TARTALOM

Előszó ........ ................... ....... ....... ......... ....... ..... ..................... ..................... 7

B evezetés..................................... ......................................... ...... . 9

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

2. E sem é n y a l g eb r a ............................................. ............................ . 32

2.1. A lapfogalm ak................................................. ............................................... 33
2.2. Műveletek esem ényekkel....................... .............................. ................ . 39
2.3. Teljes eseményrendszer, összetett események ............................ ....... ...... 46

3. A VALÓSZÍNŰSÉGSZÁMÍTÁS ELEMEI .................................................................... 50

3.1. A valószínűség fogalma ........ ....... ....... ........................................ ............. 50
3.2. A valószínűség axiómái, tételek ............................................... ................. 53
3.3. Klasszikus valószínűségi m e z ő ............... ................................................... 58
3.4. Feltételes valószínűség, szorzási szabály ................................................... 66
3.5. A teljes valószínűség tétele, a Bayes-tétel, valószínűségi fa ................. 70
3.6. Események függetlensége..... ............................................................. ....... 74
3.7. Bem oullí-ldsérletsorozat............................................................ ................. 79
3.8. Geometriai valószínűség.............................................................................. 83
3.9. Szubjektív valószínűség ......................... .................. ................................... 84

4. Valószínűségi változó ................................................. .................................. 93

4.1. A valószínűségi változó fogalma ................ ................... ........ . 93
4.2. Az eloszlásfüggvény és tulajdonságai......................................................... 97
4.3. A sűrűségfüggvény és tulajdonságai..... ........................... ....... ................. 103
4.4. A valószínűségi változó néhány jelle m z ő je .............................................. 109
4.5. Várható é rté k ................................................................................................. 113
4.6. S z ó rá s............... ................................ ....... ................................ ................. . 120

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. T öbbdimenziós folytonos eloszlások * ................................ ...... ..............149

6.1. Együttes sűrűségfüggvény .......................................................................... 149
6.2. Várható érték, korrelációs együttható ....................................... ................ 156
6.3. Valószínűségi változók függetlensége...................................................... 159
6.4. Feltételes sűrűségfüggvény, regressziós függvény .................................. 161
7. Va ló sz ín ű sé g e l o sz l á so k .............. .......................... .......... ........................... 163
7.1. Karakterisztikus e lo sz lás....................................... .................. ................... 164
7.2. Binomiális eloszlás ...................................................................................... 165
7.3. Hipergeometriai e lo szlás...... ......... ..................................... ................. . 168
7.4. Poisson-eloszlás .................... ........ ..................................... ........ ................ 171
7.5. Geometriai e lo sz lás........................................ .............................................. 177
7.6. Egyenletes eloszlás ................................................................... ....... ........ . 180
7.7.. Exponenciális eloszlás ............................................................................. . 183
8. N ormális eloszlás , norm álisból származtatott eloszlások ....... 188
8.3. Normális e lo sz lá s........................................ ......................................... ....... 188
8.2. A centrális határeloszlás-tétel .................................................................... 193
8.3. Normálisból származtatott eloszlások ................... ..................................... 196
8.4. Kétváltozós normális eloszlás* ................................................................... 200
9. B ecslő formulák ............................... ................................................................203
9.1. Markov- és Csebisev-egyenlőtlenség .................... ................... ........... . 203
9.2. A nagy számok törv én y e..............................................................................208
T árgymutató .................................. ......... ......... ............................ . 214
Az oktatási feltételek megváltozása miatt újra át kellett gondolni, melyek azok az
ismeretek, amelyek a képzési cél eléréséhez feltétlenül szükségesek, és a rendelke­
zésre álló időn belül megfelelő mélységig oktathatók. Ezeket a könyv azon részei
tartalmazzák, amelyeket sem a csillag jelzéssel, sem apró betűs szedéssel nem kü­
lönböztettünk meg. Az apró betűvel szedett, illetve csillaggal jelölt részek ajánlott
ismereteket tárgyalnak, A könyvet úgy szerkesztettük, hogy a jelzés nélküli részek
apró betűs, illetve csillaggal jelölt részekre ne hivatkozzanak.
A megértést példákkal, ábrákkal igyekeztünk elősegíteni, így a könyv rem é­
nyeink szerint önálló tanulásra is alkalmas, és a nappali tagozatos hallgatókon kívül
a levelező- és távoktatásban részt vevő hallgatók is eredményesen használhatják.
Végezetül a szerzők nevében is köszönetét mondok a Budapesti Gazdasági
Főiskola M ódszertani Intézeti Tanszék vezetésének és munkatársainak munkánk
segítéséért. Ugyancsak köszönet illeti a lektorokat és dr. Em yes Éva egyetemi
adjunktust a kézirat alapos átnézéséért és hasznos tanácsaikért.
Eredményes munkát kívánunk!
Budapest, 2007. január
D r, Csernyák László
szerkesztő

6 7
 BEVEZETÉS

A valószínűségelmélet, valószínűségszámítás az a tudomány, amely a véletlen

jelenségekkel foglalkozik. Magyar nyelvterületen az utóbbi elnevezés honosodott
meg. A valőszínűségszámítás feladata a véletlen jelenségek összefüggéseinek, tör­
vényszerűségeinek feltárása, a köztük levő kapcsolatok elemzése, azzal a céllal,
hogy ezeket a gyakorlati problémák megoldásában tudatosan és eredményesen
hasznosítani tudjuk.
A legrégibb ismert valószínűségszámítási probléma Lucas dal Borgo Pacioli
1494-ben Velencében nyomtatott könyvében található. Az akkor divatos labdajá­
tékokkal kapcsolatban vetette fel a szerző azt a kérdést, hogyan osztozzanak a játé­
kosok a téten akkor, ha a játékot félbehagyják. Amikor az újkor elején a világ­
tengereken is megindult a hajózás, egyre inkább előtérbe került a kockázat kérdése.
A ló. és 17. században igen széles körben elterjedtek a szerencsejátékok, ezért nem
véletlen, hogy először éppen a kockajátékokkal kapcsolatban m erültek fel olyan
problémák, amelyek megoldása valószínűségszámítási meggondolásokat tett szük­
ségessé. így feljegyezték, hogy Pascal (1623-1662) francia matematikus figyelmét
a valószínűségszámítási problémák felé egy híres szerencsejátékosnak, de la Méré
lovagnak egy hozzá intézett kérdése fordította. A szenvedélyes kockajátékos azt
állította, hogy a szerencsejátékok néhányszor a matematikai szabályoknak ellent­
mondó eredményekhez vezetnek. Ebből a problémafelvetésből indult ki Pascal és
egy másik matematikus, Fermat (1601-1665), és számításokkal cáfolták meg a
francia nemes sejtését.
Később egy másik nagy matematikus, Jacobus Bem oulli (1654-1705) „Ars
conjectandi” („A sejtés művészete”) című posztumusz munkájában először történt
utalás arra, hogy az új matematikai elmélet alapvető fontosságú a tömegjelenségek
vizsgálatában. Bemoulli unokaöccse! sikerrel alkalmazták a valószínűségszámítást
a politikai tudományokban, a demográfiában, a gázok kinetikus elméletében, a
döntéselméletet előkészítő feladatokban.
Jelentősen hozzájárultak még a valószínűségszámítás fejlődéséhez Huygens
(1629-1695), de M oivre (1667-1754), Laplace (1749-1827). Ez utóbbi „A való­
színűségek analitikai elmélete” című munkájában szigorú megalapozottsággal so­
rolja fel a valószínűségelmélet alaptételeit.

9
 A 19. század nagy matematikusai közül Gauss (1777-1885), Poíncaré (1854-
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 megalapozásával kapcsolatos több évtizedes vita nyugvó­
pontra jutott, s a matematikának ez a fiatal ága mind elméleti, mind gyakorlati
vonatkozásban rohamos fejlődésnek indult,
Ez az elmélet napjainkban is nagy fejlődésen megy keresztül, majdnem kivétel
nélkül alkalmazható az összes tevékenységi területen, A valószínűségszámítás
elméleti kérdéseiben, valamint közgazdasági, ipari,'’biológiai, fizikai, operációkuta­
tási stb. alkalmazásában magyar kutatók kiemelkedő eredményeket értek el.
10
1. KOMBINATORIKA
A valószínűségszámítás klasszikus felfogása alapvetően két gyökérre támaszkodik,
a kombinatorikára és az eseményalgebrára. Ezek közül történetileg is az első a
kombinatorika, mellyel játékos formában már mindannyian kora gyermekkorunk­
ban is találkoztunk.
Azt, hogy a tudomány is felhasználja a kombinatorika elméletét és módszereit,
bizonyítja a gazdasági, természettudományos és műszaki szakirodalom sokrétűsé­
ge, nagy száma.
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,
11

ISM ÉTLÉS NÉLKÜLI PERM UTÁCIÓ
A könnyebb megértés kedvéért tekintsük a következő példát.
L L Példa,
Egy beosztott bizonyos üzleti kérdés eldöntésére háromféle javaslatot dolgozott
ki. Minthogy szerinte mindegyik javaslat rendelkezik előnyökkel, nehezen dönti
el, milyen sorrendben ismertesse azokat főnökével és kollégáival a munkaérte­
kezleten. Hányféle sorrendet alakíthat ki a munkatárs a prezentáción?
M e g o l d á s . Jelöljük a különböző javaslatokat A, B, C-vel! M ár csak az a kér­
dés, hányféle sorrendje írható fel ezeknek a betűknek?
Az első helyre háromféleképpen választhatunk betűt. Ha ezt beírtuk, a má­
sodik helyre csak kétféleképpen választhatunk. Mivel bármely első választáshoz
bármelyik második választás tartozhat, ez 3 -2 eset. A maradék helyre csak a
maradék betűt tehetjük, így a sorrendek számai 3 - 2 1 - 6 . Ha A -t választunk
elsőnek és B-t másodiknak, akkor ABC a sorrend, ha C -t másodiknak, ak­
kor ACB , Hasonló a helyzet, ha B, illetve C az első. A hat sorrend:
ABC BAC CAB
AC B BCA CBA
Természetesen nem kell feltétlen ragaszkodnunk ehhez a szisztémához, lénye­
ges azonban, hogy ne veszítsünk el egyetlen sorrendet sem.
Szokás a lehetőségek összeszámlálását ún. fával (1.1. ábra), máskor un.
„csésze” modellel szemléltetni.
I . hely 2. hely 3. hely sorrend
1. L á bra
Megjegyzés:
A kombinatorikai feladatok megoldásánál sok esetben jól használható két alapvető szabály, melyeket
célszerű megismerni, ezek: az összegzési és a szorzást szabály.
Kissé leegyszerűsítve közöljük ezeket.
12
Ö sszegzési sza b á ly
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.
Ahhoz, hogy a fenti összegzési szabályt sikeresen alkalmazhassuk, meg kell követelnünk, hogy az
4 objektum egyik kiválasztása se essék egybe a £ objektum valamelyik kiválasztásával.
Szorzást szabály
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
választhatjuk ki.
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
oldjuk meg.
DEFíNÍCIÓ. Adott n különböző elem. Az elemek egy meghatározott sorrendjét az
adott n elem ismétlés nélküli perm utációjának nevezzük, és számu­
kat a PH szimbólummal jelöljük.
1.1. T ÉT E L , n különböző elem összes lehetséges sorrendjének (permutációinak)
száma:
Pv = n ■(n -1 ) • (n - 2) • ... *1 = n ! (olv; n faktoriális).
Bizonyítás. A bizonyítást az előző példa megoldásánál felhasznált módszerrel vé­
gezzük el.
Az összes lehetséges sorrend összeszámlálásához tekintsük az egyes "helyek ki­
töltésének lehetőségeit! Az első helyen álló elem kiválasztására n lehetőségünk
van, a másodikra n - 1 lehetőség, a harmadikra n - 2 lehetőség, ,,,, az utolsó
helyen álló elem kiválasztására már csak egy lehetőség marad (1.2. ábra).
1. 2. n.
/i-féleképpen (n -í)-félek ép p en 1-féleképpen
1. 2 . ábra
így az n elem összes lehetséges sorrendjének, permutációinak száma:
Pn = n • (n - 1 ) • (n - 2) • ... • 1 = ni
1.2. Példa.
1
Egy színházi előadásra 5 fiú és 5 lány vett egymás mellé szóló jegyeket.
Hányféleképpen ülhetnek le, ha két lány és két f i ú nem ül egymás mellé?
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:
V* = « ■ ( « - 1) • (n - 2) + 1).
Más alakban: V k = — '.... .
' (n —k)\
Bizonyítás. Ha n elem közöl k darabot választunk ki úgy, hogy a kiválasztás
sorrendjére is tekintettel vagyunk, akkor az elsőt w-ből, a másodikat (n - l)-ből,
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.
Könnyen belátható, hogy a variációk számának kétféle felírása ekvivalens.
Megjegyzés:
Ha n - k , az n elem &-adosztályú ismétlés nélküli variációinak száma megegye­
zik az n elem ismétlés nélküli permutációinak számával.
Ahhoz, hogy a variációk számának tört alakú kiszámítási módja értelmezhető
legyen, szükséges a 0!= 1 definiálása.
ISMÉTLÉSES VARIÁCIÓ
Fogalmazzuk át az 1.6. példát!
1.8. Példa.
A cég hat, eddig kiváló teljesítményt nyújtott dolgozója között három, különbö­
ző hétvégi utazást sorsolnak ki. Hányféleképpen végződhet a sorsolás, ha nem
zárjuk ki, hogy egy "dolgozó több utazást is nyerhet?
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
személy is megnyerheti, újra 6 esélyes maradt. Majd ugyanígy a harmadiknál.
A lehetőségek száma összesen: 6-6- 6 = 216.
DEFINÍCIÓ. Adott n különböző elem. Ha az adott n elem közül k elemet úgy
választunk ki, hogy egy elem többször is sorra kerülhet, és a kiválasz­
tás sorrendje is számít, aklwr az n elem egy k-adosztályú ismétléses
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

Bizonyítás. A bizonyítást a mintafeladat megoldásához használt mindkét módon LH^

^24
24 kártyából Berci -féleképpen kaphatja meg 8 lapját, ezután Ciliét
elvégezhetjük.
I, írjuk fel az n elemet egymás mellé! Ezek közül válasszunk ki k elemet m in­ / 16''
már csak 16 lapból választjuk , majd Dani egyértelműen a maradék
den lehetséges módon, Egy-egy ilyen kiválasztási lehetőséget szemléltethetünk
úgy, hogy a kiválasztott elemek alá +, a nem kiválasztottak alá - jelet írunk, 8 lapot kapja. A lehetőségek száma:
így az n elemet két csoportra osztjuk, közülük k e le m +, n - k elem - jelet
kap, aszerint, hogy az adott elemet kiválasztottuk-e vagy sem. Ha a + és - je ­ /3 2 >i ( 2 A ) 3 2 - 3 1 - . -25 24-,.,-17 16*. . . - 9
leket minden lehetséges módon elhelyezzük (permutáljuk), majd az azonos sor­
,8j u ,
,8,
V 8! 8!
ban álló + jelek feletti elemeket egy-egy csoportba összegyűjtjük, akkor meg­
kapjak n elem összes /c-adosztályú ismétlés nélküli kombinációit, 32!
= 9,956-10'6.
Hány különböző, k darab + és n - k darab - előjelből álló sorozatot tu­ (8!)4
dunk felírni? Ez megegyezik a + és - jelek olyan ismétléses permutációinak
I I M e g o ld á s . Közelítsük meg a problémát úgy, hogy egy keverés után az
számával, amelyekben a + jel £-szor, a - jel (n - k )-szór fordul elő.
egyes kártyalapokhoz hozzárendeljük a négy játékos nevének kezdőbetűjét,
Az ismétléses permutáció összefüggését felhasználva;
mégpedig nyolc-nyolc esetben. Ezután adjuk minden játékosnak azt a lapot,
Q k _ p (k jt-k ) ■ amelyik mellett az 6 kezdőbetűje áll. A kérdés most az, hány különböző sor­
k\{n - k ) \ rendje van a nyolc A, nyolc B, nyolc C és nyolc D betűknek?
A megoldást visszavezettük 32 elem ismétléses permutációinak megha­
II. A lehetőségek összeszámlálását kezdhetjük azzal, hogy az ismétlés nélküli variá­ tározására, ahol
ciónak megfelelően kiválasztjuk a A db elemet, tekintetbe véve a sorrendet is.
p(8,8,8,8» _ 32!
Ezek száma atmyiszorosa a keresett lehetőségek számának, ahányféleképpen a = 9,950-10"
ss 8!-8!-8!-8!
kiválasztott eleinek sorba rendezhetők, C* - k \ = V * . Innen egyszerű egyenlet­
rendezéssel kapjuk meg az általánosított feladat megoldását. A két megoldás más-más modell felhasználásával természetesen ugyanazt az
eredményt adja.
c *_ K n\ ^ n ( n - l ) . . . ( n - * + l)
b) Ha biztosan van mindenkinél egy-egy hetes, ezek 4 .'-féleképpen lehetnek az
" k\ k\(n-k)\ ki
egyes játékosok kezében. Minden egyes hetes elhelyezkedéshez tartozik annyi
lehetőség, ahányféleképpen a négy kézben levő, összesen 23 lap kiosztható.
28'
így az összes lehetőségek száma; 4!--------- :—
7J-7Í-7!-7!

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

Ha a táblázatot elkezdjük szisztematikusan kitölteni, látjuk, hogy az öt tagból 1.12. Példa.

álló jelsorozat mindegyikének egyértelműen megfeleltethető egy választás, és
megfordítva. Számoljuk össze, hány különböző jelsorozat írható fel!
A megoldást az ismétléses permutáció segítségével könnyen megadhatjuk:
Egy kockával hatszor dobunk. Hány olyan dobássorozat képzelhető el, melyben
legalább egyszer előfordul a hatos?
I. MEGOLDÁS. A fenti feladat megoldására ismét kétféle gondolatmenetet hasz­
nálunk.
Először közelítsük a problémát a kérdésfeltevésnek megfelelően, tehát vagy
egyszer, vagy kétszer, vagy háromszor, ... dobtunk hatost a dobássorozatban,
Ezek száma:

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

"61 •53= 2 5 0 0 ; a b (n eN ;a,ieR ),

3-szór hatos: - I Kk j
A

4-szer hatos: *52—375;

Az szimbólumot - a binomiális tételben betöltött szerepe miatt - binom iá­

5-ször hatos: Í61

,5 ,
•5'= 30; lis együtthatónak nevezzük.
Figyeljük meg, hogy az összeg n +1 tagból áll, az a és a b kitevőjének az
összege minden tagban n. Pa, a kitevője n-től 0-ig fogy, míg a b kitevője 0-tól
6 -szor hatos: f6l
-A
■5°=1. re-ig növekszik és megegyezik az n alatti számmal.
A binomiális tételt n - l , 2, 3 -ra alkalmazva, az algebrából már jól ismert azo­
Mivel ezek az események egyszerre nem fordulhatnak elő, az egyes lehetőségek nosságokhoz jutunk:
összege adja a feladat megoldását. így a kedvező dobássorozatok száma össze­ ' i
sen: 31 031. n - 1 esetén (a + b f = +- a°bl - a + b;
,1
H . M e g o l d á s . M ásodik összeszámolásunkban vegyük a probléma ellentetjét!
'2 n / 2'' . . ( 2 S
Vagyis nézzük meg, hány olyan dobássorozat van, amelyben nincs egyetlen ha­ rr a2b° +a h +\ a.%1 = a2 + 2ab + b1;
tos sem! Vonjuk Id ezeket az eseteket az összes dobássorozat lehetőségeinek ,0 / 2
számából, és így megkapjuk a keresett esetszámot! /
'V 7 , 3'
n = 3 esetén (a + b f = cV + \a b + a lb2 + ab =
Az összes lehetséges dobássorozat száma: 66 = 46 6 5 6 . ,0y vO A
■■ai + 3a2b + 3ab2 + b }
„Rossz” dobássorozatok száma (nincs bennük hatos): 5S = 15 625 .

A tétel n = 0 esetén is igaz, hiszen (a + h f - a°b° = 1

Vagyis a nekünk tetsző dobássorozatok száma: 66 - 56 =31 031. 0
Bizonyítás. Az (a + b)" nem más, mint egy olyan n-tényezős szorzat, amelynek
minden tényezője (a + b ), azaz
1.4. Binomiális tétel (a + b)" = (a + b)(a + b) ...(a + b) , n> 2 .

A szorzást elvégezhetjük úgy, hogy minden tényezőből egy-egy tagot szorzunk az

A kombinatorika eszközeivel egyszerű módszert nyerhetünk egy kéttagú kifejezés
(binom) «-edik hatványának polinommá történő alakítására. Ezt mutatja be a kő­
vetkező, ún. binom iális tétel.
összes lehetséges módon, és az így nyert szorzatokat összeadjuk.
Például n = 3 esetén: (a + b f = (a + b)(a + b)(a + b ) ,
Ha mindhárom tényezőből az a-1 szorozzuk össze, c 3 -t kapjuk. Ha két
{a + b) tényezőből a-1, a harmadikból b-1 vesszük, a 2b -t kapunk. Ezt azonban

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:

n n n Az n értékelőiek megfelelően beszélhetünk 0-adik, első, második stb. sorról.

= ül + a. b + ... + b", A szimbólumok helyébe azok konkrét értékét beírva a Pascal-háromszög:
,0 , Knj
és ezzel a tételt bebizonyítottuk.

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:

ni ni ni között, mind a A + 1 elemet a kiindulási halmaz n eleme közül választjuk

és
V */
(n-k)lkl n-k féleképpen, A két esetszám a kizáróság miatt összeadódik. Vagyis
Mivel azonban a két összefüggés csupán a nevezőben szereplő tényezők sor­
rendjében tér el egymástól, így valóban igaz állításunk, n +r
b) Tudjuk, hogy k +1 k + 1,
c) A. c) szabály bizonyításával egyben azt is beláttuk, hogy bármely n elemű hal­
n\ ni
és maznak 2" részhalmaza van, amibe beleszámoltuk az üres halmazt és az alap­
(n~k)\k\ k + 1 [ » - ( * + !)]! ( * + !)!
halmazt is.
v*,

30 31
 2. ESEMÉNYALGEBRA
Ha egy játékkockát elejtünk, abban biztosak lehetünk, hogy leesik, méghozzá az
elejtés magasságától függően egyértelműen meghatározható idő múlva, szintén
pontosan számítható sebességgel ér földet.
Azt, hogy mennyi lesz a „dobott szám”, nem tudjuk előre egyértelműen meg-:
mondani, úgy szoktunk fogalmazni, ez a „véletlen műve”. Persze elkezdhetnénk:
számolgatni, és a fizika törvényszerűségeit felhasználva, feltételezve, hogy a kocka;
szabályos, a kezdeti feltételek precíz rögzítése után sok-sok munkával kiszámol­
ható lenne az eredmény. Hétköznapi tapasztalatunkból kiindulva megállapíthatjuk,;
hogy a kezdeti feltételek megállapítása sokkal komolyabb nehézséget jelentene,
mindamellett számos további bizonytalanságot is rejtene, így sok más jelenséggel:
együtt a kockadobást is véletlen jelenségnek tekintjük. Eddigi megfigyeléseinkkel:
összhangban, azt mondjuk, az 1, 2, 3, 4, 5 és 6 számok közül mindegyikre
azonos eséllyel számítunk,
A fenti példából kiindulva beszélhetünk tehát egyrészt tisztán determ iniszti­
kus, a körülmények által előre, egyértelm űen m eghatározott lefolyású jelensé­
gekről, Ezek a természettudományok által leírt, pl. klasszikus fizikai, kémiai, mű­
szaki tudományokból ismerősek.
Az események másik csoportja a köznyelv által véletlennek, a matematikában,
statisztikában sztochasztikusnak nevezett jelenség. Ezeknek lefolyását teljes biz­
tonsággal nem tudjuk megállapítani, mivel az összes körülményt egyrészt nem
ismerjük, másrészt még ezek ismeretében is nehezen, túl nagy apparátus segítségé­
vel állíthatnánk valamit a lefolyásról. Ebben az esetben csak arra törekszünk, hogy
megismerjük a lehetséges kimeneteleket, és ezek előfordulásának valószínűségéi
határozzuk meg. Elmondható tehát, hogy a véletlen jelenségeknek is oka van, de a
jelenséget befolyásoló, lefolyását meghatározó összes feltételt, körülményt általá­
ban nincs lehetőségünk, illetve esetleg nem is akarjuk megismerni.
Az eseményalgebra a valószínűségszámítással kapcsolatos véletlen jelenségek
leírását, megértését teszi lehetővé. Ebben a fejezetben definiáljuk az esemény-
algebra legfontosabb fogalmait, ezután megismerkedünk az események közti mű­
veletekkel és összefüggésekkel.
32
2.1. Alapfogalmak
A bevezetőben említett véletlen jelenségeken belül a valószínüségszámítás olyan
véletlen jelenségek vizsgálatával foglalkozik, melyeket azonos körülmények között
(elvileg) akárhányszor megismételhetünk. A z ilyen jelenségeket véletlen töm egje­
lenségeknek nevezzük. A meghatározásban nagyon erős az a feltétel, hogy azonos
körülmények között biztosítható legyen az akárhányszor! megfigyelés. Gondolha­
tunk itt az ókori bölcs, Hérakleitosz szavaira, miszerint kétszer ugyanabba a folyó­
ba nem tudunk belépni. Miért tekinthető sok jelenség mégis megfelelőnek ebből a
szempontból, azt jól példázza az egyszerű, a valószínűségszámítás kialakulásához
vezető szerencsejáték. Azt mindannyian könnyen belátjuk, hogy a kocka-, az érme-,
a kártyajátékok sora nagyon jó közelítéssel azonos körülmények között tetszőlege­
sen sokszor lejátszható. Ehhez hasonlóan, azoknál a gazdasági folyamatoknál, me­
lyeknél biztosítható a feltétel, a valószínűségszámítás eredményeit szintén felhasz­
nálhatjuk. Itt példaként csak a legkézenfekvőbb m inőség-ellenőrzési eljárást, a
mintavételt említjük.
Ha egy szokványos értelemben vett „véletlen jelenséget” megfigyelünk, azt
nem tudjuk pontosan előre megmondani, mi következik be. de azt általában igen,
milyen eseményekre, „kimenetelekre” számíthatunk. A sztochasztikus, véletlen
jelenségeknek mindig több eredménye, kimenetele lehet.
A véletlen tömegjelenség megfigyelését kísérletnek nevezzük, függetlenül at­
tól, hogy a jelenséget mesterségesen hoztuk-e létre, vagy rajtunk kívülálló okok
miatt következett-e be. Adott kísérlethez sok esetben többféle megfigyelési lehető­
ség is rendelhető. Ezeket pontosan definiálni kell, mielőtt a lehetséges kimenetele­
ket számba vesszük. Fontos, hogy a kísérlet tetszőleges eredménye ismeretében
eldönthető legyen, hogy bekövetkezett-e az adott kimenetel.
DEFINÍCIÓ. Valamely kísérlettel kapcsolatban a kísérlet lehetséges kimeneteleit
elem i esem ényeknek nevezzük.
DEFINÍCIÓ, á z elemi események halmazát esem énytérnek nevezzük és H-val j e ­
löljük.
Ha a kim enetelek száma végtelen sok, ezek közül nyilván csak véges sok fog
megvalósulni, de a többit is számon tartjuk mint lehetséges kimenetelt. Tekintsünk
néhány példát!
2.1. Példa.
a) Legyen kísérletünk az, hogy feldobunk egy játékkockát, és megfigyeljük a
felülre kerülő pontszámot. Ennek a kísérletnek hat lehetséges kimenetele
van, ezek:
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,

A H elemeit sokszor célszerűbb a /?,, Aj, ... sfb. szimbólumok he­

lyett csupán az indexeikkel, azaz az 1 , 2 , . . . stb, számokkal jelölni. Ez
ugyanis félreértést nem okoz, sőt, növeli az áttekinthetőséget. így az ese­
ményteret jelen esetben az alábbi módon is megadhatjuk:
H = {l, 2, 3, 4, 5, 6},
b) Álljon a kísérlet egy pénzdarab (érme) feldobásából. Ennél a kísérletnél két
kimenetel jöhet szóba:
írás van felül,
fej van felül.
(Eltekintünk attól az - elvileg lehetséges - esettől, amikor az érme az élén áll
meg.)
Jelöljük az írás felülre kerülését í-vel, a fej felülre kerülését pedig /-fel,
azaz h{ = i és h 2 = f . Ekkor az eseményteret így is megadhatjuk:
H = {i, / } •
c) Álljon a kísérlet két kocka feldobásából M indkét dobás eredménye az 1, 2,
3, 4, 5, 6 számok valamelyike.
Tekintsük a kísérlet kimeneteleit a fenti számokból álló rendezett szám­
pároknak:
H = l ( i , j ) | í = l, 2, , . . , 6; j = l, 2, . . . , 6 j ,
ahol az i az egyik kockán, j a másik kockán kapott pontszámot mutatja. Itt
a H egy 36 elemű halmaz.
d) Az orvosi rendelőben történő várakozás esetében megfigyeljük a várakozási
idő hosszát. A kísérletnek annyi kimenetele lehet, mint ahány különböző
időtartam elképzelhető, tehát a 0 és egy ésszerű K felső határ között bár­
milyen nemnegatív valós szám.
Bár a gyakorlatban a várakozási időt percekben mérjük és a perc tört­
ré s z é t nem jegyezzük fel, elvben mégis minden [0 ; K] intervallumba eső
2.1. ábra
é) Megfigyeljük, hogy egy ABC-áruházba a nyitást követő első órában hány
vevő jön be. Ekkor a kísérlet kimenetele azonosítható egy nemnegatív egész
számmal, és
H = N.
Megjegyzés:
Nem okoz problémát, ha a lehetséges kimenetelek halmazába beveszünk olyan
„kimeneteleket” is, amelyek a gyakorlatban sohasem fordulnak elő, arra viszont
ügyelnünk kell, hogy ne feledkezzünk meg olyanokról, amelyek ténylegesen fel­
léphetnek.
A kockadobás nemcsak azért szerepel gyakran a valószínűségszámítással foglal­
kozó könyvek példái között, mert történetileg jelentős szerepet játszottak a szeren­
csejátékok a tudományág fejlődésében, hanem azért is, mert rajta keresztül egysze­
rűen, szemlélet alapján közelíthetők meg az alapfogalmak.
Ahogy a fenti példákból is látszik, előfordulhat, hogy azonos helyzetben más­
más lesz a megfigyelés tárgya, és ezzel együtt a lehetséges kimenetelek halmaza.
Vegyük például az orvosi rendelőben történő várakozással kapcsolatos jelensége­
ket! Megfigyelhetjük a várakozási idő hosszát, az előttünk megvizsgált betegek
számát, a váróhelyiség hőmérsékletének változását, vagy akár rendszeres ellenőr­
zés alkalmával a rendelőben mért tömegünk értékét. A 2,1. példában felsorolt kí­
sérletek egy részében a kimenetelek száma véges, mint pl. a kockadobásra vonat­
kozó kísérletnél, másokban elvileg végtelen, mint pl. a várakozási idő, a tömegünk,
a hőmérséklet lehetséges értékei. Érdekes kísérlet a kimenetelek összeszámlálása
szempontjából az előző példában az előttünk sorra kerülő betegek száma, melyben
az eredmény elvileg tetszőleges természetes szám lehet: 0, 1, 2, k, ... .
A valóságban természetesen csak véges sok eredmény képzelhető el, matematikai­
lag azonban könnyebb megszámlálhatóan végtelen számú lehetséges kimenetellel
dolgozni, pl. akkor, ha nem ismerjük a pontos felső korlátot.

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.

A z A u B esemény tehát bekövetkezik, ha akár az

A esemény következik be, de a B esemény nem, akár a
2.3. ábra B esemény következik be, de az A nem, s végül akkor
is, ha A is és B is bekövetkezik. Más szóval két ese­
2.5. Példa.
mény így értelmezett összege (egyesítése) olyan újabb
Feldobunk egy játékkockát.
esemény, amely a kísérlet mindazon kimeneteleit tartal­
a) Legyen az A esemény, hogy legalább 3-ast dobtunk!
mazza, amelyek vagy csak az A eseményhez, vagy csak
b) Legyen a B esemény, hogy páros számot dobtunk!
a B eseményhez, vagy egyszerre A-hoz is, 5-hez is
Mit jelentenek az A és B esemény ellentetjei?
tartoznak {2.4. ábra).
2.4. ábra
M eg o ld á s.
2.8. Példa.
a) A = {3, 4 , 5 , 6 } esemény, így A = { 1 , 2 } , amit szavakkal többfélekép­
Feldobunk egy játékkockát. Legyen az A esemény, hogy legalább 3-ast dobtunk,
pen is kifejezhetünk. Pl.: legfeljebb kettőt dobunk, vagy háromnál keveseb­ a B esemény, hogy páros számot dobtunk. Mi lesz a két esemény összege?
bet dobunk.
b) B = { 2, 4, 6 } esemény, így 5 = {l, 3, 5} páratlan számot dobunk. MEGOLDÁS. A z A esemény: A = {3, 4, 5, 6 },
a B esemény: B — {2, 4, 6 }.
2.6. Példa. A két esemény összege:
Tekintsük újra a 2.4. példában említett társasjátékot! Hány elemi esemény vonja
maga után az A esemény komplementer vagy ellentett eseményét? A u B = {3, 4, 5, 6}u{2, 4, ó} = {2, 3, 4, 5, 6 }.

M e g o ld á s . M inden olyan dobásösszeg, ami nem 6 . Az elemi események 2.9. Példa.

száma 36, ebből A -hoz tartozik 5 elemi esemény. Az A esemény akkor
következik be, ha a többi 31 elemi esemény bármelyike bekövetkezik.
2.7. Példa.
Egy nagykereskedelmi cégnél három nyomtatóval dolgoznak. Jelentse az A ese­
mény azt, hogy mindhárom nyomtató elromlik. Mit jelent A komplementere?
MEGOLDÁS. Az A itt azt jelenti, hogy a három közül legalább egy nyomtató
működik.
Tekintsük a heti lottóhúzás elsőként kihúzott számát! Jelentse az A esemény,
hogy az első szám páros, a B pedig, hogy nullára végződik! Mit jelent az
A u B esemény?
MEGOLDÁS. A z A u B esemény azt jelenti, hogy a szám páros, vagy 0-ra
végződik, ez azt jelenti, hogy B e : A , így A u B = A .
Az események összeadásának művelete tetszőleges számú eseményre kiterjeszt­
hető. Azt az eseményt, hogy a H eseménytérhez tartozó A ,, Á2, ... , An esemé-

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 .

M EG O LD Á S.Az A n B esemény azt jelenti, hogy a szám páros, és 0-ra vég­

tó ződik, ez azt jelenti, hogy B c A , így A n B - B .
Hasonlóképpen értelmezzük az kj As eseményt arra az esetre, midőn megszámlál hatóan végtelen

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 .

Ilyen két egymást kizáró esemény például - egy játékkocka feldobásakor - a

páros és a páratlan dobás eseménye.

Két esemény különbségét az alábbi módon értelmezzük.

DEFINÍCIÓ. Ha az A és B esemény ugyanazon eseménytérhez tartozó két ese­

mény, akkor azt az eseményt, hogy az A esemény bekövetkezik, de a
2.5. ábra B nem, a két esemény különbségének nevezzük és az A \ B szimbó­
lummal jelöljük (2 . 6 . ábra).
2.10. Példa.
Készítsük el a 2.8. példában megadott események szorzatát!

MEGOLDÁS. Mivel az A esemény: A = {3, 4, 5, 6 },

a B esemény: B = {2 , 4, 6 },
a két esemény szorzata: A n B - { 3, 4, 5, 6 } n { 2 , 4, 6 }= {4, 6 },

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;

MEGOLDÁS. Mivel az A esemény: ^4 —{3, 4 , 5, 6 },

1. A í j A = A , A n A = A (idempotencía);
a B esemény: B = {2, 4, 6}, 2. A u B = B u A , A n B = B n A (kommutativitás);
a két esemény különbsége: A \ B = {3, 4, 5, ó}\{2, 4 , 6 } = {3, 5}: 3. A u ( B u C ) = ( A u B ) u C A n ( B n C ) =( A n B ) n C
Ha viszont a B \ Á különbséget akarjuk meghatározni, a definíció szerint (asszociativitás)
azoknak az eseményeknek a bekövetkezését kell figyelnünk, amikor a B bekö­ 4. A n ( B u C ) = ( A n B ) u ( A n Cj
vetkezik, de az Á nem. A u (B n C ) =(A u B )n(A uC )
B \A = { 2, 4> 6}\{3, 4, 5, 6}={2}. (disztributivitás);
5. A u A = H , AnA=0;
Összhangban azzal, amit a halmazoknál és a valós számoknál is tapasztal­ 6. A u í l = H , A n H = A;
tunk, a Idvonás nem kommutatív művelet! 7. A u 0 = A , A n 0 =0 .

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
viális felbontástól eltérően - két esemény összegeként.
Az összetett esemény az eseménytér olyan részhalmaza, amely egynél több ele­
met tartalmaz. Az elemi esemény az eseménytér egyelemü részhalmaza, ezért csak
triviális felbontása létezik. Az összetett események többféleképpen is létrejöhetnek,
az elemi események viszont csak egyféleképpen valósulhatnak meg.
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
egyértelmű.
A lehetetlen eseményt nem tekintjük sem elemi, sem összetett eseménynek.
2.14. Példa.
Tekintsük azt a kísérletet, amikor feldobunk egy játékkockát.
A kísérletnek 6 kimenetele van, a kísérlethez tartozó eseménytér pedig
H = {l, 2, 3, 4, 5, 6 }.
Jelöljük az elemi eseményeket - a H egyelemü részhalmazait - rendre az
E x, E t , E 3, E 4, E }, E 6 szimbólumokkal, ahol
£,={*} (/ = 1, 2, ... , 6).
Legyen B az az esemény, hogy párosat dobunk, azaz B = {2, 4, 6}, C
pedig az, hogy 4-nél kisebbet dobunk, azaz C = {1, 2, 3}. M indkét esemény
összetett esemény, hiszen mindegyik előállítható elemi események összegeként:
B = {2, 4 , 6 } = { 2 } u { 4 } u { 6 } = £ 2 u £ , u £ 6,
C = {l, 2, 3} = {l j u { 2 } u { 3 } = E, u £ 2 \j E %.
Kombinatorikai eszközökkel egyszerűen kiszámítható, hogy a kockadobás
kísérletnél összesen 26 = 64 különböző eseményt állíthatunk elő.
Általánosan is igaz, hogy egy n elemi eseményt tartalmazó H eseménytéren
összesen 2" eseményt értelmezhetünk, és ebből az összetett események száma
2 "-n-l.
2.15. Példa.
A 2.4. példában ismertetett kétszemélyes társasjátékban a játékosok két kockával
dobnak, és a dobott számok összegét figyelik meg. Jelölje A azt az eseményt,
hogy az éppen soron következő dobásösszege: 6. Összetett esemény-e az A?
48
Az A esemény összetett esemény, hiszen megvalósulhat úgy,
M EG O LD Á S,
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-
öst, a másodikkal l-est. A dobásösszeg akkor is 6 , ha egyik kockával 2-est, a
másikkal 4-est dobunk, és megfordítva. Vagyis, az A eseményt a 2.1, példa
c) részének megfelelően az (1 ; 5 ) , (5 ; 1), (2 ; 4 ), (4 ; 2 ) , (3 ; 3) rendezett
párok mint elemi események mindegyike megvalósítja.
2.16. Példa.
A már jó l ismert társasjátékban ellenfelünk a következő „gáláns” javaslattal áll
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
ban előnyös-e az ajánlat!
M EG O LD Á S.Első ránézésre tetszetősnek látszik a felkínált lehetőség, hiszen a
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.
Kicsit jobban átgondolva érdemes számba venni az egyes összegekhez tarto­
zó, őket mint összetett eseményeket megvalósító elemi eseményeket! Jelölje az
A esemény azt, hogy ellenfelünk nyer. Ez akkor valósul meg, ha az összeg 6,
7, 8 vagy 9. Milyen elemi események valósítják meg ezeket?
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
kedvező Összetett eseményhez tartozó elemi események száma.
Ha a dobott számok Összege 7, ezt az eseményt 6 elemi esemény valósítja meg.
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.
Tehát játékostársunk összesen 20 elemi esemény bekövetkezésekor kerül
nyerő pozícióba.
Nézzük most saját nyerési esélyeinket! Már a 2.1. példa c) részében össze­
számláltuk a lehetséges elemi eseményeket, tudjuk, ezek száma: 36. Mivel a
szereplő összetett események egymást kizárják, összegük viszont a biztos ese­
mény, vagyis teljes eseményrendszert alkotnak, a mi nyerésünket eredményező
elemi események száma; 16. Erről könnyen meggyőződhetünk, ha az előzőhöz
hasonlóan megnézzük, hány elemi esemény valósítja meg a 2, 3 stb. dobás-
összegeket.
A kissé talán aprólékos számolgatás után kiderül, hogy az ajánlat csak első
ránézésre lesz számunkra kedvező, és valójában ellenfelünk nyerési esélyei na­
gyobbak.
 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:

3.1. A valószínűség fogalma i f f f f l i i i f i fi fii f i i f i | ... | i i f i i

(ahol / a „fej” dobást, / az „írás” dobást jelenti).

Képzeljük el, hogy egy véletlen jelenségre vonatkozóan egyetlen megfigyelést, Az A esemény gyakoriságának és relatív gyakoriságának értékeit az alábbi
kísérletet végzünk. Akármi volt is a kísérlet kimenetele, ebből semmi lényeges táblázatban rögzítjük. Észrevehetjük, hogy az a számérték, amely körül az A ese­
információt nem nyerhetünk a vizsgált jelenség tulajdonságára vonatkozóan. Akkor mény relatív gyakorisága statisztikusan ingadozik, 0,5. A pénzdobás kísérletünk­
sem jutunk többre, ha még néhányszor megismételjük a megfigyelésünket. Végez­ ben tehát a „fej” dobás valószínűségének a 0,5 értéket tekinthetjük.
zük el azonban a kísérletet azonos körülmények között sokszor. Az így nyert kísér­
letsorozat már lényegesen többet elárulhat a véletlen jelenségről. Kísérletek száma ^
A valószínűség szemléletes, a tapasztalatra támaszkodó definíciójának megadá­ 2 3 4 5 6 7 8 9 10 11 12 13
n
sakor előbb a relatív gyakoriság fogalmával kell megismerkednünk. A „fej” dobás
gyakorisága 0 ] 2 3 4 4 4 4 5 5 6 6 7
Tekintsünk egy véletlen kísérletet és figyeljük meg, hogy egy bizonyos Á ese­
kA
mény bekövetkezik-e. Hajtsuk végre a kísérletet azonos körülmények között sok­
A „fej” dobás
szor, mondjuk n-szer, egymástól függetlenül (azaz a kísérletek ne befolyásolják relatív gyakorisága
egymást). Ilyenkor n hosszúsági kísérletsorozatról beszélünk. Azt tapasztaljuk, 0 0,50 0,67 0,75 0,80 0,67 0,57 0,50 0,56 0,50 0,55 0,50 0,54
hogy az A esemény a kísérletek egy részében bekövetkezik, más részében nem. h.
n
Tegyük fel, hogy a megfigyelt A esemény az n kísérletből /c^-szor következett be,
fc
A kA számot az A esemény gyakoriságának, a —1- hányadost pedig az A Kísérletek száma
n 14 15 16 17 18 19 20 96 97 98 99 100
n
esemény relatív gyakoriságának nevezzük.
A „fej” dobás
Annak előfeltétele, hogy egy véletlen esemény valószínűségéről matematikai gyakorisága 7 7 8 8 8 9 9 49 49 50 50 50
értelemben beszélhessünk, az, hogy az illető esemény relatív gyakorisága viszony­
lagos stabilitást, állandóságot mutasson. Ezen azt értjük, hogy bár a vizsgált ese­ A „fej” dobás
mény relatív gyakorisága a különböző hosszúságú kísérletsorozatokban más és más relatív gyakorisága
0,50 0,47 0,50 0,47 0,44 0,47 0,45 0,51 0,51 0,51 0,51 0,50
(véletlen ingadozásokat végez), mégis - ha a kísérlet körülményeiben számottevő
változás nem állt be - nagyjából valamely jól meghatározott számérték körül inga­ n
dozik. Ha a kísérletek számát növeljük, az ingadozás általában egyre kisebb lesz.
Ez azt jelenti, hogy csökkenő tendencia mellett felléphetnek újból és újból elég
lényeges ingadozások is, de ezek a kísérletek számának növelésével egyre ritkáb­ A 18. században ilyen kísérletsorozatokat vizsgált két matematikus, Buffon és
Pearson is. Buffon 4040-szer dobott és a „fej” dobások gyakoriságát 2048-nak
ban fordulnak elő. Az ilyen ingadozást statisztikus ingadozásnak nevezzük.
találta, míg Pearson 24 000 dobás közül 12 012-szer kapott fejet. így a relatív gya­
Azt a számértéket, amely körül a véletlen esemény relatív gyakorisága statiszti­
koriság Buffonnál 0,5069, Pearsonnél 0,5005.
kus ingadozást mutat, az illető esemény valószínűségének nevezzük.
A „fej” dobás relatív gyakoriságának ingadozását a 3.1. ábra szemlélteti (1, 52. o.).

50 51

T r |Q j'5 2'0 95 l60 n ségét P{A), P( B) , P( C) , ... jelöli.
3 .1. ábra
Ha az előbbiekben vázolt kísérletsorozatot ismételten végrehajtjuk, akkor a
„fej” és „írás” dobások sorrendje más és más lehet, de a kísérletsorozat általános.,
képe mindig az előbbihez hasonló lesz, Á relatív gyakoriság mindig a 0,5 körül
ingadozik.
Az a megfigyelés, tapasztalati törvényszerűség, hogy vannak olyan véletlen ese­
mények, amelyek relatív gyakorisága bizonyos stabilitást mutat, azaz a relatív gya­
koriság valamely meghatározott érték körül ingadozik, és az ingadozások általában
annál kisebbek lesznek, minél több kísérletet hajtunk végre, képezi a valószínűség-
számítás tapasztalati hátterét. A relatív gyakoriság és a valószínűség rokon fogal­
mak, olyannyira, hogy gyakran empirikusan (tapasztalati úton) a relatív gyakorisá­
gokon keresztül becsüljük magukat a valószínűségeket. A gyakorlatban nagyon
sokszor, ha nagyszámú kísérleti eredménnyel rendelkezünk, a valószínűségeket
egyszerűen a relatív gyakorisággal helyettesítjük,
A valószínűséget azonban formailag élesen meg kell különböztetni a relatív
gyakoriságtól: a valószínűség rögzített szám, míg a relatív gyakoriság a véletlentől
függően más és más lehet.
Egy esemény valószínűsége tehát a megfigyelőtől függetlenül létező mértékszám,
amely megadja, hogy egy hosszú kísérletsorozatban körülbelül mekkora hányadban
következik be a szóban forgó esemény.
A valószínűségnek tapasztalati úton történő pontos meghatározása csak nagyon
korlátozott körülmények között valósítható meg, általában végtelen sok kísérletet
igényelne. Mindezek elkerülésére szükséges matematikai precizitású alaptörvények
lefektetése és alkalmazása.
A továbbiakban azoknak a valószínűségszámítási törvényeknek a tárgyalásával
foglalkozunk, amelyek azt is lehetővé teszik, hogy egyszerű események valószínű­
ségének ismeretében bonyolultabb események valószínűségét számíthassuk ki.
52
3.2. A valószínűség axiómái, tételek
Jelöljenek A , B , C , ,,, egy H eseménytérhez tartozó eseményeket. A valószí-
niíségszámitás kiindulópontja az, hogy minden egyes eseményhez hozzárendelünk
egy valós számot, amelyet az esemény valószínűségének nevezünk. Ezt természe­
tesen csak úgy érdemes elvégeznünk, hogy az előző pontban adott empirikus defi­
nícióval összhangban legyen.
A következőkben a latin probabilitas (valószínűség) kezdőbetűjét fogjuk hasz­
nálni a valószínűség jelölésére, így ezentúl az A , B , C, ... esemény valószínű­
Próbáljuk meg a relatív gyakoriság tulajdonságaiból „kiolvasni”, hogy milyen
feltevéseket célszerű tenni az eseményekhez rendelt valószínűségre.
Végezzünk el egy kísérletet n-szer. Ha ebben az n kísérletből álló kísérletso­
rozatban az A esemény kA-szór következett be, akkor 0 ^ k A < n , amiből viszont
következik, hogy 0 < — < 1. Tehát egy esemény relatív gyakorisága a [0 ; l]
n
intervallumba eső szám lehet.
Meggondolva, hogy ez a mennyiség az illető esemény valószínűsége körül in­
gadozik, továbbá, hogy a valószínűség a véletlen eseménynek az a jellemzője,
amely megmutatja, hogy nagyszámú kísérletet végezve azok mekkora hányadában
várhatjuk bekövetkezését, kimondhatjuk, hogy bármely esemény valószínűségének
[0 ; l] intervallumbeli számnak kell lennie. Minthogy pedig a biztos esemény rela­
tív gyakorisága 1 , a biztos esemény valószínűsége is 1 kell, hogy legyen.
Láttuk, hogy egy kísérlettel kapcsolatos események között bizonyos összefüg­
gések érvényesek, éppen ezért az események valószínűségét sem írhatjuk elő tet­
szőlegesen. Egy ilyen összefüggés az, hogy két egymást kizáró esemény összegé­
nek valószínűsége megegyezik a két esemény valószínűségének összegével Ha
ugyanis A és B egy adott eseménytérhez tartozó két egymást kizáró esemény,
azaz A r \ B - 0 , és az n kísérletből álló kísérletsorozatban az A esemény k A-
szor, a B esemény pedig kB-szer következett be, akkor a két esemény összegé­
nek, azaz annak az eseménynek, hogy az A vagy B következik be, gyakorisága
nyilvánvalóan
k AuB = k A + k B>
így relatív gyakorisága
k-A^B _. k A kB
n n n ’
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.

n. AXIÓMA: A biztos esemény valószínűsége 1, azaz

3.1. T étel . Ha az A esemény valószínűsége P(A), akkor az A ellentétes ese­
mény valószínűsége P(A) = 1 - P(A).
Hl. AXIÓMA: Ha A d H és B c zH egymást kizáró események, azaz A n B = 0 ,
akkor Bizonyítás. Minthogy A u A = H és A n A - 0 , a III. axióma szerint P ( A kj A ) -
P { A u B ) = P{Á) + P{B). = P{A) + P{A) és a II. axióma szerint P{H) = 1 . A bizonyítandó állítás ebből már
következik.
Megjegyzés:
A III. axiómát a valószínűség additív tulajdonságának nevezzük. Egy-egy újabb A tétel fontos következménye, hogy a lehetetlen esemény valószínűsége zérus,
esemény hozzávételével igazolható, hogy több (de véges számú), egymást páron­ azaz
ként kizáró eseményre is fennáll, hogy P ( 0 ) = 0.
P ( A i u A2 k j ,.,<u Aii) = P( Ai) + P( A2) + . . . + P ( A ii) . (3.1)
Minthogy a lehetetlen esemény a biztos esemény ellentétes eseménye, így
Ez a go □dől átmenet azonban nem alkalmazható akkor, ha a tekintett események száma megszám-
lálhatóan végtelen. Ezért erre az esetre külön is megfogalmazzuk a Ill.-tiak megfelelő axiómái. p< 0) = p (H ),
[[I*. a x ió m a : H a A,. Aj, ... egym ást páro n kén t kizáró esem ények, azaz amiből
A, n A j = 0 ([ * ; , í , y = l, 2, ...), P ( 0 ) = 1 - P ( H ) = O.
akko r
Az az állítás, hogy a lehetetlen esemény valószínűsége zérus, nem megfordít­
P(A, U A } 'u ...) = P (A l ) + P (A 1) + ... j = I, 2 , ...)■ ható; azaz abból, hogy egy esemény valószínűsége zérus, nem következik, hogy az
lehetetlen esemény. Hasonlóképpen abból, hogy P(A) = 1, nem következik, hogy
Ezt az utóbbi axiómát a valószínűség teljes a d d itiv itá sín a k nevezzük. az A biztos esemény,

Úgy is fogalmazhatunk, hogy a H eseménytérhez tartozó eseményeken értel­

mezhetünk egy P függvényt, a valószínűséget, amelynek képhalmaza R, és a

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

A továbbiakban azt vizsgáljuk, hogy valamely véletlen kísérletnél, megfigyelésnél P ( A \ B ) = ^ = 0,682.

egy esemény bekövetkezése milyen mértékben befolyásolja egy másik esemény 66
bekövetkezését. Valószínűbb-e egy A esemény bekövetkezése, ha a B esemény A P( A | B ) valószínűség felírható a következőképpen is:
már bekövetkezett?
A vizsgált eseményt - az A eseménytől megkülönböztetve - A \ B („A vo­ 45
nás 5 ”)-vel, valószínűségét pedig P( A \ B) -vei fogjuk jelölni, P(A\B)= ^r= P(AnB) =
66 P (B )
3.6. Példa. 80
Egy vállalatnál 50 férfi és 30 nő dolgozik. A férfiak között a szakképzettek
A P(A | B) valószínűséget ily módon visszavezettük a P ( A n B ) és a P(B)
száma 45, a nők között 21. Ezek szerint 5 férfi és 9 nö nem rendelkezik
szakképzettséggel. Foglaljuk táblázatba adatainkat. valószínűségek meghatározására.
Hasonlóan lehet értelmezni a P( B \ A) valószínűséget is. Ha azt tudjuk,
A (férfi) A (nö) hogy a kihúzott kartonon férfi neve szerepel, akkor annak a valószínűsége, hogy
B (szakképzett) 45 21 66
azon „szakképzett” jelzés is található:

B (nem szakképzett) 5 9 14
50 30 80

A vállalat 80 dolgozójáról külsőleg teljesen azonosnak tűnő karton lapokat 80

készítünk. A kartotékokat összekeverjük és közülük egyet véletlenszerűen kivá­
A P ( B \ Á ) valószínűséget most a P ( A n B ) és a P( Á) valószínűségek megha­
lasztunk. Jelentse az A esemény azt, hogy férfi, a B esemény azt, hogy szak­
tározására vezettük vissza.
képzett dolgozó kartonját választottuk, feltéve, hogy bármelyik karton választása
egyenlően valószínű.
Ez általában is érvényes, amit a relatív gyakoriságokkal is beláthatunk.
Ekkor annak a valószínűsége, hogy egy találomra kiválasztott kartotékon egy

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;

DEFINÍCIÓ. Ha az A és B a H eseménytérhez tartozó két esemény, és P(B) 0,

Áz eredmény előre várható volt; ugyanis a második hűzásra már csak 24
akkor a
golyó van az urnában és ezek között 9 a fehér, mivel egy fehér golyót az első
I húzásnál már kihúztunk.
P (A | B ) = (3,1]}.
i p( B)
Gyakran előfordul, hogy a feltételes valószínűséget vizsgáljuk, és annak segít­
hányadost az A eseménynek a B eseményre vonatkoztatott feltételes,
ségével számíthatjuk ki a A n B esemény valószínűségét,
valószínűségének nevezzük.
Szorozzuk meg ugyanis a (3.1 1) formula mindkét oldalát P (B )-v e l A
A definíció alapján egyszerűen belátható, hogy a P(A | B ) feltételes valószínű­ P ( A n B ) = P(A\ B)P(B)
ségre is érvényesek a valószínűség axiómái, azaz valóban valószínűséget definiál­
tunk a H eseménytérben. összefüggéshez jutunk. Ezt nevezzük a valószínűségek szorzási szabályának,
amelyet az alábbi tételben fogalmazunk meg:
I. 0 < P(Á | 5 ) < 1;
II. P ( B \ B ) = 1 ; 3,6. T é te l. Ha A és B a H eseménytérhez tartozó két esemény és P ( B ) # 0 ,
III. Ha Áyi A 2 , . . . , véges vagy megszámlálhatóan végtelen sok, egymást pá­ akkor együttes bekövetkezésük valószínűsége megegyezik az A esemény
ronként kizáró, H-hoz tartozó esemény, akkor B eseményre vonatkozó feltételes valószínűségének és a B esemény
valószínűségének szorzatával, azaz
P( Ai u A l u . . . \ B ) = P( Al \B) + P(Aí \ B) + ... . P ( A n B ) = P(A\ B)P(B), P(B)*0. (3.12)
így mindazok a tételek, amelyeket a 3.2-ben igazoltunk, a feltételes valószínű­
ségre is érvényesek. Ha az A és B szerepet cserél és P(A) * 0, akkor a

3.7. Példa. P{B\Á) = - ^ ~ ~ y

Egy urnában 10 fehér és 15 fekete golyó van. Találomra kihúzunk egymás P(A)
után két golyót visszatevés nélkül. Mekkora a valószínűsége annak, hogy a m á­ alapján
sodik alkalommal fehér golyót húzunk (A2 esemény), feltéve, hogy az első alka­
lommal is fehéret húztunk (Al esemény)? P { A n B ) = P{B\ A)P( A). (3,13)
Keressük a P( Á2 1A,) valószínűséget!
3.8. Példa.
Egy áruszállítm ány 96%-a megfelel a minőségi előírásoknak, és ezek 60% -a
I osztályú, 40%-a pedig II, osztályú. Válasszunk ki találom ra egyet az egész

69
 szállítmányból. Mennyi a valószínűsége, hogy
a) I. osztályút választunk (A} esemény);
b) II. osztályút választunk (A2 esemény)?
M eg oldás . Egyszerű okoskodással is azonnal látható, hogy az I. osztályú vá­
lasztásának valószínűsége 0,96 ■0,6 = 0,576, a II. osztályú választásának való­
színűsége pedig 0,96 • 0,4 = 0,384 .
Gondoljuk csak meg, hogy itt tulajdonképpen a szorzási szabályt alkalmaz­
tuk mindkét esetben. Jelölje ugyanis B azt az eseményt, hogy a kiválasztott da­
rab minőségileg megfelelő. így az a) esetben
P(B n A ,) = P (A , | B)P(B) = 0,6 ■0,96 = 0,576,
a b) esetben
P ( B n A 2) = P(A, | B)P(B) = 0,4-0,96 = 0,384 .
A valószínűségek szorzási szabálya n > 2 eseményre is kiterjeszthető. Ezt mond­
ja ki a következő tétel, amelyet a valószínűségek általános szorzási szabályának
neveznek.
3.7. TÉTEL. Legyenek Ai, A1, ..., An a H eseménytérhez tartozó tetszőleges ese­
mények és P{At n ^ , n ... n A ) ^ 0. Ekkor
P ( A , n A i n . . . n A J = P(Al) P(A 2 \ At)P(A 1 l Ai n A 2)...
. . . P ( A w\ Al n A l r \ . . . n A l_l).
A tétel bizonyítására, amely a 3.6. tétel többszöri alkalmazásán alapul, nem térünk lei.
3.5. A teljes valószínűség tétele, a Bayes-tétel,
valószínűségi fa
3.8. TÉTEL. Ha a H esemény térhez tartozó Bt, B2, ..., Bn események teljes ese­
ményrendszert alkotnak és P{Bk) > 0 (k = 1, 2.......n), akkor bármely,
a H-hoz tartozó A esemény valószínűsége:
P(A) = f i P ( A \ B t ) P(Bí ).
70
A tételt azért nevezik a teljes valószínűség tételének, mert egy A esemény
valószínűségét (teljes valószínűségét) feltételes valószínűségekből (részvalószínü-
ségekből) határozza meg.
Bizonyítás. A z, hogy a Bk (k =1, 2, ..., n) események teljes rendszert alkotnak,
a z t jelenti, hogy egymást páronként kizárják és összegük a biztos esemény. Az A
tetszőleges esemény előállítható egymást kizáró események összegeként az alábbi
módon:
A - A c \ H = A c \ ( B y k j B 2 u ... u B n) =
= { A c \ B ^ ) u { A r \ B z) ' u . . .
és ezért
P{A) = Y JP { A n B k).
k-\
Alkalmazva a (3.12) képletet (a valószínűségek szorzási szabályát) az egyes
P ( A n Bk) valószínűségekre, a bizonyítandó állítást kapjuk.
3.9. Példa.
Három urnába helyezzünk el fehér és fekete golyókat, mégpedig az elsőbe 2 fe­
hér és 3 fekete, a másodikba 4 fehér és 1 fekete, a harmadikba pedig 3 fehér
és 7 fekete golyót. A kísérlet abban áll, hogy 1/2 valószínűséggel az első, 1/3
valószínűséggel a második és 1 / 6 valószínűséggel a harmadik urnát választva,
a választott urnából kiveszünk egy golyót. A kérdés az, mennyi a valószínűsége
annak, hogy valamelyik urnából találomra kihúzva egy golyót, az fehér lesz.
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
P{A) = P{A | B, )P(B]) + P(A | B2 )P(B2) + P{A | B, ) P( B, ) ,
s minthogy
JT O = i / W = i
2 3 6
és az első urnából 2/5, a másodikból 4/5, a harmadikból 3/10 valószínűség­
gel húzhatunk fehér golyót, azaz
(3.14) P ( A \ B )) = 1 , P(A\B,)=~, PiAlB ,)^^,
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
3.10. Példa.
Egy műhelyben három műszakban készítik ugyanazt a2 alkatrészt. Egy napon
az összesen gyártott alkatrészek 40%-a készült az első műszakban, és 30 - 30%-a
a második, illetve a harmadik műszakban. Az első műszakban elkészült alkat­
részek 5%-a, a másodikban gyártottak 7%-a, a harmadikban gyártottak 10%-a
selejtes. A három műszakban előállított alkatrészek teljes mennyiségéből a mi­
nőségi ellenőr találomra kiválaszt egyet és megvizsgálja. Mekkora a valószínű­
sége annak, hogy ez hibátlan?
MEGOLDÁS. Jelölje A a hibátlan alkatrész kiválasztásának eseményét, Bt, B2>
B} pedig azt, hogy az első, második, harmadik műszakban készült a kihúzott
darab. Alkalmazva a teljes valószínűség tételét:
3
P( A) = £ P ( A | Bk )P{Bk) - 0,95 ■0,4 f- 0,93 ■0,3 + 0,9 ■0,3 = 0,929.
*=i
Előfordul, hogy a P(Bk \ A) (1 < k < n ) valószínűségre van szükségünk.
I
amit az előző tört nevezőjébe helyettesítve a bizonyítandó tételhez jutunk.
Ez a tétel azt jelenti, hogy ha ismeijük az A esemény feltételes valószínűségét
a Bl, B 1 , . . , , B n teljes eseményrendszer eseményeire vonatkozóan, továbbá ismer­
tek a Bk események valószínűségei, akkor a Bk (k = \, 2, n) eseményeknek
az A feltételre vonatkozó feltételes valószínűségét ki tudjuk számítani.
Szokás a P(Bk \ A) valószínűségeket „a posteriori” valószínűségeknek, a P ( B , )
valószínűségeket pedig „a priori” valószínűségeknek is nevezni. Amennyiben ez
utóbbiak eleve (a priori) ismeretesek, a tétel sok nevezetes probléma megoldására
használható (1. a 3.9. pontot).
3.11. Példa.
Tekintsük ismét a 3.9. példát, és fordítsuk meg a problémát. Azt kérdezzük,
hogy mennyi a valószínűsége annak, hogy a húzás az első urnából történt, ha a
húzás eredménye fehér golyó volt,
MEGOLDÁS, Helyettesítsük be a 3.9. példában kapott értékeket a (3.15) képletbe.
Ekkor azt kapjuk, hogy

3.9. TÉTEL. (Bayes-tétel.) Ha a H eseménytérhez tartozó Bv B2, .... Bn esemé­ 2 1

nyek teljes eseményrendszert alkotnak és P (Bk) > 0 (k = 1, 2....... n), 5 ? _ jj
P(A) M 3f
akkor bármely, a H-hoz tartozó, pozitív valószínűségű A eseményre
igaz, hogy 60
Tehát 12/31 a valószínűsége annak, hogy ha fehér golyót húztunk, akkor a hú­
P(Bk | A) = (A = 1.2....... »). (3.15) zás az első urnából történt.
f i P ( A \ B l)P(Bi) Hasonló módon kaphatjuk meg a
í=i
P( B 2 \ A ) = 1^ és a P( £ } \A) = ^
Bizonyítás. A valószínűségek szorzási szabálya értelmében a (3.12) és (3.13) össze­
függéseket jelen esetre alkalmazva kapjuk, hogy
valószínűségeket, amelyekből leolvashatjuk, hogy ha fehér golyót húztunk, ak­
P(Bk \ A)P{A) = P { A \ B k)P(Bk). kor 16/31 a valószínűsége, hogy a húzás a második, és 3/31 a valószínűsége,
hogy a harmadik urnából történt.
Innen pedig Vegyük észre, hogy 5, w B 7 u Bt = H , tehát

P (B t | A) + P{Bt | A) + P(B 3 | A) = P{BXu B 2 u B 3 \A) =

1 P(A)
= P ( H\ A) = t.

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 ) .

A férfi dolgozók előfordulásának valószínűsége ezek szerint jelen esetben ugyan­

3.6. Események függetlensége
Két esemény függetlenségén a köznapi szóhasználatban azt értjük, hogy az egyik
bekövetkezése nem befolyásolja a másik bekövetkezését.
Egyrészt nehéz azonban eldönteni csupán a szemlélet alapján, hogy ez valóban
igaz-e? Másrészt a 2 is pontosabb körülírást igényelne, hogy mivel mérjük a két
esemény egymásra hatásának tényét. Szubjektív tényezőktől mentes, egyértelműen
kezelhető matematikai definíciót kell kialakítanunk.
A feltételes valószínűség fogalmának bevezetésekor egy konkrét példát vizsgál­
tunk. Azt találtuk, hogy /4-val jelölve egy sokaságban a férfiakat, 5-vel pedig a
akkora a szakképzettek között, mint az összes dolgozók között.
Kézenfekvő tehát arra következtetnünk, hogy ha két eseményre, az A -ra és 5-re
P(A | B) - P ( A) , akkor a B esemény semmilyen befolyással nincs az A esemény­
re. Ez esetben azt mondjuk, hogy A független 5-töl. A feltételes valószínűség
(3.11) definíciójából, illetve a (3.12) szorzási szabályból következik, hogy ekkor
P ( A n S ) = P( A | B)P{B) = P ( A ) P { B ) . (3. 16)
írjuk fel a P( B \ A) feltételes valószínűség definícióját a (3.16) figyelembevéte­
lével.

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).

Ha azonban az A és B függetlenek, akkor P ( A n ő ) = P { A ) P { B ), tehát

ami éppen azt jelenti, hogy a B esemény is független az A eseménytől. Tehát
P(A n í ) = P ( A ) - P { A ) P { B ) = P( ,4) [!-/></!)] = P ( A ) P ( B ) .
P( A | B ) = P(A) » P( B | A) = P (5 ) o P</í n í ) = . Hasonló módon igazolható a többi állítás is.
A függetlenség tehát szimmetrikus fogalom, célszerű definíciójául a2 ekviva­
lens egyenlőségek közül az alábbit elfogadni. A függetlenség fogalmát terjesszük ki ezután három eseményre, yí-ra, B -re és
C-re. Tegyük fel, hogy ezek páronként függetlenek, azaz P (A n B ) - P{A) P{B) ,
D EFIN ÍC IÓ . Legyen A és B a U eseménytérhez tartozó két esemény. Az A és B p ( A r \ C ) = P(Á)P(C) és P ( B n C ) = P( B) P( C) . Kérdés, hogy fennáll-e a
esernényeJcet egymástól függetlennek (vagy sztochasztikusan függet­ P ( A r \ B r \ C ) = P(A)P(B)P{C) összefüggés. A páronként! függetlenségből ez
lennek) nevezzük, ha
általában még nem következik, amint a következő példa is mutatja.
P ( A n B ) = P{A)P(B). (3.17)
3.13. Példa.
3.12. Példa. Legyen kísérletünk az, hogy két kockával dobunk, melyek közül az egyik piros,
Egy ládában a másik fekete. Jelentse az A esemény azt, hogy a pirossal páratlan számot, B
25 darab I. osztályú x típusú, azt, hogy a feketével páratlan számot dobunk, C pedig legyen az, hogy a két
25 darab L osztályú y típusú, dobás összege páratlan.
25 darab II. osztályú x típusú, Vizsgáljuk A , B, C függetlenségét!
25 darab II. osztályú y típusú
MEGOLDÁS. Mint könnyen meggyőződhetünk róla, bármelyik két esemény füg­
termék van. Jelentse A az I. osztályú termék választásának az eseményét és B getlen egymástól. Ugyanis
az x típusú tennék választásáét.
|O 1
Ekkor P(A) = P(B) = P ( C ) = { - = ±
36 2
Pw (aA r \ us 2 5 ■= —,
B ) - ---- 1 dí as = -----=
P(A) 50 —1 es' DB)
P( /m = -—5 0 = —.
1
és
100 4 100 2 100 2
így P ( A n B ) = P{ Á) P( B) , azaz az A és a B események függetlenek egymás­ P ( A n B ) = P (A nC ) = P ( B n C ) = ^ =~ .
tól, ami előre várható volt.
Ezzel szemben a három esemény egyidejűleg nem következhet be, így
Megjegyzés:
Ha P{A) = 0 vagy P(A) - 1, akkor az A esemény minden más eseménytől füg­ P ( A n B r \ Q = 0.
getlen.

3.10. TÉTEL. Ha az A és B események függetlenek, akkor az A és B , A és B,

A és B események is függetlenek.

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

Az elmondottak általában is érvényesek:

Annak valószínűsége, hogy egy H tartományba eső pont egyúttal az A rész­
tartományba esik, megegyezik e két tartomány területének hányadosával, feltéve,

82 83
hogy az egyes tartományokra esés valószínűsége arányos az illető tartomány terüle­
tével, azaz
az A tartomány területe
a H tartomány területe
Meggondolásaink nemcsak síkbeli, hanem egyenes- és térbeli tartományokra is
érvényesek. így például annak a valószínűsége, hogy egy egységnyi hosszúságú
szakaszt 1 0 egyenlő részre osztva egy véletlenszerűen ráhelyezett pont az egyik
1 / 1 0 hosszúságú szakaszra esik, geometriai valószínűséget feltételezve 1 / 1 0 .
3,9. Szubjektív valószínűség
A valószínűség, a korábbi értelmezés szerint, az a szám, amely körül a relatív gya­
koriság statisztikai ingadozást végez, a relatív gyakoriságok sztochasztikus határér­
téke, amennyiben feltételezzük a kísérlet tetszőleges számú megismételhetőségét.
M it tehetünk azonban az olyan köznyelvben használt ítéletekkel, hogy 80% a
valószínűsége annak, hogy holnap esni fog az eső, vagy valószínűleg Kati keresett.
A gazdasági életben is nagyon sokszor kell feltennünk a következő vagy hasonló
kérdéseket: M ennyire valószínű, hogy egy új termék elér egy adott piaci részese­
dést? A várható kereslet gyenge, közepes vagy erős lesz egy új term ék esetén?
Ezek a kérdések olyan eseményekre vonatkoznak, amelyek nem rendelkeznek az
akárhányszor ismételhetőség tulajdonságával így a korábban értelmezett valószí­
nűség-fogalom nem használható. Ebben a pontban megismerkedünk a bizonytalan­
ság körülményei közötti gazdasági döntésekben alkalmazható új valószínűség-
fogalommal, az úgynevezett szubjektív valószínűséggel, majd vizsgáljuk a bizony­
talanság, a szubjektív valószínűség és a Bayes-tétel kapcsolódását.
A SZUBJEKTÍV VALÓSZÍNŰSÉG ÉRTELMEZÉSE
Objektívnek tekintünk valamit, ha az a tudatunktól függetlenül létezik. Ilyen érte­
lemben az objektivitás a külvilág attribútuma. Az eddigiekben értelmezett valószí­
nűség is a külvilág, egy kísérlet tudatunktól függetlenül létező tulajdonsága, ezért
kapta az objektív valószínűség elnevezést.
A valószínűség szubjektív értelmezése először F. P. Ramsey (1926), majd B.
de Finetti (1937) munkásságában jelenik meg egy esemény bekövetkezésébe ve­
tett hit fokának a mértékeként. Ok ezt a valószínűségi m értéket egy fogadási
helyzettel definiálják. A fogadási helyzet során a játékos, akinek egy esemény be­
következésére vonatkozó hitét méljük, fogad a „játékvezetővel” . A fogadási helyzet
a következő:
84
A játékos mond egy arányt, ami az ő fogadási hányadosa, q. A játékvezető en­
n ekismeretében tesz egy tétet: S. A játékos qS összeget fizet azért, hogy játszhas­
son az esemény kimenetétől függetlenül. Míg ha az esemény tényegesen bekövet­
kezik, akkor a játékvezető S összeget fizet a játékosnak.
Az előző értelmezés illusztrálására tekintsük a következő egyszerű példát.
3.19. Példa.
Vizsgáljuk meg, hogy mit jelent a következő kijelentés: szerintem 70% annak a
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
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.
Ramsey és de Finetti tehát az egyén hiteinek mérését azzal a racionális fogadás­
sal kapcsolja össze, amibe az egyén hajlandó belemenni, így az esély, aminél haj­
landófogadni az egyén, határozza meg a valószínűséget.
Megjegyzés:
A valószínűség szubjektív értelmezésében de Finetti odáig megy, hogy azi állítja, hogy az olyan ese­
mények valószínűsége, mint a pénzfeldobás sem lehetnek az egyének hiteitől független létezők, így
szerinte a valószínűséget objektívnek tekinteni téves felfogás. Ez az értelmezés komoly vitákat váltott
ki. De Finetti felfogásában főleg az objektív valószínűség létezésének megkérdőjelezését kifogásol­
ták. A valószínűség körüli vitákat még ma sem lekinthetjük lezártnak. Mi azonban arra a napjainkban
legelfogadottabb álláspontra helyezkedünk, amelyik a valószínűség kétféle értelm ezését (szubjektív,
objektív) együtt használja.
Tekintsük a már említett „valószínűleg Kati keresett” példát. Ebben az esetben
nem egy esemény valószínűségéről van szó, hanem egy tényállást, egy helyzetet
értékelünk a megérzéseink alapján. A tényállást, helyzetet, amelyről tudni akarjuk,
hogy igaz vagy hamis, állapotnak nevezzük a továbbiakban. Ha vizsgáljuk a szóba
jöhető telefonálók halmazát, akkor az a tényállás, hogy „Kati telefonált” egy lehet­
séges állapot a szóba jöhetők közül. Az /-edik állapotot a jövőben 9, szimbólum­
mal jelöljük. A P{9t) egy lehetséges állapot valószínűsége, ami azt fejezi ki, hogy
az ítéletet mondó mennyire bizonyos, illetve bizonytalan abban, hogy Kati volt a
telefonáló.
Ezekben az esetekben a valószínűség nem a véletlen kísérlettel függ össze, ha­
nem a bizonytalanság egy kifejezéseként használjuk. Amikor nem tudjuk megálla­
pítani, hogy egy esemény (állapot) igaz vagy hamis, akkor csak annyit mondunk,
hogy lehetséges vagy valószínű. A különböző állapotoknak különböző valószínű­
85
ségi szintje lehet, ami attól függ, hogy mi azt gondoljuk, hogy az a valószínűbb,
hogy igaz, vagy az, hogy nem.
Az 1 valószínűség azt jelenti, hogy abszolút biztosak vagyunk, hogy igaz. A 0
valószínűség esetén is abszolút biztosak vagyunk, de abban, hogy nem igaz a tény­
állás. A 0,5 valószínűség jelenti azt, hogy abszolút bizonytalanok vagyunk, hogy
fennáll-e az állapot, vagy nem.
A szubjektív valószínűség D. Wickmann (1990) által megfogalmazott értelme-
zése a következő: A szubjektív valószínűség a szubjektumnak egy adott állapot
megítélésére vonatkozó bizonyossági foka.
A bizonyossági szintet az „igazságos fogadás paradigmájával" kapcsoljuk Össze.
Korábban láttuk, hogy már Ramsey és de Finetti is összekapcsolták a hit foká­
nak mérését a fogadási hajlandósággal. Az igazságos fogadás a következőképpen
történik:
3.20. Példa.
Legyen 0i egy bizonyos állapot. D személy azt mondja, hogy P{9,) = ^
(pl. 0,9), ű , f i e N , a + b ^ 0 mértékig biztos abban, hogy a 9. állapot fennáll.
Ha A és B egy bizonyos H összegre fogadnak, amelyből H ■ (0,9H)
a +b
az A személytől, H ■ - (0,1//) pedig a B személytől származik, akkor a
a +b
fogadási arány a : b (9:1) az A szempontjából. Az A fogad é? -re, B pedig
0j tagadására, és a nyertesé lesz az egész Összeg. A z igazságosság azt jelenti,
hogy D szempontjából mind a kettőjüknek egyenlők a nyerési esély eik ,----- - -
ű ■+■ö
ve) azt fejezi ld, hogy egyaránt kész A vagy B helyett belépni.
3.21. Példa.
Vizsgáljuk, hogy mit jelent az igazságos fogadás szempontjából a következő ki­
jelentés: „70%-ig biztos vagyok abban, hogy Kati telefonált”, állítja D.
7 ráadásul ezek a valószínűségek objektívek.
M e g o ld á s . Az állapot a következő: 6; = „Kati telefonált”. PW,) = y - - ^ = 0,7 .
A és B 10 000 Ft összegre fogadnak úgy, hogy 7000 A-tó \7 3000 pedig 8 -tői
származik. A fogadási arány tehát 7 : 3. Az A arra fogad, hogy Kati telefonált,
B pedig arra, hogy nem Kati volt a telefonáló.
86
A fenti értelmezések a szubjektív valószínűség operatív definícióját adják. A szak-
irodalomban ez a megközelítés nem egyedi. Például a fizikában az elektromos me­
zőt is hasonlóképpen definiálják.
A valószínüségszámítás axiomatikus felépítése Kolmogorov nevéhez fűződik,
amelynek alapján a valószínűség formális definíciója alatt azt a valós számot ért­
jük, amely a valószínűségi axiómáknak eleget tesz.
Az ún. koherencia feltételezésével az is kimutatható, hogy a fent értelmezett
szubjektív valószínűségek eleget tesznek a valószínűség axiómáinak (C, Howson,
P. Urbach, 1989 és D. Gillies, 2000). A koherenciafeltételek azt jelentik, hogy le­
hetetlen létrehozni olyan fogadássorozatot azzal a személlyel szemben, aki követi a
koherencia feltételeit, hogy ez a személy biztosan veszítsen, függetlenül attól, hogy
mire fogadott.
Az így definiált bizonyosság! szintek tehát joggal nevezhetők valószínűségeknek.
A BIZONYOSSÁG) SZINT SZÁMSZERŰSÍTÉSÉ
A szubjektív valószínűségeket általában nehéz mérni. Azoknak az eseményeknek,
illetve állapotoknak a valószínűsége, amelyek nagyon ritkán fordulnak elő, vagy
szinte biztos, hogy előfordulnak, azonban könnyen számszerűsíthető. Például, ha
annak az eseménynek a bizonyosság! szintjét kell megadni, hogy „holnap felkel a
Nap”, a valószínűség 1 lesz. Ha pedig annak az állapotnak a bizonyossági szintjé­
ről beszélünk, hogy „sajtból van a ílold”, akkor a valószínűség közelít 0 -hoz. Mit
tudunk azonban mondani annak az állapotnak a bizonyossági szintjéről, hogy „fe­
hér karácsonyunk lesz”?
A számszerűsítéssel szembeni elvárások a következők:
> a bizonyossági szinteknek összehasonlíthatóknak kell lenniük,
> bizonyossági szinteket egy skálán kell elhelyezni,
> a skálának nemcsak ordinálísnak kell lennie, hanem arányskálának is.
Ha mérhetővé akatjuk tenni a bizonytalanságot, meg kell adni egy etalont (stan­
dardot), amihez viszonyítunk. Például a hosszúság mérésére a Párizs mellett elhe­
lyezett I méter hosszú rúd a viszonyítási alap. A szubjektív valószínűség mérésé­
nél a standard egy úgynevezett kalibrációs kísérlethez kötődik. Ez egy egyszerű
kísérlet, amelynél a kimenetek valószínűségei nagyon könnyen meghatározhatók és
Az általunk alkalmazandó kalibrációs kísérlet egy um ás kísérlet. Egy urnában
bizonyos számú piros és fehér golyó van. Véletlenszerűen kiveszünk belőle egy
golyót. A valószínűség standard mértéke legyen az urnában levő piros golyók ará­
nya. Ez a valószínűség függ az urnában levő golyók számától. Például, ha az umá-
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

P (x} \Öt) P (x 2 16>) Együtt

A megbízhatósági szintek különbözősége^ miatt a két piackutató esetén különbö­
fii 0,70 0,30 1,00 ző a posteriori valószínűségek születtek. Újabb információk szerzésével, a kapott
0,40 0,60 1,00

90 91

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.
De Finetti (1964); Foresight: its Local Laws, its Subjective Sources. Studies in Subjective
Probability. Kyburg, Smolder, New York.
French, S. (1986): Decision Theory. Eli is Horword, Chichester.
Gil, J-W a iker, L. D. (2005): Elicited Priors fór Bayesian Mód cl Specifications. Ghat ham
’& HaJl, New York.
Gillies, D. (2000): Philosöpliical Theories of Probability. Routledge. pp. 223 + xiv.
Howsofi, C., Urbach, P. (1989): The Bayesian Approach. Open Court Publishing Company,
Ramsey, F- P. (1963): Tiuth and Probability. Studies in Subjective Probability. John Wiley
and Sons, New York.
Shafer, G.-Gitett. P R.-Sherl, R. B. (2003): Subjective Probability and Lower and Upper
Precision: A New Undefstanding. Internationa! Journal o f Approximate Reasoning.
Wickmann, D. (1998): Bayes-statisztika. ELTE Eötvös Kiadó, Budapest.
92
4. VALÓSZÍNŰSÉGI VÁLTOZÓ
4.1, A valószínűségi változó fogalma
Az eddigiekben annak valószínűségét vizsgáltuk, hogy egy esemény bekövetkezik-e,
vagy sem. Az esetek jelentős részében az eseményhez egy vagy több szám kap­
csolható, Ha például egy szabályos dobókockát dobunk fel, az egyes kimenetelek­
hez (elemi eseményekhez) az 1, 2, ... , 6 számokat rendelhetjük. Azt az összetett
eseményt, hogy páros számot dobunk, megfogalmazhatjuk úgy is, hogy az ered­
mény a {2 ; 4 ; 6 } halmaz valamelyik eleme. Természetesen a kocka oldalait kü­
lönböző színekkel is jelölhetjük, de ekkor azonnal tapasztalhatjuk, hogy csak körül­
ményesebben tudunk az eseményekről beszélni. Ezért ilyenkor is célszerű az egyes
színekhez különböző számokat rendelni. Dobjunk fel egy pénzérmét! A dobás
eredménye „fej” vagy „írás” lehet. Ekkor is megtehetjük, hogy az egyes elemi ese­
ményekhez számokat rendelünk, például a „fej’’-hez a 0 -t, az „írás”-hoz az 1 -et.
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.
Ebben a fejezetben azzal az esettel foglalkozunk, amikor egy kísérlet lehetséges
kimeneteleinek mindegyikéhez pontosan egy számot rendelünk hozzá. Ekkor lé­
nyegében a lehetséges kimenetelek (elemi események) halmazán egy valós értékű
függvényt értelmezünk.
DEFINÍCIÓ. Legyen adott egy véletlen kísérlet és az ehhez tartozó H eseménytér,
A H eseménytéren értelmezett £ valós értékűföggvényi valószínűségi
változónak nevezzük.
A valószínűségi változókat általában görög kisbetűkkel, 4 (kszí), rj (éta), C (zéta)
stb. jelöljük.
A valószínűségi változó tehát a kísérlet minden h kimeneteléhez egy %(h) va­
lós számot rendel.
Definíciónkat három fontos megjegyzéssel egészítjük ki.
93
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.

A W elemi eseményeinek halmazán végtelen sok különböző függvényt, tehát

végtelen sok valószínűségi változót lehet értelmezni. Ezek közül a szokásjog vagy
az ésszerűség időnként bizonyos megoldásokat kitüntet. Például a szabályos játék­ / > ( 2 £ £ < 5 ) = />(é = 2 ) + .P(£ = 3) + />(£ = 4) = ^ + - I + - L = I
kocka lapjait szinte mindig az 1 , 2 , 6 számokkal jelöljük annak ellenére, 36 36 36 6 '
hogy erre használhatnánk akár irracionális számokat is. Annál a kísérletnél, amikor Itt az elemi események és a £ lehetséges értékei közötti kapcsolat nem kölcsö­
egy magyar háztartást választunk ki véletlenszerűen, a valószínűségi változó lehet nösen egyértelmű. A £ = 5 érték például négy különböző elemi eseményhez is
pl,, mint említettük, a háztartásban élők száma, a nettó összjövedelem, az egy főre hozzá van rendelve. A függvényfogalom szerint bármelyik elemi eseményhez
eső jövedelem, a mobiltelefon-előfizetések száma stb., a vizsgálat szempontjai £ -nek pontosan egy értéke tartozik, A % lehetséges értékeit és az azokhoz tar­
szerint. tozó valószínűségeket a 4.1. ábrán nyíldiagrammal szemléltettük.
Ha egy véletlen kísérletet elvégzünk, a valószínűségi változó által felvett érték
mindig attól függ, hogy a kísérlet lehetséges kimenetelei közül melyik következik
be, Ezért a valószínűségi változó értéke lényegében egy véletlentől függő szám­
adat.
Lássuk most az elmondottakat egy konkrét példa kapcsán.

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

D EFIN ÍC IÓ . A 4 valószínűségi változót folytonosnak vagy folytonos eloszlásúnak

nevezzük, ha létezik olyan véges sok pont kivételével folytonos f függ­
vény, melyre Ha £ < x és x < 1, akkor £ < 1. Azonban a lehetséges értékeit figyelem­
x
be véve, a £ < 1 lehetetlen esemény, tehát ha x <, 1 , akkor
F(x)= \ f ( t ) d t , *eR.
F( x) = P(Z <x ) = 0 ,
Ezt figyelembe véve, a 4.2. példában szereplő £ valószínűségi változó folyto­ Ha 1 < x < 2 , akkor az -T-nél kisebb £ érték csakis a í - 1 lehet. (Még ha
nos eloszlású, mert az x = 2 , akkor is a £ < x = 2 feltételnek a változó lehetséges értékei közül csakis
0, ha x < 0 a £ = 1 felel meg.) Tehát ha 1 < x < 2 , akkor

/ : / « = — , 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.

M íg a folytonos eloszlású valószínűségi változó eloszlásfüggvénye mindig foly­

4.4. T é te l. Ha a £ valószínűségi változó F eloszlásfüggvénye folytonos az x Q
tonos függvény (mert integrálfüggvény), addig a diszkrét eloszlású valószínűségi
pontban, akkor
változó eloszlásfüggvénye úgynevezett lépcsős függvény (pl. 4,4. ábra). Létezik
úgynevezett kevert eloszlás is, amely nem is folytonos, nem is diszkrét. Mi ezekkel P(Z = x (í) = Q.
nem foglalkozunk.
Áz eloszlásfüggvény egyik legfontosabb gyakorlati alkalmazását biztosítja az Bizonyítás. Legyen ( x j egy olyan x 0 -hoz tartó sorozat, melyre x 0 < * n teljesül.
alábbi tétel: Ekkor

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.

C = B \A és Ad B. Következmény: Ha a f valószínűségi változó folytonos eloszlású, akkor

A 3.4. tétel szerint P( a < 4 <b) = P(a < £ <b) = P(a < | <b) = P( a < £ < b ) .
P ( a < 4 < b ) = P(C) = P(B) ~ P(A) = P(% < b ) - P(% < a) =
Például az első egyenlőség belátásához vegyük figyelembe, hogy
=F(b)-F(a).
P(a £ b ) = P( a < £ <b) + P(£ = a) .
4.2. TÉTEL. Ha az F függvény valamely £, valószínűségi változó eloszlásfüggvé­
A folytonos eloszlású valószínűségi változó eloszlásfüggvénye minden pontban,
nye, akkor az jK= a pontban is folytonos, ezért előző tételünk értelmében:
a) F monoton növeJcedő,
P( £ = á) = Q.
b) lim F (x ) = 0 és lim /r (;e) = 1,
~oo *
c) P minden pontban balról folytonos, azaz A többi egyenlőség hasonlóan egyszerűen igazolható.
lím F( x ) = F( a).
ff—
0

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.
P (£ < 2) = F (2 ) = In 2 .
P{£ - 2 ) - Q y mert F folytonos az x 0 =2 pontban.
A 4.1. tételnek megfelelően
P(2 < 4 < 3) = F ( 3) - F ( 2) - 1 - In 2 .
Felhasználva az ellentett esemény valószínűségére vonatkozó tételt, valamint
a fentebb kiszámolt P(% = 2 ) = 0 valószínűséget:
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,
hogy balról vagy jobbról folytonos függvényt kapjunk. Ezt azért tehetjük meg,
mert a sűrűségfüggvényből a paramétereket integrálással fogjuk számolni, ezért
az / véges sok pontbeli megváltoztatása eredményeinket nem fogja befolyásol­
ni. A következő tételben éppen azért nem foglalkozunk azzal, hogy /-e t a defi­
níciója esetleg nem minden pontban értelmezi, mert az elmondottak szerint ki­
terjeszthetjük a számegyenesre.
4. A sűrűségfüggvény elnevezést a következő megfontolás indokolja:
Annak a valószínűsége, hogy £ az [x0 ; x] intervallumba esik,

F (2 < £ ) = ! - />(£ < 2) = 1 - (F (2) + P{% = 2)) = 1- In 2 . F ( x ) - F ( x 0).

A lekor az intervallum egységnyi részéhez tartozó valószínűség,
F ( x ) ~ F ( x 0)
(4.2)

tekinthető ezen az intervallum on az átlagos valószínűségi sűrűségnek. Az f ( x ) - F' ( x) nem

más, mint a (4.2) határértéke * ->■ x t) esetén, az x Q pontbeli sűrűséget adja.

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

0ö Bizonyítás. A tétel feltételei mellett létezik az j f ( t ) d t integrál. Az

b) J*/(jc) dx = 1, -ta
- íű
A x

c) \f(t)dt= F (x), x e R, F(x)= l f ( t ) d í , xe R (4-3)

~«o
b
d) J / ( x )dx = P{a <% <b). rendelkezik a 4,2. tételben megfogalmazott tulajdonságokkal, ezért alkalmazható a
tt 4.3. tétel. Annak a változónak viszont, melynek (4,3) az eloszlásfüggvénye, éppen
f a sűrűségfüggvénye.
Bizonyítás. Célszerűen a d) pont bizonyításával kezdünk,
d) Á folytonos eloszlás definíciója és a 4.1. tétel alapján 4.6, Példa.
A 4.5. példában
\ f ( x ) d x = J f { x ) d x - | f ( x ) d x = F ( b ) - F ( a ) = P(a < g < b ), 0 , ha x <1
ff -<n -m
F( x) = Inx, ha \ < x < e
amit bizonyítani akartunk,
1 , ha e < x
c) Az előző pontban felhasználókon kívül alkalmazzuk az improprius integrállal
kapcsolatos ismereteinket, valamint a 4.2, tételből ismert lim F (x ) = 0 össze- volt a i; valószínűségi változó eloszlásfüggvénye. Ekkor a £ sűrűségfüggvénye;
- 0O
függést:
0, ha x < 1
X X

f f ( í ) d í = lim \ f ( t ) d t = Hm ( F ( x ) - F(a)) = F ( x ) - 0 = F(x).

f(x) = ha \ < x < e
- ío rí

b) A c) pont alatti gondolatmenet szerint 0 , ha e < x .

oo b
A sűrűségfüggvényt a 4.6. ábrán láthatjuk. Az / függvény az x ~ \ és x = e
f f ( x ) d x = lim í f ( x ) d x = lim (F(b) - F(a)) = 1- 0 = 1.
■» et-i-oQ
«-> — «^ (?-*-
fi— oo
»- e© pontokban nincs értelmezve, mert ezeken a helyeken F nem differenciálható
£-*00 ii
(töréspontja van). A 4.6. ábráról leolvashatjuk, hogy a ^ nem vehet fel pozitív
a) M int minden eloszlásfüggvény, F monoton növekedő. A növekedő függvény valószínűséggel sem 1-nél kisebb, sem e-nél nagyobb értékeket. Ha az ] l ; e [
deriváltja pedig nem lehet negatív: f ( x ) > 0 , x e . D f .
intervallumot felosztjuk egyenlő Á x hosszúságú részintervallumokra, akkor an­
nak a legnagyobb a valószínűsége, hogy
4.6. TÉTEL. Ha valamely f legfeljebb véges számú hely kivételével folytonos
£, az ] 1; 1+ A x [ intervallumba esik. Itt
függvényre
veszi fel a sűrűségfüggvény a legnagyobb
a) / (jc) > 0, xeDf
értékeket. Az ábráról leolvasott és felso­
és rolt tulajdonságok azonnal következnek
a 4.5, tételből. A fentebb megadott / sű­
b) ] f ( x ) d x = l, rűségfüggvény helyett leggyakrabban az
4.6. ábra

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 *

függvények is szóba jöhetnek. Ezek bármelyikét nevezhetjük a £ változó sű­ F ( x ) = \ f { t ) d t = jbrf/ = 0.

-w -co
rűségfüggvényének.
Ha -0 < x , akkor
4,7. Példa. x 0 . x

Legyen F( x ) = J / ( 0 * = Jb<* + \ 2 e 2,di = [~e2,l = -e~2x + 1.

0

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 .

c) Végül számoljuk ki a P (ln2 < £ < 2) valószínűséget!

Az eloszlásfüggvény egyik legfontosabb alkalmazása, a P( a<% <b) =
= F (p ’) - F ( a ) összefüggés alapján, a valószínűség meghatározása. Mivel £;
folytonos eloszlású valószínűségi változó, P (£ - In 2) = 0 és így

P(ln 2 < ^ < 2) = P(ln 2 < ^ < 2) = F(2) - F(ln 2) =

= 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.

P(3 < | < 5) = ? ségfüggvénye.

M egoldás . A 4.5. tétel szerint

<£, y <sj
jci/ 2 4.4. A valószínűségi változó néhány jellemzője
1 = j f ( x ) d x = jo + jA ■x~uldx + JO =Á 1/2
= 2A{49 - 4 Á ) = 2 A .

Ebből Ha ismerjük a valószínűségi változó eloszlásfüggvényét, akkor tulajdonságait meg­

határozhatjuk. Ha folytonos esetben a sűrűségfüggvényt, diszkrét esetben az elosz­
lást ismerjük, szintén célhoz érhetünk, hiszen ezekből az eloszlásfüggvény előállít­
A = — , és ekkor f ( x ) > 0 is teljesül.
ható. Gyakran előfordul azonban - foként az alkalmazásoknál hogy a változóról
egyetlen vagy néhány számadattal akarunk fontos információkat közölni. A jellem ­
A kérdéses valószínűséget legegyszerűbben a 4.5. tétel alapján kaphatjuk meg:
zés így kevésbé lesz árnyalt, de kétségkívül könnyebben áttekinthető. Az sem ritka,
5 4 5 -t IP hogy a valószínűségi változót nem ismerjük pontosan, statisztikai adatok feldolgo­
P ( 3 < 4 <5) = j f ( x ) d x = Jo + J—j= d x= « J x \4 =4 s ~2 , zásával próbálunk közelítő képet nyerni róla. Ilyenkor a nevezetes paraméterek köze­
i 3 4 2 v X
lítéséhez jutunk el először. Most ezekből a paraméterekből mutatunk be néhányat.

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 .
DEFINÍCIÓ. Ha a £ diszkrét valószínűségi változó lehetséges értékei között van
olyan, melyet nagyobb valószínűséggel vesz fel, mint a többit, akkor
ezt az értéket a £ móduszának nevezzük és m od(^)-vel jelöljük. Foly­
tonos valószínűségi változó móduszának a sűrűségfüggvény szigorít
abszolút maximumhelyét nevezzük, ha létezik.
Folytonos változónál előfordulhat, hogy a sűrűségfüggvénynek azért nincs ma­
ximumhelye, mert a szakadási pontokban nem értelmeztük a függvényt, vagy a bal
és jobb oldali határértékek közül a kisebbiket adtuk értékként.
Már említettük, hogy a változó lényeges tulajdonságai nem változnak, ha ezek­
ben a pontokban tetszőleges nemnegatív értékeket adunk a sűrűségfüggvénynek.
Minden egyes szakadási pontban válasszuk függvényértéknek a bal és jobb oldali
határértékek közül a nagyobbat. (A gyakorlatban előforduló feladatoknál ezek a
határértékek léteznek és nem egyenlők.) Ha az így módosított sűrűségfüggvénynek
van szigorú maximumhelye, akkor azt a változó móduszának nevezzük. Mind diszk­
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 .
Gyakran előfordul, hogy nem tudjuk figyelembe venni £ összes lehetséges ér­
tékét. Ilyenkor keresünk egy olyan intervallumot, melyen kívül £ már csak egy
általunk előírt, aránylag kicsiny valószínűséggel fordulhat elő.
DEFINÍCIÓ. Legyen $ < q < \ . A % valószínűségi változó q-kvanlilisének nevez­
zük azt az xq számot, amelyre
P{% < \ ) í <] és P{£, < x ti) > q , ha % diszkrét,
P (4 < x f/) = Fi x f ) = q, ha ^ folytonos.
Ha a ^-kvantilis definíciójának egy intervallum minden pontja megfelel, akkor
általában az intervallum felezőpontját tekintjük x -nak. A fentiek alapján a médián
nem más, m inta 0,5-kvantilis: med(£) = xos.

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:

P(4 = 4 ) = \ , P(í = 8) = ± />(í = 1 6 ) = i P(4 = - 4 0 ) = - ! .

I 4 ö ö
Felmerül a kérdés, hogy a játék egyenlő nyerési esélyeket biztosít-e az egyes
játékosoknak, azaz a játék igazságos-e? Ennek eldöntéséhez tegyük fel, hogy n
játék után az egyes esetek bekövetkezésének gyakorisága sorrendben k], k 2,
ki , kA, ahol ks+ k l + /c3 + k 4 = n .

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

^ír.» ® — = — '4 + — - 8 + — -16+ — (-40) .

Az x^, értékét az Jf = 0,9, vagy az J/ = 0,1 egyenletből egyaránt megbatá-
rózhatjuk. Ez utóbbinál szimmetriái meggondolások szerint
*0.9 = - * 0,1 = - 1 1 10 , 2 = 1,61.
n n n n n
Tudjuk, hogy a relatív gyakoriság az esemény valószínűsége körül ingado­
zik. A későbbiekben majd azt is látjuk, hogy a kísérletek számának növelésével
1 -hez közeledik annak valószínűsége, hogy a relatív gyakoriság a valószínűsé­
get adott hibahatáron belül megközelíti. Elég sok játék után j ogosak a

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

u A í(í) = 2 - ! + 4 - ! + 8 - ! + lG- — + ... =1 + 1+ 1 + 1+

2 4 8 16
ha J | x |f ( x ) dx létezik.
-fitr tehát a várható érték nem létezik.

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
M ( 4 ) = Ja'- f ( x ) d x ~
-CO -30
= [* ]' = e - l .
e a c
A C' 4 valószínűségi változó lehetséges értékei
Jjc*(In*)'ífe = Jjc— dx = Jó* =
] | ^ ] CX\ , c x l t c x 31
míg a valószínűségek változatlanok. így

4.Í5. Példa. w (c% ) = Y , c x i ■Pi = c' L x'Pt = c ' M ( & ■

t i
Legyen a £ folytonos valószínűségi változó sűrűségfüggvénye
' 3 b) Folytonos esetben a 4.7. tételben láttuk, hogy c > 0 esetén a £ változó / sűrű­
. . ha 1 < í ségfüggvényét a c ■£ változó g sűrűségfüggvényével a
f ( x ) = x*
0 máshol.
g (x )= -f(-
c le
Határozzuk meg a várható értéket!
egyenlőség kapcsolja össze. így aztán
MEGOLDÁS.
05 * h dx
x = ct ; — ~ c
A/(£) = \ xf {>t )dx = ^ x —j d x ^ l - hm Ja:-3 dx - dt
M ( c £ ) = ^ x g { x ) d x = J- f dx = x —» oo => / - j . 0 0
—3 ■lim á l X -> -oo t —> -oo
-2

4.8. TÉTEL. Ha a c tetszőleges valós szám, akkor =c jt-f(t)dt=cM(%).

M( c ) = c.
Ha A/(£) létezik, akkor M(c%) is létezik és 1
Ha c < 0 , hasonlóan járunk ei. Az ekkor érvényes g(x) - — / — a 4.7. tétel-
M(c£) = cMtf). c \c)
ben alkalmazott módszerekkel könnyen igazolható. Nem részletezzük.
Bizonyítás. A tétel első fele könnyen bizonyítható. Ha ugyanis a £ csak a c érté­
ket veheti fel, akkor P{% = c) = 1 ; és így 4.9. TÉTEL. Legyen n pozitív egész szám. Ha a % diszkrét valószínűségi változó
lehetséges értékei x]f x2, xs....... akkor
M( c ) = M ( £ ) = c-[ = c.

A tétel második fele c - 0 esetén triviális. Ha c ^ 0 , különválasztjuk a diszkrét és t í

a folytonos esetet. (ha létezik).
a) Legyen £ diszkrét valószínűségi változó Ha £ folytonos valószínűségi változó f sűrűségfüggvénnyel, akkor
JC| , Xr^ f XJ J ... ,
j v •/(*)<&
lehetséges értékekkel és a rendre hozzájuk tartozó
P> Pi> Pi> (ha létezik).

valószínűségekkel. Az M (£") számot a ^ n-edik m om entum ának nevezzük.

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.

Pi > P i > Pj 1 •■ ■ 4.16. Példa.

valószínűségekkel. Legyen £ egy géppark elromlott gépeinek javítási ideje (napokban számolva).
A í " változó lehetséges értékei az előző valószí Hőségek mellett Tegyük fel, hogy ismert a £ eloszlásfüggvénye:
n » u
Xt , jcs , JCj . . . . .
Ezért ha x<, 0

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?

MEGOLDÁS. Mindenekelőtt határozzuk meg a sűrűségfüggvényt!

1=1 í-x t -» -OO => X —> -00
W (í") - í t S Á t ) d t = - f i " = dt „_t
— = nx / —* 00 =* x —* <x> 0 , ha ,c < 0
dx

- — l x f ( x ) n x " Adx - | x " f ( x ) d x , /(* ) = 1 , ha 0 < x< 1

fj _ n _{Ei
3
amint állítottuk. Ha >1 páros, az x < 0 és az * > 0 eseteket meg kell különböztetnünk, egyébként 2 , ha
— u 11 < í.
hasonlóan járunk el. Nem részletezzük. *4

Megjegyzés: M (9 0£* + 15) = 9 0 M( 4 2) +15 = 1 5 + 90 • j x 2f (x) dx =

Fontos tény, hogy ha a £ valószínűségi változó n-edik momentuma, M (£") létezik
1 y1 * 29
(« > 2 ), akkor az első, második, ..., ( « - l)-edikm om entum a is létezik. = 15 + 90 [— f&+ fje,2 -—-ebe = 205.
J 3 J x4
4 .1 0 . TÉTEL. Legyen P„{x ) - + ■■■+ ^ x + aü tetszőleges n-edfokú po-
Vegyük észre, hogy példánkban és általában sem lehet az A /(£2) helyett az
linom. Ha M( £ " ) létezik, akkor M ( P t(£;)) is létezik, és
M 1(<^) értéket használni, mert ezek különböznek egymástól.
M {Pn m = a „ M ( n + a„.,M (<T1) + . . . + (£) + «„.

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

a £ valószínűségi változó szórása.

Egy valószínűségi változó szórásét kiszámolhatjuk az azt definiáló képlettel is,

de az első- és másodrendű momentumok segítségével is, az alábbi tétel felhaszná­
lásával.

4.1 L. TÉTEL. Ha a % valószínűségi változó négyzetének létezik a várható értéke,

akkor létezik a szórása is, és

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 ;

eloszlása: Ezeket a valószínűségeket is megfelelő hosszúságú nyilakkal szemléltethetjük

egy háromdimenziós koordináta-rendszerben, az x tengelyre a £ és az y ten­
gelyre az t} lehetséges értékeit felmérve (5.1. ábra, 124. o.).
« -< » -£ . w - i> 4 .

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

Ekkor az (5.2) alatti táblázatnak megfeleld elrendezést készíthetünk: Bx -'n = y i , BH : r } = y m

események teljes eseményrendszert alkotnak. Ha A jelöli & £ = x, eseményt, akkor

V'S\ 77
4 \
* ^2

i £ / > „ =P(£ = x í \ 7} = y i) + P{g = x i ' , Tj =yi )+ ...+

A, Pu P\m Pt j=i
P22 P l, P*m Pi + P( 4 = x, ; t] = y „,) = ^ 5 , ) + P ( ^ ) +. . . + P( ABm) =
*
= P( A( Bl + B 2 + ... + £ J ) = JD(/iH ) = / ^ ) = ^ ( £ = *í) = / ’, -
x< Pn Pa Ptj Pw, P,
Következmény: M ivel a p ( (í = l, 2, n) valószínűségek a í valószínűség-
;
I eloszlását alkotják, összegük egy, ezért (5.4)-ből következik, hogy
Piti P„2 rP jji ' ■■■ Pim< P„ h ( m ^

?i 92 ?/ <7,, 1 I 2 > . = 2 > < = !■

ít]

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!

MEGOLDÁS. A z ö ssz e s elem i esem ények száma: n 0 1 2

$ \
/ 32>l
= 496. 210 63 3 276
0
496 496 496 496
Most számítsuk ki „cellánként” a kedvező elemi események számát! 147 42 3 192
1
496 496 496 496 (5.5)
kedvező elemi események száma 21 7 28
2 0
496 496 496
0 0 21 lap nem király és nem piros, így = 210. 378 112 6
I 2 j 1
496 496 496
1 0 Egyik lap piros, de nem király, a másik nem király és nem piros:
'2 P
= 147, A peremeloszlásokat vagy a sorok, illetve oszlopok összeadásával, vagy közvet­
,1 . lenül határozzuk meg. Célszerű ellenőrzés céljából mindkettőt megtenni:
s 7\
2 0 M indkét lap piros, de nem király: = 21. '24>
f24]
K Z = 0 )= - ÍZ —276 W l 1J 192
496 496 ’ 496 49 6

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.

Az F (x ; v) annak a valószínűsége, hogy a (g ;rj)

az 5.2. ábrán látható síknegyedbe esik. A síknegyed 5.3. ábra
nem tartalmazza a határpontjait (nyílt halmaz).
Ha (* ;. y ) az jc<1 vagy >><1 félsíkon van (az 5.3. ábrán ilyen az (jc, ; ;y,)
Megjegyzés:
A továbbiakban, ha két valószínűségi változóról be­ pont), akkor az általa meghatározott síknegyedben nincs (£ ; 77) -nak lehetséges
szélünk, mindig feltételezzük, hogy ugyanazon való­ értéke, így itt F{x ; y ) = 0. Ha 1 < x < 2 és 1 c y < 2, vagyis (jc ; y ) a bal alsó
hV

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) = — •

Ezt a valószínűséget beírjuk az j.J. megfelelő négyzetébe. Hasonlóan, ha

(a ; y) a 2 < ,v < 3; 1 < >■< 2 egységnégyzetbe esik, akkor m ár két pont esik a
síknegyedébe; (1; 1) és (2 ; 1), így itt

F i x ; *) = />(£ = ! ;i? = l) + n £ = 2 ; 7 = l) = — .

Folytatva az eljárást, megkapjuk az F függvény értékét az egész síkon:

0 , ha * < 1 vagy >><1 .

2
— , ha 1< jc < 2 és l < y < 2 .
19
1 2 3 X
— , ha 2 < x á ‘i és 1 < y - í 2 .
19 5.4. ábra
g
F ( x ; y) = <j— , ha 3 < j; és l < y < 2 .
Azonnal látható, ha > 3 rögzített érték, akkor

— , h a l< x < 2 é s 2 <v. Fix* i y ) = F1 i y) ;

19
12 ha y 0 > 2 , akkor
— , ha 2 < * < 3 és 2 < y .
19
F ( x \ y , ) = Fl W .
1 , ha 3 < x és 2 < y .
Ha jr-et vagy y-t növeljük, az F értéke (nem csökken) állandó, vagy növekedik,
A z F függvényt az 5,4. ábrán szemléltetjük. A £ és az rj eloszlásfüggvénye vagyis mindkét változó szerint monoton növekedő.
az (5.6) alatti peremeloszlások alapján:
Most ismerkedjünk meg azokkal a tulajdonságokkal, amelyek minden együttes
0 , ha * < 1 ,
eloszlásfüggvényre jellemzők. Mielőtt a tételt kimondanánk, megjegyezzük, hogy
kétváltozós esetben az intervallum szerepét az a < x < b - c < y < d téglalap veszi át.
— „ ha l < x £ 2 ,
19
Fi(x) =
12 5.2. TÉTEL. Ha F á t , és 7] valószínűségi változók együttes eloszlásfüggvénye,
— ■, ha 2 < jr < 3 ,
19 valamim Fx a és F2 az j] perem-ehszlásföggvénye, akkor az F
1 , ha 3 <*■ 1 . mindkét változója szerint monoton növekedő, és

0 , ha y < 1 , 2 . mindkét változója szerint balról folytonos.

3. I i m f ( j r ; ^ = lim F (* ; 7 ) = 0.
_v'—►
—ío
ha y~2,
4. lim /^ jc ; y ) = 1 .
1 , ha 2 <y.

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

+ 15-Í5- — + 20-5- — + 20-10- — + 20-I5- — = .5700 Megjegyzések:

37 37 37 37 37 1. Definíciónkban elegendő feltételezni, hogy M (£ 5) és M( r j 1) létezik.
Azonnal látszik, hogy 2. A definíció alapján eov(^ ; 77) = cov(t7 ; £ ),

, 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:

M (£ + 77)=M (£) + M ( t7). cov(£ ; 77) = M ( t . 77 - M i n ) ' £ - M( Z) ■t] + M( 4) M( rj ) ) =

= M ( 4 ■Jj ) - M( t ] ) ■M( £) - M( £) M( rj ) + M( £) M( r j ) =
Bizonyítás. Alkalmazzuk az 5.1. tételt, és használjuk az 5.3. táblázat jelöléseit: =M(fy)-M(OM(7j).
ii ti m >i m
M( 4 + T í ) = Y JY j (Xl + y j ) p ii + ' E ' L y Jp« = Az 5.4. példában azt kaptuk, hogy M ( £ r j ) - , míg M ( 4 ) M ( t]) - .
t J i J ■' í
n tg r» ti tt itt Ebből
= T j x<1l P ‘i + Z ^ X ^ + Z■>'W /= M ^ ) + M (?7)■ . 5700 5850 -1 5 0
' > j ' ’ i co v (í ; 77) = -----------------= -------- b -4,05 ,
37 37 37
Két valószínűségi változó között akkor a legszorosabb a kapcsolat, ha egyiknek
az értéke pontosan meghatározza a másiknak az értékét. Ez az eset állt volna elő Arra, hogy ez nagyon szoros kapcsolatot jelent-e, nem tudunk válaszolni, ugyan­
az 5.4. példában, ha pl. ajutalom mindig a bér valahány százaléka lenne. Az ennél is ha példánkban ezer forintos egységekben számoltunk volna, a kovariancia 1 0 0 -szor

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.

számot a 4 és 7] korrelációs együtthatójának nevezzük. U 9 17 9925

M ( í ) = 100-—- + 225 - — + 400 ■— =
37 37 37 37
Meg lehet mutatni, hogy
^ 9925 5 8 5 1 ^ 2 5 0 0 0 ^
| c o v ( £ ;? 7 ) | < ! > ( £ ) ■ £ > ( ? ) , 37 37 37
w. /(j] ^) —25
M oc ■*—“
12 + 100 1—
13 + 225 ■—
12 —■4300
így
37 37 37 37
- 1 < Í ( Í Í7 )< 1 . . 1 , , 4300
D (7) = - j j ~ -1 0 0 « 16,22 ; D{rj) « 4,03.
Ha rj - a 4 (a állandó), vagyis a két valószínűségi változó között a kapcsolat
- 4 05
(lineáris) függvény szerű, akkor R( 4 ;?/) = ----- — = -0 ,2 4 .
4,27 '4,03
= és D(ij) = \ a \D(4) .
Ennek alapján ellenkező irányú gyenge kapcsolat van a bérek és a jutalm ak
így az között.
R ( * . n) M i W - M i f t M t n ) _ a[M(4l ) - M \ 4 ) ] _ a _
Megjegyzés:
D{4)D{?j) \ a \ D 2{£) |a | Az 5.4. tétel után említettük, hogy a korrelációs együttható dimenzió nélküli szám.
f 1, ha <z>0 , Ennél egy kicsivel több is igaz. Egyszerű számolással megmutatható, ha R(4 ; rj)
[ - 1 , ha a< 0 . létezik, akkor a > 0 és c > 0 esetén
R( a4 + b; c?j + d) = R( 4; ? 7 ) ,
Ugyanez igazolható, ha az 77 = a£ + b összefüggés áll fenn.
Az eddigi megfontolásainknak megfelelően a sztochasztikus kapcsolat két való­ vagyis a lineáris transzformáció nem befolyásolja a korrelációs együtthatót.
színűségi változó között annál szorosabb, minél közelebb van az \R(4 ; q)\ az 1 -hez.
Az 5.3. tételben láttuk, hogy két valószínűségi változó összegének várható érté­
ke a várható értékeik összege. A szórásra az ennek megfelelő állítás nem igaz. Erre
D EFIN ÍC IÓ . Ha a 4 SS -rj korrelációs együtthatója létezik és
vonatkozik a következő tétel.
R { 4 ; tj) = 0 ,
5,5. TÉTEL. Ha 4 és rj szórása létezik, akkor létezik 4 + T) szórása is, és
akkor azt mondjuk, hogy a 4 és i] valószínűségi változók korrelálat-
lanok. D \ 4 + 7 ) = D \ 4 ) + D \ i j ) + 2cov(£ ; n ) .

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 ) .

- M ( í 2) - M 2 ( | ) + M(?72) ~ M 2 (?/) + 2[AT( # 7) - M( £) M( r j ) ] =

5.7. TÉTEL. A % és rj diszkrét valószínűségi változók akkor és csak akkor függet­
= D 2 (£) + Z)2 {77) + 2 cov(£ ; 77) . lenek, ha minden lehetséges (xi ; >>; ) érté!q>árra
Következmény; H a ^ és rj korrelálatlanok és létezik a szórásuk, akkor P (^ = X í ;t] = y . ) = P ( | = x ()P(t] = y }).
D 1( Z + 7J) = D 2( Z ) + D 2(?]). Vagy a szokásos jelölésekkel;
Ps = P 3 , (* = l. » : J = 1’ m )- (5.8)

Bizonyítás. Először tegyük fel, hogy £ és y*

5.4. Valószínűségi változók függetlensége
tj függetlenek. Válasszunk a illetve (xM;yJ+1) (xí,yj*d C*i+Jí y/+i)
77 lehetséges értékei közül egy-egy tet­ yj*\
d-
Az előző pontban két valószínűségi változó sztochasztikus kapcsolatáról beszél­ szőlegeset, legyenek ezek x, és y r Van
tünk. Azt mondtuk, hogy az R(i; ;rj) = 0 esetén a leglazább a kapcsolat. Kérdés, y/
olyan [a ;b] és [c ; <af] intervallum, hogy (xí.yj)
azt jelenti-e ez, hogy a két valószínűségi változó független egymástól? C■
Kézenfekvő, hogy £ és rj függetlensége alatt azt értsük, hogy a £ < x és az [a ; £>]-be lehetséges értékei közül csak
y, - i
az xí esik és [ c ; rf]-be az rj lehetséges (*W;V 1) C v i^ i)
77 < y események minden (x ; y) számpár esetén függetlenek, azaz
értékei közül csak az y . (5.6. ábra). így
P( í; < x ; i j < y ) = P(<J < x) ■P(rj < y ) , (x ; j f ) e R ! ,
az a < x < , b , c < y < d téglalapba egyet­
A bal oldalon az együttes eloszlásfüggvény, a jobb oldalon a perem-eloszlás­
len lehetséges pont esik: az (x; ; y f ) ,
függvények szorzata áll. A definíciót ezek segítségével mondjuk tó.
Ezért
DEFINÍCIÓ, A 4 és rj valószínűségi változókat egymástól függetleneknek nevez­
P(a <, 4 < b) = P (£ = x .) —p ,, P{c<7] < d ) = P{r} = y j ) = q} ,
zük, ha együttes eloszlásfüggvényük egyenlő a perem-eloszlásfüggvé­
nyek szorzatával. Képletben: P(a <,%<b ; c < t j < d ) = P(£ = x t ; rj = y j ) = p n .
F ( x ; y ) ^ F í(x)F1(y) ((x ; j ; ) e R !), Az (5.7)-ből azonnal adódik állításunk.
Most tegyük fel, hogy az (5,8) egyenlőség igaz, akkor
Most nézzük meg, hogy az együttes eloszlás és a peremeloszlások ismeretében
az eloszlásfüggvények felírása nélkül hogyan lehet dönteni a függetlenségi kérdé­ F ( x - , y ) = Y , ' E P ( 4 = x r > v = y j ' ) = ' E l L p ^ = xJ p (Ti = y ^ =
Xj<x y j< y x f< x y j< y
sekben. Ehhez szükségünk lesz a következő tételre.
= p (4 = x,) P(j] = y j ) = F{{x)FÁy).
5,6. TÉTEL, Ha £ és tj függetlenek, akkor tetszés szerinti a <b, c < d számpárok j;,<x yj<y
esetén
Ezzel beláttuk az állítás helyességét.
P( a<% <b\ c < r j < d ) = P(a < £ < b)P(c <tj <d) . (5,7)

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

a) Számítsuk ki a korrelációs együtthatót! formulával definiáltuk. Ha 4 lehetséges értékei x ,, x2> xn és 77 lehetséges

b) 4 és 77 fuggetlenek-e? értékei y t, y 2, ..., y m, akkor lehet beszélni a 4 ~ x , esemény í j = y / eseményre
vonatkozó feltételes valószínűségéről, amely (5.9) alapján

P(Z = x, ] V = y>) = P ^ p ~ V ). P{r}=yj)* 0 . (5.10)

pw=yj)

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(77 = 5| £ - 1 5 ) = - ; P{71 = 1 0 1 £ = 15) = — ; M ( jj I £ = 20) = 5* — +10 — + 15- — = — = 10.

7 1 17 17 17 17

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!

(lásd az 5.7., illetve 5,8. ábrát).

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)

Ebből />(£ = 1) = 1 />(£ = 2) = 4 , P (f =3 ) = i

4 4 4
7) cov(<f ; 7 )
^ = 0) = j , P(r? = 1 ) = | , P(rj = 2 ) ^ | .

ű) írjuk fel az együttes eloszlást!

b) Számítsuk ki M (£) és A /(7 ) értékét!
Hasonlóan adódik, hogy az m 2 függvényt az a gj i y ) ~ c y + d függvény közelíti c) Határozzuk meg az ml (jt) és m 2(y) függvényeket!
a legjobban, ahol

g = CQn v ;f és d = M { g ) - ^ f ^ M { 7 1). (5.18)

D ( 17) D (7 )

Az így kapott g ](jc) = ax + b és g 2 (>') = cy + d függvényt másodfajú regresz-

sziós függvénynek nevezzük.

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

M e g o ld á s , M ivel £ és tj lehetséges értékei a [o ; l] intervallumon vannak,

x < 0 , illetve y < 0 esetben £ < x , illetve rj < y lehetetlen események, így

F ( x ; y ) = P ( 4 < x ; Tj<y) = 0 , ha * < 0 vagy y <, 0 . (6.1)

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:

F ( x ; y ) = P ( 4 < x ; rj < y) 0 , ha ^ < 0 vagy y<, 0

annak a valószínűsége, hogy a pont az egy­ xy., ha 0 < x í 1 és 0 < y < 1

ségnégyzet 6 . 2 . ábrán látható vonalkázott F(x-,y) = y lia 1 < x és 0 < y < 1
részére esik.
x, ha 0 < x < I és 1 < j ;
Ennek a területe xy, mivel geometriai va­
lószínűséget feltételeztünk, 1, ha 1 < x és 1 < y,

A 6.4. ábrán F értékeit írtuk az egyes síkrészekbe.

F(xiy)=^=xy* Ha y a > 1, akkor
( 6 .2 )
0 < x < 1, 0 < ^ < 1 . 0, ha x < 0
x, ha O c x ^ l
Ha 1 < x és 0 < y < 1, akkor az
1, ha l < x .
F ( x ; y ) = P(£ <x ; rj<y)
Hasonlóan, ha x 0 > 1, akkor
annak a valószínűsége, hogy ( x ; y) a
6.3. ábrán látható vonalkázott részre esik, 0, ha y < 0
amelynek területe y • 1. F (x 0 ; y ) = F1 (y) = y , ha 0 < > , <1
így 1, ha Ic^y. 6.4. ábra
F{x;y)=y>
(6.3) A példánkban kapott eloszlásfüggvényhez találunk olyan R^-en értelmezett /
1 < j t , 0 < y < 1.
függvényt, amelyre
Hasonlóan
F{x \ y ) = x,
(6.4)
0 < x í 1, l < y . Ezt mutatja be a következő példa.

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 .

DEFINÍCIÓ. Legyen a g és rj valószínűségi változók együttes eloszlásfüggvénye F.

Ugyanakkor
Ha létezik olyan nemnegaíív, kétváltozós f függvény, amelyre

F {x ; y )= | J / ( í ;s)d sd t, {x\y)<a R z (6.7) F, (x ) = j / i <0 dt, így j f (t) d í = j f j f ( í ; s) * 1 d t.

V-

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

(Nem bizonyítjuk.) f{x',y) = F£(x;y) = 4

j , ha 1 < x és 1 <y
. ( x +y )
6.3. Példa.
Legyen £ és rj együttes eloszlásfüggvénye 0 , ha x ^ 0

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

a) írjuk fel a perem-eloszlásfüggvényeket! A ( y ) = F2 (y) = 2 , ha l < y .

b) Számítsuk ki az együttes sűrűségfüggvényt! I Q+ y )
c) Határozzuk meg a perem-sőrüségfügg vényeket!
d) P (0 < £ < 3 ; 1 £ t7 < 2 ) = ? Ezt az eredményt kaptuk volna az
<6 »
Megoldás. J' f ( x ; y ) d y és ty{x\y)dx
—ta -A
ö) Az 5.2. tétel alapján, ha x > 1,
integrálok kiszámításával is.
/^(jcJ^ lím F fjc ; _y) = Um 1+ - = 1 —
d) Az 5.2. tétel alapján
y —n*' Y-*<&
x +y 1+ x 1+ y 1 + JC
P( 0 < £ < 3 ; 1 < 77 < 2) - ^ (l < £ < 3 ; 1 < t? < 2 ) =
íg y = / ^ ( 3 ; 2 ) - F ( l ; 2 ) - F ( 3 ; l ) + ^ ( l ; l) = :
0 , ha jc £ l
Fi(x)=< +5 4 3 _ 30
I— , ha 1< jc.
1+ JC

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

minden olyan esetben, amikor az r +2 2 r ! 2 5

M (£ )= J a— — í& = - J ( : c =^ £ Í + £ l
W ifi Bo
3 + 2 9
J J |j c + > '|/( jc :> ’)í&<ty es \\\xy\f(,x-t y)dxdy Ha 0 < j/ < 2 , akkor

itnproprius integrálok konvergensek. x 1 1

/(■k + .íO ^ t — + xy = —+ - y .
Folytonos esetben is igaz az 5.3. tétel az ott m egfogalm azott feltételek mellett: ^0 ^ 2 6 3

+ 77) = M (4) + M (j7) . ( 6 .8 )

M (t7)= J ^ + ^ j <6 ' =
12 ” 9 ’
Bizonyítás, Induljunk ki a definícióból és használjuk fel a 6.1. tétel 4 . állítását és azt,
A definíció szerint
hogy az integrálás bárm ely sorrendben végezhető:
re n o
U + y )3
M{% + r})~ J J(* + y ) f ( x ; y ) d x d y = J J* f ( x ; y ) d x dy +. M(4 + 77) = ~ J J (* + y ) J dx dy = | J dy -
-ec-tc -rn-io
00
^ ^ d o u tg 2
+ J [ y f { x ; y )d x d y = J* J / f * ; y ) d y d x + J /(* ; y)d x d y =
(i + y ) ' 11
■iU 9
aj CO

= /* /! ( * ) < & + 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:

F(x-í y ) = Fl(x)F 2 ( y) , ( x ^ ) e R '.

c o v íí ; í;) = W ( í - í7) - M ( í )Aí C^) = | ~ | - ^ = - 1 .
Differenciáljuk mindkét oldalt x, majd y szerint:
A korrelációs együtthatóhoz szükségünk van a szórásokra, azaz a négyzetek vár­
K ( x ; y) = F;(x ) ■F ,0 0 ; F^ ( x - , y) = F X x ) F ‘{ y ) .
ható értékére.

1 r 1 Mivel F ^ ( x ; y ) = f ( x ; y ) , Fl'(x)=f>(x) és F^(y) = f 2 ( y ) , az állítást egyik

M ( ^ ) = - \ x 2 (2 x + 2 ) d x = - i l 2x1
2 + 3 18 irányban bebizonyítottuk.
Most tegyük fel, hogy
25
18 81 162 f ( x ; y ) = f , ( x ) f 2 (y).
1
]6 Integráljuk mindkét oldalt - 0 0 -tői x-ig, majd v-ig:
** ( ? 2) \ y \ \ + y \ dy 6 4 -iO 9
\ \ f { f , s ) d t d s = \ l f { t ) f 2 {s)dt ds.
-<4—5O -W-flO

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

Bizonyítás. Felhasználjuk a 6.3. tételt: 6.4. Feltételes sűrűségfüggvény, regressziós függvény

ÍQ (0 '*>^
A í( # 7) = JJW ú ; y ) d x d y ~ J Jxy f ( x ) f ( y ) d x d y .
D efiníció . Ha £ és íj együttes sűrűségfüggvénye fés f , illetve j \ aperem -
><v<0 -gfrnO
sűrűségfüggvény, akkor a £ valószínűségi változó Tj—y feltételre
Mivel y f 2(y) nem függ .í-töl, kivihető a belső integrál elé: vonatkozó feltételes sűrűségfüggvényén az
v í » »
M ( £ ’ij)= J ^ ( y ) \ x f ( x ) d x dy = \ y f 2 {y) M{£;)dy = M y > * T r r ’ ha
-00 C0 ) -»
Ji{y)
cO függvényt értjük. A z rj -nak a f = x feltételre vonatkozó feltételes
- M (£) \ y ■f 2 (y)dy = M ( £ ) - M ( 77) , sűrűségfüggvénye
-te

amit bizonyítani akartunk. ha /;« * o .

Következmény: A függetlenségből folytonos esetben is következik a korrelálatlanság.
Ezért a 6.4., illetve a 6.5. példában szereplő valószínűségi változók nem lehet­
nek függetlenek, hiszen nem nulla a korrelációs együtthatójuk. De erről a 6.3. tétel
alapján is meggyőződhetünk: az
f {>0
Ezek valóban sűrűségfüggvények, hiszen nemnegatívok és - m int arról könnyen
meggyőződhetünk - az értelmezési tartományon vett integráljuk 1.
A feltételes sűrűségfüggvény ismeretében már számolható a feltételes várható
érték is:

” (* + >0. ha 0 < ^ < 1 és 0 < > > < 2 M(% | Ti = y ) = M { 4 \ y ) ~ ^ x f { x \ y ) d x

/(* ;* ) =
egyébként es
függvény nem szorzata az
M { ti \% = x ) = M{ t i \ x ) = \ y f { y \ x)dy
'2
: (;t + l), ha 0 < * < 1 + |» ha 0 < y < 2
m = A(y) =
0 egyébként, egyébként Megjegyzés:
0
Természetesen az integrálást mindig a feltételes sürűségftiggvény értelmezési tarto­
függvényeknek. mányán kell elvégezni.
Viszont könnyen belátható, hogy a 6.1. példabeli valószínűségi változók függet­
lenek, hiszen
F ( x ; y ) = Fl(x)FJ(y).

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

Először egy nagyon egyszerű esettel foglalkozunk, ennek eredményét a későbbiek­

D EFIN ÍC IÓ . A £ valószínűségi változót binomiális eloszlásúnak nevezzük, ha £
ben használni fogjuk.
lehetséges értékei 0, 1, 2, ..., n és
D EFINÍCIÓ . A £ valószínűségi változót karakterisztikus eloszlásúnak nevezzük,
ha lehetséges értékei az 1 és a 0 , az ezekhez tartozó valószínűségek P{$ = k) = (7.1)
pedig:
P t f = \) = p & / ^ = 0 ) = 1 -/> = ? . ahol 0 < p < I, 9 = 1 - / ? és t = 0 , 1, 2 , «.
ahol 0 < p <1 .
Mindenekelőtt megmutatjuk, hogy ez valóban eloszlás, az 1 valószínűséget oszt­
ja el a változó tehetséges értékein.
Ez nyilván eloszlás, mert = p + q = 1.
i A (7.1) minden tagja pozitív szám, jelölhet valószínűséget. M eg kell még mu-
ti

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

egy karakterisztikus eloszlású valószínűségi változó, melyre p = /*(£ = l) = i

A ^ = ( ? + P ) '= r = i -
A=ö *=0 \ k j
és ? = P ( Í = 0 ) = | .
Ezzel beláttuk, hogy ez valóban eloszlás. Most kiszámoljuk a várható értéket és
a szórást.
A karakterisztikus valószínűségi változót szoktuk índikátorváltozónak is nevezni,
mert egy bizonyos esemény bekövetkezését jellemzi. Előző példánkban az a szó­ 7.2. T é te l. Ha a ^ valószínűségi változó binomiális eloszlású, akkor várható
ban forgó esemény, hogy 3-nál kisebbet dobunk. értéke

7.1. TÉTEL. Ha £ karakterisztikus eloszlású valószínűségi változó és P (£ = 1) = p , M( £ ) = np.

akkor szorosa
M (£) = /> és D(£) = y[ p^q. npq.

Bizonyítás. Bizonyítás. Tekintsünk egy olyan Bemoulh-féle kísérletsorozatot, melyben a meg­

M M = b p + Q-q = p , figyelt esemény valószínűsége p. Jelölje az 77 valószínűségi változó a kísérlet-
D \ 4 ) = (l*p + 0 ^ ) - (p f = p - p 1 = p{\ - p) = pq , sorozatban az A esemény bekövetkezéseinek a számát. Ekkor, mint a Bemoulli-
kísérletsorozatoknál láttuk,
£>(£) = -Í m ■

164
165
 / \ Elekor viszont
n
p(n=k) = y ? Y '-\ jfc=0, 1, 2, n.

A z ?} változónak és a £ változónak azonos az eloszlása, ezért várható értékük és

szórásuk is azonos. Legyen ijt az í-edik kísérletben az A esemény karakteriszti­
kus valószínű ségi változója, és képezzük az
T]y +TJ2 + . . . + 7J'
összeget.
Az összegben szereplő tagok között pontosan azoknak 1 az értéke, melyekhez
tartozó kísérletben A bekövetkezett, a többi nulla. Tehát ez az összeg azt mutatja
meg, hányszor következett be az A esemény a Bemoulli-sorozatban, vagyis
7 = 77, +Tj 2 + ... + ti„.
A binomiális eloszlást leggyakrabban a független kísérletsorozatok, például a
visszatevéses mintavétel leírására használjuk. Régebben a binomiális eloszlásokat
különböző p és n értékekhez táblázatokban adták meg. Ezek az elektronikus kal­
kulátorok elterjedésével jelentőségüket vesztették.
A 7.1. ábrán az n = 20-hoz /? = 0,1 -dél, /7 = 0,3-del és p = 0,5-del megrajzol­
tuk a binomiális eloszlás grafikonját- Hogy a különböző _p-khez tartozó értékeket
el tudjuk különíteni, nem használtunk nyíldiagramot, hanem az egyes grafikonok
pontjait vékony vonalakkal kapcsoltuk egymáshoz, (A grafikont természetesen csak
a vastagon rajzolt diszkrét pontok jelentik.) Az eloszlás csak p = 0,5 esetén szim­
metrikus.

A karakterisztikus változó eloszlásánál láttuk, hogy = p és

D 1 {*!,) = PQ (;=1, 2 , ..., n).

Az 5.3. tétel szerint, összeg várható értéke a várható értékek összege, ezért
M{ij) (?,) + + ... + M ( r j J = p + p -¥...+ p = np .

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):

D 1 ( n ) = D 1 (rj , ) + D * (t/2 ) + . . . + D 2 (77,,) =

= p q + p q + . . . + p<l = npq.

Az rj változó szórása tehát

&(V) = 4nP9 ■ 7.2. Példa.

Mivel M (£) = M{r}) és D( g ) = D(rj), a tételt bizonyítottuk.
A binomiális eloszlás szórásának nagyságára felső határt szabhatunk. A számtani
és mértani középre vonatkozó ismert összefüggés szerint
Megfigyelések szerint az ország iskoláiban 100 gyermek közül 4 nem éri el a
továbbhaladáshoz szükséges szintet. Mekkora annak a valószínűsége, hogy egy
400 fős iskolában 13-nál többen, de 17-nél kevesebben nem érik el a tovább­
haladáshoz szükséges szintet? Mennyi ebben az iskolában a továbbhaladási szin­
tet nem elérő gyermekek számának várható értéke és szórása?

MEGOLDÁS. Jelölje £ a tekintett iskolában a szintet el nem érő gyermekek szá­

mát. ^ lehetséges értékei: 0, 1, 2, ..., 400. Egy véletlenszerűen kiválasztott
4
gyerek esetében p = -----= 0,04 a valószínűsége, hogy a gyerek a továbbhala-

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

dó marad, továbbá n és k rögzített számok ( k < n ) , akkor A /(^) = ííp = 10- — = 0 ,6 ,

500
( M' \ ( N - M \
30 470
m ) ■yfipq =JÍÖ- = 0,751.
lim UJ' <n~k j Pk { \ - P ) lí“# ( 7 .5 ) 5 0 0 ’ 500
A/— N Kk /
Látható, hogy a valószínűségek első két tizedesjegye megegyezik, a valószí­
nűségek eltérése 0,7%-os. A várható értékek azonosak, míg a közelítő szórás
0,9%-kal nagyobb a pontos értéknél.
A tétel bizonyításához ki kell írni a binomiális együtthatók faktoriális alakjait,
majd egyszerűsítés után tényezőnként kell a határértéket képezni. Nem részletezzük.

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 .

adódik. A Poisson-eloszlás az egyik leggyakrabban alkalmazott diszkrét eloszlás. Pél­

A valószínűségek összege pedig: dául véletlenszerű időpontokban bekövetkező események száma egy adott időin­
tervallumban Poisson-eloszlással jól közelíthető. Hasonlóan Poisson-eloszlást al­
rt oo jk ® >\k
kalmazunk, ha egy tartományba eső pontok számát vizsgáljuk, és a tartományba
*=Ö fr=0 A-í Jt-o esés valószínűsége csak a tartomány méretétől függ. Pl. egy üzletbe adott időinter­
vallumban érkező vevők száma, adott hosszúságú útszakaszon található kátyúk szá­
7.5. TÉTEL. Ha % Poisson-eloszlású, ükkor várható értéke ma, egy könyv véletlenszerűen kiválasztott, adott számú oldalán a nyomdahibák
száma, egy őserdőben az egy hektáron található fák száma, egy gombóc puncsfagy­
M( Z) = A.
laltban a mazsolák száma stb.
A 7.3. ábrán X, = 2 , X1 = 6 és /L, =10 paraméterekkel, közös koordináta-rend­
Bizonyítás. Felhasználjuk eA hatványsorát, valamint azt, hogy konstans a 2 elé
kiemelhető: szerben Poisson-el oszlásokat ábrázoltunk.

-e Á -
k\ ti k\ £ í(* -l)!

7.6. TÉTEL. Ha < P o m on-eloszlású, űA'/cör szórása

Ű (£) = V I .

Bizonyítás. Számoljuk ki az M (i;2) második momentumot.

jk <n ji <c nk
A _* v k 11 A „j \ \ . A
M ( n = E i I^ = z * ’^ = Z / c -é~l —
it=0 10. tí k\ t í ( * -1 ) !

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.

Az előzőekben leírtakat P oissoii-folyam atnak nevez2ük.

Általában rögzíteni szoktuk f értékét, és X t ~ Á \ jelöléssel X
Bizonyítás. A tétel feltételei szerint p - — . írjuk ezt be a bal oldalon található bino-
X * _j
Ai
n
Ptfmk)— - e 1 miális eloszlás képletébe, majd végezzünk el néhány átalakítást.
*!
\ V
adódik. Ha más hosszúságú időintervallumot választunk, másik Á adódik.
p kr k =
u .J Kk J
n) \ n) k\{n~k)\ n , ' - 7 j H . 1 *
7,4. Példa.
Egy derült augusztusi estén negyedóránként átlag 6 csillaghullás észlelhető. n ( n - l ) . . . ( » - * + !) Xk í 1 XT 1
Mennyi a valószínűsége, hogy
nk k \!{I n )j f^X '*
a) 10 perc alatt 3-nál több;
b) 5 perc alatt 1
csillaghullás figyelhető meg? Vizsgáljuk meg a négy tényező határértékét külön-külön, ha n -» 03.

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

értékei #-nak a 7.4. ábrán megrajzolt környezetébe esnek.

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.

7.6. Egyenletes eloszlás

DEFINÍCIÓ. Akkor mondjuk, hogy a g valószínűségi változó az ]g ; b\ interval­ 7.6. ábra

lumban egyenletes eloszlású, ha sűrűségfüggvénye
A várható érték és a szórás a folytonos változóknál ugyanolyan fontos szerepet
—-— . ha a < x < b játszik, mint diszkrét esetben.
f : f ( x ) =\ b - a (7.12)
0 máshol.

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 )

íg y ahol X > 0 . A X pozitív valós számot az eloszlás paraméterének ne­

vezzük.
b - a
£>(£) =
2-V3 ' Megmutatjuk, hogy (7.14) valóban egy eloszlást határoz meg, vagyis (7.14)
valamely £ valószínűségi változónak a sűrűségfüggvénye. Az / (x) > 0 (x e R)
7.7. Példa. nyilván teljesül, mert X ■e~ix > 0 bármely X > 0 esetén. M egmutatjuk még, hogy a
Egy villamos 10 percenként indul a végállomásról. Véletlenszerűen érkezünk függvény görbéje alatti terület 1.
ebbe a megállóba (pl. közvetlenül egy fogorvosi kezelés után). Jelölje £ a vil­
00 C m h
lamos indulásáig várakozással eltöltendő időnket. Adjuk meg a £ sűrűség- és j f ( x ) d x = jo dx+ jXe~Ax dx = Jim j X e ^ dx = lim [- e_/Lí Jo =
eloszlásfüggvényét, valamint annak valószínűségét, hogy várakozási időnk a vár­ 0
ható értéktől kevésbé tér el, mint a szórás fele!
= lim| — ~ + e° = 0 + 1= 1.
Ha véletlenszerűen érkezünk, egyetlen időintervallum sincs kitün­
M EG O LD Á S.
tetve, akkor £ egyenletes eloszlású, a - 0 és 6 = 10 paraméterekkel.

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.

D EFIN ÍC IÓ . Ha az rj valószínűségi változó sűrűségfüggvénye <p, aldcor azt mond­

juk, hogy t] S tan dard n orm ális eloszlású.

8 .1 . TÉTEL, Ha rj standard normális eloszlású, akkor létezik a várható értéke és a

szórása, érlékük:
Ebben a fejezetben egy, a valószínűségszámításban és a statisztikában fontos, mond­
hatjuk központi szerepet játszó eloszlással ismerkedünk meg. M(rj) = 0, D(i}) = \ .

Bizonyítás.

8.1. Normális eloszlás -e

Tekintsük a lim e 7 - e 2 =0 .
J otz i,h
i

A várható érték 0 volta abból is következik, hogy az origóra szimmetrikus eloszlás­

ról van szó (8 . 1 . ábra).
függvényt (8.1. ábra). Az exponenciális függvény mindig pozitív, így <pis. Meg lehet Most néz2iik a szórást!
mutatni, hogy I ^ rl . J /(*) = *. /'(*) = 1
«> 1 ® A /(j/2) = - = = í v2e” dx = — = = \ x ( - x ) e ~ dx =
v2vr j l t t .i jl _J‘
\(p(x)dx = .— \e 1 d x - 1, (8-1) U 'to = (-*>«". =
_* V2ff " j 1*
-I b r -- 1 f A1 _í' ^ 1 ? -1'
lim - J e 1 dx ,— lim - be 1 + ae 1 + f e 1 dx.
így a <p sűrűségfüggvény. f i i t [[bJl \l2ir
* b- \ V 2jt _£

hz. első tag ű, a második (8.1) alapján 1. így

y>
0A D \r}) =M(7}2) - M\ t ) ) ^ 1-0’ = ].

Az rj standard normális eloszlású valószínűségi változó eloszlásfüggvénye:

/ 0,3-

/ 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.

így a selejtarány: 4,6%-os.

Ha a 8 .1. példabeli esetben a kiválasztott csavarnak nem a hibáját, hanem a mé­

retét választjuk valószínűségi változónak és 4 -vei jelöljük, akkor
£=77 + 150.

Ha azt is feltesszük, hogy bizonyos idő után az automata elhasználódása miatt a

méretek eloszlásának típusa maradt, de a szórás 2 mm-re növekedett, akkor
Ebből az alábbiakra következtethetünk (8.3. ábra)\ £ = 2?7 + 150. ( 8 .2 )
L <£<0) = 0,5. Ekkor a 4,7. tétel alapján a 4 sűrűségfüggvénye és eloszlásfüggvénye:
2. <í> a (0 ; 0,5) pontra szimmetrikus.
. 1 í.r-150^1 . J x - 150
3. Elegendő a 0 táblázatát pozitív x-ekre elkészíteni. A x )= -tf—~ — , F( x) = 0 — (8.3)
2 \ 2 J V 2 .

Azt is mondhatjuk, ha a valószínűségi változót (8.2) alatti módon transzformál­

juk, akkor a sűrűségfüggvény és az eloszlásfüggvény a (8.3) alatti módon transz­
formálódik. (2-szeres nyújtás az x tengely mentén és 150-nel való eltolás.) A 4 el­
oszlását is normálisnak hívjuk, csak a standard jelzőt hagyjuk el.

D EFIN ÍC IÓ . Ha tj standard normális eloszlású valószínűségi változó, akkor a be­

lőle a
4 = oi] + m ( a > 0) (8.4)
lineáris transzformációval kapott 4 valószínűségi változót normális
eloszlásúnak nevezzük.

A 4 sűrűségfüggvénye a 4,7, tétel szerint

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?

M EG O LD Á S, a (8.6) összefüggést felhasználva (m = 10 , a - 0,2 ):

a) ^ (9 15 < í < 1 0 15) = F(lO (5 ) - F ( 9 ,5 ) = t í > ^ ^ ^ j - t f > ^ ^ ^ N

- 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

a A 0 táblázatában azl találjuk, hogy <5(1,96) = 0 ,9 7 5 , így

transzformációval adódik. Ezt az eljárást standardizálásnak hívják.
— = 1,96, azaz cr = 0 151dl.
a
8.2. TÉTEL. Ha a 4 sűrűségfüggvénye a (8.5) alatti függvény (azaz N (m ; cr) el­
oszlású), akkor
M( 4 ) = m és D (£) = v .
8.2. A centrális határeloszlás-tétel
Bizonyítás. A 8.1. tételt felhasználva a 4.8. tétel alapján
M ( 4 ) = M { ot) + m) = oM (77) + m =m . Gyakran előfordul, hogy egy mérést többször megismételnek lehetőleg egymástól
függetlenül, és a mért értékek számtani átlagát fogadják el helyes értéknek. Ha az
Most a 4.12. tételt hívjuk segítségül:
egyes mérések eredményei a f 2, valószínűségi változók, akkor a fenti fel­
D(4) = D ( u ■i] + m) = Ja | D(rj) = a . tételek mellett ezek azonos eloszlásúak és függetlenek. Akkor mondhatjuk, hogy a

£+£+.■■ + £
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

várható értéke m és szórása ~ . (Nem bizonyítjuk.)

ain
Bizonyítás, A várható értékre vonatkozó állítás nyilvánvaló, nézzük a szórást.
Láttuk, hogy D 1 (a 4) = a D 1 (£) f ezért a függetlenség miatt
8.3. Példa.
Egy vidámparkban a következő játékot ajánlják: 100 Ft-ért lehet dobni egy já ­
tékkockával, ha hatost dobunk, 440 Ft a nyeremény. Mekkora a valószínűsége,
hogy 100 dobás után legalább 3000 Ft a nyereményünk?

D :Í 5 + & + + £ l 1_ a íÍÍ l! H. JD * fA .'|+ í-i + Jp > í ^

MEGOLDÁS. Legyen £m az egyes dobásoknál a nyeremény. Ekkor
n « J LB
^T ^r2 ezek a valószínűségi változók függetlenek és azonos eloszlásúak.
< CT
n2 «
AÍ(£,) = ( - 1 0 0 ) - + 4 4 0 - = - 1 0 = m,
6 6
Innen gyökvonással adódik állításunk.
Most azt vizsgáljuk, hogy a (8.7) alatti valószínűségi változó eloszlása mutat-e M ( Í 2) = 10 0 0 0 - +193 6 0 0 - = 40 6 0 0 ,
6 6
valamilyen törvényszerűséget, ha w-net növeljük.
Z>2( £ ) = 40 50 0 , £ > (£ )-2 0 1 ,4 9 = ct (/ = 1, 2, ..., 100).
Ha a 8.3. tétel feltételei teljesülnek, akkor
Annak a valószínűségét keressük, hogy
iW ( £ + £ + . . . + £ ) = " m > és
6 + 6 + ...+ 6 * * 3 0 0 0 .
£>«, + í , + ... + í , ) - = «rf n .
Ekkor (8.8) miatt
Legyen i w - w - i - i a j w
g1+ g J + - + g .- w w VTÖÖ - 201,49 2014,9
tt„ - f
ctV« Ennek valószínűsége:
Mivel a (j‘ = 1, 2, n) valószínűségi változók eloszlását nem ismerjük, az ?/„ P(rjm > 1,9852) = 1- P(r]m < 1,9852) «1 - tf>(l,9852)*, 0,024.
eloszlásáról is csak annyi információnk van, hogy M (i?„) = 0 , Ű(//„) = 1, Ezért van
Úgy is gondolkodhattunk volna, hogy legalább 24 db 6-os dobás szükséges a
nagy jelentősége a következő tételnek.
legalább 3000 Ft-os nyereményhez. Annak valószínűsége, hogy A-szor dobunk
6-ost;
8,4.T é te l. (Centrális határé!oszlás-tétel.) Ha .... f„, ... azontw
eloszlású független valószínűségi változók, M (£,) = m ; £>(£■) = cr 100
(í = 1, 2, ...) , akkor az k m 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.

A 8.1. pontban láttuk, ha standard normális eloszlású, akkor

=\ (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

*.=V fí+í.‘ + ■■■+#,'

v a ló s z ín ű s é g i v á lto z ó t n sza b a d sá g fo k ú %z -elo szlá sú n a k n e v e z z ü k . valószínűségi változót n szabadságfokú ^-eloszlásúnak nevezzük.

A sűrűségfüggvényeket az n = 2, 4, 20 értékeknél a 8.5. á b r á n szemléltetjük. 8.4. Példa.

Mivel a x l azonos eloszlású független valószínűségi változók összege, a centrális Egy szabályos játékkockát n-szer feldobunk. Legyen az l-es, 2-es, . . . , 6-os do­
határeloszlás-tctel miatt nagy n-ekre közelít a normális eloszláshoz. Ez a 8,5. á b r á n bás gyakorisága rendre a v , , v 2, v 6 valószínűségi változó. M utassuk meg,
is nyomon követhető. hogy 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

Gyakran előfordul (pl. a matematikai statisztikában), hogy egy standard normális

és egy ^-eloszlású valószínűségi változó hányadosának eloszlását kell vizsgálni. n-2

198 199
AZ F-ÉS A Z-ELOSZLÁS Egyszerűsítés után figyelembe véve (8.1)-et adódik, hogy

DEFINÍCIÓ. Ha a & ......... £ . é i az 7,, V i........ *1. független, S ta n d a r d

1 --
9 ,(x) = - r - e 2 .
normális eloszlású valószínűségi változók, akkor az 2?r
Ugyanígy lehet kiszámítani, hogy
ee 90
jjxy<p(x\y)dxdy-r.
n m
valószín ű ségi változó elo szlá sá t m, ti szubadsagfoku F-eloszlásnak Az imént beláttuk, hogy 11 és v standard normális eloszlású, így M { u ) =M (i/)=0
nevezzük. A és D({i) = D( v) = 1. Ebből az következik, 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,

ugyanis a korrelációs együttható a (S.l 1) transzformációnál nem változik (lásd az

5.5, példa utáni megjegyzést).
Még bizonyítás nélkül azt jegyezzük meg, hogy a kétváltozós normális eloszlás
elsőfajú regressziós függvényei lineárisak: 9.1. Markov- és Csebisev-egyenlőtlenség

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,

9.1. T é te l. (Markov-egyenlőtlenség.) Legyen i] olyan nemnegativ valószínűségi

változó, amelynek létezik várható ér télié (M ( 77) > 0 ), és legyen t > 1
tetszőleges valós szám. Ekkor

y. (9.1)

Az a ~ t M ( r j ) jelölést bevezetve a tétel más, ezzel ekvivalens alakban is felír­

ható:

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)•

Ebből azonnal adódik a (9.2).

I la rj folytonos g sűrűségfüggvénnyel, akkor a feltétel szerint g(y) = 0, h a y < 0,
így

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.

A Markov-egyenlőtlenségből levezethető a Csebisev-egyenlőtlenség, amelyet a

9.1. ábra
következő tételben fogalmazunk meg.

9.2. TÉTEL. (Csebisev-egyenlőtlenség.) Legyen £ olyan valószínűségi változó,

Ha pl. t = 2 , akkor a fenti valószínűség legfeljebb —, ha t = 3 , akkor már csak
amelynek létezik a szórása. Ha D(%) > 0, akkor tetszőleges í > 1 4
esetén
legfeljebb ~ .
P(\Z-M{$)\>tD{S))<j. (9.3)
Igen sokszor nem a (9.3) alakot, hanem a {jf - M ( 4 ) j > t D( £) j esemény komp­
Bizonyítás. Ha £ valószínűségi változó, akkor az // = ( £ - M (£ ))s is az. Mivel lementerével megfogalmazott

?7 > 0 és feltevésünk szerint létezik M(t]) = m ( [ £ ^ - D 2 ( 4 ) , alkalmaz­ p(\Z-Mtf)\<tD(Z))>l-±- (9.5)

hatjuk a Markov-egyenlőtlenséget:
egyenlőtlenséget használjuk. Ez az [A /(£ )-;£ > (£ ) ; M{%) + tD{%)] intervallumba
/>(í7^íM (77)) = ? ( ( í - M ( 6 ) ) ^ / M ( [ í - M ( í ) f ) ) -
esés valószínűségére ad becslést (9 .2 . ábra).
= P ( ( 4 - M ( £ ) y z t D 2( t ) ) ^ . (9.4)

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?

9.2. ábra M egoldás.

a) Becsüljük meg (9.5) segítségével a keresett valószínűséget az ismeretlen el­
9.2. Példa. oszlású £ valószinűségi változó esetére! A (9.5)-ben a várható értékre szim ­
Tegyük fel, hogy tapasztalati adatokból ismetjük a £ valószínűségi változó m etrikus intervallum szerepel, és a valószínűségre alsó becslést végzünk,
várható értékét és szórását, és ezek M ( g ) = 3,2 , D(%) = 1,6 . Adjunk becslést a ezért a ]8 ; 15 [ intervallum helyett a kisebb ]9 ; 15 [ intervallum ot vesszük,
P(0,8 < £ < 5,6) valószínűségre! amely már szimmetrikus a várható értékre.

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

Meghatározható az intervallum felső és alsó határa, azaz 6 = 12 + 2-73, illetve

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

9.2. A nagy számok törvénye

egyenlőtlenséghez jutunk. íijuk be t helyett a — e kifejezést, elekor egyszerű-
A nagy számok törvényei a relatív gyakoriság és a valószínűség viszonyát vizsgál­ \P 9
ják, A klasszikus valószínűség fogalmának bevezetése azon a megfigyelésen ala­ sítés után a fenti egyenlőtlenség a következő alakot ölti:
pult, hogy nagyszámú véletlen kísérletet végezve egy esemény relatív gyakorisága
véletlen ingadozást mutat egy szám, az adott esemény valószínűsége körül. Mi a pq_
>€ <
valószínűség fogalmát a Kolmogorov-axiómák alapján vezettük be. A nagy számok s 2n
törvénye arra világít rá, hogy a relatív gyakoriságnak e valószínűség körüli ingado­
zása milyen törvényszerűségeket mutat. A nagy számok törvényének Bemoulli-féle amit bizonyítani akartunk.
alakját fogalmazzuk meg.

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

egyenlőtlenséget tudjuk csak alkalmazni. Ez a (9.6)-ból igen egyszerűen adódik.

Azt kell csak észrevennünk, hogy —mivel a p és a q ismeretlen —olyan össze-

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- -

összefüggéshez jutunk. Nézzünk erre is példákat.

4 s 2n
(9.9) Innen ikövetkezik,
.. d -1 hogy
t. n >— pq
0,00 U 2 s
pq .

Ha például s = 0,001, altkor a p valószínűség adott pontossággal való meg­

határozásához szükséges kísérletek minimális száma 10 7 /?(1 - p ) . Legnagyobb
9.6. Példa.
számú kísérletre P = ~ esetén van szükség;
Önkormányzati választáson valamely településen egy huszonéves fiatal is szere­
pel ajelöltek között. A választás eredményének előrejelzésére szakszerűen végre­
hajtott közvélemény-kutatás során - véletlen számbavételt alkalmazva - a köz­ n> 10 0 0 2 = 250 = 2 500000.
vélemény-kutató szakemberek 10 0 0 0 lakost kérdeznek meg. 4-0,01 0,001*
a) Legalább mekkora valószínűséggel állíthatják, hogy a 10 000 megkérdezés Legalább 2 500 000 kísérletet kell végeznünk, hogy £ -nál kisebb hibával és
alapján számított relatív gyakoriság a fiatal jelölt megválasztásának valószí­ 0,999-nél nagyobb biztonsággal (valószínűséggel) megállapítsuk egy esemény
nűségét 0,01 -nál kisebb hibával közelíti meg? bekövetkezésének ismeretlen p valószínűségét.
b) Legalább 85%-os biztonsággal a 10 000 megkérdezés alapján milyen hiba­
határ számítható?

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
Bayes-tétel 72
Bemoulli-kísérletsorozat 81
Bemoulli-tétel 209
binomiális együttható 27
binomiális eloszlás 165
binomiális tétel 26
biztos esemény 37
Boole-algebra 45
centrális határeíoszlás-tétel 194
Csebisev-egyenlőtlenség 204
diszkrét valószínűségi változó 96
egyenletes eloszlás 180
egymást kizáró események 43
együttes eloszlás 126
együttes eloszlásfüggvény 128
együttes sűrűségfüggvény 153
elemi esemény 33, 37
ellentétes esemény 40
eloszlásfüggvény 97
esemény 36
események függetlensége 76
eseménytér 33
exponenciális eloszlás 183
F-eloszlás 200
feltételes eloszlás 142
feltételes sűrűségfüggvény 16!
feltételes valószínűség 68
Fischer-féle z-eloszlás 200
folytonos eloszlás 98, 153
214
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
független kísérletek 81 sűrűségfüggvény 103 várható érték 114
független valószínűségi változók 138 variáció 17, 19
szórás 120
geometriai eloszlás 177 szorzási szabály 69 X -eloszlás 197
geometriai valószínűség 83 szubjektív valószínűség 84 X I -eloszlás 196
hipergeometriai eloszlás 168
karakterisztikus eloszlás 164
kétváltozós normális eloszlás 200
klasszikus valószínűségi mező 58
kombináció 21, 25
korrelációs együttható 136
kovariancia 135
kvantílis 111
lehetetlen esemény 37
Markov-egyenlőtlenség 203
médián 109
mintavétel 61
módusz 110
momentum 117
normális eloszlás 191
összetett esemény 48
Pascal-féle háromszög 29
perem-eloszlásfüggvény 128
peremeloszlás 126
perem-sűrűségfüggvény 153
permutáció 13, 15