milyen valószínűséggel veszi fel az r/ a 4S vagy értéktől a szórás /-szeresénél nagyobb mértékben tér el, a t növekedésével egyre
annál nagyobb értéket! csökken.
A tétel segítségével a várható értéktől való eltérésnek a valószínűségét akkor is
MEGOLDÁS. A probléma megoldására alkalmazhatjuk a Markov-egyenlőtlensé- meg tudjuk becsülni, mint már említettük, ha az eloszlás jellemzői közül csupán a
get, mível az rj valószínűségi változóról kikötöttük, hogy csak pozitív értékeket szórás ismeretes. Ezt szemlélteti a 9.1. ábra.
vehet fel.
A Markov-egyenlŐtlenségbe helyettesítve a példa adatait íM ( t}) = 4 8 , ahon legfeljebb -j?
nan / = 6 , a következő összefüggést kapj uk:
annak a valószínűsége, hogy a £ megfigyeli értéke a
jelölt intervallumok valamelyikébe esik
/> (/7 > 6 '8 )< -U o ,1 6 6 7 .
6
Tehát az rj valószínűségi változó a 48 vagy annál nagyobb értékeket legfeljebb
0,167 valószínűséggel veheti fel.
204
205
9.3. Példa.
legalább 1 - -jf
Tapasztalati adatokból ismert a £ valószínűségi változó várható értéke és szó
annak a valószínűsége, hogy a £, megfigyelt értéke ebbe az rása, am elyek M{ 4 ) = 12 és D{£,) = 2.
intervallumba esik
a) N em ismert a £ valószínűségi változó eloszlása. Becsüljük meg a P (8 < ^ < 1 5 )
valószínűséget! .
b) Mekkora a P (8 < ^ <15) valószínűség, ha t, binom iáis eloszlású?
------------- í i ~ [--------------
M(í)-tD{í) M{Q M(Q + íD(0 c) Mekkora a P (8 < | <15) valószínűség, ha £ folytonos egyenletes eloszlású?
MEGOLDÁS. Mivel a [0,8;5,6] intervallum felírható a [3 ,2 -2 ,4 ; 3,2 + 2,4] p ( 8 < £ < i 5 ) > / í( 9 < £ < 1 5 ) > p f l 2 - | 2 < £ < 1 2 + | 2 l >
alakban, így
> 1 ----- 1— >0,56.
2,4 = 7£>(£) = 1,6/, amiből t = ^ ~ = 1,5. 3
1,6
Ennek megfelelően
T ehát annak a valószínűsége, hogy az ism eretlen eloszlású £ valószínűségi
P(Q,% < £ < 5,6) £ 1 - ~ = 1 - ~ 0,56. változó a ]8 ; 15 [ intervallumba esik, 0,56-nál nagyobb.
t 1,5
Megjegyzés:
Legalább 0,56 tehát annak a valószínűsége, hogy a t, m egfigyelt értéke a
Ha a ] 8 ; 15 [ intervallumon kívülre esés valószínűségét becsültük volna (9.3)
[0,8 ; 5,6] intervallumba esik. Úgy is mondhatjuk, az várható, hogy pl. 100 füg
segítségével felülről, akkor a ] 8 ; 16 [ várható értékre szimmetrikus interval
getlen kísérlet közül átlagosan legalább 56 esetben lesz a £ m egfigyelt értéke a
lumra kellett volna áttérni.
[0,8 ; 5,6] intervallumban, ha nagyon sok százas független kísérletsorozatot haj
b) H a £, binom iális eloszlású valószínűségi változó, a várható értéke M( ^) =
tunk végre.
= n p ~ 12, a szórásnégyzete D 2(%) = npq = 4. A z np értékét az npq = 4
A Csebisev-egyenlőtlenség általános érvényű. Minden olyan valószínűségelosz 1 2
lásra érvényes, amelynek létezik a szórása. Éppen ezért adott nagyságú eltérés egyenletbe helyettesítve <7 = —, és így /? = —, « = 18 .
valószínűségének becslésére vonatkozóan nagy pontosság nem is várható el tőle. Az n, p, q ismeretében alkalmazzuk a binomiális eloszlásnál megismert
A ^ eloszlásának ismeretében - mint láttuk - az intervallumba esés valószínűsége képletet a keresett valószínűség m eghatározásához;
pontosan számítható.
14 M 8 Y 2 Y Í 1
P ( 8 < £ < 1 5 ) = ]T >0,84.
kJ
206 207
Ez a valószínűség számottevően nagyobb az a) pontban meghatározottnál, 9.3. T étel . (BemouHi-tétel.) Tekintsünk egy> kísérletei, ahol valamely A esemény
c) Ha £ folytonos egyenletes eloszlású valószínűségi változó, akkor a várha bekövetkezésének valószínűsége p. Végezzük el a kísérletet n-szer egy
mástól függetlenül és jelölje ebben a kísérletsorozatban c„ az A ese
tó értéke M ( £ ) = - 1 2 , ahonnan a + b = 2 4 , a = 2 4 -í> ; a szórása mény gyakoriságát, £ pedig egy tetszőlegesen kicsi pozitív valós szám.
Ekkor
ö ( í ) = ^ J 2 = 2. Az a = 24 - A helyettesítést alkalmazva ^ .3^ = 2 ,
2V3 2V3 pq
Ln - p >E (9.6)
6 - 1 2 = 2>/3 . s 1n
a =12- 2^1 . £
~P < S > 1- pq (9.7)
A £ valószínűségi változó sűrűségfüggvénye s 2n
-5-7=, ha 1 2 - 2 ^ < JC< 12 + 2 ^ 3 Bizonyítás. Vegyük észre, hogy Bemoulli-féle kísérletsorozatról van szó, így a
/ ( * ) = 4-V3
binomiális eloszlású valószínűségi változó, np várható értékkel és ^jnpq szórás
0 egyébként.
sal. Alkalmazzuk ezután a p([£ - M {£)\>t D (£)) < Csebisev-egyenlötlenséget
A keresett valószínűség, mivel 12 - 2-n/J > 8,
a valószínűségi változóra. Eszerint tetszőleges / > 1-re fennáll, hogy
P(8<£<15) = P(12~2V3<£<15) = ^ ] = =
3 + 2V3 V 3 + 2 rtíV1
------- = ---------------ás 0,93 .
4V3 4 Ha a |<£r - np\ > t-jnpq egyenlőtlenségben n-nel osztunk, az előzővel ekvivalens
208
209
Megjegyzés: 9.5. Példa.
A Bemoulli-tétel a következő alakban is felírható tetszőleges e > 0 , 8 > 0 esetén: M egfigyelésekből tudjuk, hogy annak a valószínűsége, hogy egy izzólámpa
1200 óránál tovább ég, p - 0,70. Ha 100 db izzólámpát veszünk, akkor 0,90
í 1 1 valószínűséggel milyen korlátok közé esik az 1200 óránál nagyobb élettartamú
~ ^ - p >s < ő , illetve Pl — ~ p <e > l - S ,
n ) \ n izzók száma?
mivel tetszőleges £ > 0 és 5 > 0 esetén van olyan >i0 , hogy n > n 0 esetén M eg o ld ás , a
/ \
P<1 < S . L pq
n s2
P — ~ P < £ £ 1—
\ n J £ %n
A nagy számok törvénye csak azt állítja, hogy egy hosszú kísérletsorozat után a
egyenlőtlenséget alkalmazzuk, ahol « = 100, p - 0 , 1 és jelenti az 1200
relatív gyakoriságnak a vizsgált A esemény P(A) valószínűségétől akármilyen
kis korlátnál nagyobb eltérése nagyon valószínűtlen. Ugyanis a relatív gyakoriság a óránál nagyobb élettartamú villanykörték számát. Behelyettesítve:
kísérletsorozatban az n-nel együtt változik, ezért elképzelhető, hogy bármely rög
zített r;-nél a relatív gyakoriság eltérése a P(A) valószínőségtől nagyobb lesz a Í im_ 0j7 < £ 0,9.
megadott korlátnál. Ennek bekövetkezése azonban tetszőleges kis valószínűségű 100 Í 3100
lehet, ha az n megfelelően nagy.
Ebből £ = tJq,021 ~ 0,141. Azt kaptuk, hogy 0,9 valószínűséggel érvényes a
9.4. Példa. f \
Egy szabályos kockával dobunk egymás után ji-szer. Az A esemény jelölje a P £oo 0 7 <0,14 >0, 9,
páros szám dobását. Az A esemény bekövetkezésének valószínűségét ismer \ 100 J
jük, P(A) = 0,5. Hány független kísérletet kell végeznünk ahhoz, hogy az A
amit úgy is írhatunk, hogy
esemény bekövetkezésének relatív gyakorisága és valószínűsége közötti eltérés
legalább 98%-os valószínűséggel legyen kisebb a 0,01 értéknél?
Pl - 0 , 1 4 < ^ - 0 , 7 < 0 , 1 4 >0, 9, azaz P ( 5 6 < £ < 8 4 ) > 0 , 9 .
1 100
MEGOLDÁS. Alkalmazzuk a nagy számok törvényének (9.7) alakját!
Mivel jEJ = 0,5; q - 0,5; £- = 0,01 és az Tehát a 100 elemű mintában várhatóan az 1200 óránál nagyobb élettartamú
izzók száma 90%-os valószínűséggel 56 cs 84 darab közé esik.
1 - ” -> 0 ,9 8
£ n
A gyakorlati problémáknál azonban a p és q értékek általában nem ismertek,
egyenlőtlenséget kell felírni, ebből n > 125 000. hiszen sokszor éppen abból a célból végzünk kísérleteket, hogy egy véletlen ese
mény ismeretlen valószínűségére a relatív gyakoriságok alapján becslést nyerjünk.
Tehát legalább 125 000 kísérletet kell elvégeznünk. Ha például 100 alkalom Ekkor a (9.6) helyett annak ún. gyengébb változatát, a
mal végeznénk el egy-egy 125 000 kísérletből álló kísérletsorozatot, akkor vár
/
hatóan 98-szor találnánk, hogy a relatív gyakoriság a ]0 ,5 -0 ,0 1 ; 0,5 + 0,0l [, 1
IV
l - p (9.8)
azaz a ] 0,49; 0,51 [ intervallumba esik, illetve kétszer azt, hogy azon kívül van. \ n J Ae2n
210 211
függést kell kialakítanunk, amely bármely rögzített s és n esetén a p q szorzat 9.7, Példa,
Legalább hány kísérletet kell végeznünk ahhoz, hogy e-nál kisebb hibával és
legnagyobb értéke mellett is érvényes. Mivel a
0,999-nél nagyobb biztonsággal (valószínűséggel) m egállapítsuk egy esemény
\2 bekövetkezésének ismeretlen p valószínűségét?
1
pq = p(\ - p ) = p - p * = - - \ p ~
M e g o l d á s . Az s -nál nagyobb hiba valószínűsége kisebb kell hogy legyen
1-0 ,9 9 9 = 0,001-nél, azaz meghatározandó, hogy milyen n-ekre áll fenn a
kifejezés akkor maximális, ha p = — > és a maximum —, így bármely p esetén
2 4
> s < 0,001
pq
<
£ n 4s n
A megfelelő komplementer eseményre áttérve, a (9.7) helyett a egyenlőtlenség. A nagy számok törvénye szerint ez teljesül, ha < 0,001.
ns“
\
i - - p <£
n
> 1- -
MEGOLDÁS.
f
0 000
a) P - P < 0,01 £1- - = 1 -0 ,2 5 = 0,75.
10 000 4 0 , 0 l 2 -10000
így tehát legalább 75% valószínűséggel állíthatjuk, hogy 10 000 független
kísérlet végezve, a fiatal jelölt megválasztásának a relatív gyakorisága 0 ,Ól
nál kisebb hibával közelíti meg az esemény ismeretlen valószínűségét.
f
‘210 000
b) P p <£
> 1- = 0,85, s = 0,0129.
10 0 0 0
V )
A keresett hibahatár 0,013, amely 3 ezreddel nagyobb, mint az előző kérdés
nél kapott e.
212 213
TÁRGYMUTATÓ Poisson-eloszlás 171 teljesen független események 78
Poisson-folyamat 174 teljes eseményrendszer 46
teljes valószínűség tétele 70
regressziós függvény 145
relatív gyakoriság 50 valószínűség axiómái 54
valőszínüségeloszlás 96
standardízálás 192 valószínűségi fa 74
standard normális eloszlás 189 valószínűségi mező 55
Student-eloszlás 199 valószínűségi változó 93
Bayes-tétel 72 független kísérletek 81 sűrűségfüggvény 103 várható érték 114
Bemoulli-kísérletsorozat 81 független valószínűségi változók 138 variáció 17, 19
Bemoulli-tétel 209 szórás 120
binomiális együttható 27 geometriai eloszlás 177 szorzási szabály 69 X -eloszlás 197
binomiális eloszlás 165 geometriai valószínűség 83 szubjektív valószínűség 84 X I -eloszlás 196
binomiális tétel 26
biztos esemény 37 hipergeometriai eloszlás 168
Boole-algebra 45
karakterisztikus eloszlás 164
centrális határeíoszlás-tétel 194 kétváltozós normális eloszlás 200
Csebisev-egyenlőtlenség 204 klasszikus valószínűségi mező 58
kombináció 21, 25
diszkrét valószínűségi változó 96 korrelációs együttható 136
kovariancia 135
egyenletes eloszlás 180 kvantílis 111
egymást kizáró események 43
együttes eloszlás 126 lehetetlen esemény 37
együttes eloszlásfüggvény 128
együttes sűrűségfüggvény 153 Markov-egyenlőtlenség 203
elemi esemény 33, 37 médián 109
ellentétes esemény 40 mintavétel 61
eloszlásfüggvény 97 módusz 110
esemény 36 momentum 117
események függetlensége 76
eseménytér 33 normális eloszlás 191
exponenciális eloszlás 183
összetett esemény 48
F-eloszlás 200
feltételes eloszlás 142 Pascal-féle háromszög 29
feltételes sűrűségfüggvény 16! perem-eloszlásfüggvény 128
feltételes valószínűség 68 peremeloszlás 126
Fischer-féle z-eloszlás 200 perem-sűrűségfüggvény 153
folytonos eloszlás 98, 153 permutáció 13, 15
214