Professional Documents
Culture Documents
© Typotex Kiadó
2020-03-30 16:11:38
Székely J. Gábor
Paradoxonok a véletlen
matematikájában
2. átdolgozott kiadás
Typotex • 2004
Témakör: matematika
Tartalom
Előszó 8
5
www.interkonyv.hu © Székely J. Gábor
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
Előszó
8
www.interkonyv.hu © Székely J. Gábor
Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
Előszó 9
A szerző
1
Klasszikus paradoxonok
a valószı́nűségszámı́tásban
11
www.interkonyv.hu © Székely J. Gábor
Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
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-
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 ponÂti 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.
4 : 6 = 24 : 36,
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 + . . .
2.4. Megjegyzések
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.
3. Az osztozkodás paradoxona
3.1. A paradoxon története
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.
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
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.
4. A függetlenség paradoxona
4.1. A paradoxon története
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)
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
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.
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-
5.4. Megjegyzések
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.
µ ¶ µ ¶ µ ¶ µ ¶
n n n n
n!− (n−1)!+ (n−2)!− (n−3)!+. . .+(−1)n 0!,
0 1 2 3
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 .
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).
cλk
ek = ,
k!
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.
7. Pétervári paradoxon
7.1. A paradoxon története
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.)
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,
2, 4, 2, 8, 2, 4, 2, 4, 2, 16, 2, 4, 2, 8, 2, 4, 2, 2, 32, 2, 4, 2, . . . ,
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
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).
8.4. Megjegyzések
(i) Jelölje F (x) annak a valószı́nűségét, hogy egy vizsgált po-
pulációban egy véletlenül kiválasztott ember élettartama x-
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
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-
(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.
9.4. Megjegyzések
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.
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→∞
ahol Z x
1 2
Φ(x) = √ e−u /2
du.
2π −∞
√
lim P (Sn < nM + xD n) = Φ(x).
n→∞
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.
11.4. Megjegyzések
(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
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.
Q 1 2
R ujj ujj
1 ujj 2 Ft −3 Ft
2 ujj −3 Ft 4 Ft
12.4. Megjegyzések
(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
1 V
min{H(π1∗ ), H(π2∗ )} ≥ H( , ).
1+V 1+V
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.
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.)
– 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
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:
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.)
Mk−1 = m−1 −1
p1 + mp2 + . . .
Vk+1 = Vk (1 − bXk+1 ),
2
Paradoxonok a matematikai
statisztikában
Ha egy kı́sérlet eredményeinek kiértékeléséhez statisztikára
van szükség, akkor jobb megismételni a kı́sérletet.
(Ernest Rutherford)
86
www.interkonyv.hu © Székely J. Gábor
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
1. A Bayes-paradoxon
1.1. A paradoxon története
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 (A|Bk )P (Bk )
P (Bk |A) = ,
P (A|B0 )P (B0 ) + P (A|B1 )P (B1 ) + . . .
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
1.5. Irodalom
° °2 Xk
(ϑi − ϑ̂i )2
° °
L(ϑ, ϑ̂) = °ϑ − ϑ̂° =
i=1
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
à !
(k − 2)σ 2
Q+ 1− ° ° (X̄ − Q)
°X̄ − Q°2
(k − 2)σ 2
° °
°X̄ − Q°2
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-
(1 + B 0 (ϑ))2
E(ϑ̂n − ϑ)2 = B(ϑ)2 + ,
I(ϑ)
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.
2
becslés lesz minimax (rizikója: n+1 ).
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
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.
vényű valószı́nűségeloszlást).
4.4. Megjegyzések
(i) A legkisebb négyzetek módszerének általánosı́tásaként
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.
5. Korrelációs paradoxonok
5.1. A paradoxonok története
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
·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.
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
becslés, mégpedig
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
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.
6. Regressziós paradoxonok
6.1. A paradoxonok története
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-
(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)
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.
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.
7. Az elégségesség paradoxonai
7.1. A paradoxonok története
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.
7.4. Megjegyzés
A matematikai statisztikában nem az elégségesség az egyet-
len „szűrőelv”, amelyik kiszitál bizonyos felesleges vagy nem
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.
8. A maximum-likelihood paradoxonai
8.1. A paradoxonok története
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.
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.
9. Az intervallumbecslések paradoxona
9.1. A paradoxon története
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.
P (A < ϑ < B) = α.
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)
n/σ 2 1
C= és D2 = ,
1/s2 + n/σ 2 1/s2 + n/σ 2
9.5. Irodalom
f1 (X)
< c, ahol X = (X1 , X2 , . . . , Xn )
f0 (X)
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.
10.4. Megjegyzés
Bár egyáltalán nem Robbins paradoxona az egyetlen parado-
xon a hipotézisvizsgálatban, kétségkı́vül egyike a legmegka-
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.
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.
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
12.4. Megjegyzések
(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-
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).
13. Villámparadoxonok
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.)
ab
d= ,
(a + b)2 (a + b + 1)
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
férfiak nők
összesen
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.
3
A véletlen folyamatok
paradoxonai
163
www.interkonyv.hu © Székely J. Gábor
Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
q = g(q)
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,
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.
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
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.
3. A Brown-mozgás paradoxona
3.1. A paradoxon története
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
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.
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.
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
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-
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.
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.
E(Xn+1 − Xn | Xn , Xn−1 , . . .) = 0.
n
X
ln Tn − ln T0 = ln(1 + aj Xj ).
j=0
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→∞
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.
7. Villámparadoxonok
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.)
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.
4
Újabb paradoxonok
203
www.interkonyv.hu © Székely J. Gábor
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.
1.4. Megjegyzések
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.
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.
2. A Banach–Tarski-paradoxon
2.1. A paradoxon története
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.
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.
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.
3. A Monte-Carlo-módszer paradoxona
3.1. A paradoxon története
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-
N
1 X
IN = f (xi )
N i=1
DN = sup |c(x, N ) − x|
0<x<1
|I − IN | 5 Vf DN ,
3.4. Megjegyzések
3.5. Irodalom
0,123 456 789 101 112 131 415 161 718 192 021 222 324 25 . . .
4.4. Megjegyzés
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.
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
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, Teori veroÂtnoste½ i ee
primeneniÂ, 19, 488–500, 1974.
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
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.
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.
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.
(F1 ∗ F2 ) ∗ F3 = F1 ∗ (F2 ∗ F3 ),
F1 ∗ F2 = F2 ∗ F1
F ∗ Fn ∗ . . . ∗ Fn = F.
|n {z }
n-szer
9.4. Megjegyzések
9.5. Irodalom
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
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.
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,
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.
Y
ϕ(t) = ψ(t) ϕi (t)
i
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.
13. Villámparadoxonok
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
F (0) = 0, F (1) = 1
és
∞
X
x= 2−ar
r=0
|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.
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
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-
5
Paradoxológia
263
www.interkonyv.hu © Székely J. Gábor
Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
Befejezés helyett
265
www.interkonyv.hu © Székely J. Gábor
Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
1. táblázat 267
1. táblázat 269
1. táblázat 271
1. táblázat 273
1. táblázat 275
1. táblázat 277
1. táblázat 279
1. táblázat 281
2. táblázat 283
3. táblázat 285
3. táblázat 287
3. táblázat 289
3. táblázat 291
3. táblázat 293
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
www.interkonyv.hu © Székely J. Gábor
Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
Névmutató
295
www.interkonyv.hu © Székely J. Gábor
Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
Névmutató 297
Névmutató 299
Tárgymutató
301
www.interkonyv.hu © Székely J. Gábor
Kelemen Sándor
© Typotex Kiadó
2020-03-30 16:11:38
Tárgymutató 303
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.