Szekely J. Gabor-Paradoxonok A Veletlen Matematikajaban

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
Paradoxonok a véletlen matematikájában
www.interkonyv.hu © Székely J. Gábor

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
Székely J. Gábor
Paradoxonok a véletlen
matematikájában
2. átdolgozott kiadás
Typotex • 2004

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
A mű megjelenését a Magyar Tudományos Akadémia

Matematikai Tudományok Osztálya és a Varga Tamás
Tanı́tványainak Emlékalapı́tványa támogatta
c Székely J. Gábor, Typotex, 2004

°
ISBN 963 9548 32 4
Témakör: matematika

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
Tartalom
Előszó 8
1. Klasszikus paradoxonok a valószı́nűségszámı́tásban 11

1. A kockázás paradoxona 12
2. De Méré lovag paradoxona 16
3. Az osztozkodás paradoxona 21
4. A függetlenség paradoxona 24
5. A szerencsejátékok két paradoxona:
bridzs és lottó 27
6. Ajándékozási paradoxon 33
7. Pétervári paradoxon 39
8. Az emberi halandóság paradoxona 43
9. A nagy számok Bernoulli-törvényének
paradoxona 47
10. De Moivre paradoxona; energiatakarékosság 51
11. Bertrand-féle paradoxon 57
12. A játékelmélet egy paradoxona 62
13. Villámparadoxonok 70
2. Paradoxonok a matematikai statisztikában 86

1. A Bayes-paradoxon 89
2. A várható érték becslésének paradoxonai 95
3. A szórásnégyzet (variancia) becslésének
paradoxona 102
5
Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
6 Paradoxonok a véletlen matematikájában
4. Ellentmondó adatok paradoxona 105

5. Korrelációs paradoxonok 108
6. Regressziós paradoxonok 115
7. Az elégségesség paradoxonai 121
8. A maximum-likelihood paradoxonai 125
9. Az intervallumbecslések paradoxona 129
10. Egy hipotézisvizsgálati paradoxon 134
11. Rényi információelméleti paradoxona 139
12. A t-próba paradoxona 143
3. A véletlen folyamatok paradoxonai 163

1. Az elágazó folyamatok egy paradoxona 165
2. Markov-láncok és a fizika egy paradoxona 168
3. A Brown-mozgás paradoxona 174
4. A várakozási idő paradoxona 179
5. A véletlen bolyongások egy paradoxona 183
6. A tőzsde paradoxona; martingálok 186
4. Újabb paradoxonok 203

1. A véletlen természetes számok paradoxonai 207
2. A Banach–Tarski-paradoxon 212
3. A Monte-Carlo-módszer paradoxona 215
4. Az érdektelen számok paradoxona 222
5. A véletlen gráfok egy paradoxona 227
6. A várható érték paradoxona 230
7. Az első számjegy paradoxona 232
8. A nulla valószı́nűség paradoxona 235
9. A korlátlanul osztható eloszlások egy
paradoxona 238
10. Karakterizációs paradoxonok 243
11. Faktorizációs paradoxonok 246
12. Az irreducı́bilis és a prı́meloszlások
paradoxona 250

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
Tartalom 7
5. Paradoxológia 263
Befejezés helyett 265
1. táblázat 266
2. táblázat 283
3. táblázat 284
Jelölések 294
Névmutató 295
Tárgymutató 301

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
Előszó
„A titokzatosnál nincs csodálatosabb. Alapvető érzés ez, ott

áll az igazi művészet és az igaz tudomány bölcsőjénél. Aki
nem ismeri, aki nem tud többé csodálkozni és nem érez
meglepetést, az olyan, akár a halott, akinek lezáródott a
szeme.”
(Albert Einstein: Mein Weltbild)
A tudomány többi ágához hasonlóan a matematika is para-

doxonok története. A paradoxon egy olyan meglepő állı́tás,
amely a korabeli emberek szemében szinte hihetetlen vagy
legalábbis „a józan paraszti észnek” ellentmondani látszik. A
legnagyobb felfedezések általában a legnagyobb paradoxo-
nokat oldják fel (gondoljunk csak Darwinra vagy Einsteinre),
miközben újabb paradoxonok forrásaivá is válnak.
A véletlen világa és ennek matematikája különösen bővel-
kedik paradoxonokban. E könyv célja, hogy bemutassa, ho-
gyan fejlődött ki a paradoxonokból ez a gyorsan változó és
széleskörűen alkalmazott matematikai ág. Azokat az izgalmas
pillanatokat mutatja be, amelyek megelőzték vagy követték
néhány kiemelkedő paradoxon felbukkanását és megoldását.
Ezek a pillanatok csak ritkán lelhetők fel a szokásos monog-
ráfiákban. Ez a könyv nemcsak érdekes valószı́nűségelméleti
„gyöngyszemeket” mutat be, amelyek távol vannak a fejlő-
dés fő irányától, hanem éppen ellenkezőleg, azokat az ellent-
mondásokat és meglepő felfedezéseket emeli ki, amelyek a
legtöbbet tették azért, hogy a véletlen matematikájának alap-
vető problémáit tisztázzák. Olyan problémákat is bemutat te-
hát, amelyek eredetileg nem paradoxonokként lettek megfo-
8
Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
Előszó 9
galmazva. Egy paradoxonokról szóló könyvnek természete-

sen történelmi keretet kell adni, ezért is kezdődik a könyv a
legrégibb valószı́nűségi paradoxonokkal.
Fontos, hogy megkülönböztessük a paradoxont a falláci-
ától. Az előbbi igaz, de meglepő tétel, mı́g az utóbbi hamis
állı́tás, amelyet igaznak látszó érveléssel indoklunk. A para-
doxonok és a falláciák is lehetnek nagyon érdekesek és hasz-
nosak, de ez a könyv főként paradoxonokkal foglalkozik. A
paradoxonok megfogalmazásában az volt a cél, hogy minden
egyes paradoxon önmagában is érthető legyen. Nyilvánvaló
azonban, hogy az az olvasó, aki például nem tud bridzsezni
vagy nem tudja mi a normális eloszlás, nehezebben fogja ér-
teni az ezzel kapcsolatos paradoxonokat. Ha azonban a köny-
vet az elejétől kezdve folyamatosan olvassa, akkor megta-
lálja a könyvben az összes felhasznált fogalom definı́cióját. (A
bridzs szabályai ugyan nincsenek részletesen leı́rva a könyv-
ben, de a bridzs paradoxona a leı́rtak alapján ı́gy is érthető
lesz.)
A könyv négy fejezetből áll. Minden paradoxon tárgyalása
öt részre oszlik: a paradoxon története, a paradoxon megfo-
galmazása, a paradoxon magyarázata, megjegyzések és vé-
gül hivatkozások. Minden fejezet villámparadoxonokkal zá-
rul. Ezeket a könyv nem tárgyalja részletesen, nem azért mert
kevésbé fontosak vagy kevésbé érdekesek, hanem mert nem
illenek bele a könyv fő irányvonalába.
A könyv megı́rására hajdani professzorommal, Rényi Alf-
réddal folytatott beszélgetések ösztönöztek. A. N. Kolmogo-
rov is erre biztatott, amikor 1972-ben Budapesten találkoz-
tunk. További ötleteket kaptam kollokvium előadásaim után
a világ számos egyetemén, például Amszterdamban, Párizs-
ban, Moszkvában és az USA több egyetemén is, pl. a Johns
Hopkins, a Columbia, a Yale és az M.I.T. egyetemeken. Arra
is alkalmam nyı́lt, hogy az azóta meghalt Pólya Györggyel
megbeszéljek néhány didaktikai problémát a Stanford egye-
temen. Végül szeretném megköszönni számos kollégám ér-
tékes tanácsát az ELTE-n, a JATE-n és az MTA Rényi Alfréd
Matematikai Kutatóintézetben. Neveik gyakran szerepelnek
a könyvben. Közülük is szeretném kiemelni Móri F. Tamást,

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
Zempléni Andrást, Csörgő Sándort, Ruzsa Z. Imrét és Csiszár

Imrét.
A könyv első magyar kiadása (1982) után megjelent ango-
lul (1986), németül (1990) és oroszul (1990) is. Az első kiadás
óta eltelt több mint húsz év változásait főként a kiegészı́té-
sek jelzik az egyes paradoxonok irodalmában. Van azért sok
új csemege is ebben az új kiadásban.
A szerző

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
1
Klasszikus paradoxonok
a valószı́nűségszámı́tásban
„Az események bekövetkezési valószı́nűségei fordı́tottan

arányosak kı́vánatos voltukkal.”
(A szerencsejátékosok régi megfigyelése)
„Klasszikus az, amit mindenki szeretett volna már elolvasni,

de amit olvasni senki sem szeretne.”
(Mark Twain)
A véletlennel kapcsolatos matematikai megfontolások – pél-

dául a szerencsejátékosok ősi „aranyszabályai” – igen hosszú
múltra tekinthetnek vissza, de valószı́nűségszámı́tási kérdé-
sek és paradoxonok ı́rásba foglalása csak az újkor hajnalán
kezdődött. Bár a véletlen matematikájának ma már alig van
több köze a szerencsejátékokhoz, mint például a geometriá-
nak a földméréshez, kétségtelen, hogy a legelső paradoxono-
kat a széles körben elterjedt szerencsejátékok szülték.
11
Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
1. A kockázás paradoxona; a mikrovilág

„szerencsejátékai”
1.1. A paradoxon története
A szerencsejátékok közül egészen a középkor végéig a koc-
kázás volt a legelterjedtebb. A „hazárd” szó is a kockajátékra
utal: „az-zar” a kocka arab neve. A kártyajátékok Európában
csak a XIV. században indultak hódı́tó útjukra, a kockázás vi-
szont már az ókori Egyiptomban az I. dinasztia idején, majd
Görögországban és Rómában is divat volt. (A görög hagyo-
mány szerint Palamedész találta fel a kockajátékot, hogy szó-
rakoztassa a Trója ostromára várakozó, unatkozó görög kato-
nákat; Pauszaniasz II. századi ı́ró szerint Polügnótosz az i. e. V.
században képet is festett „Palamedész és Therszitész koc-
káznak” cı́mmel.) A legrégibb valószı́nűségszámı́tással fog-
lalkozó könyvnek Gerolamo Cardano (1501–1576): „De Ludo
Aleae” cı́mű művének is jelentős részben a kockajáték a té-
mája. Az igen rövid könyv csak 1663-ban jelent meg, jóval
több mint száz évvel megı́rása után. Így történhetett, hogy
bár a kockázás paradoxonának megoldását már Cardano is
leı́rta, ugyanezt a problémát Galilei is vizsgálni kezdte, és kü-
lön tanulmányban foglalkozott vele, amelyet valamikor 1613
és 1623 között ı́rt. A tanulmány cı́me eredetileg „Sopra le Sco-
perte dei Dadi” volt, de Galilei 1718-ban megjelent összegyűj-
tött műveiben „Consideratione Sopra il Giuoco dei Dadi” cı́m-
mel jelent meg.
1.2. A paradoxon megfogalmazása

Szabályos dobókockával ugyanolyan eséllyel dobhatjuk az 1,
2, 3, 4, 5 és 6 pontok bármelyikét. Két kocka feldobásakor
a pontok összege 2 és 12 között változhat. Közülük például
a 9 és a 10 is ugyanannyiszor, mégpedig kétféleképpen te-
hető össze az 1, 2, . . . , 6 számokból: 9 = 3 + 6 = 4 + 5 és
10 = 4 + 6 = 5 + 5. Három kocka pontszámaiból is ugyan-
annyiszor, mégpedig hatféleképpen kombinálható össze a 9
és a 10 is. Hogyan lehetséges mégis, hogy két kocka dobása-
kor gyakrabban kapunk 9-et, három kocka dobásakor pedig
10-et?

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
1.3. A paradoxon magyarázata

Mai szemmel nézve a paradoxon megoldása annyira egysze-
rű, hogy leginkább az a meglepő, mi meglepőt találtak eb-
ben hajdanán. Cardano és Galilei is arra mutatott rá, hogy az
esélyek kiszámı́tásakor figyelemmel kell lenni a dobások sor-
rendjére is (egyébként az egyes lehetőségek nem lennének
egyforma esélyűek). Két kockánál: 9 = 3 + 6 = 6 + 3 = 4 + 5 =
5+4, 10 = 4+6 = 6+4 = 5+5, tehát két kockával a 9 négy, a 10
viszont csak három különböző dobással érhető el, ı́gy a 9 va-
lóban esélyesebb. (Minthogy két kockával összesen 6 · 6 = 36
számpárt dobhatunk, és mindegyiket azonos valószı́nűség-
4
gel, ezért a 9 dobásának valószı́nűsége 36 , a 10-é viszont csak
3
36 .) Három kocka esetén éppen fordı́tott a helyzet: a dobá-
sok sorrendjét is figyelembe véve a 9 csak 25-, a 10 viszont
27-féleképpen kapható meg, ı́gy valóban a 10 a valószı́nűbb.
1.4. Megjegyzések
(i) Bár a kocka paradoxonának megoldása valóban nagyon
egyszerű, mégis az évszázadok során kiváló matematikusok
egész sora hagyta figyelmen kı́vül a dobások sorrendjét (és bi-
zonyára még ma is sokan esnek ebbe a hibába). Tévedett pél-
dául a differenciál- és integrálszámı́tás egyik megalkotója, Le-
ibniz és a nagy francia Enciklopédia egyik legkiválóbb mun-
katársa, d’Alembert is. Amikor azt a kérdést tették fel d’Alem-
bert-nek, hogy ha egy pénzdarabot kétszer feldobnak, akkor
mi a valószı́nűsége annak, hogy legalább egyszer a fej lesz
fölül, a tudós ı́gy válaszolt: 2/3, hiszen 3 eset lehetséges (fej–
fej, fej–ı́rás és ı́rás–ı́rás), és ezek közül csak egyetlen kedve-
zőtlen van, az, amikor két ı́rást dobunk. „Csak” azt nem vette
figyelembe, hogy a három lehetséges kimenetel nem egyfor-
mán valószı́nű. A helyes válasz 3/4, hiszen az egyformán va-
lószı́nű fej–fej, fej–ı́rás, ı́rás–fej, ı́rás–ı́rás lehetőségek közül
csak a legutolsó kedvezőtlen. D’Alembert véleménye egyéb-
ként nyomtatásban is megjelent az Encyclopédie „Croix ou
pile” cı́mszavánál 1754-ben.
(ii) A kockázás paradoxona a XIX–XX. századi mikrofiziká-
ban is szerepet kapott. Ha kockák helyett képzeletben mikro-
részecskékkel „játszunk”, és a véletlenül felülre kerülő kocka-

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
oldalnak olyan ún. fáziscellákat feleltetünk meg, amelyek jel-

lemzik a mikrorészecske állapotát és amelyek valamelyikébe
a mikrorészecske véletlenszerűen kerül bele, akkor a kockajá-
téknak a mikrorészecskék ún. Maxwell–Boltzmann-modellje fe-
lel meg. Ebben a modellben (amelyet jó közelı́tésként gázmo-
lekulákra szoktak alkalmazni) minden részecske minden cel-
lába ugyanolyan valószı́nűséggel kerül, ı́gy az azonos valószı́-
nűségű esetek számbavételekor a sorrend is lényeges szere-
pet játszik (akárcsak a kockajátékban). Létezik azonban olyan
modell is (például fotonokra vonatkozóan), amelyikben az
egyes részecskék nem megkülönböztethetőek, ı́gy a sorren-
det figyelmen kı́vül kell hagyni a lehetséges esetek számba-
vételekor. E modell neve: Bose–Einstein-féle modell. Az 1. pa-
radoxon lényegét tehát úgy is megfogalmazhatjuk, hogy a
játékkockák nem Bose–Einstein, hanem Maxwell–Boltzmann
tı́pusúak. Érdemes megemlı́teni, hogy például a kötött elekt-
ronokra egyik modell sem érvényes, mert itt minden cellába
csak legfeljebb egy részecske kerülhet, ami a kockák nyelvén
azt jelentené, hogy ha valamelyik kockával már dobtunk 6-
ost, akkor a többi kockán már nem jöhet ki ugyanez. Ennek a
modellnek a neve: Fermi–Dirac-féle modell. Felmerül a kérdés:
honnan lehet tudni általában, hogy mikor melyik modellt kell
használni az imént emlı́tett három (és a többi nem emlı́tett,
seregnyi más lehetséges) modell közül. A választás általában
nem történhet tisztán logikai úton, legtöbbször csak a tapasz-
talat, a kı́sérletek dönthetnek. Az azonban egészen nyilván-
való – és pillanatnyilag csak ez érdekes számunkra –, hogy a
játékkocka Maxwell–Boltzmann tı́pusú.
(iii) A kockajáték magyarországi előfordulásáról a legko-
rábbi adatok a XV. századból származnak. Első elnevezése
„házsárt” volt (amelynek végső forrása a már emlı́tett arab
„az-zar” és amely a „házsártos” szavunkban él tovább). Egy
1528-as adat szerint a kockát vörfölyének is nevezték (a né-
met Würfel = kocka átvételével). Maga a „kocka” szó a szláv
„csont” szó kicsinyı́tőképzős változatából (kosztka) alakult ki
(arra utalva, hogy igen gyakran csontból készı́tették). Érde-
kes, hogy a lengyel eredetű családból származó Kosztka Ti-
vadar is éppen ezért választotta magyar nevéül a Csontváry
nevet.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
(iv) Cardano érdekes egyéniség volt. Tı́z évvel a halála előtt

megjósolta annak pontos időpontját: 1576. szeptember 21.
Asztrológusként nagyon büszke volt erre a jövendölésére.
Amikor elérkezett halálának megjövendölt napja, egészsége-
sen ébredt. Annak érdekeben, hogy asztrológusi reputációja
ne csorbuljon, saját kezével vetett véget életének a megjósolt
napon.
1.5. Irodalom
A klasszikus valószı́nűségszámı́tás történetének klasszikus
összefoglaló monográfiája
I. Todhunter: History of the mathematical theory of proba-
bility c. műve először 1865-ben jelent meg; 1949-ben a Chelsea
Kiadó újból megjelentette.
A valószı́nűségszámı́tás előtörténetének és legkoraibb pe-
riódusának ismertetése
F. N. David: Games, Gods and Gambling, (Griffin, London,
1962) cı́mű könyvében olvasható.
A korai valószı́nűségszámı́tás történeti és filozófiai vonat-
kozásaira
I. Hacking: The emergence of probability (Cambridge Univ.
Press, 1975) és
L. E. Maǔcmpov: Razvitie ponÂtiÂ veroÂtnosti (Na-
uka, Moskva, 1980) cı́mű műve mutat rá.
A korai valószı́nűségszámı́tás története iránt érdeklődők fi-
gyelmét két folyóiratra érdemes felhı́vni: a Biometrika és az
Archive for the history of exact sciences rendszeresen közöl cik-
keket e témáról.
A kockajáték problémáival foglalkozó első (eredetileg lati-
nul ı́rt) monográfia angol fordı́tása és szerzőjének, Cardanó-
nak részletes élettörténete.
Ø. Ore: Cardano, the gambling scholar (Princeton Univ.
Press, Princeton, 1953) cı́mű könyvében olvasható.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
2. De Méré lovag paradoxona

A hagyományos (valószı́nűleg Leibniztől származó) történet
szerint egy hı́res XVII. századi francia szerencsejátékos, de
Méré lovag, miközben birtokára, Poitou-ba utazott, megis-
merkedett a század egyik legismertebb matematikusával, Bla-
ise Pascallal, akinek két, szerencsejátékkal kapcsolatos kérdést
is feltett, közülük az egyik éppen a szóban forgó paradoxon
volt (második kérdésével „Az osztozkodás paradoxona” né-
ven foglalkozunk). Pascal e kérdésekről 1654-ben levélváltást
folytatott az ugyancsak nagy tehetségű toulouse-i tudóssal,
Pierre de Fermat-val. Mindketten ugyanarra az eredményre
jutottak, ami igen nagy örömmel töltötte el Pascalt. Levelé-
ben ı́gy ı́r: „Látom ugyanis ebből, hogy az igazság ugyanaz
Toulouse-ban, mint Párizsban. . . ”. Nemrégiben a Yale egye-
tem professzora, Øystein Ore rámutatott arra, hogy a de Mé-
rének tulajdonı́tott paradoxonok valójában már sokkal koráb-
ban közismertek voltak, csak éppen Pascal nem tudott róluk.
Egyébként az sem igaz, hogy a lovag szenvedélyes szerencse-
játékos volt. A paradoxonok sokkal inkább elvileg érdekelték,
ezért is nem elégedett meg azzal, hogy Pascal „csak” megol-
dotta a problémát, és megerősı́tette abban, hogy az általa is is-
mert megoldás valóban helyes. Ebből ugyanis nem látta még,
hogyan oldódik fel az ellentmondás.

Ha egy szabályos játékkockát 4-szer dobunk fel, akkor több
mint 1/2 valószı́nűséggel valamelyik dobás 6-os lesz. Ugyan-
akkor, ha két kockát 24-szer dobunk fel, akkor kevesebb, mint
1/2 valószı́nűséggel kapunk (legalább egyszer) dupla 6-ost.
Hogyan lehetséges ez, hiszen a dupla 6-osnak hatodannyi
az esélye, mint egyetlen 6-osnak, és a 24 éppen 6-szor annyi,
mint 4?

Ha egy szabályos kockát k-szor dobunk fel, akkor a lehetséges
(és egyenlően valószı́nű) kimenetelek száma 6k . Ezek közül

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
5k esetben egyetlenegyszer sem fordul elő 6-os, ı́gy annak a

valószı́nűsége, hogy a k dobás közül legalább az egyik 6-os:
µ ¶k
6k − 5k 5
=1− ,
6k 6
ami a k = 4 esetben már valóban több, mint 1/2. Ugyanakkor

a teljesen hasonló módon nyerhető
µ ¶k
35
1−
36
mennyiség k = 24-re még kisebb 1/2-nél, csak k = 25-re ha-

ladja meg az 1/2-et. Tehát a „kritikus érték” egy kockánál 4,
két kockánál 25.
Az igazság az, hogy de Méré számára ez a kétségkı́vül he-
lyes megoldás egyáltalán nem volt kielégı́tő, hiszen magát a
választ ő is ismerte, csak azt nem értette, hogy ez miért nem
egyeztethető össze a „kritikus érték arányossági szabályával”:
4 : 6 = 24 : 36,
vagyis azzal, hogy ha hatodára csökken a valószı́nűség, akkor

miért nem növekszik 6-szorosára a kritikus érték. Csak Abra-
ham de Moivre (1667–1754) mutatta meg 1718-ban megjelent
„Doctrine of Chances” cı́mű művében, hogy a „kritikus érté-
kek arányossági szabálya” egyáltalán nincs messze az igaz-
ságtól. Ha ugyanis egy eseménynek p a valószı́nűsége (pél-
dául a 6-os dobásának valószı́nűsége p = 16 ), akkor a k kriti-
kus érték úgy számolható ki, hogy megoldjuk az
1
(1 − p)x =
2
egyenletet (a megoldás mindig létezik, ha p nagyobb, mint 0
és kisebb, mint 1), és k az a legkisebb egész szám lesz, amely
nagyobb x-nél. Az iménti egyenlet megoldása:
ln 2 ln 2
x=− =
ln(1 − p) p + p2 /2 + . . .

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
(ahol ln az e = 2,71 . . . alapú logaritmust jelöli). E megoldás-

ból jól látható, hogy ha p2 „elhanyagolhatóan kicsi”, akkor
valóban: ahányadrészére csökken a p, körülbelül annyiszo-
rosára nő a kritikus érték, ahogyan azt de Méré gondolta is.
Az x ≈ lnp2 ≈ 0,69 p közelı́tő képletet de Moivre fel is használta
a londoni lottó (a Royal Oaks Lottery) vizsgálatára. Ebben az
1
esetben p = 32 volt, és a közelı́tés x ≈ 22,08, ami valóban igen
közel esik az igazi x = 22,135 . . . értékhez. De Méré parado-
xona azért fordulhatott elő, mert a p = 16 szám nem elég ki-
csi ahhoz, hogy a közelı́tő számı́tásban p2 /p elhanyagolható
lenne (a pontokkal jelölt többi, nevezőbeli taggal együtt). A
„kritikus értékek arányossági szabálya” tehát csak egy köze-
lı́tő szabály, ami annál pontatlanabb, minél nagyobb a p. Ez
az igazi megoldása a paradoxonnak.
2.4. Megjegyzések
(i) Érdemes megemlı́teni de Méré problémájának Cardanótól

származó tipikusan rossz megoldását. Cardano ı́gy okosko-
dott: a dupla 6-os dobásának valószı́nűsége 1/36, ı́gy éppen
18 dobás kell ahhoz, hogy 1/2 valószı́nűséggel legalább egy-
szer dupla 6-ost kapjunk. Ennek az okoskodásnak a helyte-
lensége már abból is látszik, hogy ugyanezen elképzelés sze-
rint több mint 36 dobásból már 1-nél nagyobb valószı́nűség-
gel kapnánk dupla 6-ost, ami nyilván teljes képtelenség.
(ii) Vannak olyan véletlen mennyiségek is, amelyekre pon-
tosan érvényes a „kritikus értékek arányossági szabálya”. Az
ilyen véletlen mennyiségekkel „Az örökifjúság paradoxoná-
ban” foglalkozunk. Ezeknél, az atomfizikában igen fontos, vé-
letlen mennyiségeknél a kritikus érték neve: felezési idő, ami
nemcsak közelı́tőleg, hanem pontosan fordı́tva arányos a p-
nek megfelelő ún. bomlási állandóval.
(iii) Ha egy szabályos játékkockát addig dobálunk, amı́g
először kapunk 6-ost, akkor a szükséges dobások száma egy
véletlentől függő mennyiség, ún. valószı́nűségi változó. Je-
lölje ezt a valószı́nűségi változót v. A v értéke akármilyen ter-
mészetes szám lehet: a k természetes szám éppen 61 (5/6)k−1
valószı́nűséggel,ı́gy a v-nek az átlagos értéke, „hivatalos ne-

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
vén” várható értéke (a lehetséges értékeknek a valószı́nűsége-

ikkel súlyozott átlaga):
µ ¶2 µ ¶3
1 51 5 1 5 1
1 +2 +3 +4 + . . . = 6.
6 66 6 6 6 6
Hasonlóképpen, ha egy eseménynek p a valószı́nűsége és ad-
dig végzünk egymástól független kı́sérleteket, amı́g be nem
következik ez a p valószı́nűségi esemény, akkor a szüksé-
ges kı́sérletek számának várható értéke mindig pontosan 1/p.
Ezekre a várható értékekre tehát pontosan érvényesül az
„arányossági szabály”: a dupla 6-oshoz átlagosan 6-szor any-
nyit kell dobni, mint egyetlen 6-oshoz.
(iv) Az eddigiek során „ösztönösen” használtuk a függet-
lenség valószı́nűségszámı́tási fogalmát. Később erre még
visszatérünk.
(v) Érdekes, hogy de Méré paradoxonának magyarázata
nem vált túlzottan közismertté, ugyanis közel negyven év-
vel Pascal megoldása után, 1693-ban Samuel Pepys (1684-től a
Royal Society elnöke) teljesen hasonló problémával fordult
Newtonhoz. Newton is megtalálta a helyes megoldást, ami-
vel azonban neki sem sikerült meggyőznie Pepyst.
(vi) Várható értekkel kapcsolatos a következő „egyszerű”
paradoxon is, ami már XX. századi és E. Schrödinger Nobel-
dı́jas osztrák fizikustól származik. Két borı́tékban ismeretlen
mennyiségű pénz van. Nem tudni, melyikben van több, de
azt tudjuk, hogy amelyikben több van, abban kétszer annyi
van, mint a másikban. Az egyiket kinyitjuk és megnézzük,
mennyi van benne, majd ezek után el kell dönteni, hogy
elfogadjuk-e ezt a pénzösszeget vagy inkább az ismeretlen
második borı́tékot választjuk. Mi itt a paradoxon? Az, hogy ha
az első borı́tékban x összeg volt, akkor a másikban 1/2–1/2 va-
lószı́nűséggel 2x vagy x/2 van, ı́gy a várható érték (1/2)2x +
(1/2)x/2 = 1, 25x, ami mindig nagyobb x-nél, tehát mindig
a második borı́tékot kell választani. De ha ugyanezt a gon-
dolatmenetet megismételjük, most a másodikkal kezdve, ak-
kor az elsőt kell választanunk. Ez már tényleg paradoxon.
E kétborı́ték-paradoxonnal kapcsolatban számos cikk jelent
meg, pl. az is, ami az alábbi Irodalomban szerepel és 2004-ben
publikálták.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
1.1. ábra. Egy szabályos és két nem szabályos pontozású dobókocka háló-
zata. Ha két szabályos pontozású dobókocka helyett két olyan nem szabályos-
sal játszunk, amelyek hálózatát az ábra mutatja (mindegyik kocka ugyan-
olyan eséllyel eshet bármelyik lapjára), akkor is ugyanolyan valószı́nűséggel
lehet a dobott pontszámok összege 2, 3, . . . , 12, mint a szabályos esetben
2.5. Irodalom
Pascal és de Méré szerepével kapcsolatos legújabb tudomány-
történeti kutatás eredményét
Ø. Ore: Pascal and the invention of probability theory (The
American Math. Monthly, 67, 409–419, 1960) cikke összegezi.
Newton és Pepys levélváltásáról
E. D. Schnell: Samuel Pepys, Isaac Newton and the proba-
bility (The American Statistician, 14, 27–30, 1960) cikkében ol-
vashatunk.
Az alábbi irodalmi értékű feldolgozás négy fiktı́v levél for-
májában (amelyet Pascal ı́rt Fermat-hoz) ismerteti a valószı́-
nűségszámı́tás kezdeti periódusát:
Rényi A.: Levelek a valószı́nűségről, Akadémiai Kiadó,
1967. Pascal és Fermat levelezése (Pascal első – eltűnt – levele
kivételével) megjelent.
D. E. Smith: A source book in mathematics [McGraw-Hill,
New York, 1929 (újabb kiadás: 1959)] könyvében (546–565.
old.).
D. Samet–I. Samet–D. Schmeidler: One observation behind
two-envelop puzzles, The American Mathematical Monthly,
111/4, 347–351, 2004.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
3. Az osztozkodás paradoxona
Az osztozkodás paradoxona nyomtatásban először 1494-ben
Velencében jelent meg Fra Luca Paccioli (1445–1509): Summa
de arithmetica, geometria, proportioni et proportionalità cı́-
mű könyvében, amely a középkori matematikai ismeretek
jelentős részének összefoglalása. (Benne szerepel elsőként a
millió szó és a kettős könyvelés szabályainak első nyomta-
tott magyarázata. Érdekes, hogy Fra Luca és Leonardo da Vinci
Milánóban hosszú időre szóló barátságot kötött; ennek kö-
szönhetően illusztrálta Leonardo azt az 1509-ben megjelent
könyvet, amelyet Fra Luca: De Divina Proportione cı́mmel
Velencében jelentetett meg.) Nemrég Øystein Ore talált egy
itáliai kéziratot, amely 1380-ból szármázik, és szintén emlı́ti
az osztozkodási problémát. Sok jel mutat arra, hogy a prob-
léma vagy arab eredetű, vagy arab közvetı́téssel került Itáli-
ába. Bármilyen távoli múltba nyúlik is vissza a probléma ere-
dete, kétségtelen, hogy az első helyes megoldás igen sokáig
váratott magára. Paccioli még azt sem vette észre, hogy a kér-
dése valójában valószı́nűségszámı́tási jellegű (egyszerű ará-
nyossági feladatnak tekintette), de helytelen volt Niccolo Tar-
taglia (1499–1557) megoldása is, aki pedig olyan zseniális volt,
hogy egy matematikai „párbaj” céljára egyetlen éjszaka alatt
felfedezte a harmadfokú algebrai egyenletek megoldóképle-
tét. Sok más sikertelen kı́sérlet után végül is 1654-ben Pascal
és Fermat egymástól függetlenül találták meg a helyes megol-
dást. Ez olyan komoly felfedezésnek számı́tott, hogy igen so-
kan ettől az időponttól, tehát 1654-től számı́tják a valószı́nű-
ségszámı́tás megszületését, minden korábbi eredményt csak
az „előtörténethez” sorolnak.

Két játékos egy igazságos játékot játszik (ugyanolyan eséllyel
nyer mindegyik), és abban állapodnak meg, hogy az nyeri az
egész kitűzött pénzösszeget, aki először nyer 6 játszmát. Ha
mármost a játékosok valamilyen okból abbahagyják a játékot,
mielőtt még eldőlt volna, hogy ki a nyertes (például az első 5,

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
a második 3 játszmát nyert), hogyan méltányos osztozkod-

niuk a téten? A kérdés önmagában egyáltalán nem paradox,
azonban a helyes választ évszázadokon keresztül a legkivá-
lóbb tudósoknak sem sikerült megtalálni. Ezért az egymás-
nak gyökeresen ellentmondó megoldások valóban a parado-
xon légkörét teremtették meg e kérdés körül. Volt, aki sze-
rint egyszerűen a megnyert játszmák arányában, azaz 5 : 3
arányban kell osztozkodni, de például Tartaglia szerint 2 : 1
a helyes arány (feltehetően azért, mert az első játékos 2-vel
nyert többet a másodiknál, ami éppen harmada a megkı́vánt
6 játszmának, ı́gy az első játékosnak mindenekelőtt meg kell
kapnia az összes tét 1/3-át, a többit pedig fele–fele arányban
kell elosztani). Az igazságos arány azonban 7 : 1, ami messze
távol esik az összes korábbi választól.

Pascal és Fermat mindenekelőtt abból indult ki, hogy a fel-
adat valószı́nűségszámı́tási jellegű, és olyan arányban igazsá-
gos osztozkodni a téten, amilyen arányban nagyobb annak a
valószı́nűsége, hogy az első játékos nyer, mint annak, hogy
a második. Könnyű kiszámı́tani, hogy ha az első játékosnak
még 1, a másodiknak még 3 győzelme hiányzik, akkor való-
ban 7 : 1 arányban igazságos az osztozkodás, hiszen ha gon-
dolatban végigkövetjük még további három játszma kimene-
teleit (függetlenül attól, hogy közben már eldőlt-e, ki éri el
először a 6 pontot), akkor az összesen 2 · 2 · 2 = 8 kimenetel
közül (amelyek mind egyenlően valószı́nűek) csak egyetlen
esetben nyer a második játékos: akkor, ha mindhárom játék-
ban övé a győzelem; a többi hét esetben az első éri el előbb a
6 győzelmet.
3.4. Megjegyzés
Az általános megoldás – arra az esetre, amikor az első játé-
kosnak még n, a másodiknak még m győzelem hiányzik – is
Pascal és Fermat érdeme. [Annak a valószı́nűsége, hogy végül
1
Pn+m−1 ¡n+m−1¢
is az első játékos győz: 2n+m−1 j=n j .] 1654-ben
egész Párizs egy új tudomány: a valószı́nűségszámı́tás felfe-
dezéséről beszélt. Néhány hónapon belül Párizsba érkezett

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
a fiatal holland géniusz, Christian Huygens, hogy az általa is

vizsgálni kezdett valószı́nűségszámı́tási problémákat megvi-
tassa Pascallal vagy Fermat-val, de végül is egyikükkel sem si-
került találkoznia (Pascal vallásos extázisba esett és egyáltalán
nem fogadott látogatókat, Fermat pedig messze élt Párizstól),
közvetve azonban mégis értesült a legérdekesebb eredmé-
nyekről. Hamarosan visszatért Hollandiába és elkezdte va-
lószı́nűségszámı́tási könyvének megı́rását. A kitűnő munka
(amely többek között az osztozkodás problémájának megol-
dását három játékos esetére is tartalmazza) 1657-ben jelent
meg „De ratiociniis in ludo aleae” cı́mmel (Schooten „Exerci-
tationum Mathematicarum” cı́mű könyvének függelékében).
3.5. Irodalom
Jordán K.: Fejezetek a klasszikus valószı́nűségszámı́tásból,
Akadémia Kiadó, Bp., 1956.
Székely J. G.: A valószı́nűségszámı́tás legrégibb paradoxo-
nai, Természet Világa, 110, 352–355, 1979. augusztus.
A. W. F. Edwards: Pascal and the problem of points, Interna-
tional Statistical Review, 50, 259–266, 1982.
Fermat szép ötletének újabb alkalmazása
C. L. Anderson: Note on the advantage of first serve, Journal
of Combinatorial Theory, Ser. A, 23, 363, 1977.
J. G. Kingston: Comparison of scoring systems in two-sided
competitions, Journal of Combinatorial Theory, Ser A, 20,
357–362, 1976.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
4. A függetlenség paradoxona
Mindenekelőtt értelmeznünk kell azt, hogy mikor nevezünk
két véletlen eseményt egymástól függetlennek. Jelölje az A
és B véletlen események bekövetkezési valószı́nűségeit P (A)
és P (B), az együttes bekövetkezésük valószı́nűségét pedig
P (AB). (A valószı́nűségnek az ilyenfajta jelölése általánosan
elfogadott, minthogy számos nyelvben a valószı́nűség szó
kezdőbetűje p – latinul probabilitas, angolul probability, fran-
ciául probabilité, spanyolul probabilidad, olaszul probabilità
stb.) Ha a P (B) valószı́nűség pozitı́v, akkor az A esemény be-
következési valószı́nűségét – feltéve, hogy B biztosan bekö-
vetkezik –, azaz A feltételes valószı́nűségét B-re vonatkozóan
[jelölése P (A|B)] igen természetes a
P (AB)
P (B)
hányadossal értelmezni, és e két eseményt olyankor tekinteni

függetlennek, ha P (A|B) = P (A), azaz ha a feltételes valószı́-
nűség ugyanaz, mint a feltétel nélküli valószı́nűség. Ha ezt az
egyenlőséget átalakı́tjuk a
P (AB) = P (A)P (B)
formára, akkor egy igen egyszerű és szimmetrikus (A és B

felcserélésekor semmit sem változó) relációt kapunk, amely-
ben még azt sem kell feltételezni, hogy P (B) pozitı́v, ı́gy az A
és B függetlenségét végül is ezzel az egyenlőséggel értelmez-
zük. Összefoglalva: az A és B események függetlenek, ha együttes
bekövetkezésük valószı́nűsége egyenlő a külön-külön vett valószı́nű-
ségeik szorzatával.
A függetlenség fenti matematikai definı́ciója igen jó össz-
hangban van azzal, amit általában a függetlenségről gondo-
lunk. Például az a két esemény, hogy az egyik kockán 6-ost
dobunk, illetve egy másik kockán 6-ost dobunk, nyilvánva-
lóan független a mindennapi értelemben is és matematikai ér-
telemben is. A harmónia azonban nem látszott tökéletesnek.
A következő paradoxonra S. N. Bernstein hı́vta fel a figyelmet.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38

Dobjunk föl két szabályos pénzérmét, és legyen A az az ese-
mény, hogy az első dobás eredménye fej, B az az esemény,
hogy a második dobás fej, C pedig jelentse azt, hogy a két
dobás közül valamelyik (de csak az egyik) fej. Ekkor az A, B
és C események közül bármelyik kettő független egymástól,
ugyanakkor bármelyik kettő meg is határozza a harmadikat.

Mindenekelőtt nyilvánvaló, hogy A és B valóban független,
hiszen az első dobás eredménye független a másodiktól. Az
A és a C (illetve a B és a C) azonban nem látszanak eleve
függetlennek, de P (A)P (C) = 14 = P (AC) és hasonlóan
P (B)P (C) = P (BC), ı́gy valóban függetlenek. Ugyanakkor
A is, B is és C is éppen akkor következik be, ha a másik két
esemény közül pontosan az egyik, ı́gy bármely kettő való-
ban meghatározza a harmadikat. Ez a paradox jelenség azt
mutatja, hogy az események páronkénti függetlensége egy-
általán nem jelenti azt, hogy az események összességükben
is függetlenek. Ha ez utóbbit szeretnénk kifejezésre juttatni,
akkor – mint láttuk – a páronkénti függetlenségnél többet
kell feltételezni. Események valamilyen halmazát akkor ne-
vezzük teljesen függetlennek, ha akárhogyan választunk is ki
közülük véges sokat, például az A1 , A2 , . . . , An eseményeket,
ezekre mindig teljesül a
P (A1 A2 . . . An ) = P (A1 )P (A2 ) . . . P (An )
egyenlőség, vagyis az együttes bekövetkezésük valószı́nűsé-

ge mindig egyenlő a külön-külön vett valószı́nűségeik szor-
zatával.
4.4. Megjegyzés
Nemcsak véletlen események, hanem tetszőleges véletlentől
függő mennyiségek, más szóval valószı́nűségi változók füg-
getlenségét is értelmezhetjük. Legyenek X1 , X2 , . . . , Xn tet-
szőleges valószı́nűségi változók, amelyek értékei akármilyen

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
valós számok lehetnek. Ezeket a valószı́nűségi változókat tel-

jesen függetlennek (röviden: függetlennek) nevezzük, ha az
Ax1 = {X1 < x1 } , Ax2 = {X2 < x2 } , . . .
események tetszőleges x1 , x2 , . . . valós számok esetén telje-

sen függetlenek. Az F (x) = P (X < x) függvényt az X való-
szı́nűségi változó eloszlásfüggvényének nevezzük, az
F (x, y, . . . , w) = P (X < x, Y < y, . . . , W < w)
függvényt pedig az X, Y, . . . , W valószı́nűségi változók

együttes eloszlásfüggvényének. Ezek segı́tségével valószı́nű-
ségi változók teljes függetlenségét az alábbi módon is megfo-
galmazhatjuk: valószı́nűségi változók egy tetszőleges halmaza tel-
jesen független, ha akárhogyan is választunk ki közülük véges sokat,
ezek együttes eloszlásfüggvénye megegyezik a külön-külön vett el-
oszlásfüggvényeik szorzatával.
Ha az F (x) eloszlásfüggvény, valamint az F (x, y, . . . , w)
együttes eloszlásfüggvény előállı́tható
Z x
F (x) = f (x̄)dx̄, illetve
−∞
Z x Z y Z w
F (x, y, . . . , w) = ... f (x̄, ȳ, . . . , w̄)dx̄ dȳ . . . dw̄
−∞ −∞ −∞
alakban, akkor az f (x̄), illetve az f (x̄, ȳ, . . . , w̄) függvényeket

sűrűségfüggvénynek, illetve együttes sűrűségfüggvénynek ne-
vezzük. Ha léteznek a szóban forgó sűrűségfüggvények, ak-
kor a függetlenség azt jelenti, hogy a külön-külön vett sűrű-
ségfüggvények szorzata az együttes sűrűségfüggvény.
4.5. Irodalom
A. Joffe: On a set of almost deterministic k-dependent random
variables. Annals of Prob. 2, 161–162, 1974.
Y. H. Wang: Dependent random variables with indepen-
dent subsets. The American Math. Monthly, 86, 290–292, 1979.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
5. A szerencsejátékok két paradoxona: bridzs és

lottó
5.1. A paradoxonok története
A szerencsejátékok története több ezer évre nyúlik vissza.
Széles körű elterjedésük és űzésük gyakran öltött olyan mére-
teket, hogy a különböző államok és vallások is szükségesnek
tartották, hogy fellépjenek ellenük. II. Frigyes német-római
császár 1232-ben betiltotta a kockajátékot (akkoriban még
nemigen volt más szerencsejáték), IX. Lajos francia király egy
1255-ös rendeletében pedig még a játékkockák készı́tését is
törvényellenesnek minősı́tette. A zsidó Talmud a tolvajjal
azonosı́totta a hazárdjátékosokat, és a katolikus vallás is ül-
dözte a szerencse lovagjait.
A modern szerencsejátékok közül kétségkı́vül a kártya a
legelterjedtebb. Őshazája ismeretlen, de számos jel mutat
arra, hogy Kı́na–Perzsia–Szı́ria–Palesztina útvonalon a XIII.
században, a keresztesháborúk idején Velencén keresztül ju-
tott el Európába. A tények a következők. Egy XVII. századi
kı́nai enciklopédia szerint kártya tı́pusú játék Kı́nában már
1120 körül ismert volt. (Hui Tsung császár a XII. században
kártyákat ajándékozott udvarhölgyeinek.) Az isztambuli Top-
kapi Szeráj Múzeumban egy XIII. századi arab kártya részeit
őrzik. Egy 1376-os firenzei rendelet betiltja a „naibi” arab el-
nevezésű kártyajátékot. A British Museum egy 1377-es kézi-
rata szerint a kártya ebben az időben vált ismertté Svájcban.
A párizsi Bibliothèque Nationale-ban VI. Károly francia király
részére készı́tett tarokk-kártya 1392-ből származó 17 lapját őr-
zik. Magyarországra a kártya feltehetően csak a XV. század-
ban jutott el Mátyás király olasz vendégművészeinek közve-
tı́tésével. Azóta több százra emelkedett a rendszeresen űzött
kártyajátékok tı́pusa, ugyanakkor egyre nőtt a hamiskártyá-
sok száma is. Erre utal egyebek mellett Caravaggio 1593-ban
festett világhı́rű képe: a Hamiskártyások. Egy párizsi rendőr-
hadnagy: Gabriel de Sartine 1765-ben éppen azért kezdemé-
nyezte a rulettet, hogy csökkentse a hamiskártyások befo-
lyását. A XVII. század óta egyre népszerűbbek az állam által
szervezett, lottó tı́pusú számsorsjátékok is. Közülük a legelsőt
1620-ban indı́totta meg a genovai köztársaság. Genovában a

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
nagy tanács kiegészı́téséhez öt új tanácstagra volt szükség, s

ezeket kilencven kijelölt polgárból választották úgy, hogy ne-
veiket elhelyezték egy urnában, s ezek közül ötöt kihúztak;
a genovai lakosok pedig fogadásokat köthettek arra, hogy
melyik öt polgárnak kedvez a szerencse. A kártya, a rulett,
a lottó és más szerencsejátékok érthetően igen sok embert
foglalkoztatnak. Nemritkán minden alapot nélkülöző „biztos
játékrendszerek” terjednek el, ugyanakkor a tudományosan
igazolt elméleteket gyakran csak a matematikusok igen szűk
köre ismeri. Ezek az elméletek többnyire alátámasztják azo-
kat a szabályokat, amelyeket a játékosok a „józan ész” alapján
amúgy is követnek, de időnként a matematikai tételek ellent-
mondani látszanak a „józan észnek”. Éppen ez a paradoxo-
nok forrása. A szerencsejátékok paradoxonai közül most csak
kettőt emelek ki.
5.2. A paradoxonok megfogalmazása
Bridzsparadoxon
Az ellenfél két játékosának kezében összesen 6 adu van. Ek-
kor az a legvalószı́nűbb, hogy valamelyikükhöz 4, a másik-
78
hoz pedig 2 adu került. Ennek pontos valószı́nűsége 161 , te-
hát közel 12 , mı́g a 3–3 eloszlás esélye alig több 13 -nál, egészen
286
pontosan 805 . Hogyan alakulnak a valószı́nűségek akkor, ha
kétszer aduzunk, és azt tapasztaljuk, hogy az ellenfél mind-
két játékosa tud adut tenni? Ekkor már csak két adu van az
ellenfeleknél, ı́gy vagy az egyiküknél van mind a kettő, vagy
1–1 az elosztás. Ha 2 adut és 20 egyéb lapot egyforma esé-
lyekkel osztunk szét a két ellenfél között, akkor annak a való-
10
szı́nűsége, hogy egyikükhöz kerül mind a két adu: 21 , mı́g az
11
1–1 elosztás esélye 21 , tehát ez utóbbi a valószı́nűbb. Nincs itt
valami ellentmondás, hiszen a valószı́nűbb 1–1 elosztás a való-
szı́nűtlenebb 3–3 elosztásból származik (kétszeri aduzással)?
Lottóparadoxon
A lottózók többsége nem szı́vesen töltené ki a szelvényét az
1, 2, 3, 4, 5 számötössel vagy más „túl szabályos” tippel, annak
ellenére, hogy elvileg minden tippnek ugyanolyan az esé-

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
lye. Ennek a magatartásnak az oka igen egyszerű: a lottózók

rendszeresen azt tapasztalják, hogy szabálytalan ötösök nyer-
nek. Paradox módon azonban éppen azokat a – például túl
szabályos – számötösöket célszerű megjátszani, amelyeket a
többség nem szı́vesen játszik, függetlenül attól, hogy a játé-
kosok többségénél a ritkán játszott számötösök miért vannak
„feketelistán”, és függetlenül attól is, hogy e „feketelistának”
semmi tudományos alapja nincs.
5.3. A paradoxonok magyarázata

(i) A 3–3 adueloszlás valószı́nűsége:
¡6¢¡20¢
3 10 286
¡26¢ =
13
805
és hasonlóan a 2–4, illetve 4–2 eloszlás esélye

¡6¢¡20¢ ¡6¢¡20¢
2 11 78
¡26¢ + 4¡26¢9 = ,
13 13
161
ı́gy valóban az utóbbi a valószı́nűbb. Ugyanı́gy 2 aduból és 20

egyéb lapból az 1–1 adueloszlás esélye
¡2¢¡20¢
1 10 11
¡22¢ = ,
11
21
és ı́gy a szóban forgó másik esemény valószı́nűsége csak 10 21

lehet. A számı́tások tehát helyesek. Hol lehet a hiba?
Először is azt mutatjuk meg, hogy hol nincs. A legkézen-
fekvőbb ugyanis arra gondolni, hogy az aduzás során szer-
zett információ (az ellenfél mindkét játékosa mindkétszer tett
adut) alapvetően megváltoztatja a valószı́nűségeket. Tény,
hogy a feltételes valószı́nűségek arra a feltételre vonatko-
zóan, hogy mindkét ellenfélnek legalább két aduja van) má-
sok, mint a feltétel nélküliek, de mindegyik ugyanannyiszo-
rosára nő, amikor áttérünk a feltételes valószı́nűségekre, ı́gy
az arányok semmit sem változnak, vagyis a paradoxon nem
oldódik meg. ( 286 78 676
805 + 105 = 805 , ı́gy a feltételes valószı́nűségek
805
676 -szorosai a feltétel nélkülieknek.)

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
A hiba igazi forrása a következő. Ha eredetileg 3–3 adu volt

az eloszlás, akkor mindkét ellenfél 3 · 2 = 6-féleképpen tehe-
tett adut, ami összesen 6 · 6 = 36 lehetőség. Ha viszont erede-
tileg 4–2 vagy 2–4 volt az eloszlás, akkor csak 4 · 3 · 2 · 1 = 24-
féleképpen tehettek adut. Eszerint nem mindegy, hogy az
aduzás utáni helyzet milyen eredeti eloszlásból származik.
Az eredeti helyzet figyelembevétele 24 2
36 = 3 -szorosára változ-
tatja a korábbiakban már kiszámı́tott arányokat, és valóban
286 78 11 2 11 10 11
805 : 161 = 15 pontosan 3 -szorosa a 21 : 21 = 10 aránynak.
Ezzel a paradoxon teljesen megoldódott.
(ii) Semmi meglepő nincs abban, hogy „szabályos” szám-
ötösöket szinte sohasem húznak ki, hiszen alig néhány ezer
azoknak az ötösöknek a száma, amelyeket még szabályosnak
tekinthetünk, mı́g az összes lehetséges húzások száma majd-
nem 44 millió (egész pontosan: 43 949 268). Ha olyan szám-
ötösöket tippelünk, amelyeket mások csak igen ritkán játsza-
nak, akkor – bár nyerési valószı́nűségünk ettől egy cseppet
sem változik – átlagos nyereményünk jelentősen megnőhet,
amit elég sok szelvénnyel játszva bizonyos idő után valóban
észlelnénk is. A jelenlegi játékrendszer az átlagos nyereség
szempontjából kimondottan hátrányos, minthogy a lottózók
által befizetett teljes pénzösszegnek csak egy részét fizetik
vissza a játékosoknak, ennek ellenére a nagy nyeremény –
bármily kis valószı́nűségű is a megszerzése – hétről hétre mil-
liókat vonz.
5.4. Megjegyzések
(i) A mások által ritkán játszott számötösökre következtetni

lehet abból, hogy az újságok minden héten közlik: a lottón ki-
húzott öt számból hányan találtak el kettőt, hármat, négyet,
ötöt, és mennyi pénzt kaptak a nyertesek (ha gyakrabban ját-
szott számötöst húztak ki, akkor kisebb a nyeremény). A totó
esetében nehezebb a matematikai elemzés, hiszen a totózók
nem fix tippekkel játszanak. Itt a számı́tások az egyes újságok
totótippjeire, ezek hatékonyságára, az egyes tippek követői-
nek számára épülhetnek. Nyilvánvaló, hogy a 90/5-ös lottó-
ban 18 szelvény kell a biztos találathoz. Csak nemrégiben si-
került megmutatni, hogy a biztos 2-eshez 100 szelvény kell.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
Ennyi minimum kell és ez elég is. A bizonyı́tás megtalálható

az „On the lottery problem” Z. Füredi, G. J. Székely, Z. Zubor,
Journal of Combinatorial Design, 4/1, 1996, 5–10 cikkben. Ér-
dekes, hogy mindmáig senki nem tudja, hány szelvény kell
minimum a biztos 3-ashoz, 4-eshez, ami persze garantálja a
biztos 3-ast, 4-est.
(ii) Az egyes szerencsejátékoknak – a tisztán hazárdnak
számı́tó rulettől a véletlen szerepét minimálisra csökkentő
versenybridzsig – könyvtárnyi irodalma született. A XX. szá-
zadban kialakult a játékok általános elmélete is, főként Neu-
mann János működése nyomán. Erről az elméletről még lesz
szó.
(iii) A különféle játékok számos nem matematikai termé-
szetű paradoxont is felidéznek. Például a „magyar kártya”
legnagyobb történeti paradoxona az, hogy a kártyatörténé-
szek hosszú ideig nem magyar, hanem svájci (vagy német)
eredetűnek tartották, minthogy Tell Vilmost, a svájci kanto-
nok Habsburg-ellenes mondai alakját ábrázolja. Csak néhány
éve derült ki – egy angol kártyagyűjtőnél, Sylvia Mann-nál
talált néhány kártyalapból –, hogy a magyar kártya valóban
magyar eredetű lehet, első változatát 1835 körül készı́tették,
és Tell Vilmos – akinek alakját Schiller 1804-es drámájából is-
merhette meg a magyar közönség is – csak szimbólumként
szerepelt a kártyán a Habsburg cenzúra megtévesztésére. Ha-
sonló félremagyarázás fordult elő a népszerű és információ-
elméleti vonatkozásai miatt is gyakran emlegetett Bar Kochba-
játékkal kapcsolatban is. A Bar Kochba név (amely arameus
nyelven „csillagfi”-t jelent) egy II. századi zsidó szabadság-
harcosra utal, azonban semmi hiteles jele nincs annak, hogy
a róla elnevezett játékkal bármi kapcsolata is lett volna. A rég-
óta ismert játékot minden valószı́nűség szerint Magyarorszá-
gon kapcsolták először össze – a századforduló táján bemuta-
tott A. Goldfaden: „A csillag fia (Bar Kochba), Keleti daljáték” c.
drámájából közismertté vált – egzotikus „Bar Kochba” névvel.
(Részletesebben ld. Scheiber S.: Folklór és tárgytörténet I. kötet
245–256, Bp. 1977.)
(iv) A „kártya” szavunk a „papı́r” jelentésű görög „khár-
tész” szóból származik, a „lottó” pedig olasz eredetű, jelen-
tése: részesedés.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
5.5. Irodalom
A bridzs matematikájával foglalkozó könyvek:
E. Borel és A. Cheron: Théorie mathematique du bridge,
Gauthier–Villars, Paris, 1940.
O. Jacoby: How to figure the odds, Doubleday, New York,
1947.
A játékkaszinókban huszonegyezéssel milliókat nyert, majd a
játék szabályainak megreformálását kényszerı́tette ki az aláb-
bi könyv és a valamivel korábban megjelent cikk ı́rója.
E. O. Thorp: Beat the dealer: a winning strategy of the game
twenty-one. Blaisdell, New York, 1962.
E. O. Thorp: A favourable strategy for twenty-one, Proc.
Nat. Acad. Sci., 47, 110–112, 1961.
A póker kedvelőinek figyelmébe ajánlható:
N. V. Findler: Computer poker. Sci. Amer., 239, 112–119,
1978. Jul.
A játékkártyák történetéről szól:
W. L. Schreiber: Die ältesten Spielkarten. Stuttgart, 1937.
G. Beal: Playing cards and their story. London, 1975.
Zsoldos B.: A játékkártya története. Gondolat, Budapest,
1980.
A lottó történetéről olvashatunk az alábbi cikkekben:
D. R. Bellhouse: The Genoese lottery. Statistical Science, 6,
141–148, 1991.
R. W. Farebrother: A brief history of the British National Lot-
tery, 1567–1828. Chance, 12, 27–31, 1999.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
6. Ajándékozási paradoxon; lórúgások,

telefonhı́vások és sajtóhibák
A valószı́nűségszámı́tás kezdeti periódusát a kombinatorikus
tı́pusú (főként szerencsejátékokkal kapcsolatos) kérdésfelte-
vések jellemezték. Ezekben a problémákban a véletlen ese-
mények lehetséges kimeneteleinek száma általában véges
volt, és minden kimenetel egyformán valószı́nű. Az ilyen ese-
tekben a valószı́nűségek meghatározása egyszerűen úgy tör-
ténhet, hogy leszámoljuk a „kedvező” és az „összes” kime-
neteleket, majd vesszük e két szám hányadosát. Ilyen tı́pusú
valószı́nűségekkel foglalkozik az első nagyobb szabású való-
szı́nűségszámı́tási monográfia is, amely 1708-ban Párizsban
látott napvilágot, szerzője Rémond de Montmort. Könyvében
a szerencsejátékok (a kártyajáték) nyelvén ı́ródott az a prob-
léma is, amelyet mi ajándékozási paradoxonként fogalma-
zunk meg.

Valamely ünnep alkalmából egy társaság tagjai kölcsönösen
meg akarják ajándékozni egymást oly módon, hogy minden-
ki visz egy ajándékot, ezeket összegyűjtik, majd véletlensze-
rűen kisorsolják a jelenlevők között. Ez a sorsolásos eljárás va-
lóban igazságos, és abban a reményben szokták alkalmazni,
hogy (nagy társaság esetén) igen kicsi annak a valószı́nűsége,
hogy bárki is visszakapná a saját ajándékát. Paradox módon
azonban lényegesen nagyobb annak az esélye, hogy lesz va-
laki, aki visszakapja a saját ajándékát, mint annak az esélye,
hogy senki sem kapja vissza. (Kivéve, ha a „társaságnak” ép-
pen két tagja van, amikor is 50%-os az esély.)

Legyen a társaságnak n tagja; ekkor természetesen az aján-
dékok száma is n. Az n ajándékot n! különböző módon lehet
szétosztani. (Ez az „összes” esetek száma.) Az olyan esetek
száma pedig, amikor senki sem kapja vissza a saját ajándékát

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
µ ¶ µ ¶ µ ¶ µ ¶
n n n n
n!− (n−1)!+ (n−2)!− (n−3)!+. . .+(−1)n 0!,
0 1 2 3
ı́gy a „kedvező” és az „összes” eset aránya:

1 1 1
pn = − + . . . + (−1)n ,
2! 3! n!
ami valóban mindig kisebb, mint 12 , ha n nagyobb, mint kettő.
Ha például a társaságnak legalább 6 tagja van (vagyis n ér-
téke legalább 6), akkor a pn valószı́nűség négy tizedesjegy
pontossággal 1/e ≈ 0,3679. Ha csak arra vagyunk kı́ván-
csiak, hogy egyetlen kiválasztott ember milyen valószı́nűség-
gel kapja vissza a saját ajándékát, akkor a válasz nyilvánva-
lóan: n1 , ami n növekedésével elenyészővé válik. Az ajándé-
kozási paradoxon csak azért meglepő, mert újból azt igazolja,
hogy sok kicsi valóban sokra mehet: hiába kicsi nagy társa-
ság esetén annak a valószı́nűsége, hogy egy-egy kiválasztott
ember visszakapja a saját ajándékát, mégis közel 32 valószı́nű-
séggel lesz valaki, akivel ez előfordul.
6.4. Megjegyzések
(i) Az n növekedésével a pn valószı́nűségek konvergálnak, és
határértékük az e szám reciproka. Ha n legalább 6, akkor leg-
alább négy tizedes pontossággal
pn = e−1 .
Általánosabban: annak a valószı́nűsége, hogy pontosan k em-

ber kapja vissza a saját ajándékát (az iménti értelemben),
−1
megközelı́tően egyenlő ek! -sal.
(ii) Vizsgáljunk meg olyan ajándékozási problémát, amely
szoros kapcsolatban áll az ajándékozási paradoxonnal. A tár-
saságban most is n ember és n kiosztandó ajándék legyen,
de az ajándékosztás során minden ember minden ajándékot
ugyanolyan eséllyel kaphasson meg, függetlenül attól, hogy
korábban ki milyen ajándékot kapott már. Így természetesen
előfordulhat, hogy valaki több ajándékot is kap, mások pedig
egyet sem. Az ajándékokat most nn -féleképpen lehet szétosz-
tani (ez az „összes” esetek száma). Ebből (n − 1)n -féleképpen

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
fordul elő az, hogy egy kiválasztott ember sohase kap, ı́gy en-
nek a valószı́nűsége:
µ ¶n
(n − 1)n ) 1
qn = = 1 − .
nn n
A qn sorozat ugyanúgy 1/e-hez konvergál, mint az előbbiek-
ben a pn . Az iménti eredmény általánosı́tása a következő: an-
nak a valószı́nűsége, hogy egy kiszemelt ember pontosan k
−1
ajándékot kap, az ek! számhoz konvergál, ha n végtelenhez
tart. Mi történik azonban akkor, ha az emberek száma (n) nem
feltétlenül egyezik meg a kiosztható ajándékok számával (m-
mel)? Ebben az esetben
µ ¶m
1
qn = 1 − ,
n
ı́gy, ha m/n egy λ számhoz konvergál (vagyis ha az egy em-
berre eső kiosztható ajándékok átlagos száma λ vagy leg-
alábbis egyre inkább megközelı́ti a λ-t), akkor a qn valószı́nű-
ség e−λ -hoz konvergál (itt a λ tetszőleges pozitı́v szám lehet).
Végül annak a valószı́nűsége, hogy egy kiszemelt ember pon-
tosan k ajándékot kapjon, az
λk e−λ
rk =
k!
számhoz konvergál. Egy véletlen mennyiséget Poisson-elosz-
lásúnak nevezünk, ha lehetséges értékei a nemnegatı́v egész
számok, és a k számot éppen rk valószı́nűséggel veszi fel. Az
előbbiek szerint sok ajándék kiosztásakor közelı́tően Poisson-
eloszlású az a véletlen mennyiség, amely egy kiszemelt em-
ber véletlenszerűen kisorsolt ajándékainak számát mutatja
meg, ha átlagosan λ ajándék jut egy embernek (λ a várható
érték). Közelı́tőleg Poisson-eloszlású azoknak az embereknek
a száma is, akik az ajándékozási paradoxonnál visszakapják
a saját ajándékukat, és ennek a Poisson-eloszlásnak λ = 1
a paramétere, ami igen természetes, hiszen átlagosan 1 em-
ber kapja vissza a saját ajándékát ( n1 annak az esélye, hogy
egy előre kiszemelt ember ı́gy járjon, ami n emberre számı́tva
összesen 1, akármennyi is az n értéke).

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
1.2. ábra. Poisson-eloszlás, λ = 2, λ = 5 esetben
(iii) A Poisson-eloszlás először Simeon Denis Poisson (1781–

1840) francia matematikus és természettudós 1837-ben pub-
likált tanulmányában jelent meg (a hı́res „Recherches sur la
Probabilité des Jugements” 81. szekciójaként, amely a valószı́-
nűségszámı́tásnak bı́rósági tárgyalásokra történő alkalmazá-
sával foglalkozik). Ebben a tanulmányban Poisson a követke-
zőkre mutatott rá. Induljunk ki abból, hogy valamilyen p va-
lószı́nűségű eseményt többször ismételünk meg olyan körül-
mények között, hogy az egyes ismétlések kimenetelei ne be-
folyásolják egymást. Például dobjunk fel n-szer egymás után
egy szabálytalan pénzérmét, amelyik p valószı́nűséggel esik
fejre. Jelölje Fn a dobott fejek számát. Nyilvánvalóan
µ ¶
n k
bk = p (1 − p)n−k
k
annak a valószı́nűsége, hogy a dobott fejek száma éppen k

(vagyis annak, hogy Fn = k). Az olyan véletlen mennyisé-
geket, amelyek a k = 0, 1, 2, . . . , n értékeket bk valószı́nű-
ségekkel veszik fel binomiális eloszlásúaknak nevezzük, mint-
hogy a binomiális tétel szerint (p + (1 − p))n = b0 + b1 + b2 +
. . . + bn . Az Fn mennyiség az előbbiek szerint binomiális el-
oszlású. Poisson azt vette észre, hogy ha n úgy tart végtelen-
hez, hogy közben a p egyre csökken, mégpedig oly módon,
hogy np = λ (vagy legalábbis np konvergál λ-hoz), akkor bk

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
az rk -hoz konvergál, vagyis a binomiális eloszlás a Poisson-

eloszlással közelı́thető. Poisson tételének óriási jelentőségét és
széles körű alkalmazási lehetőségeit a múlt század közepén
nem nagyon ismerték fel, sőt a Poisson-eloszlás majdnem tel-
jesen feledésbe merült. 1894 után azonban egy igen különös
alkalmazására került sor. Statisztikát készı́tettek arról, hogy a
német hadsereg egyes hadtesteinél hány katonát rúgtak ha-
lálra a lovak az 1875 és 1894 között eltelt 20 évben 14 külön-
böző hadtestnél; a 280 adat tanúsága szerint 196 halálos lórú-
gás fordult elő, vagyis átlagosan λ = 0,7. Ha a halálos lórúgá-
sok száma pontosan 0,7 paraméterű Poisson-eloszlás lenne,
akkor a 280 adat közül 139 esetben 0, 97 esetben 1, 34 eset-
ben 2 – és ı́gy tovább – halálos áldozatra számı́tanánk. És me-
lyek voltak a ténylegesen tapasztalt értékek? Sorban 140, 91,
32 stb.; az elmélet és tapasztalat ennél jobb egyezésére aligha
lehetett számı́tani.
Ez az összehasonlı́tás 1898-ban jelent meg L. Bortkiewicz
hı́res monográfiájában, amelynek cı́me: „A kis számok tör-
vénye” arra utalt, hogy Poisson tételében a p valószı́nűség-
nek az n növekedésével egyre kisebbnek kell lenni. (A cı́m
egyébként eléggé félrevezető, mert Poisson tétele nem a nagy
számok – későbbiekben emlı́tésre kerülő – törvényeinek va-
lamiféle ellentettje.) A Poisson-eloszlás széles körű alkalma-
zása csak a XX. században kezdődött. Közelı́tőleg Poisson-el-
oszlású például bizonyos árucikkekből egy-egy napon eladott
áruk darabszáma, a mikroszkóp látómezejének egy négyze-
tébe eső vörösvérsejtek száma, az egyes években előforduló
sztrájkok és háborúk száma, egy adott szöveg sajtóhibáinak
száma vagy egy adott napon egy adott telefonszám hı́vásai-
nak száma. Ha az átlagos vérsejtszám vagy az átlagos hiba-
szám vagy az átlagos hı́vásszám λ, akkor a Poisson-eloszlás λ
paraméterű lesz. 1906-ban A. K. Erlang dán matematikus arra
mutatott rá, hogy ha egy telefonközpontban N vonal áll ren-
delkezésre, akkor a foglalt vonalak száma is közelı́thető Pois-
son-eloszlással, bár valamivel jobb közelı́tést kapunk, ha az
alábbi csonkı́tott Poisson-eloszlást használjuk
cλk
ek = ,
k!

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
³P ´−1
N λk
ahol k = 0, 1, . . . , N és c = k=0 k! . Ezt a csonkı́tott
Poisson-eloszlást ma Erlang-eloszlásnak nevezzük.
6.5. Irodalom
P. R. Montmort: Essay d’analyse sur les jeux de hazard, Paris,
1708.
L. Takács: The problem of coincidences, Archive for History
of Exact Sciences 21, 229–245, 1980.
O. B. Sheynin: S. D. Poisson’s work in probability, Archive
for the History of Exact Sciences, 18, 245–300, 1978.
S. M. Stigler: Poisson on the Poisson distribution. Statistics
and Probability Letters, 1, 33–35, 1982.
P. Diaconis and F. Mosteller: Methods for studying coinci-
dences, Journal of the American Statistical Association, 84,
853–861, 1989.
G. J. Székely and M. Rizzo: Mean distance test for Poisson
distribution, Statistics and Probability Letters, 67/3, 241–247,
2004.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
7. Pétervári paradoxon
A szerencsejátékok vizsgálatából kifejlődött valószı́nűségszá-
mı́tás a XVII. század második felében az élet egyre több terü-
letén hódı́tott tért. Így érthető is, hogy az 1665-ben alapı́tott
legelső tudományos folyóiratok (a francia Journal des Sça-
vans és az angol Philosophical Transactions) példáját követve,
szinte minden számottevő tudományos folyóirat rendszere-
sen közölt valószı́nűségszámı́tási cikkeket. Egyre többen gon-
dolták úgy, hogy a valószı́nűség nem más, mint számokba tö-
mörı́tett józan ész. Az 1700-as évek elején azonban a Pétervári
Tudományos Akadémia folyóirata egy olyan valószı́nűség-
számı́tási cikket közölt, amelyben a matematikai számı́tások
egyáltalán nem voltak összhangban a józan ésszel. A cikket
Daniel Bernoulli ı́rta, és a paradoxon e cikk révén vált ismertté,
de a paradoxon valójában már korábban megszületett, még-
pedig Daniel Bernoulli unokabátyjának, Nicolaus Bernoullinak
1713. szeptember 9-én Pierre Montmort-hoz ı́rt levelében. (A
Bernoulli matematikuscsaládnak egyébként több tagja is fog-
lalkozott valószı́nűségszámı́tással, különösen Jacob Bernoulli,
akinek nevével még fogunk találkozni a nagy számok törvé-
nyeivel kapcsolatban.)

Egy szabályos pénzérmével addig dobunk, amı́g fejet nem
kapunk. Ha már az első dobás eredménye fej, akkor kapunk
a banktól 2 forintot, ha csak a második fej, akkor 4 forintot,
ha csak a harmadik, akkor 8-at stb. Minden újabb dobásnál
megkétszereződik a nyeremény. Kérdés: mennyi az a pénz-
összeg, amennyit méltányos játék esetén fizetnünk kellene
ahhoz, hogy egy ilyen játékot végigjátszhassunk? Ha a méltá-
nyosságot úgy értelmezzük, hogy a tiszta nyeremény átlagos
értéke (várható értéke) 0 legyen, akkor ez a természetes köve-
telmény arra a paradox eredményre vezet, hogy akármilyen
(véges) sok pénzt is fizetünk a banknak, a játék mindig hátrá-
nyos lesz a bank számára.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
7.3. A paradoxon magyarázatai

A bank veszteségének várható értéke valóban végtelen, hi-
szen annak a valószı́nűsége, hogy a k-adik dobással ér véget
a játék 1/2k , és ez esetben a bank 2k forintot fizet, ı́gy a bank
átlagosan
1 1 1
2 + 4 + 8 + ... = 1 + 1 + 1 + ...,
2 4 8
azaz végtelen sok pénzt fizet ki, tehát méltányos játék ese-
tén a kezdéskor nekünk is végtelen sok pénzt kellene fizet-
nünk a játékért. Matematikai szempontból ez a számı́tás tel-
jesen helyes is, ami azonban mit sem változtat azon, hogy az
eredmény igen meglepően hangzik. Többen javasoltak olyan
módosı́tásokat, amelyeknél már a „józan ész” számára is elfo-
gadható eredmény adódik.
(i) Buffon, Cramer és mások annak a természetes feltétel-
nek az elfogadását javasolták, hogy a banknak csak egy előre
megadott (véges) mennyiségű pénz áll rendelkezésére. Le-
gyen ez a pénzösszeg mondjuk egymillió forint. Ha a szabá-
lyok szerint a játékosnak ennél több pénz járna, akkor is csak
egymilliót kap. Ekkor a játékos nyereményének várható ér-
téke (figyelembe véve, hogy 220 már több, mint egymillió):
µ ¶
1 1 1 1 1
2 + 4 + . . . + 19 219 + + + . . . 106 =
2 4 2 220 221
= 19 + 1,90 + . . . ≈ 21,
vagyis ha 21 forintot fizetünk egy játékért, akkor már egy pi-

cikét jól is jár a bank. Ez az eredmény teljesen elfogadható.
(ii) W. Feller arra mutatott rá, hogy ha a méltányosság fogal-
mát módosı́tjuk, és egy játékot akkor tekintünk méltányos-
nak, ha m játszma befejezése után a véletlentől függő Nm
nyereménynek és az m játszmáért összesen befizetett Rm
részvételi dı́jnak az aránya nagy m esetén nagy valószı́nű-
séggel igen közel lesz az 1-hez, pontosabban, ha annak a va-
lószı́nűsége, hogy
¯ ¯
¯ Nm ¯
¯ Rm − 1¯ < ε
¯ ¯

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
akármilyen kicsi pozitı́v ε számra 1-hez konvergál (ha m vég-

telenhez tart), akkor a pétervári játék igen egyszerűen méltá-
nyossá válik. Feller bebizonyı́totta, hogy ha Rm = m log2 m,
akkor a játék igazságos lesz.
Ha a játék úgy lenne méltányos, hogy Rm = cm, ahol c va-
lamilyen konstans, akkor ez nyilván azt jelentené, hogy min-
den egyes játszmáért c forintot kellene fizetnünk. Ez azonban
nem tehető meg, hiszen a c akármilyen nagy is, a bank – mint
láttuk – mindig rosszul járna. Ha azonban a c nem állandó,
hanem m növekedésével nő, mégpedig úgy, hogy c = log2 m,
akkor – Feller tétele szerint – helyreáll a méltányosság. Ha az
egyes játszmákért nem mindig ugyanazt a pénzösszeget fi-
zetjük be, hanem pl. a következőket:
2, 4, 2, 8, 2, 4, 2, 4, 2, 16, 2, 4, 2, 8, 2, 4, 2, 2, 32, 2, 4, 2, . . . ,
akkor Steinhaus egy 1949-es cikke szerint e sorozat igazságos

abban az értelemben, hogy ha Fn (x) a legfeljebb x nagyságú
befizetések relatı́v gyakorisága, akkor Fn (x) annak a valószı́-
nűségéhez konvergál (amikor n → ∞), hogy a bank legfel-
jebb x nagyságú összeget fizet ki. Erről a témáról az utóbbi
években sok cikket ı́rt Csörgő Sándor több társszerzővel.
7.4. Megjegyzések
(i) Buffon a XVIII. században 2084 játék eredménye alapján
azt tapasztalta, hogy kb. 10 Ft fizetése esetén lesz a játék mél-
tányos.
(ii) A pétervári paradoxonnal szoros kapcsolatban áll az
a gyakran alkalmazott halmozási (más néven „martingál”)
stratégia, amelyben mindmáig sok szerencsejátékos hisz (és
megy is tönkre). Akárcsak a pétervári játékban, most is a bank
ellen játszunk egy igazságos játékot (minden játszmában
50%-os eséllyel nyerünk). Ha az első játszmában vesztünk,
akkor megkétszerezzük a tétet, ha a másodikban is vesztünk,
akkor újból kétszerezzük a tétet, és mindaddig kétszer annyit
teszünk, mint az előző alkalommal, amı́g végre az nem jön
ki, amire tippeltünk. Ha a legelső tétünk 1 Ft volt és az első
n − 1 játszmában vesztettünk, de az n-edikben már nyerünk,
akkor összesen 1 + 2 + 4 + . . . + 2n−1 = 2n − 1 forintot

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
vesztettünk és 2n -et nyertünk, ı́gy összesen 1 Ft tiszta nye-

reségre teszünk szert. Minthogy 1 valószı́nűséggel valamikor
csak „bejön” a tippünk, a halmozási stratégia szinte biztos
nyerő módszernek látszik. A látszat azonban itt is csal, mert
általában még mielőtt bármit is nyernénk, a sokszori duplá-
zásban már rég elvesztettük minden pénzünket. Természete-
sen, ha valakinek korlátlan sok pénz áll rendelkezésére, akkor
ez a martingál stratégia valóban kedvező számára, de akinek
már amúgy is végtelen sok pénze van, attól igazán nem kell
irigyelnünk néhány forint nyereséget. Egyébként a játékka-
szinók mindenütt maximalizálják a tétek nagyságát, és bár a
maximum valóban csillagászati összegnek tűnik, mégis telje-
sen hatástalanná teszi a „martingál” tı́pusú stratégiákat.
7.5. Irodalom
W. Feller: Bevezetés a valószı́nűségszámı́tásba és alkalmazása-
iba, Műszaki Könyvkiadó, Bp., 1978.
S. Csörgő and G. Simons: On Steinhaus’ resolution of the St.
Petersburg paradox, Probability and Mathematical Statistics,
14, 157–172, 1993–1994.
S. Csörgő: A szentpétervári paradoxon, Polygon, Szeged,
19–79, 1995. május.
I. Berkes, E. Csáki, S. Csörgő: Almost sure limit theorems for
the St. Petersburg game, Statistics & Probability Letters, 45,
23–30, 1999.
S. Csörgő and G. Simons: The two-Paul paradox and the
comparison of infinite expectations, In: Limit Theorem in Pro-
bability and Statistics (I. Berkes, at al., erd.) Vol I., 427–455,
J. Bolyai Soc. Budapest, 2002.
H. Steinhaus: The so-called Petersburg paradox, Colloqui-
um Mathematicum, 2, 56–58, 1949.
G. J. Székely–D. St. P. Donalds: The St. Petersburg Paradox
and the crash of the High-Tech Stocks in 2000, The American
Statistician (megjelenik 2004. augusztusban).

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
8. Az emberi halandóság paradoxona:

örökifjúság az atomok, a „nyelvi atomok” és
az alkatrészek világában
Az emberi halandóság, az emberi élettartam alapos matema-
tikai vizsgálata már a korai kapitalizmus korszakában meg-
kezdődött, mégpedig a biztosı́tótársaságok igényeinek meg-
felelően. Az angol John Graunt 1662-es, majd a holland van
Hudden és John de Witt kezdeti eredményei után Edmond Hal-
ley (a róla elnevezett üstökös felfedezője) 1693-ban egy olyan
– halandósági táblázatot is tartalmazó – tanulmányt készı́tett,
amellyel megalapozta az életbiztosı́tások matematikai elméle-
tét. Bár a XVIII. században a biztosı́tások elmélete igen jelen-
tős fejlődésnek indult, számos alapfogalom tisztázatlansága
következtében még a század második felében is – mai szem-
mel nézve – rendkı́vül egyszerű paradoxonokon vitatkoztak.
Az alábbi paradoxont például d’Alembert vetette fel.

Halley táblázatában az átlagos életkor 26 év, mégis ugyanak-
kora a valószı́nűsége annak, hogy valaki már 8 éves kora előtt
meghal, mint annak, hogy túléli a 8. életévét.

Igaz, hogy Halley táblázata szerint ugyanolyan eséllyel lehet
túlélni a 8. évet, mint korábban meghalni, de aki már túlélte a
8. életévét, még sok-sok évtizedet élhet, ı́gy semmi meglepő
nincs abban, hogy az átlagos életkor sokkal nagyobb, mint
8. Ha például ezer ember közül akár csak egyetlenegy ma-
tuzsálemi kort él meg, akkor az átlagos életkoruk jelentősen
megemelkedik, de a „valószı́nű életkoruk” (amit éppen 50%-
os eséllyel élnek túl) alig változik.
8.4. Megjegyzések
(i) Jelölje F (x) annak a valószı́nűségét, hogy egy vizsgált po-
pulációban egy véletlenül kiválasztott ember élettartama x-

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
nél kevesebb időegység. [F (x) az élettartam eloszlásfüggvé-

nye.] Tételezzük fel, hogy létezik az élettartam sűrűségfügg-
vénye is, jelölje ezt f (x), ekkor az átlagos életkor (az életkor
várható értéke)
Z ∞
M= xf (x)dx,
0
a „valószı́nű élettartam” pedig az az m szám, amelyre
1
F (m) = ,
2
vagyis m az az időtartam, amely alatt a populáció fele kihal.
E két képletből világosan látszik, hogy M és m általában egé-
szen különböző értékek.
(ii) Az emberi halandóság fogalma igen széleskörűen ki-
terjeszthető. Ha például műszaki termékek tönkremenését
vagy radioaktı́v atomok elbomlását „elhalálozásnak” tekint-
jük, akkor az emberi halandóság vizsgálatából kifejlődött ma-
tematikai elmélet igen széles körű alkalmazási területet nyer.
Ebben a szélesebb körben igen paradox jelenségek is fellép-
nek. Az ember például nemcsak halandó, hanem – sajnos –
örökifjúnak sem mondható. Meglepő módon azonban mind
a természetben, mind a társadalomban léteznek örökifjú „lé-
nyek”. Az örökifjúságot a következőképpen lehet értelmezni:
egy „lény” akkor örökifjú, ha annak a valószı́nűsége, hogy
még élni fog egy tetszőlegesen rögzı́tett időtartamot, egyál-
talán nem függ attól, hogy már mennyi ideig élt. Az ember
természetesen nem rendelkezik ezzel a tulajdonsággal, hi-
szen minél többet élt, annál nagyobb a valószı́nűsége annak,
hogy egy előre megadott időtartamon belül meghal. Érdekes
viszont, hogy nem minden „lény” követi az ember példáját,
nevezetesen a radioaktı́v atomok is örökifjúak. Könnyen be
lehet bizonyı́tani, hogy ha egy örökifjú „lény” átlagosan T
ideig él, akkor
x
e− T
annak a valószı́nűsége, hogy legalább x ideig él, ahol x egy
tetszőleges pozitı́v szám. A radioaktı́v részecskék örökifjú-
sága abból következik, hogy bomlásuk sebessége arányos a

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
még elbomlatlan részecskék számával. Az arányossági ténye-

ző neve: bomlási állandó, jele λ. Ha a t = 0 időpontban N0
bomlatlan részecske volt jelen, akkor (a bomlási sebesség ál-
landósága miatt, integrálással azt kapjuk, hogy) az x időpont-
ban
Nx = N0 e−λt
lesz a bomlatlan részecskék száma, vagyis az x időpont „túl-
élési valószı́nűsége”
e−λx .
A radioaktı́v részecskék tehát valóban örökifjúak és átlagos
élettartamuk T = 1/λ, más szóval az ilyen élettartam λ para-
méterű exponenciális eloszlást követ. Az örökifjú „lények” fele-
zési ideje (az az időtartam, amely alatt a „lények” fele kihal)
nem más, mint az e−λx = 21 egyenlet gyöke, vagyis
ln 2
x= .
λ
(iii) Az örökifjú „lények” felezési ideje számos tudomány-
terület alapfogalma lett. Az archeológiai kormeghatározás-
ban például Willard Frank Libby amerikai kémikus radiokar-
bon-módszere mindmáig a legszélesebb körűen alkalmazott
kormeghatározó eljárás (felfedezéséért 1960-ban Nobel-dı́jat
is kapott). Libby ötletét 1950-ben M. Swadesh a nyelvtudo-
mányban is alkalmazni tudta annak feltételezésével, hogy
nemcsak a radioaktı́v atomok, hanem a „nyelvi atomok”: a
szavak is örökifjúak, és közel 2000 éves felezési idővel a nyel-
vek ősi alapszókincsének szavai is elhalnak. Ebből az ötlet-
ből kiindulva meghatározhatjuk például azt, hogy két rokon
nyelv (például a latin és a szanszkrit) mikor vált szét; csak azt
kell tudnunk, hogy napjainkban az alapszókincs hány száza-
léka van még meg a két összehasonlı́tott nyelvben, és ebből
máris visszaszámolható, hogy mikor lehettek együtt. A. Raun
és E. Kangsmaa-Minn például a magyar és a finn nyelvet ve-
tették össze. Azt találták, hogy a jelenlegi egyezések 21%-ot,
illetve 27%-ot tesznek ki (a számı́tásokat két különböző mód-
szerrel végezték). Ezek alapján a finn és a magyar valamikor
4-5000 éve vált el egymástól. Swadesh harminc éve felfede-
zett új módszerét ma már igen gyakran használják, és „lexi-

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
kostatisztikának” vagy „glottokronológiának” nevezik. (Swa-

desh eredeti cikke az „International Journal of American Lin-
guistics” cı́mű folyóiratban jelent meg.)
(iv) Annak a valószı́nűsége, hogy adott t idő alatt, λ bom-
lási állandó esetén pontosan k részecske bomlik el:
(λt)k e−λt
.
k!
Vagyis a bomlások száma olyan véletlen mennyiség, amely-
nek eloszlása ugyanaz a Poisson-eloszlás, mint amelyet az
„Ajándékozási paradoxon”-ban ismertünk meg. Ennek az el-
oszlásnak a várható értéke λt, ez egyenesen arányos a bom-
lási sebességgel és a vizsgált időtartammal, ami nagyon is ter-
mészetes.
(v) Talán még az örökifjúságnál is meglepőbb, hogy van-
nak fiatalodó „lények” is. Ilyenek például az új gépek a „bejá-
ratás” időszakában, amikor az idő múlásával egyre nő annak
valószı́nűsége, hogy még egy megadott ideig jól működnek.
(Elképzelhető, hogy az újszülöttek is „fiatalodnak” életük első
szakaszában, a „bejáratás” időszakában; erről azonban nin-
csenek adataim.) Könnyen belátható: matematikailag a fiata-
lodás azt jelenti, hogy [az (i) megjegyzés jelöléseit használva]
az
f (x)
,
1 − F (x)
úgynevezett meghibásodási vagy halandósági ráta, egy csök-
kenő függvénye x-nek. Gépek, alkatrészek meghibásodási rá-
tájának vizsgálata egyébként alapvetően fontos a pótalkatré-
szek mennyiségének meghatározásához.
8.5. Irodalom
J. K. Beljajev–B. V. Gnedenko–A. D. Szolovjev: A megbı́zhatóság
matematikai módszerei. Műszaki Könyvkiadó, Bp., 1975.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
9. A nagy számok Bernoulli-törvényének

paradoxona
A matematikának kevés olyan területe van, amelyet annyi fél-
reértés és homály övezett volna, mint a nagy számok törvé-
nyeit. (Már az sem közismert, hogy több ilyen törvény léte-
zik.) Közülük a legelsőt Jacob Bernoulli (1654–1705) bizonyı́-
totta be „Ars conjectandi” ( = A találgatás tudománya) cı́mű
könyvében, amely azonban csak halála után, 1713-ban jelent
meg. Bernoulli törvénye szerint, ha egy szabályos pénzérmét
n-szer feldobunk és az n feldobás során k-szor kapunk fejet,
akkor a dobások számának növelésével a k/n hányados (a fej
dobásának relatı́v gyakorisága) egyre nagyobb valószı́nűség-
gel egyre pontosabban megközelı́ti az 1/2-et, más szóval ha ε
és δ két akármilyen kicsire megválasztott pozitı́v szám, akkor
legalább 1 − δ valószı́nűséggel |k/n − 1/2| kisebb lesz, mint
ε, ha (ε-tól és δ-tól függően) n elég nagy. E tétel távolról sem
annyira bonyolult, mint amennyi félreértés és paradoxon for-
rása lett. Közülük a legtipikusabb a következő:

Szerencsejátékosok gyakran hivatkoznak arra, hogy „a nagy
számok törvénye” szerint a fej vagy ı́rás játékban (és minden
a fej vagy ı́rás játékkal ekvivalens igazságos játékban), ha már
sokszor volt fej, akkor szükségképpen nagyobb lesz az ı́rás
valószı́nűsége, különben nagyszámú dobás után nem lehetne
körülbelül ugyanannyi a fejek és ı́rások száma. Ugyanakkor
nyilvánvaló, hogy a pénzérmének nincs emlékezőtehetsége,
ı́gy fogalma sincs arról, hogy korábban már hányszor esett
fejre és hányszor ı́rásra. Ezért minden dobásban ugyanannyi,
mégpedig 1/2 a fej valószı́nűsége, még akkor is, ha korábban
már ezerszer jött ki a fej egymás után. Nincs ez ellentmon-
dásban a Bernoulli-törvénnyel?

A Bernoulli-törvény szerint a fejek és ı́rások számának való-
ban „körülbelül” egyenlőnek kell lenni nagyszámú dobás kö-

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
zött, de egyáltalán nem mindegy, hogy mit jelent a „körülbe-

lül”. Az a szerencsejátékos, aki úgy gondolja, hogy a fejek és
ı́rások számának különbsége csak igen kicsi lehet, téved, mert
a Bernoulli-törvény csak azt állı́tja, hogy a fejek számának az
összes dobások számához viszonyı́tott aránya megközelı́tően
1/2 (nagy valószı́nűséggel), vagyis a fejek és ı́rások számának
aránya megközelı́ti az 1-et, amit úgy is fogalmazhatunk, hogy
logaritmusaik különbsége megközelı́ti a 0-t (ha a dobások száma
egyre nő). Ha magának a különbségnek kellene kicsinek ma-
radnia, akkor valóban ellentmondásba kerülnénk a pénzérme
„emlékezetnélküliségével”.
9.4. Megjegyzések
(i) Tudjuk már, hogy akármilyen sok fejet is dobtunk egymás

után, a soron következő feldobáskor semmivel sem lesz na-
gyobb az ı́rás esélye. Ezek után felvetődik a kérdés: maximá-
lisan milyen hosszú egymás utáni fejdobásokból álló „tiszta
fej” blokkra kell számı́tanunk egy n hosszúságú dobássoro-
zatban? Száz dobásnál 6-7, ezer dobásnál 9-10, egymillió do-
básnál pedig körülbelül 19-20 hosszúságú „tiszta fej” blokk
várható. Erdős Pál és Rényi Alfréd általánosan bebizonyı́tot-
ták, hogy nagyszámú dobás között nagy valószı́nűséggel elő
kell fordulnia egy log2 n hosszúságú „tiszta fej” blokknak. Ez
a tény egyébként igen jól felhasználható annak eldöntésére,
hogy egy két jelből (például 0-ból és 1-ből) felépı́tett jelsorozat
egy fej vagy ı́rás játék véletlen dobáseredményeit tükrözi-e,
vagy pedig csak valaki a véletlent utánozva készı́tette a soro-
zatot, „gondosan” ügyelve arra, hogy ne tegyen túl sok azo-
nos jelet egymás után. A nagy számok Bernoulli-törvényének
begyökeresedett félreértelmezése miatt általában senki sem
mer például egy 100 hosszúságú jelsorozatban azonos jelet 7-
szer egymás után leı́rni, pedig az igazi véletlen fej vagy ı́rás
sorozat általában ilyen tulajdonságú.
(ii) Az előző megjegyzés szerint a „tiszta blokkok” (azaz a
„tiszta fej” vagy a „tiszta ı́rás” blokkok) hossza időnként igen
hosszú is lehet. Ugyanakkor könnyű kiszámı́tani azt is, hogy
az első, második, harmadik, . . . „tiszta blokk” átlagos hossza
(a hossz várható értéke) mindig 2. Ha szabálytalan érmével

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
dobunk, olyannal, amelyik p valószı́nűséggel esik fejre és q =

1 − p valószı́nűséggel ı́rásra (és sem p, sem q nem 0), akkor az
első (és általában minden páratlanadik) „tiszta blokk” átlagos
hossza
p q
+
q p
a második (és általában minden párosadik) „tiszta blokk” át-
lagos hossza pedig a p-től függetlenül (!) mindig 2. A pq + pq
összeg nem lehet kettőnél kisebb, ami azt jelenti, hogy az első
„tiszta blokk” hossza mindig legalább akkora, mint a máso-
diké. Ez azonban már egyáltalán nem meglepő, hiszen való-
szı́nűbb, hogy az érme először az esélyesebb oldalára esik, és
ı́gy nagyobb valószı́nűséggel hosszú és csak kisebb valószı́nű-
séggel rövid az első blokk, tehát átlagosan hosszú, legalábbis
hosszabb, mint a második blokk, amely nagyobb valószı́nű-
séggel rövid és kisebb valószı́nűséggel hosszú, tehát átlago-
san rövid lesz. És valóban: a 2 eléggé kicsi, meglepő csak az
lehet, hogy nem függ p-től.
(iii) A nagy számok Bernoulli-törvényének számos általá-
nosı́tása és élesı́tése született. Közülük a legismertebb Kolmo-
gorov tétele: ha X1 , X2 , . . . teljesen független, azonos elosz-
lású valószı́nűségi változók, amelyeknek létezik (közös) vé-
ges várható értékük: E(X), akkor (X1 + X2 + . . . + Xn )/n 1
valószı́nűséggel konvergál E(X)-hez, amikor n végtelenhez
tart.
Halász és Székely megmutatták, hogy ha még azt is feltéte-
(k)
lezzük, a valószı́nűségi változók pozitı́vak és Sn a
X
Xj1 Xj2 . . . Xjk
1≤j1 <j2 <...<jk ≤n
összeget (elemi szimmetrikus polinomot) jelöli, akkor

s
.µn¶
k (k)
Sn
k
is E(X)-hez konvergál, ha k bármilyen fix természetes szám

vagy k = k(n) úgy változik az n-nel, hogy k/n 0-hoz tart; a
határérték abban az esetben is 1 valószı́nűséggel létezik, ha

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
k/n egy pozitı́v c számhoz tart, és a határérték ekkor egy csak
c-től függő konstans (0 < c < 1 esetén ln(1 + Xi ), c = 1
esetén pedig | ln Xi | várható értékének végességét kell felté-
telezni). Bonyolultabb az eset akkor, ha a valószı́nűségi válto-
zók pozitı́v és negatı́v értékeket is felvehetnek (erre vonatko-
zóan l. Móri–Székely cikkét és Major cikkét). Kolmogorov téte-
lének más irányú, igen szép általánosı́tása Komlós alább idé-
zett cikke.
9.5. Irodalom
P. Révész: The law of large numbers. Akadémiai Kiadó, Buda-
pest, 1967.
J. Komlós: A generalization of a problem of Steinhaus, Acta
Math. Acad. Sci. Hung. 18, 217–229, 1967.
P. Erdős–A. Rényi: On a new law of large numbers, Jour.
Analyse Mathematique, 23, 103–111, 1970.
P. Erdős–P. Révész: On the length of the longest head-run,
Coll. Math. Soc. J. Bolyai, 16 (ed. I. Csiszár, P. Elias), 1975.
G. Halász–G. J. Székely: On the elementary symmetric
polynomials of independent random variables, Acta Math.
Acad. Sci. Hung. 28, 397–400, 1976.
T. F. Móri–G. J. Székely: Asymptotic behavior of symmetric
polynomial statistics, Annals of Probability, 10, 124–131, 1982.
P. Major: The limit behavior of elementary symmetric poly-
nomials of i.i.d. random variables when their order tends to
infinity, Annals of Probability, 27, 1980–2010, 1999.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
10. De Moivre paradoxona; energiatakarékosság

A klasszikus valószı́nűségszámı́tás történetének az egyik leg-

kiemelkedőbb alakja Abraham de Moivre. Francia származású
matematikus, aki a hugenották vallásszabadságát biztosı́tó
nantes-i edictum visszavonása után Angliába költözött. Itt je-
lent meg 1718-ban „The doctrine of chances” cı́mű alapvető
műve. Ennek második kiadásában (1738) de Moivre maga is
óriási lelkesedéssel ı́r arról a korszakalkotó (1733-ban szüle-
tett) felfedezéséről, amely lényegesen többet bizonyı́t, mint
a nagy számok Bernoulli-törvénye. „Merem állı́tani – ı́rja –,
hogy ez a legnehezebb probléma, amelyet fel lehet vetni a
Véletlen Tudományában. . . ”. Igaz, azóta seregnyi nehezebb
probléma is született, mégis de Moivre felfedezése: a normá-
lis eloszlás, valóban alappillére lett a véletlen tudományának.
A nagy számok Bernoulli-törvénye szerint a fej vagy ı́rás já-

tékban a dobások számának növelésével annak a valószı́nű-
sége, hogy a dobott fejek száma megközelı́tően egyenlő az ı́rá-
sok számával, 1-hez konvergál (abban az értelemben, hogy e
két szám aránya egyre jobban megközelı́ti az 1-et). Ugyanak-
kor annak a valószı́nűsége, hogy a dobott fejek száma pon-
tosan egyenlő az ı́rások számával (ami egyébként eleve csak
páros számú dobás esetén lehetséges), 0-hoz konvergál. (An-
nak a valószı́nűsége például, hogy 6 dobás közül 3 fej: 5/16,
100 dobás közül 8%, 1000 dobás közül viszont már 2% esély
sincs arra, hogy pontosan ¡ ¢ 50, illetve 500 fejet kapunk. Álta-
lában 2n dobás közül 2n n /2 2n
annak az esélye, hogy éppen
n fej adódik,
√ és ez a valószı́nűség nagy n esetén megközelı́-
tően 1/ πn, ami valóban 0-hoz konvergál az n növekedésé-
vel.) Összefoglalva: a megközelı́tő egyenlőség valószı́nűsége
1-hez konvergál, a pontos egyenlőségé viszont 0-hoz. E nagy
szakadékot mindaddig a paradoxon légköre övezte, ameddig
nem sikerült felépı́teni a hidat a szakadék két széle között. Ez
a matematikai hı́dépı́tés elsőként de Moivre-nak sikerült.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38

Jelölje Fn és In az első n érmedobás között a fejek, illetve
az ı́rások számát. A Bernoulli-törvény szerint 1-hez konver-
gál annak a valószı́nűsége, hogy Fn − In elhanyagolhatóan
kicsivé válik az n-hez viszonyı́tva (ami egyébként egyálta- √
lán nem meglepő). De Moivre viszont észrevette, hogy a n-
hez képest már nem válik elhanyagolhatóvá az Fn − In kü-
lönbség. Meghatározta például, hogy n = 3600 dobás esetén
0,682 688 . . . annak a valószı́nűsége, hogy |Fn − In | legfeljebb
60. Legyen x egy tetszőleges pozitı́v szám, és jelölje An√ (x)
annak a valószı́nűségét, hogy |Fn − InP | kisebb, mint¡ ¢ n.
x
Könnyen belátható, hogy An (x) = 21n |2k−n|<x√n nk . De
Moivre szerint n növekedésével An (x) egy olyan A(x)-hez
konvergál, ami határozottan 0 és 1 közé esik. Amint x a 0-tól
növekedni kezd a +∞ felé, az A(x) is folytonosan nő a 0-tól
az 1 felé (l. az (i) megjegyzést). Ez az A(x) függvény az össze-
kötő hı́d az emlı́tett szakadék két széle között. Az A(x) meg-
határozásához de Moivre azt a Stirling-formulát használta fel,
amelyet ő maga is felfedezett Stirlingtől függetlenül. (James
Stirling 1730-ban bizonyı́tott formulája szerint az első n ter-
mészetes szám szorzata:
√ ¡n!¢aszimptotikusan
n
egyenlő a követ-
kező kifejezéssel: 2πn ne .)
10.4. Megjegyzések
(i) Az A(x) függvény pontos alakja a következő:
r Z x
2 2
A(x) = e−u /2 du.
π 0
Ennek segı́tségével de Moivre tételét a következő módon ı́r-
hatjuk fel:
√
lim P (|Fn − In | < x n) = A(x), ha x > 0,
n→∞
vagy ami ezzel ekvivalens

√
lim P (Fn − In < x n) = Φ(x),
n→∞
ahol Z x
1 2
Φ(x) = √ e−u /2
du.
2π −∞

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
1.3. ábra. A standard normális eloszlás eloszlásfüggvénye
1.4. ábra. A normális eloszlás sűrűségfüggvénye
Az olyan valószı́nűségi változót, amelyik (tetszőleges x va-

lós szám esetén) Φ(x) valószı́nűséggel vesz fel x-nél kisebb
értékeket, standard normális eloszlású nak nevezzük. De Moivre
eredménye szerint az Fn −In különbség megközelı́tőleg stan-

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
dard normális eloszlású, ha n elegendően nagy. [A Φ(x) függ-

vény táblázata (2. táblázat) könyvünk végén található meg.]
(ii) Tekintettel arra, hogy Fn + In = n, az iménti eredményt
úgy is fogalmazhatjuk, hogy
µ √ ¶
n n
lim Fn < + x = Φ(x).
n→∞ 2 2
De Moivre foglalkozott azzal az esettel is, amikor az érme
nem szabályos, hanem p valószı́nűséggel esik fejre és 1 − p
valószı́nűséggel ı́rásra. Ekkor
p
lim P [Fn < np + x np(1 − p)] = Φ(x),
n→∞
amely Moivre–Laplace-tétel néven ismeretes. Ez a tétel igen

széleskörűen alkalmazható különféle tervezések egész sorá-
ban, például az energiagazdálkodásban.
Példa: Ha egy gyár 300 egyforma energiaigényű gépe kö-
zül átlagosan 70% működik és 30% vár javı́tásra (vagy ép-
pen javı́tják), akkor átlagosan 210 gép energiaigényét kell biz-
tosı́tani. Időnként azonban előfordulhat az is, hogy mind a
300 gép jó. Mennyi energiát kell biztosı́tani akkor, amikor
99,9%-os biztonsággal szeretnénk elérni azt, hogy minden
működőképes gép valóban működni is tudjon? (Feltételez-
zük, hogy az egyes gépek meghibásodása egymástól függet-
len.) Az előbbi képletünkben most Fn jelenti a jó gépek szá-
mát, n = 300, p = 0,7. A táblázatpszerint Φ(x) ≈ 0,999, √ ha
x = 3. Ezekkel a számokkal np + x np(1 − p) = 210 + 3 63,
tehát elegendő 234 gép energiaszükségletével számolnunk.
(Sajnos hasonló helyzetben igen gyakran közel 300-zal szá-
molnak, ami teljesen indokolatlan túlbiztosı́tás.)
(iii) Az előző megjegyzésben kimondott (és alkalmazott)
Moivre–Laplace-tétel messzemenően általánosı́tható. Ezek-
ben az általánosı́tásokban kiemelkedő érdemeket szerzett az
L. F. Csebisev (1821–1894) vezette pétervári matematikai iskola,
különösen A. M. Ljapunov (1857–1918) és A. A. Markov (1856–
1922).
Legyenek X1 , X2 , . . . független, azonos eloszlású (azonos
eloszlásfüggvényű) valószı́nűségi változók, amelyeknek léte-
zik és véges a várható értékük és a szórásuk. (A szórásról,

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
a valószı́nűségszámı́tás egyik legfontosabb fogalmáról eddig

még nem esett szó. Definı́ció szerint az X valószı́nűségi vál-
tozó szórása az (X − M )2 várható értékének pozitı́v négy-
zetgyöke, ahol M az X várható értékét jelöli. A szórás tehát
a valószı́nűségi változók várható értéke körüli szóródásának
nagyságát méri. A szóródásra vonatkozóan más mérőszámok
is léteznek, de kétségkı́vül a szórás a legfontosabb közülük.)
Jelölje az X1 , X2 , . . . (közös) várható értékét M , szórását pe-
dig D, és legyen Sn = X1 + X2 + . . . + Xn . Ekkor
√
lim P (Sn < nM + xD n) = Φ(x).
n→∞
Ez a centrális határeloszlás-tétel, amely a sok véletlen kompo-

nens különféle függvényeinek (pl. összegének, szorzatának,
maximumának stb.) aszimptotikus eloszlásaival foglalkozó
határeloszlás-tételek közül a legfontosabb (innen is az elneve-
zés, amelyet Pólya György használt először). A centrális határ-
eloszlás-tétel – általánosı́tásaival együtt – magyarázatot ad
arra, hogy miért találkozunk a természetben olyan gyakran
normális eloszlással, különösen az olyan mennyiségeknél,
amelyek sok független (vagy közel független), azonos (vagy
közel azonos) eloszlású véletlen komponens eredőjeként
származtathatók. A centrális határeloszlás-tételben ugyanis
bármilyen (de azért véges szórású) a komponensek elosz-
lásfüggvénye, az eredő mindig normális eloszlás, pontosab-
ban elegendően sok komponens eredője megközelı́tően nor-
mális eloszlású. Érdemes azonban hangsúlyozni, hogy a ter-
mészetben a véletlen komponensek „eredője” nem mindig a
komponensek összege, ezért igen fontosak azok a kutatások,
amelyek véletlen mennyiségek (komponensek) egyéb függ-
vényeinek viselkedését tanulmányozzák. Tény, hogy az is-
mert határeloszlás-tételek még nem adnak teljes magyará-
zatot a normális eloszlás oly gyakori előfordulására. Poincaré
szarkasztikus megjegyzése szerint mindenki hisz a normá-
lis eloszlás univerzalitásában: a fizikusok azért, mert azt hi-
szik, hogy a matematikusok igazolták logikai szükségességét,
a matematikusok pedig azért, mert úgy hiszik, hogy a fiziku-
sok laboratóriumi kı́sérletekkel igazolták azt.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
10.5. Irodalom
B. V. Gnyegyenko–A. N. Kolmogorov: Független valószı́nűségi
változók összegeinek határeloszlásai. Akadémiai Kiadó, Bp.,
1951.
G. J. Székely: A limit theorem for elementary symmetric
polynomials of independent random variables, Zeitsch’
Wahrsch’ theorie verv. Geb. 59, 355–359, 1982.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
11. Bertrand-féle paradoxon

A valószı́nűségszámı́tás történetében jelentős változást ho-
zott a hı́res francia természettudós, Georges Buffon, aki egy
1733-ban ı́rt (és publikálásra be is nyújtott), de csak 1777-ben
megjelent művében olyan valószı́nűségszámı́tási problémát
vizsgált (az ún. „tűproblémát”), amelynek megoldása nem
kombinatorikai, hanem geometriai (területszámı́tási) mód-
szereket igényelt. Az ilyen tı́pusú feladatokban, feltételezzük,
hogy a vizsgálat tárgyául választott véletlen pontok egy adott
tartományban egyenletesen oszlanak el (például egy céltáb-
lán a lövedékek becsapódási helyei). Tehát e megadott tarto-
mány bármely kis résztartományába esés valószı́nűsége ará-
nyos e tartomány területével (hosszúságával vagy térfoga-
tával), ı́gy a valószı́nűségek kiszámı́tása egyszerűen a „ked-
vező” és az „összes” terület (hosszúság, térfogat) hányado-
sának meghatározását jelentette. Az ilyen geometriai valószı́-
nűségek is számos paradoxonhoz vezettek. Például annak a
valószı́nűsége, hogy egy céltáblának teljes pontossággal a kö-
zéppontját (vagy bármely más előre rögzı́tett pontját) találjuk
el, nyilvánvalóan 0, hiszen végtelen sok ugyanilyen esélyű
más pont is van a táblán, ugyanakkor egyáltalán nem lehe-
tetlen, hogy sikerül pontosan eltalálni a középpontot, tehát
valóban különbséget kell tenni a 0 valószı́nűségű és a lehe-
tetlen esemény között (a lehetetlen esemény valószı́nűsége
0, de fordı́tva ez már nem igaz). Az is elég meglepően hang-
zik, hogy a céltáblán akárhány (de véges sok) pont valame-
lyikét ugyanolyan valószı́nűséggel találjuk el, mint egyetlen
pontot (hiszen mindkét valószı́nűség 0; 1. „A nulla valószı́nű-
ség paradoxoná”-t). Ahhoz is hozzá kellett szokni, hogy egy
kölcsönösen egyértelmű transzformáció során teljesen meg-
változhatnak a valószı́nűségek; ha például véletlenül (egyen-
letes eloszlás szerint) választunk egy pontot a (0, 1) interval-
lumban, akkor 50% az esélye annak, hogy e szám kisebb lesz
1/2-nél, ugyanakkor, ha a (0, 1) intervallum minden pontját
négyzetre emeljük, és a négyzetre emelt számok közül vá-
lasztunk egyenletes eloszlás szerint, akkor már csak 25% an-
nak az esélye, hogy olyan számot választottunk, amely ere-

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
detileg (a négyzetre emelés előtt) 1/2-nél kisebb volt. Arra a

kérdésre, hogy egy (0, 1) intervallumba eső pont milyen való-
szı́nűséggel lesz 1/2-nél kisebb, nyilvánvalóan az első válasz:
az 50% a „természetesebb”, de nem mindig ilyen könnyű vá-
lasztani a „természetes” és a „nem természetes” között. Már
a kombinatorikus valószı́nűségekkel kapcsolatban is utaltunk
arra, hogy az ilyen fajta döntések nem is mindig lehetségesek
„tisztán logikailag”, a tapasztalat kizárásával. Erre mutat rá az
alábbi nevezetes paradoxon is, amely először Joseph Louis Bert-
rand 1889-ben megjelent „Calcul des Probabilités” cı́mű köny-
vében szerepelt.
Válasszuk ki találomra egy adott kör valamelyik húrját, és

számı́tsuk ki, mennyi annak a valószı́nűsége, hogy a húr na-
gyobb lesz, mint a körbe ı́rt szabályos háromszög oldala! A
paradoxon a következő: három egyformán természetesnek
tűnő felfogás három teljesen különböző eredményre vezet.
1. felfogás. Válasszunk ki egy pontot véletlenszerűen az
adott körben (egyenletes eloszlás szerint). Ez a véletlen pont
egyértelműen meghatároz egy véletlen húrt, azt, amelyiknek
éppen a kiválasztott véletlen pont a középpontja. Ez a húr
pontosan akkor lesz hosszabb, mint a körbe ı́rt szabályos há-
romszög oldala, ha a véletlen pont a szabályos háromszögbe
ı́rható kör belsejébe esik. Ennek a körnek feleakkora a sugara,
mint az eredeti körnek, ı́gy a területe negyedakkora, tehát az
eredeti körben véletlenül választott pont 1/4 valószı́nűséggel
esik a kis körbe. Ezek szerint a kérdéses valószı́nűség: 1/4.
2. felfogás. A szimmetria miatt a húr egyik végpontját a kör-
vonalon akárhol rögzı́thetjük, a másik végpontját pedig vá-
lasszuk ki véletlenül, egyenletes eloszlás szerint a körvona-
lon. Rögzı́tsük az egyik végpontot a körbe ı́rt szabályos há-
romszög egyik csúcsában. Nyilvánvaló, hogy a szabályos há-
romszög csúcsai a körvonalat három egyenlő részre – körı́vre
– osztják, és a véletlenül húzott húr hossza pontosan akkor
lesz nagyobb, mint e szabályos háromszög oldala, ha a vélet-
len húr a háromszögön belül halad. Eszerint a kérdéses való-
szı́nűség: 1/3.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
1.5. ábra. A véletlen húr kiválasztásának három különböző módja
3. felfogás. Válasszunk ki egy pontot véletlenszerűen, a kör

egyik sugarán egyenletes eloszlás szerint. Ha a körnek azt a
húrját tekintjük, amelyik ebben a pontban a sugárra merő-
leges, akkor ez a véletlen húr pontosan akkor lesz nagyobb
a körbe ı́rt szabályos háromszög oldalánál, ha a kör sugarán
véletlenszerűen választott pont a sugárnak arra a felére esett,
amelyik közelebb van a kör középpontjához. A szimmetria
miatt mindegy, hogy eredetileg melyik sugarat tekintettük,
ı́gy a kérdéses valószı́nűség: 1/2.

A három különböző eredmény azért tűnt paradoxonnak,
mert úgy gondolták, hogy a „találomra választás” egyértel-
művé teszi a valószı́nűséget. A „találomra választást” valami-
féle egyenletes eloszlás szerinti választásnak képzelték, és a
paradoxon éppen arra mutat rá, hogy egyáltalán nem mind-
egy, miféle egyenletes eloszlásokról van szó. Mind a három
felfogásban egy-egy egyenletes eloszlás jelenik meg (a körla-
pon, a körvonalon, illetve a kör sugarán), és mindhárom el-
járással a körnek akármelyik húrját kiválaszthatjuk. Azt kell
mondanunk, hogy mind a három felfogás fizikailag is meg-
valósı́tható, és aszerint, hogy milyen módon választottuk ki
a véletlen húrt, a kérdéses valószı́nűség valóban 1/4, 1/3, il-
letve 1/2.
Ha a véletlen választás kı́sérleti megvalósı́tására vonatko-
zóan semmiféle információnk sincs, akkor Poincaré szerint
az 1/2 valószı́nűséget a legtermészetesebb elfogadni, ugyanis

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
csak a 3. felfogás szerinti véletlen választás biztosı́tja azt, hogy

ha húroknak két halmaza geometriailag egybevágó, akkor
ugyanannyi annak a valószı́nűsége, hogy az egyik halmaz-
ból választunk egy véletlen húrt, mint annak, hogy a másik-
ból. Az ilyen, ún. mozgásinvariáns geometriai valószı́nűségek
tanulmányozása vezetett el a matematika egy igen érdekes,
modern ágához: az integrálgeometriához. (Az elnevezés szü-
lőatyja Wilhelm Blaschke volt 1934-ben.)
(i) Ha észrevesszük, hogy a körben egy húr pontosan akkor
nagyobb a körbe ı́rható egyenlő oldalú háromszög oldalánál,
ha a húr metszi az ebbe a háromszögbe ı́rható (legnagyobb)
kört (amelynek sugara és ı́gy kerülete is éppen fele az eredeti
körének), akkor a Bertrand-kérdés egy érdekes általánosı́tá-
sát is megfogalmazhatjuk. Ha adott egy zárt konvex görbe:
K és ennek belsejében egy másik zárt konvex görbe: k, ak-
kor mi annak a valószı́nűsége, hogy K egy véletlenül válasz-
tott húrja messe k-t. Feltételezve, hogy a véletlen választás
egy mozgásinvariáns eloszlás szerint történik (az adott irányú
húrok és a különböző irányok közötti választás is egyenletes
eloszlású és egymástól független), a válasz igen egyszerű: a
kérdéses valószı́nűség k és K kerületének hányadosa.
(ii) A Bertrand-paradoxon megfogalmazásakor a véletlen
húr választásának három különböző módszerével foglalkoz-
tunk, de nyilvánvalóan sok más „természetes” módszer is kı́-
nálkozik. Ha például véletlenszerűen választunk egy pontot
(egyenletes eloszlás szerint) a megadott körben, majd e ki-
választott ponton át átvezetünk egy tetszőleges irányú húrt
(úgy, hogy az irány egyenletes eloszlású legyen a teljes szög-
tartományban, és független legyen a pont kiválasztásától),
akkor a kérdéses valószı́nűség
√
1 3
+ = 0,609 . . .
3 2π
Nem kell csodálkozni azon, hogy még 1/2-nél is nagyobb
valószı́nűséget kaptunk, hiszen az ilyen fajta húrkiválasztás
kedvez a hosszabb húroknak. Még nagyobb valószı́nűséget

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
(0,7449) kapunk, ha a véletlen húrt úgy választjuk ki, hogy az

átmenjen a körlap két véletlen pontján. A húr kiválasztásának
kevésbé természetes, de azért érdekes módja a következő is.
Először is rajzolunk az eredetileg megadott r sugarú körrel
koncentrikus R sugarú kört is. Ezek után egyenletes elosz-
lás szerint választunk egy véletlen pontot az R sugarú kör-
ben, rajzolunk ezen a ponton keresztül egy olyan egyenest,
amelynek iránya egyenletes eloszlású a teljes szögtartomány-
ban, és független a kiválasztott ponttól. Kérdés: feltételezve,
hogy ez az egyenes metszi az r sugarú kört, mi annak a való-
szı́nűsége, hogy az r sugarú körből kimetszett húr nagyobb,
mint a már sokszor emlı́tett háromszögoldal? Ha az R sugarat
R = r/2-től kezdve fokozatosan növeljük R = ∞-ig, akkor a
szóban forgó valószı́nűség fokozatosan csökken 1-től 1/2-ig.
(iii) A geometriai valószı́nűségekből kifejlődött integrálge-
ometriának egyre nagyobb a jelentősége a sztereológiában:
háromdimenziós testek közelı́tő alakjának meghatározásá-
ban kétdimenziós metszeteik vagy vetületeik segı́tségével. A
sztereológia hasznos segı́tséget nyújt az ásványtannak, a me-
tallurgiának és a biológiának is, speciálisan a tomográfiának,
a daganatok térbeli rekonstruálásában.
11.5. Irodalom
M. G. Kendall–P. A. P. Morgan: Geometric probability. Griffen,
London, 1963.
L. A. Santaló: Integral geometry and geometric probability,
Addison–Wesley, Reading, 1976.
G. Matheron: Random sets and integral geometry. Wiley,
New York, 1975.
L. Zalcman: Offbeat Integral geometry, The American
Math. Monthly, 87, 161–174, 1980.
D. W. de Temple–J. M. Robertson: Constructing Buffon cur-
ves from their distributions, The American Math. Monthly,
87, 779–784, 1980.
J. Holbrook–S. S. Kim: Bertrand’s paradox revisited, Math.
Intelligencer, 22, 16–19, 2000.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
12. A játékelmélet egy paradoxona

A különféle játékok matematikai vizsgálata igen régi időkig
nyúlik vissza, de a játékok általános elmélete és ennek az el-
méletnek más tudományterületekkel, ı́gy a gazdaságtudomá-
nyokkal való kapcsolata csak a XX. században fejlődött ki. A
játékelmélet atyja, Neumann János, 1928-ban bizonyı́totta be az
ún. minimax-tételt, a játékelmélet alaptételét, amelynek érvé-
nyességében korábban a legkiválóbb matematikusok, ı́gy E.
Borel is kételkedett.
Neumann és Morgenstern 1944-ben olyan alapvető monog-
ráfiát ı́rtak a játékelméletről, amely mindmáig meghatározza
az ilyen irányú kutatások fő vonásait. A. H. Copeland szerint
„az utókor ezt a könyvet a XX. század első felének legfonto-
sabb tudományos eredményei közé fogja sorolni”. Az alábbi
– önmagában is érdekes – paradoxon a minimax-tétel lénye-
gének megértéséhez is segı́tséget nyújt.

Egy ismert gyermekjátékban ketten játszanak egymás ellen.
Nevezzük őket R-nek és Q-nak. A játék mindössze abból áll,
hogy R és Q egyszerre felteszi egy vagy két ujját, s ha össze-
sen páros sok ujjat tartottak föl, akkor Q fizet R-nek, ha pedig
páratlan sokat, akkor R fizet Q-nak, mégpedig annyi forintot,
ahány ujjat összesen feltartottak. A Q által R-nek fizetendő
pénzmennyiséget az alábbi táblázat tünteti fel:
Q 1 2
R ujj ujj
1 ujj 2 Ft −3 Ft
2 ujj −3 Ft 4 Ft
Ezt a játékot általában igazságosnak tartják [talán azért,

mert a táblázatban álló forintértékek összege: 2+(−3)+(−3)+
4 = 0], pedig a játék egyáltalán nem igazságos, hanem Q szá-
mára határozottan kedvező.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38

Nyilvánvaló, hogy ha bármelyik játékos mindig 1 vagy min-
dig 2 ujját teszi fel, akkor ellenfele ezt idővel észreveszi, és
ezután úgy játszik (az ellenfél), hogy mindig nyerjen. A jó
stratégia tehát ebben a játékban csak ún. kevert stratégia lehet,
amely minden játszmában véletlenszerűen, de előre rögzı́tett
valószı́nűséggel választ a két lehetőség (1 ujj, 2 ujj) között.
Tételezzük fel, hogy már meghatároztuk mindkét játékos op-
timális stratégiáját, vagyis tudjuk, hogy R-nek az a legjobb,
ha p1 valószı́nűséggel 1, p2 valószı́nűséggel pedig 2 ujját te-
szi fel (természetesen p1 + p2 = 1), és hasonlóan Q-nak pedig
az a legkedvezőbb, ha q1 valószı́nűséggel 1, q2 valószı́nűség-
gel pedig 2 ujját teszi fel (q1 + q2 = 1). Minthogy a két játé-
kos egymástól függetlenül választ, az az átlagos pénzösszeg,
amelyet mindkét fél optimális játéka esetén Q fizet R-nek:
V = 2p1 q1 − 3p1 q2 − 3p2 q1 + 4p2 q2 . A játékot akkor nevez-
nénk igazságosnak, ha V = 0 lenne. Megmutatjuk azonban,
7 5 1
hogy p1 = q1 = 12 , p2 = q2 = 12 és ı́gy V = − 12 , vagyis
Q átlagosan 1/12 forintot nyer játszmánként, még optimális
ellenjáték esetén is.
Legyen Q1 a V helyettesı́tési értéke q1 = 1, q2 = 0 esetén,
azaz Q1 = 2p1 − 3p2 . Hasonlóan q2 = 1, q1 = 0 esetén a
helyettesı́tési érték Q2 = −3p1 + 4p2 . Ezekkel a jelölésekkel
V = q1 Q1 +q2 Q2 . Minthogy V a Q játékos átlagos veszteségét
jelenti abban az esetben, ha Q a lehető legjobban játszik, ezért
Q1 = V és Q2 = V , ı́gy V = q1 Q1 + q2 Q2 = q1 V + q2 V =
(q1 + q2 )V = V .
Tekintettel arra, hogy sem q1 , sem q2 nem lehet 0, az iménti
összefüggésből következik, hogy V = Q1 = Q2 , azaz
2p1 − 3p2 = −3p1 + 4p2 ,
amiből (figyelembe véve, hogy p1 + p2 = 1) következik, hogy
7 5 1
p1 = , p2 = , és V =− .
12 12 12
Ugyanilyen módon
2q1 − 3q2 = −3q1 + 4q2 ,
7 5
amelyből (q1 + q2 = 1) miatt q1 = 12 , q2 = 12 .

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
Bebizonyı́tottuk tehát azt, hogy a játék valóban nem igaz-

ságos, és ugyanakkor megkaptuk az optimális stratégiákat
is. Mindkét játékosnak célszerű 7/12 valószı́nűséggel 1 ujját,
5/12 valószı́nűséggel pedig 2 ujját feltartani.
Végezzük el V képletében a p2 = 1 − p1 és a q2 = 1 − q1 he-
lyettesı́tést: V = 12p1 q1 − 7p1 − 7q1 + 4. Ha p1 = 7/12, akkor
V = −1/12, akármi is q1 értéke, és hasonlóan, ha q1 = 7/12,
akkor V = −1/12, akármi is p1 értéke. Eszerint, ha valamelyik
játékos tudja, hogy ellenfele az optimális stratégiáját válasz-
totta, akkor neki már teljesen mindegy, hogyan játszik.
(i) Neumann játékelméleti vizsgálatainak fő célja az volt,
hogyan kell egy m játékos részvételét igénylő játékban az
egyes játékosoknak játszania ahhoz, hogy a legkedvezőbb
eredményt érjék el. Az egyszerűség kedvéért a továbbiakban
feltételezzük, hogy m = 2, azaz csak két fél játszik egymás
ellen, továbbá azt is feltételezzük, hogy a játék zéróösszegű,
vagyis, amit az egyik veszı́t, azt a másik nyeri. Jelölje S1 az
első, S2 pedig a második játékos lehetséges, ún. tiszta straté-
giáinak halmazát (a tiszta stratégia olyan előı́rás, amely meg-
adja az illető játékos első lépését, és a másik játékos min-
den lehetséges lépése esetén a válaszlépést). Legyen L(s1 , s2 )
olyan kétváltozós függvény, amely megadja, hogy mennyi
veszteség éri a második játékost, ha az első játékos valamely
S1 -beli s1 , a második pedig egy S2 -beli s2 tiszta stratégiát vá-
laszt. (A gyerekjátékpéldában a táblázat éppen ezt a függ-
vényt adta meg.) Az óvatos játékos számára az a stratégia a
legjobb, amely a játékos maximális veszteségét (amely opti-
mális ellenjátéknál lép fel) minimálissá teszi. Az első játékos
mindenképpen el tud érni
µ ¶
V1 = max min L(s1 , s2 ) nyereséget,
s1 s2
a második pedig
µ ¶
V2 = min max L(s1 , s2 ) nyereséget.
s2 s1

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
Természetesen V1 vagy V2 negatı́v is lehet, ami ténylegesen

veszteséget jelent.) Ha olyan szerencsés helyzet állt elő, hogy
V1 = V2 és mindkét játékos lehetséges stratégiáinak halmaza
véges, akkor a két játékosnak célszerű olyan s∗1 , s∗2 stratégiát
választani, amellyel V1 = V2 = L(s∗1 , s∗2 ). Egy ilyen (s∗1 , s∗2 )
stratégiapár a játék nyeregpontja, amely azonban általában
nem létezik. Neumann János viszont zseniális ötlettel kibővı́-
tette a lehetséges stratégiák körét, és olyan, ún. kevert straté-
giák választását is megengedte, amelyek véletlenszerűen vá-
lasztanak a tiszta stratégiák közül. Egy-egy kevert stratégia
tehát nem más, mint egy valószı́nűségeloszlás a tiszta stra-
tégiák halmazán. (A gyermekjátékpéldában p1 , p2 , illetve q1 ,
q2 volt a két játékos kevert stratégiája.) A kevert stratégiák al-
kalmazása lehetővé teszi annak kiküszöbölését, hogy bárme-
lyik játékos „átlásson” az ellenfelén. A kevert stratégiák ré-
vén a véletlen olyan játékokban is helyet követel magának,
amely játékok szabályaiban egyáltalán nem szerepel a vélet-
len. Természetesen, ha a kevert stratégiák közül szeretnénk
kiválasztani az optimálisakat, akkor a veszteségfüggvényt a
két játékos kevert stratégiáinak P1 , illetve P2 halmazán kell
értelmezni. Legyen L(π1 , π2 ) az az átlagos veszteség, amelyet
a második játékos fizet az elsőnek, ha a π ∈ P1 és π2 ∈ P2
kevert stratégiákat választják. Neumann minimax-tétele (a já-
tékelmélet alaptétele) a következő: ha S1 és S2 véges halmaz,
akkor
max min L(π1 , π2 ) = min max L(π1 , π2 ),

π1 ∈P1 π2 ∈P2 π2 ∈P2 π1 ∈P1
vagyis a kevert stratégiák körében mindig van nyeregpont,

azaz létezik mindkét fél számára optimális stratégia.
Könnyű igazolni, hogy a V2 − V1 = V különbség mindig
nemnegatı́v. Az egyszerűség kedvéért most csak olyan játé-
kokat vizsgáljunk, ahol mindkét jatékosnak csak 2 stratégiája
van, mint a paradoxonunk ujjfeltartós gyerekjátékában. Az
általánosságot az sem csorbı́tja, ha feltételezzük, hogy a 2 × 2-
es kifizetési mátrix legnagyobb száma 1, a legkisebb pedig 0.
Ha π1∗ , π2∗ jelöli a két játékos optimális kevert stratégiáját, ak-
kor a II/11-es paradoxonban bevezetett H entrópiajelöléssel
megmutattam, hogy

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
1 V
min{H(π1∗ ), H(π2∗ )} ≥ H( , ).
1+V 1+V
Az egyenlőtlenséget a játékok határozatlansági relációjának is

nevezhetjük.
A játékelmélet általános modellje nemcsak tényleges játé-
kok, hanem az élet sok más területén megnyilvánuló konf-
liktusok vizsgálatára is alkalmas. Matematikai szempontból
pl. a gazdasági versengés is „játék”-nak tekinthető, amely-
ben mindkét fél az optimális stratégia megtalálására törek-
szik. Minthogy egyre kevesebb területen lehet arra számı́-
tani, hogy az ellenfelek hosszú távon becsaphatják egymást,
egyre több területen válik fontossá a játékelmélet minimax-té-
teleiben szereplő kompromisszumos (a nyeregpontnak meg-
felelő) megoldás.
A játékelmélet egy új alkalmazása az úthálózatok és a köz-
lekedés elméletével kapcsolatos. Cohen és Kelly (lásd Iroda-
lom) szerint előfordulhat, hogy egy adott úthálózatot bővı́tve
(új utakat épı́tve) határozottan növekszik minden autós átla-
gos vezetési ideje. E paradoxon oka, hogy az autósok nem
egyeztetik egymással a vezetési útvonalaikat, ı́gy tipikusan
nem alakul ki „hálózatoptimum”.
A játékelmélet a következő fejezetben sorra kerülő mate-
matikai statisztikába is új szemléletet vitt, főként a magyar
származású Wald Ábrahám kutatásai nyomán. Az alábbi meg-
jegyzés a játékelmélet statisztikai alkalmazásaira mutat rá.
(ii) A matematikai statisztika tipikus problémája egy Fϑ
valószı́nűségeloszlás ismeretlen ϑ ∈ Θ paraméterének becs-
lése az (általában egymástól független) Fϑ eloszlású X1 , X2 ,
. . . , Xn megfigyelések, azaz a minta alapján (Θ tetszőleges,
előre megadott – általában számokból vagy vektorokból álló
– halmaz). A ϑ paraméter ϑ̂ becslése a minta függvénye: ϑ̂ =
f (X1 , X2 , . . . , Xn ). Tételezzük fel, hogy adott egy L(ϑ, c) két-
változós függvény, amely azt fejezi ki, hogy mennyi veszte-
ség (például anyagi veszteség) ér bennünket akkor, ha az is-
meretlen ϑ paramétert a c számmal becsüljük. Eléggé termé-
szetes feltételezni, hogy minél nagyobb a |ϑ − c| eltérés, an-
nál nagyobb a veszteség, ı́gy a leggyakoribb esetekben L(ϑ, c)
monoton növő függvénye |ϑ − c|-nek, például L(ϑ, c) = |ϑ −

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
c|δ , ahol δ > 0. Egy ϑ̂ = f (X1 , X2 , . . . , Xn ) becslés annál jobb-

nak minősı́thető, minél kisebb átlagos veszteséget okoz, azaz
minél kisebb az R(ϑ, ϑ̂) = E(L(ϑ, ϑ̂)) várható érték: az ún.
rizikófüggvény. Két becslés összehasonlı́tásakor azonban álta-
lában bizonyos ϑ értékekre az egyik becslés rizikófüggvénye
a kisebb, más ϑ értékekre pedig a másiké. Viszonylag szé-
les az olyan becslések köre, amelyek rizikófüggvénye csak
úgy csökkenthető egyes ϑ értékekre, ha közben más ϑ érté-
kekre növekszik a rizikófüggvény. Az ilyen becsléseket meg-
engedhetőeknek nevezzük, pontosabban egy ϑ̂0 becslés meg-
engedhető, ha R(ϑ, ϑ̂) 5 R(ϑ, ϑ̂0 ) csak úgy teljesülhet min-
den ϑ ∈ Θ esetén, ha R(ϑ, ϑ̂) = R(ϑ, ϑ̂0 ) minden ϑ ∈ Θ-
ra. Nyilvánvalóan érdemes megengedhető becsléseket hasz-
nálni, mert nem megengedhető becsléshez mindig található
olyan másik becslés, amelyiknek sehol sem nagyobb a rizikó-
függvénye, és valahol határozottan kisebb. (Ugyanakkor ér-
demes azt is hangsúlyozni, hogy egy becslést csak azért, mert
megengedhető, még nem feltétlenül érdemes használni, mert
nagyon is elképzelhető, hogy egy becslés megengedhetősé-
gét csak az okozza, hogy egyetlen paraméterértéket nagyon
pontosan becsül, de általában igen nagy a rizikófüggvénye.
Ha például egy ismeretlen valószı́nűséget mindig 1/2-del be-
csülünk a mintától függetlenül, akkor ez a becslés a (ϑ − c)2
veszteségfüggvény esetén megengedhető, hiszen ha a tény-
leges valószı́nűség is 1/2, akkor a veszteség 0, ami valóban
„alulmúlhatatlan”. Ha olyan becslés (megengedhető becslés)
kiválasztására törekszünk, amelyik a legrosszabb tényleges
paraméterérték esetén (a legnagyobb rizikójú esetben) csök-
kenti a lehető legkisebbre az átlagos veszteséget, akkor az ún.
minimax-becslést nyerjük. Ennek az óvatos becslésnek a defi-
nı́ciója a következő: egy ϑ∗ becslés minimax, ha
sup R(ϑ, ϑ∗ ) = inf sup R(ϑ, ϑ̂),

ϑ∈Θ ϑ̂ ϑ∈Θ
ahol az inf képzésekor ϑ̂ az összes lehetséges becsléseken vé-

gigfut. A matematikai statisztikában a „minimax-szemlélet”
a becslést egy „játéknak” tekinti, amelyben a természet „vá-
laszt” egy ϑ paramétert, mi pedig egy ϑ̂ becslést, és a játék

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
célja a minél kisebb átlagos veszteség. Ez az átlagos veszteség

csökkenthető, ha kevert stratégiákat is megengedünk, vagyis
lehetővé tesszük, hogy a természet véletlenszerűen válassza a
ϑ paramétert a Θ halmazból valamilyen τ eloszlás szerint, mi
pedig véletlenszerűen válasszuk a becslési eljárást az összes
lehetséges becslések közül valamilyen α eloszlás szerint. Ek-
kor a rizikófüggvény r(τ, α) = E(R(T, A)), ahol T egy olyan
valószı́nűségi változó, amelynek eloszlása τ , A eloszlása pe-
dig α. Az ilyen kevert stratégiák rizikófüggvényére már igen
általános feltételek mellett igaz a játékelmélet minimax-tétele,
pontosabban
sup inf r(τ, α) = inf sup r(τ, α).

τ α α τ
Minthogy a τ eloszlást nem ismerjük, ezért célszerű olyan α∗

kevert minimax stratégiát alkalmazni becslésként, amelyikre
sup r(τ, α∗ ) = inf sup r(τ, α).

τ α τ
12.5. Irodalom
J. D. Williams: Játékelmélet, Műszaki Könyvkiadó, Bp. 1972.
J. Neumann–O. Morgenstern: Theory of games and econo-
mic behavior. Princeton Univ: Press, Princeton, 1944.
A. Wald: Statistical decision functions, Wiley, New York,
1950.
L. J. Savage: The foundations of statistics, Wiley, New York,
1954.
Neumann J.: Válogatott előadások és tanulmányok, Köz-
gazdasági és Jogi Könyvkiadó, Bp. 1965.
I. Joó : A simple proof of Neumann’s minimax theorem,
Acta Sci. Math., 42, 91–94, 1980.
Szép J.–Forgó F.: Bevezetés a játékelméletbe, Közgazdasági
és Jogi Könyvkiadó, Bp. 1974.
S. J. Brams–P. J. Affuso: Power and size: a new paradox, The-
ory and Decision, 7, 29–56, 1976.
S. J. Brams–S. J. Staffin, Jr.: Prisoners’ dilemma and profes-
sional sport drafts, The American Mathematical Monthly, 86,
80–88, 1979.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
L. Dell’Aglio: Divergencies in the history of mathematics:

Borel, von Neumann and the genesis of game theory, Riv.
Stor. Sci. Ser. 2, 3, 1–45, 1995.
J. E. Cohen–F. P. Kelly: A paradox of congestion in a queuing
network, J. Appl. Prob. 27, 730–734, 1989.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
13. Villámparadoxonok
13.1. Nagy és kis valószı́nűségek paradoxona
Egy véletlen esemény 99%-os és 99,99%-os bekövetkezési va-
lószı́nűségét is hajlamosak vagyunk egyszerűen úgy értékel-
ni, hogy mindkét esemény szinte biztosan bekövetkezik, és
úgy érezzük, hogy a két valószı́nűség egymástól alig megkü-
lönböztethetően ugyanazt fejezi ki. Pedig a különbség bizo-
nyos esetekben nagyon is számottevővé válhat. Ha például
egymástól független események az év bármely napján 99%-
os valószı́nűséggel következnek be, akkor még 3%-os esélye
sincs annak, hogy az év minden napján bekövetkezik a vélet-
len esemény, de 99,99%-os megbı́zhatóság esetén már közel
97%-os az esély.
∗ ∗ ∗
E. Borel szerint a túl kis valószı́nűségű eseményeket attól
függően célszerű „gyakorlatilag lehetetlennek” minősı́teni,
hogy „emberi, földi, kozmikus vagy univerzális” értelemben
használjuk-e őket; ennek megfelelően a „határ”-nagyságren-
deket 10−6 -, 10−15 -, 10−50 -, illetve 10−1000 -nek választotta. A
kis valószı́nűségű események („valószı́nűségi kvantumok”)
azonosı́tása a lehetetlen eseményekkel azonban számos pa-
radoxonhoz vezethet. Ilyenekkel J. Neyman amerikai statiszti-
kus is foglalkozott, aki szerint például, ha egy repülőgép le-
zuhanását „gyakorlatilag lehetetlennek” vesszük, akkor meg-
magyarázhatatlanná válik a biztosı́tások kötése, az ellenkező
esetben viszont az válik megmagyarázhatatlanná, hogy miért
ülünk fel a repülőre.
(Irod.: E. Borel: Valeur pratique et philosophie des probabi-
lités; Traité du calcul des probabilités. Gauthier-Villars, Paris,
1924; J. Venn: The logic of chance, Chelsea, New York, 1962. –
Első kiadás 1866-ban.)
13.2. A valószı́nűség és relatı́v gyakoriság paradoxona

Pólya György alábbi története arra mutat rá, hogyan nem sza-
bad értelmezni a valószı́nűség és relatı́v gyakoriság kapcsola-
tát. Dr. Tel (a teleopatia doktora) megvizsgálja betegét, majd
hosszasan rázza a fejét. – Önnek nagyon súlyos a betegsége

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
– mondja. – Tı́z beteg közül csak egy éli túl. A beteg – érthe-
tően – teljesen kétségbeesik, mire dr. Tel vigasztalni kezdi. –
Önnek, uram, azonban nagy szerencséje van, hogy hozzám
fordult. Eddig ugyanis kilenc, önhöz hasonló betegem volt
és mindegyikük belehalt betegségébe, ön tehát túl fogja élni.
(Irod.: G. Pólya: Patterns of plausible inference. Vol. II. Prince-
ton Univ. Press, Princeton, 1954, 100. oldal.)
13.3. Éremparadoxonok
(i) Egy szabályos pénzérmét olyan sokszor dobunk fel, amı́g

vagy két fej (F F ), vagy egy fej és egy ı́rás (F I) nem jön ki
egymás után. Nyilvánvaló, hogy pontosan ugyanannyi an-
nak a valószı́nűsége, hogy F F hamarabb jön ki, mint F I,
hiszen F után ugyanolyan eséllyel jöhet ki újból F , mint I.
Ennek ellenére átlagosan többször kell feldobni az érmét ah-
hoz, hogy valamikor F F -et kapjunk, mint F I-t. Az előbbi-
hez átlagosan 6 dobás kell, az utóbbihoz pedig csak 4. [Jelölje
pl. MF az F F -hez szükséges dobások számának várható ér-
tékét, ha az első dobás F , és MI , ha az első dobás I; ekkor
MF = 1 + (1 + MI )/2 és MI = 1 + (MF + MI )/2, ahonnan
(MF + MI )/2 = 6, vagyis az F F -hez szükséges dobások át-
lagos száma valóban 6.] Még kiélezettebb a helyzet akkor, ha
az F IF I-t és az IF II-t hasonlı́tjuk össze. Az F IF I ugyanis
9
több, mint 50%-os, pontosabban 14 valószı́nűséggel hama-
rabb fordul elő, mégis átlagosan többször kell dobni ahhoz,
hogy F IF I-t kapjunk, mint ahhoz, hogy IF II-t. (Az előb-
bihez 20, az utóbbihoz viszont csak 18 dobás kell átlagosan.)
Ezek szerint hiába nagyobb annak a valószı́nűsége, hogy egy A ese-
mény hamarabb következik be, mint egy B esemény, mégis előfordul-
hat, hogy átlagosan hosszabb ideig kell várni A-ra, mint B-re.
Egyébként bebizonyı́tható, hogy az n hosszúságú F –I so-
rozatok közül arra kell a legtöbbet várni, amelyik kizárólag
F -ekből vagy kizárólag I-kből áll. Ilyenkor átlagosan 2n+1 − 2
a szükséges dobásszám, de a lehető legkevesebb átlagos do-
básszám is 2n , például akkor, ha addig dobunk, amı́g n − 1
darab F és egy ezt követő I nem fordul elő. (Tehát majd-
nem kétszer annyi ideig kell várni a tiszta F blokkra, mint
erre a másikra, annak ellenére, hogy ugyanolyan valószı́nű-

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
séggel következik be korábban a tiszta F blokk, mint a má-

sik.)
(ii) Egy szabályos érmét átlagosan legalább 8-szor kell fel-
dobni ahhoz, hogy a fej (F ) és az ı́rás (I) dobásának valami-
lyen előre megadott háromtagú sorozata (például F F I) elő-
forduljon. A legrövidebb akkor lesz az átlagos dobásszám, ha
az F F I, IF F , IIF vagy az F II kombinációk valamelyiké-
hez szeretnénk eljutni. (Mind a négy esetben 8 az átlagos do-
básszám, és minden más esetben több, mint 8.) Ha összeha-
sonlı́tjuk ezt a négy esetet abból a szempontból, hogy melyik-
nek kisebb az esélye arra, hogy korábban forduljon elő, akkor
azt a meglepő jelenséget számı́thatjuk ki, hogy
α) F F I-nek 14 a valószı́nűsége arra, hogy korábban fordul-
jon elő, mint IF F ,
1
β) IF F 3 valószı́nűséggel fordul elő hamarabb, mint IIF ,
1
γ) IIF 4 valószı́nűséggel fordul elő hamarabb, mint F II, és
végül
1
δ) F II 3 valószı́nűséggel fordul elő hamarabb, mint F F I.
Tehát F F I-ból kiindulva, mindig a kisebb valószı́nűségű
esemény felé haladva, végül is újból eljutottunk F F I-hez.
(Irod.: Shuo-Yen Robert Li: A martingale approach to the
study of occurrence of sequence patterns in repeated expe-
riments, Annals of Probability, 8, 1171–1176, 1980.)
13.4. A feltételes valószı́nűségek paradoxona

Léteznek olyan A, B és C események, hogy
α) az A esemény feltételes valószı́nűsége kisebb, ha azt téte-
lezzük fel, hogy a B esemény bekövetkezett, mint ha azt
tételezzük fel, hogy B nem következett be;
β) az A esemény feltételes valószı́nűsége nagyobb, ha azt té-
telezzük fel, hogy B és C is bekövetkezett, mint ha azt
tételezzük fel, hogy csak C következett be;
γ) az A esemény feltételes valószı́nűsége nagyobb, ha azt té-
telezzük fel, hogy csak B következett be, mint ha azt téte-
leznénk fel, hogy sem B, sem C nem következett be.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
Képletekkel röviden ı́gy ı́rható le a három tulajdonság:
P (A|B) < P (A|B̄), P (A|BC) > P (A|B̄C)
és
P (A|B C̄) > P (A|BC).
Mindez azért látszik ellentmondásosnak, mert úgy gondol-
hatnánk, hogy P (A|B) a P (A|BC) és P (A|B C̄) átlaga, és ha-
sonlóképpen P (A|B̄) is a maradék két feltételes valószı́nűség
átlaga, márpedig kisebb számok átlaga nem lehet nagyobb,
mint nagyobb számok átlaga. Az elgondolás azért téves, mert
nem ugyanolyan súlyok szerinti átlagolásról van szó a két
esetben:
P (A|B) = P (C|B)P (A|BC) + P (C̄|B)P (A|B C̄), mı́g

P (A|B̄) = P (C|B̄)P (A|B̄C) + P (C̄|B̄)P (A|BC).
Ha azonban a B és a C események függetlenek, akkor
P (C|B) = P (C|B̄) és P (C̄|B) = P (C̄|B̄),
ı́gy ekkor nem is fordulhat elő a fenti paradoxon, amelyet

egyébként C. R. Blyth: „On Simpson Paradox” cı́mmel tárgyalt
a J. Amer. Statist. Assoc. 1972. júniusi számában. (Ugyanebben
a folyóiratban ugyancsak Blyth a véletlen időtartamok most
következő paradoxonáról is ı́r.)
13.5. Véletlen időtartamok paradoxona

Egy véletlen esemény X, egy másik véletlen esemény pedig
Y (véletlen) idő múlva következik be, és tudjuk, hogy leg-
alább 99%-os valószı́nűséggel X nagyobb, mint Y , mégis elő-
fordulhat, hogy X sztochasztikusan kisebb Y -nál, azaz bár-
milyen rögzı́tett t időpont esetén nagyobb annak a valószı́nű-
sége, hogy X kisebb t-nél, mint annak a valószı́nűsége, hogy
Y kisebb t-nél, más szóval X eloszlásfüggvénye mindenütt
nagyobb, mint Y eloszlásfüggvénye. [Ez a paradox helyzet
nem fordulhat elő akkor, ha X és Y függetlenek egymástól.
Jelölje ugyanis X, illetve Y eloszlásfüggvényét F , illetve G,
és az egyszerűség kedvéért tételezzük fel, hogy G folytonos

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
és létezik inverze: G−1 . Ekkor a Z = G−1 (F (X)) véletlen idő-

pontnak is G az eloszlásfüggvénye, Z nagyobb, mint X, hi-
szen F nagyobb, mint G, ı́gy
1
P (X > Y ) 5 P (Z > Y ) = ,
2
minthogy Z és Y egymástól függetlenek és azonos eloszlá-
súak, tehát P (X > Y ) valóban nem érheti el a 99%-os szin-
tet.]
Hasonló jellegű paradoxon a következő is. Legyen X és Y
két olyan független valószı́nűségi változó, hogy X sztochasz-
tikusan kisebb, mint Y . Ekkor azt hihetnénk, hogy max(Y,
X + Y ) is sztochasztikusan kisebb, mint max(Y, X + Y ), ami
azonban nem igaz például akkor, ha X és Y is csak a −1, 0
és 1 értékeket veheti fel, mégpedig 41 , 41 és 12 , illetve 14 , 12 és
1
4 valószı́nűségekkel. (A SIAM Review 1970. áprilisi számá-
ban olyan tı́pusú problémák vizsgálata szerepel, hogy pél-
dául max(X, X +Y ) várható értéke az előbbi feltételek mellett
mindig kisebb-e max(Y, X + Y ) várható értékénél.)
13.6. Rendezési paradoxon

Két játékos: A és B a következő játékot játssza:
Első lépésként az A játékos tetszése szerint megszámoz 3
kockát, mégpedig úgy, hogy a 3 kocka összesen 18 oldalának
mindegyikére ráı́r egyet az 1, 2, 3, . . . , 18 számok közül. A szá-
mozást úgy kell elvégeznie, hogy mind a 18 szám pontosan
egyszer szerepeljen.
A második lépés az, hogy B megnézi, hogyan számozta
meg A a kockákat, és ezután kiválaszt közülük egyet.
A harmadik lépésben A választ egyet a maradék két koc-
kából. Az utolsó lépés az, hogy A és B feldobja a nála levő
kockát, és az nyer, aki nagyobb számot dobott.
Úgy tűnhet, hogy ebben a játékban B kedvezőbb hely-
zetben van, mint A, mert akárhogyan is számozza meg a
kockákat A, B ennek ismeretében mindig ki tudja válasz-
tani a legjobbat (vagy legalábbis a legjobbak egyikét), ı́gy B-
nek mindenképpen legalább 50%-os esélye van a nyerésre.
Paradox módon azonban ennek éppen az ellenkezője igaz:

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
A meg tudja számozni a kockákat úgy, hogy B akármilyen

választása esetén is maradjon számára olyan kocka, amellyel
legalább 2136 valószı́nűséggel (tehát több mint 50%-os esély-
lyel) nyer. Létezik ugyanis olyan számozás, amelynél a koc-
kák „körbeverik” egymást, azaz nincs közöttük „legjobb”. Je-
löljük a három kockát I-gyel, II-vel, illetve III-mal. Számozza
meg A a kockákat pl. a következő módon:
I-re ı́rja a 18, 10, 9, 8, 7, 5,
II-re ı́rja a 17, 16, 15, 4, 3, 2,
III-ra pedig ı́rja a 14, 13, 12, 11, 6, 1
számokat. Könnyű kiszámı́tani, hogy 21 36 valószı́nűséggel I-en
21
nagyobb szám jön ki, mint II-n, ugyancsak 36 valószı́nűség-
gel II-n nagyobb jön ki, mint III-on, és annak is 21 36 az esé-
lye, hogy III-on nagyobb szám adódik, mint I-en, tehát ezek
a kockák 21 36 valószı́nűséggel „körbeverik” egymást. Ennél a
számozásnál az A játékos mindenképpen kedvezőbb helyzet-
ben van, hiszen, ha B I-et, II-t vagy III-at választja és A en-
nek megfelelően III-at, I-et, illetve II-t veszi ki, akkor máris
jobbak az A nyerési esélyei. Bebizonyı́tható egyébként, hogy
21
36 -nál nagyobb valószı́nűséggel nem verhetik körbe a kockák
egymást. E paradoxon tanulsága az, hogy véletlen mennyisé-
geket nem lehet aszerint rendezni, hogy több, mint 50%-os
valószı́nűséggel melyik nagyobb a másiknál. Egyébként ha
megengedjük, hogy egy szám több kockaoldalon is előfordul-
jon, és pl. az
I kockára az 1, 4, 4, 4, 4, 4,
a II kockára a 2, 2, 2, 5, 5, 5,
a III kockára a 3, 3, 3, 3, 3, 6
számokat ı́rjuk (illetve az ezeknek megfelelő pöttyöket rajzol-
21
juk), akkor is 36 valószı́nűséggel verik körbe a kockák egy-
mást.
Fogalmazzuk meg most a paradoxont kissé általánosab-
ban! Legyenek X1 , X2 , . . . , Xn tetszőleges véletlentől függő
számok (azaz valószı́nűségi változók). Jelölje p1 , p2 , . . . , pn
sorra az X1 < X2 , X2 < X3 , . . . , Xn < X1 események valószı́-
nűségeit. A p1 , p2 , . . . , pn számok minimuma a „körbeverési
valószı́nűség”. Jelölje ezt a valószı́nűséget kn . A paradoxon
annál élesebb, minél nagyobb a kn . Könnyen megmutatható,

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
hogy kn sohasem lehet nagyobb, mint n−1 n , és ez a legkisebb

felső korlát. Sokkal nehezebb a kn legkisebb felső korlátjának
a meghatározása abban az esetben, ha az X1 , X2 , . . . , Xn va-
lószı́nűségi változók függetlenek (mint pl. a kockadobások
eredményei). Jelölje ebben az esetben a legkisebb felső kor-
látot fn . Usiskin kiszámı́totta√(Annals of Statist. 35, 857–862,
1964), hogy f2 = 12 , f3 = 5−1 2 (az aranymetszési arány),
f4 = 32 stb. Az fn sorozat monoton növekedően 34 -hez kon-
vergál. (A konvergenciasebesség n−2 nagyságrendű.)
13.7. A kocka egy szabályossági mérőszámának

paradoxona
Kiszámı́tható, hogy egy szabályos dobókockát átlagosan 7-
szer kell feldobni ahhoz, hogy valamelyik oldala kétszer for-
duljon elő egymás után, és átlagosan 43-szor ahhoz, hogy va-
lamelyik oldala háromszor jöjjön ki egymás után. Ha a kocka
szabálytalan (nem ugyanolyan valószı́nűséggel esik minden
oldalára), akkor ennél kevesebb átlagos dobásszám is elegen-
dő a kétszeri, illetve a háromszori egymás utáni ismétlődés-
hez. Nevezzük az I kockát szabályosabbnak, mint a II kockát,
ha az I-et átlagosan többször kell feldobni ahhoz, hogy vala-
melyik oldala kétszer (illetve háromszor) egymás után előfor-
duljon, mint a II-t. Paradox módon azonban előfordulhat az,
hogy a kétszeri ismétlődéshez I-et kell többször feldobni átla-
gosan, mı́g a háromszori ismétlődéshez II-t.
A következő egyszerű példa Móri Tamástól származik. Es-
sen az I-es kocka 0,03, 0,03, 0,19, 0,19, 0,28, 0,28 valószı́nűsé-
gekkel az egyes oldalaira. A II-es kockánál pedig legyenek a
valószı́nűségek a következők: 0,04, 0,04, 0,17, 0,17, 0,29, 0,29.
Ekkor az I-es kockát átlagosan 5,41-szer, mı́g a II-est 5,47-szer
kell feldobni ahhoz, hogy valamelyik oldala kétszer jöjjön
ki egymás után. A háromszori egymás utáni ismétlődéshez
viszont I esetén átlagosan 22,54-et, II esetén pedig 22,35-öt
kell dobni. E paradoxon jól mutatja, hogy a kockák „szabá-
lyossági fokát” nem célszerű az emlı́tett módon értelmezni.
(Általánosan bebizonyı́tható, hogy ha a kocka valamelyik ol-
dala pozitı́v p valószı́nűséggel jön ki, akkor ahhoz, hogy ez
az oldal k-szor egymás után forduljon elő, átlagosan mp =

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
p−1 + p−2 + . . . + p−k dobásszám szükséges. Forduljanak elő a

kocka egyes oldalai p1 , p2 , . . . valószı́nűségekkel, és jelölje Mk
azt az átlagos dobásszámot, amennyi ahhoz szükséges, hogy
valamelyik oldal k-szor egymás után jöjjön ki. Ekkor
Mk−1 = m−1 −1
p1 + mp2 + . . .
Ha például p1 = p2 = . . . = 16 , akkor M2 = 7 és M3 = 43

ahogyan ezt már emlı́tettük is.)
13.8. Születésnapok paradoxona

Ha egy csoportban legfeljebb 365 ember gyűlik össze, akkor
előfordulhat, hogy mindegyiküknek más napra esik a szüle-
tésnapja, de ha már 366-an vannak, akkor biztosan lesz kö-
zöttük kettő, akiknek közös a születésnapjuk. (A szökőévek-
től most eltekintünk.) Meglepő módon azonban már 55 em-
ber is bőven elegendő ahhoz, hogy 99%-os biztonsággal ál-
lı́thassuk: lesz közöttük két olyan, akiknek közös a születés-
napjuk; 68 ember esetén pedig már 99,9%-os a biztonság.
Szinte hihetetlenül hangzik, hogy ilyen óriási különbség le-
het a 99%-os (illetve a 99,9%-os) és a 100%-os biztonság kö-
zött, pedig éppen ez a paradoxnak tűnő jelenség az egyik
pillére a valószı́nűségszámı́tás széles körű alkalmazhatóságá-
nak. (Hasonló jelenség fordult elő a de Moivre paradoxoná-
hoz fűzött 2. megjegyzésben.) Ha csak 97%-os biztonságra tö-
rekszünk, akkor 50 ember, ha pedig csak több mint 50%-os
biztonságra, akkor már 23 ember is elegendő, vagyis 23 em-
ber között már több mint 50% az esélye annak, hogy közülük
valamelyik kettőnek azonos napra esik a születésnapja.
(Ha egy évnek n napja van, akkor
n(n − 1)(n − 2) . . . (n − x + 1)
nx
annak a valószı́nűsége, hogy véletlenszerűen kiválasztott x
számú embernek a születésnapjai mind különböző napokra
essenek, természetesen feltételezve, hogy x nem nagyobb,
mint n. Eszerint, ha
n(n − 1)(n − 2) . . . (n − x + 1)
= 1 − p,
nx

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
akkor éppen p a valószı́nűsége annak, hogy az x ember között

lesznek, akiknek közös a születésnapjuk. Ennek az egyenlet-
nek a közelı́tő megoldása, ha p nagyobb 0-nál és kisebb 1-nél:
r
1
x ≈ 2n ln .
p
√
Ha például p = 12 , akkor x ≈ 1,2 n, ami n = 365 esetén való-
ban visszaadja a már emlı́tett 23-as számot, de√más p értékek
esetén is a fenti képlet szerint x nagyságrendje n, kivéve ter-
mészetesen a „határeseteket”, például a p = 1 esetet, amikor
x = n + 1. Éppen ez a hirtelen ugrás okozta a paradoxont.
Amennyiben arra vagyunk kı́váncsiak, hogy minimálisan
hány tagú társaságban lesz legalább 50%-os eséllyel valaki-
nek ugyanazon a napon a születésnapja, mint amikorra a sa-
játunk esik, akkor a közelı́tő eredmény
x(x − 1)
y= ,
2
ami x = 23 esetén 253. Amı́g a 23 kevesebb volt a vártnál, ad-
dig a 253 talán kicsit több annál: az év napjai felének megfe-
lelő 183 ember azért nem elég, mert közülük többnek azonos
napra is eshet a születésnapja, ı́gy nem „fedik le” a teljes év-
nek a felét.
Nehezebb a születésnapok problémájának megoldása ak-
kor, ha azt az x legkisebb határt szeretnénk megállapı́tani,
amelynél több ember között már k olyan ember is lesz, aki-
nek p valószı́nűséggel mind ugyanarra a napra esik a szüle-
tésnapja. (Az eredmény: x ≈ cp n(k−1)/k , ahol a cp konstans
csak p-től függ, de n-től és k-tól nem.)
13.9. Fej vagy ı́rás paradoxon

Szabályos érmével fej vagy ı́rás játékot játszunk, az érmét 100-
szor dobjuk fel. Melyik valószı́nűbb a következő két esemény
közül:
a) pontosan 50 fejet dobunk,
b) legalább 60 fejet dobunk?
Meglepő módon az a) esemény a valószı́nűbb!

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
[De Moivre paradoxonában emlı́tettük, hogy a) valószı́nű-

sége kb. 8%, ugyanakkor éppen a Moivre–Laplace-tétel sze-
rint csak kb. 1 − ϕ(2) ≈ 3% a b) esemény valószı́nűsége.
Annak esélye viszont, hogy legalább 55 fejet dobunk, már
kb. 16%, vagyis ez az esély kétszerese a) esélyének, ellentét-
ben b) valószı́nűségével, ami a) valószı́nűségének még a felét
sem érte el.]
13.10. Az érem harmadik oldala

Az érem harmadik oldalát rendszerint számı́táson kı́vül szok-
tuk hagyni, hiszen az érem valóban nem szokott az élére
esni. Természetesen az érméknek az átmérőjükhöz viszonyı́-
tott vastagsága igen különböző lehet, ezért érdemes kiszámı́-
tani, hogy milyen vastagságú érme esetén fordul elő például
az a „valószı́nűtlenül hangzó” eset, hogy az érme ugyanolyan
eséllyel (1/3 valószı́nűséggel) esik az élére, mint a két lapjára.
Az egyszerűség kedvéért az érmét egy lapos hengernek
képzeljük, amelynek alapja az érme két lapja és palástja az
érem „harmadik oldala”. Ha az érmét egy olyan tengely körül
pörgetjük meg, amely átmegy az érem középpontján és pár-
huzamos a lapjaival, akkor a problémát sı́kbelivé redukálhat-
juk. Vegyünk egy olyan sı́kmetszetet, amely tartalmazza az
érem középpontját, és merőleges a lapokra. Ez a sı́kmetszet
egy téglalap. Írjunk e téglalap köré egy kört, amelynek kö-
zéppontja egybeesik a téglalap középpontjával. Válasszunk
1.6. ábra. Mikor esik az érme az élére?

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
ki véletlenszerűen (egyenletes eloszlás szerint) egy „földet

érési” pontot e kör kerületén. Igen egyszerű úgy képzelni,
hogy az érme olyan valószı́nűséggel esik az élére, amilyen
valószı́nűséggel e véletlen pontot a középponttal összekötő
sugár a téglalap azon oldalát metszi, amelyik a palástnak fe-
lel meg. Ebben az esetben az érme pontosan akkor esik 1/3
valószı́nűséggel az élére, ha a vastagságának és átmérőjének
aránya tg 30◦ ≈ 0,577. Amennyiben a feladatot nem redu-
káljuk sı́kbelivé, és megengedjük, hogy az érem szabadabban
pörögjön, pontosabban, ha az imént emlı́tett véletlen pontot
az érem köré ı́rt gömb felületén választjuk ki egyenletes el-
oszlás szerint, és úgy számolunk, hogy az érme akkor esik
az élére, ha e pontot a középponttal összekötő sugár metszi
az éremhenger palástját, akkor az érme abban az esetben fog
ugyanolyan eséllyel az élére esni, mint a lapjaira, ha a vastag-
ságának és átmérőjének aránya 0,354 . . .. Természetesen sok
más – a fizika szempontjából reálisabb – megoldás is elképzel-
hető; közülük az a meglepőbb, amelyiknél az emlı́tett arány
kisebb, hiszen a lapos érméről gondoljuk mindannyian azt,
hogy lényegében sosem esik az élére.
13.11. Borel paradoxona

Legyen egy véletlen pont egyenletes eloszlású valamely
gömb (például az egyszerűség kedvéért gömb alakúnak te-
kintett Föld) felszı́nén. A véletlen pont megadásának szoká-
sos módja a hosszúság és szélesség. Adott szélesség esetén
a hosszúság egyenletes eloszlású, de adott hosszúság esetén
a szélesség nem (a sűrűségfüggvény a szélesség cosinusával
arányos). Eszerint például nem ugyanolyan a véletlen pont
eloszlása, ha azt tételezzük fel, hogy a pont az egyenlı́tőn van,
mintha azt tételezzük fel, hogy a greenwichi meridiánon. Ez
azért paradoxon, mert az egyenlı́tő és az emlı́tett meridián tel-
jesen szimmetrikus szerepű (mindegyik ugyanolyan főköre a
gömbnek).
∗ ∗ ∗
Hasonló paradoxon a következő is. Legyen X és Y két,
egymástól független standard normális eloszlás. Az (X, Y )
egy véletlen sı́kbeli pontként is tekinthető. Legyen e pont két

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
1.7. ábra. Az egyenlı́tő és a meridián is ugyanolyan főköre a gömbnek, de

a feltételes valószı́nűségsűrűségek meghatározásához azt is számı́tásba kell
venni, hogy az egyenlı́tőt gömbövek, a meridiánt pedig gömbkétszögek öve-
zik
polárkoordinátája R és ϕ. Az X = Y feltétel mellett R2 =

2X 2 olyan, mint egyetlen standard normális eloszlás négy-
zete kétszeresének eloszlása. Ugyanakkor a ϕ = π4 vagy ϕ =
5π 2 2 2
4 feltétel mellett R = X +Y eloszlása olyan, mint két füg-
getlen standard normális eloszlás négyzetösszege (minthogy
R és ϕ függetlenek egymástól). Eszerint az X = Y feltétel
mellett egészen más R2 eloszlása, mint a ϕ = π4 vagy ϕ = 5π 4
feltétel mellett, ami azért rendkı́vül meglepő, mert a két fel-
tétel pontosan ugyanaz, csak az egyik a szokásos, a másik a
polárkoordináták nyelvén fogalmazódott.
(Irod.: P. Billingsley: Probability and measure, Wiley, New
York–Chichester–Brisbane–Toronto, 1979.)
13.12. A feltételes eloszlások egy paradoxona
Legyenek X és Y valószı́nűségi változók és f (x, y) egy olyan

kétváltozós függvény, hogy tetszőleges rögzı́tett y esetén
f (X, y) eloszlása független Y -tól. Igaz-e, hogy ekkor f (X, Y )
eloszlása is független Y -tól? Az alábbi egyszerű példa mu-
tatja, hogy nem. Legyen ugyanis X = Y egyenletes elosz-
lású a (0, 1) intervallumon és f (x, y) = y, ha x = y, egyéb-
ként pedig legyen f (x, y) = 0. Ekkor f (X, y) eloszlása 1 va-

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
lószı́nűséggel azonosan 0, ı́gy nem függ Y -tól, ugyanakkor

f (X, Y ) = Y nyilvánvalóan nem független Y -tól.
(Irod.: M. D. Perlman–M. J. Wichura: A note on substitution
in conditional distribution. Annals of Statist., 3, 1175–1179,
1975.)
13.13. Nyerés veszteséges játékban
Egy játékban mindig páros számú játszmát kell játszani. Az A

játékos p = 0, 45 valószı́nűséggel nyer pontot, az ellenfele, B
pedig 0,55 valószı́nűséggel. Ahhoz, hogy valamelyikük győz-
zön, meg kell szereznie a pontoknak több, mint a felét. Ha az
A játékosnak jogában áll megválasztani azt, hogy melyik le-
gyen az a pozitı́v páros szám, amelyik megadja, hogy hány
partit fognak játszani, akkor paradox módon A-nak nem a
legkisebb páros számot, 2-t érdemes választania, pedig vesz-
teséges játékból általában célszerű minél hamarabb kiszállni.
Valóban ez lenne a helyzet, ha páratlan számú játszma is
megengedett volna, mert ekkor A-nak már 1 játszma után
abba kellene hagyni a játékot. Páros számú játék esetén is
abba kellene hagyni a lehető leghamarabb (2 játszma után),
ha p nagyon kicsi (1/3-nál kisebb) lenne. A p = 0,45 esetben
azonban 2 játszma után csak 0,452 = 0,2025 valószı́nűség-
gel nyerne A. Ha tovább játszik, kedvezőbb helyzetbe kerül.
Könnyű igazolni, hogy éppen 10 játszma az optimális A szá-
mára.
(Irod.: F. Mosteller: Fifty challenging problems in probabi-
lity with solutions, Reading, Addison–Wesley, 1965.)
Hátrányos játékból egyébként általában valóban célszerű
minél hamarabb kiszállni. Ha például 20 dollárra van szük-
ségünk, de csak 10 dollárunk van, és a hiányzó 10-et rulette-
zéssel szeretnénk megszerezni, akkor tekintettel arra, hogy a
rulett hátrányos játék, valóban célszerű minél kevesebb ideig
próbálkozni vele, vagyis egyszerre fel kell tenni az összes
pénzünket például pirosra. A nyerés valószı́nűsége ekkor
18/38 (az amerikai rulettben két 0 van: 0 és 00), mı́g ha min-
den játszmában csak 1 dolláros téttel próbálkoznánk, akkor
csak 0, 11 valószı́nűséggel érnénk el a 20 dolláros célunkat.
Ebben a játékban tehát, ha nem is feltétlenül igaz az, hogy

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
aki mer, az nyer, de legalábbis az nyer a legnagyobb valószı́-

nűséggel. Erről a témáról részletesen ı́r L. E. Dubins és L. J.
Savage: How to gamble if you must cı́mű, 1965-ben megjelent
könyvében.
13.14. A biztosı́tás paradoxona

Az ügyfél vagyonának valamilyen (1-nél kisebb) b-szeresét
szeretné biztosı́tani minden évben egy olyan kár ellen, ame-
lyik p valószı́nűséggel következik be évenként. Az évi biztosı́-
tási dı́j az ügyfél vagyonának (szintén 1-nél kisebb) c-szerese.
A biztosı́tótársaságok olyan biztosı́tást kötnek, amelyben a
nyereségük várható értéke pozitı́v, azaz c nagyobb, mint pb.
Hogyan magyarázható meg matematikailag, hogy az ügyfél
általában mégis köt biztosı́tást, holott tudja, hogy a biztosı́tás
nyereséges üzlet a biztosı́tónak?
Ha az ügyfél köt biztosı́tást, és n éven keresztül fizeti a dı́-
jat, de a biztosı́tó sosem kényszerül fizetésre, akkor ezáltal az
ügyfél kezdeti V vagyona V (1 − c)n -re csökken. Mi történik
azonban akkor, ha nem biztosı́t? Jelölje Xk azt a valószı́nű-
ségi változót, amely 1-gyel egyenlő, ha a k-adik évben kár éri
az ügyfelet, egyébként legyen Xk = 0. Ekkor az ügyfél va-
gyona a (k + 1)-edik évben
Vk+1 = Vk (1 − bXk+1 ),
ı́gy végül is n év eltelte után a vagyona

n
Y Pn
ln(1−bXk )
Vn = V (1 − bXk ) = V e i=1 .
k=1
Minthogy ln(1 − bXk ) várható értéke p ln(1 − b), ezért nagy

valószı́nűséggel
Vn ≈ V enp ln(1−b) = V (1 − b)np .
Ezek szerint érdemes biztosı́tást kötni, ha V (1 − b)np kisebb,

mint V (1 − c)n , azaz ha (1 − b)p kisebb, mint 1 − c, vagyis
(hatványsorba fejtéssel): ha c kisebb, mint pb + p(1−p) 2 b2 +
p(1−p)(2−p) 3
6 b + . . .. Tehát mindkét fél megtalálja a számı́tását,

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
ha c nagyobb, mint pb, de azért kisebb, mint az iménti összeg.

Jól látható, hogy minél kisebb a b (vagyis a vagyonának mi-
nél kisebb részét akarja biztosı́tani az ügyfél), annál kisebb a
mindkét fél számára kedvező c biztosı́tási arány megválasztá-
sának szabadsága, de minden esetben valóban létezik mind-
két fél számára előnyösnek mondható szerződés.
(Bizonyos értelemben a lottózás is egy biztosı́tás: ha valaki
állandóan fix számokkal játszik, de egyszer csak abbahagyja
a játékot és ezt követően valamikor telitalálata lenne, akkor
könnyen gutaütést kaphatna – ehhez képest igazán előnyös
a szelvények ára. Egészen más a helyzet a totóval, hiszen alig
akad normális totózó, aki fix tippekkel játszik, ı́gy kevésbé
nyilvánvaló, hogy „mit hagyott ki”, amikor nem játszott.)
13.15. Abszurdok, Lewis Carroll
A villámparadoxonok sorát valószı́nűségszámı́tási falláciák-

kal, abszurdokkal zárjuk, olyan feladatokkal, amelyekre hely-
telen megoldást adunk, ahol az eredmények nyilvánvaló
képtelenségek, de talán nem mindenki számára nyilvánvaló,
hogy a megoldásban hol a hiba. Mind az irodalomban, mind a
matematikában az abszurd nagy kedvelője volt Lewis Carroll
(eredeti nevén Charles Dodgson), a leghı́resebb angol gye-
rekkönyv: az „Alice csodaországban” szerzője. (Nicolae Ba-
lota: Abszurd irodalom c. művében Carrollt a modern ab-
szurd első számú előfutárának tekinti.) Carroll élete utolsó tı́z
évében erősen vonzódott a matematikai abszurd felé [utal-
hatunk a Curiosa Mathematica (1888) gyűjteményére vagy a
Mind folyóirat 1895. áprilisi számában közölt cikkére]. Pillow
Problems (1894) cı́mű művében a következő abszurd olvas-
ható:
Egy zsákban két zseton van, mind a kettő vagy piros vagy
fehér. Találjuk ki a zsetonok szı́nét anélkül, hogy megnéznénk
azokat. Carroll szerint a helyes felelet mindenképpen a kö-
vetkező: az egyik piros, a másik fehér; indokolása ı́gy hang-
zott. Ha a zsákban két piros (P ) és egy fehér (F ) zseton volna,
akkor 2/3 valószı́nűséggel húznánk a zsákból pirosat, és en-
nek a fordı́tottja is igaz: csak akkor 2/3 a P húzásának való-
szı́nűsége, ha a zsákban két P és egy F zseton van. Tegyünk

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
az eredetileg két zsetont tartalmazó zsákba még egy P zse-

tont. Ekkor a zsákban négy egyenlő esélyű (1/4 valószı́nű-
ségű) zsetonösszetétel lehetséges: P P P , P F P , P P F , P F F .
Ha az első a tényleges helyzet, akkor 1 valószı́nűséggel hú-
zunk P -t, a második és harmadik esetben 2/3 valószı́nűség-
gel, az utolsó esetben pedig 1/4 valószı́nűséggel. Ezek szerint
a P húzásának a valószı́nűsége: 1· 14 + 23 · 14 + 32 · 14 + 31 · 14 = 32 , ami
az előbbiek szerint csak úgy lehetséges, ha a zsákban két P és
egy F zseton van, tehát a P zseton hozzátétele előtt csak egy
P és egy F lehetett a zsákban. A most kapott eredmény nyil-
vánvaló képtelenség, valahol tehát hibás a „levezetés”. Ennek
a hibának a megkeresését az olvasóra bı́zzuk. (Biztatásul egy
Lewis Carroll-i idézet: „Tudom, hogy képtelenséget beszélnek
. . . és emiatt nincs miért sı́rnom.”)
Hasonló abszurd eredményhez vezet a következő okosko-
dás is. Három rab: A, B, C közül kettőt kivégeznek. Ezt ők is
tudják, csak abban nem biztosak, hogy melyikük a szerencsés
harmadik. Az A rab ı́gy okoskodik: „annak a valószı́nűsége,
hogy éppen engem nem végeznek ki 1/3, ha viszont megké-
rem az őrt, hogy árulja el a két kivégzendő rab közül az egyik
(tőlem különbözőnek) nevét, akkor már csak két eset lehet-
séges: vagy én vagyok a másik kivégzendő, vagy nem, ı́gy
1/2-re emelkedik a túlélési esélyem”. Ugyanakkor az is igaz,
hogy A már az őr válasza előtt is tudja, hogy két társa kö-
zül valamelyiket biztosan kivégzik, ı́gy az őr az A kivégzése
szempontjából semmi lényeges információt nem árult el. Ho-
gyan változott meg mégis kivégzési valószı́nűsége?
(A válasz igen egyszerű: a valószı́nűség cseppet sem vál-
tozott meg, maradt 1/3, a rab a számı́tásában ugyanis nem
vette figyelembe, hogy az őr feleolyan valószı́nűséggel mond
például B-t akkor, ha B-t és C-t végzik ki, mint ha A-t és
B-t, hiszen ez utóbbi esetben A-t nem nevezhette meg, tehát
A szabadulásának tényleges valószı́nűsége annyi, ahányszor
nagyobb az előbbi eset valószı́nűsége, mint a két eset valószı́-
1/6
nűsége együttvéve: 1/6+1/3 = 13 .)

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
2
Paradoxonok a matematikai
statisztikában
Ha egy kı́sérlet eredményeinek kiértékeléséhez statisztikára
van szükség, akkor jobb megismételni a kı́sérletet.
(Ernest Rutherford)
A statisztika a számok fizikája.

(Persi Diaconis)
„Születése rendetlen volt,

azért szerette szenvedélyesen
a rendet, . . . ”
(Thomas Mann: A törvény)
„Ahol a szabadság a rend,

mindig érzem a végtelent.”
(József Attila: Töredék)
A statisztika eredetileg államszámtan volt. (Maga a „statisz-

tika” szó is az „állam” jelentésű latin „status”-ból alakult ki.)
A statisztika az ókortól kezdve arról tájékoztatta az államok
vezetőit, mekkora adókat vethetnek ki alattvalóikra és hány
katonára számı́thatnak egy eljövendő háborúban. Kı́nában
már négyezer évvel ezelőtt összeı́rták a lakosságot, felmérték
az ingatlanokat és az ingóságokat. A Biblia szerint Mózes is
megszámolta népének húsz éven felüli férfiait, az eredmény:
603 550. Mózes negyedik könyve seregnyi más népszámlá-
lási adatot is tartalmaz, de igen valószı́nű, hogy az adatok
túlzóak, mint ahogyan túlzóak a római császárkori Athénaiosz
adatai is a görög városállamok rabszolgáinak számáról. Egé-
szen valószı́nűtlen, hogy például Athénben 400 000, Korin-
86
Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
thoszban pedig 460 000 rabszolga lett volna. Nem lehet tudni,
hogyan „fújódtak fel” a népszámlálási eredmények, tény vi-
szont, hogy a népszámlálásnak megfelelően a világ legelső
milliós nagyvárosa valóban a császárkori Róma volt. Anglia
első földbirtok-összeı́rása: a Domesday Book, amely a XI. szá-
zadban született, szintén az adózás és a hadsereg céljait szol-
gálta. Nyilván éppen ennek tulajdonı́tható, hogy például a
nők számbavételét egészen az újkori népszámlálásokig mel-
lőzték. A statisztika csak a polgári forradalmak után vált igazi
tudománnyá. Úttörői John Graunt (1620–1674) és William Petty
(1623–1687). A kapitalizmusban már nemcsak az államok ve-
zetőit, hanem a tőkés vállalkozókat is érdekelni kezdték a sta-
tisztikai felmérések, és egyre komolyabb matematikai eszkö-
zöket használtak föl adataik feldolgozására, egyre növekvő
haszonnal, például a biztosı́tásban. Az első nagy biztosı́tótár-
saságok közül a Lloyd’s – amely még napjainkban is Ang-
lia (és a világ) egyik legnagyobb biztosı́tási csúcsmonopóli-
uma – már a XVII. században megjelent, igaz, akkor még csak
egy kávéház volt a londoni Tower Streeten. A jó biztosı́tás
alapja a pontos felmérés és a helyes matematikai következ-
tetés. A XVII. század óta a matematikai statisztika fokozato-
san a matematika önálló ágává fejlődött, amelynek fő célja:
minél megbı́zhatóbb hasznosı́tható információt nyerni a fel-
mérési, megfigyelési és mérési adatokból: a statisztikai min-
tából. (Az adatok konkrét tartalmától elvonatkoztatott infor-
máció mennyiségének a mérése csak a huszadik század má-
sodik felében vált önálló tudománnyá információelmélet né-
ven, amely természetesen igen sok szállal kapcsolódik a ma-
tematikai statisztikához.)
Ahogyan JuVenalis szerint „nehéz szatı́rát nem ı́rni”, úgy
a statisztikában is nehéz paradoxont nem találni. A tapaszta-
lat szerint kevés tudományterületet övez annyi félreértés és
paradoxon, mint a statisztikát. Egy tréfa szerint a Harvard
egyetem hallgatónőinek 33 százaléka 1901-ben professzora-
ihoz ment férjhez. Igaz is, mindössze három lány járt akkor
az egyetemre, s közülük egy valóban professzorné lett. He-
lyes az állı́tás, de félrevezető a beállı́tás. Ha egy országban
az egyetemekre rendszeresen pl. 20%-kal több fiút vesznek
fel, mint lányt, és feltételezzük, hogy a felvételizők egyforma

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
felkészültségűek, akkor ebből általában azt a következtetést

szokták levonni, hogy a felvételi bizottságok a fiúkat része-
sı́tik előnyben. Pedig igen gyakori eset, hogy a lányok na-
gyobb arányban jelentkeznek a divatosabb szakokra, ahol lé-
nyegesen nagyobb a visszautası́tási arány, ezért annak elle-
nére, hogy minden szakon arányosan vesznek fel fiúkat és
lányokat, végül is sokkal több lesz a fiú egyetemista. Nem ke-
vésbé félrevezető, pontosabban félreértelmezhető L. P. Ayres
1913-ban készı́tett szövegelemzése, amelyben megállapı́tja,
hogy a leggyakoribb 50 szó az általa vizsgált teljes szöveg kb.
50%-át teszi ki, a leggyakoribb 300 szó a szöveg 75%-át, a leg-
gyakoribb ezer szó pedig már 90%-át. Ennek alapján azon-
ban egyáltalán nem szabad arra gondolni, hogy ha valaki egy
nyelv 50 vagy akár 100 szavát ismeri, akkor már „félig érti”
a nyelvet, hiszen például a gyakran előforduló névelők is-
merete alig segı́t a szövegek tényleges megértésében. Nem
csoda, ha sokan úgy tartják: „van kis hazugság, nagy hazug-
ság és statisztika”. Talán éppen a matematikai statisztika pa-
radoxonainak megértése segı́t ahhoz, hogy a statisztikai kö-
dösı́téseken átlássunk, megértsük a valóban hasznos, sőt nél-
külözhetetlen statisztikai következtetéseket, és megtaláljuk a
kulcsfontosságú információkat.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
1. A Bayes-paradoxon
A matematikai statisztika kiemelkedő úttörője az angol Tho-
mas Bayes, akinek 1750 körül felfedezett (de csak halála után
megjelent) tétele olyan tudományos viták kiindulópontja lett,
amelyek hevessége mind a mai napig nem csökkent, sőt a
„bayesi” és „nem bayesi” matematikusokat semmivel sem ki-
sebb felfogásbeli szakadék választja el egymástól, mint annak
idején Einsteint és a kvantummechanika képviselőit. A Bayes-
tételt a következő formában szokás megfogalmazni. Ha A
és B két tetszőleges esemény, valószı́nűségeik P (A) > 0 és
P (B) > 0, együttes bekövetkezésük valószı́nűsége P (AB),
az A-nak a B, illetve a B-nek az A feltétel melletti feltételes
valószı́nűsége P (A|B), illetve P (B|A), akkor
P (AB) P (A|B)P (B)

P (B|A) = , azaz P (B|A) = .
P (A) P (A)
Ebből következik, hogy ha B0 , B1 , . . . egymást kizáró pozi-

tı́v valószı́nűségű események, amelyek valamelyike biztosan
(vagy legalábbis 1 valószı́nűséggel) bekövetkezik, akkor
P (A|Bk )P (Bk )
P (Bk |A) = ,
P (A|B0 )P (B0 ) + P (A|B1 )P (B1 ) + . . .
vagyis ha ismerjük a Bk eseményeknek az A esemény meg-

figyelése előtti ún. apriori P (Bk ) valószı́nűségeit, akkor az A
esemény bekövetkezése utáni ún. aposteriori valószı́nűségeik
a fenti képlet szerint változnak meg. Ha a Bk eseményeket
„okoknak” interpretáljuk, akkor a Bayes-tétel az „okok való-
szı́nűségének” tétele. Maga a tétel önmagában semmi vitára
nem ad alkalmat, de az alkalmazásokat igen sokszor olyan
esetekben is használják, amikor a P (Bk ) valószı́nűségek nem
ismertek. Igen tipikus és általánosságban nem is elfogadható
az az elképzelés, hogy a Bk „okokra” vonatkozó „semmilyen
előzetes információ” azzal egyenértékű, hogy a P (Bk ) való-
szı́nűségek egyformák. Bayes olyan esetekben alkalmazta a
tételét, amikor az apriori valószı́nűségek folytonos eloszlá-
súak voltak, pontosabban egyenletes eloszlásúak a (0, 1) in-

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
tervallumon. Bayes szerint, ha egy ismeretlen p valószı́nű-

ségű esemény n + m megfigyelés közül n-szer következett
be és m-szer nem, akkor annak az esélye, hogy p a (0, 1) in-
tervallum egy (a, b) részintervallumába esik
Rb
xn (1 − x)m dx
Ra1 .
0
xn (1 − x)m dx
Bayes „természetesen” abból indult ki, hogy ha p-ről semmi

előzetes információ sincs, akkor p apriori valószı́nűségsűrű-
sége az egész (0, 1) intervallumon egyenletes. Ha például
n = 1, m = 0, a = 1/2 és b = 1, vagyis, ha csak egyetlen
kı́sérletet végzünk és ekkor bekövetkezik a vizsgált esemény,
akkor annak esélye, hogy a vizsgált esemény valószı́nűsége
több, mint 1/2, a fenti képlet szerint 3/4. Nyilván kevesen
akadnak, akik eme eredmény alapján fogadásokat mernének
kötni az ismeretlen valószı́nűségre, részben azért, mert két-
ségbe vonják az apriori eloszlás egyenletességét.
Az apriori eloszlás ismeretének hiánya olyan negatı́v ha-
tással volt a Bayes-tétel szerinti statisztikai következtetésekre,
hogy az már-már teljesen kiszorult a statisztika fő vonalá-
ból. A XX. század második harmadában azonban a Bayes-féle
következtetéseknek új fellendülése kezdődött többek között
azért, mert bebizonyosodott, hogy a megengedhető és mini-
max-becslések (l. „A játékelmélet egy paradoxona” utáni meg-
jegyzéseket) meghatározásának igen természetes útja éppen
a Bayes-tételen keresztül vezet (ezzel kapcsolatban utalunk
Ferguson könyvére). Ugyanakkor általánosan elterjedt az a né-
zet, hogy ha a Bayes-tételt ismételten alkalmazzuk, minden
újabb megfigyelés után kiszámı́tjuk az aposteriori valószı́nű-
ségeket, és ezt használjuk a legközelebbi alkalommal aprio-
rinak, akkor elég sokszori ismétlés után végül is teljesen lé-
nyegtelenné válik, hogy mi is volt kiinduláskor az apriori
eloszlás. (Természetesen bizonyos degenerált esetektől elte-
kintve: ha például a p valószı́nűség tényleges értéke 1/10, és
olyan apriori eloszlást választunk, amelyik az [1/2, 1] inter-
vallumon egyenletes eloszlású, akkor eleve kirekesztettük az
1/10-et, ı́gy ettől az apriori eloszlástól semmi jót nem várha-
tunk.) Az aposteriori valószı́nűségeket egyébként nem szük-

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
séges minden egyes megfigyelés után kiszámı́tani: a függet-

len megfigyeléseket egyesı́tve a Bayes-tétel egyszeri alkalma-
zásával is ugyanazt az aposteriori valószı́nűségeloszlást kap-
juk.

Legyenek egy X valószı́nűségi változó lehetséges értékei az
egész számok, és tételezzük fel, hogy X valószı́nűségelosz-
lása valamilyen [a, b] intervallumba eső p paramétertől függ.
Legyen az apriori eloszlás egyenletes az [a, b] intervallumon.
Ha az X ismeretlen eloszlására nézve (vagyis az eloszlás is-
meretlen p paraméterére nézve) független X − 1, X2 , X3 , . . .
megfigyeléseket végzünk (az Xi -k ugyanolyan eloszlásúak,
mint X), akkor igen természetesnek látszik, hogy az erede-
tileg egyenletes apriori eloszlás alapján számı́tott aposteriori
eloszlások sorozata egyre inkább p igazi értékére koncent-
rálódik. Paradox módon azonban ez egyáltalán nem mindig
van ı́gy: előfordulhat, hogy például p igazi értéke 1/4, de az
aposteriori eloszlások sorozata (amint egyre több megfigye-
lést végzünk) egyre inkább például a 3/4 értékre koncentrá-
lódik.

A paradoxon azért tűnik valóban meglepőnek, mert arra gon-
dolunk, hogy az aposteriori sűrűségfüggvénynek az igazi 1/4
érték körül kell a legnagyobbnak lenni, ez azonban egyálta-
lán nincs ellentmondásban azzal, hogy az aposteriori sűrű-
ségfüggvények egyre inkább a 3/4 körül koncentrálódjanak.
Csak annyit kell elérni, hogy az 1/4 helyen túl nagy sűrűség-
függvény igen gyorsan lecsökkenjen, a 3/4 környékén pedig
magas maradjon. Ha X-nek csak véges sok lehetséges értéke
van, akkor ez a helyzet nem érhető el, de ha X értékei már
akármilyen egész számok lehetnek, akkor valóban lehetőség
nyı́lik a paradox helyzet megteremtésére. Legyen például p
apriori eloszlása egyenletes az [1/8, 7/8] intervallumon. Ér-
telmezzünk ezen az intervallumon egy f (p) függvényt úgy,
hogy f (p) mindig valamilyen természetes szám legyen, ki-
véve a p = 1/4 és a p = 3/4 helyeket, ahol f (1/4) = f (3/4) =

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
+∞. Az X valószı́nűségi változó p-től függő eloszlása legyen

a következő:
P (X = i) = c(1 − p)pi i = 0, 1, 2, . . . , f (p),
ahol c csak a p-től függő olyan állandó, amelyre

f (p)
X
c(1 − p)pi = 1.
i=1
Az f (p) függvény ügyes megválasztásával elérhető, hogy va-

lóban előálljon az emlı́tett paradox helyzet. A részletesebb
matematikai elemzés Freedman alább idézett cikkében talál-
ható.
1.4. Megjegyzések
(i) S. Bernstein és R. Mises már 1920 előtt rámutattak arra, hogy
bizonyos feltételek mellett a Bayes-tétel ismételt alkalmazása-
kor az aposteriori eloszlások sorozata mindig a tényleges el-
oszláshoz konvergál, bármilyen volt is az apriori eloszlás, ı́gy
aszimptotikusan nincs túl nagy jelentősége az apriori elosz-
lás megválasztásának. Az emlı́tett paradoxon szerint azonban
ehhez szükségesek is bizonyos feltételek.
(ii) Az apriori eloszlás szubjektı́v megválasztása általában
is felveti azt a kérdést, hogy az ismeretlen valószı́nűségek,
illetve valószı́nűségeloszlások objektı́ven meghatározottak-e,
teljesen függetlenül a megfigyeléseinktől, méréseinktől, vagy
pedig éppen ellenkezőleg: a valószı́nűségek és valószı́nűség-
eloszlások csak a szubjektı́v információink által nyernek értel-
met. Az olasz valószı́nűségszámı́tási iskola vezetője, Bruno de
Finetti alább idézett monográfiájában kifejti, hogy a valószı́-
nűség ugyanolyan értelemben nem létezik objektı́ven, mint
az abszolút tér és idő vagy a flogiszton. Véleménye szerint
egy esemény (például az, hogy holnap esik az eső) vagy be-
következik, vagy nem (ez objektı́v), és a rendelkezésünkre
álló információk alapján következtethetünk ennek „szubjek-
tı́v” valószı́nűségére. A szubjektı́v valószı́nűség azt fejezi ki,
hogy milyen arányú fogadást mernénk kötni egy esemény
bekövetkezésére. Szubjektı́v valószı́nűségről természetesen

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
akkor is beszélhetünk, ha objektı́v véletlen nincs is. Ugyanak-

kor hangsúlyozni kell, hogy lényegesen nagyobb az objektı́v
véletlen és az objektı́v valószı́nűség hirdetőinek tábora, akik
szerint a világ jelenlegi állapotába éppen a jövőbeli esemé-
nyek bekövetkezésének objektı́v valószı́nűségei vannak „be-
lekódolva”. Igaz, ezek a valószı́nűségek csak véletlen tömeg-
jelenségekre értelmezhetők, amelyek lényegében azonos kö-
rülmények között igen sokszor észlelhetők, és ilyenkor az
„objektı́v” valószı́nűség éppen azt fejezi ki, hogy az egyes
lehetséges kimenetelek a megfigyelt esetek kb. hányadrészé-
ben fognak bekövetkezni. A valószı́nűségnek ezt az objektı́v
létezését fejti ki a Nobel-dı́jas Max Born is, a kvantumfizika
valószı́nűségszámı́tási megalapozója. Úgy látszik, még min-
dig sok vonatkozásban aktuális Bertrand Russel 1929-ben el-
hangzott véleménye, mely szerint „A valószı́nűség a modern
tudomány legfontosabb fogalma, különös tekintettel arra,
hogy senkinek halvány fogalma sincs arról, mit is jelent.” (Ez-
zel kapcsolatban l. még a IV. fejezet bevezetését.)
1.5. Irodalom
T. Bayes: An essay towards solving a problem in the doctrine

of chances, 1763, Reprint: Biometrika 45, 293–315, 1958.
J. D. Holland: The reverend Thomas Bayes F.P.S. (1702–61),
J. Roy. Statist. Soc. (A), 125, 451–461, 1962.
D. F. Freedman: On the asymptotic behavior of Bayes’ esti-
mates in the discrete case. Annals of Math. Statist. 34, 1386–
1403, 1963.
B. de Finetti: Teoria Delle Probabilità, Einaudi, Torino, 1970.
T. S. Ferguson: Mathematical statistics, A decision theoretic
approach, Academic Press, New York-London, 1967.
M. Born: Natural Philosophy of cause and chance, Dover,
New York, 1964.
L. J. Savage: The foundations of statistics, Dover, New York,
1972.
D. V. Lindley: The use of prior probability distributions in
statistical inference and decision, Proc. 4th Berkeley Symp. on
Math. Statist. and Prob. 1, 453–468, 1960.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
D. V. Lindley: The future of statistics – a Bayesian 21th cen-

tury, Advances in Appl. Probability, 106–115, 1975.
D. V. Lindley: The Bayesian Approach, Scand. J. Statist, 5,
1–26, 1978 (E cikk 3. pontjának cı́me: Marginalization parado-
xes).
B. de Finetti: Bayesianism, Internat. Statist. Rev. 42, 117–130,
1974.
J. Berkson: My encounter with neo-Bayesianism, Internat.
Statist. Rev. 45, 1–9, 1977.
A. P. David–M. Stone–J. V. Zidek: Marginalization paradoxes
in Bayesian and structural inference, J. Roy. Statist. Soc., Sev.
B., 35, 189–233, 1973.
M. Stone–B. G. F. Springer: A paradox involving quasi prior
distributions, Biometrika, 52, 623–627, 1965.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
2. A várható érték becslésének paradoxonai

Az ellentétek, illetve eltérések egyesı́tése a „közép”-ben igen
hosszú múltra tekinthet vissza. Már Aiszkhülosz ı́gy ı́r az Eu-
meniszekben: „Isten erőt a középnek ad mindig: a két szélsőt
tovavonja”. Kı́nában Konfuciusz követői azt hirdették, hogy:
„a közép mozdulatlansága ( = Csung Jung) a legnagyobb töké-
letesség”. Természetesen matematikailag a „közép” igen sok-
féleképpen értelmezhető (számtani közép, mértani közép,
harmonikus közép stb.), a statisztika gyakorlatában azonban
igen hosszú ideig a számtani közép játszotta az egyedural-
kodó szerepet. A valószı́nűségszámı́tás és matematikai sta-
tisztika első kiemelkedő eredményei is alátámasztották a sta-
tisztikai minta számtani közepének fontosságát. Legyen adott
véges várható értékű valószı́nűségeloszlásoknak egy {Fϑ }
ϑ ∈ Θ halmaza, ahol a ϑ paraméter az Fϑ eloszlás várható ér-
téke, és a ϑ paraméter ismeretlen értékét egy X1 , X2 , . . . , Xn
megfigyelési sorozat: minta alapján szeretnénk becsülni (az
Xi mintaelemek független azonos Fϑ eloszlású valószı́nűségi
változók). Ekkor a ϑ̂n = X̄ = X1 +X2n+...+Xn számtani közép
becslés igen sok jó tulajdonsággal rendelkezik, például min-
dig torzı́tatlan, azaz E(ϑ̂n ) = ϑ minden ϑ ∈ Θ esetén (vagyis
a becslés a tényleges érték körül ingadozik). A nagy számok
törvényei azt is kimondják, hogy a ϑ̂n = X becslés konzisz-
tens, azaz
¯ ¯
¯ ¯
lim P (¯ϑ̂n − ϑ¯ < ε) = 1 minden ϑ ∈ Θ esetén,
n→∞
akármilyen kicsi is az ε > 0 szám (vagyis a minta elemszámá-

nak növelésével akármilyen nagy becslési pontosság is elér-
hető). Egy paraméter becslésének azonban igen sok torzı́tat-
lan és konzisztens becslése lehet; közülük azt célszerű előny-
ben részesı́teni, amelyiknek kisebb a szórása (vagy más szó-
rástı́pusú jellemzője), vagyis amelyiknek kisebb az ingado-
zása a tényleges érték körül. A kisebb szórású becslést effici-
ensebbnek (hatékonyabbnak) nevezzük. A várható érték becs-
lésének paradoxonai egyrészt arra mutatnak rá, hogy nem
mindig a minta számtani közepe a legkisebb szórású torzı́-

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
tatlan becslés a várható értékre, másrészt ha nem ragaszko-

dunk a torzı́tatlansághoz, akkor még a normális (pontosab-
ban a többdimenziós normális) eloszlás várható értékét sem
mindig célszerű a minta számtani közepével becsülni, mert
ez a becslés a négyzetes veszteségfüggvény szerint nem meg-
engedhető (a megengedhetőség definı́cióját l. „A játékelmélet
egy paradoxona” utáni Megjegyzésben). Hasonló paradoxon
a 13/g is.
(i) (Kagan–Linnyik–Rao) Legyen az F (x) egy olyan eloszlás-

függvény, amelynek 0 a várható értéke és véges a szórása.
Legyen továbbá Fϑ (x) = F (x − ϑ), ahol a ϑ paraméter tet-
szőleges valós szám lehet. Ha a minta elemei: X1 , X2 , . . . , Xn
független Fϑ eloszlású valószı́nűségi változók, akkor a minta
X̄ számtani közepe konzisztens és torzı́tatlan becslés is az is-
meretlen ϑ paraméterre (amely nyilvánvalóan az Fϑ eloszlás
várható értéke). Az X̄ becslés használata azonban a normá-
lis eloszlástól eltekintve nem a leghatékonyabb: ha n > 2, ak-
kor létezik olyan torzı́tatlan becslés, amelynek szórása kisebb,
mint X̄-é (pontosabban minden ϑ-ra legalább olyan kicsi a
szórása, mint X̄-é, és legalább egy ϑ-ra határozottan kisebb).
(ii) (C. Stein) A normális eloszlás várható értékének X̄ becs-
lése „példamutatóan” jó: torzı́tatlan, minimális szórású, kon-
zisztens, az L(ϑ, c) = (ϑ−c)2 négyzetes veszteségfüggvényre
vonatkozóan megengedhető és minimax is. Éppen ezért kel-
tett nagy meglepetést C. Stein több mint húsz évvel ezelőtti
felfedezése, miszerint többdimenziós normális eloszlás ese-
tén az X̄-nak megfelelő becslés már nem megengedhető.
Pontosabban, ha a k-dimenziós euklideszi téren olyan va-
lószı́nűségeloszlásokat vizsgálunk, amelyek koordinátái (az
egyszerűség kedvéért) egymástól független N (ϑ, σ) normá-
lis eloszlások, ahol a σ szórás ismert, és a ϑ = (ϑ1 , ϑ2 , . . . , ϑk )
vektort úgy szeretnénk becsülni, hogy az
° °2 Xk
(ϑi − ϑ̂i )2
° °
L(ϑ, ϑ̂) = °ϑ − ϑ̂° =
i=1

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
négyzetes veszteség átlagosan minimális legyen, akkor a ϑ̂ =

X̄ vektor (azaz a k-dimenziós minta koordinátánkénti szám-
tani közepeinek vektora) csak egy és két dimenzióban lesz
megengedhető, ennél magasabb dimenzióban már nem (an-
nak ellenére, hogy például X̄ minimax tulajdonsága több di-
menzióban is érvényben marad). Stein felismerése arra mutat
rá, hogy még a normális eloszlás várható értékének klasszi-
kus becslési problémájában sem X̄ az egyedül szóba jövő jó
becslés.

(i) Kagan, Linnyik és Rao érdekes eredménye nem is annyira
magyarázatra, mint inkább bizonyı́tásra szorul. Erre vonatko-
zóan utalunk a szerzők forráscikkére. Példaként nézzük meg
az egyenletes eloszlás esetét, azaz legyen F (x) a (−c, c) in-
tervallumon egyenletes eloszlás eloszlásfüggvénye (c tetsző-
c2
leges pozitı́v szám) és Fϑ (x) = F (x − ϑ). Ekkor D2 (X̄) = 3n .
Ugyanakkor, ha X1∗ = min Xi és Xn∗ = max Xi , vagyis ha
X1∗ a legkisebb, Xn∗ pedig a legnagyobb mintaelem (folytonos
eloszlásról lévén szó mindkettő ³1 valószı́nűséggel
´ egyértel-
X1∗ +Xn
∗
2c2
műen meghatározott), akkor D2 2 = (n+1)(n+2) , ami
2
nagy n esetén valóban sokkal kisebb, mint D (X̄). Minthogy
(X1∗ + Xn∗ )/2 szintén torzı́tatlan és konzisztens becslés ϑ-ra,
továbbá kiszámı́tása is egyszerű, ezért használata feltétlenül
indokoltabb, mint a „szokásos” X-é.
(ii) Stein 1956-os cikkét követően 1961-ben James és Stein
a következő egyszerű alakú becslést javasolták a többdimen-
ziós normális eloszlás várható értékére. Legyen k nagyobb,
mint kettő, és
Ã !
∗ (k − 2)σ 2
X = 1 − ° °2 X̄.
°X̄ °
2 ° °2
Ekkor E kX ∗ − ϑk < k, mı́g E °X̄ − ϑ° = k, tehát X̄ va-
lóban nem megengedhető. Az X ∗ becslés a koordináta-rend-
szer kezdőpontja irányába zsugorı́tja az X̄ vektort, és mint-
hogy a koordináta-rendszer Q kezdőpontját akárhol megvá-
laszthatjuk, ezért

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
Ã !
(k − 2)σ 2
Q+ 1− ° ° (X̄ − Q)
°X̄ − Q°2
is jobb becslés, mint X̄, bármilyen Q esetén. A James–Stein-

becslés tehát függ az Q pont megválasztásától, ellentétben X̄-
sal, amely ebből a szempontból invariáns.
Most már valóban rátérünk annak szemléletes magyaráza-
tára, hogy miért jobb becslés X ∗ , mint X̄. (Egyébként meg-
mutatható, hogy
( )
(k − 2)σ 2
X̃ = max 1 − 2 , 0 X̄
kXk
még X ∗ -nál is valamivel jobb.) Vizsgáljuk meg a k egymástól

független becslési problémamintáit együttesen. Ezek a (ska-
lár) mintaelemek természetesen olyan szóródást mutatnak,
amely egyrészt abból fakad, hogy a k eloszlásnak van egy
(közös) σ szórása, másrészt abból is fakad, hogy a ϑi vár-
ható értékek különbözők lehetnek. Bár elvileg ezek az isme-
retlen várható értékek nagyon is különbözhetnek egymás-
tól, mégis előfordulhat, hogy az egyesı́tett minta lényegében
csak olyan szóródást mutat, amely arra utal, hogy a ϑi ér-
tékek ténylegesen nem különböznek nagyon. Ha például a
σ = 1 esetben az összes megfigyelések kb. 16%-a nagyobb,
mint 1 és 16%-a kisebb, mint −1, akkor jogos arra gondolni,
hogy az összes ϑi várható érték közel 0. Ebben az esetben, ha
Xi = 0,8, akkor az i-edik paraméter „szokásos” becslése 0,8,
mı́g a James–Stein-becslés által megfogalmazott „józanabb”
felfogás szerint közel 0. Bár ez a magyarázat valóban meg-
győzhet a James–Stein tı́pusú becslések „józanságáról”, mégis
van valamiféle misztikum abban, hogy ha például a normá-
lis eloszlású testmagasság várható értékét, a fénysebességet
és egy árucikk árának várható értékét szeretnénk becsülni
úgy, hogy összességében is kis hibát kövessünk el, akkor ez
a három probléma bármi módon kapcsolatba kerülhet egy-
mással. Pedig az igazság valóban ez. Ha ugyanis méréseink
előtt közelı́tőleg megállapı́tjuk a becslendő mennyiségeket, és
a minták alapján csak az ettől való eltéréseket becsüljük, ak-
kor – ha előzetes megállapı́tásaink elég jók voltak – az elté-

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
rések mind közel 0 várható értékű normális eloszlások lesz-

nek, amelyekre („jutalmul”) jelentős mértékben növekszik a
pontosság a James–Stein-becsléssel. A legnagyobb mértékben
akkor növekszik a pontosság, ha sikerül úgy kombinálni az
egymástól teljesen független problémákra vonatkozó mérési
adatokat, hogy azok együttesen megfeleljenek egy standard
– vagy legalábbis azonos várható értékű és szórású – normális
eloszlásból származó mintának. A Q koordináta-kezdőpontot
célszerű e közös várható értéknek (illetve ehhez közel) meg-
választani: ekkor lesz ugyanis
(k − 2)σ 2
° °
°X̄ − Q°2
a legnagyobb. Az egymástól teljesen független becslési prob-

lémákat tehát célszerű nem eleve függetlenül kezelni.
2.4. Megjegyzések
(i) Megállapı́tottuk, hogy egy adott hosszúságú intervallu-
mon egyenletes eloszlású valószı́nűségi változó várható érté-
két érdemesebb (X1∗ + Xn∗ )/2-vel becsülni, mint X̄-sal. Most
megmutatjuk, hogyan lehet rájönni erre a becslésre. Az X1 ,
X2 , . . . , Xn minta együttes sűrűségfüggvénye azzal a feltétel-
lel, hogy X1∗ és Xn∗ adott: (Xn∗ − X1∗ )−(n−2) az (X1∗ , Xn∗ ) in-
tervallumon, egyébként pedig 0. Ez a feltételes sűrűségfügg-
vény nem függ az ismeretlen paramétertől, amit úgy is ki-
fejezhetünk, hogy X1∗ és Xn∗ együttesen elégséges informá-
ciót tartalmaznak az ismeretlen paraméter becsléséhez, ı́gy
várható, hogy X̄ feltételes várható értéke az X1∗ , Xn∗ felté-
tellel legalább olyan jó becslés lesz, mint X̄, és ez a feltéte-
les várható érték éppen (X1∗ + Xn∗ )/2. (Egyébként Rao, Black-
well és Kolmogorov a torzı́tatlan becslések szóráscsökkentésé-
nek éppen az ilyen elégségességen alapuló módszerét bizo-
nyı́tották általános feltételek mellett. Ezzel kapcsolatban uta-
lunk S. Zacks könyvére. Az elégségességre még visszatérünk
a 7. pontban.)
(ii) A következő Cramer–Rao-egyenlőtlenség mindkét pa-
radoxonunkkal kapcsolatban hasznos információt nyújt. Le-
gyen f (x, ϑ) az Xi , i = 1, 2, . . . , n mintaelemek ϑ paraméter-

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
től függő közös sűrűségfüggvénye, a ϑ paraméter ϑ̂n becslé-

sének E(ϑ̂n −ϑ)2 torzı́tását pedig jelölje B(ϑ). Ekkor bizonyos
regularitási feltételek teljesülése esetén
(1 + B 0 (ϑ))2
E(ϑ̂n − ϑ)2 = B(ϑ)2 + ,
I(ϑ)
ahol B 0 (ϑ) a B(ϑ) függvény differenciálhányadosa és

µ ¶
−d2 ln f (Xi , ϑ)
I(ϑ) = nE
d2 ϑ
az ún. Fisher-féle információ. Eszerint E(ϑ̂n −ϑ)2 nem tarthat

1/n-nél gyorsabban 0-hoz, márpedig az első paradoxon pél-
dájában [ahol B(ϑ) ≡ 0 s ı́gy E(ϑ̂n − ϑ)2 = D2 (ϑ̂n )] a konver-
gencia 1/n2 gyorsaságú. Ez azért nem ellentmondás, mert a
szóban forgó egyenletes eloszlású példában nem teljesülnek
az emlı́tett regularitási feltételek (egy elégséges regularitási
feltétel lenne például az, hogy ne függjön ϑ-tól azoknak az
x számoknak a halmaza, ahol f (x, ϑ) pozitı́v). A második pa-
radoxonunkkal kapcsolatban a Cramer–Rao-egyenlőtlenség
arra hı́vja fel a figyelmet, hogy ha nemcsak torzı́tatlan becs-
léseket engedünk meg, azaz ha eltekintünk a B(ϑ) ≡ 0 fel-
tételtől, és történetesen B 0 (ϑ) negatı́v, akkor nem kell csodál-
koznunk azon, hogy E(ϑ̂n − ϑ)2 esetleg jelentősen lecsökken
a legkisebb szórású torzı́tatlan becslés szórásnégyzetéhez ké-
pest.
(iii) Az egydimenziós normális eloszlás várható értékét két-
ségkı́vül igen sok szempontból célszerű a minta X̄ átlagával
becsülni. Jelölje például X 0 a minta mediánját, azaz páratlan
sok mintaelem esetén a középsőt, páros sok elemű minta ese-
tén pedig a középső kettő átlagát. Ekkor kiszámı́tható, hogy
D2 (X̄) ≈ π2 D2 (X 0 ) ≈ 0,63D2 (X 0 ), vagyis az X 0 becslés effici-
enciája (aszimptotikusan) csak 63%-a az X̄ becslésének. Meg-
változik azonban a helyzet, ha a normális eloszlást egy kicsit
„perturbáljuk”: legyen adva egy olyan valószı́nűségi változó,
amely két normális eloszlás keveréke, mégpedig 91%-ban egy
ϑ várható értékű és egységnyi szórású, 9%-ban pedig egy
szintén ϑ várható értékű és 3 szórású normális eloszlás ke-

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
veréke. Ebben az esetben a ϑ becslésére már jobb a medián

használata, mint a X̄-é.
2.5. Irodalom
A. M. Kagan–Yu. V. Linnik–C. R. Rao: On a characterization of
the normal law based on a property of the sample average,
Sankhya, Ser. A 27, 3-4 405–406, 1965.
C. Stein: Inadmissibility of the usual estimator for the mean
of a multivariate normal distribution, Proc. 3rd Berkeley
Symp. on Math. Statist. and Prob., l, 197–206, Univ. Califor-
nia Press, Berkeley, 1956.
W. James–C. Stein: Estimation with quadratic loss, Proc. 4th
Berkeley Symp. on Math. Statist. and Prob., 1, 361–380. Univ.
California Press, Berkeley, 1961.
B. Efron: Biased versus unbiased estimation, Advances in
Math. 16, 259–277, 1975.
S. Zacks: The theory of statistical inference, Wiley, New
York, 1971.
J. W. Tukey: A survey of sampling from contaminated dist-
ributions, Contrib. to Prob. and Statist. (szerk. Olkin) 448–485,
Stanford Univ. Press, 1960.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
3. A szórásnégyzet (variancia) becslésének

paradoxona
A várható érték mellett a variancia a valószı́nűségi változók
legfontosabb jellemzője. Becsüljük az ismeretlen eloszlású X
valószı́nűségi változó D2 varianciáját az X-szel azonos elosz-
lású X1 , X2 , . . . , Xn független megfigyelések segı́tségével. Ha
például az M várható érték ismert, akkor a
n
1X
D̂02 = (Xi − M )2
n i=1
becslés torzı́tatlan. Megváltozik azonban a helyzet, ha M nem

ismert, és M -et (az iménti képletben) annak torzı́tatlan becs-
lésével X̄-sal helyettesı́tjük: a
n
1X
D̂2 = (Xi − X̄)2
n i=1
becslés már nem torzı́tatlan. Minthogy a múlt század kez-

dete (Gauss) óta a torzı́tatlanságra törekvés a becsléselmélet
egyik legfőbb szempontja, ezért a D̂2 becslést úgy módosı́-
tották, hogy torzı́tatlan legyen. (Egyébként igen sok paramé-
tert nem lehet torzı́tatlanul becsülni: ilyenkor meg kell elé-
gedni az ún. aszimptotikus torzı́tatlansággal, vagyis azzal, hogy
limn→∞ E(ϑ̂n ) = ϑ minden ϑ ∈ Θ esetén; D̂2 például aszimp-
totikusan torzı́tatlan.) A torzı́tatlanság mellett azonban fo-
kozatosan más szempontok is kialakultak, amelyek ugyan-
olyan fontossá váltak. Paradoxonok akkor lépnek fel, ha ezek
a szempontok nem ugyanazokhoz a becslésekhez vezetnek.

Ha a D̂2 becslést megszorozzuk az ún. Bessel-féle korrekciós
n
faktorral: n−1 -gyel, akkor az ı́gy kapott
n
1 X
D∗2 = (Xi − X̄)2
n − 1 i=1

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
becslés – a korrigált tapasztalati szórásnégyzet – már torzı́tatlan

becslése a szórásnégyzetnek.
Ugyanakkor, ha például X normális eloszlású (ismeretlen
várható értékkel és szórással) és nem torzı́tatlanságra törek-
szünk, hanem minimax becslésre, mégpedig az igen termé-
szetes L(D̃2 , D2 ) = (D̃2 − D2 )2 /D4 veszteségfüggvényre vo-
natkozóan, akkor a D̂2 becslést éppen az ellenkező irányba
n
kell megváltoztatni: n+1 -gyel kell megszorozni, mert az ı́gy
kapott
n
1 X
(Xi − X̄)2
n + 1 i=1
2
becslés lesz minimax (rizikója: n+1 ).

Pn
A i=1 (Xi −a)2 összeg pontosan akkor minimális, ha a = X̄;
a tényleges várható érték: M viszont általában nem egye-
zik meg X̄-sal (csak közel esik hozzá), ı́gy a tényleges szóró-
dást mérő D̂02 nagyobb, mint D̂2 , ezért van szükség a Bessel-
korrekcióra. Ugyanakkor semmi sem indokolja, hogy mini-
max- vagy megengedhető becslések torzı́tatlanok legyenek
(azt már láttuk, hogy a többdimenziós normális eloszlás vár-
ható értékének James–Stein-becslése a négyzetes veszteség-
függvény szerint jobbnak minősı́thető, mint a szokásos torzı́-
tatlan becslés). Minthogy a normális eloszlás varianciájának
emlı́tett torzı́tatlan és minimax-becslései valóban nem esnek
egybe, ezért minden konkrét gyakorlati probléma esetén mér-
legelni kell, hogy melyik szempontot részesı́tjük előnyben.
Szerencsére a kétfajta becslés eltérése még kis n értékek ese-
tén sem számottevő. (Más becslések esetén azonban nagyon
is számottevő különbségek is adódhatnak.)
3.4. Megjegyzés
Bebizonyı́tható az a meglepő tény, hogy az emlı́tett minimax-
becslés nem megengedhető (l. Stefin cikkét vagy Zacks köny-
vét). Ugyanakkor, ha a normális eloszlásnak ismert a várható
értéke, akkor az

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
n
1 X
(Xi − M )2
n + 2 i=1
2
becslés nemcsak minimax (rizikója n+2 ), hanem megenged-
hető is az emlı́tett veszteségfüggvény szerint (l. Zacks köny-
vét).
3.5. Irodalom
C. Stein: Inadmissibility of the usual estimate for the variance
of a normal distribution with unknown mean, Annals Inst.
Statist. Math. 16, 155–160, 1964.
S. Zacks: The theory of statistical inference, Wiley, New
York–London–Sydney–Toronto, 1971.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
4. Ellentmondó adatok paradoxona

Véletlen mérési vagy megfigyelési hibák következtében gyak-
ran fordul elő, hogy az adatok és az elméleti eredmények el-
lentmondani látszanak egymásnak. A mérési hibák hatásá-
nak csökkentésére Lambert (1760), Euler (1778) és mások út-
törő tevékenységét követően Legendre, Gauss és Laplace igen
hatékony módszert dolgoztak ki a múlt század első éveiben,
Legendre 1805-ben például az üstökösök pályájának meg-
határozásához. Az az eljárás, amelyet a legkisebb négyzetek
módszerének nevezünk, főként Gauss 1803-as (Disquisitio-
nes de elementis ellipticis pallidis) és 1809-es (Theoria motus)
művének köszönhető. (Legendre egyébként megvádolta Ga-
usst plagizálással, de a vád nem volt megalapozott.) Laplace
1812-es nagyszabású könyvében (Théorie analitique des Pro-
babilités), amelyet „A Nagy Napóleon”-nak ajánlott, az egész
negyedik fejezetet a hibaszámı́tásnak szentelte. A legkisebb
négyzetek módszere azóta önálló elméletté fejlődött, sőt talán
egy kicsit el is misztifikálódott, és olyankor is használják, ami-
kor más módszer lenne a célravezetőbb. Ezt egyébként már
Cauchy is hangsúlyozta (Comptes Rendus, 1853) Bienaymé -vel
folytatott vitájában (ennek során használta – bár kétségkı́vül
1
nem elsőként – a később róla elnevezett π(1+x) 2 sűrűségfügg-
vényű valószı́nűségeloszlást).

Legyen a véletlen mérési hibákkal terhelt adataink sűrűség-
függvénye ae−b|x−µ| alakú, ahol µ az elméleti várható érték,
amelyet minél pontosabban meg szeretnénk határozni, a és
b pedig olyan tetszőleges pozitı́v számok, amelyek biztosı́t-
ják, hogy a fenti függvény sűrűségfüggvény (azaz integrálja
1) legyen. A µ ismeretlenre vonatkozóan egymástól függet-
len méréseket végzünk, és az eredmények: x1 , x2 , . . . , xn . A
legkisebb négyzetek módszere szerint olyan µ̂ értékkel kell
becsülni az ismeretlen µ számot, amelyre
(x1 − µ̂)2 + (x2 − µ̂)2 + . . . + (xn − µ̂)2

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
minimális. Könnyű kiszámı́tani, hogy ez az összeg akkor a

legkisebb, ha
x1 + x2 + . . . + xn
µ̂ = ,
n
azaz a megfigyelt adatok számtani közepe. Ha viszont olyan
µ̄-sal szeretnénk becsülni a µ-t, amely mellett maximális an-
nak a valószı́nűsége (pontosabban valószı́nűségsűrűsége),
hogy egy n elemű megfigyelés eredménye éppen a kapott
x1 , x2 , . . . , xn legyen, akkor µ̄-t úgy kell választani, hogy
|x1 − µ̄| + |x2 − µ̄| + . . . + |xn − µ̄|
legyen minimális. A négyzetösszeg azonban nem ugyanak-

kor minimális, mint amikor az abszolút értékek összege, ı́gy µ̂
és µ̄ általában különböző. Melyiket fogadjuk el a kettő közül?

Ha a mérési hibák normális eloszlásúak lennének, azaz ha
2
µ-t az ae−b(x−µ) alakú sűrűségfüggvényből szeretnénk meg-
határozni, akkor nem merülne fel az emlı́tett ellentét, mert
pontosan µ̂ mellett maximális annak a valószı́nűségsűrűsége,
hogy éppen x1 , x2 , . . . , xn -et figyeljük meg. A legkisebb négy-
zetek módszerét Gauss óta a normális eloszlású hibák esetére
alapozták, ami kétségkı́vül a leggyakoribb eset. Ha viszont
tudjuk, hogy nem ez a helyzet, akkor általában már nem min-
dig indokolt a legkisebb négyzetek elvének alkalmazása. A
paradoxonként megfogalmazott esetben is a µ̄ becslés hasz-
nálata az indokoltabb.
A matematikai statisztika szokásos fogalmaival élve rövi-
den úgy is fogalmazhatnánk a paradoxont, hogy a legkisebb
négyzetes és a maximum-likelihood-becslés nem mindig ösz-
szeegyeztethető (a maximum-likelihood-becslés értelmezésé-
re vonatkozóan l. „A maximum-likelihood paradoxonai”-t).
4.4. Megjegyzések
(i) A legkisebb négyzetek módszerének általánosı́tásaként
|x1 − µ̃|p + |x2 − µ̃|p + . . . + |xn − µ̃|p

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
összegeket vagy még általánosabb „veszteségfüggvényeket”

is szoktak minimalizálni, de mindezen lehetőségek között
matematikailag a legkönnyebben a legkisebb négyzetek mód-
szere kezelhető, ezért ha nincs kifejezetten olyan informáci-
ónk (mint például a paradoxonban), amely a legkisebb négy-
zetek módszerének használata ellen szólna, akkor valóban
ezt célszerű használni.
(ii) A statisztikai feldolgozásra szánt adatok ellentmondá-
sossága nemcsak a mérési eszközök pontatlanságából fakad-
hat, igen tipikusak a nem mérési, a nem is technikai, hanem
elvi, definiálási problémákból származóan ellentmondó ada-
tok. Például egy A országnak egy B országból származó im-
portja (egy adott árucikkből adott időszak alatt) nyilvánva-
lóan ugyanaz, mint B-nek az exportja A-ba; mégis ezek az
adatok szinte mindig különbözőnek mutatkoznak a két or-
szág eltérő adatfeldolgozási rendszere miatt.
4.5. Irodalom
J. Berkson: Estimation by least squares and by maximum like-
lihood, Proc. 3rd Berkeley Symp. on Math. Statist. and Prob.,
I, 1–11, 1956.
Ju. V. Linnik: Die Methode der kleinsten Quadrate in mo-
derner Darstellung, Deutscher Verl. der Wiss., Berlin, 1961.
H. L. Harter: The method of least squares and some alter-
natives, Part I–V, Internat. Statist. Rev. 1974–1975.
S. M. Stigler: Cauchy and the witch of Agnesi, Biometrika
61, 375–380, 1974.
O. B. Sheynin: C. F. Gauss and the theory of errors, Archive
for History of Exact Sciences, 19, 21–72, 1979.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
5. Korrelációs paradoxonok
A múlt század utolsó harmadára számos tudomány – pél-
dául a molekuláris fizika és a genetika – ért el olyan fejlettségi
szintet, hogy ezeken a területeken is elkerülhetetlenné vált
a valószı́nűségszámı́tás és a matematikai statisztika haszná-
lata. Darwinnak az egész biológiát forradalması́tó 1859-es mű-
vét követően Francis Galton (Darwin félunokatestvére) több
egymást követő művével a humángenetikát indı́totta útjára.
(Mendel 1865-ös örökléstani közleményét sajnos csak a szá-
zadfordulón „fedezték fel”, a genetika szót is csak 1905 óta
használják, de Galton eredményeit már a múlt században is
óriási érdeklődés fogadta.) Galton és tanı́tványai – különösen
Karl Pearson – olyan fontos fogalmakat vezettek be humán-
genetikai vizsgálataik során, amelyek később mind a valószı́-
nűségszámı́tásban, mind a matematikai statisztikában (és szá-
mos ezeket alkalmazó tudományban) alapfogalmakká váltak,
mint például a korreláció és a regresszió. Az ember testsúlya és
testmagassága nyilvánvalóan szoros kapcsolatban van egy-
mással, bár ez a kapcsolat távolról sem egyértelmű: a test-
magasság nem határozza meg egyértelműen a testsúlyt, és
a testsúly sem a testmagasságot. A korreláció e két véletlen
mennyiség kapcsolatának szorosságát kvantitatı́ven, mégpe-
dig egyetlen – legfeljebb 1 abszolút értékű – számmal fejezi
ki. Az X és Y véletlen mennyiségek korrelációját a követke-
zőképpen értelmezzük. Jelölje X, illetve Y várható értékét
és szórását Ex , Dx , illetve Ey , Dy . Ekkor X és Y korrelációs
együtthatója (röviden korrelációja)
E((X − Ex )(Y − Ey ))
r = r(X, Y ) = .
Dx Dy
A korreláció abszolút értékben akkor a legnagyobb (mégpe-
dig 1), ha X és Y között lineáris függvénykapcsolat áll fenn:
Y = aX +b (ahol a 6= 0). Ha X és Y függetlenek (és véges szó-
rásúak), akkor a korrelációjuk 0, azaz korrelálatlanok. A ma-
tematikai statisztikában az r korrelációt az (X1 , Y1 ), (X2 , Y2 ),
. . . , (Xn , Yn ) mintából (általában független mintából) rend-
szerint az

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38

Pn
i=1 (Xi − X̄)(Yi − Ȳ )
r̂ = qP Pn
n 2 2
i=1 (Xi − X̄) i=1 (Yi − Ȳ )
tapasztalati korrelációs együtthatóval becsüljük. Az r igen sok

esetben valóban jó tájékoztatást nyújt az X és Y kapcsolatá-
nak szorosságáról, de már a századforduló tájékán teljesen
értelmetlen korrelációk tömege született meg, például a gó-
lyafészkek száma és az újszülöttek száma között. A korreláció
fokozatosan misztifikálódott, és a szoros (abszolút értékben 1-
hez közeli) korreláció mögé valami „belső", általában oksági
kapcsolatot képzeltek. Ily módon teljesen abszurd eredmé-
nyek születtek, amelyek az egész statisztika lejáratásával fe-
nyegettek. Bernard Shaw több mint hetven éve „Az orvos di-
lemmája” előszavában ı́gy ı́rt: „Könnyű bebizonyı́tani, hogy
ha magas kalapot viselünk és esernyőt hordunk, akkor tágul
a tüdőnk, meghosszabbodik az életünk. . . ” Ezek a „bizonyı́tá-
sok” rendszerint figyelmen kı́vül hagyták, hogy X és Y szo-
ros korrelációja valamely harmadik mennyiségnek is lehet a
hatása. Kiszámı́tották például, hogy Angliában és Walesben,
a kiadott rádióengedélyek számának növekedésével, nőtt az
elmebetegek és a szellemi fogyatékosok száma. Ez a beállı́-
tás azonban alapvetően hamis, mert nem a rádióhallgatás mi-
att lesz az ember szellemi fogyatékos, hanem egyszerűen az
idő múlásával mind a rádióhallgatók, mind az elmebetegek
száma egyre nő, bár semmiféle okozati összefüggés nincs kö-
zöttük. Sajnos az effajta „belemagyarázásokat” nem mindig
ilyen könnyű észrevenni, például a műszaki vagy gazdasági
alkalmazások során. Az értelmetlen korrelációk közé tartozik
a vallás és a testmagasság összehasonlı́tása: Skóciától Szicı́-
lia felé haladva egyre nő a római katolikusok számaránya,
ugyanakkor egyre csökken az átlagos testmagasság, mégis
teljesen hamis bármilyen okozati beállı́tás. (Sajnos a fasiszta
fajelmélet ennél nagyobb képtelenségeket is okozati kapcso-
latként tüntetett fel és nevezett tudománynak.) A korreláció
paradoxonai általában a korreláció szerepének nem teljes tisz-
tázásából fakadnak. A számos paradoxonból csak néhányat
sorolunk fel.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38

(i) Legyen X egyenletes eloszlású a (−1, 1) intervallumon és
legyen Y = |X|. Nyilvánvalóan X és Y között igen szoros a
kapcsolat, de korrelációjuk: r(X, Y ) = 0. (Egyébként a korre-
láció akkor is 0, ha X akármilyen 0-ra szimmetrikus eloszlású
véges szórású valószı́nűségi változó.)
(ii) Legyen X1 , X2 , . . . , Xn egy terem hőmérséklete a kü-
lönböző mérési időpontban, Y1 , Y2 , . . . , Yn pedig a terem fűté-
sére elhasznált fűtőanyag mennyisége ugyanezekben az idő-
pontokban (pontosabban eme időpontokat megelőző adott
időtartam, például 1 óra alatt). Nyilvánvaló gondolat, hogy
minél több fűtőanyagot használunk, annál magasabb lesz a
hőmérséklet, vagyis az X-ek és Y -ok r korrelációja erősen po-
zitı́v. Ennek ellenére előfordulhat, hogy a korreláció negatı́v,
amit úgy is beállı́thatunk, hogy minél többet fűtünk, annál
hidegebb lesz. (Csak éppen a külső hőmérséklet zavaró hatá-
sáról nem szabad megfeledkezni (!), de erről részletesebben a
magyarázatokban lesz szó.)
(iii) Legyen (X, Y ) kétváltozós normális eloszlású, azaz le-
gyen (X, Y ) sűrűségfüggvénye:
1
f (x, y) = √ ·
2πDx Dy 1 − r2
» “ y−E ”2 –
2 2r(x−Ex )(y−Ey )
1
− 2(1−r 2) ( x−E
Dx )
x − Dx Dy + Dy
y
·e ,
ahol Ex Dx , Ey Dy az X, illetve Y várható értéke és szórása, r
pedig X és Y korrelációja, amelyről most feltételezzük, hogy
abszolút értékben határozottan kisebb egynél. Ha r-et nem
ismerjük, akkor az r̂-val becsülhetjük egy a elemű mintából.
Ha Ex és Ey ismert, akkor célszerű r̂ képletét úgy módosı́-
tani, hogy abban mindkét X̄, illetve mindkét Ȳ helyére Ex -et,
illetve Ey -t ı́runk. Ily módon egy új r̄ becslést nyerünk. Mint-
hogy r̄ több információt használ fel (nevezetesen Ex és Ey is-
meretét), azt gondolhatnánk, hogy r̄ szórása kisebb, mint r̂-é.
A. Stuart azonban kiszámı́totta, hogy
1 1
D2 (r̂) =(1 − r2 )2 , mı́g D2 (r̄) = (1 + r2 ),
n n
vagyis az utóbbi a nagyobb.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38

(i) Igaz, hogy ha az X és Y független, akkor r(X, Y ) = 0, de
ennek megfordı́tása már nem igaz: korrelálatlan mennyisé-
gek lehetnek nagyon is összefüggők, mint például a megfo-
galmazásban szereplő X és Y = |X|, ı́gy a korrelálatlanságot
nem szabad egyszerűen „összefüggés-mentesség”-ként értel-
mezni. Ugyanakkor azonban bebizonyı́tható, hogy ha akár-
hogyan választjuk is meg az x1 < x2 és az y1 < y2 számokat,
az X és Y mindig korrelálatlanok lesznek, ha X az x1 és x2 ,
Y pedig az y1 és y2 közé esik, akkor X és Y szükségképpen
független is lesz. (Ez az eredmény Móri Tamástól származik.)
(ii) Két véletlen mennyiség korrelációjaként gyakran ka-
punk egészen „természetellenes” értéket azért, mert egy har-
madik „külső, zavaró változó”, teljesen eltorzı́tja a várt ered-
ményt. Éppen az ilyen zavaró hatások kiszűrésére vezették
be a parciális korreláció fogalmát. Ha X és Y korrelációját csak
a Z zavaró változó hatásának kiszűrése után számı́tjuk ki,
akkor már megszűnik az eredmény paradox jellege. Jelölje
r12 , r13 , r23 az r(X, Y ), r(X, Z), r(Y, Z) korrelációkat. Ekkor
X és Y parciális korrelációja a Z hatásának kiszűrése után:
r12 − r13 r23
p
2 )(1 − r 2 )
.
(1 − r13 23
Ha speciálisan Z korrelálatlan X-szel és Y -nal is, azaz r13 =

r23 = 0, akkor természetesen a parciális korreláció egyenlővé
válik a közönséges r12 korrelációval. Ha az r12 , r13 , r23 korre-
lációk nem ismertek, akkor ezeket r mintájára becsülhetjük a
mintából, és e becslések segı́tségével juthatunk el a parciális
korreláció becsléséhez.
(iii) Stuart paradoxonát több szempontból is megvilágı́t-
hatjuk. Talán a legfontosabb azt megjegyezni, hogy r̂ és r̄ nem
torzı́tatlan becslései r-nek, azaz nem teljesülnek az E(r̂) ≡ r
és E(r̄) ≡ r azonosságok, ı́gy nem célszerű azt a becslést
„jobbnak” tekinteni, amelyiknek kisebb a szórása, hiszen csak
a torzı́tatlan becslések esetén fejezi ki a kis szórás azt, hogy
a becslés nagy valószı́nűséggel közel esik az elméleti érték-
hez. Ugyanakkor azonban az is igaz, hogy sem r̂, sem r̄ nem
nagyon torzı́t (aszimptotikusan torzı́tatlan), ı́gy a paradoxon

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
2.1. ábra. Ha az X, Y, Z valószı́nűségi változókat vektoronként szemléltet-

jük, akkor X és Y korrelációja X és Y hajlásszögének cosinusa, a parciális
korrelációjuk pedig a Z-re merőleges sı́kon látható vetületeik hajlásszögének
cosinusa
más irányú elemzést is igényel (l. a megjegyzést és az Iroda-

lomban Stuart forráscikkét).
5.4. Megjegyzések
(i) Az r becslés torzı́tása (kétváltozós normális eloszlás ese-
2
tén): E(r̂ − r) = r n−1 + o(n−1 ), ahol o(n−1 ) olyan mennyisé-
get jelöl, amely még n-nel szorozva is 0-hoz konvergál, ı́gy a
torzı́tás valóban elég gyorsan közeledik a 0-hoz (az n minta-
elemszám növelésével).
Érdekes, hogy arc sin r̂ torzı́tatlan becslése arc sin r-nek, sőt
ha valamilyen n-től nem függő g függvényre
E(g(r̂)) = E(g(r)), akkor g(r) = a · arc sin r + b,
ahol a és b tetszőleges állandók. I. Olkin és J. W. Pratt 1958-ban

megmutatták, hogy ha g közvetlenül függhet az n-től is, ak-
kor magára az r korrelációs együtthatóra is adható torzı́tatlan

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
becslés, mégpedig
r∗ = r̂F (1/2, 1/2, (n − 2)/2, 1 − r̂2 ),
ahol F az ún. hipergeometrikus függvény, amely adott a, b

és c (c 6= 0, −1, −2, . . . ) paraméterekhez a következő módon
van értelmezve:
F (x; a, b, c) = 1 +
∞
X a(a + 1) . . . (a + k − 1)b(b + 1) . . . (b + k − 1) k
+ x .
k!c(c + 1) . . . (c + k − 1)
k=1
A torzı́tatlan becslések között már valóban érdemes minimá-

lis szórásra törekedni, és megmutatható, hogy a torzı́tatlan r∗
minimális szórású is. Az r∗ becslés
³ a gyakorlati
´ alkalmazás-
2
1−r̂
hoz túl bonyolult, ezért az r̂ 1 + 2(n−4) közelı́tés alkalma-
zása javasolható.
(ii) Nem paradoxon, de eléggé meglepő, hogy ha az 1, 2,
. . . , n számok közül véletlenszerűen kiválasztunk m-et [visz-
szatevés nélkül¡ n választunk,
¢ vagyis az egyenlően valószı́nű
esetek száma m ], akkor a legkisebb és a legnagyobb kihú-
zott szám korrelációs együtthatója 1/m, vagyis nem függ n-
től (m = 1, 2, . . . , m − 1). Általánosabban: ha a kihúzott m
szám nagyság szerint növekvő sorozata: X1 , X2 , . . . , Xm , ak-
kor s
i(m + 1 − j)
r(Xi , Xj ) = ,
j(m + 1 − i)
ami szintén nem függ n-től. [Móri Tamás észrevétele: ha visz-
szatevéssel húzunk, mégpedig az 1, 2, . . . , m + 1 számokból
n-szer egymás után, és Yi -szer húzunk i-nél nem nagyobb
számot, akkor r(Yi , Yj ) = r(Xi , Xj ).]
5.5. Irodalom
M. Ezekiel–K. A. Fox: Korreláció- és regresszióanalı́zis, Közgaz-
dasági és Jogi Könyvkiadó, Budapest, 1970.
Vincze I.: Matematikai statisztika ipari alkalmazásokkal,
Műszaki Könyvkiadó, Budapest, 1974.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
A. Stuart: A paradox in statistical estimation, Biometrika 42,

527–529, 1955.
M. G. Kendall–A. Stuart: The advanced theory of statistics
II. kötet, Griffin, London, 1961.
I. Olkin–J. W. Pratt: Unbiased estimation of certain correla-
tion coefficients, Annals of Math. Statist. 29, 201–211, 1958.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
6. Regressziós paradoxonok
A korreláció két véletlen mennyiség kapcsolatát csak egyetlen
számmal fejezi ki, a regresszió viszont függvényszerű kap-
csolatukat adja meg, ı́gy pontosabb felvilágosı́tást nyújt, pél-
dául megmutathatja, hogy különböző testmagasságokhoz át-
lagosan milyen testsúly tartozik. A regresszió ( = visszatérés)
elnevezés onnan származik, hogy Galton még a múlt század
végén a szülők és gyermekeik testmagasságait összehason-
lı́tva megállapı́totta: magas (illetve alacsony) szülők gyerme-
kei általában ugyan magasabbak (illetve alacsonyabbak), mint
az átlag, de nem térnek el annyira az átlagtól, mint a szüleik.
Azt a görbét, amely a testmagasságoknak – és mint kiderült,
más tulajdonságoknak is – az egymás utáni generációkban az
átlaghoz közeledését, a „visszatérését” fejezte ki, Galton reg-
A „regresszió” (visszatérés) mértéke a testmagasság öröklõdésében

Galton után
Testmagas- Eltérés
ság inch- inch-ben
ben, inch = Amikor a szülõi közép magasabb
2,54 cm és cm-ben
az átlagnál, a gyermek általában
72 +4 (10,0)
alacsonyabb lesz, mint õk.
(183 cm)
71 +3 (7,5)
p
zé
(180 cm)
kö
+2 (5,0)
õi
70
ül
Sz
(178 cm)
+1 (2,5)
69
(175 cm) 0
68
(173 cm) -1 (2,5)
67 M EK Amikor a szülõi közép
ER -2 (5,0)
(170 cm) GY ép alacsonyabb, mint az átlag,
k öz gyermekük általában
66 õi -3 (7,5)
(168 cm) ül magasabb lesz, mint õk.
Sz
65 -4 (10,0)
(165 cm)
2.2. ábra. Galton regressziós egyenese: „az utódok átlaga átlagosabb”

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
ressziónak nevezte. Később a véletlentől is függő mennyisé-

gek függvényszerű kapcsolatát olyankor is regressziónak ne-
vezték (és nevezik ma is), amikor már nincs semmiféle átlag-
hoz közeledés.
A regresszióanalı́zis első alkalmazási területe a biológia
volt, legfontosabb szakfolyóirata pedig a századforduló (1901.
október) óta megjelenő Biometrika. Az 1920-as, 1930-as évek-
ben a közgazdasági alkalmazások is igen fontos területté vál-
tak, új tudományág született: az ökonometria (a szó szülő-
atyja 1926-ban a későbbi Nobel-dı́jas R. Frisch), folyóirata
1933-tól az Econometrica. A kutatók a speciális gazdasági prob-
lémák vizsgálatától fokozatosan eljutottak az egész gazda-
sági rendszer belső összefüggéseinek regressziós elemzésé-
hez (J. M. Keynes, J. Tinbergen és mások, pl. R. L. Klein, aki
az 1980-as közgazdasági Nobel-dı́j kitüntetettje). Az 1959 óta
megjelenő Technometrics a műszaki alkalmazásokat tartja
szem előtt. Különösen fontos a nehezebben mérhető meny-
nyiségek regressziójának vizsgálata a könnyebben mérhető-
ekre vonatkozóan. Ma már szinte minden tudományterület
alkalmaz regresszióanalı́zist, ami önmagában igen örvende-
tes, sajnos azonban éppen a regressziószámı́tás lett az „ol-
csó kutatói sikerek”, a felületes elemzések, a szaktudományi
problémák elkendőzésének is egyik fő eszköze és mindmáig
kimerı́thetetlennek tűnő forrása.

Tételezzük fel, hogy két mennyiség között adott y = f (x; a1 ,
a2 , . . . , an ) tı́pusú függvénykapcsolat áll fenn (például y =
a1 x + a2 ), csak az a1 , a2 , . . . , an paraméterek ismeretlenek. Ha
az x1 , x2 , . . . , xn értékekhez tartozó y-okat csak véletlen mé-
rési hibával tudjuk észlelni, azaz yi = f (xi ; a1 , a2 , . . . , an ) he-
lyett valamilyen véletlen hibával terhelt Yi -ket figyelünk meg,
akkor a legkisebb négyzetek elve szerint az ismeretlen ai ket
úgy kell meghatározni, hogy
n
X
(Yi − f (xi ; a1 , a2 , . . . , an ))2
i=1
lehetőleg minimális legyen.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
(i) Ha f (x) = eax , akkor az előbbiek szerint a-t úgy kell

megválasztani, hogy
n
X 2
(Yi − eaxi )
i=1
minimális legyen. Az f regressziós görbe meghatározását úgy

szokták ilyenkor egyszerűsı́teni, hogy a zárójelben szereplő
különbség mindkét tagjának veszik a logaritmusát, és a
n
X
(ln Yi − axi )2
i=1
összeget minimalizálják, ami valóban igen egyszerű, hiszen

csupán egy (a-ban) másodfokú polinom minimumhelyének
megkeresését igényli. Nyilvánvaló azonban, hogy a kétfajta
minimalizálás általában nem ugyanaz. Mi a megoldása e pa-
radox helyzetnek, melyiket használjuk a két lehetőség közül?
(ii) Igen tipikus regressziós probléma, hogy az f alakjára
vonatkozóan csak valamilyen alternatı́v elképzelésünk van:
f1 és f2 , például f1 polinom és f2 exponenciális függvény.
Természetesnek tűnik azt az alternatı́vát elfogadni, amelyikre
(a paraméterek optimális megválasztása után) kisebb a fenti
négyzetösszeg. Bár a gyakorlatban ezt az elvet igen sokan kö-
vetik, általában indokolatlannak kell minősı́teni, sőt időnként
még a választás elvi lehetőségét is meg kell kérdőjelezni.

(i) Kétségtelen, hogy a legkisebb négyzetek elve közvetle-
nül az első módszernek felel meg, de célszerű ennek az elv-
nek nemcsak a „betűjét”, hanem a „szellemét” is figyelembe
venni. Kvalitatı́ven ugyanis a legkisebb négyzetek módszere
azt fejezi ki, hogy az ai ismeretlen paraméterek meghatáro-
zásakor a mérési hibák hatását összességében is kicsivé kell
tenni. Ezt a célt úgy is elérhetjük, hogy a
n
X 2
(h(Yi ) − h(f (xi ; a1 , a2 , . . . , an )))
i=1

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
négyzetösszeget minimalizáljuk, ahol h(x) valamilyen mono-

ton növő függvény (az emlı́tett példában h(x) = ln x volt).
A h függvényt úgy érdemes kiválasztani, hogy h(f (x1 ; a1 ,
a2 , . . . , an )) lehetőleg lineáris függvénye legyen az ismeret-
len ai paramétereknek, mert ekkor könnyű meghatározni az
optimális ai számokat. Tehát ha „csak” a legkisebb négyze-
tek elvének szellemében kı́vánjuk meghatározni az ismeret-
len paramétereket, akkor nyilvánvalóan célszerű a könnyebb,
vagyis a második megoldást választani. Elvileg előfordulhat
azonban az is, hogy kifejezetten az eredeti négyzetösszeg mi-
nimalizálására van szükségünk, mert például tudjuk, hogy
a pontatlan becslés következtében fellépő veszteség (például
anyagi veszteség) éppen ezzel a négyzetösszeggel arányos,
de kétségtelenül az első lehetőség a tipikusabb.
(ii) A felvetett probléma első fele igen egyszerű: hiába ki-
sebb a négyzetösszeg például az f1 alternatı́va esetén, köny-
nyen előfordulhat, hogy egy-két újabb mintaelemet is számı́-
tásba véve már az f2 alternatı́va mellett döntenénk. A ma-
tematikai statisztika igyekszik elkerülni az ennyire nem sta-
bil helyzeteket. Bizonyos esetekben sikerült is megadni olyan
döntési módszereket, amelyek előre megadott, például 99%-
os biztonsággal döntenek (ha elutası́tják az f1 alternatı́vát,
akkor csak 1% annak az esélye, hogy mégis f1 helyes). Plackett
könyve például leı́r egy olyan eljárást, amelynek segı́tségével
(független normális eloszlású mérési hibák esetén) sikeresen
el lehet dönteni azt, hogy hányadfokú polinomot érdemes
regressziós görbének választani. Sajnos a legtöbb alternatı́v
regressziós probléma nincs kellőképpen tisztázva. Nagyon
gyakori ugyanis, hogy a két alternatı́v regressziós görbetı́pus
mindegyikét – a paraméterek megfelelő megválasztásával –
igen jól az adatokhoz lehet simı́tani, igen kicsi lesz a négy-
zetes eltérés, és nincs az a statisztikus, aki nagy biztonsággal
dönteni tudna. A Weber–Fechner-törvény szerint például loga-
ritmikus összefüggés áll fenn az inger és az érzet között, spe-
ciálisan a hangosság és a hangintenzitás, vagy a hangmagas-
ság és a frekvencia között. Ma viszont már úgy tartják, hogy
e törvény mind elméletileg, mind kı́sérletileg csak közelı́tően
igaz, mert a valóságnak jobban megfelel a hatványkitevős
összefüggés (sőt a helyzet még bonyolultabb, mert a hangos-

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
ság érzete nemcsak a hangintenzitástól, hanem a frekvenciá-

tól, a hangszı́nképtől, sőt a kı́sérlet időtartamától is függ). Az
a tény, hogy a logaritmusos és a hatványkitevős alternatı́va
között igen sokáig nem sikerült dönteni (sőt a gyakorlati szá-
mı́tásokhoz legtöbbször ma is a Weber–Fechner-törvényt al-
kalmazzák), azt mutatja, hogy pusztán a megfigyelési adatok
matematikai statisztikai kiértékelése alapján egyáltalán nem
egyszerű a regressziós tı́pusok közötti döntés. Igen fontos
a regressziós függvény szaktudományi megalapozása. (Saj-
nos egyre gyakoribb a minden koncepció vagy megalapozott
hipotézis nélküli adatgyűjtés, amelyet egyszerűen csak reg-
resszióanalı́zissel párosı́tanak.)
6.4. Megjegyzések
(i) Igen tipikus – különösen a gyógyszerészetben és a marke-
tingvizsgálatokban – az ún. logit-probit alternatı́va is. A logit-
analı́zisben az
ea1 +a2 x
y=
1 + ea1 +a2 x
függvényt illesztik a legkisebb négyzetek elve szerint az ada-
tokhoz, mégpedig – a legegyszerűbb esetben – úgy, hogy
n µ ¶2
X Yi
ln − a1 − a2 xi
i=1
1 − Yi
x
legyen minimális. [Itt h(x) = 1−x a transzformáló függvény,
amely linearizálta a problémát.] Ezzel szemben a probitanalı́-
zisban a normális eloszlás eloszlásfüggvényét illesztik az ada-
tokhoz (a normális eloszlás paramétereinek megfelelő meg-
választásával). A két görbetı́pus alakja meglehetősen hason-
lı́that egymáshoz, ezért nem mindig könnyű választani kö-
zülük, de az elméleti, szaktudományi megalapozás itt is sokat
segı́thet.
(ii) Regresszióval kapcsolatos különböző paradox követ-
keztetéseket emlı́t meg C. R. Rao alább idézett cikke. A reg-
ressziós „miniparadoxonok” egyébként igen gyakoriak, és fő-
ként a regresszió nem eléggé körültekintő alkalmazásából fa-
kadnak.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
(iii) Ha megnöveljük az ai regressziós paraméterek szá-

mát, akkor nyilvánvalóan általában javul az illeszkedés, de ez
egyáltalán nem jelenti azt, hogy valóban mindig érdemes nö-
velni a paraméterek számát. A paraméterek konkrét értékét
ugyanis a mintából számı́tjuk, tehát a paraméterek valószı́-
nűségi változók, s minél több van belőlük, annál nagyobb a
szórásuk, tehát annál kisebb a stabilitásuk, megbı́zhatóságuk.
6.5. Irodalom
R. L. Plackett: Regression analysis, Oxford University Press,
London 1960.
C. R. Rao: Linear statistical inference and its applications,
Wiley, New York, 1973.
N. R. Draper and H. Smith: Applied regression analysis, Wi-
ley, New York, 1966.
C. Daniel and F. S. Wood: Fitting equation to data, Wiley,
New York, 1971.
D. R. Cox: The analysis of binary data, Methuen, London,
1970.
D. J. Finney: Probit analysis, Cambridge University Press,
London, 1964.
G. E. P. Box: Use and abuse of regression, Technometrics 8,
1966.
S. L. Sclove: (Y vs. X) or (log Y vs. X)?, Technometrics, l4,
1972.
C. R. Rao: Some thoughts on regression and prediction
Proc. of the Symposium to Honour Jerzy Neyman, Warszawa,
1974.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
7. Az elégségesség paradoxonai
Az elégségesség a matematikai statisztika egyik legfontosabb
fogalma. R. A. Fisher kezdeményezte a használatát az 1920-as
években. Abból indult ki, hogy az ismeretlen paraméterre vo-
natkozó következtetésekhez általában nincs szükség külön-
külön minden mintaelem ismeretére, hanem elegendő, ha
csak egy-két olyan mennyiséget, ún. elégséges statisztikát is-
merünk, amelyet a minta alapján számı́tottunk ki. Például
az egydimenziós normális eloszlás várható értékére vonatko-
zóan minden információt tartalmaz a mintaelemek számtani
közepe: X, pontosabban (X1 − X̄, X2 − X̄, . . . , Xn − X̄) elosz-
lása nem függ az ismeretlen várható értéktől, s ez éppen azt
jelenti, hogy az (X1 − X̄, X2 − X̄, . . . , Xn − X̄) valószı́nűségi
változókból semmiféle következtetés nem nyerhető az isme-
retlen várható értékre vonatkozóan. Az elégségesség mate-
matikai definı́ciója a következő: az X1 , X2 , . . . , Xn mintaele-
mek T1 = T1 (X1 , X2 , . . . , Xn ), T2 , . . . , Tk függvényei együtte-
sen elégséges statisztikák az Xi valószı́nűségi változók elosz-
lásában szereplő ϑ paraméterre vonatkozóan, ha az X1 , X2 ,
. . . , Xn együttes eloszlása adott T1 , T2 , . . . , Tk esetén már nem
függ ϑ-tól. Az emlı́tett normális eloszlású példában a függet-
len Xi mintaelemek együttes sűrűségfüggvénye adott X̄ = x̄
esetén:
1 2
Pn
− 12 i=1 (xi −x̄)
¡√ ¢n−1 √ e 2σ0
2πσ0 n
(ahol σ0 jelöli az Xi -k szórását) valóban nem függ a ϑ várható
értéktől. Az elégséges statisztika a mintának a paraméterre
vonatkozó információit tömörı́ti. Nyilvánvalóan célszerű mi-
nél nagyobb tömörı́tést végrehajtani, vagyis lehetőleg ún. mi-
nimális elégséges statisztikára szorı́tkozni. Az emlı́tett X̄ pél-
dául ilyen.

Az elégségesség alábbi paradoxonára maga Fisher mutatott
rá 1934-ben. Olyan kétdimenziós eloszlást vizsgált, amely-
nek két koordinátája két egymástól független (egydimenziós)

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
normális eloszlás, az egyszerűség kedvéért egységnyi szórás-

sal. Csak a várható értékeik voltak ismeretlenek. A kétdimen-
ziós minta számtani közepe: X̄ = (X̄1 , X̄2 ) elégséges statisz-
tika az ismeretlen két várható értékére vonatkozóan. Tételez-
zük azonban fel, hogy ismerjük p a várható érték (mint vektor)
távolságát az origótól, azaz ϑ21 + ϑ22 ismert, például egyenlő
3-mal. Ekkor
(ϑ1 , ϑ2 ) = 3(cos ϑ, sin ϑ).
Most már csak ϑ ismeretlen, amelyet becsülhetünk a ϑ̂ =
arc tg(X̄2 /X̄1 ) mennyiséggel. Ez a becslés torzı́tatlan: E(ϑ̂) =
2
ϑ, és szórásnégyzete:
p E(ϑ̂ − ϑ) = 0,12. Könnyen kiszámı́t-
ható, hogy r = 2 2
X̄1 + X̄2 eloszlása nem függ ϑ-tól [hi-
szen (X̄1 , X̄2 ) eloszlása forgásszimmetrikus (ϑ1 , ϑ2 ) körül],
ı́gy az elégségesség elve szerint r ismerete semmilyen infor-
mációt nem tartalmazhat ϑ-ra vonatkozóan. Ez azonban tá-
volról sincs ı́gy. A (ϑ̂ − ϑ)2 mennyiség várható értékét (vagyis
a becslés pontosságát, hatékonyságát) igen jelentősen befo-
lyásolja az r ismerete. Például E((ϑ̂ − ϑ)2 | r = 1,5) = 0,26,
E((ϑ̂ − ϑ)2 | r = 3) = 0,12 és E((ϑ̂ − ϑ)2 | r = 4,5) = 0,08.

Fisher paradoxona arra mutat rá, hogy a „minden információt
tartalmaz” kifejezés többféleképpen is értelmezhető. A becs-
lések pontosságának kiszámı́tásában fontos szerepe lehet az
r-hez hasonló szerepű ún. segéd- („ancillary”) statisztikának.
Sajnos nem minden problémában ugyanolyan könnyű meg-
állapı́tani, hogy mit érdemes segédstatisztikának választani.
Az mindenesetre nyilvánvaló, hogy az egész mintát nem ér-
demes „segédstatisztikának” tekinteni. Érdekes, hogy ha Fi-
sher problémáját bayesi alapon közelı́tjük meg, és abból in-
dulunk ki, hogy ϑ egyenletes eloszlású a (−π, π) intervallu-
mon, akkor
E((ϑ̂ − ϑ)2 | X̄1 , X̄2 ) = E((ϑ̂ − ϑ)2 | r).
7.4. Megjegyzés
A matematikai statisztikában nem az elégségesség az egyet-
len „szűrőelv”, amelyik kiszitál bizonyos felesleges vagy nem

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
megfelelő statisztikai függvényeket. Ilyen „szűrőelv” az ún.

invariancia is. A mintaelemek valamely függvénye (és az en-
nek alapján hozott statisztikai következtetés) akkor invari-
áns a mintaelemekre ható bizonyos transzformációk (például
a koordináta-rendszer kezdőpontjainak eltolásai) csoportjá-
val szemben, ha a függvény értéke a transzformációk során
nem változik. Különféle természetes invarianciákra a mate-
matikai statisztikában ugyanúgy törekedni kell, mint például
a fizikában, mégpedig ún. maximális invarianciákra, ami azt
jelenti, hogy a mintaelemek invariáns függvényei közül azt
kell előnyben részesı́teni, amelyik a lehető legtöbb informá-
ciót tartalmazza. Általában nem mindegy, hogy a „szűrőelve-
ket” milyen sorrendben alkalmazzuk egymás után: például a
minimális elégséges statisztikák közül választjuk-e ki a ma-
ximálisan invariánsat vagy pedig fordı́tva. Hall, Wijsman és
Ghosh alább idézett cikke olyan (C. Steintől származó) feltéte-
leket ad meg, amelyek biztosı́tják a két „szűrőelv” sorrendjé-
nek felcserélhetőségét. Például, ha egy normális eloszlásnak
sem a várható értéke, sem a szórása nem ismert, akkor a két
ismeretlen paraméterre nézve minimális elégséges statisztika
n
X n
X
T1 = Xi és T2 = Xi2 .
i=1 i=1
Legyenek a transzformációk, amelyekkel szemben az inva-

rianciát megköveteljük, a minta zsugorı́tásai-nyújtásai, azaz
az Xi → cXi transzformációk, ahol c egy tetszőleges pozitı́v
szám. T1 és T2 nem invariáns e transzformációkkal szemben,
de
T1
T =p
T2 − T12 /n
már invariáns, sőt maximálisan invariáns, azaz T helyettesı́-
tési értékei olyan és csak olyan minták esetén egyenlők, ame-
lyek zsugorı́tással-nyújtással származnak egymásból. A T te-
hát a minimális elégséges statisztikák közül maximálisan in-
variáns, és ugyanakkor az emlı́tett felcserélhetőségi tétel biz-
tosı́tja azt is, hogy a maximálisan invariánsak között mini-
málisan elégséges. E tény azért különösen fontos, mert T a
statisztikában igen gyakran alkalmazott Student-féle függvény.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
Paradoxonok olyankor léphetnek fel, ha nem teljesülnek a

Stein-tı́pusú feltételek, vagyis ha előfordulhat, hogy két „szű-
rőelv” nem felcserélhető. Ennek részletezése azonban már
meghaladja e könyv kereteit.
7.5. Irodalom
R. A. Fisher: On the mathematical foundations of theoretical
statistics, Phil. Trans. Roy. Soc. Ser. A 222, 309–368, 1922.
D. L. Burkholder: Sufficiency in the undominated case, An-
nals of Math. Statist. 32, 1191–1200, 1961.
D. L. Burkholder: On the order structure of the set of suffi-
cient σ-fields. Annals of Math. Statist. 33, 596–599, 1962.
W. J. Hall–R. A. Wijsman–J. K. Ghosh: The relationship be-
tween sufficiency and invariance with applications, Annals
of Math. Statist. 36, 575–614, 1965.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
8. A maximum-likelihood paradoxonai
Az ismeretlen paraméterek statisztikai becslésének egyik leg-
hatékonyabb módszere, a maximum-likelihood-módszer az
1920-as években terjedt el, R. A. Fisher angol genetikus és sta-
tisztikus kezdeményezésére. Igaz, ő sem volt elődök nélkül,
de a döntő áttörést valóban csak Fisher 1922-ben megjelent
cikke jelentette. A módszer megvilágı́tása céljából az egysze-
rűség kedvéért tételezzük fel, hogy az ismeretlen ϑ paramé-
tertől függő valószı́nűségeloszlásoknak létezik sűrűségfügg-
vényük: fϑ (u). Ha az X1 , X2 , . . . , Xn mintaelemek
Qn függetle-
nek, akkor együttes sűrűségfüggvényük i=1 fϑ (ui ). Legye-
nek a minta aktuális értékei (amelyeket a megfigyeléseink
során tapasztalunk) az x1 , x2 , . . . , xn számok. Ekkor a maxi-
mum-likelihood-elv szerint aQparaméter becslésének azt az
n
értékét fogadjuk el, amelyre i=1 fϑ (xi ) (mint ϑ függvénye)
maximális, feltételezve, hogy a maximum létezik és egyér-
telmű. Diszkrét Xi valószı́nűségi változók esetén pedig a
Pϑ (X1 = x1 , X2 = x2 , . . . , Xn = xn ) valószı́nűséget maxima-
lizáljuk. Ha a ϑ paramétert a maximum-likelihood-elv szerinti
ϑ̂-val becsüljük, akkor maximális lesz annak valószı́nűsége, il-
letve valószı́nűségsűrűsége, hogy éppen az x1 , x2 , . . . , xn szá-
mokat figyeljük meg. A maximum-likelihood-becslésnek szá-
mos jó tulajdonsága van, ezért is terjedt el a használata igen
széles körben. Ha például tudjuk, hogy ϑ maximum-likeli-
hood-becslése ϑ̂, akkor ϑ valamely u(ϑ) függvényének ma-
ximum-likelihood-becslése u(ϑ̂), és ez az invariancia valóban
igen lényeges. Ugyanakkor igen általános feltételek mellett be
lehet bizonyı́tani azt is, hogy a maximum-likelihood-becslés
konzisztens és aszimptotikusan minimális szórású is (n nagy
értékeire közelı́tőleg minimális a szórása), ráadásul, ha van
elégséges becslés (lásd „Az elégségesség paradoxonai”-t), ak-
kor a maximum-likelihood-módszer ennek valamilyen függ-
vényéhez vezet.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
(i) Legyenek X1 , X2 , . . . , Xn független, egyenletes eloszlású

valószı́nűségi változók a (ϑ, 2ϑ) intervallumon. Az ismeret-
len ϑ paraméter maximum-likelihood-becslése max Xi /2. Ha
n+1
ezt a becslést egy kicsit módosı́tjuk, és becslésként a ϑ̂ = n+2
max Xi függvényt választjuk, akkor ez a ϑ̂ torzı́tatlan becslése
is lesz ϑ-nak, és szórásnégyzete: D2 (ϑ̂) = 4n1 2 . Ugyanakkor az
n+1
5n+4 (min Xi + 2 max Xi ) becslés szórásnégyzete aszimpto-
tikusan (n nagy értékeire közelı́tően) 5n1 2 , ı́gy ez utóbbi becs-
lés hatékonyabb, mint az általában aszimptotikusan maximá-
lis hatékonyságú maximum-likelihood.
(ii) Igen egyszerű példa található arra a még meglepőbb
tényre is, hogy a maximum-likelihood-módszerrel nyert becs-
lés nem mindig konzisztens. Legyen A a (0, 1) intervallum
racionális számainak halmaza és B a (0, 1) intervallum irra-
cionális számai közül megszámlálhatóan sok. Tételezzük fel,
hogy az X1 , X2 , . . . , Xn független mintaelemek csak a 0 és
1 értékeket vehetik fel, mégpedig az 1-et ϑ valószı́nűséggel,
ha ϑ az A-nak eleme, és 1 − ϑ valószı́nűséggel, ha ϑ a B-nek
eleme. A ϑ paraméter
Pn maximum-likelihood-becslése a relatı́v
gyakoriság: i=1 Xi /n, és ez nem konzisztens becslése a ϑ
paraméternek, hiszen ha ϑ irracionális, akkor a relatı́v gya-
koriság (1 − ϑ)-hoz közeledik az n növelésével. Annak elle-
nére, hogy ebben a példában a maximum-likelihood-becslés
nem konzisztens, létezik a ϑ paraméternek konzisztens becs-
lése (bár ennek megadása valamivel nehezebb).
(i) A ξ = min Xi és η = max Xi együttesen minden in-

formációt tartalmaznak a ϑ paraméterre nézve, pontosabban
X1 , X2 , . . . , Xn együttes sűrűségfüggvénye adott ξ és η ese-
tén már nem függ ϑ-től (vagyis ξ és η együttesen elégsége-
sek), ı́gy természetesnek mondható, hogy mind a maximum-
likelihood, mind az ennél jobbnak bizonyult becslés is csak
ξ és η függvénye. Minthogy a maximum-likelihood-becslés
csak η-tól függ, amely önmagában nem elégséges (nem tar-

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
talmaz minden információt ϑ-ra nézve), ezért nem is annyira

meglepő, hogy sikerült ennél jobb becslést is találni.
(ii) A magyarázat igen egyszerű: a relatı́v gyakoriság min-
dig racionális, ı́gy könnyen látható, hogy éppen ez lesz a ma-
ximum-likelihood-becslés.
Kétségtelen, hogy az emlı́tett becslési probléma kissé pa-
tologikus, de legalább könnyebben érthető. D. Basu cikke is-
mertet egy konzisztens becslést arra a problémára, amelyre az
emlı́tett maximum-likelihood-becslés nem volt konzisztens.
Léteznek a gyakorlati élethez közelebb álló nem konzisztens
maximum-likelihood-becslések is, csak ezek leı́rása hossza-
dalmasabb (l. Neyman–Scott és Kiefer–Wolfowitz cikkét).
8.4. Megjegyzés
A matematikai statisztika irodalma bővelkedik olyan „maxi-
mum-likelihood-becslésekben”, amelyek vagy nem is voltak
tényleges maximumok (csak nyeregpontok), vagy több loká-
lis maximum közül csak az egyiket vették figyelembe. Ezek
a példák ugyan jó tanulságul szolgálnak, de mégsem tekint-
hetők tényleges paradoxonoknak, csak „elnézéseknek”, még
akkor is, ha mindez kiváló matematikusok és kiváló szakfo-
lyóiratok közreműködésével történt.
8.5. Irodalom
R. A. Fisher: On the mathematical foundations of theoretical
statistics, Phil. Trans. Roy. Soc. (London) Ser. A 222, 309–368,
1922.
A. V. T. Edwards: The history of likelihood, Internat. Statist.
Rev. 42, 9–15, 1974.
N. H. Norden: A survey of maximum likelihood estimation,
Intern. Statist. Rev., 40, 329–354, 1972.
D. Basu: An inconsistency of the method of maximum like-
lihood, Annals of Math. Statist., 26, 144–145, 1955.
J. Neyman–E. L. Scott: Consistent estimates based on par-
tially consistent observations, Econometrica 16, 1–32, 1948.
J. Kiefer–J. Wolfowitz: Consistency of the maximum likeli-
hood estimation in the presence of infinitely many incidental
parameters, Annals of Math. Statist. 27, 887–906, 1956.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
H. S. Konijn: Note on the nonexistence of a maximum like-

lihood estimation, Aust. J. Statist. 5, 143–146, 1963.
R. R. Bahadur: Examples of inconsistencies of maximum
likelihood estimates, Sankhya, 20, 207–210, 1958.
B. K. Kale: Inadmissibility of the maximum likelihood es-
timation in the presence of prior information, Canad. Math.
Bull. 13, 391–393, 1970.
V. D. Barnett: Evaluation of the maximum likelihood esti-
mator when the likelihood equation has multiple roots, Bio-
metrika 53, 151–165, 1966.
J. Berkson: Minimum chi-square, not maximum likelihood!,
Annals of Statist., 8, 457–487, 1980.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
9. Az intervallumbecslések paradoxona
Az intervallumbecslések elmélete az 1925–1935-ös években
fejlődött ki, főként R. A. Fisher és J. Neyman kutatásai nyomán.
J. Neyman konfidencia-intervalluma egy előre megadott a való-
szı́nűséggel tartalmazza az ismeretlen a paramétert. Legyen
X1 , X2 , . . . , Xn a véletlen minta, legyen továbbá A = A(X1 ,
X2 , . . . , Xn ; α) és B = B(X1 , X2 , . . . , Xn ; α) olyan, hogy
P (A < ϑ < B) = α.
Ekkor (A, B) a ϑ paraméter α megbı́zhatóságú konfidencia-

intervalluma. Ha például egy ismert σ szórású normális el-
oszlás ismeretlen várható értéke ϑ, akkor
√ √
P (X̄ − 2σ/ n < ϑ < X̄ + 2σ/ n) ≈ 0,95,
√ √
vagyis (X̄ −2σ/ n, X̄ +2σ/ n) egy 95%-os megbı́zhatóságú
konfidencia-intervallum ϑ-ra.
Az intervallumbecslésnek akkor is van értelme, ha nem a
mintát tekintjük valószı́nűségi változónak, hanem az isme-
retlen ϑ paramétert. Ez esetben természetesen az (A, B) in-
tervallum nem függ a véletlentől, és
P (A < ϑ < B) = α.
egyszerűen azt jelenti, hogy a ϑ valószı́nűségi változó α való-

szı́nűséggel az (A, B) intervallumba esik. Ha például ϑ egy
normális eloszlás ismeretlen várható értéke, amelyet az X̄
mintaátlag a véletlen mérési hiba miatt nem pontosan√ hatá-
roz meg, hanem a ϑ egy X̄ várható értékű és σ/ n szórású
normális eloszlás, akkor
√ √
P (X̄ − 2σ/ n < ϑ < X̄ + 2σ/ n) ≈ 0,95.
Az ilyen megbı́zhatósági intervallumokkal R. A. Fisher fog-

lalkozott, és fiduciális intervallumoknak nevezte azokat. Az
emlı́tett normális eloszlású esetben a konfidencia és a fiduci-
ális intervallum formálisan ugyanaz, csak a „filozófiája" más.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
Egy ideig mindenki úgy is gondolta, hogy a két megközelı́-

tési mód gyakorlati szempontból nem különbözik egymástól,
ı́gy a konfidencia-fiduciális vita merőben „akadémikusnak”
tűnt. (Kezdetben maga Neyman volt Fisher fiduciális elméle-
tének leglelkesebb hı́ve, főként amiatt, mert Fisher sem hasz-
nálta fel következtetéseihez a sok vitára alkalmat adó Bayes-
tételt.) A gyakorlati alkalmazásban is megnyilvánuló para-
doxonokra azonban nem kellett sokáig várni. Kiderült, hogy
Neyman és Fisher eltérő megközelı́tési módja gyakorlatilag is
eltérő következtetésekhez vezethet. C. Stein 1959-ben a követ-
kező – különösen paradox – esetre hı́vta fel a figyelmet. Stein
az egyszerűség kedvéért olyan konfidencia-, illetve fiduciá-
lis intervallumokkal foglalkozott, amelyekben B = ∞ (illetve
A = −∞). Ekkor ugyanis az intervallumot már egyetlen adat
(egyetlen végpont) meghatározza.

Legyenek N1 , N2 , . . . , Nk független, egységnyi szórású nor-
mális eloszlású valószı́nűségi változók (k = 2), amelyek is-
meretlen várható értékeit ϑ1 , ϑ2 , . . . , ϑk jelöli. Legyen a ϑ =
(ϑ1 , ϑ2 , . . . , ϑk ) vektor távolsága
p az origótól (a k-dimenziós
euklideszi térben) |ϑ| = ϑ21 + ϑ22 + . . . + ϑ2k . Stein megmu-
tatta, hogy ebben a többdimenziós normális eloszlású példá-
ban |ϑ| konfidencia- és fiduciális intervalluma a lehető leg-
végletesebben eltérő lehet, aminek egyszerű következménye
a következő paradoxon. Mindegyik ϑi -t egy n elemű minta át-
lagával: X̄i -sal becsüljük. Legyen a mintaátlagokból álló (X̄1 ,
X̄2 , . . . , X̄k ) vektor távolsága az origótól
q
|X̄| = X̄12 + X̄22 + . . . + X̄k2 .
Ekkor P (|X̄| > |ϑ|) > 0,5 ha X̄ a valószı́nűségi változó, akár-

mekkora is az ismeretlen ϑ érték, mı́g P (|ϑ| > |X̄|) > 0,5, ha ϑ
a valószı́nűségi változó, akármennyi is az X̄ mintaátlag. Más
szóval több, mint 50% annak a megbı́zhatósága, hogy (konfi-
dencia alapon) a (−∞, |X̄|) intervallum tartalmazza az isme-
retlen |ϑ|-t, és ugyancsak több, mint 50% annak is a megbı́z-
hatósága, hogy (fiduciális megközelı́téssel) a véletlen |ϑ| bele-
esik az (|X̄|, +∞) intervallumba. A paradoxon lényege tehát:

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
konfidencia-megközelı́téssel érdemesebb arra fogadni, hogy

|X̄| > |ϑ|, mı́g fiduciális megközelı́téssel éppen az ellenkező-
jére.

Aligha remélhető, hogy Stein példája kapcsán egy csapásra
tisztázni lehetne általában a konfidencia- és a fiduciális meg-
közelı́tés között évtizedek óta feszülő ellentéteket, de a szó-
ban forgó problémára vonatkozóan már maga Stefin java-
solt egy megoldást. Ha a fiduciális megközelı́tést nem a ko-
ordinátaként megadott mintaelemekre alkalmazzuk, hanem
(a vizsgált normális eloszlás forgásszimmetriája miatt) a koor-
dináták négyzetösszegére, akkor a fiduciális és konfidencia-
intervallum már azonossá válik. Eszerint érdemesebb arra fo-
gadni, hogy |X̄| nagyobb, mint |ϑ|.
9.4. Megjegyzések
(i) Hogyan adhatunk intervallumbecslést egy ismert σ szó-
rású normális eloszlás ismeretlen ϑ várható értékére abban az
esetben, ha fel szeretnénk használni azt az előzetes (apriori)
információt, miszerint ϑ normális eloszlású µ várható érték-
kel és s szórással (µ és s ismert). Ha az n elemű minta átlaga
X̄, akkor Bayes tétele szerint ϑ aposteriori eloszlása is normá-
lis, mégpedig
ϑ∗ = µ + C(X − µ)
várható értékkel és D szórással, ahol
n/σ 2 1
C= és D2 = ,
1/s2 + n/σ 2 1/s2 + n/σ 2
ı́gy ϑ 95%-os intervallumbecslése (ϑ∗ − 2D, ϑ∗ + 2D), hiszen

P (ϑ∗ − 2D < ϑ < ϑ∗ + 2D) ≈ 0,95.
Az apriori információ hiánya annak felel meg, hogy s = ∞,
2
azaz C = 1, ı́gy ϑ∗ = X̄ és D2 = σn , ami éppen a fiduciális
intervallumhoz vezet. Tehát a bayesi felfogás többdimenziós
normális eloszlások esetén ugyanahhoz az emlı́tett parado-
xonhoz visz el, mint közvetlenül a fiduciális érvelés.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
(ii) Fisher (1890–1962) valamivel korábban kezdett el inter-

vallumbecslésekkel foglalkozni, mint Neyman (1894–1981);
Fisher meg is vádolta az akkor még Lengyelországban dol-
gozó Neymant, hogy egyszerűen „eltulajdonı́totta és felfújta”
gondolatait. Fishernek egyébként ekkor már több más, ki-
emelkedő statisztikussal is – a szakmai ellentétek mellett –
személyes ellentétei támadtak. Nem túlzás azt állı́tani, hogy
gyűlölte K. Pearsont (1857–1936), és 1920 után éppen emiatt
nem is közölt cikket a Pearson és mások által alapı́tott és szer-
kesztett Biometrikában (akkoriban a Biometrika volt a statisz-
tika vezető folyóirata). Az ellentétek – bár valamivel kisebb
hévvel – „öröklődtek” K. Pearson fia, E. S. Pearson (1895–
1980) és a vele együtt dolgozó Neymanra is. Neyman később
az USA egyik vezető statisztikusa lett, és a Neyman és Fi-
sher közötti elvi ellentétek valamiféle amerikai–angol ellen-
tétté váltak. Fisher például egyáltalán nem rokonszenvezett
azzal a, szintén Amerikában kialakult, játékelméleti indı́tta-
tású felfogással (l. „A játékelmélet egy paradoxoná”-t), amely
a statisztikai következtetéseket valamiféle veszteségfüggvény
alapján hozott döntésekké akarja redukálni. (A statisztikában
ezt az „amerikai” irányzatot a magyar származású Wald Ábra-
hám dolgozta ki.) A kiélezett vitában az ellentéteket ı́gy fogal-
mazták meg: Amerikában (Peirce pragmatizmusának is meg-
felelően) nem az a fontos, hogy mit gondolunk, hanem az,
hogy mit csinálunk, Angliában pedig éppen fordı́tva. Fisher –
annak ellenére, hogy érvelései nem minden kérdésben voltak
meggyőzőek – kétségkı́vül minden idők egyik legnagyobb
(többek szerint „a legnagyobb”) statisztikusa volt. Talán ép-
pen ezért figyelemre méltó, hogy soha nem vezetett statisz-
tika tanszéket. 1943-ban ugyan professzor lett Cambridge-
ben, de a genetika professzora, 1952 és 1954 között pedig a
Royal Society elnöke volt.
9.5. Irodalom
R. A. Fisher: Inverse probabilities, Proc. Cambridge Phil. Soc.

26, 528–535, 1930.
B. Efron: Controversies in the foundations of statistics, The
American Math. Monthly, 85, 231–246, 1978.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
J. Neyman: On the two different aspects of representative

method: The method of stratified sampling and the method
of purposive selection. J. Roy. Statist., 30, 877–880, 1959.
C. Stein: An example of wide discrepancy between fiducial
and confidence intervals, Annals of Math. Statist., 30, 877–880,
1959.
A. Birnbaum: On the foundations of statistical inference
(with discussion), J. Amer. Statist. Assoc., 57, 269–326, 1962.
R. A. Fisher: Statistical methods and scientific inference,
Oliver and Boyd, London, 1956.
H. Jeffreys: Theory of probability, Harmadik kiadás, Claren-
don Press, Oxford, 1967.
D. J. Bartholomew: A comparison of some Bayesian and fre-
quentist inference, Biometrika, 52, 19–35, 1965.
G. K. Robinson: Some counterexamples to the theory of con-
fidence intervals, Biometrika, 62, 155–162, 1975.
A. P. Dempster: On a paradox concerning inference about a
covariance matrix, Annals of Math. Statist., 34, 1414–18, 1963.
M. Stone: Strong inconsistency from uniform priors J.
Amer. Statist. Assoc., 71, 114–116, 1970.
M. G. Kendall: R. A. Fisher 1890-1962, Biometrika, 50, 1–16,
1963.
J. F. Box: R. A. Fisher: The life of a scientist, Wiley, New
York, 1978.
G. Casella–J. T. G. Hwang–C. Robert: A paradox in decision-
theoretic interval estimation. Statist. Sinica 3, no. 1, 141–155,
1993.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
10. Egy hipotézisvizsgálati paradoxon

Nehéz lenne bármi bizonyosat állı́tani arról, hogy mi is volt
az első statisztikai hipotézis, amit az emberiség történetében
vizsgálni kezdtek, de tény, hogy B. V. Gnyegyenko valószı́nű-
ségszámı́tási monográfiájában azt állı́tja: népszámlálási ada-
tok alapján az ősi Kroában már i. e. 2238-ban úgy gondolták,
hogy a fiúk születési aránya az összes születésekhez viszo-
nyı́tva 50%. John Arbuthnot (1667–1735) angol matematikus,
orvos és ı́ró volt az első, aki 1710-ben rámutatott arra, hogy
el kell vetni a hipotézist, miszerint a fiúk ugyanolyan arány-
ban születnek, mint a lányok. Ebben az időben ugyanis már
82 év születési adatai álltak rendelkezésére, és minden évben
több fiú született. Amennyiben valóban 12 lenne a fiúk szüle-
tésének valószı́nűsége, akkor a 82 év tapasztalata olyan való-
szı́nűtlen [(1/2)82 esélyű] lenne, amit szinte kizártnak lehet
tekinteni. Arbuthnot tehát elsőként vetett el egy több ezer
éves természetes statisztikai hipotézist. Ez a (nem matema-
tikai) paradoxon Laplace érdeklődését is felkeltette. 1784-ben
meglepetéssel tapasztalta, hogy mı́g a fiúk születési aránya a
legkülönfélébb helyeken 22/43-nak adódott, addig Párizsban
ugyanez az arány 25/49 volt. Az eltérés okát hamarosan meg-
találta: Párizsban számba vették a lelenceket is, máshol pedig
nem, márpedig a lelencek között nem ugyanolyan arányban
fordult elő a két nem. Kimutatta, hogy egyébként Párizsban
is 22/43 lenne az arány.
1812-ben Laplace már a csillagászatban is statisztikai mód-
szereket kezdett alkalmazni, mégpedig annak a hipotézisnek
az eldöntésére, hogy a naprendszer üstökösei szerves részei-e
a naprendszernek vagy pedig „külső behatolók” (ez utóbbi
esetben pályası́kjuk és az ekliptika közötti szög egyenletes el-
oszlásúnak tételezhető fel, és éppen ez volt Laplace hipoté-
zisének matematikai formája). Bár hipotézisvizsgálati prob-
lémákat Laplace óta folyamatosan tanulmányoztak, a hipo-
tézisvizsgálat igazi úttörői: K. Pearson, E. S. Pearson, R. A. Fi-
sher és J. Neyman. Annak a hipotézisnek az eldöntésére, hogy
egy véletlen mennyiség valószı́nűségeloszlása a minta gya-
koriságeloszlása alapján tekinthető-e egy megadott F elosz-

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
lásúnak, igen gyakran volt szükség. [Már Laplace üstökös-

problémája is ilyen tı́pusú kérdés: nála F egyenletes eloszlású
(0, 2π)-ben.] Az ilyen ún. illeszkedésvizsgálat céljára K. Pear-
son, H. Cramer, R. von Mises, A. N. Kolmogorov és N. V. Szmirnov
és követőik újabb hatékony módszereket dolgoztak ki. Mint-
hogy egy hipotézis igazságának eldöntésére számos statisz-
tikai eljárás készı́thető, szükségessé vált a különböző eljárá-
sok összehasonlı́tása, rangsorolása. A legjobb döntési eljárá-
sok meghatározásának elvi és gyakorlati problémájában E. S.
Pearson és J. Neyman tették meg az úttörő lépéseket. Minde-
nekelőtt bevezették az alternatı́v hipotézis fogalmát. Az alter-
natı́v hipotézis nem szükségképpen ellenkezője az eredeti,
ún. nullhipotézisnek, például ha tudjuk, hogy egy véletlen
mennyiség egységnyi szórású normális eloszlású, csak a vár-
ható értéke ismeretlen, és a nullhipotézis az, hogy e várható
érték −1, az alternatı́v hipotézis szerint pedig +1, akkor ter-
mészetesen a kétfajta hipotézis nem merı́t ki minden lehető-
séget. Az emlı́tett egyszerű hipotézisekkel kapcsolatban (ami-
kor a nullhipotézis és az alternatı́v hipotézis is csak egyet-
len eloszlást tartalmaz) Neyman és Pearson 1933-ban meg-
mutatták, hogy létezik az alábbi értelemben legjobb, ún. leg-
erősebb próba a nullhipotézis és az alternatı́v hipotézis kö-
zötti választásra. A Neyman–Pearson-elméletben kétféle hi-
bás döntést vesznek számı́tásba: amikor igaz a nullhipotézis,
de mégis elutası́tjuk (ennek valószı́nűsége az elsőfajú hiba), és
amikor nem igaz a nullhipotézis, de mégis elfogadjuk (ennek
valószı́nűsége a másodfajú hiba). Egy adott elemszámú min-
tára épülő döntési eljárást (próbát) akkor nevezzük legerő-
sebbnek, ha tetszőlegesen rögzı́tett elsőfajú hiba esetén a le-
hető legkisebb a másodfajú hibája. (Adott elemszámú minta
esetén az első- és másodfajú hiba összege nem tehető akár-
milyen kicsivé. Ez a tény a hipotézisvizsgálat valamiféle „ha-
tározatlansági relációja”.) Az egyszerűség kedvéért tételezzük
fel, hogy a nullhipotézisben és az alternatı́v hipotézisben sze-
replő eloszlásnak is létezik sűrűségfüggvénye: f0 és f1 . Ekkor
Neyman és Pearson fundamentális eredménye szerint létezik
olyan döntési eljárás a nullhipotézis és az alternatı́v hipoté-
zis közötti választásra, amelyiknek elsőfajú hibája egy előre
megadott ε szám, és a másodfajú hibája a lehető legkisebb.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
Egy ilyen legerősebb próba a következő alakú: a nullhipoté-

zist pontosan akkor fogadjuk el, ha
f1 (X)
< c, ahol X = (X1 , X2 , . . . , Xn )
f0 (X)
a minta és c egy alkalmasan megválasztott konstans. (Az egy-

szerűség kedvéért feltételezzük, hogy f1 (X)/f0 (X) = c való-
szı́nűsége 0.) Neyman és Pearson elmélete a hipotézisvizsgá-
lat alapvető eleme lett. A paradoxonok azonban ezt az elmé-
letet sem kerülték el. 1950-ben Herbert Robbins arra mutatott
rá, hogy létezik olyan eljárás, amelyik bizonyos értelemben
erősebb, mint a legerősebb próba.

Legyen a nullhipotézis az, hogy egy valószı́nűségeloszlás ϑ =
−1 várható értékű és egységnyi szórású normális eloszlás, az
alternatı́v hipotézis szerint pedig ϑ = +1 várható értékű és
egységnyi szórású normális eloszlás. Egyetlen X mintaelem
alapján a hipotézisek közötti választásra a legerősebb próba a
következő: elfogadjuk a naphipotézist, ha X 5 0, egyébként
pedig elutası́tjuk. Ekkor mind az első-, mind a másodfajú hiba
közelı́tőleg 16%, minthogy
P (X > 0 | ϑ = −1) = P (X < 0 | ϑ = +1) =

Z ∞
1 2
=√ e−(x+1) /2 dx = 0,1587 . . . ≈ 0,16.
2π 0
Ha ezt a döntési eljárást nagy N számú egymástól független
esetben alkalmazzuk, akkor várhatóan körülbelül 0,16N lesz
a hibás döntések száma, és mivel mindannyiszor a legerősebb
próbát alkalmaztuk, úgy gondolhatnánk, hogy átlagosan en-
nél kevesebb nem is lehet. Robbins alábbi módszere éppen
arra mutat rá, hogy – paradox módon – ez távolról sincs ı́gy.
Legyen az N megfigyelés eredménye X1 , X2 , . . . , XN , és
e megfigyelések átlaga X̄. Robbins döntési eljárása a követ-
kező:
ha X̄ < −1, akkor legyen ϑi = −1 minden i = 1, 2, . . . , N
esetén,

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
ha X̄ > +1, akkor legyen ϑi = +1 minden i = 1, 2, . . . , N

esetén, végül
ha −1 5 X̄ 5 +1, akkor attól függően, hogy az
1 1 − X̄
Xi 5 ln
2 1 + X̄
egyenlőtlenség teljesül-e vagy nem, legyen ϑi = −1 vagy
ϑi = +1.
Robbins eljárása azért rendkı́vül meglepő, mert egymás-
tól teljesen független hipotézisvizsgálati problémákat kap-
csolatba hozott egymással. Nagy N esetén (például N = 100-
ra), ha ϑi = ±1 tényleges aránya 0 vagy 1, akkor Robbins el-
járása 100%-os biztonsággal dönt, 0,1 vagy 0,9 aránynál 7%-
os hibával (mindkétféle hiba 7%), 0,2 vagy 0,8 aránynál 11%-
ossal, 0,2C3 vagy 0,7 aránynál 14%-ossal, de még 0,4 vagy 0,6
tényleges aránynál is kisebb a hibaszázalék, mint az egyen-
kénti legerősebb próba 16%-os szintje. Csak a 0,5 tényleges
arány közelében válik Robbins módszere kevésbé hatékony-
nyá, mint a legerősebb próba.

Robbins paradoxona arra mutat rá, hogy még abban az eset-
ben is, ha N egymástól teljesen függetlenül dolgozó gyár-
ból érkező árutételek átvételéről vagy visszautası́tásáról kell
döntenünk egy-egy minta selejtaránya alapján, akkor is ösz-
szességében átlagosan kevesebbszer döntünk rosszul, ha
döntéseinket nem egymástól függetlenül hozzuk meg. Bár-
mennyire függetlenül is dolgozik a konkurencia, összességé-
ben jobban járunk, ha az átvételi döntéskor kapcsolatba hoz-
zuk őket egymással. Lényegében itt is ugyanolyan tı́pusú pa-
radoxonról van szó, mint amilyen a várható érték becslésének
Stein-féle paradoxona volt, ezért további részletezés helyett
utalunk az ottani magyarázatra, valamint Robbins forráscik-
kére.
10.4. Megjegyzés
Bár egyáltalán nem Robbins paradoxona az egyetlen parado-
xon a hipotézisvizsgálatban, kétségkı́vül egyike a legmegka-

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
póbbaknak, már csak azért is, mert arra mutat rá, hogy a már
„elintézettnek” vélt egyszerű Neyman–Pearson-féle döntési
probléma is jelentősen továbbfejleszthető. További hipotézis-
vizsgálati paradoxonok a 12. pontban és a villámparadoxonok
között szerepelnek.
10.5. Irodalom
J. Neyman–E. S. Pearson: On the problem of the most efficient
test of statistical hypotheses, Phil. Trans. Roy. Soc., 231, 289–
337, 1933.
H. Robbins: Asymptotically subminimax solution of the
compound statistical decision problem, Proc. 2nd Berkeley
Symp. on Math. Statist. and Prob., 131–148, Univ. Calif. Press,
Berkeley, 1950.
J. Neyman: Two breakthrough in the theory of statistical de-
cisiom making, Internat. Statist. Rev. 30, 11–27, 1962.
E. L. Lehmann: Testing statistical hypotheses, Wiley, New
York, 1959.
J. Neyman: Egon S. Pearson (August 11, 1895–June 12, 1980),
Annals of Statist., 9, 1–2, 1981.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
11. Rényi információelméleti paradoxona

Az információelmélet egyik fő feladata az információ meny-
nyiségének mérése. Az információelmélet kezdeményezői
(C. Shannon, N. Wiener és mások) felismerték, hogy az in-
formáció mennyiségét annak konkrét tartalmától és formájá-
tól függetlenül is értelmezni lehet. Az információmennyiség
egysége egyetlen eldöntendő kérdésre adott (azonos esélyű)
igen vagy nem válasz információtartalma. Ez az információ
a kettes alapú számrendszerben egyetlen számjeggyel fejez-
hető ki (pl. az „igen”-nek az 1, a „nem”-nek a 0 feleltethető
meg), ezért a kettes számrendszerbeli jegy angol elnevezé-
sének („binary digit”) rövidı́téseként az információmennyi-
ség egységét bit-nek nevezik. (Egyébként a bit önmagában is
értelmes szó, jelentése találóan: darabka, morzsa.) Az infor-
mációtartalmat az információ kifejezéséhez szükséges kettes
számrendszerbeli számok átlagos számával mérjük. Ha egy
véletlen mennyiség csak véges vagy megszámlálhatóan vég-
telen sok értéket vehet fel pozitı́v p1 , p2 , p3 , . . . valószı́nűsé-
gekkel, akkor a Shannon-képlet szerint információtartalma
X
H = H(p1 , p2 , p3 , . . .) = pi log p−1
i bit,
i
ahol most és a jelen paradoxon tárgyalása során mindig a log

kettes alapú logaritmust jelöli. A H számot a p1 , p2 , p3 , . . . va-
lószı́nűségeloszlás entrópiájának nevezzük. Az információel-
mélet fontos fogalma az információnyereség: ha egy véletlen
mennyiség (esemény) megfigyelése egy p1 , p2 , p3 , . . . valószı́-
nűségeloszlást q1 , q2 , q3 , . . . valószı́nűségeloszlásra változtat,
akkor a megfigyeléssel nyert információ mennyisége
X qi
qi log .
i
pi
Legyen most egy valószı́nűségeloszlás ismeretlen ϑ paramé-

tere (a matematikai statisztika bayesi felfogásának megfele-
lően) egy valószı́nűségi változó, mégpedig az egyszerűség
kedvéért tételezzük fel, hogy ϑ csak véges vagy megszám-
lálhatóan végtelen sok értéket vehet fel pozitı́v p1 , p2 , p3 , . . .

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
valószı́nűségekkel. Ekkor ϑ entrópiája: H(ϑ) = H(p1 , p2 , p3 ,

. . .). Tételezzük fel azt is, hogy az X = (X1 , X2 , . . . , Xn ) vé-
letlentől függő minta is csak véges vagy megszámlálhatóan
végtelen sok különböző értéket vehet fel pozitı́v q1 , q2 , q3 , . . .
valószı́nűségekkel, végül legyen rjk annak pozitı́v valószı́nű-
sége, hogy ϑ a j-edik (pj valószı́nűségű) és ugyanakkor X a
k-adik (qk valószı́nűségű) értéket veszi fel. Ekkor annak az in-
formációnak a mennyisége, amelyet az X minta megfigyelése
ϑ-ra vonatkozóan nyújt:
X rjk
I(X, ϑ) = rjk log .
pj q k
j;k
Az X mintának egy f (X) = f (X1 , X2 , . . . , Xn ) függvényét

akkor nevezzük elégségesnek, ha I(f (X), ϑ) = I(X, ϑ), azaz
ha f (X) ugyanannyi információt tartalmaz ϑ-ra vonatkozóan
(most már nemcsak heurisztikusan, hanem pontos informá-
cióelméleti értelemben is), mint maga az eredeti X minta. Ha
f nem feltétlenül elégséges, akkor az I(f (X), ϑ)/I(X, ϑ) há-
nyados azt mutatja meg, hogy a mintából ϑ-ra vonatkozóan
elérhető információnak hányadrészéhez tudunk hozzájutni
akkor, ha az eredeti minta helyett csak f (X)-et használjuk.
Azt a tulajdonságot, hogy egyre több megfigyelést végezve
végül is minden információt megszerezhetünk ϑ-ra vonat-
kozóan, az információelmélet nyelvén is kifejezhetjük: ha az
X1 , X2 , . . . megfigyelések független azonos eloszlású valószı́-
nűségi változók, amelyek Fϑ eloszlása különböző ϑ paramé-
terekre más és más, akkor
lim I((X1 , X2 , . . . , Xn ), ϑ) = H(ϑ).
n→∞
Rényi Alfréd alábbi paradoxona az információelmélet hipoté-

zisvizsgálati alkalmazásából származik.

Egy A eseménnyel kapcsolatos X valószı́nűségi változó meg-
figyelése alapján arra szeretnénk következtetni, hogy bekö-
vetkezett-e az A esemény vagy nem. Ha az A esemény va-
lószı́nűsége: P (A) = p, akkor az A esemény információtar-
talma: H(p, 1 − p). Az X változó megfigyelése után a még

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
mindig hiányzó információ mennyisége HX = E(H(P (A |

X), 1 − P (A | X))), ahol P (A | X) az A esemény feltételes
valószı́nűségét jelöli az X feltétel esetén. Eszerint az X meg-
figyelésének az A-ra vonatkozó információtartalma
I(X, A) = H(p, 1 − p) − H̄X .
Legyen d(X) = 1, ha az X megfigyelésekor úgy döntünk,

hogy A bekövetkezett, ha pedig úgy döntünk, hogy A komp-
lementere: A következett be, akkor legyen d(X) = 0. A hibás
döntés valószı́nűsége:
δ = pP (d(X) = 0 | A) + (1 − p)P (d(X) = 1 | Ā).
Könnyű bebizonyı́tani (például Neyman és Pearson fundamen-

tális eredménye alapján: l. az „Egy hipotézisvizsgálati para-
doxon”-t), hogy egyetlen döntési eljárásnak sem lehet kisebb
a hibája, mint a következőnek:
½
1, ha P (A | X) > P (Ā | X),
d0 (X) =
0, ha P (A | X) < P (Ā | X).
Amennyiben P (A | X) = P (Ā | X), akkor legyen d0 (X) = 1

p valószı́nűséggel és 0 1 − p valószı́nűséggel. A paradoxon
ezzel kapcsolatban a következő. Legyen Y = d0 (X). Ekkor az
Y -nak az A-ra vonatkozó információtartalma:
I(Y, A) = H(p, 1 − p) − H̄Y .
Minthogy Y az X-nek függvénye, ezért I(Y, A) 5 I(X, A), és

egyenlőség csak akkor áll fenn, ha P (A | X) csak két külön-
böző értéket vehet fel, vagyis általában X több információt
tartalmaz A-ra vonatkozóan, mint Y . Ugyanakkor (mint em-
lı́tettük) jobb döntést X ismeretében sem tudunk hozni A-ra
vonatkozóan, mint Y = d0 (X) ismeretében, vagyis hiába tar-
talmaz X több információt A-ra vonatkozóan, mint Y , ezt az
extra információt nem lehet hasznosı́tani.

Az extra információt igenis lehet hasznosı́tani egy újabb va-
lószı́nűségi változó megfigyelése útján. Legyen például Z =

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
X + U , ahol U az A esemény indikátorváltozója, azaz U = 1,

ha az A esemény bekövetkezik, egyébként 0. Nyilvánvalóan
X és Z ismeretében teljesen pontos információt nyerünk A-ra
vonatkozóan, vagyis „felszabadı́tottuk a latens információt”.
11.4. Megjegyzés
Az információelmélet igen sok szállal kapcsolódik a legkülön-
félébb gyakorlati problémákhoz, különösen a hı́rközlések leg-
korszerűbb (lehetőleg maximális hatékonyságú és megbı́zha-
tóságú) formáinak megvalósı́tásához.
11.5. Irodalom
Rényi A.: Napló az információelméletről, Gondolat, Budapest,
1976.
P. Turán (szerk.): Selected papers of Alfred Rényi, Akadé-
miai Kiadó, Bp. III. kötet 442. oldal, 1976.
A. M. Jaglom–I. M. Jaglom–A. Ja. Hincsin: Az információel-
mélet matematikai alapjai, Műszaki Könyvkiadó, Bp., 1959.
Csiszár I. előadásai alapján összeállı́totta Fritz J.: Informá-
cióelmélet, Bp., 1972 („A számı́tástechnika matematikai alap-
jai” c. tanfolyam jegyzete).
B. B. Ash: Information theory, New York, Wiley, 1966.
L. Brioullin: Science and information theory, New York,
Academic Press, 1956.
S. Kullback: Information theory and statistics, Wiley New
York, 1959.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
12. A t-próba paradoxona

A matematikai statisztika klasszikus elmélete valóban eleve
adottaknak tekintette a következtetések alapjául szolgáló
adatokat. A XX. századi fejlődés egyik legfontosabb eredmé-
nye viszont éppen annak felismerése volt, hogy a minta elem-
számát nem célszerű eleve lerögzı́teni, hanem csak éppen
olyan nagyságú mintát érdemes választani, hogy egy előre
rögzı́tett megbı́zhatósággal dönteni tudjunk. Egy-egy újabb
mintaelem választásának szükségességéről mindig a már
megvizsgált mintaelemek alapján határozunk, ı́gy a minta
nagysága a véletlentől is függ. Az ilyen szekvenciális minta-
vétel gondolata fokozatosan alakult ki H. F. Dodge és H. G.
Romig (1929), P. C. Mahalanobis (1940), H. Hotelling (1941) és
W. Bertky (1943) eredményei alapján. Kezdetben a mintaele-
mek kiválasztási folyamatának opcionális megállı́tásában szá-
mos paradoxont véltek felfedezni (például alkalmas opcio-
nális megállı́tás esetén a mullhipotézis szinte mindig eluta-
sı́tható.) A matematikai statisztika szekvenciális elméletének
igazi megalapı́tója Wald Ábrahám (1902–1950). Szekvenciális
valószı́nűséghányadosa (1943) olyan döntő felfedezés volt,
amely lehetővé tette, hogy a tipikus esetekben kb. 50%-kal
csökkentse (adott pontosságú döntéshez) az átlagosan szük-
séges mintaelemek számát. Költséges mintaelemek (pl. hadi-
anyagok) minőség-ellenőrzésekor ez olyan mértékű anyagi
megtakarı́tást jelentett, hogy Wald felfedezését a II. világhá-
borúban „bizalmas”-ként kezelték. Ma már klasszikusnak szá-
mı́tó „Szekvenciális analı́zis” cı́mű könyve csak 1947-ben je-
lenhetett meg. Bár a szekvenciális módszerek legnagyobb
meglepetése és értéke kétségkı́vül a már emlı́tett 50%-os meg-
takarı́tás volt, más vonatkozásban is rendkı́vül meglepő, való-
ban paradoxnak nevezhető eredményekhez vezetett. Közü-
lük C. Stein 1945-ben publikált paradoxonát emelem ki.

Legyen X1 , X2 , . . . , Xn független azonos normális eloszlású
valószı́nűségi változókból álló minta, amelynek segı́tségével
azt szeretnénk eldönteni, hogy egy ismeretlen várható értékű

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
és ismeretlen σ szórású normális eloszlású valószı́nűségi vál-

tozó várható értéke egyenlő-e egy adott ϑ0 számmal (ez a
nullhipotézis); az ellenhipotézis szerint pedig a várható érték
valamilyen ϑ0 -tól különböző ϑ szám. Legyen
n n
1X 1 X
X̄ = Xi D∗2 = (Xi − X̄)2
n i=1 n − 1 i=1
és
X̄ − ϑ0
tn = √ .
D∗ / n
A szóban forgó nullhipotézis és ellenhipotézis közötti válasz-
tás a matematikai statisztikában az ún. t-próba segı́tségével
történik, amely annak alapján dönt, hagy a mintából számı́-
tott tn megfelelően közel esik-e a 0-hoz, vagy nem. G. B. Dan-
tzig 1940-ben megmutatta, hogy adott elsőfajú hiba esetén a
másodfajú hiba mindenképpen függ az ismeretlen σ szórás-
tól. Bár ez igen sajnálatos, de semmiképpen sem meglepő,
sőt igen természetes. Annál inkább meglepő, sőt paradoxon-
nak tűnő eredményt bizonyı́tott 1945-ben C. Stein. Megmu-
tatta, hogy ha a minta n elemszáma nem előre rögzı́tett, ha-
nem (akárcsak Wald szekvenciális analı́zisében) függ a már
kiválasztott mintaelemek nagyságától, akkor létezik olyan t
tı́pusú próba, amelynek másodfajú hibája (adott elsőfajú hiba
esetén) nem függ az ismeretlen szórástól (csak a ϑ − ϑ0 kü-
lönbségtől). Más szóval a próba ereje csak ismert mennyisé-
gektől függ, ami kétségkı́vül igen fontos.

Első lépésként válasszunk egy rögzı́tett n0 elemszámú X1 ,
X2 , . . . , Xn0 mintát. Ennek korrigált tapasztalati szórásnégy-
zete:  Ãn !2 
Xn0 0 
1 1 X
s2 = Xi2 − Xi .
n0 − 1  i=1
n0 i=1

A teljes minta n elemszáma az s nagyságától és egy előre rög-

zı́tett pozitı́v z számtól függjön a következő módon
½· 2 ¸ ¾
s
n = max + 1, n0 + 1 ,
z

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38

£¤
ahol egy valós szám egész részét jelöli. Válasszuk meg az
a1 , a2 , . . . , an pozitı́v számokat úgy, hogy
n
X n
X
ai = 1, a1 = a2 = . . . = an0 és s2 a2i = z
i=1 i=1
teljesüljön.
A hipotézisek között válasszunk a következő statisztika
alapján:
Pn
∗ ai Xi − ϑ0 ϑ − ϑ0
t = i=1 √ =t+ √ ,
z z
Pn
ai (Xi − ϑ)
ahol t = i=1 √ .
z
Nyilvánvaló, hogy adott s esetén a t valószı́nűségi változó
normális eloszlású 0 várható értékkel és
n
X a2 i σ2
σ2 =
i=1
z s2
szórással. Ugyanakkor (n0 − 1)s2 /σ 2 eloszlása tetszőleges σ

esetén ugyanolyan, mint n0 −1 darab független standard nor-
mális eloszlású valószı́nűségi változó négyzetösszegének σ-
tól nem függő eloszlása (az ún. χ2n0 −1 -eloszlás), ı́gy t eloszlása
sem függ σ-tól, tehát t∗ is csak a ϑ − ϑ0 különbségtől függ, de
σ-tól nem.
(i) A matematikai statisztikában igen sokáig nem fordı́tottak
különösebb figyelmet az olyan – seregnyi paradoxont elő-
idéző – változásokra, amelyeket az okoz, hogy ismeretlen
mennyiségeket a becsléseikkel helyettesı́tenek. A tn valószı́-
nűségi változó például azért nem normális eloszlású, mert D∗
nem egy szám (a szórás ugyanis nem ismert), hanem egy va-
lószı́nűségi változó. (Ha a szórás ismert volna, és D helyébe
ezt a szórást ı́rnánk, akkor tn standard normális eloszlású
lenne.) A tn változót elsőként Student vizsgálta 1908-ban. (Stu-
dent igazi neve: William D. Gosset; 1899-től sörfőzőként dol-

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
gozott Dublinban, és munkaadója, Messrs. Guinness ragasz-

kodott az álnév használatához.) Student cikkének jelentősé-
gét hosszú éveken keresztül szinte senki sem ismerte fel. Stu-
dent szerint még 1922-ben is csak R. A. Fisher volt az egyet-
len, aki alkalmazta is felfedezését. Sőt Fisher jelölte elsőként
t-vel a Student-féle eloszlást az 1925-ben megjelent könyvé-
ben, és innen terjedt el a t-eloszlás elnevezés. [Student még a
z jelölést alkalmazta és nem is egészen a tn -re, hanem annak
(n − 1)-szeresére.]
(ii) Nagy elemszámú minta esetén, vagyis ha n nagy, ak-
kor tn közelı́tőleg normális eloszlásúnak vehető. Nem szabad
azonban azt hinni, hogy ha n nagy, akkor már semmi problé-
mát nem okozhat, hogy egyes paramétereket a szokásos becs-
léseikkel helyettesı́tünk (l. például a villámparadoxonok kö-
zött „A normalitásvizsgálat egy paradoxoná”-t).
(iii) Annak felismerése, hogy a minta nagyságát nem cél-
szerű eleve rögzı́tettnek tekinteni, és ha lehetőség van a szek-
venciális mintavételre, akkor erre kell törekedni, valóban for-
radalması́tó hatású volt a matematikai statisztikára. Abban
a pillanatban, amikor a mintavételt folyamatként vizsgáljuk,
amelyet bizonyos célok eléréséhez optimálisan kell megál-
lı́tani (nem túl korán, mert akkor kevés információnk lesz,
de nem is túl későn, mert túl költséges), alapvetően kitá-
gı́tjuk a statisztika horizontját. A mintavétel ugyanis ezál-
tal szervesen kapcsolódik a következő fejezetben sorra ke-
rülő véletlen folyamatok (sztochasztikus folyamatok) elmé-
letéhez. A sztochasztikus folyamatok optimális megállı́tása
éppen Wald szekvenciális analı́zise nyomán fejlődött ki. Ma
már Wald eredményeit alapvető összefüggésben látjuk a szto-
chasztikus folyamatok egyik legfontosabb tı́pusával, a mar-
tingálokkal. Az Irodalomban Y. Chow, H. Robbins és D. Sieg-
mund könyve az optimális megállı́tások elméletéről szól, Sir-
jajev könyve pedig a szekvenciális analı́zis és a martingálel-
mélet kapcsolatáról.
(iv) A t-próbával kapcsolatban felmerülő egyik legfonto-
sabb kérdést már maga Student felvetette: mekkora hibát kö-
vetünk el, ha nem normális eloszású esetben alkalmazzuk a t-
táblázatot. Székely (2004) szerint, ha a hiba normálisok skála-
keveréke, azaz, ha a hiba valamilyen véletlen szórású normá-

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
lis eloszlású (ez az alkalmazásban felmerülő eloszlások√ nagy

részére érvényes) és a t-táblázatbeli kritikus érték 3-nál na-
gyobb, akkor egyáltalan nem növekszik meg az elsőfajú hiba,
tehát nyugodtan alkalmazhatjuk a t-táblázatot. Az általános
esetben is alkalmazható a t-táblázat, de a szabadsági fok (ami
a táblázat alkalmazandó sorát mutatja) függ az elsőfajú hibá-
tól és még nagy n esetén is lecsökkenhet akár 1-re vagy 2-re
(első vagy második sor), ha a megengedett hiba nagy, pl. 10%.
12.5. Irodalom
Student: The probable error of a mean, Biometrika, 6, 1–24,
1908.
R. A. Fisher: Statistical methods of research workers, Oliver
and Boyd, Edinburg, 1925.
A. Wald: Sequential analysis of statistical data: Theory, Re-
stricted report, Sept, 1943.
A. Wald: Sequential analysis, Wiley, New York, 1947.
C. Stein: A two sample test for a linear hypothesis whose
power independent of the variance, Annals of Math. Statist.,
16, 243–258, 1945.
Y. Chow–H. Robbins–D. Siegmund: Great expectations: the-
ory of optimal stopping, Hoghton Mifflin Co., Boston, 1971.
A. H. XupÂev: Statistiqeski½ posledovatel~ny½
analiz, Nauka, Moskva, 1976.
G. J. Székely: Student’s t-test for scale mixtures, 2nd Leh-
mann Symposium, Houston, ISI publications (megjelenő-
ben).

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
13.1. A tipikus és az átlag paradoxona
Az átlagot, például az átlagfizetést igen gyakran abban az ér-
telemben használják, hogy tipikus, pedig ha egy országban
viszonylag kevés rendkı́vül gazdag (pontosabban rendkı́vül
nagy jövedelmű) család él és viszonylag sok kis jövedelmű,
akkor az országban az átlagjövedelem egyáltalán nem tipi-
kus. Sokkal reálisabb felvilágosı́tást nyújt például a jövedel-
mek mediánja (az a jövedelem, amelynél kisebb is ugyan-
annyi van, mint nagyobb). Az átlagjövedelem mellett sok más
„átlag”, például az „átlagember” fogalma is eléggé megala-
pozatlan, nem csoda, hogy L. A. J. Quételet belga tudós er-
ről szóló 1869-es tanulmánya igen heves viták kiindulópontja
lett. Az „átlagember”-nek nem is annyira a „szürkeség” a leg-
nagyobb hibája, hanem az ellentmondásossága: átlagos ma-
gassághoz például nem átlagos súly tartozik stb. Már csak
ezért is kritikával kell fogadni az Angol Királyi Képzőművé-
szeti Főiskola első elnökőnek: J. Reynoldsnak a megállapı́tását,
miszerint a szépség kulcsa az átlag.
(Irod.: L. A. J. Quételet: Essai de Physique sociale, 1835 és
L’homme moyen, Physique Sociale II. kötet, Bruxelles, 1869. –
Bizonyos következetlenségei ellenére Quételet 1835-ös köny-
vét igen sokan mérföldkének, sőt kiindulópontnak tekintik
az emberi és társadalmi tulajdonságok mennyiségi elemzésé-
nek útján. F. Galton, K. Pearson és F. Edgeworth különös elisme-
réssel szóltak Quételet-ről mint a regressziós tı́pusú gondola-
tok zseniális előkészı́tőjéről. Galton éppen Quételet könyvé-
nek hatására kezdte el tudományos kutatásait. Quételet-nek
egyébként más tudományos érdemei is voltak: 1820-tól ő a
Belga Királyi Csillagvizsgáló alapı́tó igazgatója. Kiváló tudo-
mányszervező is: 1834-ben az ő javaslatára alakult meg a Lon-
doni Statisztikai Társulat, és 1853-ban az ő ösztönzésére hı́v-
ták össze az első Nemzetközi Statisztikai Kongresszust Brüsz-
szelben.)
13.2. Egy becslési paradoxon

R. Carnap a becslés paradoxonárak nevezi azt, hogy egy becs-
lés négyzete általában nem ugyanaz, mint a négyzet becslése.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
Például, ha egy paramétert az X1 , X2 , . . . , Xn megfigyelt érté-

kek átlagával: X̄-sal becsülünk, akkor négyzetének természe-
tes becslése X̄ 2 , ami általában nem egyezik meg a megfigyelt
értékek négyzeteinek átlagával.
(Irod.: R. Carnap: Logical Foundation of Probability, Rout-
ledge and Kegan Paul, LTD. Broadway House, London, 1950.)
13.3. A mérési pontosság paradoxona

Két különböző hosszúságú rúd hosszát két méréssel kell meg-
állapı́tanunk egy olyan mérőeszközzel, amely a hosszúságot
egy állandó σ szórással méri. Paradox módon nem az a leg-
jobb módszer, hogy külön-külön megmérjük a két rúd hosz-
szát. Kisebb szórású eredményeket kapunk, ha a két rudat
először egymás után rakjuk és lemérjük az összhosszúságu-
kat, majd pedig egymás mellé téve őket – egyiket a másik
végéhez illesztve – a hosszkülönbségüket mérjük le. E két
méréseredmény összegének, illetve különbségének a fele√az
egyik, illetve a másik rúd megközelı́tő hossza, éspedig σ/ 2
szórással, ami valóban kisebb σ-nál. Ha figyelembe vesszük
az egymás után, illetve az egymás mellé illesztések következ-
tében fellépő hibákat is, akkor ennél valamivel kedvezőtle-
nebb eredményt√ kapunk. Amennyiben az illesztési hiba meg-
haladja a σ/ 3-at is, akkor már rosszabb eredményt kapunk,
mint közvetlen mérésekkel.
(Irod.: H. Hotelling: Some improvements in weighing and
other experimental techniques, Annals of Math. Statist. 15,
297–306, 1944.)
13.4. A valószı́nűség becslésének paradoxona

Egy esemény ismeretlen bekövetkezési valószı́nűségének
szokásos becslése a relatı́v gyakoriság, ı́gy ha egy pénzda-
rabot 100-szor dobunk fel és 47-szer kapunk ı́rást, akkor az
ı́rás valószı́nűségét 47/100-dal becsüljük. Nyilvánvaló azon-
ban, hogy ha egy többé-kevésbé szabályos érmét 10-szer do-
bunk fel és egyszer sem kapunk ı́rást, akkor ennek ellenére
nem tekintjük 0-nak az ı́rás valószı́nűségét. Ha tehát van va-
lami előzetes információnk (például az, hogy az érme többé-
kevésbé szabályos), akkor a relatı́v gyakoriság már általában

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
nem megfelelő becslés. A két pozitı́v paramétertől: a-tól és b-

től függő úgynevezett bétaeloszlás alkalmas arra, hogy jól ki-
fejezhessük vele előzetes információinkat. (A bétaeloszlás sű-
rűségfüggvénye a (0, 1) intervallumon kı́vül 0, a (0, 1) inter-
vallumon pedig xa−1 (1 − x)b−1 -gyel arányos; a > 0, b > 0). A
a
bétaeloszlás várható értéke m = a+b , szórása pedig
ab
d= ,
(a + b)2 (a + b + 1)
ı́gy ha előzetes információink m-re és d-re vonatkoznak, ak-

kor ezeket átfogalmazhatjuk a-ra és b-re (például ha az az ér-
zésünk, hogy az érme szabályos, akkor m = 1/2, ı́gy a =
b). Ha az apriori eloszlás (a, b) paraméterű bétaeloszlás, ak-
kor a Bayes-tétel szerint az aposteriori eloszlás is béta lesz,
mégpedig ha n kı́sérlet közül k-szor következett be az isme-
retlen valószı́nűségű esemény, akkor az aposteriori eloszlás
(a + k, b + n − k) paraméterű bétaeloszlás. Ennek várható ér-
a+k
téke: M = a+b+n a valószı́nűségnek több információt ötvöző,
jobb becslése, mint a k/n relatı́v gyakoriság. Természetesen,
ha n nagyon nagy, akkor M alig különbözik a relatı́v gyakori-
ságtól, ha azonban például n = 10, k = 0, a = b = 100, akkor
100
M = 210 ≈ 0,48, ellentétben a relatı́v gyakorisággal, ami egé-
szen irreálisan 0 lenne.
(Irod.: I. J. Good: The estimation of probability, M. I. T. Press,
Cambridge, 1965.)
13.5. Több adatból rosszabb következtetés

Nyilvánvaló, hogy több adat általában helyesebb következ-
tetéshez vezet, mint kevesebb. Az alábbi észrevétel azonban
egy kis óvatosságra int. Legyenek X1 , X2 és X3 egymástól
független valószı́nűségi változók. Tételezzük fel, hogy X1 és
X2 eloszlása megegyezik, mindkettő vagy a 0, vagy a 2 értéket
veszi fel, mégpedig ugyanolyan valószı́nűséggel, tehát mind-
kettőnek 1 a várható értéke. Az X3 viszont vagy 1, vagy 2,5,
szintén 1/2–1/2 valószı́nűséggel, ı́gy X3 várható értéke 1,75.
Mindezek azonban ismeretlenek a matematikus számára, aki
mintát vesz mind a három eloszlásból, és az a célja, hogy ki-
válassza közülük a legnagyobb várható értékűt. A legkézen-

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
fekvőbb azt az eloszlást tekinteni legnagyobb várható értékű-

nek, amelyikből származó mintának nagyobb az átlaga. Elő-
ször mind a három eloszlásból válasszunk ki egy-egy minta-
elemet. Ekkor a helyes választás valószı́nűsége:
P (X1 < X3 és X2 < X3 ) = P (X3 = 2,5) + P (X3 = 1) ·

5
· P (X1 = 0)P (X2 = 0) = .
8
Mi történik azonban akkor, ha valamelyik minta elemszá-
mát kettőre növeljük? Ha történetesen a harmadik eloszlás-
ból vett minta elemszáma lett kettő (a többi megmaradt egy-
eleműnek), akkor a helyes választás valószı́nűsége: P (X1 <
7
X̄3 és X2 < X̄3 ) = 16 , ahol X̄3 a két mintaelem számtani kö-
zepe. A helyes döntés valószı́nűsége több, mint 50%-ról keve-
sebb, mint 50%-ra csökkent! (Ugyanakkor az is kiszámı́tható,
hogy ha történetesen az első két eloszlás valamelyikéből vet-
tünk volna kételemű mintát, akkor már növekedett volna a
helyes döntés esélye, ı́gy a paradoxon nem is annyira mély.)
(Irod.: W. K. Chius–K. Lam: The American Statistician, 1975.)
Ugyancsak a „több adatból rosszabb következtetés” prob-
lémájával kapcsolatos F. Y. Egdeworth 1883-ból származó ne-
vezetes paradoxona. Eszerint ha például X1 és X2 egymástól
független valószı́nűségi változók ugyanolyan ϑ-ra szimmetri-
kus f (x − ϑ) sűrűségfüggvénnyel, akkor könnyen előfordul-
hat, hogy X1 közelebb van ϑ-hoz, mint X̄ = (X1 + X2 )/2
abban az értelemben, hogy
P (|X1 − ϑ| 5 ε) > P (|X̄ − ϑ| 5 ε)
valamilyen pozitı́v ε számra. Ez a helyzet például, ha f (x) =

3 4
2 · 1/(1 + |x|) , ugyanis X1 sűrűségfüggvénye a ϑ pontban
(azaz f (0)) nagyobb, mint X̄ sűrűségfüggvénye a ϑ helyen.
(Irod.: S. M. Stigler: An Edgeworth curiosum, Annals of Sta-
tist., 8, 931–934, 1980.)
13.6. Várható értékek egyenlőségének paradoxona

Három véletlen mennyiség ismeretlen várható értéke m1 , m2
és m3 . A szokásos statisztikai döntések, például normális el-
oszlás esetén a t-próba alkalmazása során előfordulhat, hogy

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
(adott megbı́zhatósági szinten) elfogadjuk az m1 = m2 és

m2 = m3 hipotéziseket, de elutası́tjuk az m1 = m3 hipotézist.
(Azonos szórású független normális eloszlású változók vár-
ható értékei egyenlőségének problémáját két n elemű minta
alapján a t = X̄− Ȳ
2D ∗ statisztika segı́tségével döntjük el, ahol
X̄ és Ȳ a két minta átlaga, D∗ pedig a korrigált tapaszta-
lati szórás. A t mennyiség eloszlása 2n − 2 paraméterű Stu-
dent-eloszlás. Normális eloszlású esetben a t-próba optimális
hatékonyságú döntés, Hodges és Lehmann azonban rámutat-
tak arra, hogy nem normális eloszlású valószı́nűségi változók
esetén a Student-féle döntés alkalmazása rendkı́vül rossz is
lehet; (lásd J. L. Hodges–E. L. Lehmann: The efficiency of some
nonparametric competitors of the t-test, Annals of Math. Sta-
tist. 27, 324–335, 1956.)
13.7. A normális eloszlás várható értékének paradox

becslése
Egy (egydimenziós) egységnyi szórású normális eloszlás
ismeretlen várható értékét szeretnénk becsülni egy a elemű
minta alapján. Ismeretes, hogy a minta számtani közepe: X̄
torzı́tatlan, minimális szórású, négyzetes veszteségfüggvény
szerint megengedhető, minimax-becslés és még ezeken kı́vül
is több más jó tulajdonsága van. Érdekes módon azonban, ha
„csak” arra törekszünk, hogy minél nagyobb valószı́nűséggel
minél közelebbi becslést adjunk ϑ-ra, akkor már van „hatéko-
nyabb” becslés is, mint X̄, azaz van olyan ϑ̂ becslés, hogy
1
P (|ϑ̂ − ϑ| < |X̄ − ϑ|) >
2
minden lehetséges ϑ esetén. Ilyen becslés például a követ-
kező:
1 ¡√ √ ¢
ϑ̂ = X̄ − √ min nX̄, Φ(− nX̄) ,
2 n
ha X̄ = 0 és
1 ¡√ √ ¢
ϑ̂ = X̄ + √ min nX̄, Φ(− nX̄) ,
2 n
ha X̄ 5 0, ahol Φ a standard normális eloszlás eloszlásfügg-
vénye.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
13.8. A normalitásvizsgálat egy paradoxona

Azt a hipotézist vizsgáljuk, hogy egy adott X1 , X2 , . . . , Xn
minta származhat-e valamilyen folytonos F (x) eloszlásfügg-
vényű eloszlásból (az Xi mintaelemek egymástól függetle-
nek, és ha igaz a hipotézis, akkor F (x) eloszlásúak). Jelölje
1 X
Fn (x) = 1
n
i : Xi <x
a minta tapasztalati eloszlásfüggvényét. Kolmogorov tétele

szerint, ha igaz a hipotézis, akkor
∞
√ X 2 2
lim P ( n sup |Fn (x) − F (x)| < z) = (−1)j e−2j z .
n→∞
j=−∞
Ez alapján egyszerűen készı́thető olyan √ eljárás, mely dön-

teni tud a hipotézis igazsága felől. [Ha n sup |Fn (x) − F (x)|
meghalad egy kritikus értéket, akkor elutası́tjuk a hipotézist.]
Hogyan járjunk el azonban akkor, ha azt szeretnénk eldön-
teni, hogy egy valószı́nűségeloszlás normális eloszlás-e? Azt
gondolhatnánk, hogy ha először a minta alapján megbecsül-
jük a hipotetikus normális eloszlás várható értékét és szórá-
sát, a szokásos X̄ és D∗ mennyiségekkel, majd alkalmazzuk a
fenti Kolmogorov-féle eljárást olyan F (x) normális eloszlásra,
amelynek X̄ a várható értéke és D∗ a szórása, akkor nagy n
esetén nem nagy hibát követünk el. Paradox módon azon-
ban az ily módon elkövetett hiba akármilyen nagy n esetén
sem válik elenyészővé. Az eltérés igen lényeges. Például 95%
megbı́zhatósági szint esetén a kritikus érték a Kolmogorov-
eljárásban 1, 36 (ennél nagyobb tapasztalati érték esetén uta-
sı́tunk el), mı́g pontosabb elemzéssel kimutatható, hogy a kri-
tikus értéket célszerű 0,90-nek választani. A paradoxon ma-
gyarázata elég egyszerű: a becslésekkel közelebb került F (x)
és a tapasztalati Fn (x), ezért célszerű alacsonyabb kritikus ér-
téket alkalmazni. Normalitásvizsgálatra és más illeszkedés-
vizsgálatra igen jól hasznalható a következő eredmény (rész-
letesebben ld. a Székely–Rizzo (2004) cikkeket): Ha X, Y két
független d-dimenziós valószı́nűségi változó, amelyek vár-
ható euklideszi távolsága EkX − Y k és X 0 , Y 0 az X, Y egy
független, azonos eloszlású példánya, akkor

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
E(X, Y ) := 2EkX − Y k − EkX − X 0 k − EkY − Y 0 k ≥ 0

és egyenlőség pontosan akkor van, ha X és Y azonos elosz-
lású. Az E(X, Y ) érték úgy is felfogható, mint az X vagy Y
potenciális energiája a másik változó által indukált térben. Ez a
szemlélet sok hasznos statisztikai eljáráshoz vezet (ld. az in-
ternetről ingyenesen elérhető R statisztikai programcsomag-
ban az energia programokat). Megmutatható, hogy ha pl. Y
egydimenziós és sűrűségfüggvénye f , akkor adott X1 , X2 ,
. . . , Xn statisztikai minta tapasztalati potenciális energiája:
n
1X
En := 2 EkXi − Y k −
n i=1
n
1 X
− kXi − Xj k − EkY − Y 0 k
n2 i,j=1
olyan, hogy f sűrűségfüggvényű mintaelemek esetén nEn el-

oszlása közelı́tőleg ugyanaz, mint
∞
X
λk Zk2 ,
k=1
eloszlása, ahol a Zk változók független standard normális el-

oszlásúak és a λk számok (energiaszintek) az alábbi sajátér-
tékegyenlet megoldásai:
−2f ψ = λψ 00 .
(A ψ sajátfüggvényekre itt nincs szükségünk – a 00 második
deriváltat jelöl.) Az iménti egyenletet nevezhetjük a statisz-
tikai illeszkedésvizsgálat Schrödinger-egyenletének a fizikai
analógia miatt.
(Irod.: M. Kac–J. Kiefer–J. Wolfowitz: On tests of normality
and other test of goodness of fit based on distance methods,
Annals of Math. Statist. 26, 189–211, 1955, S. Durbin: Some
methods of constructing exacts tests, Biometrika, 48, 41–45,
1961, K. Sarkadi: On testing for normality, Proc. 5th Berkeley
Symp. on Math. Statist. and Prob. I. 373–387, 1967. G. J. Szé-
kely, M. Rizzo: A new test for multivariate normality, J. Mul-
tivariate Analysis, 2004. G. J. Székely, M. Rizzo: Mean distance

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
test of Poisson distribution, Statistics and Probability Letters

67/3, 241–247, 2004.)
13.9. A lineáris regresszió egy paradoxona

Tételezzük fel, hogy az X véletlen mennyiséget csak egy 0
várható értékű ε hibával tudjuk mérni, azaz a mérési ered-
mény Y = X +ε az X-nek igen egyszerű lineáris regressziója.
Elképzelhető-e „jobb becslés” X-re, mint a mért Y ? A meg-
lepő válasz az, hogy bizonyos esetekben igen, legalábbis lé-
tezik olyan X̂ becslés, amelyre E(X̂ − X)2 = Eε2 kisebb,
mint E(Y − X)2 . Tételezzük fel, hogy X és ε korrelálatlan,
továbbá nemcsak Y -nak X-re, hanem X-nek Y -ra vonatkozó
regressziója is lineáris (az előbbiből általában nem következik
az utóbbi). Ekkor
D2 (ε) D2 (X)
X̂ = 2
E(X) + 2 Y
D (Y ) D (Y )
a fenti értelemben jobb, mint Y (abban a határesetben, amikor
D2 (ε) = 0, természetesen X̂ = Y , ı́gy egyformán jók).
13.10. Sethuraman paradoxona

Léteznek olyan A és B statisztikai függvények (a megfigye-
lési eredmények függvényei), amelyek az ismeretlen ϑ para-
méternek torzı́tatlan becslései, A-nak kisebb a szórása, mint
B-nek (akármi is a ϑ igazi értéke), ugyanakkor a ϑ = ϑ0 hi-
potézisnek az eldöntésére például a ϑ > ϑ0 ellenhipotézis-
sel szemben az A függvényen alapuló eljárás nem feltétlenül
jobb, mint a B-n alapuló eljárás, sőt lehet, hogy ez utóbbi
lokálisan (a nullhipotézis környékén) jobb. Ha például egy
(ϑ, 2ϑ) intervallumon egyenletes eloszlás ismeretlen ϑ > 0
paraméterét szeretnénk az X1 , X2 , . . . , Xn mintából becsülni,
U = max(X1 , X2 , . . . , Xn ), V = min(X1 , X2 , . . . , Xn ), akkor
n+1
U a maximum-likelihood-becslés, B = 2n+1 U pedig torzı́tat-
n+1
lan, de kisebb a szórása az A = 5n+4 (2U + V ) szintén torzı́tat-
lan becslésnek. Ugyanakkor a ϑ = ϑ0 hipotézis vizsgálatához
lokálisan hatékonyabb a B-n alapuló eljárás.
(Irod.: J. Sethuraman: Conflicting criteria of „goodness” of
statistics, Sankhya, 23, 187–190, 1961.)

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
13.11. A minimax-becslés egy paradoxona

A minimax-becslések fogalmát „A játékelmélet egy parado-
xona” utáni megjegyzésekben ismertük meg. A minimax-
becslések általában olyanok, amelyek a „józan” szemléletnek
is megfelelnek. H. Rubin alábbi példája azonban paradox mi-
nimax-becsléshez vezet. Egy ismereten p 6= 0 valószı́nűség
egyetlen minimax-becslése abban az esetben, ha a veszteség-
függvény: L(p, c) = min((p − c2 )/p2 , 2), az azonosan 0 becs-
lés. Tehát teljesen függetlenül attól, hogy mit tapasztaltunk a
mintavétel során, az ismeretlen paraméterre célszerű a 0 becs-
lést adni (azt a 0-t, amelyet eleve kizártunk a p lehetséges ér-
tékei közül!).
Megjegyzés: Ha a veszteségfüggvény például L(p, c) =
(p−c)2 , akkor a p∗ minimax-becslés
√
már valóban függ a megfi-
∗ χ+ n/2
gyeléseinktől: p = n+ n , ahol n a minta elemszáma és χ az
√
ismeretlen valószı́nűségű esemény bekövetkezéseinek száma

(gyakorisága).
13.12. Robbins paradoxona

Jól ismert tény, hogy ha egy Poisson-eloszlás paraméterét pél-
dául egyetlen X megfigyelés alapján szeretnénk becsülni, ak-
kor célszerű a paraméter becsléseként X-et választani. (Ez a
maximum-likelihood-becslés, amely torzı́tatlan és minimális
szórású is.) Mi történik azonban akkor, ha k egymástól függet-
len Poisson-eloszlás ϑ1 , ϑ2 , . . . , ϑk paramétereit szeretnénk
becsülni egy-egy X1 , X2 , . . . , Xk megfigyelés alapján úgy,
hogy
Ã k !
X
2
E (ϑ̂i − ϑi )
i=1
minimális legyen? Lehet-e jobb becslést adni, mint ϑ̂i = Xi ?

H. Robbins mutatott rá először arra, hogy bár a k darab Pois-
son-eloszlás független, mégis lehet olyan tı́pusú jobb becslést
adni, amely nemcsak a „saját” eloszláshoz tartozó megfigye-
lést veszi számı́tásba, hanem a többit is. Robbins szerint, ha k
nagy, és N (X) jelöli az olyan Xi megfigyelések számát, ame-
lyek egyenlők X-szel, akkor jobb a ϑ̂i = (Xi + 1)N (Xi +

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
1)/N (Xi ) becslést használni, mint a ϑ̂i = Xi becslést. A para-

doxon lényege: hogyan befolyásolhatják olyan megfigyelések
a becslést, amelyeknek semmi köze ahhoz a paraméterhez,
amelyet becsülni kı́vánunk. Hasonló paradoxon volt egyéb-
ként a várható érték becslésének Stein-féle paradoxona is.
(Irod.: H. Robbins: An empirical Bayes’ approach to statis-
tics, Proc. 3rd Berkeley Symp. on Math. Statist. and Prob. I,
157–164, 1956.)
13.13. Egy Bayes-modell paradoxon

Legyen az X valószı́nűségi változó sűrűségfüggvénye egy
mindenütt pozitı́v f0 (x) és f1 (x) sűrűségfüggvény keveréke:
fp (x) = pf0 (x) + (1 − p)f1 (x), ahol 0 5 p 5 1.
A p szám azonban ismeretlen, és azt reméljük, hogy az egy-

mástól független X1 , X2 , . . . , Xn megfigyelések segı́tségével
(az Xi -k eloszlása ugyanolyan, mint X-é), akármilyen nagy
pontossággal meghatározhatjuk p-t, ha n elég nagy. A Bayes-
tétel segı́tségével szeretnénk megoldani a feladatot; válasz-
tunk egy 0 < p0 < 1 számot, és feltételezzük, hogy X (apri-
ori) sűrűsége p0 f0 (x)+(1−p0 )f1 (x). Az X1 , X2 , . . . , Xn minta
alapján X aposteriori sűrűsége: pn f0 (x) + (1 − pn )f1 (x), ahol
n
pn p0 Y f0 (Xi )
= .
1 − pn 1 − p0 i=1 f1 (Xi )
pn p
Ha limn→∞ 1−p n
= 1−p igaz lenne (1 valószı́nűséggel), ak-
kor valóban a mintaelemek a növekedésével egyre pontosab-
ban meghatároznák p-t. Az iménti összefüggés azonban nem
igaz: ha például ln ff01 (X)
(X) várható értéke 0, akkor a valószı́nű-
ségszámı́tás egy ismert tétele: a Chung–Fuchs-tétel miatt (1. „A
független növekményű folyamatok egy paradoxoná”-t)
pn pn
lim sup = ∞ és lim inf = 0,
n→∞ 1 − pn 1 − pn
ı́gy a szóban forgó limesz ez esetben nem is létezik. A parado-

xon megszűnik, ha (p0 , 1 − p0 ) helyett olyan apriori eloszlást

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
választunk, amely az egész 0 5 p 5 1 intervallumon pozitı́v

sűrűségfüggvényű. Az ilyen modell azért célszerűbb, mert a
tényleges fp -t pozitı́v sűrűséggel veszi figyelembe. A paradox
modell csak a 0, 1 indexeken mint paramétereken vett fel ap-
riori eloszlást: (p0 , 1−p0 )-t, ı́gy 0 < p < 1 esetén fp nem is volt
szerves része a Bayes-modellnek. (Az itt felvetett problémával
kapcsolatos R. H. Berk: Limiting behaviour of the posterior
distributions when the model is incorrect, Annals of Math.
Statist., 37, 51–58, 1966 cikke.)
13.14. A konfidencia-intervallum egy paradoxona

Legyenek X1 , X2 , X3 , . . . független normális eloszlású való-
szı́nűségi változók, amelyeknek ugyanaz az m szám a vár-
ható értékük és egységnyi a szórásuk. Az Sn = X1 + X2 +
. . . + Xn jelölést használva kb. 95% annak a valószı́nűsége,
hogy bármely rögzı́tett n-re
√ √
Sn − 2 n Sn + 2 n
<m< .
n n
Annak viszont már 0 a valószı́nűsége, hogy a fenti egyenlőt-
lenségek minden n-re teljesüljenek, és akkor is 0 marad a való-
szı́nűség, ha a 2 helyett akármilyen nagy számot ı́runk. Meg-
változhat azonban a helyzet, ha 2 helyett egy n-től függő szá-
mot ı́runk. Ezzel a témával foglalkozik H. Robbins következő
cikke: Statistical methods related to the law of the interated
logarithm, Annals of Math. Statist., 41, 1397–1409. 1970
13.15. A függetlenségvizsgálat paradoxona; hatásos-e

a hatásos gyógyszer?
Az alábbi három táblázat azt mutatja, hogy milyen volt egy
gyógyszer használatának eredménye, amikor férfiakon, illet-
ve nőkön próbálták ki, és milyen volt az összesı́tett eredmény.
Jól látható, hogy mind a férfiak, mind a nők körében jobb a
gyógyulási arány abban az esetben, ha alkalmazzuk a gyógy-
szert. (Az úgynevezett szignifikáns eltérést a függetlenség-
próbák számszerűen is kimutatják.) Ugyanakkor meglepő
módon az összesı́tett eredmény inkább azt jelzi, hogy akkor

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
férfiak nők
kezelt nem kezelt kezelt nem kezelt
gyógyult 700 80 150 400
nem gyógyult 800 130 70 280
összesen
kezelt nem kezelt
gyógyult 850 480
nem gyógyult 870 410
jobb a gyógyulási arány, ha nem kezeljük a betegeket. Esze-

rint az a gyógyszer, amely hatásosnak bizonyult mind a fér-
fiak, mind a nők körében, összességében éppen fordı́tva: ne-
gatı́v hatású. Hasonlóképpen előfordulhat, hogy egy beve-
zetésre szánt gyógyszert 10 kórházban kipróbálnak, és min-
denütt hatásosnak találják, de a végső összesı́tésben (amelyet
például a minisztériumban végeznek el) mégis az derül ki,
hogy hatástalan vagy éppen ellenkező hatású. Úgy látszik,
igen óvatosnak kell lenni a megfigyelések összesı́tésekor: a
minták összekeverése itt valóban veszélyes kuruzslás! (Erre
a paradoxonra Bognár Katalin hı́vta fel figyelmemet.)
13.16. A számı́tógépes statisztika paradoxonai

Az 1950-es évek óta az elektronikus számı́tógépek jelentősen
megváltoztatták a statisztika arculatát. Korábban a statiszti-
kai eljárások döntő többsége néhány alapműveletre és egy-
két táblázat alkalmazására korlátozódott; az utóbbi harminc
évben azonban minden „egyszerű”-vé vált, amit egy elekt-
ronikus számı́tógép viszonylag rövid idő alatt ki tud számı́-
tani. Ezáltal olyan eljárások kerültek „életközelbe”, amelyek-
nek végrehajtására néhány évtizeddel ezelőtt még gondolni
sem lehetett. A matematikai statisztika első korszakát az úgy-
nevezett paraméteres eljárások uralták, amelyekben a statiszti-
kai modellnek jól meghatározott struktúrája volt néhány is-

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
meretlen paraméterrel; a statisztikai eljárások eme ismeretlen

paraméterekre vonatkozó becslések vagy hipotézisvizsgála-
tok voltak, legtöbbször a normális eloszlás ismeretlen para-
métereire vonatkozóan. A második korszakra (amelyik kö-
rülbelül fél évszázada kezdődött) az úgynevezett nempara-
méteres eljárások a jellemzőek, amelyben a statisztikai modell
nem tartalmaz ismeretlen paramétert, speciálisan a modell
azt sem tételezi fel, hogy az ismeretlen eloszlások normáli-
sak, csak például annyit, hogy eloszlásfüggvényeik folytono-
sak. (E témakör bibliográfiáját I. R. Savage állı́totta össze még
1962-ben.) Érdemes hangsúlyozni: a matematikai statisztika
második korszakában nem az történt, hogy amit az első kor-
szakban felfedeztek a normális eloszlásokra (például a vár-
ható értékek összehasonlı́tását t-próbával) azt más paraméte-
res eloszláscsaládokra is meghatározták volna, hanem olyan
módszereket dolgoztak ki, amelyek szinte minden eloszlás-
családra használhatók. Ez az általánosság (invariancia) termé-
szetesen általában a hatékonyság rovására megy, hiszen nyil-
vánvaló, hogy több információval általában jobb eredménye-
ket lehet kapni. A matematikai statisztikának még a második
korszaka is alapvetően a kézi számolás igényeihez alkalmaz-
kodott. (Semmivel sem hosszasabb például a Wilcoxon- vagy
a Kolmogorov–Szmirnov-próbát elvégezni, mint a t-próbát.)
A matematikai statisztika harmadik, számı́tógépes korszaká-
nak illusztrálására nézzük a következő példát. Méréseink az
alábbi két számsorozatot eredményezték:
A = {45, 36, 57, 89, 99, 11, 70}

B = {54, 110, 77, 98, 75, 77, 47, 50, 14}
Azt szeretnénk tudni, hogy a véletlen mérési hibákkal terhelt

A és B sorozat közül melyik a „nagyobb”. A statisztika klasszi-
kus (első) korszakában feltételezték, hogy a mért értékek nor-
mális eloszlásból származnak, ı́gy az A-hoz tartozó számok
X̄A , illetőleg a B-hez tartozó számok X̄B átlagai alapján az
X̄A − X̄B különbség nagyságától függően t-próbával döntöt-
ték el, hogy adott (például 95%-os) megbı́zhatósággal szigni-
fikáns különbség van-e az A-hoz, illetve B-hez tartozó szá-
mok nagysága között. A számı́tógépes statisztika viszont le-

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
hetővé teszi az alábbi eljárást is. Vegyük az A és B halmaz

egyesı́tését, ami összesen 16 számból áll; ezt a 16 számot min-
den lehetséges módon bontsuk két olyan (a és b) részre, hogy
az elsőbe 7, a másodikba 9 szám kerüljön. Ez 11 400-félekép-
pen valósı́tható meg. Minden esetben számı́tsuk ki a megfe-
lelő X̄a − X̄b különbségeket. Ha az eredeti X̄A − X̄B különbség
e 11 400 különbség felső 5%-ához tartozik, akkor tekintsük az
A-t nagyobbnak, mint a B-t. Ilyen nagy műveletigényű eljá-
rások a számı́tógépes korszak előtt nem merülhettek fel.
Az 1960-as évek óta előtérbe kerültek az ún. robusztus sta-
tisztikai eljárások. Ezek bizonyos értelemben félúton helyez-
kednek el a paraméteres és a nemparaméteres módszerek kö-
zött. Nem vetik el teljesen a paraméteres modelleket, például
a normalitást, de ugyanakkor stabilitásra is törekszenek ab-
ban az értelemben, hogy ha például kissé megváltoztatjuk
(„perturbáljuk”, „szennyezzük”) az eredeti paraméteres csa-
ládot, akkor ezáltal ne nagyon változzon meg az alkalmazott
módszer hatékonysága. (Ezzel kapcsolatban l. „A várható ér-
ték becslésének paradoxonai”-hoz fűzött második megjegy-
zést.)
A gyakorlott statisztikusok az alkalmazások során már rég-
óta törekedtek bizonyosfajta robusztusságra, amikor a túlzot-
tan kiugró adatokat eleve kihagyták az elemzésből (például
az alsó és a felső 5%-ot). Az ilyen és hasonló „piszkos trükkö-
ket” a „tiszta elméletre” hivatkozva korábban igen sok statisz-
tikus elutası́totta. A robusztus statisztikai eljárások elmélete
most igen sok „piszkos trükköt” támaszt alá elméletileg, de
nemcsak igazolja a már korábban is alkalmazott eljárásokat,
hanem megkeresi az optimális lehetőségeket is, újabb lendü-
letet adva mind a gyakorlati, mind az elméleti statisztikának.
A robusztus eljárások igen gyakran nagy műveletigényűek,
de a számı́tógépes korszakban ez sokkal könnyebben elfo-
gadható. Az úgynevezett „jackknife”-módszer alkalmazása-
kor például hatványozódik a műveletigény, de a pontosság
is. A robusztus eljárások számos korábbi paradoxont oldottak
fel, például a már emlı́tett „piszkos trükkök” és a „tiszta el-
mélet” között. Korábban az elméleti statisztikus abban a hely-
zetben volt, mint az a matematikus, aki bebizonyı́totta, hogy
adott térfogatú testek között a gömbnek a legkisebb a fel-

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
szı́ne, és ennek alapján azt várja, hogy – anyagtakarékosság

céljából – a tejesüvegeket is gömb alakúra készı́tik, ugyanak-
kor azt tapasztalja, hogy gömb alakú tejesüvegeket (érthető
okokból) senki sem készı́t, tehát a gyakorlat nem olyan „har-
monikus”, mint az elmélet. Egyetlen lehetőség marad: töre-
kedni a közvetlen gyakorlat számára is hasznosı́tható optima-
lizálásokra is. A statisztikában ez sok szempontból a robusz-
tus eljárásokra törekvést jelenti, bár – számı́tógépes hason-
lattal élve – egyáltalán nincs kizárva a statisztika negyedik,
ötödik „generációja” sem.
A számı́tógépek és a Monte-Carlo-módszerek (l. „A Mon-
te-Carlo-módszer paradoxonát”) lehetővé teszik, hogy a ma-
tematikai statisztika kı́sérleti tudomány is legyen. Az, hogy
a matematika bizonyos ágaiban kı́sérleteket is lehet végezni,
eléggé új jelenség, hiszen a matematika „hagyományosan” a
legkevésbé kı́sérleti tudomány. Ezek a kı́sérleti lehetőségek új
problémákat vetnek fel, új paradoxonokat szülnek. A mate-
matikai statisztikának ezzel az új számı́tógépes korszakával
foglalkoznak a következő kiemelkedően informatı́v és rend-
kı́vül olvasmányos cikkek.
13.17. Irodalom
J. W. Tukey: The future of data analysis, Annals of Math. Sta-
tist. 33, 1–67, 1962.
P. J. Huber: Robust estimation of a location parameter, An-
nals of Math. Statist., 35, 73–101, 1964.
P. J. Huber: The 1972 Wald lecture; Robust statistics: A re-
view, Annals of Math. Statist., 43, 1041–1067, 1972.
F. R. Hampel: Robust estimation: A condensed partial sur-
vey, Zeitsch, Wahrsch’ theorie vrw. Geb. 27, 87–104, 1973.
B. Efron: Computers and the theory of statistics: Thinking
the unthinkable, SIAM Review, 1979 Okt.
R. G. Miller: The jackknife – a review, Biometrika 61, 1–15,
1474.
B. Efron: Bootstrap methods: another look at the jackknife,
Annals of Statist. 6, 1–26, 1979.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
3
A véletlen folyamatok
paradoxonai
„Mert bizonyos, hogy az őselemek helyüket nem előre

Megfontoltan foglalták el a mostani rendben,
Sem ki nem alkudták, ki hogyan végezze a mozgást.
Ámde mivel hozzászoktak már ősi időktől,
Hogy sokféle ütéstől erre meg arra mozognak,
. . . Így történt, hogy olyan sok időn át szerte bolyongva,
S megpróbálna minden mozgást s egybeverődést,
Összekerültek olyan magvak, melyek összevegyülve
Gyakran nagy dolgoknak az első sejtjei lettek,
Mint égnek, földnek, tengernek, s állati nemnek.”
(Lucretius: A természetről, V. könyv 409. sortól,
ford. Tóth Béla)
A véletlen folyamatok – görög eredetű szakkifejezéssel: szto-

chasztikus folyamatok – matematikai vizsgálatában az első je-
lentős eredmények csak a múlt században születtek meg. A
XVII–XVIII. században – főként a klasszikus mechanika sike-
reire épı́tve – a determinisztikus folyamatok vizsgálata vált a
kutatások fő irányává. Ebben az időben alakult ki az a „me-
chanikus determinista” tudományszemlélet is, amely a vélet-
lent azonosı́totta a lényegtelennel, s azt a célt tűzte ki, hogy a
véletlent lehetőleg kiiktassa az alaptudományokból. A múlt
század második felében viszont fokozatosan minden alap-
tudományban, a statisztikus fizika révén a fizikában is, tért
hódı́tott a véletlen folyamatok matematikája, a XX. századi
kvantumfizikában pedig alapvető szerepet kapott. Minél mé-
lyebb szintre jutott el egy-egy tudományág a megismerés fo-
lyamatában, annál világosabbá vált a sztochasztikus folyama-
tok nélkülözhetetlen szerepe.
163
Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
Az ismert marxista felfogás szerint „ahol a felszı́nen a vé-

letlen űzi játékát, ott – mindig benső, rejtett törvények ural-
kodnak rajta...” (Marx–Engels: Válogatott Művek, II. kötet,
Kossuth Könyvkiadó, 354. old., 1963.) Egyre gyakrabban de-
rül ki ennek dialektikus ellentéte is: ahol a felszı́nen egyszerű
törvények uralkodnak, ott a mélyben a véletlen űzi játékát. (Ha-
sonló dualitás: nemcsak „a szabadság felismert szükségsze-
rűség”, hanem a szükségszerűség is felismert szabadság.)

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
1. Az elágazó folyamatok egy paradoxona

A múlt század első felében felfigyeltek arra az érdekes jelen-
ségre, hogy igen sok hı́res polgári és nemesi családnév foko-
zatosan kihal. 1845-ben I. J. Bienaymé, majd 1873-ban de Con-
dolle foglalkozott e probléma matematikai vizsgálatával. Egy
évvel később Galton és Watson alapvető cikket közölt e témá-
ban. A családnevek elágazódó láncolata volt az első példa a
véletlen elágazó folyamatokra. Azóta a kémia, fizika és sok
más tudományterület is foglalkozik velük. Az atomfizikában
a neutronsokszorozódás, a láncreakció is tipikus elágazó fo-
lyamat: A neutrongenerációk természetesen sokkal gyorsab-
ban váltják egymást, mint az emberi generációk, de mindkét
területen ugyanaz a fő kérdés: milyen feltételek mellett hal ki
(illetve hal el) a folyamat és mikor szaporodik el (mikor követ-
kezik be atomrobbanás). Az „elágazó folyamat” elnevezést el-
sőként A. N. Kolmogorov és N. A. Dmitrijev használta 1947-ben.

Jelölje p0 , p1 , p2 , . . . annak a valószı́nűségét, hogy egy felnőtt
férfinak 0, 1, 2, . . . fiúgyereke születik. Kérdés: mi annak való-
szı́nűsége, hogy generációk múltával egyszer csak nem lesz
már fiúutód. Definı́ció szerint legyen a p0 , p1 , p2 , . . . valószı́-
nűségeloszlás generátorfüggvénye:
∞
X
g(z) = pk z k ,
k=0
ahol z tetszőleges, legfeljebb 1 abszolút értékű szám. Ha az n-

edik generációban a fiúgyermekek valószı́nűségeloszlásának
generátorfüggvénye gn (z) (természetesen g1 (z) = g(z)), ak-
kor gn+1 (z) = g(gn (z)), vagyis az egymás utáni generációk
valószı́nűségeloszlásának generátorfüggvényeit a g(z) függ-
vény egymás utáni függvényiterációival kaphatjuk meg. An-
nak a valószı́nűsége, hogy az n-edik generációban már nincs
fiúutód:
qn = gn (0).

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
Minthogy qn monoton növő sorozat, ezért qn = q létezik, ı́gy

– felhasználva, hogy qn+1 minden n természetes számra tel-
jesül – a q szám kielégı́ti a
q = g(q)
egyenletet. Tehát annak q valószı́nűségét, hogy idővel meg-

szűnnek a fiúutódok, éppen a fenti egyenletből kaphatjuk
meg. Minthogy q = 1 mindig gyöke az egyenletnek, ezért
Watson – tévesen – arra következtetett, hogy a kihalás mindig
1 valószı́nűségű, tehát lényegében elkerülhetetlen. Watson
eredménye valóban túl paradox lenne, mégis csak az 1920-as
években mutattak rá (R. A. Fisher, J. B. Haldane, J. F. Steffen-
sen és mások) Parra, hogy ha a születendő fiúgyerekek átlagos
száma: m = k kpk nagyobb, mint 1, akkor a fenti egyen-
letnek létezik egynél kisebb gyöke is, és ebben az esetben a
kisebbik gyök adja meg a kihalás tényleges valószı́nűségét.
Abban már semmi meglepő sincs, hogy ha m kisebb, mint
1, akkor a kihalás 1 valószı́nűségű. Paradoxont most csak az
m = 1 eset jelenthet. Ha ugyanis a férfiaknak átlagosan m = 1
fiúutóduk születik, akkor is 1 valószı́nűségű a kihalás. Tehát
annak ellenére, hogy a fiúutódok átlagos száma a generációk
során nem változik (mindig 1 marad) a kihalás elkerülhetet-
len (pontosabban 1 valószı́nűségű).

A q = limn→∞ qn = 1 és az m = 1 egyenlőségek nincsenek el-
lentmondásban egymással. Ha ugyanis qn egyre jobban meg-
közelı́ti az 1-et, vagyis ha az n-edik generációban már csak
közel 0 valószı́nűséggel lesz fiú, de abban az esetben, ha van,
számuk viszonylag nagy, akkor az átlaguk könnyen lehet 1.
1.4. Megjegyzések
A Galton–Watson-modellt általában abban a speciális formá-
ban szokták alkalmazni, amikor pk = abk−1 , ha k = 1, 2, . . . és
p0 = 1 − p1 − p2 − . . ., ahol a és b pozitı́v számok és a kisebb,
mint 1 − b. Ebben az esetben gn (z) lineáris törtfüggvény. A. J.
Lotka például 1931-ben az USA-ra vonatkozóan kiszámı́totta,

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
hogy a = 0,2126, b = 0,5893 és p0 = 0,4825, ı́gy a férfiágak

kihalásának valószı́nűsége: q = 0,819-nek adódott.
Magyarországon is jól megfigyelhető, hogy a régi szép csa-
ládnevek közül egyre több egyre ritkábban fordul elő, ugyan-
akkor egyre több ember vezetékneve: Kis, Nagy és Kovács.
Jelenleg minden tizedik magyar állampolgár Nagy, Kovács,
Szabó, Tóth vagy Horváth. Ilyen körülmények között már a
vezeték- és a keresztnevek együttes használata sem elegendő
arra, hogy akár csak egyetlen munkahelyen belül elkerüljék
a teljes névazonosságokat. A hármas név kétségkı́vül segı́t a
megkülönböztetésben. Oroszország lakóinak már Nagy Péter
és II. Katalin kötelezővé tette a keresztnév, az apai név és a
vezetéknév használatát. Hasonló szerepet tölt be a kettős ke-
resztnév is. Érdekes kı́sérlet lenne a „genetikai tı́pusú ” névadás,
amikor minden gyerek két vezetéknevet örökölne, éspedig a
két vezetéknév közül az egyiket az apjától, másikat az anyjá-
tól venné át, lehetőleg mindkét szülőtől a ritkábbik (szebbik)
nevet. Ezenkı́vül természetesen megmaradna a keresztnév is.
Ilyen módon sokkal szı́nesebbé válna családneveink világa.
1.5. Irodalom
I. J. Bienaymé : De la loi de multiplication et la durée des fa-
milles, Soc. Philomath. Paris, 37–39, 1845.
H. W. Watson–F. Galton: On the probability of the extinction
of families, J. Anthropol. Ins. Great Britain and Ireland, 4, 138–
144, 1874.
A. J. Lotka: The extinction of Families I–II., J. Wash. Acad.
Sci., 21, 377–380 és 453–459, 1931.
E. Schrödinger: Probability problems in nuclear chemistry,
Proc. Proy, Irish Acad, 51, 1945.
T. E. Harris: The theory of branching process, Springer,
Berlin–Göttingen–Heidelberg, 1963.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
2. Markov-láncok és a fizika egy paradoxona

A Markov-láncok fogalmának bevezetése A. A. Markov orosz
matematikus nevéhez fűződik. Első ilyen témájú cikke 1907-
ben jelent meg a Pétervári Akadémia Közleményeiben. Az új
fogalmat nyelvészeti vizsgálatai során az Anyegin betűinek
alapos statisztikai elemzéséhez használta. Minden bizonnyal
a Markov-lánc a legfontosabb olyan matematikai fogalom,
amelyet a matematika és rajta keresztül sok más tudomány
(legalábbis részben) a nyelvészeti elemzéseknek köszönhet.
Véges (vagy megszámlálhatóan végtelen) sok értéket felvevő
X1 , X2 , . . . , Xt , . . . valószı́nűségi változók sorozata definı́ció
szerint akkor alkot Markov-láncot, ha bármilyen t kezdőpilla-
nat esetén a sorozat t utáni „viselkedése” csak a t időpontbeli
Xt értéken keresztül függ a múltbeli „viselkedésétől”, ponto-
sabban ha
P (Xt+1 = it+1 | Xt = it , Xt−1 = it−1 , . . .) =

= P (Xt+1 = it+1 | Xt = it ),
teljesül az Xt+1 , Xt , . . . valószı́nűségi változók minden lehet-

séges it+1 , it , . . . értéke, más szóval minden lehetséges állapot
esetén. Ez a tulajdonság: a markovitás, amely igen sok terü-
leten érvényes, például a klasszikus fizikában, ahol a rend-
szerek jövőbeli viselkedése egyértelműen meghatározott a je-
lenbeli állapotuk (például pillanatnyi sebességük és helyze-
tük) által, teljesen függetlenül attól, hogy mi volt az előzmé-
nye a jelenbeli állapotnak. Ha a P (Xt+1 = it+1 | Xt = it )
feltételes valószı́nűségek az úgynevezett átmenetvalószı́nűsé-
gek nem függnek t-től, akkor a Markov-lánc homogén. Az
ilyen Markov-láncok átmenetvalószı́nűségeit egy A = (pij )
mátrixba rendezhetjük, ahol pij = P (Xt+1 = j | Xt = i).
Az A átmenetvalószı́nűség-mátrix n-edik hatványa (a szoká-
(n) (n)
sos mátrixszorzás szerint) An = (pij ), ahol pij nem más,
mint P (Xt+n = j | Xt = i). Ez a kapcsolat lehetővé te-
szi, hogy a mátrixelméletet felhasználjuk a Markov-láncok
vizsgálatára. Ma már a Markov-láncok (és folytonos időpa-
raméterre, valamint folytonos értékkészletre: folytonos álla-

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
pottérre vonatkozó általánosı́tásuk, az úgynevezett Markov-

folyamatok) sokkal fontosabbak a természettudományok és
műszaki tudományok számára (például a diffúziós folyama-
tok, amelyeknek legfontosabb tı́pusáról a következő parado-
xon szól), mint első alkalmazási területük, a nyelvészet szá-
mára.
A klasszikus mechanika és a termodinamika igen érdekes
paradoxona a reverzibilitás–irreverzibilitás problémája, mely-
nek vizsgálatához hatékonyan használhatók a Markov-lán-
cok. A probléma lényege az, hogy a klasszikus mechanika tör-
vényei reverzı́bilisek, pontosabban nem adnak választ arra,
hogy például egy kávéba ejtett kockacukor miért bomlik min-
dig fel, és miért nem figyeljük meg sohasem ennek az ellenke-
zőjét: az édes kávéban a kockacukor összeállását. A klasszikus
mechanika számára ugyanis mind az oldódás, mind ennek
ellenkezője ugyanúgy megengedett. A termodinamika máso-
dik főtétele viszont, amelyet elsőként L. S. Carnot fogalmazott
meg az 1820-as években, éppen a világunkban tapasztalható
irreverzibilitást fejezi ki. (Az első főtétel az energiamegmara-
dás tétele.) Negyven évvel később R. Clausius bevezette az
entrópia matematikai alakját. (Az entrópia görög szó, megfor-
dı́tást jelent: energiára vonatkozó átalakı́tást.) Az entrópia se-
gı́tségével a második főtétel ı́gy fogalmazható meg: zárt rend-
szerben az entrópia nem csökkenhet, általában növekszik. L.
Boltzmann kutatásainak fő célja az volt, hogy a második főté-
telt az atomok, molekulák mozgástörvényeinek segı́tségével
igazolja. (Abban az időben ez a cél egyáltalán nem volt termé-
szetes, minthogy igen sok fizikus még az atomok létezésében
is kételkedett, például M. Faraday, W. F. Ostwald, az energe-
tizmus megteremtője vagy E. Mach.) Boltzmannra nagy ha-
tással volt Maxwell munkája: „A gázok dinamikus elméleté-
ről”. Boltzmann az 1870-es években megtalálta a kapcsolatot
az entrópia és a termodinamikai valószı́nűség között (l. az (i)
Megjegyzést). Megmutatta, hogy az irreverzibilitás valójában
nincs ellentmondásban a reverzı́bilis newtoni mechanikával,
nagyon sok részecskére alkalmazva szükségszerűen irrever-
zibilitásra vezet, minthogy a sok-sok milliárdnyi molekulából
álló rendszerek olyan állapot elérésére „törekednek”, amely
nagyobb eséllyel valósul meg (nagyobb a termodinamikai va-

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
lószı́nűsége). Ez a végső oka a bomlásnak, az amortizálódás-

nak, az öregedésnek (egyesek szerint a szociológiában az el-
züllésnek és a történelemben a felbomlásnak is).
1907-ben P. és T. Ehrenfest olyan modellt alkotott, amelyben
a reverzibilitás–irreverzibilitás paradoxona jól megvilágı́tható
a Markov-láncok elmélete segı́tségével.

Tételezzük fel, hogy N molekula viselkedését szeretnénk fi-
gyelemmel kı́sérni abban az egyszerű esetben, amikor tud-
juk, hogy minden molekula csak két energiaszinten lehet, és
ha valamely t időpontban egy molekula az első energiaszin-
ten van, akkor a (t + 1)-edik időpontra p valószı́nűséggel ke-
rül a második szintre (1 − p valószı́nűséggel az első szinten
marad), ha pedig a második szinten volt, akkor q valószı́nű-
séggel kerül az első szintre (1 − q valószı́nűséggel a második
szinten marad). Minthogy minden molekula két szinten le-
het, ezért az N molekula összesen 2N variációs lehetőséget
képvisel. Amennyiben a molekulákat megkülönböztethetet-
lennek tekintjük, akkor már csak n + 1 lehetséges állapot ma-
rad: az egyes állapotok azt fejezik ki, hogy hány molekula van
például az első szinten. Jelölje Xt azoknak a molekuláknak a
(véletlentől függő) számát, amelyek a t-edik időpillanatban
az első energiaszinten voltak. Ekkor X1 , X2 , X3 , . . . nyilván-
valóan egy Markov-lánc, amely pontos leı́rást ad az N mole-
kulából álló rendszer időbeli változásáról. Hogyan egyeztet-
hető össze ebben a modellben a klasszikus mechanika rever-
zibilitása (időbeli szimmetriája) és a termodinamika irrever-
zibilitása (időbeli aszimmetriája), mi a magyarázata ennek a
paradoxonnak?

Megmutatható, hogy ha |1 − p − q| < 1, akkor a P (Xt =
j, Xt+s = k) eloszlás generátorfüggvényének határértéke:
lim E(z Xt wXt+s ) =

t→∞
· ¸N
(p + qz)(p + qw) + pq(1 − p − q)s (1 − z)(1 − w)
= ,
(p + q)2

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
ami z-nek és w-nek szimmetrikus függvénye (z és w felcseré-

lésekor a függvény semmit sem változik), ı́gy egyensúlyi álla-
potban
P (Xt = j, Xt+s = k) = P (Xt = k, Xt+s = j).
Ez az egyenlőség felel meg a folyamat múltja és jövője közötti
szimmetriának, mı́g általában
P (Xt+s = k | Xt = j) 6= P (Xt+s = j | Xt = k),
¡ ¢ felel meg. Ha pl. p = q = 1/2, akkor

ami az irreverzibilitásnak
limt→∞ P (Xt = j) = Nj 2−N , ı́gy a Markov-lánc nagyobb va-
lószı́nűséggel közeledik N/2 felé, mint amennyivel távolodik
tőle.
2.4. Megjegyzések
(i) Jelölje f (v, t) a gázmolekulák véletlentől függő v sebessé-
gének eloszlását a t időpontban (az egyszerűség kedvéért fel-
tételezzük, hogy ez az eloszlás nem függ a molekulák hely-
koordinátáitól). Boltzmann 1872-es megfogalmazása szerint
(tetszőleges 1-nél nagyobb alapú log esetén) a
Z
H(t) = f (v, t) log f (v, t)dv
függvény t szerinti differenciálhányadosa sohasem lehet po-

zitı́v, vagyis az idő múlásával H sohasem növekedhet. (A ter-
modinamikai entrópiának −H felel meg, ami ezek szerint
nem csökkenhet – általában növekszik.) J. Loschmidt osztrák
fizikus már 1876-ban fölvetette Boltzmann tételével kapcso-
latban a reverzibilitás–irreverzibilitás (általunk is vizsgált) pa-
radoxonát, vagyis azt, hogy a klasszikus fizika alaptörvényei a
t → −t transzformáció során semmit sem változnak (a t sze-
rinti deriváltak kétszeresek bennük), ugyanakkor a t → −t
transzformáció éppen az ellenkezőjére változtatja Boltzmann
törvényét: H(−t) sohasem csökkenhet. E paradoxon okainak
elemzése kapcsán kiderült, hogy Boltzmann tételének bizo-
nyı́tása során fel kell használni a molekuláris ütközések töké-
letes homogenitását, ami azonban túlzott idealizáció. Boltz-
mann tétele csak statisztikusan érvényes: igen kicsi annak a
valószı́nűsége, hogy H(t) az idő múlásával növekedjék.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
Az újabb paradoxon H. Poincaré tételéből következett. Po-

incaré ugyanis megmutatta, hogy egy véges zárt térfogatban
a gázrendszer állapotát jellemző fázispont (amely a sokdi-
menziós euklideszi tér egy állandó energiának megfelelő fe-
lületén mozog) 1 valószı́nűséggel, véges idő elteltével, vissza-
tér a kiindulási pont akármilyen kis környezetébe. Ez pedig
– amint arra E. Zermelo 1896-ban rámutatott – ellentmondás-
ban áll Boltzmann tételével: ha egy folyamat nem reverzı́-
bilis (vagyis ha entrópiája nő), akkor a fázispontja nem le-
het visszatérő. A Boltzmann-tétel statisztikus megfogalma-
zása azonban ezt a problémát is megoldja: egy igen kis való-
szı́nűségű eseménysorozat a fázispont visszatéréséhez vezet-
19
het. Boltzmann szerint azonban tipikusan 1010 év szükséges
a fázispont tényleges visszatéréséhez, ami gyakorlatilag meg-
figyelhetetlen – ellentétben a mindannyiunk által tapasztalt
irreverzibilitással.
A Loschmidt–Zermelo-paradoxonok arra utalnak, hogy a
molekuláris fizika nem nélkülözheti a valószı́nűségszámı́tási
megalapozást. Ebben a megalapozásban magyar fizikusok is
kiemelkedő érdemeket szereztek. 1929-ben például Szilárd
Leó a perpetuum mobile lehetőségét felvillantó Maxwell-dé-
mont temette el (Maxwell szerint, ha az entrópia növekedése
csak statisztikus jellegű, akkor – ezt kihasználva – egy olyan
démon, amelyik minden molekula mozgását követni tudja,
perpetuum mobilét hozhatna létre. Szilárd Leó szerint azon-
ban nem szabad megfeledkezni arról sem, hogy a démon „jól
informáltsága” sok entrópiát igényel, ezért végül is nem va-
lósı́tható meg a Maxwell-démonnal működő perpetuum mo-
bile sem.) A termodinamika paradoxonainak sora természe-
tesen ezzel még távolról sem ért véget. Sok vitát váltott ki
például a világ hőhalálának Nernst-féle elmélete. Igen fontos
eredmény: Boltzmann tételét 1928-ban W. Pauli kiterjesztette
a kvantummechanika területére is.
(ii) Az Anyegin szövegének statisztikai elemzése – a Mar-
kov-láncok fogalmának legelső alkalmazása – egyáltalán nem
volt „elszigetelt” kutatás. Az egyes szavak gyakoriságának
vizsgálata (részint a gyorsı́rás, részint a nyelvtanı́tás céljaira)
már a múlt század végén igen divatos volt. 1898-ban jelent
meg F. W. Kaedig első gyakoriságszótára (Häufigkeitswörter-

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
buch der Deutschen Sprache), amelynek alapja egy 11 millió

szóból álló szöveg volt. A matematikai statisztika és a nyelvé-
szet kapcsolata azonban csak néhány évtizeddel később, fő-
ként G. K. Zipf (1902–1950) amerikai tudós munkássága nyo-
mán vált önálló tudománnyá. Igen sokirányú gondolatot öt-
vöz „Human behaviour and the principle of Least Effort” c.
könyve.
2.5. Irodalom
A. A. Markov: Extension of the limit theorems of probability
theory to a sum of variables connected in a chain. The Notes
of the Imperial Academy of Sciences of St. Petersburg VIII.
Ser. Phys. – Mat. Collage, XXII, dec. 5, 1907.
L. Boltzmann: Lectures on gas theory, Univ. California
Press, Berkeley, 1964 (az eredeti német nyelvű 1896, 1898-as
kiadás fordı́tása).
P. Ehrenfest–T. Ehrenfest: Über zwei bekannte Einwände ge-
gen das Boltzmannsche H-Theorem, Physik. Zeit. 8, 311–314,
1907.
J. H. B. Kempermann: The passage problem for a stationary
Markov chain, Univ. Chicago Press, 1961.
L. Takács: On an urn problem of Paul and Tatiana Ehrenfest,
Math. Proc. Camb. Phil. Soc. 86, 127–130, 1979.
K. L. Chung: Markov chain with stationary transition prob-
abilities, Springer, Berlin–Göttingen–Heidelberg, 1960.
E. B. Dynkin: Markov processes, Springer, New York, 1965.
W. Feller: Bevezetés a valószı́nűségszámı́tásba és alkalma-
zásaiba. Műszaki Könyvkiadó, Bp., 1978.
C. Truesdell: The tragicomic history of thermodynamics
1822–1854, Springer, New York, 1980.
L. Lovász–P. Winkler: Efficient stopping rules for Markov
mixing times, Proc. 27th ACM Symp. Theory of Computing,
77–82, 1995.
D. Aldous–L. Lovász–P. Winkler: Mixing times for uniformly
ergodic Markov chains, Stoch. Proc. Appl. 71/2, 165–185, 1997.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
3. A Brown-mozgás paradoxona
Robert Brown (1773–1858) angol botanikus, mikroszkopikus
kı́sérletei során, a sejtmag felismerésén kı́vül felfedezett egy
akkor még teljesen megmagyarázhatatlan jelenséget: a kol-
loidális nagyságrendű részecskéknek azt a mozgását, ame-
lyet ma Brown-mozgásnak nevezünk. Minthogy első kı́sér-
leteit (1827. június–augusztusban) virágporszemcsékkel vé-
gezte, ezért mindenki arra gondolt, hogy a mozgás bioló-
giai természetű. Brown óriási érdeme annak kı́sérleti igazo-
lása volt, hogy a jelenség kizárólag fizikai természetű lehet.
Ebben az időben azonban még nem volt olyan fejlett a mik-
rorészecskék fizikája, hogy a jelenséget értelmezni is tudták
volna, ezért nem csoda, hogy C. W. Nägeli svájci német bio-
lógus még 1879-ben is elképzelhetetlennek tartotta, hogy a
Brown-mozgás a molekulák hőmozgásától származzon. Ez-
zel szemben J. H. Poincaré egy 1904-es párizsi előadásában
már ı́gy fogalmazott: „Túl nagy testek, pl. 0,1 mm nagysá-
gúak minden oldalról számtalan ütést kapnak a mozgó ato-
moktól, ezek azonban nem mozognak, minthogy az ütközé-
sek nagyszámúak, és a véletlen szabályai szerint kiegyenlı́tik
egymást. Kisebb részecskék azonban túl kevés ütést kapnak
ahhoz, hogy valószı́nű legyen a kiegyenlı́tődés, ezért ezek ál-
landóan ide-oda lökődnek.” 1905-ben Einstein és tőle függet-
lenül a lengyel Smoluchowski kvantitatı́ven is helyes magyará-
zatát adták a Brown-mozgásnak. Einstein számı́tásai szerint a
részecskék által átlagosan megtett út arányos az idő négyzet-
gyökével, ı́gy átlagsebességük az idő négyzetgyökének recip-
rokával arányos. Ebből következne, hogy pillanatnyi sebes-
ségük bármely időpontban végtelen lenne, ami azt mutatja,
hogy a Brown-mozgás esetében problémát okoz a pillanat-
nyi sebesség értelmezése. Nyilvánvalóan részletesebb mate-
matikai elemzés vált szükségessé, amelyet azonban csak több
mint egy évtizeddel később N. Wiener végzett el. Mélyreható
vizsgálatainak elismeréseként a Brown-mozgás matematikai
modelljét Wiener-folyamatnak nevezik. Bebizonyosodott, hogy
a Wiener-folyamat valóban olyan folytonos pályájú (folyto-
nos realizációjú) mozgás, amely 1 valószı́nűséggel sehol sem

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
differenciálható, vagyis semmilyen időpillanatban nem lehet

értelmezni a pillanatnyi sebességét.
Mindenütt folytonos, de sehol sem differenciálható függ-
vényeket már jóval Wiener előtt is ismertek a matematikusok,
de ezek a patologikus függvények inkább csak kuriózum-
nak számı́tottak. 1806-ban a hı́res fizikus, A. M. Ampère még
azt próbálta igazolni, hogy néhány izolált ponttól eltekintve
minden folytonos függvény differenciálható. A Fourier-sorok
vizsgálata azonban hamarosan kiszélesı́tette a függvényekre
vonatkozó elképzeléseket, főként B. Bolzano (1834), G. F. B.
Riemann (1854) és K. Weierstrass (1872) kutatásai nyomán. Wei-
erstrass mindenütt folytonos, de sehol sem differenciálható
függvényét – jóváhagyásával – elsőként P. du Bois-Reymond
publikálta 1875-ben. Az effajta kutatások azonban a vezető
matematikusok nagy részét nem töltötték el túl nagy lelke-
sedéssel. H. Poincaré szerint például: „Régebben, ha egy új
függvényt felfedeztek, ezt valami gyakorlati célból tették; ma
kimondottan azért találják fel ezeket, hogy atyáink követ-
keztetéseire rácáfoljanak, s soha nem is fogják ezeket másra
használni.” Ch. Hermite pedig ı́gy ı́rt T. J. Stieltjeshez: „Rémü-
lettel és borzalommal fordulok el ettől a siralmas fekélytől;
függvények, amelyeknek nincs deriváltjuk!” (Vö. Szőkefalvi-
Nagy B.: Valós függvények és függvénysorok, Tankönyvki-
adó, 1965.) A Wiener-folyamat igazi cáfolat volt mindezekre a
vádakra, hiszen senki sem állı́thatta, hogy a Brown-mozgást
csak valamiféle mesterkélt ellenpélda céljára alkották volna
meg. A XX. századi kutatások azt is kiderı́tették, hogy a foly-
tonos függvények közül éppen a nem differenciálhatóak a
tipikusak, bizonyos értelemben ezek vannak döntő többség-
ben. (Lásd J. C. Oxtoby: Measure and Category, Springer, New
York, 1971.) Ez természetesen nem azt jelenti, hogy például a
mérnöki gyakorlatban használt folytonos függvények döntő
többsége sem differenciálható, hiszen például a valós számok
között is döntő többségben vannak az irracionálisak (egy vé-
letlenül választott szám 1 valószı́nűséggel irracionális), ennek
ellenére a gyakorlatban általában racionális számokat haszná-
lunk.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38

A Brown-mozgás pályái igen szabálytalan (sehol sem diffe-
renciálható) görbék. A szokásos értelemben azonban akármi-
lyen szabálytalan „görbét”, a sı́kbeli Brown-mozgás görbéjét
is, 1 dimenziósnak képzeljük. Ugyanakkor bebizonyı́tható,
hogy a sı́kbeli Brown-mozgás pályája (1 valószı́nűséggel) lé-
nyegében az egész sı́kot kitölti (a sı́k minden pontjához tet-
szőlegesen közel kerül), ı́gy ezt a „görbét” ugyanolyan joggal
kétdimenziósnak is számı́thatjuk. A két lehetőség közül me-
lyik az „igazi”?

A dimenzió fogalmát még századunk kezdetén is mindenki a
szokásos „mindennapi” értelemben használta: a görbék egy-
dimenziósak, a felületek kétdimenziósak, a testek háromdi-
menziósak; általában egy alakzat k-dimenziós, ha éppen k
paraméter (k koordináta) segı́tségével jellemezhetők a pont-
jai valamiféle értelemben. A dimenzió pontos matematikai
definı́ciója egyre nélkülözhetetlenebbé vált, minthogy egyre
több „határeset” került elő, és már csak a matematikai teljes-
ség kedvéért is kı́vánatos volt minden halmazra (a legpato-
logikusabb halmazokra is) kiterjeszteni a dimenzió fogalmát.
Poincaré intuitı́v elképzelései alapján először 1913-ban a hol-
land L. E. J. Brouwer, majd 1922-ben tőle és egymástól is füg-
getlenül K. Menger, illetve P. Sz. Uriszon definiálta az ún. to-
pologikus dimenzió fogalmát (részletesebben l. Hurewitz és
Wadlman könyvét vagy más idevágó topológiakönyvet). A
topológiai dimenzió értelmében a sı́kbeli Brown-mozgás di-
menziója 1, de mégsem mondhatjuk egyértelműen, hogy el
kell vetni azt az elképzelést, miszerint a dimenziója 2. F. Haus-
dorff ugyanis 1919-ben éppen egy olyan dimenziófogalmat
vezetett be, amely szerint a sı́kbeli Brown-mozgás dimenzi-
ója pontosan 2.
A d-dimenziós euklideszi térben az egységsugarú gömb
térfogata v(d) = Γ(1/2)d /Γ(1 + d/2), ahol Γ az analı́zis szoká-
sos gammafüggvénye (l. a Jelöléseket). Ennek a kifejezésnek
akkor is van értelme, ha d = 0 nem feltétlenül egész szám.
Legyen most adva az n-dimenziós euklideszi térben egy tet-

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
szőleges E halmaz, amelyet lefedtünk véges sok n-dimenziós

gömbbel: a gömbök sugara: r1 , r2 , . . .. Ekkor az E halmaz
Hausdorff-féle d-mértéke
X
lim inf v(d)rid .
r→r0 ri <r
i
A. S. Besicovitch megmutatta, hogy mindig létezik olyan D

(valós) szám, hogy d < D esetén az E halmaz d-mértéke vég-
telen, de d > D esetén már 0. Ez a D szám az E halmaz Ha-
usdorff- vagy Hausdorff–Besicovitch-dimenziója. Ebben az
értelemben a dimenzió nem feltétlenül egész szám. Például
a sı́kbeli Brown-mozgás mindkét koordinátája, mint az idő
függvénye (az „egydimenziós Brown-mozgás pályája”), Ha-
usdorff-dimenziója 3/2. Ez a görbe tehát éppen félúton van
az „igazi” görbe és az „igazi” felület között, a sı́kbeli Brown-
mozgás dimenziója pedig 2, akárcsak az „igazi” felületeké.
3.4. Megjegyzések
(i) Az utóbbi években igen széles körű irodalma bontakozott
ki az olyan alakzatoknak, amelyek topologikus és Hausdorff-
dimenziója nem egyezik meg. Ezeket B. Mandelbroit fraktá-
loknak nevezte. A fraktálok, a Wiener-folyamat is, alapvető
szerepet kaptak a természet irreguláris formáinak leı́rásában.
Ahogyan például az euklideszi egyenes a természet szabá-
lyos formáinak leı́rásában a leggyakoribb „betű”, ugyanúgy
a Wiener-folyamat a szabálytalan formák (felhők, tengerpart
stb.) tanulmányozásának egyik legalapvetőbb eleme. Termé-
szetesen a természetben sem „igazi” egyenes (amelynek csak
egyirányú kiterjedése volna), sem „igazi” Wiener-folyamat
(amely valóban sehol sem differenciálható) nincs, de mind-
kettő segı́tségével igen jó képet kaphatunk az „igazi” formák-
ról. A fraktálok új megvilágı́tásba helyezik például a csillagá-
szat hı́res Olbers-paradoxonát, mely szerint érthetetlen, hogy
éjszaka miért nem fénylik egyenletesen az égbolt, ha a csil-
lagok egyenletesen oszlanak el a térben (erre vonatkozóan l.
Mandelbroit könyvét).
(ii) Mandelbroit könyve más dimenziófogalmakat is meg-
emlı́t, pl. az ún. Fourier-dimenziót. Az algebrai dimenzióra vo-
natkozóan l. Székely cikkét.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
(iii) A Wiener-folyamat irregularitása a valószı́nűségszámı́-

tós és az analı́zis egy új határterületének: a sztochasztikus
integrálok és sztochasztikus differenciálegyenletek elméleté-
nek kifejlődéséhez vezetett. Ez az elmélet jelentős eltéréseket
mutat a szokásos differenciál- és integrálszámı́táshoz képest.
Ha például f (t) differenciálható függvény, akkor
Z 1 Z 1
f (1)2 − f (0)2
f (t)df (t) = f (t)f 0 (t)dt = .
0 0 2
A sztochasztikus integrálok elméletében az iménti integrált
akkor is lehet értelmezni, ha f (t) a Wiener-folyamat (amely
sehol sem differenciálható), és megmutatható, hogy az integ-
rálás eredménye éppen 1/2-del kevesebb, mint a fenti (diffe-
renciálható) esetben.
3.5. Irodalom
R. Brown: A brief account of microscopical observations made
in the months of June, July and August 1827, on the particles
contained in the pollen of plants; and on the general exis-
tence of active molecules in organic and inorganic bodies,
Edinburgh New Phil. Journal 5, 358–371. 1828.
L. Bachelier: Théorie de la speculation, Thesis, 1900.
N. Wiener: Collected Works, Cambridge, Mass. M.I.T. Press,
1976.
W. Hurewitz–H. Wallmann: Dimension theory, Princeton
Univ. Press, 1941.
F. Hausdorff: Dimension und äusseres Mass, Math. Anna-
len, 79, 157–179, 1919.
B. B. Mandelbroit: Fractals, form, chance and dimension,
W. H. Freeman and Co. San Francisco, 1977.
H. P. McKean. Jr.: Stochastic integrals, Academic Press. New
York–London, 1969.
I. I. Gihman–A. V. Szkorohod: Bevezetés a sztochasztikus fo-
lyamatok elméletébe, Műszaki Könyvkiadó, Bp., 1975.
G. J. Székely: Algebraic dimension of semigroups with app-
lication to invariant measures, Semigroup Forum, 17, 185–
187, 1979.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
4. A várakozási idő paradoxona; gyakrabban

közlekednek a buszok az ellenkező
irányban?
A modern technika egyre csökkenti a kárba veszett várako-
zási időket, de a mindennapi idegeskedések legnagyobb ré-
szét még ı́gy is a felesleges várakozások okozzák. Érthető,
hogy nagy érdeklődés kı́séri a matematikusok és mérnökök
arra irányuló erőfeszı́téseit, hogy csökkentsék a várakozási
időket. A sorban állások vizsgálatát telefonközpontokra vo-
natkozóan elsőként A. K. Erlang dán matematikus vizsgálta
(lásd az „Ajándékozási paradoxon” harmadik megjegyzését).
Az 1930-as években W. Feller bevezette a születési-halálozási
folyamatok fogalmát, amelynek segı́tségével új lendületet
adott a várakozások matematikai vizsgálatának, és jelentősen
hozzájárult az operációkutatás éppen kialakuló elméletéhez.
Ma már a tömegkiszolgálási, sorban állási rendszerek vizsgá-
lata önálló tudományág a valószı́nűségszámı́tás és operáció-
kutatás határterületén (lásd L. Kleinrock magyarul is megje-
lent könyvét).

A buszmegállókban általában fel szokták tüntetni a menet-
sűrűséget, vagyis azt, hogy átlagosan hány percenként érke-
zik busz a megállóba. Tételezzük fel, hogy egy adott megálló-
ban ez a menetsűrűség 10 perc. Ekkor arra számı́tunk, hogy
a buszra várakozók átlagos várakozási ideje 5 perc, hiszen át-
lagosan a 10 perces időtartamnak éppen a felét kell várakoz-
niuk. A tapasztalat azonban azt mutatja, hogy az átlagos vá-
rakozási idő még a 10 percet is meghaladhatja. Nincs ez el-
lentmondásban a 10 perces menetsűrűséggel? A meglepő vá-
lasz az, hogy egyáltalán nincs ellentmondásban, sőt 10 per-
ces menetsűrűség mellett az átlagos várakozási idő – elvi-
leg – akár végtelen is lehet. (A tapasztalat szerint azért nem
ennyire rossz a helyzet.)

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38

Ha a buszok nemcsak átlagosan, hanem pontosan 10 percen-
ként érkeznek a megállóba, akkor valóban átlagosan 5 percet
kellene várakozni. A tapasztalat azonban azt mutatja, hogy
a buszok „falkában” közlekednek (hacsak nincsenek túl kö-
zel az indı́tó végállomáshoz). Általában a 10 perces átlagérték
körül igen nagy a szóródás. Tételezzük fel, hogy a megállóba
érkező buszok érkezési időpontjai között eltelt időtartamok
független azonos eloszlású valószı́nűségi változók, amelyek
várható értéke m és szórása s. Megmutatható, hogy ekkor az
átlagos várakozási idő
m2 + s2
T = .
2m
Legyen ugyanis a szomszédos buszok beérkezési időpontjai
között eltelt idő eloszlásfüggvénye F (t), sűrűségfüggvénye
f (t). (A sűrűségfüggvény létezését most feltételezzük, bár ez
a feltétel az alábbiak kis módosı́tásával el is hagyható.) Szá-
mı́tsuk a t időt a megállóba érkezésünk előtti utolsó busz be-
érkezési időpontjától. Ekkor a legközelebbi busz beérkezéséig
eltelő idő sűrűségfüggvénye nem f (t) lesz, hanem olyan sű-
rűségfüggvény, amelyik tf (t)-vel arányos (azaz tf (t)/m), hi-
szen ahányszor nagyobb t idő telik el a legközelebbi busz be-
érkezéséig, annyiszor valószı́nűbb, hogy éppen ebben az idő-
intervallumban érkezünk a megállóba. Tehát az átlagos vára-
kozási időnk Z ∞
t2 f (t)dt
0
fele, ami valóban T = (m + s2 )/2m. [Könnyen kiszámı́that-

2
juk egyébként a várakozási időnk sűrűségfüggvényét is, ami

(1−F (t))/m.] Eszerint T = m/2 csak akkor, ha s = 0, de az el-
lenkező végletben, amikor s = ∞, T is végtelen. Ezek a végle-
tek természetesen nem reálisak. Sokkal közelebb áll a tényle-
ges helyzethez az, amikor a szomszédos buszok érkezési idő-
pontjai között eltelt időtartamok exponenciális („örökifjú”) el-
oszlásúak, valamilyen λ paraméterrel. Ekkor m = s = λ,
vagyis T = m, ami azt jelenti, hogy 10 perces menetsűrűség
esetén az átlagos várakozási idő is 10 perc és nem 5.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
Ennek a paradox helyzetnek a heurisztikus magyarázata

igen egyszerű. Ha valaki véletlenszerűen érkezik a megál-
lóba, akkor sokkal nagyobb az esélye arra, hogy olyankor ér-
kezik, amikor sokat kell várakozni, hiszen akkor lenne kicsi a
várakozási ideje, ha el tudna csı́pni egyet a falkában érkező
buszok közül, amire azonban kicsi az esélye, hiszen ilyenkor
alig egy perc telik el két érkezés között. Végeredményben ha
nagy a buszok jövetelének szóródása, akkor kevés ember ke-
vés ideig és sok ember sok ideig vár, vagyis nagy a T átlagos
várakozási idő.
4.4. Megjegyzés
Gyakran tapasztaljuk, hogy bárhova menjünk is, a buszok
vagy villamosok sűrűbben közlekednek az ellenkező irány-
ban, ami persze teljesen lehetetlen, de a látszat valóban ez. A
nekünk kedvező irányban közlekedő buszok közül ugyanis
mindig pontosan egyet figyelünk meg (azt, amelyikkel el is
megyünk), ugyanakkor pozitı́v a valószı́nűsége annak, hogy
a várakozásunk ideje alatt két-három busz is elmegy az ellen-
2
+s2 s2
kező irányban, átlagosan m2m : m = 12 + 2m 2 , ami pozi-
tı́v s szórás esetén valóban több, mint a várt 1/2. E paradoxon

megoldása a következő. Az ellentétes irányban közlekedő bu-
szok közötti szimmetria nem abban fejeződik ki, hogy az em-
lı́tett várható érték 1/2, hanem abban, hogy várakozási időnk
alatt éppen 50% eséllyel nem megy el busz az ellenkező irány-
ban (de ha megy, akkor több is mehet, ı́gy a várható érték
akármilyen nagy is lehet). Jelölje pk annak a valószı́nűségét,
hogy várakozásunk ideje alatt éppen k busz megy el az ellen-
kező irányban. Ha a szomszédos buszok beérkezési időpont-
jai között eltelt időtartamok exponenciális eloszlásúak, akkor
pk = 1/2k+1 , ha pedig egyenletes eloszlásúak a (0, 1) inter-
vallumon, akkor
µ ¶
1 2 1
pk = 4 − + ,
(k + 2)! (k + 3)! (k + 4)!
ahol k = 1, 2, . . . (A p0 valószı́nűség – mint emlı́tettük – min-

dig 1/2.)

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
4.5. Irodalom
L. Kleinrock: Sorbanállás-kiszolgálás, Műszaki Könyvkiadó,
Budapest, 1979.
L. Takács: Introduction to the theory of queues, Oxford
Univ. Press. New York, 1962.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
5. A véletlen bolyongások egy paradoxona

Pólya György, a XX. század egyik leghı́resebb magyar szár-
mazású amerikai matematikusa valamikor az 1920-as évek-
ben egy parkban sétálgatva többször is találkozott ugyanaz-
zal a szerelmespárral, és tulajdonképpen maga sem tudta,
hogy ezek a véletlen találkozások milyen mértékig véletle-
nek, pontosabban, milyen kicsi a valószı́nűségük. Röviddel
később azonban kiszámı́totta, hogy ha két ember egymás-
tól függetlenül egy négyzetrácsszerű úthálózaton véletlen-
szerűen bolyong (minden elágazási pontban ugyanolyan va-
lószı́nűséggel indulnak tovább a négy lehetséges irány bár-
melyike felé), akkor 1 valószı́nűséggel találkozniuk kell (ı́gy
ha elvileg korlátlan sok ideig bolyonganának, akkor 1 valószı́-
nűséggel végtelen sokszor is találkoznának). Ezzel szemben,
ha már egy térbeli kockarács élhálózatán bolyonganának, ak-
kor találkozásuk valószı́nűsége határozottan kisebb lenne 1-
nél (ı́gy csak 0 valószı́nűséggel találkoznának végtelen sok-
szor). Ez az érdekes felfedezés az elmúlt hatvan év során egé-
szen új kutatási irányt indı́tott el. A véletlen bolyongásokról
F. Spitzer 1964-ben már külön monográfiát is ı́rt.

Pólya emlı́tett tételéből az is következik, hogy ha a számegye-
nesen vizsgálunk egy bolyongást, amely a 0 pontból indul és
időegységenként vagy 1-et balra, vagy 1-et jobbra lép, füg-
getlenül korábbi útvonalától, akkor ez a bolyongás 1 valószı́-
nűséggel visszatér a 0 számhoz. Felmerül a kérdés, hogy mi-
előtt megtörténik a visszatérés, hányszor jutott el valamilyen
rögzı́tett k egész számhoz. Természetes arra gondolni, hogy
minél nagyobb a k abszolút értékben, vagyis minél messzebb
kell eljutni a 0-tól, átlagosan annál kevesebbszer sikerül ez.
Meglepő módon azonban a 0-ba való első visszatérés előtt a k
pontot mindig átlagosan ugyanannyiszor, éspedig 1-szer éri
el a bolyongás, akármilyen nagy is |k|.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38

A paradoxont egyetlen mondattal meg lehet magyarázni: a
visszatéréshez szükséges lépések átlagos száma (a visszaté-
rési idő várható értéke) végtelen, ı́gy valóban elég idő van ah-
hoz, hogy a számegyenes minden k pontjába átlagosan 1-szer
eljusson a bolyongás.
5.4. Megjegyzések
(i) Ha a korábbi feltételek mellett jobbra mindig 2, balra vi-
szont csak 1 egységet lépünk, akkor természetesen az egész
bolyongás jobbra húz, ı́gy 1-nél kisebb annak valószı́nűsége,
hogy a 0-ból indulva valaha is eljut √ például a −1-be. Érdekes,
hogy ez a valószı́nűség éppen ( 5 − 1)/2, vagyis az arany-
metszési arány.
(ii) A gyakorlati alkalmazások szempontjából igen fonto-
sak az olyan diffúziós tı́pusú bolyongások, amelyeknél a jobb-
ra, illetve a balra lépések valószı́nűségei függnek attól a k
helytől, ahonnan éppen lépünk. Jelölje pk a jobbra, 1 − pk pe-
dig a balra lépés valószı́nűségét, és tételezzük fel, hogy
1
pk = (1 + c/k)
2
(legalábbis k nagy értékeire), ahol c egy tetszőleges konstans.
Ez a fajta bolyongás pontosan akkor tér vissza a 0-ba 1 valószı́-
nűséggel (akkor rekurrens), ha c 5 1/2. Ha c < −1/2, akkor
véges a visszatérési idő várható értéke, ı́gy ebben az esetben
már nem fordulhat elő az eredeti bolyongásra vonatkozó pa-
radoxon (amely egyébként a c = 0 esetnek felel meg).
(iii) A véletlen bolyongások vizsgálata a négyzetrácsszerű
hálózatról kiterjeszthető tetszőleges hálózatokra (gráfokra).
Az ilyen általánosı́tások érdekes alkalmazásokra találnak az
elektromos hálózatok elméletében. Erre vonatkozóan lásd
C. Nash-Williams 1959-es alapvető cikkét.
5.5. Irodalom
G. Pólya: Über eine Aufgabe der Wahrscheinlichkeitsrech-
nung und das Momentproblem, Math. Annalen, 84, 149–160,
1921.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
F. Spitzer: Principles of random walk, Van Nostrand, New

York–Toronto–London, 1964.
C. St. J. A. Nash-Williams: Random walk and electronic cur-
rents in networks, Proc. Camb. Phil. Soc., 55, 181–194, 1959.
B. Tóth: No more than three favorite sites for simple ran-
dom walk. Ann. Probab. 29/1, 484–503, 2001.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
6. A tőzsde paradoxona; martingálok

A tőzsde matematikai vizsgálata szinte egyidős magával a
tőzsdével. Bizonyára már Gresham XVI. századi tőzsdéje sem
volt mentes a matematikai spekulációktól, de alapvető va-
lószı́nűségszámı́tási módszerek alkalmazására ezen a terü-
leten csak viszonylag hosszú idő után került sor. Jellemző,
hogy még 1900-ban is, amikor Louis Bachelier doktori érte-
kezését védte meg Párizsban a tőzsdei áringadozások és a
Brown-mozgás kapcsolatáról (több évvel megelőzve a fiziku-
sok Brown-mozgásra vonatkozó kutatásait), a bizottság alig
méltányolta alapvetően új gondolatait. Tőzsdei vizsgálatai
nyomán Bachelier teremtette meg az igazságos játék általá-
nos matematikai modelljét, az ún. martingált is, amely ké-
sőbb J. L. Ville, P. Lévy, D. L. Doob és mások kutatásait követően
az egyik legfontosabb sztochasztikus folyamattá vált. Valószı́-
nűségi változók egy X1 , X2 , X3 , . . . sorozatát akkor nevezzük
martingálnak, ha az Xn+1 − Xn különbség („az n-edik idő-
pontban szerzett nyeremény”) feltételes várható értéke adott
Xn , Xn−1 , . . . („össztőkék”) esetén bármely n-re 1 valószı́nű-
séggel 0, azaz
E(Xn+1 − Xn | Xn , Xn−1 , . . .) = 0.
Az X1 , X2 , X3 , . . . sorozat szupermartingál (illetve szubmartin-

gál), ha a fenti feltételes várható érték nem lehet pozitı́v (il-
letve nem lehet negatı́v) 1 valószı́nűséggel. A martingál az
igazságos játéknak, „a kvantitatı́v igazságosságnak” olyan ál-
talános modellje, amely igen sok területen alkalmazható, pél-
dául a tőzsdei paradoxonok vizsgálatában.

Ha egy részvény várhatóan nyereséges, akkor természetes-
nek látszik, hogy érdemes vásárolni belőle, ha várhatóan
veszteséges, akkor érdemes eladni. Az is természetesnek lát-
szik, hogy a várhatóan legnyereségesebb részvényre érdemes
minden pénzünket költeni, hiszen ekkor lesz a várható nye-
reségünk a legnagyobb. Ez igaz is, de a gyakorlatban mégsem

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
ezt a stratégiát használják, éspedig joggal, mert előfordulhat,

hogy miközben az összes pénzünk várható értéke egyre nő
(össztőkénk várható nagysága végtelenhez tart), vagyonunk
mégis 1 valószı́nűséggel elfogy! Éppen ezért a tőzsdei vásár-
lásoknál sokkal körültekintőbbnek kell lenni: időnként vár-
hatóan nyereséges részvényt célszerű eladni, mı́g várhatóan
veszteségeset vásárolni.

Tételezzük fel, hogy k különböző részvényből vásárolhatunk,
és az i-edik részvény (i = 1, 2, . . . , k) egy véletlentől függő
X (i) -szeres nyereséget hoz egy év alatt. (Nyilvánvalóan
X (i) = −1, hiszen több veszteségünk nem lehet, mint ameny-
nyiért vásároltunk. Az egyszerűség kedvéért feltételezzük,
hogy X (i) korlátos, azaz nem vehet fel akármilyen nagy érté-
keket, bár ez a megkötés az alábbiak kis módosı́tásával telje-
sen elhagyható.) A tőzsdei helyzetet az X = (X (1) , . . . , X (k) )
véletlen vektor jellemzi. Tételezzük fel, hogy a j-edik év tőzs-
dei helyzetét jellemző Xj (j = 1, 2, . . .) vektorok X-szel azo-
nos eloszlásúak és egymástól függetlenek. Legyen a kezdő-
(i)
tőkénk T0 , és jelölje aj azt, hogy a j-edik évben össztőkénk
(i)
hányad részéért vásárolunk az i-edik részvényből. Az aj = 0
olyan mennyiség, amelyik függhet az X1 , X2 , . . . , Xj−1 vé-
(1) (k)
letlen vektoroktól. Az aj = (aj , . . . , aj ) vektor a vásárlási
Pk (i)
stratégiánkat ı́rja le a j-edik évben. Nyilván i=1 aj 5 1.
Pk (i) (i)
Jelölje aj Xj a i=1 aj Xj összeget (skalárszorzatot). Ezzel a
jelöléssel összes tőkénk az n-edik év végén
n
Y
Tn = T0 (1 + aj Xj ).
j=1
Nyilvánvaló, hogy Tn várható értéke akkor a legnagyobb, ha

minden évben minden pénzünkért a legtöbb várható nyere-
séget hozó részvényből vásárolunk (feltételezve, hogy egyál-
talán van nyereséges részvény). Ebben az esetben Tn várható
értéke végtelenhez tart (vagyis várhatóan meggazdagszunk),
mégis a Tn össztőkénk 1 valószı́nűséggel 0-hoz konvergálhat!
Vizsgáljuk meg ezt a paradox helyzetet részletesebben. Ekkor

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
n
X
ln Tn − ln T0 = ln(1 + aj Xj ).
j=0
Ha most feltételezzük, hogy aj = a egy j-től nem függő ál-

landó vektor (ami viszonylag természetes feltételezés, mint-
hogy esetünkben évről évre ugyanolyan a tőzsdei helyzet),
akkor a jobb oldal (a nagy számok törvénye szerint 1 valószı́-
nűséggel nagy n esetén) akkor a legnagyobb, ha az
E ln(1 + aj Xj )
(i)
várható érték maximális. (Természetesen az aj = 0 és a
Pk (i) ∗
i=1 aj 5 1 feltételek mellett.) Jelöljön a olyan stratégiát,
amelyre ez a maximum eléretik. Legyen Tn∗ az össztőkénk az
n-edik év végén az a∗ stratégia alkalmazása esetén, Tn pedig
egy tetszőleges stratégia esetén. Megmutatható, hogy ekkor
Tn /Tn∗ (n = 1, 2, . . .) mindig egy (nem-negatı́v) szupermartin-
Pk
gál (ha a∗ minden a∗(i) koordinátája pozitı́v és i=1 a∗(i) < 1,
akkor martingál is), ı́gy a martingálelmélet egy ismert tétele
szerint
lim Tn /Tn∗ = T
n→∞
1 valószı́nűséggel létezik, és T várható értéke legfeljebb 1, te-

hát hosszú távon a∗ (ebben az értelemben) optimális straté-
gia. Összefoglalva: hosszú távon célszerűbb ln Tn várható ér-
tékét maximalizálni, nem pedig Tn várható értékét, aminek
heurisztikus magyarázata viszonylag egyszerű, ugyanis min-
den ésszerű stratégia esetén Tn exponenciális gyorsasággal
nő, és a növekedés sebességét éppen ln Tn várható értékének
maximalizálásával érhetjük el.
Nézzünk most egy egyszerű (de szélsőséges) példát. Két-
fajta részvény közül vásárolhatunk, p11 = 10% eséllyel mind-
két részvény értéke minden évben megduplázódik, p00 = 5%
eséllyel mindkét részvény elveszı́ti értékét, p10 = 50% eséllyel
az első megduplázódik, a második elértéktelenedik, p01 =
35% eséllyel pedig ugyanez fordı́tva következik be. Ezekkel
az adatokkal az első részvény várhatóan nyereséges (60%
eséllyel), a második pedig veszteséges (a nyerés esélye csak
45%), mégis hosszú távon érdemes mindkettőből vásárolni,

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
mégpedig minden évben a vagyonunk 1/3 részéért 13 : 4

arányban. Az általános esetben vagyonunk pp11 −p00
11 +p00
-ed részé-
ért célszerű vásárolni, mégpedig a kétfajta részvényből
(p11 p10 − p01 p00 ) : (p11 p01 − p10 p00 )
arányban (feltételezve, hogy a szereplő különbségek pozitı́-
vak). Bár a tőzsdei gyakorlatban előforduló problémák lénye-
gesen bonyolultabbak, mint az iménti példa, a szóban forgó
paradoxon azonban ezekben a bonyolultabb problémákban
is fellép.
6.4. Megjegyzések
(i) A martingálelmélet kétségkı́vül a tőzsde és a szerencsejáté-
kok vizsgálatából született. Az utóbbi években több közgaz-
dasági Nobel-dı́jat is kiosztottak a martingálelmélet tőzsdei
alkalmazasára pl. a tőzsdei opciók áranak meghatározására
(Black–Scholes-képlet, stb.). Más alkalmazási területeket tár-
gyal egyebek mellett a francia valószı́nűségszámı́tási iskola
képviselőinek (J. Neueu, P. A. Meyer) több monográfiája.
(ii) A tőzsde és általában a gazdasági élet elemzésében a
matematika fontosságát már Thomas Gresham (1519–1579), a
londoni tőzsde alapı́tója is megsejthette, mert végrendeleté-
ben olyan főiskola alapı́tását tervezte meg, ahol a matematika
is egyik fő eleme lett a gazdasági szakemberek képzésének.
A Gresham College professzora volt például Henry Briggs,
aki elsőként jelentetett meg tı́zes alapú logaritmustáblázatot
(1617-ben). A Gresham College sok szempontból a Royal So-
ciety előkészı́tőjének tekinthető.
6.5. Irodalom
L. Breiman: Optimal gambling systems for favorable games.
Proc. 4th Berkeley Symp. on Math. Statist. and Prob. 65–78,
1961.
T. F. Móri–G. J. Székely: How to win if you can? Limit The-
orems in Probability and Statistics (ed. P. Révész), Coll. Math.
Soc. J. Bolyai 36, North-Holland, Amsterdam–New York, 791–
806, 1984.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
7.1. Jákob és Lábán paradoxona
A Biblia ismert története „Jákobnak csudálatos szerződése Lá-
bánnal”, amely szerint Jákob a szolgálat fejében megkapta Lá-
bán tarka juhait, amelyek részaránya sokkal kisebb volt, mint
a Lábánnál maradó részarány. A történet szerint azonban idő-
vel mégis Jákob lett a gazdagabb. Erre a paradoxonra több
misztikus magyarázat született (már a Biblia maga is tartal-
maz egy ilyet, és Thomas Mann is foglalkozik e rejtéllyel), de
– amint Rényi Alfréd egy alkalommal felhı́vta rá a figyelmet –
ez a paradoxon minden misztikum nélkül, egyszerű matema-
tikai következtetéssel is megérthető, mégpedig arra épı́tve,
hogy Jákob sohasem adott vissza juhokat Lábánnak, Lábán
viszont mindig odaadta juhainak egy – igaz kisebbik – részét
Jákobnak.
Jelölje Jn Jákob, Ln pedig Lábán juhainak átlagos számát
az n-edik évben (a kezdeti 0-adik évben J0 = 0, L0 pedig
valamilyen pozitı́v szám). Tételezzük fel, hogy minden juh-
nak minden évben átlagosan U darab utóda lesz. Ezek átla-
gosan p-ed része Lábánnál marad, q(= 1 − p)-ed részét pedig
megkapja Jákob. Ekkor Ln+1 − Ln = U pLn és Jn+1 − Jn =
U Jn + U qLn , ahonnan Ln = L0 (1 + U p)n és Jn = L0 (1 +
U )n − L0 (1 + U p)n , vagyis
µ ¶n
1+U
Jn /Ln = − 1,
1 + Up
ami valóban végtelenhez tart az n növekedésével, vagyis idő-
vel Jákob valóban összehasonlı́thatatlanul gazdagabb lesz Lá-
bánnál. Ha például q mindössze 10% és U = 2, akkor 20 év
múltával (azaz ha n = 20), Jn /Ln már körülbelül 3.
(Irod.: Rényi A.: Sztochasztikus folyamatok a biológiában,
Természet Világa, 1980. március–április; sajtó alá rendezte Ka-
tona Gy.)
7.2. A független növekményű folyamatok egy paradoxona

Független növekményű folyamatok és ezek diszkrét változa-
tai: független valószı́nűségi változók részletösszegei, a való-
szı́nűségszámı́tás klasszikus témakörei. Legyenek X1 , X2 , . . .

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
független 0 várható értékű (de nem 1 valószı́nűséggel 0) va-

lószı́nűségi változók. Ekkor az Sn = X1 + X2 + . . . + Xn
n = 1, 2, 3, . . . összegek általában a 0 körül oszcillálnak. K. L.
Chung és W. H. J. Fuchs egy 1951-ben bizonyı́tott tétele szerint
valóban ez a helyzet, ha még azt is tudjuk, hogy a valószı́nű-
ségi változók azonos eloszlásúak. Ekkor ugyanis
P (lim sup Sn = +∞) = P (lim inf Sn = −∞) = 1.

n→∞ n→∞
Érdekes módon azonban ez az oszcillációs tulajdonság nem

mindig marad meg, ha az Xi -k nem azonos eloszlásúak. Le-
gyen ugyanis
p
Xi = Yi / 1 − i−2 , ahol P (Yi = i−1 ) = 1 − i−2
és P (Yi = −i + i−1 ) = i−2 .
Ha Yi -k függetlenek, akkor Xi -k is függetlenek, ráadásul 0

várható értékűek és 1 szórásúak. A valószı́nűségszámı́tás egy
ismert tétele: a Borel–Cantelli-lemma szerint, ha A1 , A2 , A3 , . . .
tetszőleges olyan események, hogy valószı́nűségeik összege
konvergens, akkor 1 valószı́nűséggel csak véges sok követke-
zik be közülük. Eszerint
Yi = −i + i−1
P∞
is csak véges sokszor következhet be (hiszen i=1 i−2 < ∞),
ı́gy ha i elég nagy, akkor 1 valószı́nűséggel
Yi = i−1 , azaz
p
Xi = 1/ i2 − 1, vagyis
lim Sn = ∞
n→∞
1 valószı́nűséggel.
7.3. Gólok paradoxona

Két egyenlő képességű csapat: A és B valamilyen labdajáté-
kot játszik egymás ellen. (Az egyenlő képesség nyilvánuljon
meg abban, hogy bármelyik gólt ugyanolyan, tehát 1/2 való-
szı́nűséggel szerzi meg az A és a B is, függetlenül attól, hogy

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
korábban melyikük hány gólt rúgott már. Az egyöntetűség

kedvéért mindig gólokról fogunk beszélni, bár nem minden
labdajáték eredményét számolják gólokban.) Ha két egymás
utáni gól között eltelt idő mindig azonos n-edrésze a teljes
játékidőnek, akkor – az egyenlő képesség miatt – igen ter-
mészetes arra gondolni, hogy a játékidőnek kb. 50%-ában az
egyik, 50%-ában a másik csapat vezet. Meglepő módon ennek
éppen az ellenkezője igaz: az a lehető legvalószı́nűtlenebb,
hogy a játékidő felében az A, másik felében a B vezessen
(azonos gólszám esetén azt a csapatot tekintjük vezetőnek,
amelyik a döntetlent beállı́tó gól előtt vezetett). Ha a mérkő-
zés során n = 20 gól esett, akkor alig 6% annak az esélye,
hogy valamelyik 10 gólt követően az egyik, a többi 10 gólt kö-
vetően pedig a másik állt nyerésre; annak viszont kb. 35% a
valószı́nűsége, hogy valamelyik csapat végig fölényben volt.
Az is igen meglepő, hogy bármekkora is a gólok n száma, ép-
pen 50% annak esélye, hogy a második félidőben mindvégig
ugyanaz a csapat marad fölényben. Lényegesen megváltozik
a helyzet akkor, ha a csapatok ugyan továbbra is egyenlő tu-
dásúak, de „gólképességüket” jelentősen befolyásolja a mér-
kőzés addigi eredménye. Legyen p0 = 1/2 és k 6= 0 esetén
1
pk = (1 + c/k)
2
annak a valószı́nűsége, hogy a soron következő gólt A szerzi,
feltéve, hogy a gólkülönbség k (vagyis A gólszámából levon-
va B gólszámát, az eredmény k); ha c nagy és k kicsi, akkor
előfordulhat, hogy 0 5 pk 5 1 nem teljesül, ilyenkor legyen
pk = 1/2. (Ha c = 0, akkor minden pk = 1/2, ami éppen
az előbb vizsgált egyszerű modellhez vezet.) A c pozitivitása
azt fejezi ki, hogy minél jobban elhúzott egy csapat, annál
valószı́nűbb, hogy a következő gólt is meg tudja szerezni.
Amennyiben c > 1/2, akkor idővel valamelyik fél összerop-
pan, más szóval, ha nagyon sok gól esik a mérkőzés folya-
mán, akkor a játékidő közel 100%-ában csak az egyik csapat
vezet (az, hogy melyik, a véletlentől függ, ha valóban egyenlő
képességűek). A c negativitása ezzel szemben olyan modellt
jelent, amelyben a vesztésre álló csapat szerez nagyobb való-
szı́nűséggel gólt. Ha c < −1/2, akkor a küzdelem igen válta-

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
kozó és érdekes lesz: a játékidőnek kb. felében az egyik, fe-

lében a másik csapat vezet. A c = 0 esetben megmutatható,
hogy annak valószı́nűsége, hogy az A csapat a játékidő leg-
feljebb x-edrészében vezet
2 √
F (x) = arc sin x-hez
π
konvergál, ha n → ∞. Az F (x) eloszlásfüggvényhez tartozó
sűrűségfüggvény a 0 < x < 1 intervallumban
1
f (x) = p ,
π x(1 − x)
amely az x = 1/2 helyen a legkisebb, ı́gy valóban az a leg-
valószı́nűtlenebb, hogy a játékidőnek éppen az 50%-ában ve-
zet az A csapat. Ezt az ún. árkusz szinusz törvényt 1939-ben
ismerte fel Paul Lévy. (Sejtésem szerint az általános esetben a
sűrűségfüggvény a fenti f (x) (2x + 1)-edik hatványával ará-
nyos, ha c < 1/2.) A c = 0 esetben, ha tudjuk, hogy a mér-
kőzés végeredménye döntetlen volt, és arra vagyunk kı́ván-
csiak, hogy mennyi ideig vezetett például az A csapat, akkor
sem az nem lesz igaz, hogy a teljes játékidő 50%-a a legvaló-
szı́nűbb, sem az, hogy a legvalószı́nűtlenebb. Ha az időegysé-
get két gól között eltelt időnek választjuk, akkor annak esélye,
hogy 2k időegységnyi ideig (k = 0, 1, 2, . . . , n) vezetett A, füg-
getlen k-tól, vagyis bármelyik k-ra ugyanaz! Végül az árkusz
szinusz törvény még egy meglepő következménye a tőzsdére
vonatkozóan: ha elfogadjuk, hogy a tőzsde mozgása (pon-
tosabban az árak logaritmusa) Brown-mozgást követ, ami a
fenti c = 0 esetnek felel meg a diszkrét esetben, akkor erre
is alkalmazható az árkusz szinusz törvény, ı́gy pl. annak va-
lószı́nűsége, hogy T = 10 óra lefolyása alatt a tőzsdei ár a
maximumát vagy minimumát pl. t = 9 óra eltelte után éri el
r
2 T −t
arc sin ,
π t
ami 20,5%, szemben a természetesebbnek látszó 10%-kal.
(Irod.: W. Feller: Bevezetés a valószı́nűségszámı́tásba és al-
kalmazásaiba, Műszaki Könyvkiadó, Bp., 1978. J. Lamperti:

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
Criteria for recurrence or transience of stochastic process I,

J. Math. Anal. Appl. 1, 314–330, 1960.)
7.4. A tönkremenés várható időtartamának paradoxona
Szabályos érmével fej vagy ı́rás játékot játszik A és B. Ha fej

kerül felülre, akkor A fizet B-nek, ha ı́rás, akkor B fizet A-
nak egy forintot. A-nak a játék megkezdésekor 1, B-nek 999
forintja van, és addig játszanak, amı́g valamelyiküknek min-
den pénze elfogy. Az A kétségkı́vül előnytelenebb helyzetben
van: nagyobb az esélye arra, hogy az ő pénze fogy el előbb.
Ha az első dobás fej, akkor A máris tönkrement. Meglepő mó-
don azonban a játék várható időtartama igen hosszú: átla-
gosan 999 játék után megy csak tönkre valamelyikük. (Való-
ban meglepően sok a 999 játék?) Bebizonyı́tható általánosan
is, hogy ha kezdetben A-nak a, B-nek pedig b forintja volt,
akkor valamelyikük tönkremenéséig átlagosan ab játékot kell
játszaniuk (speciálisan az a = b esetben a szükséges játékok
számának várható értéke a2 ).
1975-ben F. Stern egy érdekes jelenségre hı́vta fel a figyel-
met arra az esetre vonatkozóan, amikor az érme nem feltétle-
nül szabályos (Math. Mag, 48, 286–288). Tételezzük fel, hogy
A nyerésének valószı́nűsége minden játszmában p, B nyeré-
sének valószı́nűsége pedig 1 − p, és kezdetben mindkettőjük-
nek ugyanannyi, mégpedig a forintja volt. Nyilvánvalónak
látszik, hogy ha p 6= 1/2, akkor egészen más lesz a valamelyi-
kük tönkremenéséig szükséges játékok átlagos száma azzal a
feltétellel, hogy végül is A megy tönkre, mint azzal a felté-
tellel, hogy B megy tönkre. Mégis megmutatható, hogy akár
A, akár B tönkremenését tételezzük fel, ugyanaz lesz a tönk-
remenésig szükséges játékok átlagos száma, sőt az eloszlása
is. [A bizonyı́tás egyszerű: p2k+a = ck,a pk+a (1 − p)k annak
a valószı́nűsége, hogy a (2k + a)-adik játszmában B megy
tönkre (k = 0, 1, 2, . . .), és hasonlóan q2k+a = ck,a pk (1 − p)k+a
annak a valószı́nűsége, hogy a (2k + a)-adik játszmában A
megy tönkre, ahol ck,a az összes olyan 2k + a játszmából
álló játéksorozatok száma, amelyekben az egyik – előre meg-
határozott – játékos k játszmát nyer és k + a játszmát ve-
szı́t. Minthogy a p2k+a : q2k+a arány nem függ k-tól, ezért

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38

±P ±P
a p2k+a k p2k+a és a q2k+a k q2k+a feltételes eloszlások
– állı́tásunknak megfelelően – azonosak.] E meglepő tény
okára az világı́t rá, hogy ha pl. p = 0,99 és végül is A megy
tönkre, akkor ez nagy valószı́nűséggel ugyanúgy igen hamar
következik be, mint B tönkremenése, a hosszú játéksorozat
ugyanis nagy valószı́nűséggel B tönkremenéséhez vezet ép-
pen A nagyobb nyerési esélye miatt.
(Irod.: E. Seneta: Another look at independence of hitting
place and time for simple random walk, Stoch. Proc. and their
Appl., 10, 101–104, 1980.)
Korábban már szó volt arról, hogy ha kezdetben A-nak
és B-nek is ugyanannyi pénze, pl. a forintja volt és szabá-
lyos érmével játszottak, akkor átlagosan a2 játszma szüksé-
ges valamelyikük tönkremenéséig. Mi történik azonban ak-
kor, ha két különböző tı́pusú érmével játszanak: az egyikkel
p1 = 1/2 + ε, a másikkal pedig p2 = 1/2 − ε valószı́nűség-
gel nyer A (0 < ε < 1/2). Ha a játék során A-nak k forintja
gyűlt össze, akkor a k értékétől függően (k = 1, 2, . . . , 2a − 1)
dobjanak a játékosok a legközelebbi alkalommal a p1 vagy a
p2 tı́pusú érmével. Ez a függés pedig legyen véletlenszerű a
következő értelemben: sorsoljuk ki a játék megkezdése előtt
k minden értékére egymástól függetlenül és azonos valószı́-
nűséggel azt, hogy egy-egy k értékhez p1 vagy p2 tartozzon.
Úgy tűnhet, hogy ez a bonyolult megfogalmazású játék – leg-
alábbis nagy a esetén – szinte teljesen azonos azzal a játék-
kal, amikor p1 = p2 = 1/2 minden k-ra (tehát a szokásos fej
vagy ı́rás játékkal), hiszen nagy a esetén a sok ±ε kiegyen-
lı́ti egymást. Az igazság azonban meglepően más. J. G. Szinaj
nemrégiben rámutatott arra, hogy ebben a bonyolult megfo-
galmazású játékban rendkı́vül megnő a tönkremenésig szük-
séges
√ játékok átlagos száma. E számnak még a logaritmusa
is a nagyságrendű, ellentétben a korábban emlı́tett mind-
össze a2 -tel. E meglepő növekedés okára „A nagy számok
Bernoulli-törvényének paradoxona” (I/9) paradoxon (i) meg-
jegyzése alapján adhatunk magyarázatot. Az ott mondottak
szerint ugyanis a darab független azonos valószı́nűségű p1 és
p2 között igen nagy valószı́nűséggel lesz olyan log2 a hosszú-
ságú tiszta p1 vagy tiszta p2 sorozatból álló blokk, amely a kez-
deti helyzet felé irányı́tja a nyereményeket, vagyis lassı́tja a

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
tönkremenést. Ezen a log2 a hosszúságú „vastag falon” rend-

kı́vül nehéz áthaladni, ezért nő meg annyira a tönkremenésig
szükséges átlagos idő. Az ilyen opusú problémák (vagyis a
véletlen közegben történő bolyongások) szoros kapcsolatban
állnak az utolsó villámparadoxon véletlen mezőinek elméle-
tével.
7.5. Az optimális megállási idő egy paradoxona

Szabályos érmével fej vagy ı́rás játékot játszunk úgy, hogy
ha az n-edik pénzfeldobás után hagyjuk abba a játékot, ak-
n
kor vagy n+1 2n forintot nyerünk, vagy pedig semmit, attól
függően, hogy az n dobás során mindig ı́rást kaptunk-e vagy
pedig nem. Hányadik pénzfeldobás után érdemes megállni,
mikor célszerű abbahagyni a játékot? Jelölje In a (véletlentől
n
függő) nyereményünket az n-edik játszma után (In = n+1 2n
vagy In = 0). Feltéve, hogy In 6= 0, az In+1 nyeremény vár-
ható értéke:
n + 1 n+1
E(In+1 | In 6= 0) = 2 · 1/2,
n+2
n
ami nagyobb, mint n+1 2n , tehát a játékot mindig érdemes
folytatni, márpedig annak a valószı́nűsége, hogy valamilyen
elég nagy n esetén In = 0 lesz, 1-gyel egyenlő. Valóban addig
érdemes folytatni a játékot, amı́g egy fillért sem kapunk?
(Irod.: Y. S. Chow–H. Robbins–D. Siegmund: Great expectati-
ons: the theory of optimal stopping, Houghton Mifflin, Bos-
ton, 1971., A. N. Shiryayev: Optimal stopping rules, Springer,
New York, 1978.)
7.6. Kiválasztások paradoxona

Gyakran kerül mindenki olyan helyzetbe, hogy több személy
vagy több tárgy közül kell választania valamilyen szempont-
ból a lehető legjobbat (például házasság vagy vásárlás céljá-
ból). A továbbiakban az egyszerűség kedvéért tételezzük fel,
hogy bármely két összehasonlı́tandó személy vagy tárgy kö-
zül egyértelműen eldönthető, hogy melyik a jobb, vagyis elvi-
leg sorba állı́thatók a legrosszabbtól kezdve a legjobbig. Nem
is okozna semmi gondot a legjobb kiválasztása, ha egyszerre

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
látnánk az összeset. Legtöbbször azonban, ha például nem

vásárolunk meg egy tárgyat, vagy nem kérjük meg valakinek
a kezét, akkor hónapok, évek múlva már hiába tudjuk, hogy
az lett volna a jó, ha megragadtuk volna az elszalasztott al-
kalmat. A továbbiakban éppen ezért azt is feltételezzük, hogy
ha a sorban egymás után érkező „jelöltek” közül valamelyiket
nem választottuk ki, akkor erre többet már nem is lesz lehető-
ségünk. A feladat még ı́gy sem egyértelmű. Többek között az
is kérdéses lehet, hogy tudjuk-e, összesen hány lehetőség kö-
zül kell választanunk. (A házastárs kiválasztásakor általában
ilyen információval nem rendelkezünk.) Induljunk ki most
abból, hogy összesen n lehetőségből kell választani, ponto-
sabban „vonuljon el” előttünk az n személy vagy tárgy vala-
milyen sorrendben (minden sorrendet elvileg azonos valószı́-
nűségűnek tekintünk). Kérdés: milyen módszert válasszunk
a legjobb „jelölt” megtalálására, ha mindegyiküket – termé-
szetesen – csak a már megismertekkel hasonlı́thatjuk össze.
Abban az esetben ha például mindig a harmadikat választjuk,
akkor 1/n annak az esélye, hogy éppen a legjobbat sikerült el-
találni. Az n növekedésével az 1/n 0-hoz konvergál, ezért ha
igen sok lehetőség közül kell választani, akkor ez a módszer
szinte 0 valószı́nűséggel választja ki a legjobbat. A meglepő
az, hogy létezik olyan módszer, amely közel 30%-os eséllyel
akármilyen sok „jelölt” közül is kiválasztja a legjobbat. Ez a
módszer a következő. Az n „jelölt” közül mindig engedjük el
az első 27%-ot (pontosabban a jelöltek kb. e-ed részét) és ez-
után válasszuk ki az első olyan jelöltet, aki (vagy amely) jobb,
mint az összes őt megelőző (ha ilyen nincs, akkor a legutol-
sót). Ebben az esetben kb. 1/e, azaz 27% az esélye a legjobb
jelölt kiválasztásának, bármilyen nagy is az n.
(Irod.: E. B. Dynkun–A. A. ³xkevuq: Teoremy i za-
daqi o processah Markova, Nauka, Moskva, 1967.
T. S. Ferguson: Who solved the secretary problem? With
comments and a rejoinder by the author. Statist. Sci. 4, no. 3,
282–296, 1989.)

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
7.7. A stacionárius folyamatok Pinszker-paradoxona
Valószı́nűségi változók egy Xn (n = . . . , −2, −1, 0, 1, 2, 3, . . .)

sorozatát stacionáriusnak (pontosabban tágabb értelemben
stacionáriusnak) nevezzük, ha egyrészt Xn várható értéke
nem függ n-től, tehát az általánosság csorbı́tása nélkül feltéte-
lezzük, hogy ez a közös várható érték 0, másrészt
E(Xn Xm ) = rn−m , azaz Xn és Xm szorzatának várható érté-
kei: a kovarianciák (amelyek létezését szintén feltételezzük)
csak n és m különbségétől függnek, speciálisan a szórások
(n = m) sem függnek n-től. Ha Xn vektorértékű, akkor a sta-
cionaritás feltétele az, hogy az E(Xn ) vektor a 0 vektor le-
gyen és az, Xn i-edik koordinátájának Xm j-edik koordiná-
tájával való szorzatának várható értéke minden i és j esetén
csak i-től, j-től és az n − m különbségétől függjön. A stacioná-
rius folyamatok két alapvető tı́pusa a szinguláris és a reguláris
tı́pus. Az előbbi teljesen determinisztikus, azaz n bármely ér-
tékére Xn+1 nem tartalmaz olyan „információt”, amely korre-
lálatlan lenne az Xn+1 -et megelőző összes valószı́nűségi vál-
tozóval. Ezzel szemben a reguláris tı́pusnak nincs determi-
nisztikus része, vagyis ha sorban elhagyjuk Xn -et, Xn−1 -et,
Xn−2 -t, . . . , akkor fokozatosan minden információt elveszı́-
tünk. A szinguláris folyamatok tehát eleve készen kapják vi-
lágukat, amely az idő múlásával alapvetően nem bővül újabb
információval, a reguláris folyamatok pedig a semmiből te-
remtenek egy új világot, pontosabban a távoli jövő majd-
nem teljesen független a jelentől. (A négyzetesen integrál-
ható, azaz véges szórású valószı́nűségi változók Hilbert-teré-
ben ez úgy fogalmazható meg, hogy ha Hn jelöli azt az alteret,
amelyet az Xn -et megelőző valószı́nűségi változók feszı́tenek
ki, akkor a szinguláris esetben Hn = Hn−1 minden n-re, a re-
guláris esetben pedig a ∩n Hn = 0. A Hilbert-terek elméleté-
nek a stacionárius folyamatok tanulmányozásához szükséges
részébe kiváló bevezetést nyújt Riesz F.–Szőkefalvi-Nagy B., va-
lamint Szőkefalvi-Nagy B. és C. Foiaş monográfiája.) A szingu-
láris és a reguláris folyamatuk jelentőségét a Wold-tétel vilá-
gı́tja meg, miszerint minden stacionárius folyamat egyértel-
műen előáll egy szinguláris és egy reguláris tı́pus összege-
ként. Elég természetes, hogy ha Xn szinguláris, akkor X−n is

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
az, ha pedig Xn reguláris, akkor X−n is reguláris, más szóval,

ha a az időparamétert jelöli, akkor a múlt és jövő felcserélé-
sekor megmarad mind a szingularitás, mind a regularitás. Ez
igaz is akkor, ha Xn skalár értékű, de Pinszker olyan meglepő
példát konstruált a kétdimenziós stacionárius folyamatok kö-
rében, amely reguláris, de fordı́tottja (vagyis ha n szerepét a
−n veszi át) már szinguláris. Eszerint a múlt és jövő szerep-
cseréjével a szingularitás regularitásba mehet át és viszont.
Ez az érdekes példa (amelynek megértéséhez nélkülözhetet-
len a modern analı́zis több fogalmának ismerete, és ezért itt
nincs lehetőség e példa közlésére) magyar nyelven is meg-
jelent már Krámli A. „Stacionárius folyamatok regularitása és
szingularitása” cı́mmel (MTA III. Oszt. Közleményei 18, 155–
168, 1968). A stacionárius folyamatok egy másik érdekes pa-
radoxona az álmos tőzsdei bróker paradoxona néven ismert
(J. King: „Dilemma of the sleeping stockbroker”, Amer. Math.
Monthly, 99/4, 335–338, 1992). Eszerint létezik olyan stacioná-
ris (tőzsdei) folyamat, amelyet két tetszőleges egymás utáni
értéke teljesen meghatároz, de ha egy álmos bróker csak min-
den második értékét figyeli meg, akkor teljesen előrejelezhe-
tetlen független valószı́nűségi változókat figyel meg.
7.8. Szavazások, választások paradoxonai; véletlen mezők
A különféle szavazások, választások során általában igen je-

lentős a bizonytalanság, ezért érthető, hogy az ilyen tı́pusú
véletlen jelenségekkel kapcsolatban is fontos valószı́nűség-
számı́tási eredmények születtek. W. A. Whitworth például már
1878-ban bebizonyı́totta az alábbi nevezetes „ballot” (=„sza-
vazás”) -tételt: ha egy választásban két jelölt van, A és B, A-
ra n, B-re pedig m szavazatot adtak le, n nagyobb, mint m
(azaz A a választás győztese) és p jelöli annak valószı́nűsé-
gét, hogy a szavazatok összeszámlálása során végig A volt fö-
lényben (feltételezve, hogy a szavazatok összeszámlálásának
minden sorrendje egyformán valószı́nű), akkor p = n−m n+m . Így
ha n = 2m, akkor p = 1/3, vagyis ha A kétszer annyi szava-
zatot kapott mint B, akkor B-nek éppen kétszer annyi esélye
van arra, hogy a szavazatszámlálás során valamikor szavazat-
egyenlőséget érjen el, mint A-nak arra, hogy végig fölényben

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
maradjon (l. W. Feller: Bevezetés a valószı́nűségszámı́tásba és

alkalmazásaiba, Műszaki Könyvkiadó, Bp., 1978., 78. oldal).
Ez talán kissé meglepően hangzik, de egyáltalán nem para-
doxon, a paradoxonok azonban ezen a területen sem marad-
tak el. Legyen például egy bizottságnak öt tagja: A, B, C, D és
E, akik többségi szavazással döntenek arról, hogy a vádlottak
bűnösek-e vagy nem; az A és B 5%, a C és D 10%, az E pedig
20% valószı́nűséggel szokott tévedni (a tévedések egymástól
függetlenek). Ekkor a hibás ı́télkezés valószı́nűsége kb. 0,7%.
Paradox módon azonban megnő (!) a hibás ı́télkezés való-
szı́nűsége, mégpedig kb. 1,15%-ra, ha E (akinek a tévedése
a legvalószı́nűbb) feladja önálló véleményét, és mindig úgy
dönt, ahogyan A (aki a legritkábban téved). Az alábbi para-
doxon is arra világı́t rá, milyen meglepő helyzetek állhatnak
elő, ha a szavazók feladják önálló véleményüket.
Tételezzük fel, hogy egy sı́kbeli négyzetrács minden csúcs-
pontjában áll valaki és igennel vagy nemmel szavaz a töb-
biektől függetlenül, mégpedig p valószı́nűséggel igent mond
és 1 − p valószı́nűséggel nemet. Eközben mindenki kiszemeli
valamelyik szomszédját (a négy szomszéd közül), és a leg-
közelebbi alkalommal úgy szavaz, ahogyan ez a kiszemelt
szomszéd szavazott az előző alkalommal. A harmadik, ne-
gyedik stb. szavazások hasonlóan zajlanak le. (Az n-edik sza-
vazásban mindenki a kiszemelt szomszédjának az (n − 1)-
edik szavazatát követi.) Kérdés: mi történik, ha a szavazá-
sok n száma egyre nő, pontosabban mi történik, ha n → ∞.
Megmutatható, hogy ekkor végül is mindenki teljesen egy-
formán fog szavazni, „tökéletes egyetértés” alakul ki, még-
pedig p valószı́nűséggel mindenki igent szavaz, 1 − p va-
lószı́nűséggel pedig nemet. Érdemes megemlı́teni, hogy ha
a szavazók nem a kétdimenziós négyzetrács, hanem a há-
romdimenziós kockarács pontjaiban állnak (ahol mindenki-
nek 6 szomszédja van), akkor már nem alakul ki ilyen szél-
sőséges helyzet, jól megférnek együtt az egymástól eltérő vé-
lemények is (pontosabban létezik ún. ergodikus határelosz-
lás). Ugyanez a helyzet háromnál magasabb dimenzióban is.
Ez a döntő változás a négyzetrács és a kockarács között igen
szoros összefüggésben áll azzal a ténnyel (l. „A véletlen bo-
lyongások egy paradoxoná”-nak történetét), hogy a négyzet-

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
rácson szimmetrikus bolyongást végző pont 1 valószı́nűség-

gel bármelyik rácspontba eljut, de a kockarácson már nem
(l. M. Bramson–D. Griffeath: Renormalizing the 3 dimensional
voter model, Annals of Prob., 418–432, 1979, és Major P.: Re-
normalizing the voter model. Space and space-time renorma-
lization, Studia Sci. Math. Hungar. 15/1-3, 321–341, 1980.
A négyzetrács vagy a térrács pontjaiban álló szavazók em-
lı́tett matematikai modellje az utóbbi évek matematikai fizi-
kájában igen fontos szerepet kapott. A szavazóknak ebben
az esetben két állapotra képes egységek (pl. ferromágneses
anyagban a spinek) felelnek meg. Az ilyen ún. véletlen mezők a
sztochasztikus folyamatok olyan általánosı́tásai, amelyekben
a paraméterként szereplő t idő szerepét valamilyen többdi-
menziós tér eleme veszi át: ha pl. t a d-dimenziós kockarács
csúcspontjain fut végig, és X(t) minden t esetén valamilyen
valószı́nűségi változó (a szavazási modellben X(t) minden t-
re csak két értéket vehetett fel), akkor X(t) egy véletlen mező.
Ahogyan a szavazókról is feltételeztük, hogy a véleményüket
csak a szomszédaik véleménye befolyásolhatja, úgy a fiziká-
ban is (első közelı́tésként) feltételezhető, hogy minden egy-
ségre csak a szomszéd egységek hatnak. Az ilyen tı́pusú vé-
letlen mezőket Markon-mezőknek nevezzük (ezek a Markov-
láncok megfelelői). A Markov-mezők közül a ferromágnesség
vizsgálatában a kétállapotú ún. Ising-modell vált fontossá, kü-
lönösen a norvég fiziokémikus N. Onsager 1944-es eredmé-
nyeit követően. Az utóbbi években különösen a fázisátme-
net problémáját próbálják megmagyarázni a Markov-mezők,
speciálisan az Ising-modell segı́tségével. Bár a Markov-mezők
pontos matematikai fogalmát csak 1968-ban vezette be R. L.
Dobrusin szovjet matematikus, maga a fázis fogalma és bizo-
nyos véletlen mezők első leı́rása az ún. potenciálfüggvény se-
gı́tségével már sokkal korábban, mégpedig J. W. Gibbs ameri-
kai tudós 1902-es könyvében (Elementary principles of sta-
tistical mechanics, Yale Univ. Press) megszületett. A Markov-
mezők potenciálfüggvényes leı́rása azért is rendkı́vül fon-
tos, mert a fázisátmenetek éppen akkor következnek be, ami-
kor a potenciál nem határozza meg egyértelműen a Markov-
mezőt. Fizikailag ez azt jelenti, hogy adott hőmérsékleten
több fázis is egyszerre lehet jelen. Az elmélet arra is magya-

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
rázatot ad, hogy miért nem képzelhető el fázisátmenet az ún.

kritikus hőmérséklet felett (a kritikus hőmérsékletet már On-
sagernek sikerült elméletileg meghatároznia). Érdekes, hogy
az egydimenziós Ising-modellben még nem lehet fázisátme-
net, a kétdimenziósban (a négyzetrácson) azonban már igen.
Ez utóbbi esetben annak ellenére, hogy a potenciálfüggvény
szimmetrikus (vagyis nem változik meg az értéke, ha benne
minden „igen” állapot helyett „nem”-et és minden „nem” he-
lyett „igen”-t ı́runk), maga a Markov-mező mégsem szimmet-
rikus. Ennek a paradoxonnak (szimmetriatörésnek) a követ-
kezménye, hogy a kritikus hőmérséklet alatt a ferromágneses
anyagok nem veszı́tik el mágnesezettségüket.
(Irod.: C. J. Preston: Gibbs states on countable sets, Camb-
ridge Univ. Press, 1974; J. G. Sinai: Rigorous results in the the-
ory of phase transitions, Akadémiai Kiadó, Budapest, 1982.)

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
4
Újabb paradoxonok
„Az ész természetéhez tartozik, hogy a dolgokat nem mint

véletleneket, hanem mint szükségszerűeket szemléli.”
(Spinoza: Az Etika második része, 44. tétel)
Az 1900-as párizsi Nemzetközi Matematikai Kongresszuson

David Hilbert a matematika legfontosabb 23 megoldatlan
problémája között sorolta fel a valószı́nűségszámı́tás megala-
pozását is. A századfordulóra a valószı́nűségszámı́tásnak már
igen sok kiemelkedő eredménye volt, de éppen a megalapo-
zottság hiánya miatt nem kapcsolódott szervesen a matema-
tika többi ágához. Feltehetően ez volt a legfőbb oka annak,
hogy F. Klein, a göttingeni egyetem professzora „A XIX. szá-
zad matematikája” cı́mű munkájában emlı́tést sem tett a való-
szı́nűségszámı́tásról. Számos matematikus – különösen E. Bo-
rel, A. Lomnitzky és H. Steinhaus – kutatásaira épı́tve végül is
A. N. Kolmogorov 1933-ban a halmaz- és mértékelmélet segı́t-
ségével felépı́tette a valószı́nűségszámı́tás szabatos elméletét.
(Részletesebben l. Archive for Hist. of Exact Sci. 18, 123–190,
1978.) A Kolmogorov-elmélet abból indul ki, hogy egy vélet-
len jelenséggel kapcsolatos minden esemény (amelyek való-
szı́nűségére kı́váncsiak lehetünk) reprezentálható a jelenség
egymást kizáró kimenetelei (az ún. elemi események) hal-
mazának, más néven az eseménytérnek egy részhalmazával;
például kockadobás esetén az 1, 2, 3, 4, 5, 6 számok a lehet-
séges kimenetelek, ezek együttese az eseménytér, és például
203
Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
az az esemény, hogy a kockadobás eredménye páros szám,

reprezentálható az eseménytérnek a páros számokból álló
halmazával, vagyis a {2, 4, 6} halmazzal. A biztos eseményt
a teljes eseménytér reprezentálja, amelyet Ω-val szokás je-
lölni. A Kolmogorov-elmélet feltételezi, hogy az eseménytér
olyan eseményei, amelyeknek bekövetkezési valószı́nűséget
szeretnénk tulajdonı́tani, vagyis az ún. megfigyelhető esemé-
nyek egy szigma-algebrát alkotnak, azaz bármely két megfi-
gyelhető esemény együttes bekövetkezése, véges vagy meg-
számlálható sok megfigyelhető esemény közül legalább az
egyiknek a bekövetkezése és végül bármely megfigyelhető
esemény ellentétének a bekövetkezése is megfigyelhető ese-
mény (az elnevezésben a „szigma” a végtelenre utal). Minden
megfigyelhető eseményhez hozzá van rendelve egy nemne-
gatı́v szám: az illető esemény valószı́nűsége, úgy, hogy a biz-
tos esemény (a teljes eseménytér) valószı́nűsége 1 legyen,
és egymást páronként kizáró véges vagy megszámlálhatóan
végtelen sok megfigyelhető esemény közül legalább az egyik
(ı́gy a páronkénti kizárás miatt pontosan az egyik) bekövet-
kezésének valószı́nűsége megegyezzen az egyes megfigyel-
hető események valószı́nűségeinek összegével. Ez utóbbi tu-
lajdonság a szigma-additivitás.
Felvetődik a kérdés, hogy miért van egyáltalán szükség a
szigma-algebrákra, miért nem értelmezzük a valószı́nűséget
az Ω eseménytér összes részhalmazára. A válasz igen egy-
szerű: ilyen értelmezés általában nem lehetséges, pontosab-
ban ha adottak a valószı́nűségek az Ω bizonyos részhalma-
zainak szigma-algebráján, akkor nem biztos, hogy kiterjeszt-
hető e valószı́nűség értelmezése (a szigma-additivitás meg-
tartásával) az Ω összes részhalmazára (kivéve, ha Ω-nak csak
véges vagy megszámlálhatóan végtelen sok eleme van). Ezt
G. Vitali már 1905-ben tudta. Legyen az eseménytér a (0, 1)
intervallum, és próbáljuk értelmezni az „egyenletes eloszlás-
nak” megfelelő valószı́nűségeket a (0, 1) összes részhalma-
zára. Nyilvánvalóan bármely (a, b) részintervallumhoz cél-
szerű a b − a valószı́nűséget rendelni. Ekkor a valószı́nűségek
automatikusan meghatározódnak az intervallumokat tartal-
mazó legszűkebb szigma-algebrán (a szigma-additivitás mi-
att). A kiterjesztés további halmazokra is folytatható, de bizo-

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
nyı́thatóan létezik olyan halmaz, amelyre a kiterjesztés már

nem végezhető el, amelyre tehát nem értelmezhető „egyen-
letes eloszlás szerinti” valószı́nűség.
Ilyen „mesterséges” halmazt E. Zermelo a következő mó-
don konstruált. A (0, 1) intervallum pontjait egymást kizáró
osztályokba sorolta, egy osztályba véve azokat a pontokat,
amelyek távolsága racionális szám. Ezután definiált egy olyan
H halmazt, amely az iménti osztályok mindegyikéből ponto-
san egy pontot tartalmaz (ennél a lépésnél fel kellett hasz-
nálni az ún. kiválasztási axiómát). A H halmazhoz bizonyı́t-
hatóan nem lehet „egyenletes eloszlás szerinti” valószı́nű-
séget értelmezni (l. Szőkefalvi-Nagy B.: Valós függvények és
függvénysorok, Tankönyvkiadó, Bp., 1965). Megmutatható az
is, hogy ha nem feltétlenül „egyenletes eloszlás szerinti” való-
szı́nűséget, csak olyan valószı́nűséget szeretnénk értelmezni
az Ω összes részhalmazára, amely szerint Ω minden egyes
pontjának 0 a valószı́nűsége, akkor általában, például meg-
számlálható vagy – a kontinuumhipotézis feltételezésével –
kontinuumszámosságú Ω esetén már ez sem lehetséges (l.
G. Birkhoff: Lattice theory, Amer. Math. Soc., Providence 1967,
266. old.). Mindmáig megoldatlan probléma, hogy létezik-e
egyáltalán olyan nagy számosságú Ω, amelyen ilyen valószı́-
nűség definiálható. Ez a mérhető számosságok problémája. Alap-
vetően megváltozik a helyzet, ha nem tételezzük fel a kivá-
lasztási axiómát. Erre vonatkozóan l. T. Jech: Set theory, Acad.
Press, New York, 1978 könyvét és R. M. Solovay: A model of
set theory in which every set of reals is Lebesgue measurable,
Annals of Math., 1–56, 1970 cikkét.
Bár a Kolmogorov-elméletben a valószı́nűség szükségkép-
pen nemnegatı́v szám, lehetőség van a valószı́nűségszámı́-
tási tételek olyan kiterjesztésére, ahol a valószı́nűség negatı́v
szám is lehet. K. J. Hochberg (Proc. Amer. Math. Soc. 79, 298–
302, 1980) például megmutatta, hogy a centrális határeloszlás
tételek ilyen fajta kiterjesztéseiben természetes módon lép-
nek fel azok a negatı́v értékeket is felvevő un (1, x) „sűrűség-
függvények”, amelyek pl. a hővezetés differenciálegyenlete
alábbi általánosı́tásának un (t, x) fundamentális megoldásából
származtathatók:

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
∂u ∂ 2n u
= (−1)n+1 2n
∂t ∂x
n = 2, 3, . . . (a hővezetés eredeti differenciálegyenlete az n =
1 eset). Ebben a könyvben azonban nem foglalkozunk a va-
lószı́nűség negatı́v, komplex vagy még általánosabb kiterjesz-
tésével. Érdekes azonban megemlı́teni, hogy ha negatı́v va-
lószı́nűségeket is elfogadunk, akkor pl. értelmezhetővé válik
a szabályos érme fele: ez olyan valószı́nűségi változó, amely-
nek két független példányát összeadva éppen egy szabályos
érmét kapunk: 1/2-1/2 valószı́nűséggel előforduló 0-t és 1-et.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
1. A véletlen természetes számok paradoxonai

A valószı́nűségszámı́tás Kolmogorov-elméletében nem lehet-
séges az összes természetes szám közül egyenletes eloszlás
szerint véletlenül választani, mert ha az 1-es szám választá-
sának valószı́nűsége 0, akkor az egyenletesség miatt minden
más természetes szám választásának valószı́nűsége is 0, ami a
szigma-additivitás miatt ellentmond annak, hogy valamelyik
számot biztosan, tehát 1 valószı́nűséggel kiválasztjuk (meg-
számlálható sok 0 összege is csak 0 és nem 1), ha viszont az
1-es szám választásának valószı́nűsége pozitı́v, akkor a tel-
jes eseménytér valószı́nűsége ugyancsak a szigma-additivitás
miatt végtelen lenne. Ennek ellenére igen természetesnek lát-
szik azt mondani, hogy egy páros vagy egy páratlan szám vá-
lasztásának valószı́nűsége 1/2. A következő definı́ció – amely
eltekint a szigma-additivitástól – éppen erre ad lehetőséget.
Legyen K a természetes számok egy tetszőleges részhalmaza,
és jelölje kn azoknak a K-ba tartozó számoknak a számát,
amelyek nem nagyobbak n-nél. A kn /n relatı́v gyakoriság azt
mutatja meg, hogy milyen valószı́nűséggel választunk egy
K-ba tartozó számot, ha csak az első n szám közül választha-
tunk egyenletes eloszlás szerint. Ha létezik a kn /n relatı́v gya-
koriságnak határértéke, amikor n a végtelenhez tart, akkor ezt
a határértéket a K valószı́nűségének nevezzük. E definı́ció
alapján például a 2-vel, 3-mal, . . . osztható számok választásá-
nak valószı́nűsége 1/2, 1/3, . . .. Hasonlóképpen kiszámı́tható
például annak a valószı́nűsége is, hogy ha két természetes
számot választunk véletlenszerűen (egyenletes eloszlás sze-
rint, egymástól függetlenül), akkor milyen valószı́nűséggel
lesz e két szám relatı́v prı́m. Először feltételezzük, hogy mind-
két szám legfeljebb n, kiszámı́tjuk a megfelelő (n-től függő)
valószı́nűséget, majd ennek határértékét, ha n → ∞. Csebisev
már a múlt században megmutatta, hogy ez a határérték 6/π 2
(≈ 2/3). Eszerint, ha egy tört számlálója és nevezője is egy-
egy véletlenül választott természetes szám, akkor 6/π 2 való-
szı́nűséggel a tört nem egyszerűsı́thető. Az alábbi paradoxo-
nok is véletlen természetes számokra vonatkoznak. Közülük
az elsőt J. E. Littlewood a hı́res fizikusnak, E. Schrödingernek tu-

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
lajdonı́tja, a második paradoxont pedig F. P. Cantelli egy 1935-

ös cikkében P. Lévynek. (P. Lévy a valószı́nűségszámı́tás egyik
legkiemelkedőbb lángelméje, aki a Francia Tudományos Aka-
démián azt a helyet foglalta el, amelyet korábban Poincaré és
Hadamard.)

(i) Két játékos: A és B homlokára felı́runk két véletlensze-
rűen választott természetes számot, amelyek a számsorban
egymás mellett állnak. Akinek a fejére kisebb szám került,
az veszı́t, és annyi forintot fizet a másiknak, amennyit a sa-
ját homlokán levő szám mutat. Mindkét játékosnak vétójoga
van, vagyis ha túl nagynak találja az ellenfele homlokán ol-
vasható számot, akkor új játékot kérhet (a saját homlokára ı́rt
számot természetesen nem látja). Az alábbi meggondolás sze-
rint azonban egyik játékos sem fog élni vétójogával. Ugyanis
mindegyikük ı́gy okoskodhat: „az ellenfelem homlokán a k
számot látom, ı́gy a sajátomon vagy k − 1, vagy k + 1 áll;
a két lehetőség egyformán valószı́nű, de ha veszı́tek, akkor
csak k − 1 forintot fizetek, ha nyerek, akkor k forintot kapok,
tehát nem érdemes vétóznom”. Ezek szerint a játék mindkét
félnek kedvező: mindkét fél számára pozitı́v a várható nyere-
mény, ami azonban lehetetlen.
(ii) Válasszunk ki két véletlen természetes számot egymás-
tól függetlenül, egyenletes eloszlás szerint. Jelöljük e két szá-
mot X-szel és Y -nal. Tetszőleges rögzı́tett (nem véletlen) x
szám esetén Y 5 x valószı́nűsége 0, hasonlóan tetszőleges
rögzı́tett y szám esetén X 5 y valószı́nűsége is 0. Ezek szerint
Y 5 X és X 5 Y valószı́nűsége is 0, ez azonban lehetetlen,
hiszen egyikük biztosan bekövetkezik.

(i) A paradoxont egyszerűen az okozza, hogy nincs egyen-
letes valószı́nűségeloszlás az összes természetes számon. Ha
viszont tudjuk, hogy a homlokra ı́rt számok például legfel-
jebb háromjegyűek, akkor létezik ugyan egyenletes eloszlás
ezeken a számokon, de az egész érvelés, ami a paradoxont
okozta, érvényét veszti.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
(ii) Kétségtelen, hogy bármely rögzı́tett x esetén „A para-

doxonok történeté”-ben emlı́tett definı́ció szerint Y 5 x va-
lószı́nűsége 0, de ebből csak akkor következne, hogy Y 5 X
valószı́nűsége is 0, ha a definiált valószı́nűség szigma-additı́v
lenne, ez azonban nem lehet igaz.
1.4. Megjegyzések
(i) A természetes számok matematikai vizsgálatával foglal-

kozó számelmélet és a valószı́nűségszámı́tás igen sok szál-
lal kapcsolódik egymáshoz. Az ilyen irányú kutatásokban út-
törő szerepet játszottak Turán Pál eredményei. Az alábbiak-
ban a valószı́nűségszámı́tási szemléletmódot szeretnénk il-
lusztrálni egy prı́mszámokra vonatkozó meggondolással. Is-
meretes, hogy az első n szám között a prı́mszámok relatı́v
gyakorisága kb. 1/ ln n (ha n elég nagy). Ha úgy képzeljük,
hogy az első n szám között a prı́mek véletlenszerűen osz-
lanak el egymástól függetlenül, akkor annak valószı́nűsége,
hogy az n közelében kiválasztott két tetszőleges szám mind-
egyike prı́m legyen, a függetlenség miatt kb. 1/(ln n)2 . Esze-
rint az n körüli (n-hez képest kicsi, de azért a statisztikus
vizsgálatokhoz még elegendően nagy) c hosszúságú interval-
lumba eső ikerprı́mek (egymástól 2-vel különböző prı́mek)
száma kb. c/(ln n)2 . Valamivel részletesebb elemzés szerint,
amely például figyelembe veszi, hogy egy (2-től különböző)
prı́mszámtól 2 távolságra levő szám biztosan páratlan, ı́gy na-
gyobb eséllyel lesz prı́m, kimutatható, hogy kb. 32%-kal több
ikerprı́m várható az n körüli c hosszúságú intervallumban,
mint c/(ln n)2 . Ennek alapján számolva M. F. Jones, M. Lal
és W. J. Blundon 1967-ben olyan táblázatot közöltek a Math.
Computer folyóiratban, amely szerint például a 100 milliót
követő első 150 ezer szám között 584 ikerprı́m lenne várható,
mı́g a tényleges érték 601. A különbség meglepően kicsi. Ha-
sonlóan a 100 billiót követő első 150 ezer szám között 191
ikerprı́m várható, mı́g a tényleges érték 186. A prı́meknek ez
a „statisztikus” szemléletmódja tehát igen jó eredményekre
vezet. Ez már csak azért is érdekes, mert mindmáig eldöntet-
len probléma, hogy létezik-e végtelen sok ikerprı́m. (A legna-
gyobb ismert prı́mszámot 2003 decemberében találták meg:

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
220 996 011 − 1, amely egy 6 320 430 jegyű szám. Az első tı́z-
milló számjegyből álló prı́m megtalálására 100 000 dollár ju-
talmat ajánlott az amerikai Electronic Frontier Foundation.)
A prı́mek nyilvánvalóan nem véletlenül, hanem meghatáro-
zott szabály szerint követik egymást, igaz, rendkı́vül bonyo-
lult módon, éppen ezért bizonyul szerencsésnek a valószı́-
nűségszámı́tási megközelı́tésmód. A bonyolultság és a vélet-
lenszerűség kapcsolatára még visszatérünk „A Monte-Carlo-
módszer paradoxoná”-ban.
(ii) A természetes számokon értelmezett végesen additı́v
egyenletes eloszlás szerint a természetes számok minden vé-
ges A részhalmazának 0 a valószı́nűsége. Ha ezzel szemben
azt tételezzük fel, hogy minden ε pozitı́v számhoz létezik
olyan A véges halmaz, amelynek valószı́nűsége: P (A) > 1−ε,
akkor megszűnik a különbség additivitás és szigma-additi-
vitás között, pontosabban, ha a P valószı́nűség a természe-
tes számok (vagy bármely más, legfeljebb megszámlálható
sok elemű Ω halmaz) összes véges részhalmazára additı́v mó-
don van értelmezve, akkor ez a valószı́nűség kiterjeszthető az
összes részhalmazra úgy, hogy a kiterjesztés automatikusan
szigma-additı́v lesz a természetes számok összes részhalma-
zának szigma-algebráján.
Abban az esetben, ha az Ω nem megszámlálható halmaz
(például az egész (0, 1) intervallum), akkor egészen furcsa
additı́v valószı́nűségek is előfordulhatnak, olyanok, amelyek
csak a 0 és az 1 értékeket vehetik fel, ugyanakkor értelmezve
vannak minden részhalmazra (feltételezve a halmazelmélet
kiválasztási axiómáját). Az ilyen valószı́nűségek azért furcsák,
mert előfordulhat, hogy megszámlálhatóan sok rendkı́vül va-
lószı́nű, pontosabban 1 valószı́nűségű esemény együttes be-
következésének valószı́nűsége rendkı́vül valószı́nűtlen, pon-
tosabban 0 valószı́nűségű. Hasonlóan az is előfordulhat, hogy
megszámlálhatóan sok 0 valószı́nűségű esemény közül leg-
alább az egyik 1 valószı́nűséggel bekövetkezik.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
1.5. Irodalom
M. Kac: Statistical independence in probability, analysis and
number theory, Carus, Math. Monographs 12, Wiley, New
York, 1959.
Rényi A.: A valószı́nűségszámı́tás új axiomatikus felépı́tése,
MTA III. Oszt. Közl., 4, 369–428, 1954.
Rényi A.: A valószı́nűségszámı́tás, Tankönyvkiadó, Buda-
pest, 1966.
P. Elliot: Probabilistic number theory, Springer, New York,
1980.
Dirichlet hı́res tételének (amely a számtani sorozatokban
előforduló prı́mek számával foglalkozik) véletlen számtani
sorozatokra vonatkozó megfelelőjéről szól:
I. Z. Ruzsa–G. J. Székely: Intersections of traces of random
walks with fixed sets, Annals of Probability, 10, 1982.
E. Linzer The two envelope paradox, Amer. Math. Monthly,
101/5, 417–419, 1994.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
2. A Banach–Tarski-paradoxon
Az egy-, két- és háromdimenziós térben egyenletes valószı́-
nűség, illetve az ennek közvetlenül megfeleltethető hosszú-
ság, terület és térfogat nem értelmezhető akármilyen halma-
zokra, ha feltételezzük, hogy ezek a mértékek szigma-additı́-
vek. De ha csak az additivitáshoz ragaszkodunk (vagyis ah-
hoz, hogy két közös pont nélküli halmaz egyesı́tésének mér-
téke a két halmaz mértékének összege legyen), akkor – amint
azt S. Banach lengyel matematikus megmutatta – egy és két
dimenzióban már elérhető, hogy minden korlátos halmaznak
legyen mértéke (hosszúsága, illetve területe), ı́gy ennek meg-
felelően az egyenletes valószı́nűség is minden (korlátos) hal-
mazra értelmezhető egy és két dimenzióban, ha csak az addi-
tivitást követeljük meg a valószı́nűségektől. 1914-ben azon-
ban Hausdorff német matematikus rámutatott arra, hogy a
háromdimenziós térben ilyen kiterjesztés már nem lehetsé-
ges. 1924-ben S. Banach és A. Tarski olyan paradox felfedezést
tett, amely még szemléletesebbé tette, hogy a háromdimen-
ziós térben sem additı́v mérték (térfogat), sem az ennek meg-
felelő egyenletes valószı́nűség nem értelmezhető bármilyen
korlátos halmazra.

Egy 1 cm sugarú gömb feldarabolható véges sok részre úgy,
hogy ezekből a részekből kirakható legyen például egy 1 km
sugarú gömb. Általánosabban: ha A és B két tetszőleges hal-
maz a háromdimenziós térben, amelyekről mindössze annyit
tételezünk fel, hogy korlátosak (azaz belefoglalhatók egy elég
nagy sugarú gömbbe) és belsejük nem üres (azaz tartalmaz-
nak egy elég kis sugarú gömböt), akkor mindig létezik egy
olyan n természetes szám, hogy A páronként közös pont nél-
küli A1 , A2 , . . . , An , B pedig szintén páronként közös pont
nélküli B1 , B2 , . . . , Bn egyesı́tése és A1 egybevágó B1 -gyel,
A2 egybevágó B2 -vel, . . . , An egybevágó Bn -nel.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38

A paradoxon lényege a következő: ha egy 1 cm sugarú göm-
böt véges sok részre vágunk, akkor természetes arra gon-
dolni, hogy ezeket a részeket akárhogyan is rakjuk össze, vé-
gül is csak akkora térfogatú testet kaphatunk, mint amekkora
az eredeti kis gömb térfogata volt. Ez valóban ı́gy van, de csak
akkor, ha olyan részekre bontottuk fel a gömböt, amelyeknek
van térfogata – a paradoxon viszont éppen azt fejezi ki, hogy
a háromdimenziós térben nem lehet minden halmaznak tér-
fogatot tulajdonı́tani, ha a térfogat additı́v tulajdonságát meg
szeretnénk tartani, és azt, hogy egybevágó halmazok térfo-
gata egyenlő legyen. (A paradox feldarabolás felhasználja a
kiválasztási axiómát.)
2.4. Megjegyzés
Több kiemelkedő matematikus (például az olasz de Finetti)
a valószı́nűség szigma-additivitását, amelyet a Kolmogorov-
elmélet eleve feltételez, túl erős megszorı́tásnak tartja, az ad-
ditivitást azonban nem vonja kétségbe. A Banach–Tarski-pa-
radoxon arra mutat rá, hogy a szigma-additivitással járó „kel-
lemetlenségek” közül nem minden szűnik meg, ha áttérünk
az additivitásra, ugyanakkor azonban, ha csak az additivitást
tételezzük fel, számos matematikai nehézség lép fel. Az auto-
maták matematikai elméletével kapcsolatban olyan kritikussá
vált a szigma-additivitás feltételezésének vagy fel nem tétele-
zésének dilemmája, hogy az Enciklopaedia Britannica is fog-
lalkozik vele. Elektronikus számı́tógépeket ugyanis gyakran
használnak olyan célra, hogy (elvileg) végtelen sorozatban
előállı́tsanak velük véletlen számokat (ezzel kapcsolatban l. a
következő paradoxont). Minden ilyen sorozat valószı́nűsége
0, de együttes valószı́nűségük már 1. Megmutatható, hogy a
szigma-additivitás feltételezésével különválnak a véletlen és
a nem véletlen sorozatok, külön birodalma lesz a véletlen mi-
tológiai megszemélyesı́tőjének, Tükhének, és a sors fonalát
kézben tartó Moiráknak.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
2.5. Irodalom
S. Banach–A. Tarski: Sur la décomposition des ensembles de
points en parties respectivement congruentes, Fund. Math.,
6, 244–277, 1924.
K. Stromberg: The Banach–Tarski-paradox, The American
Math. Monthly, 86, 151–160, 1979.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
3. A Monte-Carlo-módszer paradoxona
Számos (nehezen megoldható) numerikus jellegű matemati-
kai feladathoz található olyan valószı́nűségszámı́tási modell,
amelynek megoldásában fellép a keresett ismeretlen szám.
Ekkor lehetőség van az eredeti feladat olyan megoldására,
hogy a megfelelő valószı́nűségszámı́tási modellhez tartozó
(véletlen kimenetelű) kı́sérletet elvégezzük – mégpedig olyan
sokszor, hogy ezek eredményéből a megadott pontossággal
meg tudjuk becsülni az ismeretlen mennyiséget. Bár ennek
a módszernek az alapgondolata igen régen felvetődött, csak
az elektronikus számı́tógépek megszületése után került sor
tényleges és rendszeres alkalmazására, amikor Neumann Já-
nos, S. Ulam és E. Fermi atommag-reakciókra vonatkozó bo-
nyolult matematikai problémák közelı́tő megoldására hasz-
nálták. A „Monte-Carlo” elnevezés onnan származik, hogy
e módszer alkalmazásához véletlen számsorozatokat hasz-
nálnak, és elvileg egy játékkaszinó játékeredményei, amelye-
ket többek között Monte-Carlóban is rendszeresen közzétesz-
nek, felhasználhatók volnának véletlen számsorozatoknak. A
gyakorlatban azonban az elektronikus számı́tógép maga ál-
lı́tja elő a módszer alkalmazásához szükséges véletlen szá-
mokat, ı́gy a hangulatos elnevezés (amely először N. Metro-
polis és S. Ulam egy 1949-es cikkében szerepelt) szinte min-
den szempontból félrevezető (a legkevésbé sem használható
annak kiderı́tésére, hogy milyen stratégiával célszerű Monte-
Carlóban a játékasztalokhoz ülni).
A Monte-Carlo-módszer gondolata elsőként Buffon 1777-
es művében szerepel. A π közelı́tő meghatározását teszi lehe-
tővé tűdobálások segı́tségével. Ha egy asztallapra egységnyi
távolságra párhuzamos egyenes vonalakat rajzolunk, majd
egy L < 1 hosszúságú tűt dobunk az asztalra véletlenszerűen
– a tű és az egyenesek hajlásszöge, valamint a tű középpont-
jának valamelyik egyenestől mért távolsága egymástól füg-
getlen egyenletes eloszlású 0, 2π-ben, illetve (−1/2, 1/2)-ben
– akkor 2L/π annak valószı́nűsége, hogy a tű metszi valame-
lyik vonalat. Ha a tűdobálási kı́sérletet sokszor végezzük el,
akkor a metszések relatı́v gyakorisága igen közel lesz az el-

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
méleti 2L/π valószı́nűséghez, amelyből a π közelı́tőleg meg-

határozható. A π ilyen fajta közelı́tésének nyilvánvalóan csak
elvi érdekessége van, hiszen a két tizedesjegy pontosság el-
éréséhez is általában több ezer dobásra van szükség. (Más
módszerekkel viszont J. Guilloud és M. Bouyer egymillió ti-
zedesjegy pontossággal is meg tudták határozni a π értékét
1974-ben; erre vonatkozóan l. G. Miel cikkét.) A Buffon-féle
tűproblémának két tanulsága van. Egyrészt a Monte-Carlo-
módszer nem alkalmas túl nagy pontosságú számı́tásokra,
másrészt a néhány tizedes közelı́tő pontosság eléréséhez is
rengeteg kı́sérlet elvégzésére van szükség. Éppen ezért ért-
hető, hogy a Monte-Carlo-módszer alkalmazása csak akkor
terjedt el, amikor elektronikus számı́tógépeken utánozni –
szimulálni – tudták a kı́sérleteket, például tényleges tűdo-
bások helyett két egymástól független véletlen számot ge-
neráltak a gépen, amelyek meghatározták a képzeletbeli tű
helyzetét és azt, hogy ez a tű metszené-e a szintén képzelet-
beli párhuzamos egyeneseket. Minthogy a számı́tógép má-
sodpercenként több millió számot is tud generálni, viszony-
lag rövid idő alatt olyan sok szimulációs kı́sérletet lehetett el-
végezni, amelynek tényleges végrehajtásához egy emberélet
is kevés lett volna.
A véletlen számsorozatok számı́tógépes generálása fontos
elméletté fejlődött az utóbbi évtizedekben. A tényleges vélet-
len számok helyett (amelyeket valamilyen véletlen fizikai fo-
lyamat, például radioaktı́v bomlás generálhat) egyre inkább
előtérbe kerültek azok a pszeudovéletlen számok, amelyeket
a számı́tógép valamilyen determinisztikus algoritmus szerint
állı́t elő, tehát valójában nem véletlenek, de különféle tulaj-
donságaikban hasonlı́tanak az igazi véletlen sorozatokhoz.
Például igen sokszor (ı́gy a numerikus integráláshoz is) ele-
gendő tudni, hogy a pszeudovéletlen számok egyenletes el-
oszlásúak egy intervallumon (a véletlenszerűségük nem is lé-
nyeges). A tényleges véletlen számok használata azért szo-
rult háttérbe, mert tárolásuk, illetve rendszeres tesztelésük a
gyors és megbı́zható felhasználás szempontjából problema-
tikus. A pszeudovéletlen számokkal kapcsolatban viszont az
okoz problémát, hogy milyen értelemben tekintsük azokat
véletlennek. Mikor tekintsünk egy számsorozatot véletlen-

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
szerűnek és mikor nem? Hogyan férhet össze a véletlenszerű-

ség azzal, hogy a pszeudovéletlen sorozatokat megadott sza-
bályok, véletlentől nem függő algoritmusok segı́tségével ál-
lı́tják elő a gépek? E probléma matematikai vizsgálatával von
Mises 1919-ben ı́rt cikke óta számos kiemelkedő matematikus
foglalkozott. (A filozófiai vonatkozásokat többek között P. Kir-
schenmann és P. McShane tárgyalta.)
Kolmogorov és Martin-Löf 1965–66-os kutatásai nyomán a

véletlen fogalma új megvilágı́tásba került. Egy nullákból és
egyesekből álló sorozatról azt igyekeztek eldönteni, hogy egy
ilyen sorozat mikor tekinthető véletlennek. Igen kézenfekvő
arra gondolni, hogy egy sorozat annál „véletlenebb”, minél
nehezebb jellemezni, minél hosszabb annak a legrövidebb
számı́tógépes programnak a hossza, amely ezt a sorozatot ge-
nerálja. Természetesen egy ilyen program hossza egy kicsit
változhat, ha más gépre térünk át, ezért választani szoktak
egy „etalon” gépet, az ún. Turing-gépet. Egy sorozat bonyo-
lultsága annak a legrövidebb programnak a hossza, amely ezt
a sorozatot a Turing-gépen előállı́tja. A bonyolultság a soro-
zat szabálytalanságának mértéke. Egy N hosszúságú szám-
sorozat akkor véletlen, ha közel maximális a bonyolultsága.
(Megmutatható, hogy a sorozatok túlnyomó többsége közel
maximális bonyolultságú.) Martin-Löf szerint ezek a soroza-
tok már csak azért is véletlennek tekinthetők, mert kielégı́tik
a véletlenszerűség ellenőrzésére alkalmas minden szóba jö-
hető statisztikai próbát. A bonyolultság és a véletlenszerűség
tehát szoros összefüggésbe került. Ha egy programozó ezek
után „igazi” véletlen számsorozatot szeretne előállı́tani, akkor
Kolmogorov és Martin-Löf eredményei alapján célszerű arra
törekednie, hogy ez a sorozat csak igen hosszú programmal
legyen előállı́tható. Ugyanakkor a gyakorlatban használt vé-
letlen számokat előállı́tó programok alig néhány utası́tást tar-
talmaznak, tehát igen rövidek. Hogyan egyeztethető össze a
programozóknak az a törekvése, hogy viszonylag rövid pro-
gramokat készı́tsenek, azzal az elképzeléssel, hogy a véletlen
sorozatokat nem lehet rövid programmal előállı́tani?

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38

Azok a rövid programokkal előállı́tott sorozatok, amelyeket
„véletlen számsorozat”-ként szoktak használni, valójában
csak a véletlenszerűség néhány kritériumának felelnek meg,
de számos más kritériumnak nem. Ez azonban igen ritkán
okoz problémát az alkalmazások során. Sőt az utóbbi években
egyre szélesebb körben terjed el az ún. kvázi Monte-Carlo-
módszer, amely szándékosan nem is törekszik olyan soroza-
tok használatára, amelyek a véletlennek „lehetőleg minden”
tulajdonságát utánozzák. Ha például a (0, 1) intervallumon
egy sima (pontosabban korlátos változású) függvényt szeret-
nénk integrálni, akkor az
Z 1
I= f (x)dx
0
szám nemcsak akkor közelı́thető jól egy
N
1 X
IN = f (xi )
N i=1
alakú átlaggal, ha az x1 , x2 , . . . , xN sorozat véletlen és egyen-

letes eloszlású a (0, 1) intervallumon, hanem akkor is, ha nem
véletlen, de eloszlása egyenletes, azaz ha N → ∞ esetén
DN = sup |c(x, N ) − x|
0<x<1
0-hoz konvergál, ahol c(x, N ) a (0, x) intervallumba eső x1 ,

x2 , . . . , xN pontok száma osztva N -nel, vagyis a megfelelő re-
latı́v gyakoriság. Megmutatható, hogy
|I − IN | 5 Vf DN ,
ahol Vf csak az f függvénytől függő állandó (az f teljes vál-

tozása), ı́gy az I közelı́tése annál pontosabb, minél kisebb a
DN . A DN viszont nem a véletlen sorozatokra a legkisebb.
Véletlen sorozatok esetén a közelı́tés nagyságrendje N −1/2 ,
mı́g nem véletlen esetben elérhető az N −1 ln N pontosság is.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
3.4. Megjegyzések
(i) A véletlenszerűség és a bonyolultság kapcsolata az utóbbi

időben számos érdekes felfedezést eredményezett. Az már
korábban is bevált szokás volt a matematikában, hogy a túl
bonyolult struktúrákat a véletlen struktúrákhoz hasonlóan
kezeljék (például a prı́mszámok viselkedését statisztikus tör-
vényekkel ı́rják le), az a lehetőség azonban, hogy a véletlent
nem is lehet megkülönböztetni a nagyon bonyolulttól, olyan
„merész gondolat”, amely a filozófia számára sem lehet kö-
zömbös. Ebben a megvilágı́tásban e fejezet Spinozától szár-
mazó mottója csak azt jelenti, hogy az emberi ész jobban sze-
reti az egyszerűt, mint a bonyolultat, ami kétségkı́vül igaz is.
De az is egyre nyilvánvalóbb, hogy minél mélyrehatóbban
szeretnénk megismerni a természetet, annál többször derül
ki, hogy a természetben egyáltalán nem minden egyszerű.
(ii) A Monte-Carlo-módszer elképzelhetetlen gyors számı́-
tógépek nélkül, ı́gy nem véletlen, hogy elterjedésük szoros
kapcsolatban áll egymással. Kepler már a logaritmust is úgy
méltatta, hogy ez a felfedezés megkétszerezi a sok számı́-
tást végző csillagászok életét. Azóta a fejlődés hihetetlen mér-
tékben felgyorsult. Pascal, Leibniz, de különösen a múlt szá-
zadi angol Charles Babbage és az amerikai Herman Hollerith
(aki elsőként alkalmazott lyukkártyákat az 1890-es amerikai
népszámláláskor) úttörő tevékenysége után a döntő áttörés
a XX. század második harmadában következett be. Babbage
elgondolásait az International Business Maschines Corpora-
tion 1939-ben kezdte megvalósı́tani MARK I néven, de való-
jában az ENIAC (Electronical Numerical Integrator and Cal-
culator) volt az első olyan elektronikus számı́tógép, amelyet
– főként a háborús szükségletek céljaira – 1944-ben be is fe-
jeztek. Neumann János zseniális ötleteinek felhasználásával
1949-ben működésbe lépett az első igazán modern komputer
is: az UNIVAC I (Universal Automatic Calculator). Az utóbbi
harminc év robbanásszerű fejlődését mi sem bizonyı́tja job-
ban, mint hogy az UNIVAC I és kortársai ma már múzeumi
darabok.
(iii) A véletlen számsorozatok felhasználása igen sokrétű.
Közelı́tő integrálás, differenciálegyenletek numerikus megol-

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
dása és más numerikus analı́zisbeli alkalmazások találhatók

pl. abban a magyarul is megjelent könyvben, amelyet Ju. A.
Srejgyer szerkesztett (l. az Irodalmat). A fizikai, kémiai, bioló-
giai, műszaki, gazdasági stb. problémák számı́tógépes szimu-
lációi szintén véletlen számsorozatokat igényelnek. Ezek se-
gı́tségével közlekedési, szállı́tási és más tervezések ugyanúgy
elvégezhetők, mint csillagászatimodell-készı́tések. Különféle
számı́tógépre ı́rt programok hatékonyságát is jól ellenőrizhet-
jük, ha a próbaadatok véletlen számok. Végül még egy ér-
dekes alkalmazási terület: a komputerművészet, ahol éppen a
véletlen számsorozatok kı́nálják fel a milliónyi választási le-
hetőséget (a számsorozatok természetesen hang-, szı́n-, betű-
és még sok más sorozatnak felelhetnek meg). A számı́tógép
az általa előállı́tott véletlen számsorozatokból kiszűri azokat,
amelyek nem felelnek meg a „mintaművek tanulmányozása”
során felismert szabályoknak. Ha elég sok „mintamű” alap-
ján dolgozik a gép, akkor meglehetősen sikeresek lesznek az
eredményül kapott művek is. Xenakisz görög zeneszerző pél-
dául komputer által előállı́tott hangfelhőket használt számos
zenemű („Tejutak zenéje” stb.) megkomponálásához. A CBS
tévéhálózat 1960. október 26-án két komputer által ı́rt krimit
mutatott be. A komputergrafika alkotásaiból már több kiállı́-
tást is szerveztek (egyébként meg kell jegyezni, hogy távolról
sem minden komputergrafikai alkotás használ véletlen szám-
sorozatokat). 1970-ben megalakult a komputerművészek vi-
lágszövetsége is.
3.5. Irodalom
N. Metropolis–S. M. Ulam: The Monte-Carlo-method, J. Amer.

Statist. Assoc., 44, 335–341, 1949.
Ju. A. Srejgyer (szerk.): Monte-Carlo-módszerek, Műszaki
Könyvkiadó, Bp., 1965.
D. E. Knuth: The art of computer programming (Chapter 3
– Random numbers) Addison-Wesley, 1969.
H. Niederreiter: Quasi-Monte-Carlo methods and pseudo-
random numbers, Bull. Amer. Math. Soc. 84, 957–1041, 1978.
P. Martin-Löf: The definition of random sequences, Infor-
mation and Control, 9, 602–619, 1966.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
C. P. Schnorr: Zufälligkeit und Wahrscheinlichkeit, Lecture

Notes in Math., 218, Springer, Berlin–New York, 1971.
P. McShane: Randomness, statistics and emergence, Univ.
Notre Dame, 1970.
P. Kirschenmann: Concepts of randomness, J. Philos. Logic,
1, 395–414, 1972.
T. Sós Vera: Egyenletes eloszlású sorozatok és diofantikus
approximáció. Doktori értekezés, Budapest, 1980.
I. M. Szobol: A Monte-Carlo-módszerek alapjai, Műszaki
Könyvkiadó, Bp., 1981.
Székely J. G.–Tusnády G.: A véletlen filozófiai kérdései ma-
tematikai szempontból, Magyar Tudomány, 832–840, 1987.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
4. Az érdektelen számok paradoxona;

egy kiszámı́thatatlan valószı́nűség
Egy szám érdekessége vagy érdektelensége eléggé szubjektı́v,
ennek ellenére lehetőség nyı́lik egy objektı́v definı́ció meg-
adására is, mégpedig az előző paradoxon egyik ötlete segı́t-
ségével. Egy számot ugyanis akkor célszerű érdekesnek te-
kinteni, ha az előző paradoxonban definiált bonyolultsága ki-
csi. Így például érdekesek a racionális számok, hiszen számje-
gyeik periodikusan ismétlődnek, az irracionális számok közül
érdekes a π és az e, hiszen számjegyeiket viszonylag röviden
leı́rható számı́tógépes programmal elő lehet állı́tani. Az ir-
racionális számok között vannak viszonylag szabálytalanab-
bak. A normális számok például olyanok, hogy minden szám-
jegyük, sőt minden rögzı́tett hosszúságú számjegyblokkuk
ugyanolyan gyakorisággal fordul elő tizedesjegyeik végtelen
sorozatában. Az irracionális számok döntő többsége normá-
lis, de egy-egy konkrét számról nehéz eldönteni, hogy nor-
mális-e vagy nem. Így például nem ismeretes, hogy a π (első
húszezer tizedesjegyét a 3. táblázat tartalmazza) vagy az e
normális-e. Létezik azonban igen egyszerű (de mestersége-
sen konstruált) konkrét példa normális számra. Az 1930-as
évek elején D. G. Champernowne az alábbi számról mutatta ki,
hogy normális:
0,123 456 789 101 112 131 415 161 718 192 021 222 324 25 . . .
(a tizedesvessző után sorra következnek a természetes szá-

mok). A számelméletben hasonló helyzet volt közel száz év-
vel korábban, amikor Liouville 1844-ben elsőként konstruált
transzcendens számot, vagyis olyan számot, amelyik nem le-
het megoldása a szokásos egész együtthatós algebrai egyen-
leteknek. A π és az e transzcendens voltát csak sokkal ké-
sőbb: 1882-ben, illetve 1873-ban bizonyı́totta be F. Lindemann,
illetve Ch. Hermite. A számok normalitásának vizsgálata csak
a századforduló után kezdődött meg, főként E. Borel kutatásai
nyomán. Azóta a számjegyek sorozatában a szabályosságok
és szabálytalanságok tanulmányozása érdekes elméletté fej-

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
lődött, különösen a bonyolultság matematikai elmélete nyo-

mán. Ebben kiemelkedő szerepet játszott A. N. Kolmogorov,
R. J. Solomonoff és G. J. Chaitin. A paradoxonok itt sem marad-
tak el. Az alábbi egy a sok közül.

A számok döntő többségében a számjegyek véletlenszerűen
következnek egymás után, vagyis a számok döntő többsége
érdektelen abban az értelemben, hogy nincs olyan számı́tó-
gépes program, amely ezeket a számokat úgy állı́tja elő, hogy
az előállı́tásukhoz szükséges program lényegesen rövidebb
lenne, mint maguk a számok. Ennek ellenére a számok döntő
többségéről nem bizonyı́tható be (egy ellentmondás nélküli
axiómarendszerben), hogy érdektelen. Végtelen sok érdekte-
len szám van, de ez csak véges sokról bizonyı́tható be!

Első hallásra valóban elég meglepő lehet, hogy létezhet bármi
is úgy, hogy nem azonosı́tható, pedig ehhez hasonló jelenség
nem csak a matematika világában fordul elő. Ha például egy
stadionban mind a százezer hely foglalt, de csak kilencven-
kilencezer jegyet adtak el, akkor nyilvánvalóan ezer ember
belógott, de ennek az ezer embernek az azonosı́tása (külö-
nösen akkor, ha a bejáratnál mindenkitől elveszik a jegyét)
reménytelen. Tehát biztosan tudjuk, hogy van ezer néző, aki
jegy nélkül került a stadionba, de senkire sem tudjuk ezt rábi-
zonyı́tani. Ez a helyzet a matematikában különösen gyakori.
Az a tény, hogy érdektelen szám végtelen sok van (sőt
a számok döntő többsége érdektelen), egyáltalán nem meg-
lepő, ha arra gondolunk, hogy memorizálás céljából már egy
hatjegyű telefonszámra is legtöbbször igen nehéz valamiféle
szabályosságot kiagyalni, amely könnyebben megjegyezhető,
mint az eredeti szám. Száz- vagy ezerjegyű számok esetén
ez még hatványozottan kisebb arányban sikerülne. A para-
doxonnak tehát a második fele a meglepőbb, legalábbis azok
számára, akik nem járatosak a huszadik századi logika ismert
paradoxonaiban. E paradoxonok közül különösen G. G. Ber-
ryé áll közel a mi paradoxonunkhoz. (Ez a paradoxon először

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
B. Russel és A. N. Whitehead „Principia Matematica”-jában je-

lent meg hetven évvel ezelőtt.) Berry paradoxonának E. F.
Beckenbachtól származó „komputerizált változata” szerint nem
létezhet érdektelen természetes szám, mert akkor ezek kö-
zül a legkisebb érdekes lenne, más szóval a számı́tógépen
csak hosszan programozható számok közül a legkisebb, rövid
programmal is előállı́tható, ami kétségkı́vül ellentmondás. Fel
kell tételezni, hogy egyes számok érdektelensége nem bizo-
nyı́tható, sőt az is kimutatható, hogy ha a használt axióma-
rendszernek és következtetési szabályoknak összesen n bit
információtartalmuk van, akkor egyetlen olyan szám érdek-
telensége sem bizonyı́tható, amelynek információtartalma je-
lentősen meghaladja az n bitet.
4.4. Megjegyzés
A számjegyek sorozatának véletlenszerűségére vonatkozóan

igen fontos kritérium az, hogy nem extrapolálhatók, nem je-
lezhetők előre. A π és az e, még ha bizonyı́thatóan normálisak
volnának is, biztosan nem ilyenek, hiszen ismeretesek olyan
szabályok, amelyekkel a számjegyeik akármilyen hosszúság-
ban „előre kiszámı́thatók”. Kérdés, hogy van-e egyáltalán
olyan pontosan definiálható (nem véletlen) szám, amelynek
számjegyei nem előre jelezhetők. Chaitin alábbi példája igen
érdekes igenlő választ ad e kérdésre. Legyen egy rögzı́tett
számı́tógép, nevezetesen egy adott Turing-gép inputja egy
véletlen fej–ı́rás sorozat, pontosabban a fej–ı́rásnak megfe-
lelő 0–1 sorozat. A Chaitin-féle szám annak a valószı́nűsége,
hogy e véletlen input hatására a Turing-gép megáll-e valami-
kor. (Elvileg elképzelhető, hogy a gép a végtelenségig műkö-
dik, mert nem kap ellenkező értelmű utası́tást.) Bebizonyı́t-
ható, hogy ez a Chaitin-féle szám olyan „érdektelen” szám,
amelynek számjegyei nem jelezhetők előre. A Chaitin-féle
valószı́nűség azonban csak a mi definı́ciónk szerint érdekte-
len, mert egyébként nagyon is érdekes tulajdonságai vannak.
Ha például ismernénk az első néhány ezer tizedesjegyét, ak-
kor ebből automatikusan kiolvashatnánk a választ a matema-
tika olyan klasszikus megoldatlan problémáira, mint például
a Fermat-sejtés vagy a Goldbach-sejtés. [A Fermat sejtést ugyan

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
1995-ben már igazolta A. Wiles és R. Taylor, de ez semmit sem

változtat az alábbi érvelés elvi fontosságán.] A Fermat-sejtést
például (vagyis azt, hogy az xn + y n = z n egyenletet nem
lehet megoldani a természetes számok körében, ha n akár-
milyen 2-nél nagyobb egész szám) elvileg úgy is igazolhat-
nánk vagy cáfolhatnánk, hogy ı́runk egy számı́tógépes pro-
gramot: a „Fermat-programot”, amelyik adott n és z esetén
ellenőrzi, hogy van-e olyan x és y, amely megoldást adna,
majd n és z értékét fokozatosan növelve végül is minden ese-
tet kipróbálnánk. A gép akkor álljon le, ha talál megoldást.
Ha valamikor megáll a gép, akkor a sejtés cáfolva van, ha pe-
dig soha nem áll meg, akkor igaz a sejtés. A probléma termé-
szetesen az, hogy akármilyen hosszú ideig működött is már
a gép, nem lehetünk biztosak abban, hogy pl. a következő
lépésben megáll-e vagy nem. Ezt a problémát megkerülhet-
nénk, ha ismernénk a Chaitin-konstansot. Tekintsük ugyanis
az összes véges hosszúságú bináris inputot, és nézzük sorra,
hogy mely programok (mely inputok) hatására áll meg vala-
mikor a gép. Először nézzük meg, hogy az első program ha-
tására 1 lépésben megáll-e, majd azt, hogy a 2. program hatá-
sára 1 lépésben megáll-e. Ezt követően az 1. programot 2 lé-
pésig engedjük működni, majd a harmadikat 1, a másodikat
2, az elsőt 3 lépésig stb. Ha valamelyik k hosszúságú bináris
input hatására valamikor leáll a gép, akkor tegyünk gondo-
latban egy zsákba egy 1/2k egységnyi súlyt. Idővel a zsákban
egyre több súly gyűlik össze, és a súlyok összege a Chaitin-
konstanshoz konvergál (hiszen akármilyen k hosszúságú bi-
náris sorozat előfordulásának valószı́nűsége egy fej–ı́rás so-
rozatban 1/2k ). Legyen a bináris „Fermat-program” hossza
m. Programjaink működtetését végezzük addig, amı́g a zsák-
ban a súlyok összege 1/2m -nél pontosabban meg nem köze-
lı́ti a Chaitin-konstansot. Ha eddig az időpontig nem derült
ki, hogy a Fermat-sejtés hamis, akkor már bizonyosan igaz,
hiszen ha a „Fermat-program” hatására egy későbbi időpont-
ban állna le a gép, akkor bele kellene tennünk a zsákba egy
1/2m nagyságú súlyt, ez azonban ellentmond annak, hogy a
Chaitin-konstansot már 1/2m -nél pontosabban megközelı́tet-
tük a zsákba helyezett súlyokkal.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
A Chaitin-konstans minden olyan probléma megoldását

(illetve a megoldás elvi lehetőségét) magába sűrı́ti, amely
visszavezethető egy előbbi tı́pusú megállı́tási feladatra, ı́gy a
Chaitin-konstans kimondhatatlanul információgazdag, mint
valami kabalista szám, amely annyiban is emlékeztet a kabala
misztikumára, hogy nemcsak kimondhatatlan, hanem kiszá-
mı́thatatlan is.
4.5. Irodalom
A Fermat-tételt racionális kitevőkre vizsgálja
C. Bennett, A. M. W. Glass, G. J. Székely: Fermat’s last theo-
rem for rational exponents, Amer. Math. Monthly., 111, 322–
329, 2004/4.
G. J. Chaitin: Randomness and mathematical proof, Sci.
Amer., 232, 47–52, 1975/5.
M. Gardner: The random number Omega bids fair to hold
the mysteries of the universe, Sci. Amer. 241, 22–31, 1979/11.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
5. A véletlen gráfok egy paradoxona

Számos tudományterület – például az elektromos hálózatok
– strukturális problémáit gráfokkal, azaz pontokkal és e ponto-
kat összekötő vonalakkal lehet áttekinthetővé tenni és megol-
dani. A pontok a gráf szögpontjai, a szögpontokat összekötő
vonalak az élek. Ezek az élek olyan kapcsolatokat is reprezen-
tálhatnak, amelyek kialakulása a véletlentől is függhet. Éppen
ezért igen fontosak azok a kutatások, amelyek a véletlen grá-
fok struktúráival foglalkoznak. A véletlen gráfok elmélete fő-
ként Erdős Pál és Rényi Alfréd úttörő munkáinak köszönhető.
Tételezzük fel, hogy a gráfnak n szögpontja van, és min-
den egyes él (illetőleg az ennek megfelelő kapcsolat) p való-
szı́nűséggel létezik és 1 − p valószı́nűséggel nem létezik, füg-
getlenül a többi kapcsolat létezésétől vagy nem létezésétől.
Legyen ε > 0 tetszőleges. Erdős és Rényi 1960-ban meg-
mutatták, hogy ha p 5 1−ε)nlog2 n , akkor annak a valószı́nű-
sége, hogy a véletlen gráf összefüggő, 0-hoz konvergál az n
növekedésével, mı́g ha p = (1+ε)nlog2 n , akkor 1-hez tart az
összefüggés valószı́nűsége. (Egy gráf akkor összefüggő, ha
bármely szögpontból bármely másikba el lehet jutni az élein
keresztül.) Más szóval logn2 n a „vı́zválasztó” valószı́nűség. Az
utóbbi két évtizedben számos más érdekes tétellel is gazda-
godott a véletlen gráfok elmélete, amelyet végtelen sok szög-
pontú gráfokra is ki lehet terjeszteni. Ezzel kapcsolatban Er-
dős és Rényi egy érdekes paradoxonra hı́vta fel a figyelmet.

Két gráfot: G1 -et és G2 -t izomorfnak nevezünk, ha szögpont-
jaik kölcsönösen egyértelműen megfeleltethetők egymásnak
úgy, hogy G1 -ben pontosan akkor legyen két szögpont össze-
kötve egy éllel, ha az ezeknek G2 -ben megfeleltetett szögpon-
tok is össze vannak kötve. Nyilvánvalóan csak olyan gráfok
lehetnek izomorfak, amelyeknek ugyanolyan sok a szögpont-
juk, de két azonos sok szögponttal rendelkező véletlen gráf
általában nem izomorf. Annál meglepőbb viszont, hogy ha
a gráfoknak végtelen sok szögpontjuk van, pontosabban ha a

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
gráfok szögpontjai a számegyenes természetes számai, és bár-

mely két természetes számot ugyanolyan, mégpedig 1/2 va-
lószı́nűséggel köt össze él, függetlenül a többitől, akkor az ı́gy
keletkező véletlen gráfok 1 valószı́nűséggel izomorfak. Tehát
ebben az értelemben a végtelen véletlen gráfok mindig egy-
formák!

Nevezzünk egy gráfot univerzálisnak, ha tetszőleges u1 , u2 ,
. . . , un és v1 , v2 , . . . , vm (egymástól különböző) szögpontjaik-
hoz létezik olyan w szögpont, amelyik különbözik az u-któl
és a v-ktől is úgy, hogy w-t és az u-kat összeköti él, w-t és v-
ket viszont nem. Könnyű igazolni, hogy ha G1 és G2 is uni-
verzális, akkor izomorfak. Annak viszont nyilvánvalóan 0 a
valószı́nűsége, hogy a paradoxonban szereplő véletlen grá-
fok nem univerzálisak (azaz nem mindig létezik az emlı́tett
tulajdonságú w szögpontjuk).
5.4. Megjegyzés
A véletlen gráfok mellett az utóbbi években sok más véletlen
struktúra vizsgálata is igen érdekes eredményekre vezetett.
Ilyen véletlen struktúrák például a véletlen mátrixok és a vé-
letlen algebrai egyenletek. Ez utóbbival kapcsolatban például
N. B. Maszlova 1974-ben megmutatta, hogy ha a
n
X
Xj z j = 0
j=0
véletlen algebrai egyenlet Xj együtthatói független azonos

eloszlású változók, 0 várható értékűek, de nem azonosan
0-k és
E|Xj |2+ε < ∞
2
valamilyen pozitı́v ε-ra, akkor valós gyökeinek száma a π ln n
várható érték körül
p
2 π −1 (1 − 2π −1 ) ln n
szórással aszimptotikusan normális eloszlású.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
5.5. Irodalom
P. Erdős–J. Spencer: Probabilistic methods in combinatorics,
Akadémiai Kiadó, Bp., 1974.
N. B. Maslova: O raspedelenii qisla vexestvennyh
korne½ sluqa½nyh polimov, TeoriÂ veroÂtnoste½ i ee
primeneniÂ, 19, 488–500, 1974.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
6. A várható érték paradoxona

Jól ismert tény, hogy ha X és Y két olyan valószı́nűségi vál-
tozó, amelynek létezik a várható értéke: E(X) és E(Y ), akkor
E(X + Y ) = E(X) + E(Y ). Könnyen igazolható az is, hogy
ha E(X) és E(Y ) nem feltétlenül léteznek, de E(X + Y ) lé-
tezik, akkor ez utóbbi csak X és Y eloszlásától függ; vagyis
E(X + Y ) meghatározásához X és Y együttes eloszlásának
ismerete nem szükséges. Meglepő módon ugyanez már nem
érvényes háromtagú összegekre.

Ha X, Y és Z három olyan tetszőleges valószı́nűségi változó,
amelyre E(X + Y + Z) létezik, akkor nem biztos, hogy ez a
várható érték meghatározható X, Y és Z eloszlásának (külön-
külön vett eloszlásának) ismeretében.

Definiáljuk az X, Y és Z valószı́nűségi változókat két külön-
böző módon. Mindkét definı́ció szerint ugyanaz lesz az elosz-
lásuk, de E(X + Y + Z) már különböző lesz a két esetben.
Legyen U egyenletes eloszlású a (0, 1) intervallumban. Ek-
kor nyilván 1 − U és V = |2U − 1| is egyenletes eloszlású
(0, 1)-ben. ¡ ¢
Ha X = Y = tg π2 U és Z = −2X, akkor X + Y + Z ≡ 0
és ı́gy E(X + Y + Z) = 0. Ezzel szemben, ha
³π ´ ³π ´
X = tg U , Y = tg (1 − U ) és
2³ ´ 2
π
Z = −2 tg V ,
2
akkor X + Y + Z > 0 1 valószı́nűséggel teljesül, ı́gy E(X +
Y + Z) is pozitı́v [E(X + Y + Z) pontos értéke π4 ln 2].
6.4. Megjegyzések
(i) Minthogy E(X + Y + Z) = E((X + Y ) + Z) és E(X + Y +
Z + W ) = E((X + Y ) + (Z + W )), ezért három- és négytagú

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
összegek várható értékét egyértelműen meghatározzák a két-

dimenziós eloszlások. Nem ismeretes viszont, hogy ugyanez
négynél több tagú összegekre is érvényes-e.
(ii) Ruzsa és Székely megmutatták, hogy minden X való-
szı́nűségi változóhoz hozzá lehet rendelni egy E(X) (véges)
valós számot, amely megegyezik a várható értékükkel, ha a
várható érték létezik és véges, továbbá
E(X + Y ) = E(X) + E(Y )
mindig teljesül, ha X és Y független. Az iménti paradoxon

azt mutatja, hogy ilyen általánosı́tott várható érték nem lé-
tezhet, ha az E(X + Y ) = E(X) + E(Y ) összefüggést tetsző-
leges (nem csak független) valószı́nűségi változókra is meg
szeretnénk követelni. [Ez esetben ugyanis a paradoxon va-
lószı́nűségi változóira E(X + Y + Z) csak 0 lehetne, hiszen
E(X) = E(Y ) és E(Z) = −2E(X).]
6.5. Irodalom
G. Simons: An unexpected expectation, Annals of Prob. 5, 157–
158, 1977.
I. Z. Ruzsa–G. J. Székely: An extension of expectation,
Zeitsch’ Wahrsch’ theorie verw. Geb. 53, 17–20, 1980.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
7. Az első számjegy paradoxona

Simon Newcomb száz évvel ezelőtt, 1881-ben egy különös ta-
pasztalati tényre hı́vta fel a figyelmet az Amer. J. Math. Folyó-
iratban. Felfedezése azonban hamarosan feledésbe merült,
de közel hatvan évvel később Frank Benford, a General Elect-
ric Company fizikusa újból fölfedezte. Róla is nevezték el
Benford-törvénynek. (Nem Newcombot érte a tudománytörté-
netben a legnagyobb igazságtalanság: a tételek és törvények
igen jelentős részét nem az igazi felfedezőjükről nevezték el.)
Benford történetét W. Weaver ı́gy mondja el Lady Luck cı́mű
könyvében. „Mesélték nekem, hogy a General Electric Com-
pany egyik mérnöke valamikor huszonöt évvel ezelőtt egy
nagy logaritmustáblával éppen az irodája felé ment, amikor
megakadt a szeme a lapok oldalélein: a könyv az első la-
poknál volt a legpiszkosabb, később egyre tisztább, mintha
a könyv elejét sokat forgatták volna, a közepét kevésbé, a vé-
gét pedig alig. De ez lehetetlen – gondolhatta –, hiszen ez azt
jelentené, hogy az emberek gyakrabban keresik ki az 1-gyel
kezdődő számok logaritmusait, mint a 2-vel kezdődőekét, és
legritkábban a 9-cel kezdődőeket. Ez pedig nem lehet, hiszen
az emberek mindenféle számok logaritmusait használják, ı́gy
a különböző jegyeknek egyforma gyakorisággal kellene elő-
fordulniuk.”

Vegyünk találomra egy táblázatot, akár a 2 egész hatványa-
inak táblázatát, akár valamilyen fizikai állandók táblázatát,
akár egy népességstatisztikai táblázatot; általában azt tapasz-
taljuk, hogy a táblázatban álló számok első értékes (0-tól kü-
lönböző) jegye nem egyforma gyakorisággal veszi fel az 1, 2,
3, . . . , 9 számokat, hanem az 1 a leggyakoribb, azután a 2, . . .,
végül a 9 a legritkább. Benford szerint a k-nál nem nagyobb
(k = 1, 2, . . . , 9) első számjegyek relatı́v gyakorisága nem k/9
(ami az egyenletességnek felelne meg), hanem sokkal inkább
lg(k + 1), ahol lg a 10-es alapú logaritmust jelöli. Így az 1-es
relatı́v gyakorisága kb. 30%, a 2-esé 17%, . . . , a 9-esé pedig

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
kb. 5%. (Benford törvénye úgy is fogalmazható, hogy a szá-

mok logaritmusainak mantisszái közel egyenletes eloszlásúak
a 0, 1 intervallumon.)
Benford törvénye nem azt jelenti, hogy minden táblázat-
ban az 1-es a leggyakoribb első számjegy (nyilván mindenki
tud olyan táblázatot készı́teni, amelyben egyetlen 1-es sincs),
csak azt állı́tja, hogy a táblázatok tipikusan olyanok, hogy a
bennük feltüntetett számok első értékes jegye gyakrabban 1-
es, mint például 9-es.

Benford törvényére számos valószı́nűségszámı́tási és nem va-
lószı́nűségszámı́tási megközelı́tés is született. Nézzünk meg
először egy nem valószı́nűségszámı́tási jellegű példát.
Vizsgáljuk meg a 2-es szám n-edik hatványainak tábláza-
tát. A 2n első számjegye akkor lesz 1-es, ha van olyan s egész
szám, hogy 10s < 2n < 2 · 10s . Ha n (és ı́gy s is elég nagy),
akkor ns közelı́tően egyenlő lg 2-vel, ami azt jelenti, hogy az
első n darab 2 hatvány közül kb. minden lg 2-edik kezdődik
1-essel. Hasonlóan látható az is, hogy azoknak a 2 hatványok-
nak az aránya, amelyek legfeljebb k-val kezdődnek kb. lg(k +
1), ami teljesen megegyezik a Benford-törvény állı́tásával.
A valószı́nűségszámı́tási megközelı́tés valamivel bonyolul-
tabb. Itt is abból kell kiindulni, hogy egy X pozitı́v véletlen
szám első értékes jegye akkor lesz legfeljebb k, ha van olyan
s egész szám, hogy
10s 5 X < (k + 1)10s .
Eszerint Benford törvénye akkor teljesül pontosan, ha éppen

lg(k + 1) annak a valószı́nűsége, hogy lg X törtrésze legfel-
jebb lg(k + 1), aminek elégséges feltétele, hogy lg X törtré-
sze egyenletes eloszlású legyen a (0, 1) intervallumon. A kér-
dés most már az, hogy X milyen tulajdonságú valószı́nűség-
eloszlásai esetén lesz lg X törtrésze „közel” egyenletes elosz-
lású (abban az értelemben, hogy eloszlásfüggvénye kevéssel
tér el az egyenletes eloszlásfüggvénytől), továbbá mi az oka
annak, hogy a táblázatok adatai igen gyakran valóban ren-
delkeznek ezzel a tulajdonsággal. Az előbbi – tisztán mate-

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
matikai jellegű – kérdés megválaszolásával több matemati-

kus (pl. R. S. Pinkham és J. H. B. Kempermann) is foglalkozott,
és a válaszaik eléggé megnyugtatóak – annál kevésbé létez-
nek megnyugtató válaszok az utóbbi kérdésre. A fejtegeté-
sek gyakorta vezetnek teljesen áttekinthetetlen „filozofálga-
táshoz” vagy egyenesen számmisztikához. Benford szerint
például, amı́g az Ember számolása aritmetikus: 1, 2, 3, . . ., ad-
dig a Természet automatikusan „logaritmál” és e0 , ex , e2x , . . .
szerint számol, ı́gy – Benford szerint – a „természetesen” elő-
forduló adatok geometriai sorozatok keverékei, amelyekre
(ahogyan a korábban már emlı́tett 2 hatványokra is) teljesül-
nie kell a Benford-törvénynek. Benford számos példát hoz fel
a tudomány és technika területéről, amelyek mind a XIX. szá-
zad nagy hatású Fechner törvényének befolyását mutatják,
mely szerint általában az inger és az érzet közötti összefüg-
gés logaritmikus. Sajnos azonban Benford analógiái egyálta-
lán nem válaszolják meg a kérdést megnyugtatóan, már csak
azért sem, mert az utóbbi évtizedekben kiderült, hogy maga a
Fechner-törvény sem megingathatatlan. A téma iránt érdek-
lődők figyelmét mindenképpen érdemes felhı́vni R. A. Raimi
összefoglaló cikkére, amelyben a szerző további negyven ide-
vágó cikkre hivatkozik.
7.4. Megjegyzés
Ha az első értékes jegyek helyett a második, harmadik stb.
jegyeket elemezzük, akkor a tapasztalat szerint egyre kevésbé
vagy egyáltalán nem érződik a „Benford-hatás”, és a jegyek
közel egyenletes eloszlásúak lesznek.
7.5. Irodalom
S. Newcomb: Note on the frequency of use of the different di-
gits in natural numbers, Amer. J. Math. 4, 39–40, 1881.
F. Benford: The law of anomalous numbers, Proc. Amer.
Phil. Soc. 78, 551–572, 1938.
R. A. Raimi: The first digit problem, The American Math.
Monthly 83, 521–538, 1976.
T. P. Hill: A statistical derivation of the significant-digit law.
Statist. Sci. 10, no. 4, 354–363, 1995.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
8. A nulla valószı́nűség paradoxona: sok semmi

is mehet sokra?
A lehetetlen eseménynek természetesen 0 a valószı́nűsége, de
fordı́tva ez már nem igaz: egy eseménynek akkor is lehet 0
a valószı́nűsége, ha nem lehetetlen, például 0 annak az esé-
lye, hogy egy céltáblának matematikai pontossággal éppen a
középpontját találjuk el, bár ez kétségkı́vül nem lehetetlen.
Ugyancsak 0 annak a valószı́nűsége, hogy előre kijelölt ezer
pont közül bármelyiket is eltaláljuk (teljes pontossággal), bár
ez utóbbi könnyebbnek látszik, mint pontosan a középpont
eltalálása. Jogosan vetődik fel a kérdés, hogy valóban nem
lehet-e összehasonlı́tani 0 valószı́nűségű események bekövet-
kezési „esélyeit”. Egy másik kérdés a következő. A céltáblán
minden pont eltalálásának 0 a valószı́nűsége, de egy céllövő
biztosan eltalálja a céltábla valamelyik pontját, ı́gy sok 0 va-
lószı́nűségű esemény együttesen akár 1 valószı́nűségű is le-
het, azaz sok „semmi” valóban sokra is mehet. Lehetséges ez?
A paradoxon lényegében ugyanaz, mint Zénon közel két és
fél ezer éves paradoxona a mozgás lehetetlenségéről; szerinte
ugyanis a repülő nyı́l minden pillanatban áll (más szóval 0
hosszúságú időtartamok alatt az elmozdulása is 0), ı́gy elkép-
zelhetetlen, hogyan mozog mégis. Itt is ugyanaz a kérdés: ho-
gyan eredményezhet sok „semmi” „valamit”. A paradoxon lé-
nyege tehát több ezer éves, megnyugtató magyarázata azon-
ban csak az utóbbi évtizedekben alakult ki, főként Abraham
Robinson (1918–1974) kutatásai nyomán.

Válasszunk véletlenszerűen (egyenletes eloszlás szerint) egy
pontot a (0, 1) intervallumon. Ekkor 0 annak a valószı́nű-
sége, hogy éppen az intervallum középpontját választottuk
ki, de ugyanúgy annak is 0 a valószı́nűsége, hogy például az
1/100, 2/100, 3/100, . . . pontok valamelyikét választottuk, pe-
dig ez utóbbi könnyebbnek látszik. Valóban nincs lehetőség
valószı́nűségeik megkülönböztetésére?

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
A számolás több ezer éves története a számfogalom fokoza-

tos bővülését eredményezte. A természetes számok és a tört
(racionális) számok után a 0, a negatı́v, az irracionális, majd a
komplex számok bevezetése mind azt a célt szolgálta, hogy a
számok mind jobban alkalmazkodjanak a számolók igényei-
hez, egyre kevesebb korlátba ütközzenek. Az 1960-as években
a számfogalom tovább bővült a „végtelen kicsi” számokkal, az
ún. infinitezimálisokkal. Magát az infinitezimális szót ugyan
már Newton és Leibniz óta használták a differenciál- és in-
tegrálszámı́tásban, de csak szimbolikusan, minden tényleges
tartalom és megalapozottság nélkül. A múlt században – ép-
pen e megalapozottság hiánya miatt – az infinitezimálisokat
száműzték a matematikából, bár véglegesen sohasem tűntek
el (a fizikusok például folyamatosan használták, a matema-
tikusok azonban áttértek az „epszilon-delta” analı́zisre és az
egyetemeken mindmáig ebben a szellemben oktatnak). Ro-
binson elmélete most szilárd logikai alapot épı́tett az infinite-
zimálisok használata „alá”, s könnyen lehet, hogy az ezred-
forduló diákjai már Newton és Leibniz eredeti heurisztikájá-
nak újjáélesztett szellemében nevelkednek majd (az M. I. T. és
Wisconsin egyetemeken már most is lehetőség van a Weier-
strass-féle epszilon-delta elmélet helyett a Robinson-elmélet vá-
lasztására). Az infinitezimálisokkal általában ugyanúgy lehet
számolni, mint a közönséges számokkal. Amı́g a 0-val nem
lehet osztani, addig egy infinitezimálisan kicsiny mennyiség-
gel lehet: egy infinitezimális „parány” reciproka egy végte-
lenül nagy szám, és fordı́tva: egy végtelenül nagy szám re-
ciproka mindig egy infinitezimális. Robinson elmélete előtt
úgy képzeltük, hogy a számegyenest teljesen kitöltik a raci-
onális és irracionális (azaz a valós) számok. Robinson „mate-
matikai mikroszkópjában” azonban, ha a számegyenes egyet-
len pontjára szegezzük szemünket, akkor már nem egyet-
len pontot látunk, hanem az ehhez a ponthoz végtelen közel
levő „parányok” végtelen sokaságát. Ezt a képet Leibniz tisz-
teletére monádnak nevezzük. Az infinitezimálisak segı́tségével
rengeteg paradoxon oldódik fel. Zénon paradoxona ugyan-
úgy, mint a 0 valószı́nűség paradoxona. Egyszerűen csak meg

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
kell különböztetni a 0-t az infinitezimálisan kicsitől. Lehetsé-

ges például a (0, 1) intervallum összes részhalmazához olyan
valószı́nűséget rendelni, amely csak a lehetetlen eseménynek
megfelelő üres halmaz esetén 0, minden más – korábban 0
valószı́nűségű – esemény valószı́nűsége viszont pozitı́v lesz,
csak esetleg infinitezimális, továbbá ha egy A halmaznak a
szokásos értelemben P (A) volt a valószı́nűsége, akkor a most
definiált új valószı́nűség legfeljebb egy infinitezimálissal kü-
lönbözik P (A)-tól. (Ez az új valószı́nűség egyébként csak ad-
ditı́v, nem szigma-additı́v.) Most már valóban mondhatjuk,
hogy egyetlen pont – például középpont – választásának esé-
lye ténylegesen kisebb, mint két pont közül valamelyik kivá-
lasztásának esélye: a különbség egy infinitezimális.
8.4. Megjegyzés
Newton a természet törvényeit igyekezett matematikai for-
mába önteni, és ı́gy jutott el a véges és végtelen birodalmának
határára, Robinson viszont magát a végtelent ragadta meg
(G. Cantor és mások példáját követve) és tette „otthonossá”
a mindennapi matematika számára.
8.5. Irodalom
A. Robinson: Non-standard analysis, Proc. Nederl. Akad. We-
tensch. 64, 432–440, 1961.
A. Robinson: Non-standard analysis, North-Holland, Ams-
terdam, 1966.
W. A. J. Luxemburg (ed.): Applications of model theory to al-
gebra, analysis, and probability, Holt, Rinehart and Winston,
New York, 1969.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
9. A korlátlanul osztható eloszlások egy

paradoxona
B. de Finetti vezette be a korlátlanul osztható valószı́nűségel-
oszlásokat 1929-ben. Egy F valószı́nűségeloszlás akkor kor-
látlanul osztható, ha minden n természetes számhoz létezik
n darab olyan független, azonos eloszlású valószı́nűségi vál-
tozó, amelyek összegének eloszlásfüggvénye éppen F . Ha
két, egymástól független valószı́nűségi változó eloszlásfügg-
vénye F1 , illetve F2 , akkor jelölje összegük eloszlásfüggvé-
nyét (amelyet F1 és F2 egyértelműen meghatároz): F1 ∗ F2 .
Ennek a ∗ műveletnek a neve konvolúció. Nyilvánvaló, hogy
(F1 ∗ F2 ) ∗ F3 = F1 ∗ (F2 ∗ F3 ),
F1 ∗ F2 = F2 ∗ F1
(ami az algebra nyelvén azt jelenti, hogy az eloszlásfüggvé-

nyek a konvolúció műveletével egy kommutatı́v félcsopor-
tot alkotnak). A konvolúció műveletére nézve egy F eloszlás-
függvény (az előbbi definı́ció szerint) akkor korlátlanul oszt-
ható, ha minden n természetes számhoz van olyan Fn elosz-
lásfüggvény, hogy
F ∗ Fn ∗ . . . ∗ Fn = F.
|n {z }
n-szer
Például az eddig megismert eloszlások közül korlátlanul oszt-

ható a normális eloszlás, a Poisson-eloszlás és az exponen-
ciális („örökifjú”) eloszlás. A korlátlanul osztható eloszlások
legfontosabb valószı́nűségszámı́tási szerepe az, hogy éppen
ezek az eloszlások lépnek fel független valószı́nűségi válto-
zók összegeinek határeloszlásaként (a normális és a Poisson-
eloszlásnak ezt a tulajdonságát már láttuk is). H. Cramer 1936-
ban megmutatta, hogy ha két eloszlás konvolúciója normá-
lis eloszlás, akkor mindkét eloszlás is szükségképpen normá-
lis. Két évvel később ugyanezt az eredményt igazolta Raikov
a Poisson-eloszlásokra. Tulajdonképpen már ezek az eredmé-
nyek is eléggé meglepőek, hiszen azt állı́tják, hogy normá-
lis eloszlást csak normálisakra, Poisson-eloszlást pedig csak

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
Poisson-eloszlásokra lehet „szétbontani”. Ennél is meglepőbb

viszont, hogy korlátlanul osztható eloszlásokat igenis fel le-
het bontani nem korlátlanul oszthatókra.

Léteznek olyan eloszlásfüggvények, amelyek nem korlátla-
nul oszthatók, de konvolúciójuk már korlátlanul osztható.

Bebizonyı́tjuk azt, hogy az exponenciális eloszlás felbontható
nem korlátlanul osztható eloszlások konvolúciójára. Vizsgál-
juk a λ = 1 paraméterű exponenciális eloszlást, amelynek
sűrűségfüggvénye e−x , ha x > 0, negatı́v x-ekre pedig azo-
nosan 0. Ez az eloszlás valóban korlátlanul osztható, n-edré-
sze (vagyis az az eloszlás, amelynek önmagával való n-szeres
konvolúciója éppen az emlı́tett exponenciális eloszlás) egy
ún. gamma-eloszlás, amelynek sűrűségfüggvénye:
µ ¶
1/n−1 −x 1
x e /Γ ,
n
ha x > 0, negatı́v x-ekre pedig azonosan 0. Az exponen-
ciális eloszlás azonban nemcsak gamma-eloszlásokra bont-
ható fel (amelyek szintén korlátlanul oszthatóak), hanem két
olyan eloszlás konvolúciójára is, amelyek közül az egyik csak
a k = 0, 1, 2, . . . értékeket veszi fel, mégpedig 2−2(k+1) va-
lószı́nűséggel, a másik eloszlás pedig a (0, 1) intervallumra
van koncentrálva, vagyis lehetséges értékei éppen a (0, 1) in-
tervallum számai. Ez utóbbi eloszlás nem korlátlanul oszt-
ható [az (i) megjegyzés szerint egyetlen korlátos valószı́nű-
ségi változó eloszlása sem az], ı́gy annyit máris tudunk, hogy
korlátlanul osztható eloszlásnak lehet nem korlátlanul oszt-
ható konvolúció tényezője. Az exponenciális eloszlás imént
kapott két tényezője azonban tovább is bontható egészen ad-
dig, hogy végül is minden tényező két pontra legyen kon-
centrálva: a 0-ra és a 2-nek valamilyen egész kitevős hatvá-
nyára. Ezek az eloszlások (mint minden két pontra koncent-
rált eloszlás) már nemcsak hogy nem korlátlanul oszthatóak,
hanem éppen ellenkezőleg: irreducı́bilisek, azaz egyáltalán

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
nem bonthatók fel konvolúcióra (kivéve, ha valamelyik té-

nyező elfajult, azaz csak egyetlen számra koncentrálódik).
9.4. Megjegyzések
(i) Bebizonyı́tjuk, hogy korlátos valószı́nűségi változók elosz-

lása nem lehet korlátlanul osztható, kivéve, ha a valószı́nű-
ségi változó elfajult, azaz 1 valószı́nűséggel csak egyetlen ér-
téket vesz fel (0 a szórása). Ha az X valószı́nűségi változó
korlátos, akkor van olyan K szám, hogy |X| < K, ha pe-
dig X eloszlásfüggvénye korlátlanul osztható, akkor vannak
olyan független azonos eloszlású X1 , X2 , . . . , Xn valószı́nű-
ségi változók, hogy X1 + X2 + . . . + Xn és X eloszlásfüggvé-
nyei megegyeznek. Minthogy független valószı́nűségi válto-
zók szuprémumai és szórásnégyzetei
√ is összeadódnak, ezért
|Xi | < K/n, és D(Xi ) = D(X)/ n, ı́gy ha D(X) nem volna 0,
akkor elég nagy n esetén az Xi szórása nagyobb lenne, mint
|Xi | szuprémuma, ami lehetetlen. Ezek szerint, ha X korlátos
és korlátlanul osztható is, akkor X szórása 0, vagyis X való-
ban elfajult.
(ii) A már emlı́tett normális, Poisson- és gamma-eloszláson
kı́vül korlátlanul osztható például a log-normális eloszlás (az
olyan pozitı́v valószı́nűségi változó eloszlása, amelynek lo-
garitmusa normális eloszlás; erre vonatkozóan l. Thorin cik-
két), a Student-féle t-eloszlás (l. Grosswald és Epstein cikkét), a
Cauchy-eloszlás (két független normális eloszlású valószı́nű-
ségi változó hányadosának eloszlása; l. Lukács könyvét).
(iii) Az exponenciális eloszlás példája azt mutatja, hogy
van olyan korlátlanul osztható eloszlás, amelyik felbontható
(megszámlálhatóan) végtelen sok irreducı́bilis eloszlás kon-
volúciójára. Még érdekesebb, hogy olyan korlátlanul osztható
eloszlás is létezik, amely felbontható már két irreducı́bilis el-
oszlás konvolúciójára is.
(iv) A korlátlanul osztható eloszlásokat Kolmogorov, Lévy és
Hincsin már az 1930-as években jellemezte. Könnyű megmu-
tatni, hogy ha például az X1 , X2 , X3 , . . . független, azonos el-
oszlású valószı́nűségi változók lehetséges értékei a nemnega-
tı́v egész számok és az N Poisson-eloszlású valószı́nűségi vál-
tozó független az X-ektől, akkor az X1 + X2 + . . . + Xn vé-

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
letlen tagszámú összeg eloszlása korlátlanul osztható, ugyan-

akkor Lévy és Hincsin tételéből az is következik, hogy min-
den korlátlanul osztható eloszlás (amely a nemnegatı́v egész
számokra van koncentrálva) csak ilyen lehet. Annak ellenére,
hogy a korlátlanul osztható eloszlások jellemzése már több
mint 40 éves klasszikus eredmény, mindmáig nem sikerült
jellemezni azokat a korlátlanul osztható eloszlásokat, ame-
lyeknek csak korlátlanul osztható konvolúciótényezőjük le-
het (a normális és a Poisson-eloszlás ilyen, de például az ex-
ponenciális eloszlás – mint láttuk – nem).
(v) A korlátlanul oszthatóság a valószı́nűségszámı́tásban
nemcsak a konvolúcióval kapcsolatban szerepel. Más fontos
műveletek is értelmezhetőek az eloszlások, illetve eloszlás-
függvények között, például két független F1 (x), illetve F2 (x)
eloszlásfüggvényű valószı́nűségi változó maximumának el-
oszlásfüggvénye F1 (x) és F2 (x) szorzata: F1 (x)F2 (x), ı́gy ért-
hető, hogy az eloszlásfüggvények szorzata is igen gyakran
szerepel a valószı́nűségszámı́tási vizsgálatokban, például a
megbı́zhatóságelméletben, ha a párhuzamosan kapcsolt al-
katrészek közül a maximális élettartamúnak a valószı́nűség-
eloszlására vagyunk kı́váncsiak. Nyilvánvaló, hogy a szor-
zásra nézve minden F (x) eloszlásfüggvénypkorlátlanul oszt-
ható, hiszen minden n természetes számra n F (x) is eloszlás-
függvény. A szorzásra nézve korlátlanul osztható eloszlások
problémája azonban csak 1 dimenzióban ilyen triviális. Ha
F (x, y) egy kétdimenziós (kétváltozós)
p eloszlásfüggvény, ak-
kor már nem biztos, hogy n F (x, y) is eloszlásfüggvény lesz.
Ezzel a problémával foglalkozik Balkema és Resnick alább idé-
zett cikke.
9.5. Irodalom
E. Lukács: Characteristic functions, Griffin, London, 1960.

M. Fisz: Infinitely divisible distributions: recent results and
applications, Annals of Math. Statist, 33, 68–84, 1962.
E. Grosswald: The Student t-distribution of any degree of
freedom is infinite divisible, Zeitsch’ Wahrsch’ Theorie Verv.
Geb., 36, 103–109, 1976.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
B. Epstein: Infinite divisibility of Student’s t-distribution,

Sankhyâ; Ser. B; 39, 103–120, 1977.
O. Thorin: On the Infinite divisibility of the lognormal dist-
ribution, Scand. Acturial J. 121–148, 1977.
L. Bondesson: A general result of Infinite divisibility, 7, 965–
979, 1979.
F. W. Steutel: Infinite divisibility in theory and practice,
Scand. J. Statist. 6, 57–64, 1979.
A. A. Balkema–S. I. Resnick: Max-infinite divisibility, J. Appl.
Prob. 14, 309–319, 1977.
V. M. Zolomarev: ObxaÂ teoriÂ peremno¼eniÂ neza-
visimyh sluqa½nyh veliqin, Dokl. Akad. Nauk. SSSR
142, 388–389, 1962.
G. J. Székely: On multiplicative infinite divisibility, Proc.
7th Brasov Conference on Propability Theory, August 29–
September 4, 1982, Acad. Publ. Bucuresti, 579-582, 1984.
F. Göndőcs–G. Michaletzky–T. Móri–G. J. Székely: A characte-
rization of infinitely divisible Markov chains with finite state
space, Annales Univ. Sci. Budapest Sect. Math. 27, 137–141,
1985.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
10. Karakterizációs paradoxonok

A kezdeményező szerep itt is – mint a matematika oly sok
más területén – a magyar származású Pólya Györgyé. 1923-ban
megjelent cikkében azt a problémát vizsgálta, hogy ha X és
Y független azonos eloszlású valószı́nűségi változók, akkor
előfordulhat-e, hogy aX + bY is ugyanolyan eloszlású, mint
X és Y , ahol a és b pozitı́v számok. Hosszú szünet után a kö-
vetkező – matematikai statisztikai szempontból is – kiemel-
kedő eredmény csak 1936-ban született meg, amikor R. C.
Geary azoknak az F eloszlásoknak a jellemzéséhez kezdett,
amelyekre teljesül, hogy ha az X1 , X2 , . . . , Xn változók füg-
getlenek és F eloszlásúak, akkor
X1 + X2 + . . . + Xn
X̄ =
n
és
n
X
S= (Xi − X̄)2
i=1
is függetlenek. 1939-ben M. Kac, 1941-ben pedig S. N. Berns-

tein egymástól függetlenül azt a kérdést válaszolták meg,
hogy ha X és Y független azonos eloszlásúak, akkor milyen
esetben lehet X +Y és X −Y egymástól független. Az 1940-es
évek óta a fejlődés jelentősen felgyorsult, és a karakterizációk
ma már a valószı́nűségszámı́tás elméletileg is és gyakorlati
szempontból is igen fontos fejezetévé fejlődtek olyan kiemel-
kedő matematikusok közreműködésével, mint Ju. V. Linnyik,
E. Lukács, A. A. Zinger és C. R. Rao.

Legyenek X1 , X2 , . . . , Xn egymástól független, azonos elosz-
lású valószı́nűségi változók. Előfordulhat-e, hogy Y = f (X1 ,
X2 , . . . , Xn ) és Z = g(X1 , X2 , . . . , Xn ) azonos eloszlásúak,
ha f és g egymástól különböző – például lineáris – függvé-
nyek? Lehetséges-e, hogy ilyenkor Y és Z független egymás-
tól? Bizonyos esetekben természetesen nyilvánvaló a válasz;
ha például f (és ı́gy Y is) azonosan konstans, akkor bármi is

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
a g függvény, Y és Z függetlenek lesznek. „Általában” azon-

ban azt várnánk, hogy Y és Z se azonos eloszlású, se füg-
getlen nem lehet. Érdekes módon azonban éppen a legfonto-
sabb esetekben akad kivétel, mégpedig a leggyakoribb való-
szı́nűségeloszlás: a kivétel ugyanis az, amikor az Xi -k normá-
lis eloszlásúak. Ha például X1 és X2 egy sı́kban mozgó pont
sebességvektorának koordinátái és X1 , X2 egymástól függet-
len, standard normális eloszlású, akkor a mozgási energiá-
val arányos Y = X12 + X22 és a mozgás irányát meghatározó
Z = X2 /X1 függetlenek egymástól. Az effajta tulajdonságok
igen gyakran karakterizálják is a normális eloszlást (vagy más
fontos eloszlásokat).

Legyen például f és g is lineáris függvény, azaz legyen
n
X n
X
Y = ai Xi és Z= bi X i .
i=1 i=1
Ha vannak olyan ai és bi számok, hogy ai bi nem mindig 0 és

ai nem is mindig egyenlő bi -vel, de Y és Z mégis azonos el-
oszlásúak, továbbá az Xi változóknak minden momentumuk
véges (azaz E(|Xi |k ) minden k természetes számra véges),
akkor az Xi -k eloszlása normális eloszlás. J. Marcinkiewicznek
ez a tétele Pólya 1923-as tételét általánosı́tja. (További mély-
reható általánosı́tás Linnyiktől származik; erre vonatkozóan
Kagan–Linnyik–Rao könyvét érdemes ajánlani.) G. Darmois
és V. R. Szkitovics tétele ugyanakkor arra mutat rá, hogy ha
n
X n
X
Y = ai Xi és Z= bi X i
i=1 i=1
függetlenek, és ai bi nem mindig 0, akkor az Xi -k eloszlása

szintén normális.
A nemlineáris függvények közül a matematikai statisztika
szempontjából különösen fontos Geary tételének a továbbfej-
lesztése, miszerint ha X̄ és S függetlenek, továbbá n legalább
2, akkor az Xi -k eloszlása ugyancsak normális.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
10.4. Megjegyzés
Eloszlások egy-egy családjának (például a normális eloszlá-
soknak) a karakterizációjára számos más érdekes és termé-
szetes út is kı́nálkozik. Az exponenciális eloszlásokat például
azzal lehet jellemezni, hogy a (0, ∞) intervallumon értelme-
zett eloszlások közül ennek az eloszlásnak a legnagyobb, a
Z
− f (x) log2 f (x)dx
képlettel értelmezett entrópiája [f (x) a sűrűségfüggvényt je-

löli] az olyan eloszlások körében, amelyeknek adott a vár-
ható értékük. A (−∞, ∞) intervallumon adott várható érték
és szórás mellett viszont a normális eloszlás a maximális ent-
rópiájú. Véges intervallumon pedig (minden feltétel nélkül)
az egyenletes eloszlás entrópiája a maximális.
10.5. Irodalom
G. Pólya: Verteilung des Gauss’schen Fehlergesetzes aus einer
Funktinalgleichung, Math. Zeit. 18, 96–108, 1923.
A. M. Kagan–Yu. V. Linnyik– C. R. Rao: Characterization
problems in mathematical statistics, Wiley, New York, 1973.
(A könyv eredetileg oroszul jelent meg 1972-ben.)
J. Galambos–S. Kotz: Characterizations of probability distri-
butions, Springer, Berlin–Heidelberg–New York, 1978.
A. M. Mathai–G. Pederzoli: Characterizations of the normal
probability law, Wiley E. L., New Delhi–Bangalore–Bombay,
1977.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
11. Faktorizációs paradoxonok

A klasszikus valószı́nűségszámı́tás legalapvetőbb tételei (a
nagy számok törvényei, a határeloszlás-tételek) független va-
lószı́nűségi változók összegeinek eloszlását vizsgálják az ösz-
szeadandók tulajdonságai alapján. Ezeknek a „kompozı́ciós”
tételeknek az ellentétei a „dekompozı́ciós” vagy „faktorizá-
ciós” tételek, amelyekben az összeg eloszlása az ismert, és a
lehetséges összeadandók, a faktorok iránt érdeklődünk. Ilyen
dekompozı́ciós eredmény például a már emlı́tett Cramer-té-
tel, amely szerint egy normális eloszlásnak minden faktora is
normális eloszlású. A kompozı́ciós és dekompozı́ciós tételek-
ben egyaránt alapvető szerepet játszik a valószı́nűségi válto-
zók karakterisztikus függvénye. Egy X valószı́nűségi változó
karakterisztikus függvénye
√ az eitX komplex értékű valószı́nű-
ségi változó (i = −1 és t tetszőleges valós szám) várható
értéke (mint t függvénye): ϕX (t) = E(eitX ). Minden való-
szı́nűségi változónak létezik karakterisztikus függvénye, és
ez a karakterisztikus függvény egyértelműen meghatározza
a valószı́nűségi változó eloszlását, továbbá független való-
szı́nűségi változók összegének karakterisztikus függvénye az
összeadandók karakterisztikus függvényeinek szorzata. E tu-
lajdonságok kétségkı́vül érthetővé teszik a karakterisztikus
függvények jelentőségét a kompozı́ciós és faktorizációs prob-
lémák megoldásában. A karakterisztikus függvények valószı́-
nűségszámı́tási jelentőségét már a századforduló idején fel-
ismerte A. M. Ljapunov orosz matematikus. Az 1920-as évek-
től kezdve – különösen Pólya György és Paul Lévy munkássága
nyomán – használatuk általánossá vált a kompozı́ciós felada-
tok megoldásában. Az 1930-as évektől kezdve – különösen
Cramer, Hincsin és Raikov tételei nyomán – a faktorizációknak
is óriási irodalma született. A meglepő eredmények, parado-
xonok itt sem maradtak el. Ilyenek az alábbiak is.

(i) Vannak olyan X, Y és Z független valószı́nűségi válto-
zók, hogy X + Y valószı́nűségeloszlása ugyanaz, mint X +
Z valószı́nűségeloszlása, de Y és Z eloszlása nem ugyanaz.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
Ez a tény – amelyre először Hincsin mutatott rá 1937-ben

– azért meglepő, mert ha X korlátos valószı́nűségi változó
vagy ha a karakterisztikus függvénye sehol sem 0 (például ha
korlátlanul osztható), akkor Y és Z eloszlásának is meg kell
egyeznie. Hincsin paradoxona miatt általában nincs értelme
arról beszélni, hogy ha egy valószı́nűségeloszlásnak valame-
lyik faktorát elhagyjuk, akkor „mi marad”, mert a „maradék”
általában nem egyértelmű. Ez a tény rendkı́vül sok nehézsé-
get okoz a valószı́nűségeloszlások algebrájában. Ugyanakkor
azonban érdemes hangsúlyozni: van értelme arról beszélni,
hogy ha egy eloszlásnak elhagyjuk a normális faktorát, akkor
mi marad, mert a normális eloszlás karakterisztikus függvé-
nye sehol sem 0 (a standard normális eloszlás karakterisztikus
2
függvénye e−t /2 ). Bizonyos óvatosságra azonban normális
faktorok esetén is szükség van. Léteznek ugyanis olyan X
és Y független azonos eloszlású valószı́nűségi változók, ame-
lyeknek nincs pozitı́v szórású normális eloszlású faktoruk, de
az X + Y valószı́nűségi változónak már van. Erre a meglepő
tényre először D. Dugué és R. A. Fisher mutatott rá 1948-ban
(l. az Irodalomban idézett cikküket).
(ii) Legyenek X1 , X2 , . . . , Xn független valószı́nűségi vál-
tozók, amelyek (nem feltétlenül azonos) eloszlása ismeretlen.
Ismerjük azonban az
n
X
Yj = cjk Xn
k=1
(j = 1, 2, . . . , n) lineáris kombinációk eloszlását (cjk tetsző-

leges számokat jelölhet). Ha egyáltalán vannak az X-eknek
olyan eloszlásai, amelyek kielégı́tik ezt az egyenletrendszert
és a (cjk ) mátrix determinánsa nem 0, akkor – minthogy eb-
ben az esetben az Y -ok egyértelműen meghatározzák az X-
eket – arra gondolhatnánk, hogy az X-ek eloszlása is egyér-
telműen meghatározott. Meglepő módon azonban ez egyál-
talán nincs ı́gy, amint arra elsőként 1950-ben Rényi Alfréd mu-
tatott rá.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
(i) Megmutatható, hogy ha a ϕ(t) függvény értéke minden

valós t esetén egy nemnegatı́v valós szám, ϕ(0) = 1, ϕ(−t) =
ϕ(t) és a ϕ(t) függvény grafikonja pozitı́v t értékekre konvex
függvény, amelynek határértéke 0, ha t → +∞, akkor van
olyan valószı́nűségi változó, amelynek ϕ(t) a karakterisztikus
függvénye. Így egyrészt van egy olyan X valószı́nűségi vál-
tozó, amelynek karakterisztikus függvénye 1 − |t|, ha |t| 5 1,
egyébként pedig 0, másrészt vannak olyan Y és Z valószı́-
nűségi változók, amelyek karakterisztikus függvényei meg-
egyeznek a |t| 5 1 intervallumban, de ezen intervallumon kı́-
vül különbözőek. Ha mármost X, Y és Z függetlenek, akkor
nyilvánvalóan
ϕX+Y (t) ≡ ϕX+Z (t),
vagyis X + Y és X + Z azonos eloszlásúak, pedig Y és Z

eloszlásai különbözőek voltak. (Az eloszlások felezésének pa-
radoxonaiban egy másik ilyen példát is látunk.)
A paradoxon állı́tásánál azonban valamivel több is igazol-
ható. Megmutatható ugyanis, hogy ha ψ(t) olyan függvény,
amely periodikus, periódushossza 2, és ψ(t) = 1 − |t|, ha
|t| 5 1, akkor van olyan Y valószı́nűségi változó, amelynek
éppen ez a ψ(t) a karakterisztikus függvénye, ı́gy nyilvánva-
lóan
ϕ(t)ψ(t) ≡ ϕ(t)2 ,
vagyis vannak olyan X, Y és Z független valószı́nűségi válto-

zók is, hogy X + Y eloszlása megegyezik X + Z eloszlásával,
ráadásul X és Z eloszlása is megegyezik, de Y és Z eloszlása
különböző.
(ii) Kétségtelen, hogy ha az Yj valószı́nűségi változók adot-
tak és a kcjk k determináns nem 0, akkor az Xj valószı́nűségi
változók is egyértelműen meg vannak határozva, de az Yj
változókat többféleképpen is meg lehet határozni úgy, hogy
eloszlásuk ugyanaz maradjon, ezért valóban nem biztos,
hogy az Yj -k eloszlása egyértelműen meghatározza az Xj -k
eloszlását, ha csak annyit tételezünk fel, hogy kcjk k nem 0.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
11.4. Megjegyzés
Rényi
° 2 ° megmutatta: általában fel kell tételezni azt is, hogy
°c ° nem 0. Ha azonban tudjuk, hogy
jk
° 2 °
kcjk k 6= 0 és °cjk ° 6= 0,
akkor általános feltételek mellett az unicitás is biztosı́tott (pél-

dául ha Y1 karakterisztikus függvénye 5 másodrendű egész
függvény, és ha egyáltalán van megoldás). Mindezeknek igen
fontos gyakorlati következményük van. A mérési pontosság
paradoxonában ugyanis láttuk, hogy két mennyiséget két
mérésből pontosabban (kisebb szórással) lehet meghatározni,
ha nem külön-külön mérjük le őket, hanem egyszer az össze-
güket, egyszer pedig a különbségüket. Hasonló a helyzet ak-
kor is, ha n különböző X1 , X2 , . . . , Xn ismeretlen mennyiség-
re vagyunk kı́váncsiak: nagyobb pontosság érhető el, ha bi-
zonyos Y1 , Y2 , . . . , Yn lineáris kombinációkat mérjünk meg és
ezekből következtetünk az X-ekre. Általában olyan (cjk ) mát-
rixot célszerű használni, amelyikben minden cjk elem vagy
+1
° 2 °vagy −1. Ebben az esetben azonban nyilvánvalóan
°c ° = 0, ı́gy az Y -ok eloszlása általában nem határozza meg
jk
az X-ek eloszlását. Legyen például
Y1 = X1 + X2 és Y2 = X1 − X2
is standard normális eloszlású. Ekkor biztos, hogy X1 és X2
is normális eloszlású, mégpedig 0 várható értékkel, szórásaik
azonban távolról sincsenek egyértelműen meghatározva:
csak a D2 (X1 ) + D2 (X2 ) = 1 feltételt kell kielégı́teniük.
11.5. Irodalom
W. Feller: An introduction to probability theory and its appli-
cations, Vol: II., Wiley, New York, 1966, XV. fejezet.
A. Rényi: On the algebra of distributions, Publ. Math. 1,
135–149, 1950.
D. Dugué –R. A. Fisher: Un resultat assez inattendu d’arit-
métique des lois des probabilités, C.r. Acad. Sci., 227, 1205–
1207, 1948.
E. Lukács: Characteristic functions, Griffin, London, 1960.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
12. Az irreducı́bilis és a prı́meloszlások

paradoxona
A természetes számok körében alapvetően fontos szerepük

van az olyan számoknak, amelyek nem fejezhetők ki náluk
kisebb egészek szorzataként. Ilyenek például a 2, 3, 5, 7, 11,
13, 17, 19, . . .. Ezek a felbonthatatlan, irreducı́bilis számok ren-
delkeznek az ún. prı́mtulajdonsággal is: ha osztói két termé-
szetes szám szorzatának, akkor biztosan osztói valamelyik té-
nyezőnek is. A természetes számok körében nincs különbség
az irreducı́bilisek és a prı́mek között, ı́gy a 2, 3, 5, 7, . . . számo-
kat mindig csak prı́meknek nevezik. A számelmélet alaptétele
szerint minden 1-nél nagyobb természetes szám vagy prı́m-
szám vagy véges sok prı́mszám szorzatára bontható, és ez a
felbontás a tényezők sorrendjétől eltekintve egyértelmű, ı́gy a
prı́mszámok ugyanolyan alapvető szerepet játszanak a szám-
elméletben, mint az atomok a természettudományokban. Az
„atomokra” bontás a bonyolult struktúrák megismerésének
legtermészetesebb módja, ı́gy érthető, hogy a múlt század óta
az irreducibilitás és a prı́mtulajdonság fogalmát is kiterjesz-
tették általános algebrai struktúrákra. A valószı́nűségeloszlá-
sok körében is értelmezhetők ezek a fogalmak: a természetes
számok szerepét a valószı́nűségeloszlások veszik át, a szorzás
szerepét pedig a konvolúció (a konvolúció definiálása megta-
lálható „A korlátlanul osztható eloszlások paradoxoná”-ban).
Egy F eloszlás irreducı́bilis, ha F = G ∗ H csak úgy lehetsé-
ges, ha vagy G vagy H elfajult eloszlás (azaz 1 valószı́nűség-
gel egyetlen pontra koncentrált; ezek az eloszlások játsszák
az egység szerepét). Egy F eloszlás prı́m, ha csak akkor fak-
tora G ∗ H-nak, ha faktora vagy G-nek vagy H-nak. Hin-
csin 1937-ben bizonyı́tott tétele szerint minden eloszlás véges
vagy legfeljebb megszámlálható sok irreducı́bilis és egy kor-
látlanul osztható eloszlás konvolúciója, pontosabban minden
ϕ(t) karakterisztikus függvény előállı́tható
Y
ϕ(t) = ψ(t) ϕi (t)
i

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
alakban, ahol ψ(t) egy korlátlanul osztható, ϕi (t) pedig irre-

ducı́bilis eloszlások karakterisztikus függvénye. Itt is létezik
tehát valamiféle alaptétel, amely hasonlı́t a számelmélet alap-
tételéhez. Van azonban egy lényeges különbség: a felbontás a
valószı́nűségeloszlások körében nem egyértelmű. Ha például
egy F eloszlás a 0, 1, 2, 3, 4, 5 értékeket ugyanolyan: 1/6 va-
lószı́nűséggel veszi fel, akkor F kétféleképpen is felbontható
irreducı́bilis eloszlások konvolúciójára: az egyik felbontásban
az első tényező a 0 és 1, a második tényező a 0, 2, 4 értékeket
veszi fel egyforma valószı́nűségekkel, a másik felbontásban
pedig az első tényező a 0 és 3, a második tényező 0, 1, 2 ér-
tékeket veszi fel egyforma valószı́nűségekkel. Már ez a több-
értelműség is mutatja, hogy a számelmélet és a valószı́nűség-
eloszlások „aritmetikája” közötti analógia nem tökéletes. Az
alábbi paradoxon még szélesebb szakadékra hı́vja fel a figyel-
met.

A valószı́nűségeloszlások a konvolúció műveletével olyan
struktúrát alkotnak, amelyben rengeteg irreducı́bilis eloszlás
van (például bármely két pontra koncentrált eloszlás ilyen),
prı́meloszlás azonban egyáltalán nincs. Tehát ha valóban a
prı́meket képzeljük a valószı́nűségeloszlások „atomjainak”,
akkor egyáltalán nincsenek „atomok”. Erre a tényre először
1979-ben Ruzsa Z. Imrével közösen hı́vtuk fel a figyelmet.

Az, hogy a prı́mek és az irreducı́bilisek általában nem ugyan-
azok, egyáltalán nem meglepő, csak azért tűnhet annak, mert
a legelőször vizsgált és legfontosabb struktúrában: a termé-
szetes számoknak a szorzással ellátott algebrai struktúrájá-
ban e két fogalom valóban ugyanaz. Általában azonban csak
annyit mondhatunk, hogy a prı́mek mindig irreducı́bilisek,
de fordı́tva ez egyáltalán nem szükségszerű. Lényegében vé-
ve az irreducı́bilisek és a prı́mek egybeesése azt jelenti, hogy a
felbontási alaptételben a felbontás egyértelmű. Azt már Hin-
csin is tudta, hogy a valószı́nűségeloszlások konvolúcióstruk-
túrájában az irreducı́bilisekre történő felbontás nem egyér-

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
telmű, vagyis tudta, hogy nem minden irreducı́bilis eloszlás

prı́m. Minthogy a Ruzsa–Székely cikk szerint ebben a struk-
túrában egyáltalán nincsenek prı́mek, kiderült, hogy az ir-
reducı́bilisek és a prı́mek kapcsolatában a természetes szá-
mok szorzási és a valószı́nűségeloszlások konvolúcióstruktú-
rája éppen a két ellentétes véglet.
12.4. Megjegyzés
Nevezzünk két eloszlást: F -et és G-t relatı́v prı́mnek, ha csak
akkor lehet F és G is ugyanannak a H eloszlásnak faktora, ha
F ∗ G is faktora H-nak. Idézett cikkünkben bebizonyı́tottuk,
hogy korlátos (nem elfajult) eloszlások nem lehetnek relatı́v
prı́mek, és szinte bizonyos az is, hogy relatı́v prı́mek egyál-
talán nem is létezhetnek, ez azonban megoldatlan probléma
maradt.
12.5. Irodalom
Ju. V. Linnyik–I. V. Ostrovskij: Decomposition of random vari-
ables and vectors, Translations of Mathematical Monographs,
48, American Mat. Soc., Providence, 1977.
I. Z. Ruzsa–G. J. Székely: No distribution is prime, Zeitsch’
Wahrsch. v. Geb. 70, 263-269, 1985.
I. Z. Ruzsa–G. J. Székely: Theory of decomposition in semig-
roups, Advances in Math. 56, 9-27, 1985 és 60, 235-236, 1986.
I. Z. Ruzsa–G. J. Székely: Algebraic Probability Theory, Wi-
ley, New York, 1988.
A. Zempléni: On the heredity of Hun and Hungarian pro-
perty, J. Theoret. Probab. 3/ 4, 599–609, 1990.
A. Zempléni: In the max-semigroup of probability distribu-
tions over the plane there is no Khinchine-type decomposi-
tion theorem, Studia Sci. Math. Hungar. 30/3-4, 303–311, 1995.
G. J. Székely–A. Zempléni: A direct decomposition of the
convolution semigroup of probability distributions., Studia
Sci. Math. Hungar. 33/1-3, 299–304, 1997.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
13.1. Az eloszlások felezésének paradoxonai
Legyenek X és Y egymástól független azonos eloszlású va-
lószı́nűségi változók. Az X + Y eloszlásának ismerete általá-
ban nem határozza meg egyértelműen az X és Y (közös) el-
oszlását, vagyis ebben az értelemben nem egyértelmű a való-
szı́nűségeloszlások felezése. Ez a többértelműség azért meg-
lepő, mert a gyakorlatban használt eloszlásoknak általában
egyértelműen meghatározható az n-edrészük (ha egyáltalán
létezik), például a korlátlanul osztható eloszlásoknak mindig
egyértelműen létezik az n-edrészük. Nézzünk azonban most
egy példát az emlı́tett paradox többértelműségre.
Ha egy valószı́nűségi változó csak a 2k + 1 értékeket veheti
fel (k = 0, ±1, ±2, . . .) mégpedig
4
π 4 (2k + 1)2
valószı́nűségekkel, akkor ϕ(t) karakterisztikus függvénye 2π
szerint periodikus és a −π 5 t 5 π intervallumban ϕ(t) =
1− 2|t|
π . Definiáljunk most egy másik valószı́nűségi változót is,
amelyik a 0-t 1/2 valószı́nűséggel veszi fel, a 4k + 2 értékeket
pedig
2
π 2 (2k + 1)2
valószı́nűségekkel. Ennek ψ(t) karakterisztikus függvénye is
periodikus, periódushossza π, és a −π/2 5 t 5 π/2 inter-
vallumon ψ(t) = 1 − 2|t| π . Nyilvánvalóan ψ(t) = |ϕ(t)|, ı́gy
ψ(t)2 = ϕ(t)2 , tehát ha X + Y eloszlásának karakterisztikus
függvénye ψ(t)2 = ϕ(t)2 , akkor X és Y (közös) karakterisz-
tikus függvénye akár ϕ(t), akár ψ(t) is lehet, ı́gy eloszlásuk
valóban nincs egyértelműen meghatározva. Egyébként nyil-
vánvaló, hogy
ϕ(t) + ψ(t)
2
is karakterisztikus függvény és
ϕ(t) + ψ(t) ϕ(t) + ψ(t)
ϕ(t) = ψ(t),
2 2

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
ami újabb példát ad az első faktorizációs paradoxonra, hiszen

nem lehet ϕ(t)+ψ(t)
2 -vel egyszerűsı́teni.
Olyan α(t) karakterisztikus függvény is készı́thető, amely
nem minden t-re valós értékű, de α(t)2 már mindig valós.
Eszerint létezik olyan valószı́nűségeloszlás, amelyik a 0 pont-
ra szimmetrikus (pl. szimmetrikus a sűrűségfüggvénye a 0-
ra), de a „fele” már nem, abban az értelemben, hogy léteznek
olyan X és Y független azonos eloszlású valószı́nűségi vál-
tozók, hogy X + Y szimmetrikus eloszlású, de X és Y nem.
(Korlátos valószı́nűségi változók körében ez nem fordulhat
elő.)
13.2. Patologikus valószı́nűségeloszlások

(i) Legyen egy valószı́nűségi változó eloszlásfüggvénye a kö-
vetkező tulajdonságú F függvény:
F (0) = 0, F (1) = 1
és
∞
X
x= 2−ar
r=0
esetén (a0 < a1 < a2 < . . . pozitı́v egészek)

∞
X
F (x) = ar (1 + a)−ar ,
r=0
ahol a tetszőleges pozitı́v szám. L. Takács (American Math.

Monthly, 85, 35–37, 1978) megmutatta, hogy F (x) a (0, 1) in-
tervallumon mindig szigorúan monoton növő és folytonos
függvény. Az a = 1 esetben F (x) = x a (0, 1) intervallu-
mon, vagyis a valószı́nűségi változó egyenletes eloszlású, sű-
rűségfüggvénye a (0, 1) intervallumon azonosan 1, azonkı́-
vül pedig azonosan 0. Meglepő módon azonban a valószı́nű-
R x ha a 6= 1,
ségi változónak sohasem létezik sűrűségfüggvénye,
vagyis nincs olyan f függvény, amellyel F (x) = −∞ f (u)du
lenne. Az ilyen patologikus valószı́nűségi változók létezésé-
ről nem szabad megfeledkeznünk, bár kétségkı́vül a leggya-
koribb folytonos valószı́nűségeloszlások sűrűségfüggvénnyel

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
is rendelkeznek. Érdekes pl., hogy ha egy egyenletes elosz-

lású valószı́nűségi változót előállı́tunk két független, folyto-
nos eloszlásfüggvényű valószı́nűségi változó összegeként,
akkor mindkettő szükségképpen patologikus, azaz nincs sű-
rűségfüggvénye.
(ii) Legyen az X és Y valószı́nűségi változók együttes sű-
rűségfüggvénye
|x| 2 2
h(x, y) = √ e−(|x|+x y /2) .
2 2π
Ekkor X sűrűségfüggvénye
Z +∞ ½
0, ha x = 0,
f (x) = h(x, y)dy = 1 −|x|
−∞ 2e , ha x 6= 0.
Nyilvánvaló, hogy h folytonos, az f viszont a 0-ban nem. L. E.

Clarke (The American Math. Monthly, 82, 845–846, 1975) olyan
példát is konstruált, amelyben h mindenütt folytonos, az f
viszont sehol sem! Azt azonban könnyű megmutatni, hogy f
minden esetben szükségképpen alulról félig folytonos
h i
0
azaz lim f (x ) = f (x) ,
0 x →x
sőt, ha egy nemnegatı́v, alulról félig folytonos f függvény

integrálja az egész számegyenesen 1, akkor mindig létezik
olyan h(x, y) folytonos sűrűségfüggvény, hogy
Z ∞
f (x) = h(x, y)dy.
−∞
(Irod.: M. J. Pelling–A. Verbeek: On marginal density functi-

ons of continuous densities II, The American Math. Monthly,
84, 364–365, 1977 May.)
13.3. Az újságárus paradoxona

Egy újságárus naponta N napilapot rendel eladásra. Minden
egyes eladott lap után a haszna b forint, az eladatlan újsá-
gok után viszont darabonként c forint a vesztesége. Hogyan

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
válassza meg N -et, hogy nyeresége maximális legyen? A vá-

sárlók száma természetesen függ a véletlentől. Tételezzük fel,
hogy ez a szám Poisson-eloszlású valamilyen λ paraméterrel,
azaz λn e−λ /n! annak a valószı́nűsége, hogy éppen n vásárló
érkezik. Ha például b = 1 Ft, c = 2 Ft és λ = 10, azaz átlagosan
10 vásárló érkezik, akkor kiszámı́tható, hogy az az optimális,
ha az árus csak 9 újságot rendel. Nyilvánvaló azonban, hogy
ha mindig csak 9 újságot raktároz, akkor idővel lecsökken 9-
re a vásárlók átlagos száma is; ez esetben viszont már csak 8
újság raktározása lenne optimális stb. Ennek a paradox hely-
zetnek a magyarázata nyilvánvalóan az, hogy figyelembe kell
venni azt a veszteséget is, amit egy csalódottan távozó „po-
tenciális vásárló” elvesztése okoz. Legyen d Ft az a veszteség,
ami akkor éri az újságárust, ha valakit nem tud kiszolgálni. (A
d szám értéke nem állapı́tható meg ugyanolyan egyszerűen,
mint a b és c értéke, ezért – sajnos – nemritkán meg is feled-
keznek róla, ami a vásárlások során sok bosszúságot okozhat.)
Ha például d = 1 Ft, akkor λ = 10 esetén N optimális értéke
is 10.
(Irod.: P. M. Morse–G. E. Kimball: Methods of operations re-
search, Wiley, New York, 1951.)
13.4. Kesten paradoxona

A nagy számok Kolmogorov-féle erős törvénye szerint, ha X1 ,
X2 , X3 , . . . független, azonos eloszlású valószı́nűségi válto-
zók, az
X1 + X2 + . . . + Xn
X̄n =
n
átlagok sorozata akkor és csak akkor konvergál 1 valószı́nű-
séggel egy M konstanshoz, ha az Xi valószı́nűségi változók-
nak létezik várható értékük, és ez esetben M éppen a vár-
ható érték. Ha tehát M létezik, akkor az X̄n sorozat 1 való-
szı́nűséggel nagyon „szabályosan” viselkedik: egyetlen torló-
dáspontja M . Mennyire lehet azonban „szabálytalan” az X̄n
abban az esetben, ha M nem létezik? Harry Kesten 1970-ben
bebizonyı́totta azt a tételt, hogy X̄n torlódási pontjainak hal-
maza 1 valószı́nűséggel tetszőleges (véletlentől nem függő)
zárt halmaz lehet, amely tartalmazza a −∞-t és a +∞-t! Ezek

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
szerint a torlódási pontok halmaza akár az egész számegye-

nes is lehet, bár mindmáig nem ismeretes, hogy ehhez milyen
tulajdonságúnak kell lenni az Xi -k eloszlásfüggvényének.
(Irod. H. Kesten: The limit points of a normalized random
walk, Annals of Math. Statist. 41, 1173–1205, 1970.)
13.5. A sztochasztikus gejzı́r paradoxona

Rényi Alfréd 1962-ben a következő kérdést vetette fel. Ha egy
gejzı́r egymás utáni kitörései közötti időtartamok egymástól
független, azonos eloszlású X1 , X2 , . . . valószı́nűségi válto-
zók, akkor az Sn = X1 + X2 + . . . + Xn kitörési időpon-
tok sorozatát legfeljebb mekkora hibával szabad mérni, ha
ezekből a mérésekből szeretnénk meghatározni az Xi -k isme-
retlen eloszlását (1 valószı́nűséggel)? Ez a kérdés nyilvánva-
lóan szoros kapcsolatban áll a következő feladattal. Legyenek
Sn = X1 + X2 + . . . + Xn és Tn = Y1 + Y2 + . . . + Yn füg-
getlen azonos eloszlású valószı́nűségi változók részletössze-
gei (az X-eknek nem kell függetlennek lenni az Y -októl). Ha
az X-ek és Y -ok eloszlása nem azonos, akkor mennyire jól
tudja megközelı́teni az Sn sorozat a Tn -et? A nagy számok
erős törvénye szerint, ha (Sn − Tn )/n 0-hoz konvergál, akkor
az X-ek és Y -ok várható értékei (feltéve, hogy léteznek) nem
lehetnek egymástól különbözők (1 valószı́nűséggel). A hı́res
iterált logaritmus tétel szerint, ha az X-eknek létezik szórá-
suk, akkor
Sn − E(Sn )
lim sup √ = D(X), ı́gy
n→∞ 2n ln ln n
√
ha már (Sn − Tn )/ n is 0-hoz konvergál, akkor az X-ek és Y -
ok szórásának is azonosnak kell lenni. Szkorohod és Strassen –
a Brown-mozgás elméletére épı́tő – kutatásai nyomán hama-
rosan megszületett az a sejtés, hogy ha például az X-ek kor-
látosak√és az Y -ok normális eloszlásúak, √
akkor |Sn − Tn | leg-
alább 4 n (ha n elég nagy), ı́gy (Sn − Tn )/ 4 n már nem tarthat
0-hoz (1 valószı́nűséggel). Ennek alapján kialakult√ az a nézet,
hogy a sztochasztikus gejzı́r kitöréseit elegendő 4 n-nél pon-
tosabban mérni. Nagy meglepetést keltett, hogy Révész Pál és
Csörgő Miklós kezdeményező eredményeit követően Komlós

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
János, Major Péter és Tusnády Gábor 1974-ben megmutatták: Sn

annyira jól közelı́thető Tn -nel, hogy még (Sn −Tn )/ ln n is kor-
látos marad. Így a sztochasztikus gejzı́r kitöréseinek regiszt-
rálásában célszerű ln n-nél is kisebb hibára törekedni. Bárt-
fai Pál meg is mutatta, hogy ha a mérési hiba ln n-nel osztva
0-hoz tart, akkor ebből valóban meghatározható az egymás
utáni kitörések közötti időtartamok eloszlása 1 valószı́nűség-
gel. (Irod.: M. Csörgő–P. Révész: Strong approximations is pro-
bability and statistics, Akadémiai Kiadó, Budapest, 1981.)
13.6. A kvantumfizikai valószı́nűség paradoxonai
A valószı́nűségszámı́tási módszerek alkalmazása a fizikában

már a múlt században is általánosan elfogadott volt. A klasszi-
kus statisztikus fizika abból indult ki, hogy nagyszámú ré-
szecskéből álló rendszer egyensúlyi állapota nem más, mint
a rendszer legvalószı́nűbb állapota. A statisztikus fizika mód-
szereit olyan közelı́tésnek tekintették, amely nagyszámú ré-
szecske esetén lehetővé teszi a részecskék pontos mozgását
leı́ró számtalan differenciálegyenlet megkerülését, enélkül is
elegendően pontos leı́rást nyújt a rendszer makroszkopikus
viselkedéséről. A kvantumfizika valószı́nűségi értelmezésé-
vel azonban a véletlen és a valószı́nűség alapvető szerepet
kapott a fizikában, a valószı́nűség többé már nemcsak vala-
miféle közelı́tés lett, amit elvileg meg is lehetne kerülni, ha-
nem ugyanolyan alapvető fogalom, mint például az energia.
A fizikának ez a gyökeres szemléleti változása még a távol-
ról sem konzervatı́v Einsteinnek sem tetszett. Max Bornhoz (aki
éppen a kvantumfizika valószı́nűségi felfogásának kidolgo-
zásáért kapott Nobel-dı́jat) ı́rt levelében ı́gy fogalmaz: „Tudo-
mányos várakozásainkat illetően ellenlábasokká váltunk. Ön
a kockajátékot játszó istenben hisz, én a reális tárgyakkal lé-
tező dolgok világában uralkodó tökéletes törvényekben hi-
szek. . . ”. Born válasza: „Ha isten a világot tökéletes mecha-
nizmusnak tekintette, legalább annyi engedményt tett töké-
letlen értelmünknek, hogy kis részeinek megjóslásához nem
kell számtalan differenciálegyenletet megoldanunk, hanem
meglehetős sikerrel alkalmazhatjuk a dobókockát”. Ma már
kétségkı́vül Born felfogása az uralkodó, a véletlen és a való-

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
szı́nűség teljes polgárjogot nyert a fizikában. Ennek filozófiai

vetülete: a mechanikus determinizmus háttérbe szorulása. A
világ jelenlegi állapotába nincs egyértelműen „belekódolva”,
hogy milyen lesz a jövőbeli állapota. Jelenlegi ismereteink
alapján a jövőbeli eseményeknek csak a valószı́nűsége meg-
határozott. Mindez nem jelent önmagában agnoszticizmust,
mert a véletlen törvényei is megismerhetők (éppen ezzel fog-
lalkozik például a valószı́nűségszámı́tás). A véletlen esemény
„mögötti” tökéletes gépies mechanizmust természetesen nem
ismerhetjük meg, de csak azért nem, mert ilyen mechaniz-
mus általában nincs is. Anyag és véletlen mozgás ugyanis el-
választhatatlanok.
Matematikai szempontból igen érdekes, hogy a kvantum-
fizika valószı́nűségszámı́tása egyáltalán nem a matematikai
valószı́nűségszámı́tás egyszerű alkalmazása a fizikában. A két
elméletnek más az indı́ttatása, más a „lelke”. R. P. Feymann
Nobel-dı́jas fizikus szerint a kvantumfizika törvényei igen jól
megérthetők a szerencsejátékok elméletéből kifejlődött va-
lószı́nűségszámı́tással, ha igen nagy számú részecskére al-
kalmazzuk a valószı́nűségszámı́tási törvényeket, de egyet-
len elektron vagy foton viselkedésének megértésére e törvé-
nyek nem alkalmasak. A de Broglie–Schrödinger-féle hullámok
és a Heisenberg-féle határozatlansági reláció egy új kvantum-
valószı́nűségelmélet kidolgozásához vezetett. Ez az új elmé-
let az 1926–29-es években született meg főként Born munkás-
sága nyomán. Lényegében ugyanebben az időben alakult ki
a Kolmogorov-féle matematikai valószı́nűségelmélet körvo-
nala is. A kétfajta valószı́nűségelmélet kapcsolatának tisztá-
zása csak sokkal később – alig több mint húsz éve – kezdő-
dött meg, főként G. Mackey vizsgálataiban. A kvantumfizika
és a valószı́nűségszámı́tás kapcsolatának tisztázásában alap-
vető jelentősége volt Neumann János korábbi kutatásainak is.
Végül sikerült kialakı́tani olyan általános, egységes valószı́-
nűségelméletet, amely tartalmazza mind a klasszikus, mind
a kvantum-valószı́nűségelméletet (lásd Gudder alábbi köny-
vét). Ezzel egy lényeges ellentmondás oldódott meg, lehető-
ség nyı́lt egy általános eseménystruktúrákra épı́tő valószı́nű-
ségelmélet körvonalazására. (Irod.: M. Born: Natural Philo-
sophy of cause and chance, Dover Pub., New York, 1964., S. P.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
Gudder: Stochastic methods in quantum mechanics, North-

Holland, New York, 1979.)
13.7. A titkosı́rás paradoxona
A titkosı́rás több ezer éves története azzal telt el, hogy a rejt-
jelezők egyre körmönfontabb módszereket eszeltek ki, ellen-
feleik pedig egyre hatékonyabb eljárásokkal egyre sikereseb-
ben jártak túl a titkosı́tók eszén. Sokáig mindenki azt hitte,
hogy ez ı́gy fog tartani az idők végezetéig. Edgar Allan Poe
amerikai költő, aki igen behatóan foglalkozott a titkosı́rások-
kal is, úgy vélekedett, hogy „az emberi értelem nem talál-
hat ki olyan rejtjelezést, amit ugyanaz az emberi értelem ne
tudna megfejteni”. Az első jelentős szemléletbeli változást az
1920-as években bevezetett egyszeri blokkok módszere hozta,
amelyet először a németek alkalmaztak, de még a második
világháború előtt teljesen általánossá vált a használata. Szá-
mos változatát a legtöbb országban máig is igen hatékonynak
tekintik, éppen ezért érthető, hogy még a Moszkva és Was-
hington közötti „forródrót” és az ENSZ hı́rközléseiben is lé-
nyeges szerepet játszik. Az egyszeri blokkok módszere már
valóban szinte megfejthetetlen, mert a rejtjelezendő szöveg
minden egyes betűjét más-más, mégpedig véletlenszerűen vá-
lasztott kóddal titkosı́tja. Ha az „e” betű helyett például kö-
vetkezetesen a „t”-t használná, akkor már a legkézenfekvőbb
statisztikai elemzéssel is ki lehetne találni a betűcserét (a leg-
több nyelvben ugyanis az „e” a leggyakoribb betű, ezért ha a
kódolt szövegben a „t” fordul elő legtöbbször, akkor igen logi-
kus az „e” és „t” cseréjére gondolni). Ha azonban az „e”-t hol
„a”-val, hol „c”-vel, hol pedig „w”-vel helyettesı́tjük, mégpe-
dig véletlenszerűen – pontosabban, ha bármely betű kódolá-
sához bármelyik másik is használható, mégpedig azonos gya-
korisággal, a korábbi kódolásoktól függetlenül, akkor semmi-
féle támpont nem kı́nálkozik a megfejtésre. A kódolt szöveg
semmit sem árul el magából. Az egyszeri blokkok módszeré-
nek azonban van egy komoly hátránya: csak egyszeri vagy
legalábbis nem túl hosszú ideig tartó használat esetén biz-
tonságos, különben rá lehet jönni arra, hogy miféle „vélet-
lenszerű” kódolási eljárást alkalmaztak (teljesen véletlen kó-

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
dolás esetén a cı́mzett sem tudná megfejteni a szöveget). A

véletlenszerű titkosı́tás mellett az 1970-es évek második fe-
lében Whitfield Diffie és Martin E. Hellman, a Stanford egye-
tem két kutatójának zseniális ötlete nyomán (amelyet az al-
goritmusok bonyolultságának matematikai elmélete sugallt)
olyan „megfejthetetlen” kódolási eljárások születtek, amelyek
ugyan elvileg megfejthetők, „csak” gyakorlatilag nem. Pon-
tosabban a leggyorsabb számı́tógépekkel is évmilliókat igé-
nyelne a megfejtés, még akkor is, ha a kódolási eljárást sike-
rült megszereznünk. Diffie és Hellman kódolási és dekódolási
eljárása ugyanis igen meglepő módon nem szimmetrikus: hi-
ába ismerjük a kódolási eljárást, ebből még nem lehet kita-
lálni a dekódolás módszerét (legalábbis évmilliókig nem, ami
gyakorlatilag tökéletes biztonságot jelent). Külön dekódolási
kulcs szükséges. Az aszimmetrikus kódolás valóban paradox
újdonság: egészen más kulcs kell a titok elzárásához, mint a
felnyitáshoz (ez utóbbi sokkal „finomabb” kulcsot igényel).
Az aszimmetrikus kódolás alapötlete igen egyszerű: ha össze
kell szorozni például a 101-et és a 211-et, azonnal kiszámı́t-
hatjuk a végeredményt: 21 311; ha viszont ugyanezt vissza-
felé kérdezzük, vagyis ha arra vagyunk kı́váncsiak, hogy me-
lyik az a két, egynél nagyobb egész szám, amelyek szorzata
21 311, akkor már meglehetősen sokáig kell próbálgatni, amı́g
kitaláljuk, hogy csak a 101 és a 211 lehetett a szorzat két ténye-
zője. Természetesen számı́tógépekkel ez is pillanatok alatt ki-
derül, de ötvenjegyű számok szorzatából a visszakeresés még
a leggyorsabb gépeknek is csak évmilliók alatt sikerül. Ebből
kiindulva és a számelmélet jól ismert eredményeire épı́tve si-
került olyan kódolási „csapóajtót” tervezni, amelyben a kó-
doláshoz mindig csak a szorzatokra van szükség, a dekódo-
láshoz viszont a tényezőkre is. Nézzük meg ezt a „csapóajtót”
egy kicsit részletesebben!
Legyen p és q két nagy prı́mszám, szorzatukat jelölje n. Vá-
lasszunk még ki (tetszés szerint) egy viszonylag nagy E ter-
mészetes számot. A kódolási kulcs az (E, n) számpárból áll,
amelynek egyáltalán nem kell titkosnak lenni, sőt – telefon-
könyvmintára – minden felhasználó kódolási kulcsa közzéte-
hető. Legyen Bi a kódolandó szöveg egy numerikus alakra
átı́rt n-nél kisebb hosszúságú blokkja. Jelölje Ci a Bi szám E-

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
edik hatványát mod n (azaz az E-edik hatványt osszuk el n-

nel és az osztás maradékát jelöljük Ci -vel). A Ci -ből szinte re-
ménytelenül nehéz csak az E és n ismeretében visszakapni a
Bi -t. Ha viszont a cı́mzett nemcsak az n-et, hanem a p-t és a
q-t is ismeri, akkor ebből könnyen meghatározhatja azt a D
számot – a titkos dekódolási kulcsot –, amelyre E és D szor-
zata 1-gyel egyenlő mod (p−1)(q −1) (ez utóbbi szorzat az n-
nél kisebb, n-hez relatı́v prı́mszámok száma). Ezek után már
könnyen visszakaphatja Bi -t:
CiD = (BiE )D = Bi mod n.
E módszer hivatalos neve: RSA-rendszer, a módszer részletes

kidolgozóinak, illetve tökéletesı́tőinek: Rivest, Shamir, Adle-
man névkezdőbetűiből. (Irod.: M. E. Hellman: The mathema-
tics of public-key cryptography, Sci. Amer. 241, 130–139, 1979
aug.; G. J. Simmons: Cryptology, the mathematics of secure
communication, The Math. Intelligencer, 1, 233–246, 1979.)
13.8. A költészet és információelmélet paradoxona

Könyvem utolsó paradoxona egy idézet hajdani tanáromtól,
Rényi Alfrédtól.
„Amióta információelmélettel foglalkozom, sokszor eltű-
nődtem azon, hogy fér el néhány verssorban összehasonlı́t-
hatatlanul több ’információ’, mint egy ugyanolyan hosszú-
ságú, maximális tömörségű táviratban. Az irodalmi művek
meglepő jelentésgazdagsága látszólag ellentmond az infor-
mációelmélet törvényeinek. E paradoxon megoldásának kul-
csa véleményem szerint a ’rezonancia’ fogalma. Az ı́ró nem-
csak információt közöl velünk, hanem virtuózként játszik a
nyelv húrjain, oly módon, hogy arra tudatunk, sőt tudat alatti
énünk is rezonál. A költő, egy jól választott szóval, egész ér-
zés- és gondolatsorokat, emlékek egész tömegét tudja ben-
nünk felidézni. Ebben az értelemben az ı́rás: varázslat.”

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
5
Paradoxológia
Szókratész tanı́tási módszere paradoxonokon keresztül vezet

új igazságok felismeréséhez. Ez a legmélyebben gyökerező
tanı́tási módszer, mert magának a megismerésnek az útja is
paradoxonokra épül. A deduktı́v matematika kialakulása
szempontjából például döntő jelentőségű volt az a felfedezés,
hogy – ellentétben a püthagoreus felfogással, amely szerint
„minden dolgok lényege az egész szám” – léteznek olyan tá-
volságok (például egy négyzet átlója és oldala), amelyek ará-
nya nem egész szám és nem is egész számok aránya, vagyis
a püthagoreus értelemben nem is szám (mai szóhasználat-
tal: nem racionális szám). Ez az ún. összemérhetetlenségi pa-
radoxon vezetett el egyrészt a püthagoreus iskola felbom-
lásához, a számok „mindenható” szerepének átmeneti hát-
térbe szorulásához és a világ új alapjának, a geometriának
euklideszi útjához, valamint Platón idealizmusának matema-
tikai megalapozásához, amelyet matematikai idealizmusnak is
nevezhetnénk (az összemérhetetlenség közvetlen gyakorlati
ellenőrzése lehetetlen, ı́gy Platón szerint a tapasztalat nem
is vezethet igazi tudáshoz). A középkori matematika legna-
gyobb paradoxona, hogy a „semmit”, a nullát is célszerű „va-
laminek” tekinteni és jelölni is valamivel, mert ezáltal válik
263
Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
lehetővé a számolás lényeges leegyszerűsı́tése: az indiai–arab

helyiértékes számı́rás. Az újkor hajnalán a negatı́v, majd a
komplex számok okozták a legtöbb paradoxont. Egyikük sze-
rint például lehetetlen, hogy (−1) : 1 = 1 : (−1) legyen,
hiszen kisebb számnak egy nagyobbhoz viszonyı́tott aránya
nem lehet egyenlő egy nagyobb számnak egy kisebbhez vi-
szonyı́tott arányával. Az újkor a matematika minden ágában
seregnyi paradoxont szült az algebrai egyenletek megoldha-
tóságától kezdve a Bolyai-féle geometriáig. Érdekes, hogy a
végtelen paradoxonairól a prágai B. Bolzano már a múlt szá-
zad első felében egy teljes könyvet ı́rt „Paradoxien des Un-
endlichen” cı́mmel, pedig a végtelen igazi paradoxonai csak
G. Cantornak a végtelen halmazok elméletére vonatkozó 1872-
es felfedezéseit követően mutatkoztak meg. A század vezető
matematikusai: Gauss, Cauchy, Kronecker, Poincaré és mások
elutası́tották a tényleges („aktuális”) végtelen fogalmát, a vég-
telennek csak szimbolikus értelmet tulajdonı́tottak. A mai,
modern matematika alapköve viszont éppen a tényleges vég-
telen fogalmát használó Cantor-féle halmazelmélet, bár a
„horror infiniti” azóta sem szűnt meg, sőt a felvetődött para-
doxonok csak növelték a „finitisták” táborát. Ugyanúgy máig
nem szűnt meg a félelem a véletlentől sem. A végtelen és a vé-
letlen matematikai paradoxonai egyebek mellett azért is rend-
kı́vül lényegesek, mert e két fogalom kihat egész világszemlé-
letünkre, filozófiai gondolkodásunkra. Remélhetőleg e könyv
olvasása közben világosabbá vált, milyen paradoxonok fog-
lalkoztatták, illetve foglalkoztatják még ma is a véletlen mate-
matikájának kutatóit. Einstein paradox megfogalmazása sze-
rint „a világban az a legérthetetlenebb, hogy érthető”. Annyi
minden bizonnyal igaz, hogy egyre érthetőbb, és ez a véletlen
világára, a véletlen matematikájára is érvényes.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
Befejezés helyett
„Nem biztos csak a kétes a szememnek

s ami világos, mint a nap: titok;
hiszek a véletlennek, hirtelennek,
s gyanúm az igaz körül sompolyog;”
(François Villon: Ellentétek; Szabó Lőrinc ford.)
265
Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
1. táblázat. Az ötöslottó összes nyerőszámai Magyarországon1

1957 1958 1959
1. 1 10 43 54 75 1. 3 4 13 79 86
2. 22 28 36 61 81 2. 21 32 73 77 83
3. 13 41 43 51 74 3. 5 40 42 79 80
4. 18 24 46 63 85 4. 6 39 53 66 79
5. 13 41 47 80 87 5. 7 8 22 39 75
6. 51 64 67 73 87 6. 7 34 42 45 52∗
Az első húzás 7. 1 7 16 41 60 7. 3 70 73 77 82
március 7-én 8. 16 18 36 78 82 8. 14 20 50 73 74
volt 9. 23 28 56 69 77 9. 2 31 48 75 87
1. 16 61 71 77 89 10. 24 43 62 82 85 10. 7 13 34 87 89
2. 1 49 64 67 71 11. 23 44 51 71 82 11. 42 65 68 75 78
3. 8 12 24 26 85 12. 6 37 41 60 79 12. 7 9 52 59 89
4. 7 9 19 42 66 13. 6 20 27 69 86 13. 2 31 38 54 61∗
5. 26 33 38 47 53 14. 22 35 54 64 87 14. 8 27 34 51 86
6. 23 26 33 37 66∗ 15. 16 28 42 44 68 15. 3 26 27 31 49
7. 7 12 24 30 75 16. 13 49 71 77 80 16. 5 28 33 58 77
8. 3 5 19 20 48 17. 19 36 43 51 87 17. 4 6 23 42 89
9. 12 19 35 42 64 18. 42 62 69 78 89 18. 5 17 45 53 65
10. 5 27 45 46 48 19. 7 15 24 38 43 19. 12 22 29 33 69
11. 7 52 58 62 67 20. 12 18 38 56 58 20. 2 12 56 80 84
12. 20 55 64 73 75 21. 7 24 37 44 84 21. 4 6 20 23 66
13. 16 38 40 65 73 22. 20 21 24 37 71 22. 5 25 41 52 89
14. 3 33 46 59 75 23. 30 52 56 76 83 23. 27 38 62 72 83
15. 9 12 45 65 89 24. 14 15 25 56 59 24. 19 51 65 84 89
16. 49 51 56 81 88 25. 25 82 84 85 88 25. 9 18 29 56 80
17. 1 12 13 15 26 26. 12 21 55 70 83 26. 37 61 71 77 85
18. 9 14 26 60 81 27. 6 34 52 82 83 27. 10 19 32 55 68
19. 9 13 24 54 63 28. 24 58 67 70 84 28. 11 17 65 69 75
20. 17 25 44 48 73 29. 9 14 21 59 70 29. 2 19 29 84 90
21. 1 25 49 62 75 30. 15 17 41 56 84 30. 13 26 45 77 86
22. 4 14 22 38 86 31. 4 36 51 69 72 31. 17 28 48 54 81∗
23. 8 17 34 51 76 32. 28 44 48 78 88 32. 5 19 50 62 75
24. 19 24 27 61 68 33. 3 8 20 21 38 33. 1 53 68 73 78
25. 37 40 48 65 70 34. 4 14 26 67 74 34. 36 46 49 68 74∗
26. 33 46 49 82 88 35. 22 29 64 83 90 35. 10 28 30 59 83
27. 39 74 76 78 80 36. 10 38 51 67 89 36. 13 49 52 66 67
28. 24 54 64 77 80 37. 7 23 26 70 88 37. 5 25 35 36 57
29. 11 27 53 67 71 38. 31 45 65 71 74 38. 1 7 10 35 89
30. 5 8 46 63 73 39. 9 20 23 56 90 39. 37 58 67 78 85
31. 7 13 57 69 71 40. 4 9 23 50 83 40. 3 10 59 72 80
32. 1 50 66 73 77 41. 1 15 35 46 49 41. 4 16 33 49 84
33. 2 8 16 34 45 42. 4 17 38 67 74 42. 1 9 37 54 57
34. 17 40 72 76 83 43. 20 36 74 80 90 43. 3 10 20 71 86
35. 32 36 79 87 94∗ 44. 17 23 29 45 81 44. 16 54 55 63 79
36. 1 4 26 46 71 45. 30 32 43 53 58 45. 12 15 69 80 84
37. 14 19 27 37 57∗ 46. 22 25 82 83 87 46. 14 20 29 33 34
38. 11 15 21 60 90 47. 23 31 42 71 74 47. 13 18 26 34 46
39. 8 67 74 85 86 48. 1 5 31 34 57 48. 33 34 51 64 71
40. 3 11 27 38 77 49. 8 57 63 75 77 49. 2 15 18 44 72
41. 7 26 59 73 80 50. 31 37 53 54 76 50. 5 23 33 34 37∗
42. 9 19 24 32 78 51. 19 29 51 64 79 51. 6 20 23 54 90
43. 6 9 69 73 81 52. 4 37 40 66 70∗ 52. 1 2 47 53 56∗
1 Az 1980 utáni adatokat a Szerencsejáték Rt. bocsájtotta rendelkezésünkre.

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
1. táblázat 267
1960 1961 1962

1. 1 6 27 49 68 1. 13 22 43 45 77∗ 1. 22 31 66 77 86
2. 12 29 37 40 41 2. 34 68 69 87 88 2. 5 69 71 81 89
3. 21 42 71 75 83 3. 18 47 55 71 82 3. 23 28 47 50 73
4. 6 25 30 32 48 4. 7 27 62 66 67 4. 3 28 43 46 86
5. 3 11 27 39 82 5. 11 31 36 58 79 5. 3 10 36 40 43
6. 3 37 61 70 74 6. 14 23 57 82 86 6. 17 58 69 83 87
7. 13 14 23 25 39 7. 5 10 15 28 39 7. 17 24 38 39 53
8. 10 15 29 39 47 8. 9 45 53 74 80 8. 14 35 37 58 87
9. 29 47 49 71 90 9. 14 18 27 47 77∗ 9. 1 39 58 70 87
10. 1 16 35 44 82 10. 14 26 49 58 81∗ 10. 1 19 30 39 82
11. 8 13 37 73 75∗ 11. 3 26 46 65 81 11. 25 36 44 58 90
12. 12 29 48 70 71 12. 35 39 45 47 87 12. 38 43 61 73 87∗
13. 8 29 32 80 83 13. 23 33 48 63 73 13. 1 17 36 53 76
14. 13 15 41 55 65 14. 28 38 45 46 75 14. 15 50 57 64 70
15. 6 11 53 59 83∗ 15. 11 28 51 63 85 15. 32 40 65 76 88
16. 38 42 44 76 80 16. 7 12 36 44 84 16. 10 18 60 68 76
17. 21 29 30 38 81 17. 2 5 67 73 87 17. 19 49 65 71 82
18. 4 26 34 55 83∗ 18. 1 15 33 35 49 18. 11 30 53 68 77
19. 29 30 39 55 60∗ 19. 11 21 32 50 77 19. 4 35 38 55 88
20. 7 22 40 74 78 20. 14 18 36 55 85 20. 19 23 52 77 89
21. 60 69 76 77 88 21. 13 15 67 79 82 21. 11 34 52 65 85
22. 5 6 55 75 89 22. 5 19 26 43 60 22. 5 10 58 84 88
23. 4 49 54 76 90 23. 15 25 49 51 81 23. 17 21 64 71 78
24. 37 45 75 77 81 24. 21 36 42 65 74 24. 2 14 36 42 76∗
25. 29 45 49 61 74 25. 53 61 67 76 83 25. 32 45 49 55 70
26. 29 32 51 63 70 26. 25 48 57 66 73 26. 23 59 66 72 74
27. 20 22 24 25 42 27. 39 56 69 75 76 27. 30 47 67 70 75
28. 9 11 29 78 86 28. 35 38 43 56 80 28. 6 35 73 76 82
29. 7 8 15 23 61 29. 22 45 67 68 73 29. 34 38 42 73 77
30. 6 9 31 35 70 30. 5 21 33 68 86 30. 30 41 45 59 72
31. 6 39 42 52 71∗ 31. 13 60 64 69 90 31. 15 19 36 53 55
32. 1 41 44 51 61 32. 8 24 28 38 82 32. 3 19 65 86 88∗
33. 5 10 37 54 78 33. 16 18 33 37 76 33. 12 22 30 56 67
34. 25 35 75 79 85 34. 4 5 42 52 64 34. 3 9 55 64 74
35. 8 17 51 67 78 35. 9 10 22 36 66 35. 25 46 52 57 75
36. 26 49 64 65 86 36. 7 18 24 63 70∗ 36. 10 23 24 57 83
37. 45 50 75 86 88 37. 5 12 32 47 66 37. 1 17 23 59 65
38. 14 19 54 64 87 38. 3 10 46 70 83 38. 1 46 55 66 70
39. 5 46 49 52 59 39. 18 42 62 69 71 39. 12 26 47 58 82
40. 18 34 58 70 71 40. 27 56 70 80 89 40. 18 39 41 62 72
41. 3 11 51 53 69 41. 12 21 77 84 85 41. 20 53 59 72 89
42. 8 13 49 57 59 42. 3 9 21 29 76 42. 6 20 26 47 66
43. 1 3 35 42 72 43. 38 48 54 56 68 43. 14 19 22 65 78
44. 9 15 46 48 89 44. 22 40 42 51 55 44. 2 13 30 40 59
45. 17 20 35 44 62 45. 5 33 34 57 72 45. 2 17 32 50 85
46. 14 19 47 49 61 46. 53 60 61 85 90 46. 29 34 36 59 80
47. 14 22 48 75 81 47. 11 15 56 58 79 47. 6 18 53 61 64
48. 9 43 46 60 67 48. 4 31 72 82 85 48. 13 28 44 46 90
49. 24 31 57 66 78 49. 3 12 14 51 53 49. 21 49 62 63 90
50. 40 51 60 66 71 50. 14 53 65 74 82 50. 9 12 32 34 35
51. 28 44 57 88 90 51. 8 11 25 34 62 51. 18 25 27 34 51
52. 5 15 34 53 78 52. 37 46 53 73 81 52. 41 47 49 59 65
53. 17 24 34 35 45

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
1963 1964 1965

1. 7 17 57 70 73 1. 22 23 32 42 76 1. 2 24 47 75 78
2. 24 34 54 81 90∗ 2. 1 10 12 31 70 2. 26 56 65 69 84
3. 3 9 15 32 63 3. 29 43 63 68 81 3. 2 14 31 47 56
4. 2 3 12 78 88 4. 31 34 56 69 84 4. 23 55 66 67 74
5. 4 29 31 35 90∗ 5. 25 35 38 49 73 5. 5 12 36 75 79∗
6. 11 15 19 57 69∗ 6. 1 2 9 47 60 6. 7 20 34 67 76
7. 32 33 68 73 84 7. 2 10 49 66 84 7. 3 16 34 46 89
8. 33 40 42 69 74 8. 6 33 43 50 51 8. 38 41 51 83 85
9. 7 14 15 45 82 9. 1 22 59 67 72 9. 23 39 43 45 80
10. 18 47 65 75 89 10. 6 31 66 79 87∗ 10. 4 26 62 73 86
11. 10 39 71 76 81 11. 22 34 47 77 80 11. 15 43 62 66 70∗
12. 34 42 53 54 80 12. 10 14 40 46 86∗ 12. 4 21 51 84 90
13. 1 3 25 69 73 13. 3 26 41 67 86 13. 6 30 34 36 64
14. 20 36 39 43 51∗ 14. 1 9 20 27 41 14. 1 3 60 75 81
15. 22 34 50 64 81 15. 10 23 26 45 62 15. 15 24 31 36 77∗
16. 6 22 26 50 55 16. 13 43 49 59 61 16. 13 23 67 77 83∗
17. 11 29 35 44 67 17. 14 24 33 52 81 17. 14 39 44 48 60
18. 38 51 64 74 81 18. 29 40 52 58 59 18. 15 19 29 47 64∗
19. 13 60 72 75 88 19. 13 21 33 49 90∗ 19. 27 35 49 50 74
20. 1 25 46 48 49 20. 42 66 67 72 85 20. 12 14 38 63 72
21. 7 10 18 47 68 21. 40 42 51 58 75 21. 9 34 48 55 65
22. 12 21 26 56 86∗ 22. 26 49 59 76 82 22. 9 13 55 66 69
23. 3 18 20 41 49 23. 20 37 64 68 78 23. 11 45 51 63 65
24. 22 33 50 62 69 24. 2 9 19 62 64 24. 12 28 45 62 68
25. 12 28 37 51 79 25. 17 40 83 84 87 25. 19 61 62 74 82
26. 13 24 41 47 86 26. 9 18 32 48 75 26. 3 29 34 61 62
27. 5 25 44 82 87 27. 28 75 78 82 83 27. 17 21 29 59 66
28. 5 47 70 80 87 28. 34 38 43 60 89 28. 8 21 61 65 76
29. 21 35 36 48 60 29. 23 30 43 52 64 29. 34 36 38 46 56
30. 12 23 38 61 63 30. 1 22 67 76 83 30. 14 28 60 69 80
31. 28 33 51 56 70 31. 18 20 40 79 82 31. 12 31 39 45 84
32. 1 2 33 51 88 32. 16 25 41 47 55 32. 10 33 47 70 81
33. 8 12 34 37 81∗ 33. 13 21 60 71 89 33. 18 37 41 58 74
34. 1 35 59 79 84 34. 18 21 55 68 77 34. 7 12 27 41 88
35. 42 45 67 78 88 35. 3 50 60 77 85 35. 6 42 44 57 80
36. 12 32 48 50 63 36. 12 29 42 62 69 36. 14 42 46 77 82
37. 17 22 27 30 37∗ 37. 8 44 47 48 71 37. 46 47 55 73 80
38. 39 50 72 75 81 38. 42 47 50 65 70 38. 17 29 32 33 73
39. 32 37 50 63 67 39. 11 16 33 53 86 39. 6 7 16 27 51∗
40. 6 10 18 28 86 40. 14 22 47 75 77 40. 12 18 67 78 82
41. 13 17 28 50 66∗ 41. 6 39 45 56 79 41. 24 28 68 70 74
42. 9 51 59 73 75 42. 32 37 53 84 90 42. 7 14 18 40 63
43. 31 40 41 55 68 43. 20 42 52 53 87∗ 43. 12 16 29 67 72
44. 18 19 43 54 85 44. 16 51 56 63 66 44. 9 33 50 79 86∗
45. 36 55 73 74 81 45. 6 30 51 79 87 45. 41 59 67 72 84
46. 3 31 52 54 63 46. 8 29 53 87 89 46. 7 19 28 56 90∗
47. 17 30 60 70 82 47. 3 8 21 68 84 47. 5 32 36 38 49∗
48. 23 24 37 50 52 48. 2 10 41 60 62 48. 13 69 76 86 88
49. 20 25 56 73 74 49. 28 33 34 40 81 49. 12 25 39 86 88
50. 12 28 81 82 85 50. 13 17 33 43 44 50. 21 36 38 47 50
51. 6 18 31 60 62 51. 7 24 44 51 73 51. 50 53 54 61 79
52. 28 38 45 68 83 52. 11 23 39 50 64 52. 3 16 72 76 77
53. 4 16 37 41 69

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
1. táblázat 269
1966 1967 1968

1. 55 61 75 81 90 1. 29 35 64 83 87∗ 1. 15 28 36 54 62∗
2. 3 38 59 65 83 2. 3 26 30 45 78 2. 13 24 27 30 69
3. 5 41 62 82 83 3. 13 19 43 49 90 3. 12 27 32 49 67
4. 12 17 39 51 89 4. 4 7 29 79 82 4. 8 11 33 61 83
5. 23 28 30 41 45 5. 29 39 54 64 90 5. 36 42 53 56 63
6. 35 48 60 70 89∗ 6. 11 29 54 73 74∗ 6. 6 16 47 84 89
7. 23 29 68 71 86 7. 13 21 31 73 82∗ 7. 9 16 37 55 68∗
8. 23 69 80 83 87 8. 3 5 57 80 85 8. 22 48 57 66 67
9. 7 8 15 50 80∗ 9. 14 55 66 67 76 9. 15 16 25 42 50
10. 51 59 64 75 86∗ 10. 11 33 65 68 78 10. 9 24 39 65 69∗
11. 4 17 39 49 89∗ 11. 19 25 47 64 77 11. 21 38 68 70 90∗
12. 13 29 66 71 77 12. 38 64 67 74 78 12. 21 67 71 78 86
13. 14 42 53 67 79 13. 1 51 66 68 83 13. 6 11 27 69 85
14. 42 69 74 85 89∗ 14. 26 35 53 61 64 14. 7 8 10 15 69
15. 37 43 60 66 83 15. 23 45 71 76 90 15. 18 21 27 31 85
16. 4 17 42 63 85∗ 16. 11 14 31 51 67 16. 16 38 49 50 82
17. 33 54 71 76 84 17. 34 68 71 72 75 17. 23 27 33 75 88
18. 19 44 50 62 70 18. 19 29 69 72 89∗ 18. 10 15 35 41 56
19. 4 7 24 29 30 19. 38 56 62 70 84 19. 4 7 19 25 65∗
20. 12 23 47 59 66 20. 38 42 67 71 76∗ 20. 44 49 70 72 78
21. 8 10 22 32 36 21. 20 44 54 63 69 21. 11 12 57 83 86
22. 3 5 58 67 72 22. 10 11 13 56 79 22. 3 16 74 75 86∗
23. 1 18 28 70 71 23. 2 12 26 42 71 23. 10 24 33 41 87
24. 13 21 32 38 41∗ 24. 14 18 50 65 82 24. 4 26 38 44 86
25. 24 26 57 75 90 25. 50 67 74 75 85 25. 3 9 14 73 86
26. 41 60 66 68 84∗ 26. 21 35 48 52 60 26. 1 18 60 79 81
27. 1 6 7 16 44 27. 2 36 46 49 56 27. 36 52 60 69 76
28. 19 23 54 56 61 28. 20 41 49 56 64 28. 3 7 30 33 83
29. 21 42 47 69 74∗ 29. 18 24 51 74 90 29. 33 34 84 86 88
30. 45 49 71 78 86 30. 6 11 15 38 51 30. 17 36 71 73 90
31. 26 27 45 53 69 31. 1 44 57 60 82 31. 12 15 25 38 61
32. 9 20 23 52 53 32. 3 6 40 47 48 32. 17 23 41 52 63
33. 2 31 36 43 84 33. 4 8 22 27 75 33. 22 25 28 71 77
34. 13 19 35 37 66∗ 34. 16 40 54 82 86 34. 9 30 35 45 71
35. 61 65 66 83 86 35. 22 67 68 72 81 35. 6 8 26 44 50
36. 25 37 51 60 87 36. 12 42 44 78 84 36. 40 42 47 76 85
37. 6 26 57 63 79 37. 23 34 69 79 84 37. 6 20 47 49 65
38. 5 7 12 65 74 38. 39 55 72 74 76 38. 31 32 53 55 64
39. 35 49 64 69 72 39. 4 58 75 84 88 39. 20 24 71 77 87
40. 16 45 74 78 79 40. 5 11 35 53 54∗ 40. 38 64 83 85 90
41. 14 25 26 28 83 41. 10 39 54 72 73∗ 41. 28 35 42 51 79
42. 3 35 44 69 75 42. 6 7 46 56 57 42. 13 46 56 73 79
43. 10 12 27 29 84 43. 23 37 63 81 85 43. 3 13 24 35 43∗
44. 14 43 59 85 90 44. 21 26 37 71 89 44. 6 12 33 68 69
45. 1 14 17 54 84 45. 33 38 39 75 81 45. 10 15 24 43 65
46. 30 32 45 46 77 46. 11 24 25 34 72 46. 28 48 68 80 88∗
47. 13 40 49 82 85 47. 6 20 23 65 68 47. 12 18 48 71 77
48. 4 25 28 62 82 48. 24 46 48 70 85 48. 2 46 58 68 78
49. 24 29 55 56 65 49. 61 78 80 81 86 49. 29 32 75 77 83∗
50. 65 67 70 71 89∗ 50. 6 20 28 46 80 50. 37 41 58 60 69
51. 1 37 43 56 86 51. 4 22 25 77 90 51. 14 20 42 43 90
52. 2 13 21 36 70∗ 52. 1 29 51 52 88∗ 52. 10 69 70 76 87

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
1969 1970 1971

1. 9 50 67 75 78 1. 15 30 34 44 47 1. 29 44 48 72 88
2. 2 22 33 37 40 2. 12 33 34 46 87 2. 29 37 74 81 87
3. 2 3 62 63 66 3. 3 16 19 57 67 3. 6 12 32 34 80
4. 20 61 77 83 86 4. 25 34 46 51 53 4. 2 33 48 52 54
5. 28 48 63 72 74 5. 26 53 61 70 83 5. 7 25 41 48 56
6. 2 42 70 71 82 6. 3 39 69 76 81 6. 7 34 52 53 80∗
7. 31 37 40 47 71 7. 25 34 49 68 75 7. 23 42 45 84 89
8. 7 14 69 86 90 8. 6 11 19 25 76 8. 4 23 62 77 81
9. 2 34 36 50 65 9. 29 34 44 74 81 9. 38 57 61 67 69
10. 39 40 48 74 85 10. 10 19 31 73 79 10. 17 54 73 86 89
11. 23 33 57 73 82∗ 11. 10 18 57 64 80 11. 4 15 22 35 86
12. 33 42 48 64 79 12. 21 24 42 57 66 12. 14 18 67 87 88
13. 5 46 61 85 90 13. 20 21 29 36 67 13. 25 36 61 81 82
14. 28 39 41 58 65 14. 4 42 44 72 81 14. 38 52 58 84 86
15. 1 21 76 86 87 15. 55 72 73 77 87 15. 36 45 56 76 88
16. 24 58 63 76 87 16. 11 13 40 55 56 16. 17 19 68 74 85
17. 48 51 58 65 69∗ 17. 44 45 49 56 90 17. 8 29 60 63 85
18. 4 41 50 71 86∗ 18. 4 62 73 79 84 18. 3 15 21 22 53
19. 30 54 59 84 85 19. 8 47 65 77 88 19. 24 33 46 61 67
20. 6 21 25 60 65 20. 3 13 15 56 75 20. 35 49 56 65 75
21. 28 46 61 63 90 21. 6 33 73 76 87 21. 40 43 54 80 81
22. 4 18 37 77 90 22. 8 49 53 64 78 22. 6 23 27 37 59
23. 3 27 53 61 78 23. 5 17 77 86 89 23. 15 18 54 59 64
24. 3 34 43 57 59 24. 12 15 42 45 87 24. 23 32 36 54 87
25. 18 31 40 49 72 25. 3 34 38 40 65 25. 2 26 41 47 64
26. 8 12 32 37 47 26. 11 35 51 53 90 26. 17 35 58 67 87
27. 16 35 57 70 74 27. 39 50 51 59 72 27. 7 9 19 49 89
28. 16 38 50 51 84 28. 1 25 62 70 73 28. 2 3 20 62 66
29. 29 40 51 56 74 29. 44 47 48 55 60 29. 13 52 56 75 76
30. 21 57 69 85 86 30. 3 10 23 84 87 30. 2 22 47 80 89
31. 13 30 39 47 77 31. 19 23 25 53 79 31. 3 14 33 52 80
32. 17 21 49 63 80∗ 32. 5 12 62 75 90 32. 6 7 16 25 78
33. 8 20 22 56 89 33. 2 12 28 63 79 33. 8 50 64 67 86
34. 3 11 42 53 56∗ 34. 22 30 33 36 90 34. 56 63 77 80 82
35. 24 32 40 83 89 35. 4 7 25 70 78 35. 2 9 10 19 82
36. 21 22 56 84 86 36. 14 24 30 58 61 36. 13 33 84 85 87
37. 3 8 26 36 65 37. 15 16 33 62 78 37. 15 22 60 66 80
38. 20 24 41 84 88 38. 1 44 55 61 66 38. 28 31 47 84 87∗
39. 10 58 60 82 87 39. 26 32 56 64 86 39. 2 13 43 74 77
40. 45 57 69 86 90∗ 40. 25 33 37 46 65 40. 13 15 31 32 82
41. 24 44 60 64 79 41. 16 41 65 80 82 41. 28 46 58 59 78
42. 18 19 35 44 86 42. 4 10 39 44 76 42. 6 19 54 58 60
43. 22 25 59 64 76 43. 13 44 63 85 86 43. 9 20 23 55 62
44. 14 34 46 57 69∗ 44. 18 24 27 46 61 44. 15 19 37 49 61
45. 7 41 53 86 88 45. 20 49 50 79 84 45. 1 20 46 53 55
46. 25 26 30 40 86 46. 19 38 43 63 90 46. 13 17 18 47 67
47. 2 61 69 78 84 47. 22 24 29 74 82 47. 22 44 53 55 69
48. 55 69 72 73 78 48. 10 17 19 23 47∗ 48. 17 27 34 40 71
49. 7 11 13 76 79∗ 49. 8 31 37 61 72 49. 15 25 40 51 60
50. 34 47 49 51 56 50. 27 40 55 65 70 50. 13 47 49 57 75
51. 7 47 50 72 79 51. 11 23 37 39 64 51. 3 18 22 32 61
52. 13 47 66 73 75 52. 23 28 37 54 76 52. 2 49 69 71 78
53. 19 46 58 65 82∗

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
1. táblázat 271
1972 1973 1974

1. 6 21 40 48 73∗ 1. 3 15 17 29 74 1. 10 23 41 54 75∗
2. 40 43 64 75 88 2. 1 5 12 35 89 2. 22 29 56 73 83
3. 18 57 65 70 72 3. 2 5 24 48 61 3. 18 20 35 51 72
4. 16 23 24 72 85 4. 14 16 21 34 84 4. 29 42 46 50 57
5. 15 18 31 32 86 5. 20 52 55 56 68 5. 29 30 38 43 73
6. 4 38 43 51 83∗ 6. 7 8 62 65 71 6. 6 12 14 30 45
7. 33 45 53 55 59 7. 1 5 8 23 41 7. 2 17 20 22 33
8. 20 36 41 44 60 8. 8 39 42 45 66 8. 50 56 67 78 82
9. 2 13 20 29 66 9. 6 19 21 72 75 9. 13 33 48 75 76
10. 6 8 22 23 64 10. 3 59 72 75 90 10. 34 36 54 58 87
11. 10 64 68 73 75 11. 10 23 66 67 84 11. 41 51 58 65 76
12. 10 26 36 37 77 12. 23 25 60 81 89 12. 6 14 37 46 54∗
13. 20 24 31 57 73 13. 20 28 35 78 86 13. 12 21 42 60 84
14. 7 8 17 50 65∗ 14. 5 6 25 56 63∗ 14. 22 39 43 44 52
15. 13 41 52 71 76 15. 10 22 32 75 78 15. 31 33 54 62 85
16. 26 27 59 76 79 16. 18 23 38 52 55∗ 16. 13 34 47 48 73
17. 3 16 26 57 77 17. 4 11 57 65 69 17. 10 34 47 84 85
18. 23 51 52 75 81 18. 58 64 75 80 88 18. 22 23 67 79 81
19. 11 12 35 59 71 19. 13 34 53 63 67 19. 2 3 43 47 80
20. 17 19 36 55 77 20. 19 55 56 58 77 20. 10 22 72 75 80
21. 24 46 47 53 90 21. 35 41 74 79 83 21. 3 8 22 39 55
22. 10 19 65 80 86 22. 9 31 48 77 78 22. 6 15 41 48 84∗
23. 18 31 69 70 77 23. 26 58 60 77 90 23. 8 27 49 76 81
24. 5 22 34 62 70 24. 4 42 44 63 77 24. 1 49 53 75 86
25. 4 66 68 76 84 25. 55 77 78 80 83 25. 16 24 57 77 86
26. 16 58 73 83 89 26. 15 55 65 84 88 26. 35 47 57 71 86
27. 15 24 41 54 79 27. 5 8 13 48 90 27. 5 15 50 63 78
28. 3 31 45 50 77 28. 23 27 45 76 86∗ 28. 43 56 64 69 81
29. 24 34 52 74 76∗ 29. 21 30 34 42 62 29. 11 20 71 79 80
30. 3 9 10 77 85 30. 18 27 37 40 59 30. 2 16 34 68 79∗
31. 43 51 60 79 84 31. 51 52 67 68 87 31. 5 29 33 69 82
32. 9 10 11 73 90 32. 6 45 49 69 71∗ 32. 9 43 53 79 81
33. 28 42 54 56 66 33. 26 35 65 74 79 33. 28 47 65 68 84
34. 10 44 58 66 73∗ 34. 4 15 23 29 51∗ 34. 41 53 58 82 90
35. 20 43 46 68 74 35. 3 28 44 58 61 35. 33 40 69 88 89
36. 12 79 83 88 89 36. 4 8 35 42 61 36. 9 13 17 19 89
37. 5 8 27 32 49∗ 37. 18 24 43 52 63∗ 37. 17 41 59 68 84
38. 10 16 51 53 72∗ 38. 9 51 52 79 84 38. 40 42 52 61 75
39. 3 46 52 72 78∗ 39. 2 12 22 60 68 39. 8 27 36 77 83
40. 33 54 64 66 81 40. 4 41 70 74 83 40. 22 32 38 45 59
41. 15 44 49 54 62 41. 9 12 13 46 51 41. 43 45 67 71 83
42. 3 7 14 48 51∗ 42. 6 10 57 60 75 42. 15 25 65 77 90∗
43. 4 18 38 46 74 43. 3 38 46 59 83 43. 18 29 33 39 75
44. 21 39 50 82 89 44. 16 42 71 76 90 44. 14 44 46 48 67∗
45. 11 53 68 72 73 45. 10 52 61 78 84 45. 7 21 51 63 87∗
46. 30 39 46 73 80 46. 6 36 44 46 86 46. 8 14 56 70 86
47. 15 42 48 75 81 47. 3 25 36 48 85 47. 22 49 54 81 88
48. 27 29 30 31 71 48. 21 23 26 37 38 48. 11 33 35 38 54
49. 13 27 48 57 75 49. 8 32 51 77 87 49. 16 30 32 50 74
50. 11 14 35 56 77 50. 17 42 61 79 82 50. 31 39 41 63 74
51. 4 8 19 36 56 51. 11 41 48 56 81 51. 1 23 52 61 87
52. 1 32 52 56 69 52. 24 31 36 71 78 52. 35 50 52 83 86

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
1975 1976 1977

1. 5 15 41 66 86 1. 42 60 62 74 89 1. 6 10 36 51 56
2. 3 13 38 69 71∗ 2. 8 11 36 39 71 2. 4 13 15 22 27
3. 1 34 57 58 61 3. 14 24 42 61 77∗ 3. 6 25 70 82 88∗
4. 16 35 39 40 42 4. 42 54 66 75 90 4. 13 66 71 75 77
5. 12 20 29 38 40 5. 9 11 36 60 85 5. 7 19 20 46 52
6. 17 26 38 84 86 6. 35 43 64 83 84 6. 5 12 33 68 74∗
7. 21 37 39 56 77 7. 7 44 55 66 88 7. 7 15 59 68 75
8. 1 3 11 19 84 8. 39 55 64 85 86 8. 14 49 52 71 86
9. 3 14 29 33 59 9. 52 58 60 83 87 9. 24 30 51 60 71
10. 10 26 44 54 73∗ 10. 7 26 32 81 85 10. 7 33 35 54 72∗
11. 13 41 43 85 88∗ 11. 6 9 21 60 75 11. 31 53 60 63 82
12. 20 24 37 54 90 12. 2 21 73 74 85 12. 13 21 26 44 71∗
13. 5 21 39 61 76 13. 33 58 64 66 77 13. 18 44 78 81 89
14. 4 8 33 47 84∗ 14. 5 23 51 78 81 14. 23 27 37 38 47
15. 3 56 61 85 89 15. 6 7 10 50 70 15. 11 12 23 32 77
16. 4 37 62 72 85 16. 19 32 52 72 81∗ 16. 6 16 32 67 82∗
17. 17 22 24 29 59 17. 11 28 35 39 63 17. 7 45 57 83 88
18. 4 43 50 54 65 18. 1 9 34 52 66 18. 18 27 42 66 69
19. 1 15 34 36 53 19. 2 3 6 8 30 19. 1 2 28 57 60∗
20. 5 10 37 56 71∗ 20. 15 50 64 79 88 20. 10 15 32 51 75
21. 6 34 36 67 89 21. 11 21 38 49 50 21. 16 20 25 66 77
22. 12 22 50 76 85∗ 22. 3 7 16 42 84∗ 22. 52 55 63 66 86∗
23. 31 55 65 69 86 23. 1 5 28 56 88∗ 23. 46 52 72 75 79
24. 35 36 52 81 86 24. 8 25 37 56 83∗ 24. 4 19 73 82 87
25. 2 8 59 63 82 25. 7 10 14 17 47 25. 25 30 40 45 78
26. 17 50 58 65 84 26. 7 10 34 42 74∗ 26. 6 14 18 21 25
27. 12 16 20 37 47 27. 3 45 66 81 87 27. 1 22 61 62 72
28. 24 40 42 44 71 28. 9 15 30 41 89 28. 10 18 21 60 76
29. 37 43 50 70 84 29. 2 5 8 19 51∗ 29. 9 48 59 84 90
30. 10 30 42 50 51 30. 1 7 28 34 65∗ 30. 3 18 29 33 60
31. 3 23 57 58 82 31. 16 20 53 85 86 31. 23 42 56 72 77∗
32. 12 15 27 40 62 32. 11 36 50 64 87 32. 13 31 59 64 86
33. 13 44 47 75 86∗ 33. 13 15 29 52 64 33. 21 22 44 62 80
34. 3 12 29 50 77∗ 34. 35 41 64 75 76 34. 18 20 24 35 52
35. 8 26 39 89 90 35. 6 35 73 81 90 35. 14 18 68 76 78
36. 4 13 28 72 77 36. 18 21 31 46 61 36. 35 44 49 72 86
37. 27 28 46 49 73 37. 1 3 44 49 69 37. 2 31 35 47 54
38. 2 49 79 81 88 38. 32 39 55 67 69∗ 38. 5 21 32 49 77∗
39. 16 43 54 78 79 39. 6 12 16 27 41 39. 11 15 46 70 83
40. 10 12 16 60 87 40. 32 34 37 72 86 40. 29 42 72 73 82
41. 18 23 40 70 76 41. 5 45 58 68 73 41. 23 29 42 43 60
42. 25 43 48 61 81∗ 42. 17 20 52 55 65 42. 21 24 42 65 77∗
43. 2 17 29 60 71 43. 3 12 20 29 36∗ 43. 7 41 47 48 90
44. 9 11 54 72 90 44. 23 59 63 81 89 44. 3 18 59 67 73
45. 33 41 45 77 83 45. 10 24 43 50 84∗ 45. 9 25 48 64 83∗
46. 6 41 53 66 72 46. 48 51 55 81 88 46. 3 36 41 46 56
47. 4 10 28 47 77 47. 22 56 58 64 86 47. 35 43 61 67 86∗
48. 3 19 29 49 73∗ 48. 26 41 48 56 67∗ 48. 20 25 31 87 90
49. 6 7 9 33 88 49. 32 58 70 76 80 49. 25 39 53 75 90
50. 1 9 19 23 73∗ 50. 14 38 47 87 89 50. 17 52 53 58 75
51. 21 54 82 84 90 51. 6 47 57 72 75 51. 14 45 53 65 89
52. 50 53 67 88 90 52. 3 25 67 69 89 52. 2 53 55 57 81
53. 4 14 21 24 72

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
1. táblázat 273
1978 1979 1980

1. 8 31 57 60 75 1. 34 37 60 64 78 1. 12 46 55 69 71
2. 13 39 45 71 75∗ 2. 10 15 63 66 89 2. 22 51 54 73 75
3. 17 29 67 71 72 3. 21 24 49 66 80 3. 22 36 53 54 87
4. 24 53 64 82 86∗ 4. 9 13 37 82 90 4. 7 13 25 66 86
5. 2 22 57 60 89 5. 27 60 62 66 82 5. 3 17 53 56 59
6. 1 8 15 22 37 6. 47 53 54 56 74 6. 5 7 14 20 40
7. 17 40 45 62 65∗ 7. 13 24 42 81 84 7. 10 24 35 73 78
8. 14 38 45 46 83 8. 17 62 64 79 83∗ 8. 10 32 82 84 87
9. 1 22 28 45 74∗ 9. 45 55 69 75 83 9. 5 17 41 62 72
10. 3 41 42 57 70 10. 28 29 35 48 87 10. 11 12 54 56 82
11. 17 26 34 45 49∗ 11. 43 52 55 81 89 11. 18 64 70 86 90
12. 19 38 51 84 90 12. 4 10 19 42 79 12. 7 38 43 69 81
13. 37 44 68 75 76 13. 6 12 45 56 75∗ 13. 2 23 50 64 90∗
14. 1 24 51 53 85 14. 4 18 48 75 87 14. 14 31 64 66 77
15. 22 30 38 52 59 15. 3 25 40 43 82 15. 17 23 34 55 66∗
16. 4 61 73 79 88 16. 7 20 51 74 87 16. 15 46 59 60 81
17. 32 57 69 73 87 17. 7 35 36 61 82 17. 3 40 58 59 87
18. 14 29 57 66 89 18. 11 25 35 45 57 18. 19 25 33 53 59∗
19. 7 28 65 71 81 19. 16 25 27 54 87 19. 14 22 29 59 60
20. 27 28 39 47 77 20. 28 33 34 47 76 20. 18 31 47 64 76∗
21. 11 18 22 36 56∗ 21. 6 7 41 46 86 21. 18 21 29 66 80
22. 25 45 57 74 78 22. 42 45 59 62 69∗ 22. 11 21 68 79 81
23. 21 26 29 39 71 23. 12 30 41 60 62 23. 6 23 27 35 42
24. 16 26 56 86 88∗ 24. 7 16 40 87 89 24. 3 43 45 72 87
25. 6 27 57 61 88 25. 14 15 71 84 88 25. 7 13 17 22 24
26. 19 45 46 56 72 26. 50 56 57 59 74 26. 10 25 36 51 55∗
27. 21 44 47 48 84 27. 11 20 34 42 48 27. 5 18 27 39 43∗
28. 15 32 60 72 85 28. 2 12 29 62 79 28. 7 9 14 15 80
29. 1 6 15 58 78 29. 15 32 34 51 84 29. 13 25 27 42 71
30. 7 8 51 59 86 30. 20 22 64 66 69 30. 12 13 37 56 89
31. 9 20 32 59 83 31. 3 5 31 74 90 31. 12 18 72 80 90
32. 9 23 27 33 88 32. 26 31 35 36 50 32. 48 59 65 68 90
33. 32 36 47 49 52 33. 16 46 63 80 81 33. 16 28 51 59 64
34. 3 9 26 40 75 34. 5 8 44 45 49 34. 36 48 62 65 69
35. 9 42 78 84 86 35. 6 10 42 48 66 35. 15 25 39 42 77
36. 25 33 43 56 80 36. 8 22 45 52 74 36. 22 32 40 47 79
37. 20 35 47 58 88 37. 4 6 50 56 68 37. 18 23 32 46 64
38. 4 9 65 70 90 38. 34 59 67 75 78 38. 3 19 71 76 83
39. 27 31 58 66 83 39. 22 26 35 45 57∗ 39. 3 12 32 40 52∗
40. 10 19 56 58 71 40. 2 8 11 16 53 40. 8 13 46 54 56
41. 44 59 60 72 74 41. 19 35 38 77 79 41. 3 14 47 75 86
42. 7 15 30 40 59 42. 29 30 37 70 71 42. 17 41 52 77 87
43. 8 37 68 74 80 43. 18 36 47 48 60 43. 1 15 39 52 84
44. 15 17 48 70 77 44. 14 32 73 87 88 44. 13 16 21 23 30
45. 18 23 29 56 71 45. 7 16 52 77 80∗ 45. 7 10 15 46 75
46. 35 59 62 66 72 46. 9 35 48 49 69 46. 3 8 20 32 79
47. 19 21 22 46 89 47. 16 31 48 62 63 47. 4 6 44 45 53∗
48. 10 13 22 76 90 48. 8 36 38 68 73 48. 26 49 62 63 74
49. 12 31 58 85 88 49. 3 25 45 64 79 49. 12 19 46 52 53
50. 40 43 50 61 83 50. 10 43 49 74 89 50. 34 64 70 74 87
51. 14 36 63 76 89 51. 22 34 68 87 89 51. 14 24 46 70 84∗
52. 16 19 52 68 84 52. 13 28 37 70 74 52. 28 45 49 55 70

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
1981 1982 1983

1. 13 24 41 48 70 1. 43 44 63 74 84 1. 13 23 24 85 89
2. 6 41 57 62 78 2. 19 29 31 63 87 2. 6 12 20 72 86
3. 23 29 56 67 69∗ 3. 2 24 35 65 75 3. 39 47 55 76 90
4. 1 10 33 46 86 4. 23 31 56 66 85 4. 30 54 62 76 83
5. 6 12 32 46 87∗ 5. 20 30 33 49 77 5. 23 32 70 80 81∗
6. 29 44 46 56 73 6. 3 9 11 29 71 6. 29 40 60 69 72
7. 1 34 50 59 79 7. 32 50 68 69 85 7. 3 10 50 60 63
8. 4 10 47 55 77 8. 21 42 54 73 87 8. 7 18 19 54 61
9. 41 52 54 55 87 9. 40 41 47 68 83 9. 13 18 30 54 71
10. 14 20 31 73 86 10. 22 29 36 56 75∗ 10. 2 26 52 66 76
11. 4 8 23 47 85 11. 8 9 43 76 81 11. 5 7 65 68 83
12. 15 64 73 79 82 12. 43 59 69 82 85 12. 19 36 51 54 61
13. 12 19 39 44 90∗ 13. 23 56 61 63 89 13. 25 34 56 59 85
14. 9 14 27 30 69 14. 4 12 25 38 66 14. 12 42 61 66 68
15. 15 27 40 47 76∗ 15. 14 17 49 76 82 15. 23 41 55 76 84
16. 7 32 60 61 89 16. 1 4 18 46 47 16. 25 64 78 79 88
17. 9 10 22 60 87 17. 9 11 14 19 89 17. 47 55 67 78 84
18. 4 14 19 46 72∗ 18. 37 47 53 62 75 18. 39 43 53 64 70∗
19. 13 23 38 45 48 19. 10 16 24 67 84 19. 16 29 43 56 90
20. 4 16 28 61 62 20. 16 22 26 29 64 20. 12 18 55 60 74
21. 15 24 32 33 67 21. 7 35 38 61 86 21. 31 43 49 52 73∗
22. 11 24 46 49 60 22. 13 32 43 62 90 22. 3 4 34 45 77
23. 2 15 25 32 37 23. 11 17 48 88 90 23. 7 21 63 64 85
24. 3 58 62 79 80 24. 1 8 33 34 35 24. 9 30 44 60 67∗
25. 8 45 46 54 59 25. 8 20 29 31 42 25. 12 20 25 47 81
26. 47 52 57 85 90 26. 3 32 50 52 69 26. 10 13 60 61 62
27. 8 35 38 44 50∗ 27. 8 16 17 48 86 27. 41 50 57 61 62∗
28. 18 19 27 54 56 28. 23 29 41 45 63 28. 23 37 58 72 85
29. 36 40 45 56 81∗ 29. 34 39 55 62 81 29. 13 27 29 49 83
30. 3 46 74 76 87 30. 30 48 72 76 87 30. 4 21 37 51 67∗
31. 19 21 27 48 81∗ 31. 16 41 44 49 80 31. 4 31 62 82 89
32. 45 47 64 83 89 32. 16 36 60 66 72 32. 8 13 20 26 89
33. 4 25 60 69 85 33. 35 64 65 86 88 33. 29 41 68 78 82
34. 16 18 24 40 50 34. 16 46 51 73 83 34. 20 32 34 54 64
35. 37 46 49 50 66 35. 1 48 71 74 89 35. 4 5 28 41 88
36. 14 40 54 55 61 36. 18 29 67 85 87 36. 16 18 60 75 88
37. 18 62 64 78 89 37. 8 9 43 72 84 37. 10 18 20 24 66
38. 13 21 27 86 89 38. 8 9 19 26 61 38. 8 38 65 67 77
39. 15 57 73 78 81 39. 31 54 58 59 69 39. 15 28 54 78 80
40. 3 11 12 20 53 40. 6 41 68 71 81 40. 14 17 30 83 85
41. 42 51 60 80 90 41. 10 25 60 78 79∗ 41. 41 55 77 88 90∗
42. 14 34 67 69 88 42. 1 10 38 67 77 42. 12 25 43 53 54
43. 3 4 11 53 68 43. 10 32 46 67 84 43. 1 35 39 78 84
44. 16 25 41 64 85 44. 18 45 49 50 75 44. 2 13 17 43 75
45. 12 17 29 60 88 45. 16 18 29 49 62 45. 19 41 51 56 84
46. 14 32 42 43 62 46. 17 21 31 71 80 46. 10 34 54 80 83
47. 19 23 25 32 51∗ 47. 1 56 59 64 84∗ 47. 18 43 44 50 83
48. 19 40 51 75 76 48. 29 38 59 66 75∗ 48. 4 24 27 58 79
49. 34 69 78 85 86 49. 13 24 27 31 75 49. 32 38 44 71 72
50. 8 10 25 40 86 50. 4 18 22 39 58∗ 50. 19 65 68 78 83
51. 33 36 59 76 80 51. 3 35 41 72 80 51. 10 48 53 67 73
52. 12 23 42 56 72∗ 52. 3 30 41 63 81∗ 52. 44 46 50 68 81
53. 12 36 40 55 68

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
1. táblázat 275
1984 1985 1986

1. 19 25 31 54 76 1. 43 47 59 63 84∗ 1. 4 8 12 30 69∗
2. 7 13 54 55 89∗ 2. 11 19 61 62 89 2. 31 43 45 56 64
3. 2 4 28 37 55 3. 24 51 72 77 79 3. 1 20 49 61 69
4. 15 26 54 83 85 4. 10 44 54 58 68 4. 54 59 65 73 86
5. 2 7 20 27 43 5. 9 46 66 67 84 5. 20 24 29 48 57
6. 4 9 30 83 84 6. 8 10 14 30 75 6. 5 42 61 64 70
7. 18 30 57 61 81 7. 7 8 67 75 80 7. 1 36 37 64 70
8. 17 31 48 59 85 8. 7 25 28 39 69∗ 8. 6 33 73 77 88
9. 20 22 49 78 90 9. 15 28 58 70 72 9. 26 39 64 71 87
10. 2 14 17 29 75 10. 3 36 41 58 69∗ 10. 23 33 51 74 80∗
11. 16 26 47 51 62 11. 2 18 39 57 64 11. 42 50 58 74 76
12. 10 40 55 64 67∗ 12. 19 25 40 45 70 12. 15 18 27 38 81
13. 2 14 30 51 63 13. 3 18 41 66 85∗ 13. 15 27 64 74 77∗
14. 10 17 28 50 80 14. 51 53 55 65 82 14. 16 23 26 62 88
15. 19 38 56 60 65 15. 6 37 66 77 88∗ 15. 1 11 33 51 76
16. 2 34 67 77 83 16. 21 34 68 80 89 16. 23 36 71 79 86
17. 4 6 31 41 56 17. 11 14 18 31 54 17. 19 22 26 28 65
18. 43 54 63 65 66 18. 17 58 66 79 84 18. 4 8 15 64 82
19. 13 14 49 65 84 19. 2 14 30 32 33 19. 3 21 29 34 74
20. 20 35 46 57 78 20. 7 26 31 52 79∗ 20. 21 24 44 75 81
21. 3 17 18 64 87 21. 7 34 69 70 81 21. 29 47 71 74 77
22. 20 36 39 50 84∗ 22. 22 30 32 54 63∗ 22. 24 33 38 53 81
23. 9 26 77 84 87 23. 43 45 64 74 80 23. 12 22 29 59 80
24. 53 57 62 77 83 24. 10 38 44 45 48 24. 5 18 73 76 83
25. 1 3 15 37 40 25. 6 11 56 61 71 25. 10 24 26 61 90
26. 9 20 24 85 86 26. 3 17 18 33 88 26. 1 10 44 79 82
27. 12 13 60 70 88 27. 12 43 46 48 60 27. 1 11 13 21 52
28. 7 25 29 36 79 28. 20 71 76 87 90 28. 36 49 71 73 89
29. 26 31 42 52 90 29. 1 2 59 85 88 29. 13 20 30 78 89∗
30. 2 43 56 67 90 30. 9 12 22 48 88 30. 15 30 37 50 59
31. 10 17 78 81 85 31. 20 32 69 75 78 31. 11 16 18 72 85
32. 4 8 44 58 65 32. 2 8 32 75 81 32. 15 43 48 69 76∗
33. 30 52 68 69 79 33. 5 37 50 57 85 33. 29 51 61 62 86
34. 29 33 42 48 51 34. 44 49 66 72 89 34. 6 7 15 16 77
35. 5 18 53 72 87 35. 3 19 38 41 77 35. 27 29 30 57 83
36. 10 20 44 64 80 36. 7 16 17 67 73 36. 3 19 32 49 69∗
37. 18 28 57 72 82 37. 2 33 41 69 73 37. 5 17 43 48 90
38. 58 63 64 66 79 38. 9 46 56 81 84 38. 20 24 44 61 72
39. 46 52 56 67 90 39. 6 21 26 56 57 39. 4 40 43 57 85
40. 3 10 28 31 88 40. 12 24 58 68 77 40. 12 17 71 72 73
41. 4 6 47 49 56 41. 4 17 46 48 75∗ 41. 4 18 30 51 54
42. 2 57 66 67 69 42. 6 12 15 41 53 42. 27 36 46 67 85
43. 11 20 51 55 78 43. 31 32 40 57 67 43. 37 42 63 77 83
44. 9 20 34 63 77∗ 44. 24 37 60 69 78 44. 1 47 50 69 83
45. 8 22 24 42 85 45. 13 34 64 69 82 45. 1 18 35 54 58
46. 4 74 77 78 89 46. 6 10 52 57 85∗ 46. 13 15 60 68 77
47. 23 28 62 64 79 47. 26 50 75 78 89 47. 6 20 60 61 73
48. 7 16 20 65 75 48. 1 39 51 55 67 48. 18 19 55 66 68∗
49. 14 29 30 86 87 49. 49 53 72 88 90 49. 8 10 55 57 90
50. 8 19 63 80 90 50. 3 4 22 29 72 50. 10 37 51 84 90
51. 17 21 34 49 60∗ 51. 20 33 52 82 89 51. 12 34 38 65 77
52. 1 12 32 65 84 52. 13 19 20 58 63 52. 9 33 39 42 55

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
1987 1988 1989

1. 11 57 58 68 76 1. 19 36 44 54 70 1. 12 19 27 37 79
2. 11 41 61 68 76 2. 50 58 73 76 85 2. 14 20 59 60 71
3. 11 54 55 79 84 3. 5 12 27 69 75 3. 29 55 75 81 87
4. 4 15 29 38 68 4. 2 3 72 85 89 4. 8 37 59 62 84∗
5. 33 37 50 53 66 5. 10 38 41 58 77 5. 1 29 31 40 47∗
6. 1 21 63 72 80 6. 8 28 30 31 78 6. 21 25 56 59 67
7. 7 14 49 53 80 7. 5 52 53 77 81 7. 3 15 53 65 73
8. 9 12 25 60 75 8. 30 33 73 82 84 8. 18 24 43 60 68
9. 16 26 43 65 77 9. 35 47 50 55 81 9. 45 56 58 66 86
10. 30 31 48 53 75 10. 16 47 59 62 80 10. 20 43 47 57 87
11. 39 46 49 59 72 11. 24 27 45 48 65 11. 1 20 61 78 88
12. 3 17 46 68 78∗ 12. 24 25 27 31 70 12. 5 8 21 25 33
13. 10 25 28 65 85 13. 14 30 41 61 62 13. 7 36 39 48 64
14. 34 47 55 65 90 14. 13 27 36 54 61∗ 14. 16 38 47 55 71
15. 14 22 30 54 75∗ 15. 16 17 27 41 55 15. 20 35 43 59 70
16. 24 46 62 64 80 16. 26 28 47 58 86 16. 11 13 20 22 36
17. 10 12 28 61 88 17. 36 51 61 65 73 17. 20 32 35 51 67
18. 40 59 65 76 87 18. 19 21 29 58 79∗ 18. 14 37 47 66 67
19. 20 22 50 53 79 19. 4 7 46 64 80 19. 6 8 42 60 73
20. 11 13 22 60 65∗ 20. 11 24 37 52 54 20. 7 15 25 53 86
21. 11 27 45 54 81 21. 26 39 42 54 65 21. 3 9 26 38 47
22. 7 34 46 73 88 22. 2 26 34 46 60 22. 32 41 44 76 82
23. 11 29 41 65 78 23. 11 61 79 89 90∗ 23. 2 15 64 67 69
24. 6 16 25 42 84 24. 17 26 42 62 76 24. 16 26 52 77 78
25. 27 34 53 55 86∗ 25. 13 18 38 44 67 25. 1 5 32 72 78
26. 25 43 62 63 84 26. 9 10 15 34 86 26. 13 21 25 41 50
27. 42 46 58 68 80 27. 17 18 46 65 87 27. 49 54 68 80 84
28. 11 24 37 52 61 28. 7 29 44 47 82 28. 21 46 52 80 87
29. 3 9 46 64 74 29. 1 8 39 44 52 29. 10 21 23 41 46
30. 1 24 29 38 58 30. 48 70 73 78 82 30. 18 23 50 68 77
31. 2 15 49 52 58 31. 28 33 48 49 58 31. 29 43 81 85 87
32. 3 15 32 34 87 32. 9 24 29 59 63∗ 32. 5 36 38 42 74
33. 3 13 28 38 72 33. 2 17 35 68 86 33. 3 5 44 78 80
34. 3 7 13 21 59∗ 34. 1 38 71 75 80 34. 8 52 55 65 76
35. 17 58 65 79 89 35. 24 32 75 77 80 35. 27 69 82 84 86
36. 29 40 69 79 90 36. 36 51 60 67 69 36. 28 75 76 81 82
37. 23 27 29 78 81 37. 15 17 37 51 81 37. 45 48 57 78 90
38. 29 75 81 82 86 38. 13 20 36 61 77 38. 4 16 50 60 83
39. 7 17 19 29 76 39. 1 17 19 55 66 39. 10 16 22 25 61∗
40. 21 36 38 81 85 40. 21 26 27 33 88 40. 10 16 72 80 83
41. 2 23 24 80 90 41. 3 30 54 55 58 41. 23 24 31 49 64
42. 12 33 37 68 88 42. 4 31 45 77 90 42. 30 35 40 75 82
43. 8 59 62 76 81 43. 7 8 22 56 64 43. 14 24 26 37 83
44. 19 30 43 59 83 44. 24 27 49 52 80 44. 2 27 32 55 86
45. 29 30 35 42 75 45. 3 9 46 70 90 45. 27 30 41 52 80
46. 8 39 51 54 86 46. 25 37 38 64 76 46. 30 31 47 51 52
47. 7 8 10 22 69 47. 4 35 50 80 84 47. 1 38 55 73 74
48. 44 62 63 82 84 48. 38 47 68 78 83 48. 3 32 33 38 49
49. 10 50 75 86 87 49. 2 28 36 77 79 49. 31 37 64 70 78
50. 1 5 25 37 40 50. 14 52 60 70 90 50. 30 45 66 79 80
51. 4 22 51 61 62 51. 13 38 71 76 85 51. 12 34 46 64 82∗
52. 28 36 68 74 80∗ 52. 24 26 31 76 77 52. 1 42 49 62 74
53. 21 22 27 31 86

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
1. táblázat 277
1990 1991 1992

1. 25 30 38 56 79 1. 21 45 47 58 79 1. 24 38 39 60 69
2. 1 7 32 76 84 2. 22 28 40 73 85 2. 26 33 38 43 53
3. 35 47 49 64 66∗ 3. 12 14 25 50 85 3. 5 27 59 87 89
4. 21 39 56 58 86∗ 4. 8 62 65 78 80∗ 4. 5 31 43 69 79
5. 32 47 57 66 82 5. 19 31 49 74 81 5. 13 36 45 48 64
6. 29 40 62 86 90 6. 32 34 40 51 62∗ 6. 9 24 42 57 69
7. 15 56 78 82 88 7. 60 61 69 71 79 7. 10 19 71 76 80
8. 13 48 54 57 70 8. 18 37 64 78 82 8. 9 12 14 17 41
9. 41 42 44 51 64 9. 7 26 70 76 87 9. 16 48 49 71 83
10. 7 18 48 59 77 10. 19 23 57 63 66 10. 6 14 39 50 64
11. 10 11 18 22 85 11. 11 12 42 76 83 11. 7 22 45 49 83
12. 15 34 37 50 71 12. 12 41 50 61 72 12. 34 58 61 65 75
13. 1 37 43 76 89 13. 6 8 23 71 83 13. 39 54 58 73 74
14. 2 57 63 70 89 14. 5 9 64 66 72 14. 11 47 56 64 73∗
15. 4 11 15 64 66 15. 36 61 64 75 88 15. 8 45 58 72 80
16. 23 36 68 83 87 16. 32 41 51 65 77 16. 10 20 22 48 72
17. 8 22 65 66 80 17. 1 18 28 33 88 17. 35 48 71 78 83
18. 26 34 35 77 79 18. 6 37 41 64 90 18. 16 19 41 44 86
19. 11 32 40 48 88 19. 2 12 50 62 74 19. 7 14 60 66 86
20. 19 48 51 78 86 20. 9 35 53 60 83 20. 5 25 32 63 75∗
21. 9 21 46 57 69∗ 21. 1 31 34 50 66 21. 19 21 37 42 71∗
22. 14 31 57 69 85∗ 22. 5 22 56 57 74 22. 5 9 35 36 61
23. 15 37 65 79 87∗ 23. 11 52 74 86 90 23. 29 34 37 47 90
24. 7 23 30 72 75 24. 37 53 58 69 89 24. 4 19 21 49 63
25. 16 25 38 78 83 25. 7 13 27 56 83∗ 25. 10 46 59 63 81
26. 10 17 33 71 75 26. 23 44 60 83 90 26. 33 34 56 62 81
27. 12 59 62 69 90 27. 4 6 23 35 65 27. 6 8 32 53 90
28. 11 13 48 49 51∗ 28. 10 13 17 25 69∗ 28. 16 33 44 76 80
29. 17 70 72 75 84 29. 13 24 33 63 72 29. 24 55 78 79 87
30. 2 6 9 23 26 30. 25 41 46 70 84 30. 35 55 60 79 86
31. 16 18 28 35 82 31. 22 35 43 63 85∗ 31. 1 20 29 35 47
32. 2 19 38 49 81 32. 13 22 23 43 89 32. 7 25 28 36 88∗
33. 20 22 32 41 86 33. 9 10 13 60 64 33. 4 5 29 75 90
34. 19 30 49 61 71 34. 30 32 49 54 65 34. 12 20 44 81 82
35. 18 21 34 40 71 35. 49 53 66 79 83∗ 35. 1 4 5 22 39
36. 44 59 68 72 73 36. 36 60 67 70 80 36. 41 43 44 54 55∗
37. 21 32 64 84 89 37. 3 10 15 24 70 37. 16 45 52 87 90
38. 12 18 30 42 46 38. 30 45 50 68 80 38. 3 52 64 74 77
39. 29 58 63 73 85 39. 11 54 61 81 86 39. 13 22 45 47 87
40. 11 22 26 49 88 40. 19 41 57 64 70 40. 1 8 14 17 38
41. 11 26 46 63 67 41. 9 11 44 49 85∗ 41. 13 47 50 67 76
42. 2 23 67 69 86 42. 7 10 26 63 72 42. 7 11 29 49 51
43. 57 74 78 83 87∗ 43. 21 43 56 65 66 43. 21 33 59 71 83∗
44. 16 20 27 57 71 44. 29 42 69 85 86 44. 5 47 51 72 81
45. 30 33 57 73 83 45. 11 15 16 38 65 45. 4 31 33 58 76
46. 21 35 45 70 89 46. 28 39 55 68 71 46. 3 5 36 55 70
47. 1 4 6 79 83 47. 16 21 25 37 86 47. 6 16 18 23 45
48. 20 36 44 71 88∗ 48. 13 34 67 68 78 48. 22 53 77 78 86
49. 4 13 44 85 89 49. 8 61 73 74 84 49. 28 47 61 72 74
50. 18 34 46 51 81 50. 1 30 60 70 87 50. 27 57 69 76 83
51. 3 14 36 38 42∗ 51. 23 32 48 61 90 51. 40 58 69 82 87∗
52. 35 42 49 54 78∗ 52. 5 39 63 80 88∗ 52. 25 33 48 79 84

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
1993 1994 1995

1. 5 25 36 54 66 1. 29 44 51 52 89 1. 6 11 29 35 81
2. 40 56 64 68 80 2. 13 42 51 66 84 2. 11 27 57 68 78
3. 3 53 54 55 57 3. 1 5 11 40 62 3. 12 28 35 41 55
4. 29 41 51 65 66 4. 14 38 52 54 86 4. 30 42 63 64 78
5. 21 29 34 35 43 5. 11 40 44 68 84 5. 27 29 49 72 77
6. 1 10 17 24 73 6. 26 50 66 74 89 6. 47 56 62 67 70
7. 7 8 23 33 48 7. 5 46 47 55 79 7. 5 19 49 85 90∗
8. 1 2 5 15 45 8. 11 20 36 82 90 8. 5 10 45 71 76
9. 2 19 26 28 68∗ 9. 8 43 54 59 81 9. 5 25 35 39 52∗
10. 38 68 78 85 90 10. 21 26 54 58 59 10. 10 20 40 54 85
11. 9 10 18 63 81 11. 19 49 69 83 86 11. 7 11 33 78 81
12. 8 22 32 50 59 12. 10 25 26 72 77 12. 2 19 69 85 87
13. 10 51 72 73 81 13. 8 10 54 63 64 13. 16 50 66 73 74
14. 8 20 47 48 54 14. 3 8 16 29 36 14. 9 27 33 40 50
15. 36 44 47 49 90 15. 10 12 18 51 77∗ 15. 39 55 58 71 74
16. 15 18 42 43 53∗ 16. 7 8 19 29 53 16. 1 4 33 67 75
17. 29 47 57 62 63 17. 15 16 47 58 67 17. 20 35 48 66 80
18. 36 42 85 89 90 18. 29 58 62 70 77 18. 14 29 40 55 76∗
19. 7 28 42 43 69 19. 13 22 47 67 68 19. 16 45 51 52 90
20. 6 53 69 80 86∗ 20. 7 35 68 75 80 20. 6 15 23 69 90
21. 6 12 26 45 80 21. 16 39 59 63 68 21. 3 12 22 29 36
22. 4 21 30 34 45 22. 15 33 36 48 83 22. 23 45 62 74 86
23. 3 36 39 42 45∗ 23. 30 44 53 77 86 23. 22 52 65 66 76
24. 7 10 38 66 79∗ 24. 14 20 34 71 82 24. 42 52 62 83 90
25. 16 40 77 86 88∗ 25. 2 25 29 83 86 25. 7 14 27 45 51
26. 9 34 37 81 84 26. 14 46 50 68 76 26. 23 28 44 55 76
27. 14 25 28 43 52 27. 7 21 39 56 64∗ 27. 2 17 28 77 79
28. 4 15 18 61 65 28. 21 43 44 52 88 28. 27 52 53 57 62
29. 20 37 39 62 75 29. 12 58 76 78 86 29. 7 32 63 77 81
30. 4 7 30 58 77 30. 7 9 35 59 73 30. 6 20 40 46 47
31. 33 47 64 71 83∗ 31. 3 26 28 47 80 31. 15 31 39 51 73
32. 1 46 59 69 82 32. 10 12 31 67 72 32. 8 37 44 51 80
33. 32 49 53 78 86∗ 33. 37 64 65 72 84 33. 27 34 49 63 68
34. 7 32 54 60 78 34. 21 35 45 48 63 34. 5 11 44 56 79
35. 6 22 65 78 79 35. 13 18 23 43 76 35. 8 13 42 70 80
36. 1 4 39 54 79 36. 5 14 35 85 88 36. 13 51 69 71 72
37. 31 44 52 54 73 37. 5 13 14 63 68 37. 24 25 33 50 61
38. 19 23 38 46 65∗ 38. 12 43 58 69 74 38. 24 48 60 66 85
39. 2 27 35 39 59 39. 4 18 43 68 85 39. 16 26 33 66 72
40. 15 34 50 78 84 40. 7 12 38 54 57 40. 27 33 52 72 73∗
41. 32 36 42 51 64 41. 16 22 32 51 79 41. 12 57 79 82 83
42. 7 74 79 87 90 42. 43 61 77 82 88 42. 17 69 75 80 89
43. 20 21 27 59 67 43. 11 15 31 41 77 43. 6 16 26 42 74
44. 9 17 33 60 68∗ 44. 6 10 41 45 85∗ 44. 22 23 54 62 68
45. 15 36 52 56 83 45. 3 10 12 15 89 45. 1 3 21 43 52
46. 3 41 49 61 76 46. 11 54 72 79 86 46. 8 43 78 87 90
47. 1 12 22 48 65 47. 7 23 72 76 81 47. 19 23 47 72 79
48. 6 35 37 62 72 48. 2 26 36 37 72 48. 46 64 65 77 81
49. 9 28 33 42 62 49. 16 42 63 65 77 49. 1 9 48 54 85
50. 1 34 64 73 88 50. 50 53 64 68 71 50. 11 13 66 80 87
51. 26 60 61 67 82 51. 11 22 73 75 77 51. 61 65 74 83 85
52. 25 29 68 71 80 52. 31 34 43 74 90 52. 5 32 38 64 81∗
53. 10 16 27 43 70

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
1. táblázat 279
1996 1997 1998

1. 16 37 71 72 82 1. 1 3 10 25 62 1. 4 18 21 24 29
2. 8 21 27 46 58 2. 26 43 54 56 70 2. 1 14 46 59 64∗
3. 14 33 70 73 83 3. 36 38 42 54 66 3. 39 49 52 66 70
4. 26 32 34 52 85∗ 4. 2 29 40 62 65 4. 3 13 30 45 49∗
5. 6 42 57 58 70 5. 33 38 46 67 74 5. 7 10 32 71 84
6. 12 62 69 72 82 6. 40 58 66 69 75 6. 15 43 54 69 74
7. 5 40 46 54 90 7. 8 14 43 48 54 7. 10 12 25 41 85
8. 24 35 41 52 67 8. 28 30 31 77 86 8. 8 24 32 45 60
9. 21 26 44 49 81 9. 22 28 38 42 76 9. 12 26 28 35 44
10. 8 9 32 49 63 10. 17 39 43 55 79 10. 9 11 18 24 51
11. 18 19 61 68 72 11. 3 19 27 28 75 11. 26 30 69 82 85
12. 8 13 29 47 87 12. 2 15 38 60 77 12. 30 41 57 62 84
13. 38 42 48 51 85 13. 32 34 78 88 89 13. 7 25 43 65 74
14. 1 39 53 68 70 14. 23 40 62 77 85 14. 9 18 21 52 57
15. 14 32 35 66 89 15. 30 33 83 88 89 15. 1 26 41 45 76
16. 14 44 46 52 70 16. 34 42 55 79 85 16. 31 64 72 75 89
17. 14 19 20 73 76 17. 2 30 55 57 64 17. 8 13 18 54 74∗
18. 12 24 66 77 86 18. 25 58 81 88 90 18. 2 15 36 48 73
19. 4 12 43 62 76 19. 14 32 49 72 77 19. 3 20 34 39 71
20. 22 50 54 57 89 20. 16 38 58 73 87 20. 24 30 40 81 85
21. 19 20 56 76 77 21. 3 19 35 56 64 21. 31 40 76 84 89
22. 9 20 59 60 70∗ 22. 15 61 67 71 86 22. 11 30 60 83 88
23. 46 47 62 67 88 23. 25 43 56 66 78∗ 23. 27 33 66 76 81
24. 1 52 67 68 83 24. 10 22 27 28 82 24. 2 6 19 44 52
25. 20 28 44 46 82 25. 18 57 62 75 77 25. 26 35 59 77 83
26. 5 30 61 63 86 26. 8 11 51 75 86 26. 6 57 60 67 79
27. 19 21 52 82 83∗ 27. 11 39 46 50 65 27. 35 46 51 56 69
28. 30 50 55 76 77 28. 11 23 24 31 64 28. 11 64 71 72 80
29. 29 35 50 72 87 29. 8 45 51 56 74 29. 21 25 35 41 62
30. 24 52 77 80 88 30. 21 50 59 78 80 30. 6 9 26 84 88
31. 20 32 71 78 84∗ 31. 31 37 44 73 86 31. 3 27 42 53 73
32. 10 24 32 67 72 32. 2 23 76 82 89 32. 17 20 25 62 79∗
33. 26 37 40 72 85 33. 10 11 21 54 63 33. 14 65 67 70 77
34. 2 5 20 42 78 34. 12 19 20 70 73 34. 5 24 77 84 88
35. 21 25 39 45 56 35. 9 35 44 49 53 35. 9 12 44 56 82
36. 19 28 56 72 87 36. 47 48 51 66 83 36. 4 40 79 85 86
37. 23 26 49 68 78 37. 16 22 56 57 80 37. 15 26 42 66 84
38. 14 27 41 56 76 38. 6 16 26 39 66 38. 5 23 37 45 86∗
39. 29 40 51 65 66∗ 39. 23 50 55 67 83∗ 39. 9 20 36 52 89
40. 7 29 40 63 77 40. 15 31 32 52 64 40. 1 13 35 41 53
41. 13 22 38 65 90 41. 14 26 59 75 85 41. 53 61 70 75 86
42. 10 29 44 52 77∗ 42. 30 40 41 43 75 42. 58 75 81 82 86
43. 11 40 45 72 80 43. 4 21 25 34 75 43. 2 10 49 66 73
44. 4 6 27 68 89 44. 35 44 56 66 70∗ 44. 2 12 31 46 87
45. 22 31 50 60 67 45. 23 28 40 44 52 45. 29 39 51 64 82
46. 5 47 62 75 84 46. 13 44 47 79 81 46. 6 46 59 67 71
47. 28 35 69 81 82∗ 47. 36 40 42 62 66 47. 5 6 47 58 76
48. 16 27 33 34 46 48. 57 59 67 88 90 48. 5 9 22 25 31∗
49. 7 14 33 64 82∗ 49. 23 51 70 71 73 49. 12 16 34 40 90
50. 1 14 22 72 89 50. 17 54 60 61 90 50. 6 17 50 55 85
51. 4 17 23 47 66 51. 1 5 13 55 78∗ 51. 1 35 61 77 83
52. 11 13 45 67 75 52. 22 33 45 66 81∗ 52. 7 22 24 43 80
53. 10 34 54 75 78

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
1999 2000 2001

1. 10 17 46 47 75 1. 24 30 37 54 83 1. 12 38 62 64 71∗
2. 2 33 38 39 59 2. 17 21 32 63 73∗ 2. 23 36 54 55 74
3. 7 41 70 71 84 3. 7 27 40 49 78 3. 11 25 32 78 83
4. 12 41 43 57 61 4. 16 29 53 57 80 4. 10 43 59 80 85
5. 15 26 27 31 66 5. 4 22 30 67 88 5. 17 57 59 60 71
6. 1 10 28 31 50 6. 8 10 70 76 85 6. 7 10 18 33 41
7. 15 29 45 77 83 7. 1 5 34 66 72 7. 13 28 52 75 83
8. 32 47 55 74 78 8. 11 16 34 42 59∗ 8. 1 9 34 35 86
9. 26 27 42 55 86 9. 4 11 31 37 64 9. 38 57 58 62 63
10. 26 31 53 72 73 10. 14 16 33 78 83 10. 24 61 68 75 85
11. 10 13 28 55 72 11. 10 19 57 64 81 11. 15 32 42 47 52
12. 2 4 17 25 61 12. 19 57 59 73 74 12. 21 26 27 42 73
13. 12 19 27 31 35 13. 4 30 47 67 81 13. 12 28 37 61 80
14. 3 19 28 57 64∗ 14. 15 29 37 39 55 14. 4 9 11 37 53
15. 9 20 22 27 37∗ 15. 5 11 47 48 77 15. 10 31 45 71 78
16. 48 56 76 79 87 16. 25 42 48 52 90 16. 13 15 28 45 79
17. 14 20 45 57 72 17. 20 23 51 59 64 17. 1 12 24 52 87
18. 32 41 53 59 68 18. 1 47 58 86 90 18. 5 12 15 17 69∗
19. 10 37 48 65 89 19. 13 31 43 53 60∗ 19. 12 27 56 58 63
20. 7 42 49 55 79 20. 15 48 65 67 81∗ 20. 3 18 58 59 72
21. 13 15 41 61 71 21. 5 16 26 50 73∗ 21. 5 7 46 52 84
22. 1 17 20 37 66 22. 16 18 50 69 88 22. 22 23 51 78 89
23. 8 20 38 59 69 23. 18 38 45 58 80 23. 14 19 44 45 67
24. 11 17 68 88 89 24. 7 23 27 35 61 24. 12 36 40 71 72
25. 29 39 43 55 68 25. 13 17 20 82 86 25. 35 38 46 61 62
26. 7 50 58 60 85 26. 18 47 49 55 60 26. 13 45 48 54 90∗
27. 36 79 82 85 86 27. 28 34 39 40 81 27. 25 27 73 76 77
28. 2 45 62 66 90 28. 17 29 64 70 82 28. 3 15 39 67 76∗
29. 27 48 61 63 80 29. 3 49 64 76 90 29. 4 20 43 58 67
30. 17 30 54 68 82 30. 21 44 53 56 77 30. 1 6 25 29 41
31. 27 32 35 82 89 31. 46 47 70 77 79 31. 2 32 36 41 43
32. 11 27 84 85 87 32. 3 21 35 40 45 32. 3 16 45 46 61
33. 29 55 64 66 74 33. 4 9 18 25 63 33. 4 40 42 51 76
34. 13 19 66 77 78 34. 17 35 58 59 63 34. 14 26 43 62 88
35. 16 34 38 49 70 35. 23 50 76 79 89 35. 47 60 66 81 89
36. 25 42 48 54 87 36. 36 50 51 80 82 36. 6 22 26 28 34
37. 22 25 48 70 73∗ 37. 22 32 56 61 73 37. 12 55 71 74 85
38. 4 41 55 58 88 38. 9 22 58 69 79 38. 19 52 63 72 81
39. 48 54 57 60 90 39. 6 9 64 67 79 39. 5 11 50 67 69
40. 28 40 58 64 69 40. 30 39 55 57 85 40. 6 20 26 72 82
41. 42 48 57 73 87 41. 14 28 31 78 88 41. 31 36 48 50 54
42. 12 13 53 62 69 42. 44 50 82 85 88 42. 5 16 52 58 66
43. 17 40 45 50 58 43. 4 10 20 59 79 43. 11 31 45 53 83
44. 2 32 36 39 58 44. 32 35 54 68 77 44. 56 77 79 85 89
45. 6 30 68 74 81 45. 42 54 62 68 75 45. 28 52 69 70 90
46. 2 13 34 57 75 46. 5 17 32 35 81 46. 19 27 51 70 84
47. 6 20 36 69 84 47. 7 8 11 29 90 47. 8 23 25 54 79∗
48. 4 27 36 63 78 48. 15 18 60 74 78 48. 42 51 56 63 88
49. 22 23 50 82 90 49. 12 36 61 69 88 49. 1 21 25 60 78
50. 41 65 66 75 81 50. 17 53 60 79 82 50. 24 50 54 60 77
51. 5 11 57 67 73 51. 17 32 34 82 87 51. 2 15 32 42 75
52. 14 25 42 52 64 52. 58 66 68 83 89 52. 25 27 54 72 84

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
1. táblázat 281
2002 2003 2004

1. 10 22 43 52 68 1. 37 42 44 61 62 1. 11 20 27 32 55∗
2. 22 36 63 68 74 2. 18 42 54 83 89 2. 8 13 47 56 85
3. 2 28 29 45 81 3. 5 12 31 53 60 3. 20 33 51 76 79∗
4. 2 6 43 72 81 4. 1 28 47 56 70 4. 22 36 40 55 61∗
5. 27 30 32 47 90 5. 54 56 57 59 71 5. 30 42 61 65 66
6. 20 31 36 61 66 6. 7 21 33 39 86 6. 13 70 72 76 78
7. 18 20 61 77 90 7. 21 29 37 48 68∗ 7. 36 46 55 59 72
8. 12 13 19 28 85 8. 10 21 29 40 87 8. 38 47 49 58 69
9. 13 51 55 62 74 9. 13 33 73 77 78∗ 9. 13 36 53 59 75
10. 6 13 55 66 81 10. 2 23 65 71 84 10. 1 6 27 40 58
11. 27 35 39 68 71∗ 11. 3 21 28 30 33 11. 27 31 41 49 60
12. 2 19 49 53 54 12. 23 31 42 73 85 12. 24 38 45 48 89∗
13. 2 3 24 58 87 13. 4 23 42 61 64 13. 5 40 66 81 87
14. 50 71 75 79 88 14. 17 60 66 71 85 14. 10 23 47 58 84
15. 26 37 53 65 79 15. 12 60 66 67 72 15. 19 20 28 63 89
16. 27 52 54 61 90 16. 46 50 58 62 76 16. 12 35 41 44 73
17. 22 35 43 50 69 17. 20 32 43 65 73 17. 6 29 58 71 81
18. 1 37 41 72 75 18. 55 56 58 61 71 18. 28 33 65 86 88
19. 6 33 43 73 74 19. 18 38 41 67 89 19. 2 18 32 55 59
20. 28 38 65 77 90 20. 32 41 59 66 79 20. 22 30 34 39 75
21. 27 31 54 66 76 21. 25 35 37 74 86 21. 2 11 25 32 67
22. 15 37 39 80 81∗ 22. 1 45 60 61 82 22. 1 24 49 67 71
23. 3 25 51 80 86∗ 23. 7 20 35 58 83 23. 10 21 49 56 67∗
24. 1 17 37 49 68 24. 7 37 40 46 51 24. 4 19 38 40 60
25. 6 56 71 81 85 25. 2 6 47 74 80 25. 9 29 37 52 65
26. 5 30 32 49 79 26. 1 5 22 44 88 26. 39 43 51 63 77
27. 6 19 47 52 85 27. 23 33 34 71 89 27. 11 26 35 51 85
28. 10 16 47 67 70 28. 4 56 74 77 89 28. 33 55 62 86 88
29. 6 11 30 78 80 29. 17 18 51 52 75 29. 10 27 32 59 75
30. 41 47 59 71 74 30. 7 29 30 77 80 30. 9 23 37 40 83
31. 9 28 56 87 90 31. 17 18 28 35 90 31. 18 26 49 68 76
32. 3 10 27 36 56 32. 6 24 25 53 79 32. 6 25 32 43 82
33. 52 55 60 67 81 33. 7 12 18 38 90 33. 26 43 57 64 71
34. 39 58 61 62 71 34. 25 28 45 55 74
35. 11 12 18 76 79 35. 10 29 60 74 86
36. 13 15 16 28 54 36. 7 24 25 50 76
37. 23 24 51 59 78 37. 20 40 52 54 90
38. 11 37 40 52 73 38. 16 30 81 83 87
39. 20 21 41 62 77 39. 20 22 23 50 67
40. 12 21 42 43 65 40. 59 68 75 80 85
41. 11 24 34 41 87 41. 32 45 55 70 78
42. 8 17 35 49 67 42. 13 40 55 56 76
43. 8 25 64 72 79 43. 3 14 24 73 83
44. 5 21 43 52 64 44. 23 25 28 66 76
45. 15 20 25 47 66 45. 24 33 34 39 54
46. 14 26 48 71 85 46. 12 28 34 61 70
47. 3 5 13 60 88 47. 1 4 8 69 74
48. 22 26 43 74 81 48. 4 15 46 49 59∗
49. 17 18 33 41 59 49. 24 31 67 71 73
50. 2 3 53 60 69 50. 12 26 36 46 49
51. 33 42 50 69 85 51. 9 20 21 59 68
52. 3 17 20 37 40∗ 52. 11 24 34 64 89

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
A ∗ -gal jelzett heteken volt 5-ös találat, a következő heteken

pedig
2 db 5-ös 3 db 5-ös 4 db 5-ös
1959. 31. hét 1960. 15. hét 1975. 2. hét
1960. 18. hét 1973. 37. hét 1991. 25. hét
1967. 52. hét 1975. 33. hét
1968. 19. hét 1975. 48. hét
1969. 11. hét 1977. 42. hét 13 db 5-ös
1974. 42. hét 1981. 52. hét
1974. 45. hét 1984. 2. hét 1990. 21. hét
1975. 50. hét 1989. 4. hét
1976. 3. hét 1990. 48. hét
1976. 24. hét 2004. 23. hét
1976. 48. hét
1977. 12. hét
1977. 31. hét
1977. 47. hét
1978. 4. hét
1978. 21. hét
1980. 18. hét
1980. 20. hét
1980. 27. hét
1980. 39. hét
1981. 18. hét
1983. 23. hét
1983. 30. hét
1987. 25. hét
1990. 3. hét
1990. 51. hét
1992. 20. hét
1992. 21. hét
1992. 32. hét
1993. 20. hét
2002. 11. hét
2004. 1. hét

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
2. táblázat 283
2. táblázat. A standard normális eloszlású valószı́nűségi

Rx 2
változó Φ(x) = √12π −∞ e−u /2 du eloszlásfüggvénye
[Φ(−x) = 1 − Φ(x)]
x Φ(x) x Φ(x) x Φ(x) x Φ(x) x Φ(x)
0,00 0,5000 0,51 0,6450 1,02 0,8461 1,53 0,9370 2,08 0,9812
0,01 0,5040 0,52 0,6985 1,03 0,8485 1,54 0,9382 2,10 0,9821
0,02 0,5080 0,53 0,7019 1,04 0,8508 1,55 0,9394 2,12 0,9830
0,03 0,5120 0,54 0,7054 1,05 0,8531 1,56 0,9406 2,14 0,9838
0,04 0,5160 0,55 0,7088 1,06 0,8554 1,57 0,9418 2,16 0,9846
0,05 0,5199 0,56 0,7123 1,07 0,8577 1,58 0,9429 2,18 0,9854
0,06 0,5239 0,57 0,7157 1,08 0,8599 1,59 0,9441 2,20 0,9861
0,07 0,5279 0,58 0,7190 1,09 0,8621 1,60 0,9452 2,22 0,9868
0,08 0,5319 0,59 0,7224 1,10 0,8643 1,61 0,9463 2,24 0,9875
0,09 0,5359 0,60 0,7257 1,11 0,8665 1,62 0,9474 2,26 0,9881
0,10 0,5398 0,61 0,7291 1,12 0,8686 1,63 0,9484 2,28 0,9887
0,11 0,5438 0,62 0,7324 1,13 0,8708 1,64 0,9495 2,30 0,9893
0,12 0,5478 0,63 0,7352 1,14 0,8729 1,65 0,9505 2,32 0,9898
0,13 0,5517 0,64 0,7389 1,15 0,8749 1,66 0,9515 2,34 0,9904
0,14 0,5557 0,65 0,7422 1,16 0,8770 1,67 0,9525 2,36 0,9909
0,15 0,5596 0,66 0,7454 1,17 0,8790 1,68 0,9535 2,38 0,9913
0,16 0,5636 0,67 0,7486 1,18 0,8810 1,69 0,9545 2,40 0,9918
0,17 0,5675 0,68 0,7517 1,19 0,8830 1,70 0,9554 2,42 0,9922
0,18 0,5714 0,69 0,7549 1,20 0,8849 1,71 0,9564 2,44 0,9927
0,19 0,5753 0,70 0,7580 1,21 0,8869 1,72 0,9572 2,46 0,9931
0,20 0,5793 0,71 0,7611 1,22 0,8888 1,73 0,9582 2,48 0,9934
0,21 0,5832 0,72 0,7642 1,23 0,8907 1,74 0,9591 2,50 0,9938
0,22 0,5871 0,73 0,7673 1,24 0,8925 1,75 0,9599 2,52 0,9941
0,23 0,5910 0,74 0,7703 1,25 0,8944 1,76 0,9608 2,54 0,9945
0,24 0,5948 0,75 0,7734 1,26 0,8962 1,77 0,9616 2,56 0,9948
0,25 0,5987 0,76 0,7764 1,27 0,8980 1,78 0,9625 2,58 0,9951
0,26 0,6026 0,77 0,7794 1,25 0,8997 1,79 0,9633 2,60 0,9953
0,27 0,6064 0,78 0,7823 1,29 0,9015 1,80 0,9641 2,62 0,9956
0,28 0,6103 0,79 0,7853 1,30 0,9032 1,81 0,9649 2,64 0,9959
0,29 0,6141 0,80 0,7881 1,31 0,9049 1,82 0,9656 2,66 0,9961
0,30 0,6179 0,81 0,7910 1,32 0,9066 1,83 0,9664 2,68 0,9963
0,31 0,6217 0,82 0,7939 1,33 0,9082 1,84 0,9671 2,70 0,9965
0,32 0,6255 0,83 0,7967 1,34 0,9099 1,85 0,9678 2,72 0,9967
0,33 0,6293 0,84 0,7995 1,35 0,9115 1,86 0,9686 2,74 0,9969
0,34 0,6331 0,85 0,8023 1,36 0,9131 1,87 0,9693 2,76 0,9971
0,35 0,6368 0,86 0,8051 1,37 0,9147 1,88 0,9699 2,78 0,9973
0,36 0,6406 0,87 0,8078 1,38 0,9162 1,89 0,9706 2,80 0,9974
0,37 0,6443 0,88 0,8106 1,39 0,9177 1,90 0,9713 2,82 0,9976
0,38 0,6480 0,89 0,8133 1,40 0,9192 1,91 0,9719 2,84 0,9977
0,39 0,6517 0,90 0,8159 1,41 0,9207 1,92 0,9726 2,86 0,9979
0,40 0,6554 0,91 0,8186 1,42 0,9222 1,93 0,9732 2,88 0,9980
0,41 0,6591 0,92 0,8212 1,43 0,9236 1,94 0,9738 2,90 0,9981
0,42 0,6628 0,93 0,8238 1,44 0,9251 1,95 0,9744 2,92 0,9982
0,43 0,6664 0,94 0,8264 1,45 0,9265 1,96 0,9750 2,94 0,9984
0,44 0,6700 0,95 0,8289 1,46 0,9279 1,97 0,9756 2,96 0,9985
0,45 0,6736 0,96 0,8315 1,47 0,9292 1,98 0,9761 2,98 0,9986
0,46 0,6772 0,97 0,8340 1,48 0,9306 1,99 0,9767 3,00 0,9987
0,47 0,6808 0,98 0,8365 1,49 0,9319 2,00 0,9772 3,20 0,9993
0,48 0,6844 0,99 0,8389 1,50 0,9332 2,02 0,9783 3,40 0,9996
0,49 0,6879 1,00 0,8413 1,51 0,9345 2,04 0,9793 3,60 0,9998
0,50 0,6915 1,01 0,8438 1,52 0,9357 2,06 0,9803 3,80 0,9999

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
3. táblázat. A π első húszezer jegye. Valóban teljesen

véletlenszerűen követik egymást a tizedesjegyek, vagy
pedig van közöttük valamilyen szabályszerűség?
π = 3,+
1415926535 8979323846 2643383279 5028841971 6939937510
5820974944 5923078164 0628620899 8628034825 3421170679
8214808651 3282306647 0938446095 5058223172 5359408128
4811174502 8410270193 8521105559 6446229489 5493038196
4428810975 6659334461 2847564823 3786783165 2712019091
4564856692 3460348610 4543266482 1339360726 0249141273
7245870066 0631558817 4881520920 9628292540 9171536436
7892590360 0113305305 4882046652 1384146951 9415116094
3305727036 5759591953 0921861173 8193261179 3105118548
0744623799 6274956735 1885752724 8912279381 8301194912
9833673362 4406566430 8602139494 6395224737 1907021798
6094370277 0539217176 2931767523 8467481846 7669405132
0005681271 4526356082 7785771342 7577896091 7363717872
1468440901 2249534301 4654958537 1050792279 6892589235
4201995611 2129021960 8640344181 5981362977 4771309960
5187072113 4999999837 2978049951 0597317328 1609631859
5024459455 3469083026 4252230825 3344685035 2619311881
7101000313 7838752886 5875332083 8142061717 7669147303
5982534904 2875546873 1159562863 8823537875 9375195778
1857780532 1712268066 1300192787 6611195909 2164201989
3809525720 1065485863 2788659361 5338182796 8230301952
0353018529 6899577362 2599413891 2497217752 8347913151
5574857242 4541506959 5082953311 6861727855 8890750983
8175463746 4939319255 0604009277 0167113900 9848824012
8583616035 6370766010 4710181942 9555961989 4676783744
9448255379 7747268471 0404753464 6208046684 2590694912
9331367702 8989152104 7521620569 6602405803 8150193511
2533824300 3558764024 7496473263 9141992726 0426992279
6782354781 6360093417 2164121992 4586315030 2861829745
5570674983 8505494588 5869269956 9092721079 7509302955
3211653449 8720275596 0236480665 4991198818 3479775356
6369807426 5425278625 5181841757 4672890977 7727938000
8164706001 6145249192 1732172147 7235014144 1973568548
1613611573 5255213347 5741849468 4385233239 0739414333
4547762416 8625189835 6948556209 9219222184 2725502542
5688767179 0494601653 4668049886 2723279178 6085784383
8279679766 8145410095 3883786360 9506800642 2512520511
7392984896 0841284886 2694560424 1965285022 2106611863
0674427862 2039194945 0471237137 8696095636 4371917287
4677646575 7396241389 0865832645 9958133904 7802759009

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
3. táblázat 285
9465764078 9512694683 9835259570 9825822620 5224894077

2671947826 8482601476 9909026401 3639443745 5305068203
4962524517 4939965143 1429809190 6592509372 2169646151
5709858387 4105978859 5977297549 8930161753 9284681382
6868386894 2774155991 8559252459 5395943104 9972524680
8459872736 4469584865 3836736222 6260991246 0805124388
4390451244 1365497627 8079771569 1435997700 1296160894
4169486855 5848406353 4220722258 2848864815 8456028506
0168427394 5226746767 8895252138 5225499546 6672782398
6456596116 3548862305 7745649803 5593634568 1743241125
1507606947 9451096596 0940252288 7971089314 5669136867
2287489405 6010150330 8617928680 9208747609 1782493858
9009714909 6759852613 6554978189 3129784821 6829989487
2265880485 7564014270 4775551323 7964145152 3746234364
5428584447 9526586782 1051141354 7357395231 1342716610
2135969536 2314429524 8493718711 0145765403 5902799344
0374200731 0578539062 1983874478 0847848968 3321445713
8687519435 0643021845 3191048481 0053706146 8067491927
8191197939 9520614196 6342875444 0643745123 7181921799
9839101591 9561814675 1426912397 4894090718 6494231961
5679452080 9514655022 5231603881 9301420937 6213785595
6638937787 0830390697 9207734672 2182562599 6615014215
0306803844 7734549202 6054146659 2520149744 2850732518
6660021324 3408819071 0486331734 6496514539 0579626856
1005508106 6587969981 6357473638 4052571459 1028970641
4011097120 6280439039 7595156771 5770042033 7869936007
2305587631 7635942187 3125147120 5329281918 2618612586
7321579198 4148488291 6447060957 5270695722 0917567116
7229109816 9091528017 3506712748 5832228718 3520935396
5725121083 5791513698 8209144421 0067510334 6711031412
6711136990 8658516398 3150197016 5151168517 1437657618
3515565088 4909989859 9823873455 2833163550 7647918535
8932261854 8963213293 3089857064 2046752590 7091548141
6549859461 6371802709 8199430992 4488957571 2828905923
2332609729 9712084433 5732654893 8239119325 9746366730
5836041428 1388303203 8249037589 8524374417 0291327656
1809377344 4030707469 2112019130 2033038019 7621101100
4492932151 6084244485 9637669838 9522868478 3123552658
2131449576 8572624334 4189303968 6426243410 7732269780
2807318915 4411010446 8232527162 0105265227 2111660396

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
6655730925 4711055785 3763466820 6531098965 2691862056

4769312570 5863566201 8558100729 3606598764 8611791045
3348850346 1136576867 5324944166 8039626579 7877185560
8455296541 2665408530 6143444318 5867697514 5661406800
7002378776 5913440171 2749470420 5622305389 9456131407
1127000407 8547332699 3908145466 4645880797 2708266830
6343285878 5698305235 8089330657 5740679545 7163775254
2021149557 6158140025 0126228594 1302164715 5097925923
0990796547 3761255176 5675135751 7829666454 7791745011
2996148903 0463994713 2962107340 4375189573 5961458901
9389713111 7904297828 5647503203 1986915140 2870808599
0480109412 1472213179 4764777262 2414254854 5403321571
8530614228 8137585043 0633217518 2979866223 7172159160
7716692547 4873898665 4949450114 6540628433 6639379003
9769265672 1463853067 3609657120 9180763832 7166416274
8888007869 2560290228 4721040317 2118608204 1900042296
6171196377 9213375751 1495950156 6049631862 9472654736
4252308177 0367515906 7350235072 8354056704 0386743513
6222247715 8915049530 9844489333 0963408780 7693259939
7805419341 4473774418 4263129860 8099888687 4132604721
5695162396 5864573021 6315981931 9516735381 2974167729
4786724229 2465436680 0980676928 2382806899 6400482435
4037014163 1496589794 0924323789 6907069779 4223625082
2168895738 3798623001 5937764716 5122893578 6015881617
5578297352 3344604281 5126272037 3431465319 7777416031
9906655418 7639792933 4419521541 3418994854 4473456738
3162499341 9131814809 2777710386 3877343177 2075456545
3220777092 1201905166 0962804909 2636019759 8828161332
3166636528 6193266863 3606273567 6303544776 2803504507
7723554710 5859548702 7908143562 4014517180 6246436267
9456127531 8134078330 3362542327 8394497538 2437205835
3114771199 2606381334 6776879695 9703098339 1307710987
0408591337 4641442822 7726346594 7047458784 7787201927
7152807317 6790770715 7213444730 6057007334 9243693113
8350493163 1284042512 1925651798 0694113528 0131470130
4781643788 5185290928 5452011658 3934196562 1349143415
9562586586 5570552690 4965209858 0338507224 2648293972
8584783163 0577775606 8887644624 8246857926 0395352773
4803048029 0058760758 2510474709 1643961362 6760449256
2742042083 2085661190 6254543372 1315359584 5068772460

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
3. táblázat 287
2901618766 7952406163 4252257719 5429162991 9306455377

9914037340 4328752628 8896399587 9475729174 6426357455
2540790914 5135711136 9410911939 3251910760 2082520261
8798531887 7058429725 9167781314 9699009019 2116971737
2784768472 6860849003 3770242429 1651300500 5168323364
3503895170 2989392233 4517220138 1280696501 1784408745
1960121228 5993716231 3017114448 4640903890 6449544400
6198690754 8516026327 5052983491 8740786680 8818338510
2283345085 0486082503 9302133219 7155184306 3545500766
8282949304 1377655279 3975175461 3953984683 3936383047
4611996653 8581538420 5685338621 8672523340 2830871123
2827892125 0771262946 3229563989 8989358211 6745627010
2183564622 0134967151 8819097303 8119800497 3407239610
3685406643 1939509790 1906996395 5245300545 0580685501
9567302292 1913933918 5680344903 9820595510 0226353536
1920419947 4553859381 0234395544 9597783779 0237421617
2711172364 3435439478 2218185286 2408514006 6604433258
8856986705 4315470696 5747458550 3323233421 0730154594
0516553790 6866273337 9958511562 5784322988 2737231989
8757141595 7811196358 3300594087 3068121602 8764962867
4460477464 9159950549 7374256269 0104903778 1986835938
1465741268 0492564879 8556145372 3478673303 9046883834
3634655379 4986419270 5638729317 4872332083 7601123029
9113679386 2708943879 9362016295 1541337142 4892830722
0126901475 4668476535 7616477379 4675200490 7571555278
1965362132 3926406160 1363581559 0742202020 3187277605
2772190055 6148425551 8792530343 5139844253 2234157623
3610642506 3904975008 6562710953 5919465897 5141310348
2276930624 7435363256 9160781547 8181152843 6679570611
0861533150 4452127473 9245449454 2368288606 1340841486
3776700961 2071512491 4043027253 8607648236 3414334623
5189757664 5216413767 9690314950 1910857598 4423919862
9164219399 4907236234 6468441173 9403265918 4044378051
3338945257 4239950829 6591228508 5558215725 0310712570
1266830240 2929525220 1187267675 6220415420 5161841634
8475651699 9811614101 0029960783 8690929160 3028840026
9104140792 8862150784 2451670908 7000699282 1206604183
7180653556 7252532567 5328612910 4248776182 5829765157
9598470356 2226293486 0034158722 9805349896 5022629174
8788202734 2092222453 3985626476 6914905562 8425039127

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
5771028402 7998066365 8254889264 8802545661 0172967026

6407655904 2909945681 5065265305 3718294127 0336931378
5178609040 7086671149 6558343434 7693385781 7113864558
7367812301 4587687126 6034891390 9562009939 3610310291
6161528813 8437909904 2317473363 9480457593 1493140529
7634757481 1935670911 0137751721 0080315590 2485309066
9203767192 2033229094 3346768514 2214477379 3937517034
4366199104 0337511173 5471918550 4644902636 5512816228
8244625759 1633303910 7225383742 1821408835 0865739177
1509682887 4782656995 9957449066 1758344137 5223970968
3408005355 9849175417 3818839994 4697486762 6551658276
5848358845 3142775687 9002909517 0283529716 3445621296
4043523117 6006651012 4120065975 5851276178 5838292041
9748442360 8007193045 7618932349 2292796501 9875187212
7267507981 2554709589 0455635792 1221033346 6974992356
3025494780 2490114195 2123828153 0911407907 3860251522
7429958180 7247162591 6685451333 1239480494 7079119153
2673430282 4418604142 6363954800 0448002670 4962482017
9289647669 7583183271 3142517029 6923488962 7668440323
2609275249 6035799646 9256504936 8183609003 2380929345
9588970695 3653494060 3402166544 3755890045 6328822505
4525564056 4482465151 8754711962 1844396582 5337543885
6909411303 1509526179 3780029741 2076651479 3942590298
9695946995 5657612186 5619673378 6236256125 2163208628
6922210327 4889218654 3648022967 8070576561 5144632046
9279068212 0738837781 4233562823 6089632080 6822246801
2248261177 1858963814 0918390367 3672220888 3215137556
0037279839 4004152970 0287830766 7094447456 0134556417
2543709069 7939612257 1429894671 5435784687 8861444581
2314593571 9849225284 7160504922 1242470141 2147805734
5510500801 9086996033 0276347870 8108175450 1193071412
2339086639 3833952942 5786905076 4310063835 1983438934
1596131854 3475464955 6978103829 3097164651 4384070070
7360411237 3599843452 2516105070 2705623526 6012764848
3084076118 3013052793 2054274628 6540360367 4532865105
7065874882 2569815793 6789766974 2205750596 8344086973
5020141020 6723585020 0724522563 2651341055 9240190274
2162484391 4035998953 5394590944 0704691209 1409387001
2645600162 3742880210 9276457931 0657922955 2498872758
4610126483 6999892256 9596881592 0560010165 5256375678

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
3. táblázat 289
5667227966 1988578279 4848855834 3975187445 4551296563

4434803966 4205579829 3680435220 2770984294 2325330225
7634180703 9476994159 7915945300 6975214829 3366555661
5678736400 5366656416 5473217043 9035213295 4352916941
4599041608 7532018683 7937023488 8689479151 0716378529
0234529244 0773659495 6305100742 1087142613 4974595615
1384987137 5704710178 7957310422 9690666702 1449863746
4595280824 3694457897 7233004876 4765241339 0759204340
1963403911 4732023380 7150952220 1068256342 7471646024
3354400515 2126693249 3419673977 0415956837 5355516673
0273900749 7297363549 6453328886 9844061196 4961627734
4951827369 5588220757 3551766515 8985519098 6665393549
4810688732 0685990754 0792342402 3009259007 0173196036
2254756478 9406475483 4664776041 1463233905 6513433068
4495397907 0903023460 4614709616 9688688501 4083470405
4607429586 9913829668 2468185710 3188790652 8703665083
2431974404 7718556789 3482308943 1068287027 2280973624
8093996270 6074726455 3992539944 2808113736 9433887294
0630792615 9599546262 4629707062 5948455690 3471197299
6409089418 0595343932 5123623550 8134949004 3642785271
3831591256 8989295196 4272875739 4691427253 4366941532
3610045373 0488198551 7065941217 3524625895 4873016760
0298865925 7866285612 4966552353 3829428785 4253404830
8330701653 7228563559 1525347844 5981831341 1290019992
0598135220 5117336585 6407826484 9427644113 7639386692
4803118364 4536985891 7544264739 9882284621 8449008777
6977631279 5722672655 5625962825 4276531830 0134070922
3343657791 6012809317 9401718598 5999338492 3549564005
7099558561 1349802524 9906698423 3017350358 0440811685
5265311709 9570899427 3287092584 8789443646 0050410892
2669178352 5870785951 2983441729 5351953788 5534573742
6085902908 1765155780 3905946408 7350612322 6112009373
1080485485 2635722825 7682034160 5048466277 5045003126
2008007998 0492548534 6941469775 1649327095 0493463938
2432227188 5159740547 0214828971 1177792376 1225788734
7718819682 5462981268 6858170507 4027255026 3329044976
2778944236 2167411918 6269439650 6715157795 8675648239
9391760426 0176338704 5499017614 3641204692 1823707648
8783419689 6861181558 1587360629 3860381017 1215855272
6683008238 3404656475 8804051380 8016336388 7421637140

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
6435495561 8689641122 8214075330 2655100424 1048967835

2858829024 3670904887 1181909094 9453314421 8287661810
3100735477 0549815968 0772009474 6961343609 2861484941
7850171807 7930681085 4690009445 8995279424 3981392135
0558642219 6483491512 6390128038 3200109773 8680662877
9239718014 6134324457 2640097374 2570073592 1003154150
8936793008 1699805365 2027600727 7496745840 0283624053
4603726341 6554259027 6018348403 0681138185 5105979705
6640075094 2608788573 5796037324 5141467867 0368809880
6097164258 4975951380 6930944940 1515422221 9432913021
7391253835 5915031003 3303251117 4915696917 4502714943
3151558854 0392216409 7229101129 0355218157 6282328318
2342548326 1119128009 2825256190 2052630163 9114772473
3148573910 7775874425 3876117465 7867116941 4776421441
1112635835 5387136101 1023267987 7564102468 2403226483
4641766369 8066378576 8134920453 0224081972 7856471983
9630878154 3221166912 2464159117 7673225326 4335686146
1865452226 8126887268 4459684424 1610785401 6768142080
8850280054 1436131462 3082102594 1737562389 9420757136
2751674573 1891894562 8352570441 3354375857 5342698699
4725470316 5661399199 9682628247 2706413362 2217892390
3176085428 9437339356 1889165125 0424404008 9527198378
7386480584 7268954624 3882343751 7885201439 5600571048
1194988423 9060613695 7342315590 7967034614 9143447886
3604103182 3507365027 7859089757 8272731305 0488939890
0992391350 3373250855 9826558670 8924261242 9473670193
9077271307 0686917092 6462548423 2407485503 6608013604
6689511840 0936686095 4632500214 5852930950 0009071510
5823626729 3264537382 1049387249 9669933942 4685516483
2611341461 1068026744 6637334375 3407642940 2668297386
5220935701 6263846485 2851490362 9320199199 6882851718
3953669134 5222444708 0459239660 2817156551 5656661113
5982311225 0628905854 9145097157 5539002439 3153519090
2107119457 3002438801 7661503527 0862602537 8817975194
7806101371 5004489917 2100222013 3501310601 6391541589
5780371177 9277522597 8742891917 9155224171 8958536168
0594741234 1933984202 1874564925 6443462392 5319531351
0331147639 4911995072 8584306583 6193536932 9699289837
9149419394 0608572486 3968836903 2655643642 1664425760
7914710869 9843157337 4964883529 2769328220 7629472823

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
3. táblázat 291
8153740996 1545598798 2598910937 1712621828 3025848112

3890119682 2142945766 7580718653 8065064870 2613389282
2994972574 5303328389 6381843944 7707794022 8435988341
0035838542 3897354243 9564755568 4095224844 5541392394
1000162076 9363684677 6413017819 6593799715 5746854194
6334893748 4391297423 9143365936 0410035234 3777065888
6778113949 8616478747 1407932638 5873862473 2889645643
5987746676 3847946650 4074111825 6583788784 5485814896
2961273998 4134427260 8606187245 5452360643 1537101127
4680977870 4464094758 2803487697 5894832824 1239292960
5829486191 9667091895 8089833201 2103184303 4012849511
6203534280 1441276172 8583024355 9830032042 0245120728
7253558119 5840149180 9692533950 7577840006 7465526031
4461670508 2768277222 3534191102 6341631571 4740612385
0425845988 4199076112 8725805911 3935689601 4316682831
7632356732 5417073420 8173322304 6298799280 4908514094
7903688786 8789493054 6955703072 6190095020 7643349335
9106024545 0864536289 3545686295 8531315337 1838682656
1786227363 7169757741 8302398600 6591481616 4049449650
1173213138 9574706208 8474802365 3710311508 9842799275
4426853277 9743113951 4357417221 9759799359 6852522857
4526379628 9612691572 3579866205 7340837576 6873884266
4059909935 0500081337 5432454635 9675048442 3528487470
1443545419 5762584735 6421619813 4073468541 1176688311
8654489377 6979566517 2796623267 1481033864 3913751865
9467300244 3450054499 5399742372 3287124948 3470604406
3471606325 8306498297 9551010954 1836235030 3094530973
3583446283 9476304775 6450150085 0757894954 8931393944
8992161255 2559770143 6858943585 8775263796 2559708167
7643800125 4365023714 1278346792 6101995585 2247172201
7772370041 7808419423 9487254068 0155603599 8390548985
7235467456 4239058585 0216719031 3952629445 5439131663
1345308939 0620467843 8778505423 9390524731 3620129476
9187497519 1011472315 2893267725 3391814660 7300089027
7689631148 1090220972 4520759167 2970078505 8071718638
1054967973 1001678708 5069420709 2232908070 3832634534
5203802786 0990556900 1341371823 6837099194 9516489600
7550493412 6787643674 6384902063 9640197666 8559233565
4639138363 1857456981 4719621084 1080961884 6054560390
3845534372 9141446513 4749407848 8442377217 5154334260

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
3066988317 6833100113 3108690421 9390310801 4378433415

1370924353 0136776310 8491351615 6422698475 0743032971
6746964066 6531527035 3254671126 6752246055 1199581831
9637637076 1799191920 3579582007 5956053023 4626775794
3936307463 0569010801 1494271410 0939136913 8107258137
8135789400 5599500183 5425118417 2136055727 5221035268
0373572652 7922417373 6057511278 8721819084 4900617801
3889710770 8229310027 9766593583 8758909395 6881485602
6322439372 6562472776 0378908144 5883785501 9702843779
3624078250 5270487581 6470324581 2908783952 3245323789
6029841669 2254896497 1560698119 2186584926 7704039564
8127810217 9913217416 3058105545 9880130048 4562997651
1212415363 7451500563 5070127815 9267142413 4210330156
6165356024 7338078430 2865525722 2753049998 8370153487
9300806260 1809623815 1613669033 4111138653 8510919367
3938352293 4588832255 0887064507 5394739520 4396807906
7086806445 0969865488 0168287434 3786126453 8158342807
5306184548 5903798217 9945996811 5441974253 6344399602
9025100158 8827216474 5006820704 1937615845 4712318346
0072629339 5505482395 5713725684 0232268213 0124767945
2264482091 0235647752 7230820810 6351889915 2692889108
4555711266 0396503439 7896278250 0161101532 3516051965
5904211844 9499077899 9200732947 6905868577 8787209829
0135295661 3978884860 5097860859 5701773129 8155314951
6814671769 5976099421 0036183559 1387778176 9845875810
4466283998 8060061622 9848616935 3373865787 7359833616
1338413385 3684211978 9389001852 9569196780 4554482858
4837011709 6721253533 8758621582 3101331038 7766827211
5726949518 1795897546 9399264219 7915523385 7662316762
7547570354 6994148929 0413018638 6119439196 2838870543
6777432242 7680913236 5449485366 7680000010 6526248547
3055861598 9991401707 6983854831 8875014293 8908995068
5453076511 6803337322 2651756622 0752695179 1442252808
1651716677 6672793035 4851542040 2381746089 2328391703
2754257508 6765511785 9395002793 3895920576 6827896776
4453184040 4185540104 3513483895 3120132637 8369283580
8271937831 2654961745 9970567450 7183320650 3455664403
4490453627 5600112501 8433560736 1222765949 2783937064
7842645676 3388188075 6561216896 0504161139 0390639601
6202215368 4941092605 3876887148 3798955999 9112099164

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
3. táblázat 293
6464411918 5682770045 7424343402 1672276445 5893301277

8158686952 5069499364 6101756850 6016714535 4315814801
0545886056 4550133203 7586454858 4032402987 1709348091
0556211671 5468484778 0394475697 9804263180 9917564228
0987399876 6973237695 7370158080 6822904599 2123661689
0259627304 3067931653 1149401764 7376938735 1409336183
3216142802 1497633991 8983548487 5625298752 4238730775
5955595546 5196394401 8218409984 1248982623 6737714672
2606163364 3296406335 7281070788 7581640438 1485018841
1431885988 2769449011 9321296827 1588841338 6943468285
9006664080 6314077757 7257056307 2940049294 0302420498
4165654797 3670548558 0445865720 2276378404 6682337985
2827105784 3197535417 9501134727 3625774080 2134768260
4502285157 9795797647 4670228409 9956160156 9108903845
8245026792 6594205550 3958792298 1852648007 0683765041
8365620945 5543461351 3415257006 5974881916 3413595567
1964965403 2187271602 6485930490 3978748958 9066127250
7948282769 3895352175 3621850796 2977851461 8843271922
3223810158 7444505286 6523802253 2843891375 2738458923
8442253547 2653098171 5784478342 1582232702 0690287232
3300538621 6347988509 4695472004 7952311201 5043293226
6282727632 1779088400 8786148022 1475376578 1058197022
2630971749 5072127248 4794781695 7296142365 8595782090
8307332335 6034846531 8730293026 6596450137 1837542889
7557971449 9246540386 8179921389 3469244741 9850973346
2679332107 2686870768 0626399193 6196504409 9542167627
8409146698 5692571507 4315740793 8053239252 3947755744
1591845821 5625181921 5523370960 7483329234 9210345146
2643744980 5596103307 9941453477 8457469999 2128599999
3996122816 1521931488 8769388022 2810830019 8601654941
6542616968 5867883726 0958774567 6182507275 9929508931
8052187292 4610867639 9589161458 5505839727 4209809097
8172932393 0106766386 8240401113 0402470073 5085782872
4627134946 3685318154 6969046696 8693925472 5194139929
1465242385 7762550047 4852954768 1479546700 7050347999
5888676950 1612497228 2040303995 4632788306 9597624936
1510102436 5553522306 9061294938 8599015734 6610237122
3547891129 2547696176 0050479749 2806072126 8039226911
0277722610 2544149221 5765045081 2067717357 1202718024
2968106203 7765788371 6690910941 8074487814 0490755178

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
Jelölések
n!: = 1 · 2 · 3 · ... · n
¡n¢ n(n − 1)(n − 2) . . . (n − k + 1)
k : =
1 · 2 · 3...k
P (A): az A esemény valószı́nűsége
P (Ā): az A esemény ellentétének valószı́nűsége
P (AB): az A és B események együttes bekövetke-
zésének valószı́nűsége
P (A | B): az A esemény bekövetkezésének valószı́-
nűsége, feltéve, hogy a B esemény bekö-
vetkezett
X1 + X2 + . . . + Xn
X̄: =
n
ϑ̂: a ϑ paraméter statisztikai becslése
E(X) vagy EX: az X valószı́nűségi változó várható értéke
D(X): az XR ∞valószı́nűségi változó szórása
Γ(z): = 0 e−t tz−1 dt, ha a z komplex szám va-
lós része pozitı́v; Γ(z + √ 1) = zΓ(z), ı́gy
Γ(n + 1)Z= n!; Γ(1/2) = π
x
1 2
Φ(x): =√ e−u /2 du
2π −∞
294
Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
Névmutató
Affuso, P. J. I/12 Benford, F. IV/7

Agnesi, M. G. II/4 Bennett, C. IV/4
Aiszkhülosz II/2 Betjajev, J. K. I/8
Alambert, J. R., D’ I/1, 8 Berk, R. H. II/13.13
Aldous, D. III/2 Berkes, I. I/7
Ampčre, A. M. III/3 Berkson, J. II/1, 4, 8
Anderson, C. L. I/3 Bernoulli, D. I/7
Arbuthnot, J. II/10 Bernoulli, J. I/7, 9
Ash, B. B. II/11 Bernoulli, N. I/7
Athénaiosz II/B Bernstein, S. N. I/4, II/1, IV/10
Ayres, L. P. II/B Berry, G. G. IV/4
Bertky, W. II/12
Babbage, Ch. IV/3 Bertrand, J. L. I/11
Bachelier, L. III/3, 5 Besicovitch, A. S. III/3
Bahadur, R. R. II/8 Bessel, F. W. II/3
Balkema, A. A. IV/9 Bienaymé, J. II/4, III/1
Banach, S. IV/2 Billingsley, P. I/13.11
Bar Kochba I/5 Birkhoff, G. IV/B
Barnett, V. D. II/8 Birnbaum, A. II/9
Bártfai P. IV/12.5 Blackwell, D. II/2
Bartholomew, D. J. II/9 Blaschke, W, I/11
Basu, D. II/8 Blundon, W. J. IV/1
Bayes, Th. II/1, 9, 13.13 Blyth, C. R. I/13.4
Beal, G. I/5 Bognár K. II/13.15
Beckebach, E. F. IV/4 Bois-Reimond, P., du III/3
Bellhouse, D. R. I/5 Boltzmann, L. E. I/1, III/2
295
Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
Bolzano, B. III/3, V Csörgő S. B, I/7

Bondesson, L. IV/9
Borel, E. I/5, 12, 13.1, 13.11, Daniel, C. II/6
III/7.2, IV/B, 4 Dantzig, G. II/12
Born, M. II/1, IV/13.6 Darmois, G. IV/10
Bortkiewicz, L. I/6 Darwin, Ch. B, II/5
Bose, S. I/1 David, A. P. II/1
Bouyer, M. IV/3 David, F. N. I/1
Box, G. E. P. II/6, 9 Dell’Aglio, L. I/12
Brams, S. J. I/12 Dempster, A. P. II/9
Bramson, M. III/7.8 Diaconis, P. I/6, II/B
Breiman, L. III/6 Diffie, W. IV/13.7
Briggs, H. III/6 Dirac, P. M. A. I/1
Brioullin, L. II/11 Dirichlet, P. G. L. IV/1
Broglie, L. V., de IV/12.6 Dmitrijev, N. A. III/1
Brouwer, L. E. J. III/3 Dobrusin, R. L. III/7.8
Brown, R. III/3 Dodge, H. F. II/12
Buffon, G. L. L. L/7, 11, IV/3 Donalds, D. St. P. I/7
Burkholder, D. L. II/7 Doob, J. L. III/6
Draper, N. R. II/b
Cantelli, F. P. III/7.2, IV/1 Dubins, L. E. I/13.13
Cantor, G. IV/8, V Dugué, D. IV/11
Caravaggio I/5 Durbin, S. II/13.8
Cardano, G. I/1, 2 Dynkin, E. B. III/2, 13.6
Carnap, R. II/13.2
Carnot, N. L. S. III/2 Edgeworth, F. Y. II/13.1, 13.5
Carroll, L. I/13.15 Edwards, A. V. T. II/8
Casella, G. II/9 Edwards, A. W. F. I/3
Cauchy, A. L. II/4, V Efron, B. II/2, 9, 13.16
Chaitin, G. J. IV/4 Ehrenfest, P. III/2
Champernowne, D. G. IV/4 Ehrenfest, T. III/2
Cheron, A. I/5 Einstein, A. B, I/1, II/1, III/3
Chius, W. K. II/13.5 IV/13.6, V
Chow, Y. II/12, III/7.5 Elias, P. II/9
Chung, K. L. II/13.13, III/2, 7.2 Elliot, P. IV/1
Clausius, R. E. III/2 Engels, F. III/B
Clarke, L. E. IV/13.2 Epstein, B. IV/9
Cohen, J. E. I/12 Erdős P. I/9, IV/5
Condolle, de III/1 Erdang, A. K. I/6, III/4
Copeland, A. H. I/12 Euler, L. I/8
Cox, D. R. II/6 Ezekiel, M. II/5
Cramer, H. I/7, II/2, 10, IV/9,
11 Faraday, M. III/2
Farebrother, R. W. I/5
Csáki E. I/7 Fechner, G. T. II/6, IV/7
Csebisev, P. L. I/10, IV/1 Feller, W. B, I/7, III/2, 4, 7.8,
Csiszár I. B, I/9, II/11 IV/11
Csontváry K. T. I/1 Ferguson, Th. S. II/1, III/7.6
Csörgő M. IV/12.5 Fermat, P. I/2, 3, IV/4

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
Névmutató 297
Fermi, E. I/1, IV/3 Harsányi J. I/12

Feynmann, R. P. IV/13.6 Harter, H. L. II/4
Findler, N. V. I/5 Hausdorff, F. III/3, IV/2
Finetti, B., de, II/1, IV/2, 9 Heisenberg, W. IV/13.6
Finney, D. J. II/6 Hellman, M, E. IV/13.7
Fisher, R. A. II/2, 7, 8, 9, 10, 12, Hermite, Ch. III/3, IV/4
III/1, IV/11 Hilbert, D. IV/B
Fisz, M. IV/9 Hill, T. IV/7
Foiaş, C. III/7.7 Hincsin, A. II/11, IV/9, 11, 12
Forgó F. I/12 Hochberg, K. J. IV/B
Fourier, J. B. III/3 Hodges, J. L. II/13.6
Fox, K. A. II/5 Holbrook, J. I/11
Freedman, D. F. II/1 Holland, J. D. II/1
Frigyes, II. I/5 Hollerith, H. IV/3
Frisch, R. II/6 Hotelling, H. II/12, 13.3
Fritz, J. II/11 Huber, P. J. II/13.16
Fuchs, W. H. J. II/13.13, III/7.2 Hudden, van 1/8
Hurewitz, W. III/3
Galambos J. IV/10 Huygens, C. I/3, 9
Galilei, G. I/2 Hwang, J. T. II/9
Galton, F. II/5, 6, 13.1, III/1
Gardner, M. IV/4 Jacoby, O. I/5
Gauss, C. F. II/3, 4, V Jaglom, A. M. II/11
Geary, R. C. IV/10 Jaglom, I. M. II/11
Ghosh, J. K. II/7 Jákob III/7.1
Gibbs, J. W. III/7 James, W. II/2, 3
Gihman, I. I. III/3 Jech, T. IV/B
Glass, A. M. W. IV/4 Jeffreys, H. II/9
Gnyegyenko, B. V. I/8, 10, II/10 Joffe, A. I/4
Goldbach, C. IV/4 Jones, M. F. IV/1
Goldfaden, A. I/5 Joó I. I/12
Good, l. J. II/13.4 Jordán K. I/3
Göndőcs F. IV/9 József A. II/B
Graunt, J. I/8, II/B Juskevics III/7.6
Gresham, Th. III/6 Juvenalis II/B
Griffeath, D. III/7.8
Grosswald, E. IVf9 Kac, M. II/13.8, IV/1, 10
Gudder, S. P. IV/13.6 Kaeding, F. W. III/2
Guilloud, J. IV/3 Kagan, A. M. II/2, IV/10
Kale, B. K. II/8
Hacking, I. I/1 Kangsmaa-Minn, E. I/8
Hadamard, J. IV/1 Károly VI. I/5
Halász G. I/9 Katalin, II. III/1
Haldane, J. B. S. III/1 Katona Gy. III/7.1
Hall, W. J. II/7 Kelly, F. P. I/12
Halley, E. I/8 Kempermann, J. H. B. III/2,
Halmos P. R. II/7 IV/7
Hampel, F. R. II/13.16 Kendall, D. G. I/11
Harris, Th. E. III/1 Kendall, M. G. I/11, II/5, 9

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
Kepler, J. IV/3 Lotka, A. J. III/1

Kesten, H. IV/13.4 Lovász L. III/3
Keynes, J. M. II/6 Lucretius III/B
Kiefer, J. II/8, 13.8 Lukács E. IV/9, 10, 11
Kim, S. S. I/11 Luxemburg, W. A. J. IV/8
Kimball, G. E. IV/13.3
King, J. III/7.7 Mach, E. III/2
Kingston, J. G. I/3 Mackey, G. IV/13.6
Kirschenmann, P. IV/3 Major P. I/9, III/7.8, IV/13.5
Klein, F. IV/B Majsztov, L. I/1
Klein, R. L. II/6 Mahalanobis, P. C. II/12
Kleinrock, L. III/4 Mandelbroit, B. B. III/3
Knuth, D. E. IV/3 Mann, Th. II/B
Kolmogorov, A. N. B, I/9, 10, Marcinkiewicz, J. IV/10
II/2, 10, 13.8, 13.16, Markon, A. A. I/10, III/2
III/1, IV/B, 1, 3, 4, 9, Martin-Löf, P. IV/3
13.4 Marx, K. III/B
Komlós J. I/9, IV/13.5 Maszlova, N. B. IV/5
Konfuciusz II/2 Mathai, A. M. IV/10
Konijn, H. S. II/8 Matheron, G. I/11
Kotz, S. IV/10 Mátyás király I/5
Krámli A. III/3.7 Maxwell, J. C. I/1, III/2
Kronecker, L. V McKean, H. P. III/3
Kullback, S. II/11 McShane, P. IV/3
Mendel, G. J. II/S
Lábán III/7.1 Menger, K. III/3
Lajos, IX. I/5 Méré, A. C., de I/2
Lal, M. IV/1 Metropolis, N. IV/3
Lam, K. II/13.5 Meyer, P. A. III/6
Lambert, J. H. II/4 Michaletzky Gy. IV/9
Lamperti, J. III/7.3 Miel, G. IV/3
Laplace, P. S. I/10, II/4, 10 Miller, R. G. II/13.16
Legendre, A. M. II/4 Mises, R., von II/1, 10, IV/3
Lehmann, E. L. II/10, 13.6 Moivre, A., de I/2, 10
Leibniz, G. W. I/1, 2, IV/3, 8 Montmort, P. R., de I/6, 7
Leonardo da Vinci I/2 Moran, P. A. P. I/11
Lévy, P. III/6, 7.3, IV/1, 9, 11 Morgenstern, O. I/6, I/12
Li, S. R. I/13.5 Móri T. B, I/9, 13.7, II/5, III/6,
Libby, W. F. I/8 IV/9
Lindemann, F. IV/4 Morse, P. M. IV/13.3
Lindley, D. V. II/1, 9, 10, 12 Mosteller, F. I/13.13
Linzer, E. IV/1 Mózes II/B
Linnyik, Ju. V. II/2, 4, IV/9, 10,
12 Napóleon, B. II/4
Liouville, J. IV/4 Nash, J. I/12
Litttewood, J. E. IV/1 Nash-Williams, C. St. J. A. III/5
Ljapunov, A. M. I/10, IV/10, 11 Nägeli, C. W. III/3
Lomnitzky, A. IV/B Nernst, W. III/2
Loschmidt J. III/2 Neumann J. I/5, 12, IV/3, 13.6

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
Névmutató 299
Neveu, J. III/6 Rao, C. R. II/2, 6, IV/10

Newcomb, S. IV/7 Raun, A. I/8
Newton, I. I/2 Rényi A. B, I/2, 9, II/11, III/7.1,
Neyman, J. I/13.1, II/8, 9, 10, IV/1, 5, I1, 13.5, 13.8
11 Resnick, S. I. IV/9
Niederreiter, H. IV/3 Révész P. I/9, I/13.5
Norden, N. H. II/8 Reynolds, J. II/13.1
Riemann, G. F. B. III/3
Olbers, W. III/3 Riesz F. III/7.7
Olkin, I. II/5 Rizzo, M. I/6, II/13.8
Onsager, N. III/7.8 Robbins, H. II/10, 12, 13.12,
Ore, Ř. I/1, 2, 3 13.14, III/7.5
Ostwald, W. F. III/2 Robert, C. II/9
Osztrovszkij, I. V. IV/12 Robertson, J. M. I/11
Oxtoby, J. C. III/3 Robinson, A. IV/8
Robinson, G. K. II/9
Paccioli, F. L. I/3 Romig, H. G. II/12
Palamedész I/1 Rubin, H. II/13.11
Pascal, B. I/2, 3, IV/3 Russel, B. II/1, IV/4
Pauli, W. III/2 Rutherford, E. II/B
Pauszaniasz I/1 Ruzsa I. Z. B, IV/1, 6, 12
Pearson, E. S. II/9, 10, 11
Pearson, K. II/5, 9, 10, 13.1, Samet, D. I/2
IV/3 Samet, I. I/2
Pederzoli, G. IV/10 Santaló, L. A. I/11
Peirce, Ch. S. II/9 Sarkadi K. II/13.8
Pelling, M. J. IV/13.2 Savage, I. R. II/13.16
Pepys, S. I/2 Savage, L. J. I/12, 13.13, II/1
Perlman, M. D. I/13.12 Schiller, F. I/5
Péter, I. III/1 Scheiber S. I/5
Petty, W. II/B Schmeidler, D. I/2
Pinkham, R. S. IV/7 Schnell, E. D. I/2
Pinszker, M. S. III/7.7 Schnorr, C. P. IV/3
Plackett, R. L. II/6 Schooten, F. I/3
Platón V Schreiber, W. L. I/5
Poe, E. A. IV/13.7 Schrödinger, E. I/2, II/13.8,
Poincaré, J. H. I/10, III/2, 3, III/1, IV/1, 13.6
IV/1 V Sclove, S. L. II/6
Poisson, S. D. I/6, IV/9 Scott, E. L. II/8
Polügnótosz I/1 Seneta, E. III/7.4
Pólya, Gy. B, I/10, 13.2, III/5, Sethuraman, J. II/13.10
IV/10, 11 Shannon, C. E. II/11
Pratt, J. W. II/5 Shaw, G. B. II/5
Preston, C. J. III/7.8 Sheynin, O. B. I/6, II/4
Siegmund; D. II/12, III/7.5
Quételet, L. A. J. II/13.1 Simmons, G. J. IV/13.7
Simons, G. I/7, IV/6
Raimi, R. A. IV/7 Sirjajev, A. N. II/12, III/7.5
Rajkov, D. A. IV/9, 11 Smith, D. E. I/2

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
Smith, H. II/6 Tóth B. III/5

Smoluchowski, M. III/3 T. Sós V. IV/3
Solomonoff, R. J. IV/4 Truesdell, C. III/2
Solovay, R. M. IV/B Tukey, J. W. II/2, 13.16
Spencer, J. IV/5 Turán P. II/11, IV/1
Spinoza, B. IV/B, 3 Tusnády, G. IV/3, 13.5
Spitzer, F. III/5 Twain, M. I/B
Spinger, B. G. F. II/1
Srejgyer, Ju. A. IV/3 Ulam, S. M. IV/3
Staffin, S. J. I/12 Uriszon, P. Sz. III/3
Steffensen, J. F. III/1 Usikin, Z. I/13.6
Stein, C. II/2, 3, 7, 9, 12
Steinhaus, H. I/7, 9, IV/B Venn, J. I/13.1
Stern, F. III/7.4 Verbeek, A. IV/13.2
Stieltjes, Th. J. III/3 Ville, J. III/6
Stigler, S. M. II/4, 13.5 Villon, F. V
Stirling, J. I/10 Vincze, I. II/5
Stone M. II/1, 9 Vitali, G. IV/B
Strassen, V. IV/13.5
Wallmann, H. III/3
Stromberg, K. IV/2
Wald, A. I/12, II/9, 12
Stuart, A. II/5
Wang, Y. H. I/4
Student (W. D. Gosset) II/7, 12
Watson, H. W. III/1
Swadesh, M, I/8
Weaver, W. IV/7
Weber II/6
Szabó L. V Weierstrass, K. III/3, IV/8
Székely J. G. I/3, 6, 7, 9, 10, Whitehead, A. N. IV/4
II/12, 13.8, III/3, 6, Whitworth, W. A. III/7.8
IV/1, 3, 4, 6, 9, 12 Wichura, M. J. I/13.12
Szép J. I/12 Wiener, N. II/11, III/3
Szilárd L. III/2 Wijsman, R. A. II/7
Szinaj, J. G. III/7.4, 7.8 Wilcoxon, F. II/13.16
Szkitovics, V. R. IV/10 Wiles, A. IV/4
Szkorohod, A. V. III/3, IV/13.5 Williams. J. D. I/12
Szmirnov, Ny. V. II/10, 13.15 Winkler, P. III/2
Szobol I. M. IV/3 Witt, J., de I/8
Szókratész V Wolfowitz, J. II/8, 13.8
Szolovjev, A. D. I/8 Wood, F. S. II/6
Szőkefalvi-Nagy B. III/3, 7.7,
IV/B Zacks, S. II/2, 3
Zalcman, L. I/11
Takács L. I/6, III/2, 4, IV/13.2 Zempléni A. B, IV/12
Tarski, A. IV/2 Zénon IV/8
Tartaglia, N. F. I/3 Zermelo, E. III/2, IV/B
Taylor, R. IV/4 Zidek, J. Y. II/1
Temple, D. V., de I/11 Zinger, A. A. IV/10
Thorin, O. IV/9 Zipf, G. K. III/2
Thorp, E. O. I/5 Zolotarjov, V. M. IV/9
Tinbergen II/6
Todhunter, I. I/1 Zsoldos B. I/5

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
Tárgymutató
abszurdok I/13.15 Chung–Fuchs-tétel III/7.2

alternatı́v hipotézis II/10 családnevek kihalása III/1
aposteriori valószı́nűség II/1
apriori valószı́nűség II/1 dimenzió III/3
aszimptotikus torzı́tatlanság Domesday Book II/B
II/3
árkusz szinusz törvény III/7.3 Econometrika II/6
átmenetvalószı́nűségek III/2 efficiens-becslés II/2
egyenletes eloszlás I/11
elágazó folyamatok III/1
Bayes-tétel II/1
elégségesség II/7
Benford törvénye IV/7
ellenhipotézis (alternatı́v
Berry paradoxona IV/4
hipotézis) II/10
Bessel-féle korrekciós faktor
eloszlásfüggvény I/4
II/3
elsőfajú hiba II/10
béta-eloszlás II/13.4
energia a statisztikában II/13.8
binomiális eloszlás I/6
entrópia II/11, III/2, IV/10
Biometrika II/6
Erlang-eloszlás I/6
bit II/10
események és valószı́nűségi vál-
biztosı́tás I/8, 13.14 tozók függetlensége
bonyolultság IV/3 I/4
Borel–Cantelli-lemma III/7.2 eseménytér IV/B
Bose–Einstein-modell I/1 exponenciális (örökifjú) eloszlás
bridzs I/5 I/8, IV/9
Brown-mozgás III/3
faktorizációk IV/11
centrális határeloszlás-tétel I/10 fallácia B
301
Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
Fechner-törvény IV/7 konzisztens becslés II/2

feltételes eloszlások I/13.12 korlátlanul osztható eloszlások
feltételes valószı́nűség I/4, 13.4 IV/9
Fermi–Dirac-modell I/1 korreláció II/5
fiatalodás I/8 korreláció becslése II/5
fiduciális intervallum II/9 közép II/2
fraktálok III/3 kvantumfizikai valószı́nűség
független növekményű IV/13.6
folyamatok III/7.2
függetlenség I/4 legkisebb négyzetek módszere
függetlenségvizsgálat II/13.15 II/4
lexikostatisztika I/8
generátorfüggvény III/1 logitanalı́zis II/6
genetikai névadás III/1 Londoni Statisztikai Társulat
geometriai valószı́nűség I/11 II/13.1
glottokronológia I/8 lottó I/5
halandósági táblázat I/8 lyukkártya IV/3

Hausdorff–Besicovitch-dimenzió
III/3 marketing II/6
határozatlansági reláció a Markov-lánc III/2
játékelméletben martingál I/7, III/6
I/12 másodfajú hiba II/10
hipergeometrikus függvény matematikai idealizmus V
II/5 maximálisan invariáns II/7
hipotézisvizsgálat II/10 maximum-likelihood II/8
hőhalál, a világ ∼a III/2 Maxwell–Boltzmann-modell
hővezetés differenciálegyenlete I/1
IV/B Maxwell-démon III/2
huszonegyezés I/5 másodfajú hiba II/10
medián II/2
ikerprı́mek IV/1 megállási idő II/12, III/7.5
integrálgeometria I/11 megengedhető becslés I/12
invariancia II/7 megfigyelhető események IV/B
irreducı́bilis eloszlások IV/12 meghibásodási ráta I/8
meridián I/13.11
James–Stein-becslés II/3 minimax-becslés I/12, II/1, 2, 3,
játékelmélet I/12 13.11
minimax-tétel I/12
karakterisztikus függvény minimális elégséges statisztika
IV/11 II/7
karakterizációk IV/10 minta II/B, 2
kevert stratégia I/12 monád IV/8
kis számok törvénye I/6 Monte-Carlo-módszer IV/3
kockázás I/1
Kolmogorov-elmélet IV/B nagy számok törvényei I/9
komputerművészet IV/3 negatı́v valószı́nűség IV/B
konfidenciaintervallum II/9, nemparaméteres eljárások
II/13.14 II/13.15

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
Tárgymutató 303
Nemzetközi Statisztikai sztochasztikus integrálok III/3

Kongresszus II/13.1 szubjektı́v valószı́nűség II/1
normális eloszlás I/10, IV/9
normális számok IV/4 Technometrics II/6
normalitásvizsgálat II/13.8 termodinamika, a ∼ második
nullhipotézis II/10 főtétele III/2
torzı́tatlan becslés II/2
objektı́v valószı́nűség II/1 tőzsde III/6
t-próba nem csak normális
paraméteres eljárások II/13.15 eloszlásra II/12
parciális korreláció II/5 Turing-gép IV/3
Poisson-eloszlás I/6, IV/9
Poissonitás vizsgálat II/13.8 üstökösök II/10
póker I/5
prı́meloszlások IV/12 valószı́nűségi változó I/2
prı́mszámok IV/1 variancia becslése II/3
probitanalı́zis II/6 várható érték I/2, 8, IV/6
pszeudo-véletlen számok IV/3 várható érték becslése II/2
veszteségfüggvény I/12
radiokarbon-módszer I/8 véletlen algebrai egyenlet IV/5
regresszió II/5, 6, 13.9 véletlen bolyongás gráfokon
reguláris folyamat III/7.7 III/5
rizikófüggvény I/12 véletlen bolyongások III/5
Robinson-elmélet IV/8 véletlen gráfok IV/5
robusztus eljárások II/13.15 véletlen mezők III/7.8
rulett I/5 véletlen mozgás IV/13.6
Schrödinger-egyenlet II/13.8 Wiener-folyamat III/3

Shannon-képlet II/10
stacionárius folyamatok III/7.7
standard normális eloszlás I/10
statisztikai minta II/B, 2
Stirling-formula I/10
Student-féle függvény II/7
szekvenciális mintavétel II/12

szekvenciális valószı́nűséghá-
nyados
II/12
szigma-additivitás IV/B, 1, 2
szigma-algebra IV/B
szinguláris folyamat III/7.7
szórás I/10
szórásnégyzet becslése II/3
sztereológia I/11
sztochasztikus differenciál-
egyenletek
III/3
sztochasztikus gejzı́r IV/13.5

Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
Kedves Olvasó!
Önre gondoltunk, amikor a könyv előkészı́tésén munkálkod-
tunk. Kapcsolatunkat szorosabbra fűzhetjük, ha belép a Typo-
klubba, ahonnan értesülhet új kiadványainkról, akcióinkról,
programjainkról, és amelyet a www.typotex.hu cı́men érhet
el. Honlapunkon megtalálhatja az egyes könyvekhez tartozó
hibajegyzéket is, mert sajnos hibák olykor előfordulnak.
Kiadja a Typotex kiadó, az 1795-ben alapı́tott Magyar Könyv-

kiadók és Könyvterjesztők Egyesülésének tagja
Felelős kiadó: Votisky Zsuzsa
Szerkesztette és tördelte: Hesz Gábor
Borı́tóterv: Tóth Norbert
Terjedelem: 20,8 (A/5) ı́v
Készült a pécsi Bornus Nyomdában
Felelős vezető: Borbély Tamás

Powered by TCPDF (www.tcpdf.org)

Szekely J. Gabor-Paradoxonok A Veletlen Matematikajaban

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Szekely J. Gabor-Paradoxonok A Veletlen Matematikajaban

Uploaded by

Copyright:

Available Formats

Kelemen Sándor

Paradoxonok a véletlen matematikájában

www.interkonyv.hu © Székely J. Gábor

www.interkonyv.hu © Székely J. Gábor

www.interkonyv.hu © Székely J. Gábor

A mű megjelenését a Magyar Tudományos Akadémia

c Székely J. Gábor, Typotex, 2004

ISBN 963 9548 32 4

www.interkonyv.hu © Székely J. Gábor

1. Klasszikus paradoxonok a valószı́nűségszámı́tásban 11

2. Paradoxonok a matematikai statisztikában 86

6 Paradoxonok a véletlen matematikájában

4. Ellentmondó adatok paradoxona 105

3. A véletlen folyamatok paradoxonai 163

4. Újabb paradoxonok 203

www.interkonyv.hu © Székely J. Gábor

www.interkonyv.hu © Székely J. Gábor

„A titokzatosnál nincs csodálatosabb. Alapvető érzés ez, ott

A tudomány többi ágához hasonlóan a matematika is para-

galmazva. Egy paradoxonokról szóló könyvnek természete-

www.interkonyv.hu © Székely J. Gábor

10 Paradoxonok a véletlen matematikájában

Zempléni Andrást, Csörgő Sándort, Ruzsa Z. Imrét és Csiszár

www.interkonyv.hu © Székely J. Gábor

„Az események bekövetkezési valószı́nűségei fordı́tottan

„Klasszikus az, amit mindenki szeretett volna már elolvasni,

A véletlennel kapcsolatos matematikai megfontolások – pél-

12 Paradoxonok a véletlen matematikájában

1. A kockázás paradoxona; a mikrovilág

1.2. A paradoxon megfogalmazása

www.interkonyv.hu © Székely J. Gábor

1. Klasszikus paradoxonok a valószı́nűségszámı́tásban 13

1.3. A paradoxon magyarázata

www.interkonyv.hu © Székely J. Gábor

14 Paradoxonok a véletlen matematikájában

oldalnak olyan ún. fáziscellákat feleltetünk meg, amelyek jel-

www.interkonyv.hu © Székely J. Gábor

1. Klasszikus paradoxonok a valószı́nűségszámı́tásban 15

(iv) Cardano érdekes egyéniség volt. Tı́z évvel a halála előtt

www.interkonyv.hu © Székely J. Gábor

16 Paradoxonok a véletlen matematikájában

2. De Méré lovag paradoxona

2.2. A paradoxon megfogalmazása

2.3. A paradoxon magyarázata

www.interkonyv.hu © Székely J. Gábor

1. Klasszikus paradoxonok a valószı́nűségszámı́tásban 17

5k esetben egyetlenegyszer sem fordul elő 6-os, ı́gy annak a

ami a k = 4 esetben már valóban több, mint 1/2. Ugyanakkor

mennyiség k = 24-re még kisebb 1/2-nél, csak k = 25-re ha-

vagyis azzal, hogy ha hatodára csökken a valószı́nűség, akkor

www.interkonyv.hu © Székely J. Gábor

18 Paradoxonok a véletlen matematikájában

(ahol ln az e = 2,71 . . . alapú logaritmust jelöli). E megoldás-

(i) Érdemes megemlı́teni de Méré problémájának Cardanótól

www.interkonyv.hu © Székely J. Gábor

1. Klasszikus paradoxonok a valószı́nűségszámı́tásban 19

vén” várható értéke (a lehetséges értékeknek a valószı́nűsége-

www.interkonyv.hu © Székely J. Gábor

20 Paradoxonok a véletlen matematikájában

www.interkonyv.hu © Székely J. Gábor

1. Klasszikus paradoxonok a valószı́nűségszámı́tásban 21

3.2. A paradoxon megfogalmazása

www.interkonyv.hu © Székely J. Gábor