Korszeru Elemzo Modszerek A Szakkepzesben

© Typotex Kiadó
KORSZERŰ ELEMZŐ MÓDSZEREK

A SZAKKÉPZÉSBEN
www.interkonyv.hu © Kata János

© Typotex Kiadó
BACCALAUREUS SCIENTIÆ TANKÖNYVEK

A SOROZAT KÖTETEI:
BUDAPESTI MŰSZAKI ÉS GAZDASÁGTUDOMÁNYI EGYETEM

GAZDASÁG- ÉS TÁRSADALOMTUDOMÁNYI KAR
Alkalmazott Pedagógia és Pszichológia Intézet
Ergonómia és Pszichológia Tanszék
IZSÓ LAJOS – HERCEGFI KÁROLY: Ergonómia
JUHÁSZ MÁRTA – TAKÁCS ILDIKÓ: Pszichológia
ANTALOVITS MIKLÓS – SÜLE MARGIT: Termékmenedzsment
Műszaki Pedagógia Tanszék
BENEDEK ANDRÁS: Szakképzés-pedagógia
KATA JÁNOS: Korszerű módszerek a szakképzésben
BENEDEK ANDRÁS: Digitális pedagógia – Tanulás IKT környezetben
JÓKAI ERIKA – KOLOSZÁR KATA – MOGÁNNÉ TÖLGYESY SZILVIA – PATAKI MÁTÉ:
Rehabilitációs támogató technológiák
JUHÁSZ MÁRTA: A foglalkozási rehabilitáció támogatása pszichológiai eszközökkel
KATA JÁNOS: Tanulástechnika
BENEDEK ANDRÁS: Digitális pedagógia 2.0
LŐRINCZ ÉVA ANNA – STURCZ ZOLTÁN: Prezentáció
Közgazdaságtudományok Intézet
Környezetgazdaságtan Tanszék
KÓSI KÁLMÁN – VALKÓ LÁSZLÓ: Környezetmenedzsment
SZLÁVIK JÁNOS: Környezetgazdaságtan
ILLÉS IVÁN: Regionális gazdaságtan – Területfejlesztés
Társadalomismeret Intézet
Kognitív Tudományi Tanszék
KOVÁCS ILONA – SZAMARASZ VERA ZOÉ: Látás, nyelv, emlékezet
PLÉH CSABA: A pszichológia örök témái: történeti bevezetés a pszichológiába
Szociológia és Kommunikáció Tanszék
S. NAGY KATALIN: Szociológia közgazdászoknak
S. NAGY KATALIN: Szociológia mérnököknek
HAMP GÁBOR – HORÁNYI ÖZSÉB: Társadalmi kommunikáció mérnököknek
SYI: Cselekvéselmélet dióhéjban
RAJKÓ ANDREA – S. NAGY KATALIN: Művészettörténet I–II.
Üzleti Tudományok Intézet
Menedzsment és Vállalatgazdaságtan Tanszék
KÖVESI JÁNOS – TOPÁR JÓZSEF: A minőségmenedzsment alapjai
KÖVESI JÁNOS: Menedzsment és vállalkozásgazdaságtan
KOLTAI TAMÁS: Termelésmenedzsment
KÖVESI JÁNOS: Minőség és megbízhatóság a menedzsmentben
Pénzügyek Tanszék
LAÁB ÁGNES: Számviteli alapok
KARAI ÉVA: Könyvelésmódszertan felsőfokon
PÁLINKÓ ÉVA – SZABÓ MÁRTA: Vállalati pénzügyek
VERESS JÓZSEF: Gazdaságpolitika a globalizált világban
VERESS JÓZSEF: A gazdaságpolitika nagy elosztórendszerei
LAÁB ÁGNES: Kompetenciaga(rá)zdálkodás. I. Mennyi élet van éveidben?
Üzleti Jog Tanszék
SÁRKÖZY TAMÁS: Üzleti jog

© Typotex Kiadó
KORSZERŰ ELEMZŐ
MÓDSZEREK
A SZAKKÉPZÉSBEN
Írta
KATA JÁNOS
Írta
BOKOR LÁSZLÓ, DOMBI ÁKOS,
GYÖRGY LÁSZLÓ, KISS LILLA VERONIKA
Írta
ANDOR GYÖRGY, PÁZMÁNDI KINGA
és SÁRKÖZY TAMÁS
TYPOTEX

© Typotex Kiadó
A könyv elektronikus kiadása

a Nemzeti Kulturális Alap támogatásával jelent meg.
www.nka.hu
Budapesti Műszaki és Gazdaságtudományi Egyetem

Gazdaság- és Társadalomtudományi Kar
Alkalmazott Pedagógia és Pszichológia Intézet – Műszaki Pedagógia Tanszék
Copyright © Kata János – BME GTK – Typotex, 2007, 2013
A 2007-es első kiadás elektronikus változata © Typotex, 2013

Engedély nélkül semmilyen formában nem másolható!
ISBN 978 963 9664 61 6

ISSN 1787-9655
Témakör: pedagógia, műszaki szakképzés
Kedves Olvasó!
Köszönjük, hogy kínálatunkból választott olvasnivalót!
Újabb kiadványainkról, akcióinkról
a www.typotex.hu és a facebook.com/typotexkiado
oldalakon értesülhet.
Felelős kiadó: Votisky Zsuzsa, Typotex Elektronikus Kiadó Kft.

A borítót Tóth Norbert tervezte
Szerkesztette és tördelte: Leiszter Attila

© Typotex Kiadó
TARTALOM
ELŐSZÓ 9
BEVEZETÉS
A számok tulajdonságai – a számkörök 13
A számok statisztikai alkalmazása – a skálázás 14
Az adatok osztályozása a változó értékkészlete szerint 15
A mért mennyiségek tartalma – a mérési hibák 17
A mérési hibák figyelembe vétele – a statisztika 19
Mérések a pedagógiában 21
1. FEJEZET / A PEDAGÓGIAI KUTATÁSOKBAN ALKALMAZHATÓ KVANTITATÍV

MÓDSZEREK RENDSZERELMÉLETI ALAPJAI
1.1 Az operációkutatási módszerek rendszerszemléletű alkalmazásának elemei 25
1.1.1 A pedagógiai célú kibernetikai kutatások néhány jellemző problémája 26
1.1.1.1 Pedagógiai célú kutatások operációkutatási eszközökkel 27
1.1.1.2 Pedagógiai célú kutatások elemi statisztikai módszerekre
épülő modellezéssel 28
1.1.1.3 Pedagógiai célú kutatások statisztikai rendszermodellezéssel 29
1.1.2 Az operációkutatási eljárások rendszerelméleti és kibernetikai alapjai 30
1.1.3 A problémamegoldás fázisai a döntéselőkészítési és döntési módszerekben 37
1.2 A döntési módszerek pedagógiai alkalmazásának sajátosságai 42
1.3 Ellenőrző kérdések 44
1.4 Felhasznált és javasolt irodalom 44
1.5 Alkalmazások 44
2. FEJEZET / A DETERMINISZTIKUS MODELLEK JELLEMZŐI ÉS PEDAGÓGIAI

ALKALMAZÁSUK
2.1 A determinisztikus modellezés elméleti alapjai 45
2.1.1 A gráf-mátrix módszerek jellemzői 46
2.1.2 A döntéselőkészítő eljárások jellemzői 51
2.2 A determinisztikus modellek pedagógiai alkalmazásának sajátosságai 53
2.3 Ellenőrző kérdések 55
2.4 Felhasznált és javasolt irodalom 56
2.5 Alkalmazások 56
5
© Typotex Kiadó
6 TARTALOM
3. FEJEZET / A SZTOCHASZTIKUS MODELLEK JELLEMZŐI ÉS PEDAGÓGIAI

ALKALMAZÁSUK
3.1 A statisztikai módszerek alkalmazásának általános vonatkozásai
és elméleti alapjai 58
3.1.1 A statisztika és a hétköznapi ember 59
3.1.2 A statisztika és a vezetéselmélet 59
3.1.3 Elemi statisztikai módszerek és döntéselőkészítő statisztikai modellek 60
3.1.4 A sztochasztikus modellek pedagógiai alkalmazásának lehetőségei 61
3.1.5 A kutatások felépítése 62
3.1.6 Összefüggés az információ megbízhatósága és az adatmennyiség között 64
3.1.7 A mintavétel általános jellemzői 65
3.2 A statisztikai módszerek gyakorlati alkalmazása 66
3.2.1 Az elemi statisztikai módszerek 67
3.2.1.1 Az adatok csoportosítása, táblázatos megjelenítése 67
3.2.1.2 Az adatok szemléltetése 70
3.2.1.3 A gyakorisági eloszlás ábrázolási módjai 80
3.2.1.4 Az adathalmaz középértékének mérőszámai 86
3.2.1.5 A szóródás mérőszámai 88
3.2.1.6 Statisztikai következtetések, egyszerű adatelemzések,
hipotézisvizsgálatok 89
3.2.1.7 Regresszió- és trendszámítás 99
3.2.1.8 Összefüggésvizsgálat khi-négyzet próbával 107
3.2.1.9 Ellenőrző kérdések 114
3.2.1.10 Feladatok 114
3.2.1.11 Felhasznált és javasolt irodalom 117
3.2.1.12 Alkalmazások 117
3.2.2 Többváltozós adatok elemzése 118
3.2.2.1 A faktoranalízis módszerei 119
3.2.2.2 A klaszterelemzés módszerei 129
3.2.2.3 A sokdimenziós skálázás módszere 139
3.2.2.4 A többváltozós adatok elemzési módszereinek összehasonlítása 145
3.2.3 Folyamatvizsgálat és rendszermodellezés látens változók elemzésével 151
3.2.4 További modellezési lehetőségek a látens változók útelemzése segítségével 158
BEFEJEZÉS 171
6
© Typotex Kiadó
TARTALOM 7
4. FEJEZET / FÜGGELÉK: PÉLDÁK A MÓDSZEREK GYAKORLATI ALKALMAZÁSÁRA

4.1 Egy felsőoktatási jegyzet döntéselméleti alapú felépítése 177
4.1.1 A szállítási probléma modelljei 177
4.1.2 A szállítási probléma megoldása 181
4.1.3 A szállítási probléma közelítő megoldásai 183
4.1.4 A szállítási probléma megoldásának egzakt algoritmusa (a Magyar-módszer) 189
4.1.5 A maximális szállítási teljesítményt igénylő szállítási rendszer meghatározása 194
4.1.6 A háromdimenziós szállítási probléma 198
4.2 A tananyagstruktúra elemzése hálótervezési módszerekkel 208
4.3 Pályaválasztási tanácsadás komplex összehasonlító eljárással 212
4.4 Tanulmányi munka értékelése komplex összehasonlító eljárással 216
4.5 Szemléltetési technika értékelése komplex összehasonlító eljárással 218
4.6 Segédlet műszaki pedagógushallgatók részére a statisztikai próbák
témaköréből 231
4.6.1 Bevezetés 231
4.6.2 Elméleti összefoglaló 232
4.6.3 Minta összehasonlítása az alapsokasággal u-próba segítségével, I. 233
4.6.4 Minta összehasonlítása az alapsokasággal u-próba segítségével, II. 234
4.6.5 Minta összehasonlítása az alapsokasággal t-próba segítségével 235
4.6.6 Két minta összehasonlítása t-próbával 236
4.6.7 Feltevés ellenőrzése c2-próbával 237
4.6.8 Hipotézisvizsgálat c2-próbával 238
4.6.9 Mellékletek 240
4.7 Segédlet műszaki pedagógushallgatók részére a statisztikai
összefüggésvizsgálatok témaköréből 242
4.7.2 Előjelkorrelációs együttható számítása 243
4.7.3 Rangkorrelációs együttható számítása 246
4.7.4 Korrelációs együttható számítása 247
4.7.5 Asszociációs együttható számítása 248
4.7.6 Lineáris regresszió számítása 249
4.7.7 Hatványfüggvény illesztése lineáris regresszió segítségével 251
4.7.8 Logaritmikus görbe illesztése lineáris regresszió segítségével 253
4.7.9 Hiperbolikus görbe illesztése lineáris regresszió segítségével, I. 254
4.7.10 Hiperbolikus függvény illesztése lineáris regresszió segítségével, II. 255
4.7.11 Egyéb görbék illesztése lineáris regresszió segítségével 255
4.7.12 Polinomos regresszió számítása 256
4.7.13 Összetett görbék illesztése polinomos regresszióval 257
4.7.14 Kétváltozós összefüggésvizsgálat 257
4.7.15 Többszörös lineáris regresszió 260
4.8 Egy OKJ-s szakmacsoport összetételének elemzése (I. rész) 261
4.8.2 A „Kereskedelmi-marketing, üzleti adminisztráció” szakmacsoport
összefoglaló jellemzése 262
7
© Typotex Kiadó
8 TARTALOM
4.8.3 A vizsgálat módszere 263

4.8.4 A szakmai követelmények elemzése 265
4.8.4.1 Kiértékelés elemi statisztikai módszerekkel 265
4.9 Egy esszenciális hipertóniában szenvedő beteg vérnyomásértékeinek
statisztikai elemzése 270
4.10 Gépjárműüzemeltetési adatok elemzése 274
4.11 Egy numizmatikai gyűjtemény alakulása 277
4.12 Szociometriai elemzés a sokdimenziós skálázás módszerével 279
4.12.1 A szociometriai felmérések kiértékelésének hálótervezési módszerei 279
4.12.2 Szociometriai felmérés számítógépes adatelemző módszerekkel 280
4.12.3 Egy elemzés eredményei 281
4.12.4 Összefoglalás 284
4.13 Tananyagstruktúra elemzése a többváltozós adatelemzés módszereivel 286
4.13.1 Faktorelemzés 286
4.13.2 Klaszterelemzés 288
4.13.3 Sokdimenziós skálázás (Multidimensional Scaling = MDS) 288
4.13.4 Összegzés 290
4.14 Egy OKJ-s szakmacsoport összetételének elemzése (II. rész) 291
4.15 Oktatási folyamatrendszerek elemzése látens változókkal 299
4.15.1 A vizsgált tanulócsoportok bemutatása 301
4.15.2 A modellezések általános eredménye 302
4.15.3 A modellezések eredményeinek egyes jellemzői a különböző mintákban 304
4.15.4 Következtetések 305
4.15.5 Befejezés 305
4.16 A tanulási motivációk komplex vizsgálata egy általános iskola nyolcadik
osztályos tanulói között 307
4.16.1 A motivációk elemzése faktoranalízis segítségével 308
4.16.2 A motivációk vizsgálata klaszterelemzés segítségével 313
4.16.3 A motivációk elemzése a sokdimenziós skálázás segítségével 319
4.17 A motivációs elemzés modellezése látens változókkal 321
4.18 A hiányzó adatok pótlása 325
8
© Typotex Kiadó
ELŐSZÓ
A jegyzet, amelyet az Olvasó most a kezében tart, a 2007-től induló BSc-szintű

műszaki pedagógusképzésben résztvevő hallgatók számára készült. Témáját a
pedagógiai kutatások, elemzések és a hétköznapi értelemben vett pedagógusi
munka során felhasználható mérnöki, közelebbről operációkutatási, kiberneti-
kai és statisztikai módszerek, modellek áttekintése képezi.
Több évtizedes tapasztalatunk szerint a mérnöktanárok többsége a tanítás fo-
lyamatát is egzakt módszerekkel kezeli, és ennek érdekében szívesen alkalmaz
mérnöki eszközöket saját szakterületéről is. A mérnöki tudomány ugyanis ma
már legtöbbször nem elégszik meg a termelési folyamatokban résztvevő mű-
szaki objektumok tárgyalásával, hanem maga is aktív részese az összetett gép-
rendszerek, gyártási folyamatok létrehozásának. Így napjaink műszaki szakem-
berének foglalkoznia kell a rendszerek tervezésének, létrehozásának és működ-
tetésének általános szervezési kérdéseivel is.
Ennek eredményeként kialakult egy olyan sajátos üzemszervezési és gyártás-
irányítási szakterület, amelynek elemeit minden mérnök elsajátítja, sokan közü-
lük pedig kifejezetten ebben az irányban specializálódnak.
Az ilyen rendszertervező mérnökök ha pedagógiai tanulmányaik során meg-
ismerkednek a tanítás sajátos jellemzőivel, képesek arra, hogy e speciális, a mű-
szaki tevékenységektől távol álló folyamatot a többi pedagógusokétól eltérő, új-
szerű perspektívákból lássák. Ennek hatására olyan eszközöket és módszereket
használhatnak fel e területen is, amelyek növelik a tanári munka hatékonyságát
és minőségét.
A rendszermodellezés mérnöki módszerei például alkalmasak lehetnek egyes
oktatási, oktatásszervezési problémák vizsgálatára és megoldására, a tanári
munka tudatosságának fokozására, egyes elemeinek algoritmizálására. A rend-
szertechnika által kidolgozott kibernetikai eszközök könnyen adaptálhatók a ta-
nulás irányításának területére, és az üzemszervezési eljárások is segíthetnek a ta-
nulás folyamatának kialakításában.
A rendszertechnika napjainkra elérte a tudománnyá válásnak azt a fokát,
amelyen már maga is tovább differenciálódik, illetve egyre több alkalmazási te-
rületet hódít meg. Bizonyos esetekben a szervezetpszichológia kérdéseivel fog-
lalkozik, máskor a gazdasági vezetés, az informatika, az ipargazdaságtan, az
9
© Typotex Kiadó
10 ELŐSZÓ
operációkutatás vagy a modellezés irányába fordul. Jegyzetünk ezek közül az

utóbbi kettővel foglalkozik, mert azok alkalmazhatók legáltalánosabban a pe-
dagógiai kutatások területén is.
A mérnöktanár-jelöltek szakmódszertani tanulmányaik előtt, mérnöki tanulmá-

nyaik során elsajátítják azokat a szakmai (műszaki-gazdasági) alapismereteket,
amelyek középfokú tanítására készülnek. Ezek során mérnöki szintű matemati-
kai tudásra és ezen belül közgazdászi szintű statisztikai ismeretekre tehetnek
szert. Ezért a módszertani kurzus kutatási módszerekkel foglalkozó fejezetét már
lényegében felsőfokú szakismeret birtokában tárgyalhatják.
Nem szükséges tehát foglalkozniuk a mérnöktanári tanulmányoknak a rend-
szermodellezés és a statisztika alapfogalmainak tisztázásával, az általuk használt
matematikai eszköztár kialakításával és az alkalmazott összefüggések bizonyítá-
sával. A kutatásmódszertan tananyagának elsajátítása során a hallgatók arra kon-
centrálhatnak, hogy az általuk már jórészt ismert eszközöket hogyan alkalmaz-
hatják a gyakorlatban, közelebbről a pedagógiai munkában. Mivel azonban en-
nek alapját a rendszermodellezés és a folyamatirányítás, valamint a statisztikai
módszerek alkotják, nem tekinthetünk el jegyzetünkben ezek egyes elemeinek
tárgyalásától sem. Különösen indokolttá teszi ezt az is, hogy e módszerekkel sok-
szor közvetlenül is nyerhetünk új információkat az oktatási folyamatról.
Az oktatásmódszertani tanulmányok során nem várhatjuk el hallgatóinktól,
hogy teljes képet alkossanak a felhasznált matematikai eszköztár összes lehetsé-
ges pedagógiai alkalmazásáról. Ez a pedagógiai jelenségek sokszínűsége miatt
nem is lehetséges, és nem is lenne célszerű törekvés. A tárgyalt eszközök és mód-
szerek általános jellege, rendszertechnikai alkalmazhatóságának sokrétűsége mi-
att inkább csak arra vállalkozhatunk, hogy felvillantsunk olyan pedagógiai terü-
leteket, ahol a legtöbb eredményt várhatjuk tőlük, és ötleteket adjunk arra vonat-
kozóan, hol kereshetnek a hallgatók, a gyakorló és a kutató pedagógusok további
kreatív alkalmazási lehetőségeket. Az érintett eljárások általános alkalmazható-
ságát pedig azáltal kívánjuk érzékeltetni, hogy bizonyos számításokat a pedagó-
gián kívül álló szakterületek adatbázisán mutatunk be. Így kerülnek példáink
közé műszaki, egészségügyi és szabadidős problémák, feladatok is. E „szakmai
kirándulások” azonban nem feledtethetik velünk azt az igényt, hogy minden
téma megtárgyalásához konkrét iskolai alkalmazást is kössünk.
A jegyzet szemléletére egyfajta jóindulatú laikusság jellemző. A problémameg-

oldó mérnököt ugyanis az különbözteti meg a precíz matematikustól, hogy esz-
közeit bátran alkalmazza ott is, ahol egyébként talán csak korlátozottan tehetné
ezt meg. Ez legtöbbször azért fordul elő, mert bizonyos problémáknál nem vagy
csak értelmetlenül nagy ráfordítással lehet teljesíteni olyan egzakt feltételeket,
amelyeket megkívánna az a matematikai módszer, amely elhanyagolásokkal al-
kalmazva mégis jó, jól hasznosítható eredményre vezet. A mérnök sokszor nem
is ismeri ezeket a gátakat, esetleg a módszer matematikai alapjai maguk sincse-
nek teljesen tisztázva. Ez azonban nem jelent akadályt, legfeljebb az eredményt
közelítésnek, valamifajta heurisztikus algoritmus által nyújtott szuboptimum-
10
© Typotex Kiadó
ELŐSZÓ 11
nak fogadja el. Jegyzetünk sem foglalkozik az eljárások matematikai alapjainak

egzakt ismertetésével, ezt meghagyja a matematika-tankönyveknek. Ez a hiá-
nyosság azonban talán még inkább elősegíti a praktikus alkalmazást, és remél-
hetően nem riasztja el a jegyzettől azokat a tanár kollégákat sem, akik humán
alapképzettségűek.
Ugyancsak nem vállaljuk fel a pedagógiai kutatás módszertanának tudomá-
nyos szintű tárgyalását sem. Ezt nemcsak azért mellőzzük, mert nem ez az el-
sődleges célja a hallgatók módszertani képzésének, hanem főleg azért, mert az
itt tárgyalható kérdések többsége következik a mérnöki tanulmányokból, a
rendszerelmélet törvényszerűségeiből.
Mivel a rendszerelemzés és a rendszermodellezés általában hatalmas mennyi-

ségű számítást igényel (nem véletlen, hogy e terület az elmúlt 10–20 évben fejlő-
dött a legnagyobb mértékben), szükségszerűen megköveteli a számítógépes
hátteret. Az alkalmazhatóság érdekében a jegyzetben bemutatott eljárások szá-
mítógépes programjait úgy válogattuk össze, hogy azok minél könnyebben
hozzáférhetők legyenek. Bár modelljeink nem kötődnek konkrét programcso-
magokhoz, a feladatok kiszámítását, a gyakorlati alkalmazások elemzéseit ilye-
nekkel végeztük el. Ahol tehát lehetett, a legelterjedtebb programcsomag, a
MICROSOFT OFFICE részeként rendelkezésre álló EXCEL programmal dolgoz-
tunk (e módszereket jellegük és hozzáférhetőségük alapján „elemi” statisztikai
módszereknek neveztük el). A bonyolultabb rendszermodellező programokat
pedig úgy válogattuk össze, hogy megtalálhatók legyenek az Interneten köny-
nyen hozzáférhető „freeware”, „demo”, illetve „student version” formában.
Ezek közül minden esetben megpróbáltuk kiválasztani az adott feladatot a fel-
használótól a legkevesebb munkát igénylő, legegyszerűbben megoldó változa-
tokat. A különböző statisztikai programok egymástól eltérő grafikai ábrázolást
alkalmaznak részben a készítők arculatának kialakítása céljából, részben pedig
a programok szolgáltatásainak eltérő ábrázolási igényei miatt. Ezzel magyaráz-
ható az, hogy a jegyzet ábraanyaga kivitelben és formában kissé eklektikus lett.
Bár a bemutatott eljárások jelentős része manuálisan is elvégezhető, jegyze-
tünkben a számítógépes alapú szimulációkra koncentráltunk. Az e célra kidolgo-
zott programcsomagok szolgáltatásai általában végrehajtják ezeket az egysze-
rűbb számításokat is, ezért tartalmazzák a szükséges küszöbérték-táblázatokat
is. Ez az oka annak, hogy más, hasonló témájú jegyzetektől eltérően nem közöljük
a manuális számításokhoz elengedhetetlenül szükséges statisztikai táblázatokat.
A jegyzet anyagának összeállítása során a modellezés különböző formáinak tár-

gyalására törekedtünk. A legegyszerűbb verbális modelltől („ezt a tanárt szere-
tik a gyerekek”) a kibernetika több tucat oldalnyi, képleteket, egyenleteket és
számsorokat tartalmazó modelljéig azonban többféle út is vezet. Ezek mind-
egyikét nem tárgyalhatjuk, de az biztos, hogy ezek az útvonalak tartalmazzák a
rendszerek struktúráját leíró determinisztikus gráfmodelleket, a statisztika egy-
szerűbb és bonyolultabb alapeljárásait, illetve a napjainkban különös fontossá-
got nyert látens változók vizsgálatát is.
11
© Typotex Kiadó
12 ELŐSZÓ
Ennek megfelelően a jegyzet három fő témára összpontosít. Az első részben

megismerkedhetünk a rendszerek modellezésének elméleti alapjaival, a rend-
szerszemlélet fő elemeivel és a rendszertechnika operációkutatási, kibernetikai
vonatkozásaival.
A második részben tárgyalt modelleket olyankor lehet felhasználni, amikor a
véletlen szerepe elhanyagolható. Sok esetben ugyanis olyan, rendszerint statikus
rendszereket, azok szerkezetét, stacionárius folyamatait kell vizsgálni, amelyek
az időben nem változnak, vagy e változások könnyen átláthatók.
A jegyzet harmadik része fontosságában és terjedelmében is a legjelentősebb.
Itt tárgyaljuk azokat a sztochasztikus modelleket, amelyekben a véletlen is nagy
szerepet játszik. Ezek általában statisztikai eszközökkel kezelhetők, ezért külön
tárgyaljuk azokat a statisztikai fogalmakat, amelyek a bonyolultabb elemző el-
járások kezeléséhez feltétlenül szükségesek. A fejezet ezután részletezi a több-
változós adatkezelés módszereit és az összetett rendszervizsgálati modelleket.
Minden fejezet végén feltüntettük a közvetlenül felhasznált, illetve a témában

történő további elmélyülést lehetővé tevő publikációkat (kivéve a harmadik fe-
jezetet, ahol minden fontos tanítási egységet tartalmazó alfejezetben megtettük
ugyanezt). A fejezeteket gyakorló kérdések zárják, amelyeknél feltüntettük azt
is, hogy melyik alfejezetben keresheti rájuk az Olvasó a választ.
A számításigényes témaköröket tárgyaló fejezetek végén az alkalmazási lehető-

ségek további szemléltetése és a modellezés technikájának begyakorlása érde-
kében közöltünk önálló számításra alkalmas feladatokat is. Az önellenőrzés le-
hetőségének biztosítása végett egyes feladatoknál az esetenként több oldalnyi
terjedelmű eredmények közül véletlenszerűen megadtunk olyan adatokat,
amelyek elégségesek a számítások helyességének ellenőrzéséhez.
Az egyes fejezeteket záró részben megadtuk a jegyzet második részében sze-
replő azon alkalmazási példák hivatkozásait, amelyek témájukban illeszkednek
az előzőekben tárgyaltakhoz, és érzékeltetik a gyakorlatban való felhasználás
előnyeit, jellemzőit, valamint nehézségeit is.
A jegyzet anyagát olyan részek egészítik ki, amelyek korábbi kutatások, felmé-
rések és publikációk egyes elemeit tartalmazzák. Mivel ezek különböző idő-
pontokban (lényegében az elmúlt tíz évben), különböző célokból (kutatási jelen-
tésként, hallgatói segédletként stb.), különböző szakterületeken (oktatásra, ku-
tatásra, egészségügyi, műszaki alkalmazásra) készültek, ezért szándékosan
csak nagy vonalakban hangoltuk össze őket. Azt is ki akartuk fejezni ezzel,
hogy meglehetősen széles e módszerek lehetséges felhasználási területe, ezért e
tanulmányok egymástól függetlenül is olvashatók, amit megtört volna egy eset-
leges erőltetett összeszerkesztés.
A jegyzet anyagának elsajátításához, az abban olvasottak kreatív alkalmazásá-

hoz sok sikert kíván:
A szerző
12
© Typotex Kiadó
BEVEZETÉS
Az emberi társadalom fejlődésére a kezdetek óta jellemző a tudományos megis-

merés igénye. A keleti civilizációkban ez alapvetően a humán területekre irá-
nyult, és létrehozta a különféle világnézeti jellegű, „szemlélődő” filozófiákat
(a buddhizmust, a hinduizmust és a taoizmust). Az európai, „aktív” kultúrában
emellett az emberi környezet sokszor drasztikus átalakítását is célul tűzték ki,
és így kialakult a műszaki és a természettudományos fejlődés is.
Ennek feltétele volt a dolgok megszámolhatósága, mérhetősége is. A mai
szemmel nézve legegyszerűbb természettudományos összefüggések feltárása
indította el a matematika fejlődését, amely a legkülönfélébb eszközöket nyújtot-
ta a tudományos fejlődés ismeretelméleti alapjaihoz. Ezek az eszközök fokoza-
tosan kerültek be a természettudományi és a műszaki diszciplínákba. Felhasz-
nálásuk a tudományosság kritériumává vált, így először a gazdasági ismeretek,
majd a múlt században a korábban teljesen humán szakterületek – például a
szociológia, a pszichológia – is bevonták vizsgálati módszereik közé.
Ilyen eszközök voltak a számok is. Ezek bizonyos szempontból mágikus je-
lenségek, mert látszólagos egyszerűségük ellenére sokfajta tulajdonsággal bír-
hatnak.
A SZÁMOK TULAJDONSÁGAI – A SZÁMKÖRÖK
Kezdetben csak a természetes (pozitív egész) számokat ismerték. Ezekkel írták le a

természetes dolgok mennyiségét, beszéltek egy asszonyról, két gyerekről, há-
rom lóról, vagy később már 600 sestertiusról. A természetes számok az abszt-
rakció első (bár jelentős) lépcsőfokát jelentették, de igazi funkciójuk még csak a
mennyiségek leírása volt. Nem is alkalmasak a mai értelemben vett számolásra,
mert csak az összeadás és a szorzás (és az eredményre nézve bizonyos erős kor-
látok között a kivonás és az osztás) értelmezhető velük.
A számolások eredménye éppen ezért néha furcsa volt. Ezek értelmezésére
jöttek létre az egész számok (a pozitív és negatív egész számok és a nulla). Segít-
ségükkel ki lehet fejezni azt, hogy egy üzlet kötése után 200 lepta adóssága ma-
radt a kereskedőnek (–200 lepta), vagy az utolsó mohikán halála után nem ma-
13
© Typotex Kiadó
14 BEVEZETÉS
radt a törzsnek élő tagja (a mohikánok száma 0). Osztani azonban ebben a szám-
körben sem mindig egyszerű, hiszen az eredmény sokszor kívül esik azon a
halmazon, amelyen magukat az egész számokat értelmezzük.
Kialakultak hát a racionális számok, amelyeket két egész szám hányadosaként
értelmezünk. Segítségükkel ki tudjuk fejezni azt, hogy egy Aureus 12-ed részé-
ért vásároltunk egy rabszolgát, vagy 1279-ben Magyarországon 1 dénárért 1/40
veder sört ihattunk.
A hétköznapi mennyiségek leírásához lényegében ezek a számok elegendők.
A számkör későbbi bővítése során kialakult számfajták (például az irracionális és
a komplex számok) már csak a matematikusok és a műszaki vagy természettudo-
mányos felkészültségű szakemberek sokszor speciális elméleti problémáinak
megoldására alkalmasak, ezért számunkra most a gyakorlati méréselmélet és a
rendszermodellezés szempontjából nem érdemelnek további figyelmet.
A SZÁMOK STATISZTIKAI ALKALMAZÁSA – A SKÁLÁZÁS
Napjainkra érzékelhetően megnőtt a számok szerepe az életünkben. Ahhoz már

hozzászoktunk, hogy egy kilogramm kenyeret vásárolunk, két korsó sört ren-
delünk, de sok embernek még mindig nehézséget okoz, hogy egyre több isme-
rősének van egyre több telefonszáma, pénzéhez csak PIN-kódjával juthat hozzá,
lakásába számkódos zárral léphet be. Ha megnézte a FORMA–1-es futamot, a
20-as busszal elmegy a boltba és vásárol egy CD-t, nyaralása során digitális
fényképeket készít, és ha esténként nem tud elaludni, akkor csukott szemmel
számolja a bárányokat.
Ez a sok „szám” azonban nem ugyanazokkal a tulajdonságokkal rendelkezik.
A szám (illetve az általa leírt adat, tulajdonság) fontos jellemzője ugyanis, hogy
milyen skálához kötjük. A szám néha csak a megnevezést helyettesíti, az azo-
nosítást könnyíti. Az ilyen nominális skálán elhelyezkedő számok azt az informá-
ciót adják meg, hogy a Keleti pályaudvarról Káposztásmegyerre megy ez az au-
tóbusz – röviden, ez a piros 20-as. Az ilyen számokkal az ember nem is végez
műveleteket, mivel azok csak a tárgyak, dolgok, jelenségek (röviden, az objek-
tumok) azonosítását, illetve megkülönböztetését szolgálják. A nominális skálán
elhelyezkedő A-ról és B-ről csak annyit tudunk mondani, hogy az xA = xB egyen-
lőség fennáll-e vagy sem.
A szám sokszor azt mutatja meg, hogy egy adott dolog egy bizonyos szem-
pontból kialakított sorban hol helyezkedik el. A zeneakadémiai bérlet első elő-
adásán Muszorgszkij szerzeményét, az Egy kiállítás képeit adják elő, majd ezt kö-
veti Liszt Haláltánca, Csajkovszkij Rómeó és Júliája, végül Orff Carmina Buranája.
Az ebben a példában időrendiség alapján kialakított rangsorskála (ordinális ská-
la) nyilvánvalóan nem tükröz sem művészi minőséget, sem a művek időtarta-
mát (pusztán a bemutatás sorrendjét). Közvetlenül számolni tehát ezzel a
„számmal” sem tudunk, mert bár az objektumok viszonylagos helyének defini-
álásával megvalósítja azok rendezését, további információt nem nyújt róluk. Az
14
© Typotex Kiadó
AZ ADATOK OSZTÁLYOZÁSA A VÁLTOZÓ ÉRTÉKKÉSZLETE SZERINT 15
előző skálához képest csupán annyi többletet tudhatunk meg belőle A-ról és
B-ről, hogy az xA > xB reláció fennáll-e vagy sem.
Az időjárás-jelentésből naponta megtudjuk, hogy milyen meleg lesz aznap.
Télen enyhe időben +5 Celsius fok van, a nyári forróságban +35 Celsius fok is le-
het. Mégsem mondjuk, hogy nyáron hétszer olyan meleg van, mint télen. Ennek
az az oka, hogy az ilyen intervallumskálán nincsen egyértelmű kezdőpont (illetve
az nem felel meg a mért mennyiség abszolút nulla értékének), hanem az egy ál-
talában önkényesen meghatározott értékhez tartozik. Segítségével az előző in-
formációkon túl a különbségek mértékét is értelmezzük, így azt is mondhatjuk,
hogy A a B-től xA – xB értékkel különbözik.
Azok a számok, amelyekkel minden műveletet szabadon elvégezhetünk, az
arányskálán helyezkednek el. Ezen a skálán nemcsak a beosztások egyenletesek,
hanem a kezdőpont is egyértelműen az abszolút nulla ponthoz tartozik. Az ese-
tek jelentős részében szerencsénk van: a távolság, a tömeg, az erő, a térfogat és
számos hétköznapi, illetve tudományos mennyiség ilyen abszolút nulla érték-
kel rendelkezik. Azt is mondhatjuk tehát az ilyen skálán elhelyezkedő objektu-
mokról, hogy A xA/xB-szer nagyobb B-nél.
A skálák felépítése hierarchikus, mivel mindegyikük rendelkezik az őt meg-
előző összes skála tulajdonságaival. A nominális és a rangsorskálán mért válto-
zókat gyakran nevezik kategorikus vagy kvalitatív (minőségi) változóknak, az
intervallum- és arányskálán értelmezett változókat pedig kvantitatív (mennyi-
ségi) változóknak hívják.
A többváltozós modellezések során feltételezzük, hogy a változók azonos
skálatulajdonságúak. Elméleti megfontolások alapján levezethető, hogy általá-
ban elég, ha intervallumskálán helyezkednek el, ugyanis az arányskála abszolút
nullapontjából eredő tulajdonságokat ritkán használjuk ki. Az adatoknak ez a
homogenitása a gyakorlatban sokszor nem biztosítható (gondoljunk arra, hogy
statisztikai elemzéseinkben milyen gyakran találkozunk a tanulók osztályzatai-
nak elemzésével például a lakóhely, a nem, az életkor és a szülők foglalkozásá-
nak egyidejű hatásait keresve). Ilyenkor különböző eljárásokkal transzformál-
juk őket azonos jellegűvé. Ha a változó tulajdonságait magasabb szintű skálára
transzformáljuk, akkor felértékeljük (tehát pótlólagos információkat adunk ró-
luk), fordított esetben pedig leértékeljük a tulajdonságaikat (vagyis információ-
kat hagyunk el belőlük). Ilyen műveleteket végzünk például akkor, ha a tanuló
jeles osztályzata mellé szöveges értékelést is adunk, vagy ha a pontszámból ki-
alakítjuk az írásbeli dolgozat érdemjegyét.
AZ ADATOK OSZTÁLYOZÁSA A VÁLTOZÓ ÉRTÉKKÉSZLETE SZERINT
A változók között aszerint is különbséget lehet tenni, hogy hány különböző ér-
téket vehetnek fel, vagyis hány elem tartozik az értékkészletükbe. Az értékkész-
letek korszerű osztályozása a halmazelmélet fogalmait hívja segítségül, melyek
közül az egyik első definíció szerint:
15
© Typotex Kiadó
16 BEVEZETÉS
Két halmaz ekvivalens (azonos, illetve egyenlő számosságú), ha az egyik halmaz

minden eleme kölcsönösen egyértelműen megfeleltethető a másik halmaz minden
elemének.
Ugyancsak a halmazelmélet definiálja a halmazok véges, illetve végtelen

voltát:
Egy halmazt végesnek nevezünk, ha ekvivalens az n-elemű, természetes számokat

tartalmazó halmazzal. Ekkor a halmaz elemei megszámlálhatók, és mennyiségük
véges nagyságú egész számmal egyenlő. Véges halmazt alkotnak például egy osz-
tály tanulói.
Megszámlálhatóan végtelennek nevezzük a halmazt, ha ekvivalens az összes
természetes számok (végtelen) halmazával. Ez a halmaz – elvileg – megszámlálha-
tó, de nem találunk olyan véges természetes számot, amely a halmaz elemeinek
számát megadná. Ilyen halmazt alkot például egy mérés összes lehetséges kimene-
tele (hiszen elvileg végtelenszer elvégezhető egy adott objektum valamelyik tulaj-
donságának meghatározása).
Nem megszámlálhatóan végtelennek nevezzük azt a halmazt, amelynek ele-
mei nem rendelhetők kölcsönösen egyértelműen a természetes számokhoz. Ilyenkor
nem tudunk „következő” számról beszélni, mivel minden szám és a „következő”
között végtelen sok szám van. Ilyen halmazt alkotnak például egy szakasz pontjai.
E fogalmak segítségével a változók értékkészlete szerint a következő osztá-

lyozás végezhető el:
Folytonos változók (értékkészletük nem megszámlálhatóan végtelen hal-

maz).
Diszkrét változók (értékkészletük véges vagy megszámlálhatóan végtelen
halmaz).
Bináris (alternatív, kétértékű vagy dichotóm) változók (értékkészletük két-
elemű halmaz).
E három változótípust használják fel a statisztikai számítások is. Szigorúan te-

kintve a bináris változók elkülönítése erőltetettnek tűnhet, mivel azok nem má-
sok, mint olyan diszkrét változók, amelyek speciálisan két értéket vehetnek fel.
Ez a specialitás viszont a gyakorlatban nagyon sűrűn fordul elő (a tanuló megbu-
kott a vizsgán vagy sikeres volt, a tanuló fiú vagy lány, a tanárnak van autója vagy
nincs stb.). Másrészt viszont levezethető az is, hogy a dichotóm változók olyan
jellegűek, mintha intervallumskálán helyezkednének el (ugyanis invariánsak a li-
neáris transzformációval szemben). Ez a tulajdonságuk alkalmassá teszi a bináris
változókat arra, hogy közvetlenül alkalmazzuk őket az intervallumskálákon ér-
telmezett (tehát szinte az összes fontos) eljárásban, például a regressziószámítás-
ban, a korrelációelemzésben vagy a faktoranalízisben is. Így dichotóm változók-
kal közvetlenül számolhatunk bizonyos minőségi mutatók esetén is.
16
© Typotex Kiadó
A MÉRT MENNYISÉGEK TARTALMA – A MÉRÉSI HIBÁK 17
A MÉRT MENNYISÉGEK TARTALMA – A MÉRÉSI HIBÁK
Az emberi tevékenység egyik alapvető eleme a mérés, amely a klasszikus defi-

níció szerint bizonyos dolgok összehasonlítása egymással vagy valamilyen eta-
lonnal. A valóságban azonban sokszor nem kézzelfogható tárgyakat mérünk,
hanem olyan jelenségeket, folyamatokat, amelyek egyediek, ezért nincs mivel
összehasonlítani azokat, vagy pedig nem létezik rájuk vonatkozó etalon. Szigo-
rúan véve a mérések többsége ilyen, hiszen nem létezik etalonja a munkanélküli
szülők gyermeke által elért tanulmányi eredménynek, és az idei év érettségi
eredményei is egyediek, hiszen a tanulók, a feladatok és a társadalmi körülmé-
nyek is eltérnek a tavalyiaktól. E problémák miatt a méréselmélet már hosszú
ideje próbálkozik általánosabb, „tudományosabb” definíciók keresésével.
Campbell például 1938-ban a mérést úgy tekintette, hogy az „számjegyek

hozzárendelése nem számokból álló anyagi rendszerek tulajdonságainak
reprezentálására a tulajdonságokat meghatározó törvények alapján”.
Stevens 1951-ben úgy fogalmazott, hogy a mérés „számok hozzárendelé-
se tárgyakhoz vagy eseményekhez szabályoknak valamilyen halmaza
szerint”.
Az első definíció szerint a dolog tulajdonságát mérjük, míg a második magát

a dolgot kívánja mérni, de mindkettő alkalmas arra, hogy egyedi dolgokat és
etalonnal nem rendelkező folyamatokat is kezeljünk velük.
A mérés eredménye elméletileg mindig egyértelmű, vagyis a mérések megis-
métlése során mindig ugyanazt az eredményt kell kapnunk. A tapasztalatok
szerint azonban a gyakorlatban ez nem így van. A méréseket mindig jellemzi
valamilyen mérési hiba, azaz a mért érték és a tényleges adat eltérése (mely sze-
rencsés – elméleti – esetben éppen nulla nagyságú). A mérési hibák előfordulá-
sának valószínűsége miatt a mérés során tisztáznunk kell annak megbízhatósá-
gát és érvényességét is.
A mérési hiba lehet mérésenként állandó (szisztematikus: ilyenkor általában a
mérőeszközben kell keresni az okot – az csal, vagyis nem jól van kalibrálva vagy
elromlott). Mivel ez legtöbbször a mérő személytől független hiba, sokszor objek-
tív hibának is nevezik. Kiküszöbölése utólag már lehetetlen, mivel az adatok el-
rejtik a nagyságát. Ez az oka annak, hogy már a mérések előkészítése során gon-
dolni kell rá, ezért szükséges időnként hitelesíteni a mérőeszközt, illetve ezért
szokás bizonyos nagy fontosságú méréseket más eszközökkel is megismételni.
A hiba másik fajtájánál azonban a megismételt mérések különböző ered-
ményt adnak. Ez a változó hiba, amely legtöbbször a mérő személyéhez, illetve a
mérés körülményeihez köthető, ezért szubjektív hibának is nevezik. Kiküszöbö-
lése utólag is lehetséges (ha több adat áll a rendelkezésünkre) bizonyos egysze-
rű méréselméleti összefüggések segítségével (ezek közül a legfontosabb az,
hogy az ilyen hibák megfelelően sok mérés esetén kiegyenlítik egymást, ezért
szokás a mért értéket az adatok átlagával közelíteni).
17
© Typotex Kiadó
18 BEVEZETÉS
A hibák e két jellemző szerinti csoportosításának összemosása tulajdonképpen csak

gyakorlati szempontokból engedhető meg. Elméletileg (és nem túl sűrűn a gyakor-
latban is) előfordulhatnak olyan esetek, amikor a mérőeszközhöz köthető objektív
hiba változó vagy a mérést végrehajtó személytől függő szubjektív hiba állandó. Bi-
zonyos kopásokból származó hibák eredményezhetik például azt, hogy a mérőeszköz
hibái az időben változók, sőt akár véletlenszerűek is lehetnek. Ugyanakkor elképzel-
hető, hogy egy műszert például csak adott szögből lehet leolvasni, ezért állandó pa-
rallaxishiba kerül a mért adatokba. Elméleti szempontból tehát helyesebb a hibák
nagyság, illetve ok szerinti csoportosítása. Így egymástól függetlenül beszélhetünk
az előbbi esetben állandó és változó, az utóbbi esetben objektív és szubjektív hibákról.
Az állandó és a változó hibák kategóriájának ismeretében a következő mérési

modellt lehet felállítani:
x = t + s + e,
ahol x a megfigyelt adat,

t a tényleges érték,
s az állandó hiba,
e a változó hiba.
A méréselmélet feltételezi, hogy:
A változó hiba várható értéke 0 (megfelelő számú – elvileg végtelen – mé-

rés esetén a változó hibák kiküszöbölik egymást).
Az állandó hiba szórása 0 (éppen ezért állandó).
A változó hiba és a tényleges érték korrelálatlan (a változó hiba nagysága
– aránya – független a tényleges értéktől).
Az állandó hiba és a tényleges érték korrelálatlan (az állandó hiba nagysá-
ga – aránya – független a tényleges értéktől).
A változó és az állandó hiba korrelálatlan (ez lényegében következik az
előzőekből).
A különböző mérések változó hibái korrelálatlanok (lényegében ettől vé-
letlenszerűek).
Ebben az esetben belátható, hogy a mérések eredményének átlaga (pontosab-

ban várható értéke) egyenlő a tényleges érték és az állandó hiba összegével.
A mérés megbízhatóságán a nem véletlen jellegű komponensek szórásnégyze-

tének arányát értik, ennek képlete levezetések után:
r2 = (sx2 – se2) / sx2
A megbízhatóságnak ily módon definiált értéke 0 és 1 közé esik. Ha a mérés

nem tartalmaz hibát, akkor értéke 1, ha csak hibát tartalmaz, akkor 0 nagyságú.
18
© Typotex Kiadó
A MÉRÉSI HIBÁK FIGYELEMBE VÉTELE – A STATISZTIKA 19
A mérés érvényességét az igazi és a megfigyelt értékek korrelációja segítségével

értelmezzük, ennek nagysága levezetések után:
rtx = st2 / sx2
A mérés érvényessége és megbízhatósága között levezethető a következő

összefüggés:
rxy £ rtx2
A mérési hibák mindkét fajtájának kiküszöbölése könnyen tervezhető folya-

mat. Egyrészt törekedni kell a minél precízebb végrehajtásra (kalibrált műsze-
rekkel, jó mérési körülményekkel, felkészült mérőszemélyzettel), másrészt pe-
dig biztosítani kell a mérések megismételhetőségét (különböző mérőeszközök-
kel, különböző körülmények között és különböző mérőszemélyzettel) is.
A mérési hibák tehát elméletileg tetszőlegesen kicsire csökkenthetők, ennek
azonban az az ára, hogy egy mennyiségi (vagy minőségi) jellemző helyett töb-
bet kell a mért objektumhoz rendelnünk. Ezek összességét az összes (sokszor
végtelen) lehetséges mérés mintájának nevezzük. A minta elemei globálisan tük-
rözik a mért jellemzőt, azonban kisebb-nagyobb mértékben (a hiba nagyságától
függően) eltérhetnek egymástól.
A mérés-minta nem más, mint a lehetséges mérési eredmények halmazának
részhalmaza. Elemeinek kiválasztása során arra kell törekedni, hogy a mérés
számára szükséges szempontokból jól tükrözzék az alapsokaság tulajdonságait,
más szóval, az elemek összessége (a minta) legyen reprezentatív. Ezt úgy lehet
biztosítani, ha nem válogatunk a minta kiválasztásában, hanem véletlenszerűen
tesszük azt. Ez a véletlenszerűség a gyakorlatban többféle módon is biztosítha-
tó. A legegyszerűbb esetben véletlenszámok (dobókocka, pénzérme, véletlen-
szám-táblázat, illetve véletlenszám-generátor) segítségét vesszük igénybe. Más-
kor az is megoldást adhat, ha az alapsokaság elemeit valamilyen, a mért érték-
kel biztosan korrelálatlan szempont szerint rangsoroljuk (például a tanulókat
névsor, testmagasság vagy lakóhely szerint), majd valamilyen rendszer szerint
választjuk ki közülük a mintát (például minden tizedik gyermeket). Bonyolul-
tabb esetekben rétegezett mintavételt alkalmaznak, ahol meghatározzák az
alapsokaság megoszlását különböző jellemzők alapján, majd úgy választják ki a
mintát, hogy az mindegyik paraméter szerint megfeleljen e megoszlásoknak.
A MÉRÉSI HIBÁK FIGYELEMBE VÉTELE – A STATISZTIKA
Ahhoz, hogy egy adathalmazból meghatározhassuk a mért jellemzőt, a statisz-

tika eszközeihez kell folyamodnunk. A matematikai statisztika eredete a való-
színűségszámítás területére nyúlik vissza, és napjainkra a valószínűségelmélet
egyik fejezetévé, alkalmazott valószínűségelméletté vált.
19
© Typotex Kiadó
20 BEVEZETÉS
A statisztika szó hétköznapi értelmezését kimutatások készítése, táblázatok

összeállítása, a lakosság különböző szempontú összeírása és bizonyos megosz-
lások százalékos kiszámítása jelentik. A statisztika kifejezés az állam (latin sta-
tus) szó származéka, és mindazon „matematikai” tevékenységeket jelentette,
amelyekre a közigazgatásnak szüksége volt. Az idők folyamán azonban eltávo-
lodott ezektől az egyszerű problémáktól, az összetettebb feladatokat pedig a
matematika egyik új ága, a valószínűségszámítás segítségével könnyen, gyor-
san és pontosan meg lehetett oldani. Ezt az új statisztikát nevezzük matematikai
statisztikának.
A középkor hajnala óta évszázadokon keresztül dolgoztak abban a meggyőződésben

a kabbalistáknak nevezett hittudósok, hogy a Tórában Isten neve van elrejtve. Mi-
vel szerintük ennek kimondása a világ fejlődése szempontjából alapvető fontossá-
gú, meghatározására nem sajnálták az energiát. Az idők során számos ma ismert
kombinatorikai összefüggésre ébredtek rá, többek között arra is, hogy a biztos ered-
mény az emberiség összes tagjának egész életében történő munkával is több száz
évmilliárdot venne igénybe.
A valószínűségszámítás következő lépcsőfokait a szerencsejátékok jelentették.

A 17. század egyik közismert szerencsejátékosa, a francia De Méré lovag a zseniá-
lis matematikust, Pascalt bízta meg problémáinak elemzésével. Pascal levelezés-
be kezdett Fermat-val, amelynek eredményeképpen kiépítették a valószínűség-
számítás elméleti alapjait. A terület viszonylag lassan fejlődött, és csak 1933-ban
kapta szigorú matematikai megalapozását a szovjet Kolmogorovtól.
Ekkortájt indult meg a statisztika látványos fejlődése is. Az USA választási köz-
vélemény-kutatásában ekkor színre lépő Gallup és munkatársai évtizedeken ke-
resztül csiszolgatták a statisztikai elemzések bizonyos módszereit, és azok mára a
legkülönfélébb szakterületek elfogadott eszközeivé váltak.
A matematikai statisztika azonban nagyon eltér a matematika többi fejezetétől.

Ezért szemben ez utóbbiakkal számos „laikus” is alkalmazza eszközeit a min-
dennapi munkájában. Sokszor az érettségi szintjét alig meghaladó matematikai
felkészültséggel is hatékonyan használják szakterületükön a pszichológusok, a
szociológusok vagy az orvosok. Ennek okait három tényezőben kell keresnünk:
A matematikai statisztika lényegesen könnyebb a matematika többi fejeze-

ténél. Könnyen tanulható, mivel fogalmai és törvényszerűségei szemléle-
tesebbek, kevésbé elvontak más matematikai definíciókhoz és tételekhez
képest. Tipikusan alkalmazott tudományterület révén műveléséhez nem
szükségesek „különleges” matematikai képességek, voltaképpen felfogha-
tó módszerek és képletek gyűjteményeként is. Sikeres alkalmazásához
nem kell érteni minden levezetést és módszert, pusztán azt kell megtanul-
ni, mikor, melyik eljárást hogyan és miért kell alkalmazni, és az eredmé-
nyeket hogyan kell értelmezni.
20
© Typotex Kiadó
MÉRÉSEK A PEDAGÓGIÁBAN 21
Napjainkban a számítógépek elterjedésének köszönhetően sokszor már

erre sincs szükség. A korszerű statisztikai programok az adatok ismereté-
ben javaslatot tesznek a felhasználónak az alkalmazandó módszerre – sőt,
sokszor önállóan kiválasztják azt. Ezután elvégzik a manuálisan amúgy is
követhetetlen mennyiségű számításokat. Mindezek eredményeként szinte
matematikai tudás nélkül is alapos, az adott szakmai igényeknek megfele-
lő elemzések végezhetők el.
A matematikai statisztika általánosan alkalmazható. A matematika más
ágai nemcsak speciális tudásalapot követelnek meg, hanem sajátos, az
adott problémáknak megfelelő különböző módszerek kiválasztását, gyak-
ran megalkotását is. Ezzel szemben a matematikai statisztika módszerei ál-
talánosak: ugyanazok a módszerek alkalmazhatók a legkülönbözőbb mér-
nöki feladatokra, a gazdasági modellezésre, a pszichológia, a szociológia, a
genetika és a biológia problémáinak megoldására. Ugyanazokat használja
a kutató és az is, aki az alkalmazások területén dolgozik. Alkalmazásuk-
nak csak egy feltétele van: a vizsgálatok eredményét közvetlenül számok-
ban kapjuk vagy számokkal fejezzük ki. Ez pedig napjainkra a legtöbb tu-
dományág egzakt fejlődésének feltételévé vált.
MÉRÉSEK A PEDAGÓGIÁBAN
A pedagógiai tevékenységre mindig jellemző volt a mérés. A tanuló teljesítmé-

nyének megítélése, a záróvizsgán bizonyított felkészültség minősítése, a tanu-
lók tudásának összehasonlítása mindig valamilyen tanulói teljesítmény mérésé-
vel történik. Sok pedagógiai iskola ezeknek nem tulajdonít nagy fontosságot,
mert úgy tartja, hogy a pedagógiai jelenségek nagyon bonyolultak, összetettek,
nem mérhetők, illetve ami mérhető, az nem a lényeg, tehát azt nem is érdemes
vizsgálni. E felfogások napjainkig elhúzódó fennmaradását éppúgy erősíti a pe-
dagógiai iskolák nevelésfilozófiai megalapozottsága, mint a pedagógia tudo-
mányának hagyományosan „humán” jellege. Éppen napjainkra azonban a rend-
szertechnika, a kibernetika és segédtudományaik fejlődése olyan szintre jutott,
hogy a legbonyolultabb természetes és mesterséges (társadalmi, valamint ter-
melési) rendszerek, az elemi részek és a világegyetem szerkezete, vagy éppen
az agy működése is tanulmányozhatóvá vált általuk. Ezek ismeretében tehát
már nem lehet arra hivatkozni, hogy a pedagógiai jelenségek komplexebbek
lennének például a fenti területek folyamatainál.
Az azonban belátható, hogy a pedagógiai mérések számos speciális elemet rej-

tenek a többi szakmához viszonyítva. A pedagógus mérései ugyanis:
mindig tartalmaznak szubjektív elemet;

a tanuló mért teljesítményében legtöbbször a tanár saját teljesítménye is
szerepel;
21
© Typotex Kiadó
22 BEVEZETÉS
a mérések sokszor csak egy tanulócsoporton belül hasonlíthatók össze,

mivel
° egy másik tanulócsoportban eltérhet a tanulók létszáma, összetétele,
előképzettsége, tananyaga, tanára, óraszáma, tanítási időpontja stb.;
egy tanulócsoport statisztikai szempontból kismintát (30–40 főt nem meg-
haladó számú tanulót) képez;
a mérések (változatlan kezdeti feltételekkel, azonos körülmények között)
ritkán ismételhetők meg;
a pedagógiai mérések sokszor speciális folyamatjellemzőkkel írhatók le,
mivel:
° sok paraméterük nem számszerűsíthető (ezért különleges szerepe van
azok kvantifikálásának, skálázásának),
° a pedagógiai mérések számszerű értékei sajátos skálán helyezkednek el
(például az érdemjegyek speciális tulajdonságaik miatt nem sorolhatók
be egyik, a statisztikában elterjedt skálatípusba sem).
A fentiek miatt a pedagógiai kutatás lényeges kérdéseinek látásmódjában a

kutatók két nagy csoportra oszthatók:
A pozitivista (természettudományos, egzakt, pszichometrikus, materia-

lista) irányzat szerint:
° A valóság objektív, kézzelfogható, önálló darabokra osztható (olyan
többváltozós függvényként írható le, amelyben az egyes változók egy-
mástól függetlenül tanulmányozhatók, vagyis érvényesül közöttük a
„ceteris paribus”-elv).
° A kutató képes bizonyos távolságot tartani az általa vizsgált valóságtól,
így eredményei, következtetései objektívak.
° A következtetések általánosíthatók, és ezekre az általánosításokra töre-
kedni kell (vagyis a valóság és a kutató által megvalósítható leképezése
homomorf jellegű).
° A valóság feltárható ok-okozati összefüggések által.
° A kutatásnak az objektivitás érdekében értékmentesnek kell lennie.
° A valóság leírható mennyiségi eszközökkel (a marxizmus szerint pél-
dául „a mennyiségi változások szükségszerűen átcsapnak minőségi vál-
tozásba, majd az újabb mennyiségi változásokat okoz” – ez a fejlődés
lényege).
° A kutatásokat hipotézisek felállítása előzi meg.
° A kutatások egzakt („nem heurisztikus, hanem matematikai”) módsze-
reket igényelnek.
° Az elmélet magasabb rendű a gyakorlatnál (a gyakorlat igazolja az el-
méletet).
° A törvényszerűségeknek „laboratóriumi” körülmények között is érvé-
nyesülniük kell.
° A valóság mintavételezéssel mérhető.
° A kutatás célja a hipotézisek igazolása.
22
© Typotex Kiadó
MÉRÉSEK A PEDAGÓGIÁBAN 23
A naturalista (etnografikus, szociálantropologikus, interpretatív, idealista)

irányzat szerint:
° A valóság szubjektív, többféle, az emberek tudatában létezik és nem
kézzelfogható. A kutatás tárgya az egyébként számukra is objektívan lé-
tező tárgyak, események és folyamatok értelmezése.
° A kutató maga is része a valóságnak, ezért nem képes objektív mérések-
re. A kutatás tárgya és a kutató hat egymásra.
° Általános igazságok nincsenek (a valóság és a kutató által megvalósít-
ható leképezése izomorf jellegű).
° A valóság egyes tényezői kölcsönösen hatnak egymásra, kölcsönösen
alakítják egymást.
° Értékmentes kutatás nem létezik.
° A valóság elsősorban minőségi módszerekkel írható le.
° A kutatásokat nem előzhetik meg „prekoncepciók”, azaz hipotézisek.
° A kutatások holisztikus (teljes, az összességet látó, vagyis „emberi”,
„heurisztikus”) módszereket igényelnek.
° Az elmélet a gyakorlatból (a kutatás eredményeiből) nő ki.
° A törvényszerűségeknek abban a környezetben kell működniük, ahol
az adott folyamat, esemény megvalósul, az adott tárgy elhelyezkedik.
° A valóság egyedi esetekkel vizsgálható.
° A kutatás célja a felfedezés, törvényszerűségek megfogalmazása és mó-
dosítása.
A két irányzat egyes állításai néha ellentmondanak egymásnak, néha kiegé-

szítik egymást. Emiatt módszereikben is vannak hasonlatosságok, sokszor a két
irányzat „békés egymás mellett élését” tapasztaljuk, de időnként egymással el-
lentétes módszereket alkalmaznak, ellentétes következtetésekre jutnak.
Napjaink természettudományi, társadalomtudományi és műszaki kutatásai
mindkét irányzatot részben alátámasztják, részben cáfolják is. A közöttük való
választás nem e jegyzet feladata, de azt tudni kell, hogy a rendszermodellezésre
irányuló erőfeszítések látásmódjában is tapasztalhatók hasonló eltérések.
A pedagógus munkájában tehát egyaránt alapvető fontosságú a mérések mód-

szertanának, általános elméleti alapjainak és szemléletmódjainak, valamint sa-
játos gyakorlati fogásainak ismerete.
23
© Typotex Kiadó
24
© Typotex Kiadó
1. FEJEZET
A pedagógiai kutatásokban alkalmazható
kvantitatív módszerek rendszerelméleti alapjai
A kutatások korszerű módszereinek alkalmazása újfajta szemléletmódot köve-

tel a különböző szakemberektől, köztük a pedagógusoktól is. Olyan szakmai
magatartásra, hozzáállásra van szükségük, amely igényli az egzakt, objektív
döntéseket. Így alakítható ki az a norma, hogy hasonló helyzetekben hasonló,
különböző helyzetekben viszont eltérő döntések szülessenek. Ennek alapja:
a vezetéselmélet rendszerszemléletű problémakezelése;

az operációkutatási gondolkodásmód kialakulása;
a kibernetikai jellegű módszerek alkalmazása a munkájukban.
A következőkben ennek néhány elemével ismerkedhetünk meg.
1.1 AZ OPERÁCIÓKUTATÁSI MÓDSZEREK RENDSZERSZEMLÉLETŰ

ALKALMAZÁSÁNAK ELEMEI
Az elmúlt évszázad során a pedagógiában a társtudományokhoz hasonlóan te-

ret nyertek az objektivitásra törekvő egzakt módszerek. Amíg korábban főleg
szubjektív általánosításokat fogalmaztak meg a tanulással, a tanítási módszerek
és eljárások törvényszerűségeivel kapcsolatban, addig napjainkra teret nyert az
akár matematikailag bizonyítható, nagy mintákon ellenőrzött állítások megfo-
galmazásának igénye.
Mindehhez hasonló eszközöket használunk fel, mint a szociológia, az üzem-
szervezés, a piackutatás vagy a gazdasági elemzés szakemberei. A tömeges
adatkeletkezés, a felszínen és a felszín alatt megvalósuló folyamatok ugyanis itt
legalább annyira jellemzőek, mint a műszaki-gazdasági élet más területein,
25
© Typotex Kiadó
26 1. A PEDAGÓGIAI KUTATÁSOKBAN ALKALMAZHATÓ KVANTITATÍV MÓDSZEREK…
ezért a statisztikai kiértékelésekre és a rendszerek irányításának operációkuta-

tási módszereire, modellezésére itt is szükség lehet.
Az oktatásmódszertani kutatások fontos sajátossága azonban, hogy nem
mindig a nagy, általános összefüggésekre vagyunk kíváncsiak, hanem sokszor
csak azok megnyilvánulási formáit keressük adott feltételek között, adott tanu-
lócsoportban, adott tantárgy tanítása során. Ilyenkor a statisztikai módszerek
megbízhatóságának igénye a háttérbe szorul, és megelégszünk a kismintás
adatfelvételre jellemző bizonytalanságokkal annak érdekében, hogy az érvé-
nyesülő, jellemző tendenciákat, trendeket megfogalmazhassuk.
A pedagógiai kutatások és elemzések skáláján sajátos helyet foglalnak el a
jegyzetünk fő témáját jelentő kibernetikai modellezések. Értelmezésünkben ide
tartoznak azok az elemző módszerek, amelyeket más tudományterületeken
dolgoztak ki és alkalmaznak speciális problémák elemzésére és megoldására.
Ezek célja általában a folyamatok egzakt, megbízható leírása, a jelenségeket
közvetlenül befolyásoló tényezőkön túlmutató általánosabb okok feltárása.
Nem tartoznak a kibernetikai alapú módszertani kutatás eljárásai közé azok,
amelyek általánosak (mint az általános statisztikai számítások), vagy a pedagó-
gia, illetve a pszichológia területén alakultak ki (mint például a tantervi elemzés
kompetenciavizsgálatai) – még akkor sem, ha modellalkotásra képesek, és
konkrét módszertani feladatokat oldanak meg velük. Ezeket a továbbiakban a
hagyományos didaktikai kutatások közé soroljuk.
A határvonalat persze nem könnyű meghúzni a két terület között, hiszen an-
nak megállapítása, hogy egy módszer mennyire szakmaspecifikus, illetve meny-
nyire alkalmas általános pedagógiai vizsgálatokra, erősen szubjektív vonások-
kal rendelkezik. Gondoljunk például a trendszámításra (kezdetben ezt konkrét
kereskedelmi feladatok megoldására alkalmazták, napjainkra azonban a reg-
ressziószámításon keresztül általános módszerré vált). Ezzel fordított az a jelen-
ség, amelyben a matematika kidolgozta a mátrixok sajátértékeinek és sajátvek-
torainak meghatározását, majd ebből kialakultak a faktorszámítás erősen alkal-
mazáscentrikus, konkrét módszerei.
1.1.1 A pedagógiai célú kibernetikai kutatások néhány jellemző problémája
Bármely pedagógiai témájú kutatásból lehet tehát kibernetikai jellegű elemzés,

ha a problémák megoldása során speciális modellező eljárásokat, módszereket
alkalmazunk. Mivel a specialitást esetünkben a statisztikai és az operációkuta-
tási alapozású eljárások jelentik, elsősorban az általuk megoldható feladatokat
emelhetjük itt ki.
26
© Typotex Kiadó
1.1 AZ OPERÁCIÓKUTATÁSI MÓDSZEREK RENDSZERSZEMLÉLETŰ ALKALMAZÁSA… 27
1.1.1.1 Pedagógiai célú kutatások operációkutatási eszközökkel
A vezetéselmélet tudománya az elmúlt fél évszázadban dolgozta ki a döntések

előkészítésének és meghozatalának tudományos elveit és eszközeit, amelyek az
operációkutatás nevet kapták. Ennek keretében tudományos módszerekkel,
többnyire matematikai modellekben vizsgálják egy rendszer feladatait, felépíté-
sét, visszacsatolásait, egyensúlyi állapotait, stabilitását, fejlődési folyamatait, és
végeredményben így optimalizálják annak működését. Mivel nem vet fel alap-
jában új kérdéseket, ezért nem önálló tudományág, hanem tulajdonképpen „tu-
dományos magatartás a szervezési jelenségekkel szemben”.
Az operációkutatás területén ennek ellenére számos, ma már közismert, leg-
többször általánosan alkalmazható eljárást dolgoztak ki. Ezek között a legalap-
vetőbbek a gráfelméleti módszerek, illetve ezek „átfogalmazása” matematikai-
lag kezelhetőbb lineáris programozási számításokra. Ennek az az oka, hogy a
rendszerek részei közötti kapcsolatok (amelyek lehetnek „fizikaiak” – például
szállítások formájában –, de „virtuálisak” is – például informatikai csatornákon
keresztül megvalósulók) kényelmesen modellezhetők grafikusan, vagyis grá-
fok segítségével.
A lineáris programozás mellett napjainkban a számítástechnika segítségével
a jóval számításigényesebb nemlineáris, illetve dinamikus programozás is teret
nyert. Míg az előbbi megengedi az egyes tényezők közötti függvénykapcsola-
tok lineáristól eltérő jellegét is, az utóbbi többfokozatú döntéseket hoz létre (va-
gyis az egyes döntési fázisokat különválasztja, és a korábbi döntések hatásainak
függvényében dönt a későbbi fázisokban).
A gráfelméleti modellek másik fontos alkalmazásának eredménye a hálóter-
vezési módszerek kialakulása. Ezek alapvetően időbeli kapcsolatokat vizsgál-
nak a rendszer elemei között (például az egyes gyártási műveletek optimális
sorrendjét), de lehetővé teszik egyéb feladatok megoldását is (például a legrövi-
debb út meghatározását egy közlekedési hálózat két tetszőleges pontja között).
A számítási eljárások fejlődésével lehetővé vált olyan, többnyire számítógé-
pes programok kidolgozása, amelyek összetett folyamatokat képesek modellez-
ni. Ezek a szimulációs módszerek valószínűségi függvényekkel írják le a vélet-
lenszerű folyamatokat.
Az operációkutatási módszerek egyik fontos csoportját képezik a sorbanállá-
si elmélet modelljei. Ezek lényegében átvezetnek a statisztikai eljárások körébe,
mivel a folyamatok véletlenszerű időbeli jellemzőinek hatásait vizsgálják szto-
chasztikus függvények felhasználásával.
Az operációkutatási módszerek segítségével a tanítási-tanulási folyamat is
elemezhető. A tanár–diák-kapcsolatok, a tanulócsoporton belüli viszonyok
éppúgy lehetnek e vizsgálat tárgyai, mint a tananyag struktúrájának vizsgálata,
a tanításra fordított időtartamok optimalizálása, a szemléltetési módszerek kö-
zötti választás, illetve a megértés, az elsajátítás és a rögzítés folyamatának köve-
tése, vagy akár csak a tanműhely oktatási-termelési folyamatainak tervezése.
27
© Typotex Kiadó
1.1.1.2 Pedagógiai célú kutatások elemi statisztikai módszerekre épülő

modellezéssel
Az elemzési lehetőségek egy jelentős területe azt aknázza ki, hogy szinte min-
den, a pedagógus által elemezhető információ egyben mérési eredmény is.
Ilyenkor a statisztikai módszerek kerülnek előtérbe. A legegyszerűbb esetek-
ben az osztályzatok különböző szempontú csoportosításait végezzük el azok
megoszlási viszonyszámainak elemzése során. Meghatározható így az egyes ta-
nulócsoportok (fiúk–lányok, fővárosiak–vidékiek stb.), tanulási eredményessé-
ge, vagy a továbbtanulási arányok összehasonlítása (különböző iskolatípusok,
képzési formák stb. között), és más, hasonlóan egyszerű jellemzőket is kiszá-
molhatunk ily módon.
Sok esetben merül fel annak az igénye, hogy egyes folyamatok hatását, köve-
telményeit meghatározzuk az „átlagos” tanulóra, illetve a tanulók többségére.
Ilyenkor számoljuk ki az adatok középértékeit és az adatszóródás különböző
mérőszámait. Ezzel írhatjuk le, hogy milyen átlagos, illetve minimális tanulmá-
nyi eredménnyel lehet bejutni egy felsőoktatási intézménybe, és így oldhatók
meg más, hasonló feladatok is.
Az indexszámítással különböző időszakok eredményei hasonlíthatók össze,
így elemezhető például a kötelező óraszámok emelésének hatása a tanulmányi
versenyek eredményeire és további ehhez hasonló problémák is.
A pedagógiai következtetések leginkább érzékeny területét képezi az általános
törvényszerűségek elemzése. Ilyenkor nagyon fontos, hogy a megfogalmazott té-
telek minél több (lehetőleg az összes) esetre és személyre érvényesüljenek. E bizo-
nyításokra használhatók fel a nagy számok törvényei és a segítségükkel elvégzett
reprezentatív megfigyelések. Ezek által legtöbbször tudományos igényű elemzé-
sek végezhetők az öröklött és a tanult képességek arányának meghatározására, a
nyelvérzék és a matematikai tehetség összefüggéseinek feltárására és más, általá-
nos pedagógiai kérdések elemzésére.
A felhalmozott adatokból különféle próbákat végezhetünk mérések függet-
lenségének elemzése céljából, ellenőrizhetjük különböző hipotéziseinket a fo-
lyamatra, illetve a rendszerre vonatkozóan, és feltárhatunk bizonyos egyszerű
összefüggéseket az egyes tényezők között. Elemezhetjük így például a latinta-
nulás hatását más idegen nyelvek tanulásának hatékonyságára, a gimnáziumot
végzettek beválását a mérnöki tanulmányok során, és szinte minden tanulási
elem és tanulási eredményesség közötti kapcsolatot.
Ezen összefüggések erősségének számszerűsítésére is lehetőség van a kor-
reláció- és a regressziószámítás segítségével. Meghatározható így az intelli-
genciahányados és a tanulmányi eredmények közötti összefüggés szorossága,
a nyelvtanulási eredmények és az anyanyelvi kompetencia közötti kapcsola-
tok erőssége is.
Az egyes folyamatjellemzők időbeli alakulása az idősorok vizsgálata és a
trendszámítás segítségével vizsgálható. Így lehet meghatározni egy iskola to-
28
© Typotex Kiadó
vábbtanulási arányainak változásait, vagy a felvételizők számának alakulását

az egyes képzési területeken.
Az előzőekben feltüntetett számítások nagy része a klasszikus didaktikai (peda-

gógiai) kutatások körébe tartozik. E jegyzetben való tárgyalásukat az indokolja,
hogy a komplex statisztikai modellezés az itt található eljárásokra épül, de azok
sokszor önmagukban is kielégítik egy folyamatrendszer modellezésének felté-
teleit. További közös jellemzőjük, hogy széleskörű alkalmazásuknak nincsenek
különleges számítástechnikai feltételei, hiszen a személyi számítógépek alap-
szolgáltatásai között szereplő Excel táblázatkezelő program segítségével vi-
szonylag egyszerűen elsajátíthatók és alkalmazhatók.
1.1.1.3 Pedagógiai célú kutatások statisztikai rendszermodellezéssel
A statisztikai jellegű kutatások egyik legnehezebb kérdése a megfigyelés és az

elmélet közötti kapcsolat megfogalmazása. A mérés ugyanis sok esetben nem
irányulhat közvetlenül a vizsgált objektumra, illetve folyamatra (gondoljunk
csak például az intelligencia mérésére – annak mérőszámát is különböző, eltérő
irányú vizsgálatokkal határozzuk meg). Ilyenkor közvetett mérésekre van
szükség, amikor valamilyen hatást, illetve a vizsgálandó dologgal kapcsolatban
álló másik dolgot mérünk. Az ilyen mérés azonban nem adhat tökéletes képet a
vizsgálni kívánt jellemzőről, hiszen:
a vizsgált (látens) jellemzőnek a mért (manifeszt) jellemzők sokszor csak

egy részét fogják át (például a szakképzésben az adott munkára való felké-
szültséget csak bizonyos kisszámú paraméter mérésével lehet meghatá-
rozni, ugyanakkor a munkaerőpiacon számos más, a képzésben nem min-
dig látható tényező is szerepet játszhat);
a manifeszt változó sokszor valami mást is kifejez, mint amit mérni szeret-
nénk (például a nyelvtanulás eredményességét nemcsak a befektetett
munka nagysága, hanem a nyelvérzék is erősen befolyásolja).
A mérés érvényességének, validitásának kérdése ezért minden eredmény ér-

tékelésénél felvetődik. A validitást az elemi statisztikai módszereknél általában
lehet mérni, vagyis meg tudjuk mondani, hogy egy mért adat (a mérőszám és a
mértékegység) mindig ugyanazt a dolgot méri-e. Ha azonban látens jellemzők
is szerepelnek a számításban, akkor azt már nem mindig lehet megmondani, mi
is az adott dolog, amit mértünk.
Ezért van szükség olyan modellekre, amelyek segítségével erre a kérdésre is
választ adhatunk. Ezekre a modellekre az jellemző, hogy sok (néha több tucat)
manifeszt változó számos (sokszor több ezer) megfigyelt értékét kezelik, így
már önmagában ezért számításigényesek, emellett pedig összetett számításokat
is felhasználnak. Ez az oka annak, hogy az ilyen módszereket nem egyszerűen
számítási eljárásnak, hanem statisztikai modellezésnek nevezzük.
29
© Typotex Kiadó
E modellek legegyszerűbb fajtái a mátrixok sajátérték–sajátvektor-számításá-

ig nyúlnak vissza. Ezek segítségével határozható meg az a koordinátarendszer,
amelyik a leginkább illeszkedik a mért adatokat tartalmazó vektorokhoz, így
határozva meg például egy tanulócsoport legfontosabb motivációs jellemzőit.
A klasszikus matematikai eljárás sajnos nem veszi figyelembe a különböző jelle-
gű mérési hibák lehetséges hatásait, ezért a statisztika számos különböző alvál-
tozatot dolgozott ki ennek a problémának a megoldására.
A klaszterelemzés arra szolgál, hogy meghatározza az egyes manifeszt vál-
tozók közötti távolságokat a mérési adatok különböző skálázásaival. Ennek
eredményeként képesek a kutatók csoportokba sorolni azokat. Ilyen eljárással
lehet például megvizsgálni az egyes tantárgyak hasonlóságát a tanulóktól el-
várt képességek alapján, vagy akár meghatározni azokat a főbb tanulói cso-
portokat, amelyek az egyes tantárgyak elsajátításának eredményessége alap-
ján alakulnak ki.
A sokdimenziós skálázás segítségével grafikusan is láthatóvá válnak az
egyes tényezők közötti távolságok, ezért kiválóan alkalmas például a hagyo-
mányos szociometriai vizsgálatok helyettesítésére.
A legbonyolultabb programok a látens változók és a manifeszt jellemzők kö-
zötti kapcsolatrendszert tárják fel teljes körűen. Így lehet felépíteni a motiváci-
ók, a társadalmi környezet, az öröklött adottságok, valamint a tanulási eredmé-
nyesség és a karrierépítés lehetőségei közötti összes hatást tartalmazó modellt,
amely már átvezet például a pedagógiai szociológia területére is.
A fentiekben bemutatott lehetséges alkalmazások széles köre talán érzékelteti,

hogy a pedagógiai célú rendszertechnikai kutatások csoportjába sorolt modelle-
ző, valamint a hozzájuk köthető hagyományos didaktikai kutatások statisztikai
elemző eljárásainak segítségével lényegében az összes, a pedagógia területén
felvetődő kérdés vizsgálható. Szükséges is ezek alkalmazása, hiszen az oktatás-
ban kialakuló jelenségek és objektumok (például az iskolahálózat), és maga a ta-
nítási-tanulási folyamat is olyan komplex rendszert alkot, amely joggal mérhető
a műszaki-gazdasági rendszerek összetettségéhez.
1.1.2 Az operációkutatási eljárások rendszerelméleti és kibernetikai alapjai
Az általános rendszertechnika alapdefiníciója szerint rendszernek nevezzük az

egymással kapcsolatban álló dolgok valamely halmazát (annak külső és belső
kapcsolataival együtt), amely általában valamilyen feladatot lát el, illetve sok-
szor valamilyen célja van. Működési területük és jellemzőik szerint léteznek ter-
mészeti és társadalmi (illetve ez utóbbi részeként műszaki-gazdasági) rendsze-
rek. Míg az előzőek sokszor (legalábbis számunkra nem értelmezhető/értelme-
zett) cél nélkül, nem tudatosan működnek, az utóbbiakra majdnem mindig
jellemzők a célszerűség és a tudatos tervezettség jegyei is. Egy másik csoporto-
sítás szerint a rendszerek lehetnek materiálisak (tagjaik a szervetlen és a szerves
30
© Typotex Kiadó
természet részei, élőszervezetek, emberi társadalmak és emberi eszközök –

„ember–gép-rendszerek”), vagy pedig absztraktak (az anyagi világ tudatunkban
kialakult tükröződései – matematikai és logikai rendszerek, szabályok, model-
lek stb.).
A rendszerek működése mindig valamilyen környezetben realizálódik. Erre a
környezetre az jellemző, hogy nem része a rendszernek, de kapcsolatban áll
vele, így jelentős kölcsönhatást fejtenek ki egymásra.
Az ember által tudatosan létrehozott, hatékony működésű rendszerek e kör-
nyezeti kapcsolatokat is képesek kezelni. Ezeken keresztül a rendszer alakíthat-
ja környezetét (tehát aktív), de maga is idomulhat a környezet változásaihoz (te-
hát adaptív). Ha a rendszert hibamentesen kívánjuk működtetni, akkor ezen kí-
vül azt is biztosítanunk kell, hogy egyensúlyi állapotban működjék, illetve
abból kibillentve minél hamarabb visszatérjen oda vagy új egyensúlyi helyzetet
vegyen fel (vagyis stabil legyen).
A rendszer tehát legtöbbször az időben működik, vagyis fejlődik, változik.
Az ilyen rendszert folyamatrendszernek hívjuk.
A rendszert környezetétől a rendszerhatár választja el. Ez sokszor fizikai kor-
látot, gyakorlati akadályt, még többször azonban valamilyen működési sza-
bályból következő elvi határt jelent. A rendszer határa soha nem lehet teljesen
átjárhatatlan, mert ekkor semmilyen kapcsolat nem alakulhatna ki a rendszer és
környezete között (fizikai hasonlattal ez egy sajátos „fekete lyuk” lenne, mely-
ből semmilyen hatás nem jöhetne kifelé – ráadásul befelé sem), tehát nem lenne
értelme a működésének. Teljesen átjárható sem lehet persze, mert akkor nem
tudnánk megkülönböztetni a rendszert a környezetétől.
A rendszerek hierarchiájának törvénye szerint minden rendszer további részekre
osztható, és egyben maga is része más, magasabb szintű rendszereknek (a dolog
elméleti, filozófiai, matematikai és fizikai problémáiba most ne menjünk bele,
elégedjünk meg a gyakorlati szempontokkal).
Ezek a részek azonban többféle tulajdonsággal is rendelkezhetnek. Némelyi-
kük hasonlít a teljes rendszerre, így funkcióik, működési jellemzőik azonosak
vagy nagyon hasonlóak. Ezeket alrendszereknek hívjuk. Máskor e tulajdonságok
nagyon eltérőek a rendszer és része között, de annak működése feltétlenül
szükséges a rendszer egésze szempontjából. Ekkor a rendszert alkotó kisebb
részt részrendszernek nevezzük. A rendszer legkisebb, még önálló működésre
alkalmas részét a rendszer elemének hívjuk.
A rendszer azonban mindig több az elemek, al- és részrendszerek összessé-
génél. Ezekből akkor épül fel a rendszer, ha közöttük különböző kapcsolatok ala-
kulnak ki. Az ilyen kapcsolat lehet anyagi, energetikai vagy információs áram-
lás, illetve összeköttetés. Úgy fogalmazzák ezt a rendszertechnika szakemberei,
hogy a kapcsolatok az alapvető feltételei a rendszeralkotásnak.
A rendszerek bonyolultságát a részeik között kialakuló kapcsolataik mennyisé-
gével definiáljuk. Egy n elemet tartalmazó rendszerben a belső kapcsolatok ma-
ximális száma:
31
© Typotex Kiadó
Ski,max = n * (n – 1) / 2
A rendszert alkotó elemek kapcsolatainak minimális száma pedig:
Ski,min = n – 1
Annak érdekében, hogy két, különböző méretű rendszer bonyolultságát ösz-

sze tudják hasonlítani, ezt a számot „normalizálják”, vagyis az összes elem meny-
nyiségéhez viszonyítják. Ezt a k kooperációs fokkal írják le a következők szerint:
k = Ski / n
Egyszerű számolással belátható, hogy k értéke mindig nagyobb 0-nál (a leg-

egyszerűbb kételemes rendszer szükségszerűen tartalmaz legalább egy kapcso-
latot), és nem haladhatja meg az (n – 1) / 2 értéket. Ha a bonyolultság vizsgála-
tánál teljesen el akarják kerülni a méretből adódó sajátosságokat, akkor még ezt
is tovább osztják az elemszámmal. Az így kapott mutató 0-nál nagyobb, de leg-
feljebb 1 értéket vehet fel. Minél nagyobb ez a szám, annál bonyolultabb rend-
szert írunk le általa.
A rendszerek működésének vannak sajátos törvényei. Ilyen például az, hogy:
nincsen két azonos rendszer (adott összefüggésben két egyenértékűnek

minősített rendszer más összefüggésben, más vizsgálati szinten szignifi-
káns eltéréseket mutathat – az egyenlőség tehát relatív);
az időben minden rendszer változik (adott összefüggésben a rendszer lát-
szódhat állandónak, más összefüggésben és vizsgálati szinten azonban
szignifikáns változás mutatható ki – az állandóság tehát relatív);
az egymással kapcsolatban álló rendszerek hatnak egymásra (ha egy rend-
szer minden más rendszertől függetlennek látszik, más összefüggésben,
más vizsgálati szinten feltétlenül találunk olyan rendszereket, amelyekkel
összefügg – a függetlenség tehát relatív);
a rendszerek változásai mindig folyamatosak, azaz nem ugrásszerűek,
vannak átmeneti, tranziens jelenségeik (két rendszer közötti térbeli átme-
net, egy rendszer közötti időbeli változás megfelelő mélységű vizsgálati
szinten egymástól alig megkülönböztethető állapotok végtelen sorozatá-
ból áll, ezért folytonos – a változások élessége tehát relatív).
A rendszerek vizsgálatának két alapvető módját különböztetjük meg. A funk-

cionális elemzés nem foglalkozik a rendszer felépítésével, pusztán azt vizsgálja,
hogy a rendszer adott bemenő jelekre milyen válaszokat ad. Ebben az esetben
különböző szerkezetű rendszereket (például a mechanikus, a folyadékkal vagy
az elektromos árammal működő számítógépeket) azonosaknak tekintenek. A
rendszert ez a szemlélet „fekete doboznak” tekinti, és átmeneti függvényekkel
32
© Typotex Kiadó
írja le a működését. A strukturális elemzés ezzel szemben kinyitja a „fekete do-

bozt”, és szerkezeti felépítését, elemeinek kapcsolatait tárja fel.
A (legalábbis az ember által célszerűen létrehozott) rendszereknek a haté-
kony működés (az aktivitás, az adaptivitás és a stabilitás) érdekében mindig
van egy sajátos funkciójú részrendszere. Ennek az irányítási-információs rész-
rendszernek az a feladata, hogy a rendszer részeit, folyamatait, kapcsolatait és
működését szükség esetén folyamatosan tervezze, elindítsa, fenntartsa és leál-
lítsa, vagyis tudatosan felügyelje, befolyásolja annak tevékenységét. Ennek ér-
dekében folyamatosan adatot gyűjt a rendszerről és környezetéről, és ezekből
információkat állít elő.
A rendszerek irányítása maga is bonyolult, több fázisra bontható folyamat.
Feladata a rendszer hatékony működésének biztosítása, amit az 1.1 ábrán szem-
léltetett bonyolult információs kapcsolatok kialakításával ér el. Ha ezek mind-
egyike megvalósul, a rendszert önirányító-önszervező, más szóval kibernetikai
(automatikus) rendszernek nevezzük.
1.1 ábra A rendszerek irányításához szükséges információs kapcsolatok
vezetési folyamat
alapfolyamat
A rendszer működéséhez szükséges kapcsolatok a helyük alapján csoporto-

síthatók:
a folyamatot megelőző külső kapcsolatok (például egy adott képzést meg-

előző oktatás során szerezhető tudásmennyiség);
a folyamatot megelőző belső kapcsolatok (például egy adott tantárgy ala-
pozó ismeretei);
a folyamaton belüli kapcsolatok (például az adott tantárgy tanításához kö-
tődő feladatok);
a folyamatot követő belső kapcsolatok (például az adott tantárgyra épülő
tantárgyak követelményei);
33
© Typotex Kiadó
a folyamatot követő külső kapcsolatok (például a végzett pályakezdő

szakemberekkel szemben támasztott szakmai követelmények).
A vezetési kapcsolatok szükségszerűen kétirányúak, hiszen:
egyrészt tájékoztató információkat biztosítanak a külső (környezeti) adott-

ságokról és a belső rendszerjellemzőkről a vezetés részére;
másrészt utasításokat közvetítenek a vezetés és a többi rendszerrész kö-
zött, valamint a környezet befolyásolására.
A beérkező információk alapján a vezetés két alapvető irányban hozhatja

meg döntéseit:
ha megítélése szerint a rendszer céljának, adottságainak megfelelően mű-

ködik, akkor nem szükséges beavatkozni a folyamatokba (ha a tantárgy ta-
nítása konfliktusmentesen, jó tanulmányi eredményekkel zajlik, az igazga-
tónak nem kell beavatkoznia a tanár munkájába);
ha viszont megítélése szerint a rendszer nem a kellő módon végzi felada-
tát, akkor valamilyen módon meg kell változtatnia azt (ha a tantárgy taní-
tása során fegyelmi gondokkal szembesül a tanár, akkor a munkaközösség
vezetőjének be kell avatkoznia a tanítási folyamatba).
Magának a beavatkozás szükségszerűségének a megítélése, valamint a be-

avatkozás módjának kiválasztása jelenti a vezetési munka operációkutatási
módszerekkel történő támogatásának (ma már egyre inkább az algoritmizálás
és automatizálás irányába fejlődő) feladatát. Ez maga is több részre bontható
feladat, amint azt az 1.2 ábra érzékelteti.
1.2. ábra Az irányítási-információs részrendszer döntési-vezetési fázisai
Érzékelés Össze- Döntés

hasonlítás
Döntés-
Adattárolás Beavatkozás
előkészítés
34
© Typotex Kiadó
A vezetési folyamatban hat fázis különíthető el. Ezek közül az első három
végrehajtására a külső és a belső körülményektől függetlenül folyamatosan (il-
letve szabályos vagy szabálytalan időközönként) szükség van. Mivel e felada-
tok függetlenek az irányítást végző személytől (szervezettől), objektív irányítási
feladatoknak nevezzük őket.
Az első fázis fő feladatát a további fázisokban jelentkező feladatok megol-

dásához szükséges információk összegyűjtése és a megfelelő döntési szin-
tekre juttatása jelenti. Ehhez a vezetési folyamat speciális érzékelőeleme-
ket használ fel. Sok esetben – főleg a műszaki rendszerekben – ez technikai
eszköz (hőmérő, mágneskapcsoló stb.), máskor – a gazdasági rendszerek-
ben és a humán szervezetekben – szervezési, minőségbiztosítási előírás
(időszakos értekezletek, minősítések stb.).
A második fázis feladatát a normális (optimális) üzemvitelhez kötődő pa-
raméterek, mutatószámok előzetesen meghatározott normaértékeinek tá-
rolása képezi. E normaértékek sok esetben egy-egy meghatározott mérő-
számot tartalmaznak, a gyakorlatban azonban jellemzően olyan határérté-
kek által leírt intervallumokat, melyekben az adott folyamatjellemzők nor-
málisnak tekinthetők. A második fázis adattárolási feladatát folyamatosan
kell megoldani és aktualizálni, az adatok hozzáférhetőségét azonban az
első fázisra jellemző időszakonként (tehát folyamatosan, szabályos vagy
szabálytalan időközönként) kell biztosítani. Az iskolák munkájában ilyen
adat-, illetve normatárolási funkciót látnak el a törvényi előírások, az isko-
lai belső utasítások, a tantervi adatok vagy az iskolai hagyományok.
A harmadik fázis feladata a beérkezett mérési eredmények és a normaérté-
kek összehasonlítása. Ha a rendszer mért folyamatjellemzője megfelelő
(nem tér el a normák által meghatározottól), akkor a rendszer üzemszerű-
en működik. Ilyenkor sem a külső, sem a belső körülmények nem indokol-
ják a rendszer működésének megváltozását. Ha azonban (bármelyik) mért
folyamatjellemző eltér a normális értéktől vagy kilép a normális tarto-
mányból, az azt jelzi, hogy vagy a külső feltételek, vagy az erőforrások,
vagy a belső folyamatok közül valahol olyan változások történtek, ame-
lyek a cél vagy a funkció szempontjából károsan befolyásolják a rendszer
működését.
Ez arra figyelmeztet bennünket, hogy a rendszer irányításához szükséges pa-

ramétereket gondosan kell megválasztani. Ebben az esetben a mutatószám válto-
zásából következtetni lehet a probléma helyére és jellegére is. Hiányos informá-
ciók esetén viszont a hibás működés is helyesnek minősülhet, későbbi nagyobb
üzemzavarokat okozva. Az iskolai munkában például erre szolgál az egyes tan-
tárgyakból elért eredmények nyilvántartása. A tanulói vélemények összegyűjté-
sének elmulasztása viszont például azt okozhatná, hogy egy, a tanulókkal dur-
ván bánó, autokratikusan irányító tanár munkáját követendőnek minősítenénk,
ha egyébként az általa elért tanulmányi eredmények jól alakulnának.
35
© Typotex Kiadó
A modern vezetéselmélet egyik axiómája szerint a jól működő rendszerbe

nem kell beavatkozni (hiszen nincs rá ok), hibás működésre utaló jelek esetén
viszont kötelező a változtatás. Ezt nevezik a kivételek alapján történő irányítás
módszerének, melyre a vezető optimális terhelése, a beosztottak stresszmentes
munkája, a rendszer összességének gazdaságossága jellemző.
A vezetési folyamatok következő fázisait tehát csak akkor kell végrehajtani,
ha az előzőekben valamilyen eltérést tapasztaltunk a működésben, és azt jelen-
tősnek ítéltük. E fázisok megvalósulása tehát a vezetőtől függ, azaz ezeket szub-
jektívnak nevezhetjük. (Ezzel nem mondunk ellent annak, hogy ilyenkor az ob-
jektív törvényszerűségek, az irányítási algoritmus szerint be kell avatkoznunk,
hanem pusztán arra világítunk rá, hogy itt választani kell két lehetőség közül,
de ebben a hibás választás lehetősége is benne van.)
A negyedik fázisban az előzetes információk ismeretében kell kidolgozni a

hiba kijavítására irányuló megoldási módokat, mindig egyidejűleg többet
is, eltérő módszereket, eszközöket figyelembe véve. Ez néha egyszerű fel-
adat, legtöbbször viszont gondos tervezést, tervtanulmányok és kutatások
végrehajtását igényli. Az elsőre lehet példa az, ha a tanár egy rosszul meg-
írt dolgozatot rövid ismétlés után újra megírat az osztállyal, míg a máso-
dikra az, ha a minisztérium megváltoztatja a felsőoktatás felvételi rendsze-
rét. Ebben a fázisban történik tehát a döntések előkészítése.
Az ötödik fázisban az előzőleg kidolgozott megoldási módok közül vá-
lasztanak. Ez hagyományosan szubjektív szempontok szerint történik, hi-
szen a döntéshozóknak figyelembe kell venniük például olyan felsőbb
szempontokat is, amelyek a döntéselőkészítők előtt ismeretlenek. Az ope-
rációkutatási szemléletmód azonban egyre inkább arra kötelezi a döntés-
hozókat, hogy ők is alkalmazzanak korszerű, objektív döntési mechaniz-
musokat. Erre a célra többféle optimalizáló eljárás, értékelemző számítás
áll rendelkezésükre.
A hatodik fázisra hárul a döntések megvalósítása, vagyis a rendszer mű-
ködésébe való beavatkozás. Ez részben technikai eszközökkel, részben
szervezeti és technológiai utasításokkal történik.
A vezetési folyamat köre itt, a három objektív fázist követően bezárul, a

visszacsatolás megtörténik. Ha a beavatkozás nem hoz eredményt, akkor újra
beindul az ismertetett hat fázis a megnyugtató befejezésig. Ha viszont a felme-
rült problémát sikerül megoldani, akkor a rendszer visszaáll az állandó készült-
ség állapotába, várva az újabb beavatkozási döntésigény felmerülését.
36
© Typotex Kiadó
1.1.3 A problémamegoldás fázisai a döntéselőkészítési és döntési

módszerekben
Az operációkutatási alapú problémamegoldásnak olyan gondolkozási sémákat

kell az előzőek alapján tartalmaznia és algoritmizálnia, amelyek egyaránt lehe-
tővé teszik a feladatok rutinszerű és a kreativitást igénylő megoldásait is. Ennek
érdekében minden feladatot jól meghatározható részekre osztanak, amelyek
konzekvens teljesítése garantálja a sikeres végeredményt. Ezek a következők-
ben foglalhatók össze:
a probléma megfogalmazása, a célok kitűzése;

a problémát leíró modell elkészítése;
a célfüggvény felírása;
a kezdeti és a korlátozó feltételek összegyűjtése;
a feladat matematikai elemzése;
az optimalizálás elvégzése;
a modell általánosítása;
a modell alkalmazása további feladatok megoldására.
E fázisok természetszerűleg nem minden feladatnál lépnek fel, hanem minél

rutinszerűbb egy probléma, annál több lépés hagyható ki a megoldásból.
A probléma megfogalmazása során arra kell törekedni, hogy minél precízebben ha-
tározzuk meg a megoldandó feladatot, az eredményesség feltételeit, azokat a
körülményeket, amelyek befolyásolják az optimum elérését. Ebben a fázisban
természetesen még mindez szövegesen történik, hiszen ekkor még nem is tud-
juk, milyen modellt kívánunk választani a megoldás érdekében. Ekkor kere-
sünk már ismert modelleket, eljárásokat, végzünk irodalomkutatást ezek össze-
gyűjtésére, hiszen amennyiben már léteznek ilyenek (hála más, hasonló felada-
tok korábban elvégzett általánosításainak), akkor elegendő ezt felhasználni
saját feladatunkhoz.
Amennyiben nem található ilyen (vagy legalábbis hasonló) modell és eljárás,

akkor ki kell választani a feladatot legpontosabban leíró modellt. Ez azért is fontos,
mert könnyen elképzelhető, hogy a tényleges problémát szükségszerűen leegy-
szerűsítő modell más, esetleg feladatunktól eltérő jellegű feladat megoldására
már ki van dolgozva. Ez annak ellenére is lehetséges, hogy a modell kidolgozá-
sa előtt, az előző fázisban nem ismertük fel azt.
A modell a vizsgált rendszert a ténylegesnél egyszerűbb formában ábrázoló le-

képezés. Kialakítása során elhagyják a tényleges rendszernek azokat a tulajdon-
ságait, amelyek lényegtelenek az elemzés szempontjából, ezáltal a fontos jel-
lemzők előtérbe kerülnek és határozottabb jelleget öltenek, így könnyebb felis-
37
© Typotex Kiadó
merni őket. Nagy előnye a modellezésnek, hogy fizikailag elkülönül a vizsgált

rendszertől, így lehet vele kísérletezni, ami egyrészt biztosítja a gazdaságos
elemzés lehetőségét, másrészt így nem jutnak káros hatások a rendszerbe a kí-
sérlet esetleges kudarca esetén. Különösen fontos ez a tanítási-tanulási folya-
matban, ahol közismerten kerülni kell az ilyen veszélyeket.
A modellezés alapja az objektív valóság tükrözése. Ez alapvetően kétféle mó-
don lehetséges: az izomorf leképezés esetén az eredeti rendszer (a valóság) jellem-
zői alapján felépített absztrakt képből az eredetire egyértelműen vissza lehet
következtetni. E leképezésnél minden eredeti objektumnak, jelenségnek csak
egy képe, és minden képnek csak egy eredetije van. A két halmaz elemei tehát
egyértelműen egymáshoz rendelhetők, így az egyik halmaz elemein végzett
műveletek eredménye a másik halmaz megfelelő elemein végzett műveletek
eredményének felel meg. (Egy könnyen belátható példa: az iskola fényképe az
adott iskola izomorf leképezésének felel meg. Ezen elemezhetők különféle fel-
újítási tervek esztétikai jellemzői például a látványkép retusálásával.) A homo-
morf leképezés esetében viszont a leképezés eredményeként kapott absztrakt
képhez több eredeti tartozhat, vagyis a modellből nem lehet egyértelműen ráis-
merni arra, amit leképeztünk vele. A homomorf leképezést tehát nem lehet egy-
értelműen megfordítani, így az annak eredményén elvégzett műveletek értel-
mezésénél kellő körültekintéssel kell eljárni. (Egy könnyen belátható példa: az
oktatásban megfogalmazott általánosítások homomorf leképezést alkotnak, mi-
vel sohasem következtethetünk belőlük látatlanban az adott konkrét személy
tulajdonságaira.) Bár az előbbi leképezési módnál „automatikusan” értelmez-
hetjük a modell eredményeit a vizsgált rendszerre, az utóbbi leképezés mégis
hasznosabb, mivel lehetővé teszi a következtetések helyes általánosítását.
A rendszerek elemzésére használható modelleket különböző szempontok sze-

rint csoportosíthatjuk.
Leképezési módjuk szerint a modellek lehetnek:
° képszerűek (ikonikusak, a modell közvetlenül hasonlít a valóságra);

° analógok (a valóságos tulajdonságokat valamilyen nekik megfelelővel
helyettesítjük valamilyen kapcsolati elv szerint);
° szimbolikusak (a valóság feltárására szimbólumokat használunk fel); vé-
gül pedig
° verbálisak (azaz a valóságot szövegesen leírók).
Az első típusra példa egy üzemi folyamatról készített videofelvétel, a máso-

dikra az, amikor az egyes iskolatípusok közötti tanulói áramlásokat a személy-
szállítási utasforgalomhoz (ezáltal pedig a folyadékok áramlásához) hasonlít-
juk. A harmadik modellfajta kiemelkedő képviselője a matematikai modell (itt
például függvényekkel helyettesítünk valós folyamatokat), míg a negyedik egy
iskolai évkönyv szöveges értékelése lehet az elmúlt tanévről.
38
© Typotex Kiadó
Tartalma (tárgya) szerint vizsgálva a modell lehet:
° strukturális (a rendszer elemei közötti összefüggéseket adva meg), illetve

° funkcionális (a kimeneti tulajdonságokat a bemeneti adatok függvényé-
ben határozza meg).
Az előbbire példa lehet az iskolai munka értékelése az egyes tanári munka-

közösségek személyi adottságainak (életkor, nem, végzettség, családi állapot
stb.) elemzése alapján. Az utóbbi pedig az iskolát elvégző tanulók továbbtanu-
lásának vizsgálata a korábbi felvételi eredményeik alapján.
Célja szerint vizsgálva megkülönböztethető:
° leíró modell (ez csak a valósághoz kötődő jellemzőkre koncentrál);

° normatív modell (ez emellett szabályokat, előírásokat, normákat is figye-
lembe vesz), és
° predikatív modell (ez pedig ok-okozati összefüggéseket is tartalmaz).
Az elsőre példa egy tanár munkájának értékelése pusztán tanulóinak eredmé-

nyei alapján, a másodiknál már az oktatás törvényi és infrastrukturális hátteréből
eredő adottságokat és korlátokat is figyelembe kell venni, míg a harmadiknál a ta-
nár személyi adottságaira és tanulóinak motivációira is tekintettel vagyunk.
Működés szerint vizsgálva:
° az algoritmikus modellre a jól definiáltság jellemző (iterációkat, ismétlé-

seket és elágazásokat tartalmaz, de minden ismétlés esetén ugyanazt az
eredményt adja);
° a szimulációs modell a valóságos rendszer működését imitálja (és van-
nak benne véletlenszerű elemek is);
° a heurisztikus modell pedig olyan szabályokat tartalmaz, amelyek a
rendszer viselkedését a józan belátás alapján fejezik ki és magyarázzák.
Az elsőt példázza az iskola működésének minőségbiztosítási rendszere, a

másodikat a diáknap (amikor a tanulók egy napra átveszik az iskola irányítá-
sát), a harmadikra az iskolaigazgató óralátogatás utáni tanácsadása a tanár
munkájának javítására.
Az időtényező figyelembe vétele szerint:
° a statikus modell azt fejezi ki, hogy a rendszer működését adott időpont-
ban milyen paraméterek jellemzik;
° a dinamikus modell a rendszer időbeli viselkedéséről ad tájékoztatást (az
egyik független változója az idő).
39
© Typotex Kiadó
Az elsőre példa az osztály adott évi naplója, a másodikra pedig a teljes kép-
zési idő összes évfolyamának osztálynaplója lehet.
A véletlenszerűség szerint vizsgálva:
° a determinisztikus modell a bemenet és a kimenet közötti összefüggést

egyértelműen meghatározottnak tekinti;
° a sztochasztikus modellben viszont az elemek közötti kapcsolatok való-
színűségi változók (vagyis azokat csak bizonyos valószínűségekkel, va-
lószínűségi eloszlásokkal adjuk meg).
Az előbbire példa a tanárok órarendi beosztása (ha nem számolunk a helyet-

tesítésekkel), az utóbbira pedig a várható tanulói hiányzások számának becslé-
se valamilyen jövőbeli időszakra vonatkoztatva.
A modellek megválasztása során tehát körültekintően kell eljárni, hiszen az

alapvetően befolyásolja azt, hogy milyen jellegű eredményeket érhetünk el ta-
nulmányozásukkal. Operációkutatási és rendszermodellezési szempontból a
legfontosabb a matematikai modell, amely a legtöbbször a következő tulajdon-
ságokkal rendelkezik:
szimbolikus;
funkcionális;
predikatív;
algoritmikus és
dinamikus jellegű.
E tulajdonságai alapján a matematikai modell a rendszer viselkedését, ele-

meinek és azok kapcsolatainak alakulását matematikai eszközökkel (függvé-
nyekkel, egyenletekkel, egyenletrendszerekkel, egyenlőtlenségrendszerekkel,
differenciálegyenletekkel stb.) fejezi ki. Ha a matematikai modell nem vezet a
döntést elősegítő információkhoz, akkor szimulációs modelleket célszerű al-
kalmazni.
Az operációkutatás tehát előnyben részesíti a matematikai modelleket, hi-
szen ezek objektív módszerekkel kezelhetők. A matematikai modellek mindig
tartalmaznak célfüggvényt, amelynek felírása a későbbi optimalizálás feltétele.
Minden feladathoz egy célfüggvény tartozik, amelynek bizonyos feltételek kö-
zött, bizonyos intervallumon keressük majd a megoldását, ami valamilyen szél-
sőértéket (minimumot vagy maximumot) jelent. Mivel a célfüggvény ráadásul
rendszerint többváltozós, sőt, esetleg implicit alakú, illetve transzcendens
egyenlet formáját ölti, az optimum keresése sok esetben bonyolult matematikai,
programozási vagy szimulációs feladatot jelent. Annak érdekében, hogy ezt a
problémát egyszerűsítsék, korábban szinte mindig elsőfokú célfüggvényeket
használtak (így alakult ki a lineáris programozás területe). Mára elterjedtek a
40
© Typotex Kiadó
korábban elképzelhetetlen nagy teljesítményű személyi számítógépek, ezért

napjainkban emellett megjelentek az úgynevezett nemlineáris modellek is.
Az optimumot rendszerint számos tényező befolyásolja, amelyeket korlátozó
feltételek formájában adunk meg. A korlátozó feltételek rendszerint maguk is függ-
vények, egyenletek alakjában fogalmazhatók meg, és számuk tetszőleges lehet.
Segítségükkel előírhatjuk, hogy az eredmény ne legyen negatív szám (például
akkor, ha egy iskola tanulóinak számát optimalizáljuk), csak természetes szám
legyen (ha a tankönyvek szükséges számát elemezzük), és más, hasonló feltéte-
leket írhatunk elő. A korlátozó feltételek általában szűkítik a lehetséges megol-
dások számát, ezért legtöbbször könnyítik a számítási feladatot, de néha éppen
ellenkezőleg, nehezítik az optimum elérését. A matematikai modellek többsé-
génél az optimum elhelyezkedése egyértelmű, azonban a szimulációs eljárások
esetében az függhet a kiinduló állapottól is. Ilyenkor a korlátozó feltételeket in-
duló (perem-) feltételekkel egészítjük ki.
A matematikai modell elemzése azért szükséges, mert nem minden esetben is-
mert a benne szereplő optimalizálás elvégzésének algoritmusa, illetve az nem
minden esetben alkalmazható (például az egymásnak ellentmondó korlátozó
feltételek miatt). Ha a probléma eléggé egyszerű, az is elképzelhető, hogy ma-
gunk is képesek vagyunk ilyen algoritmust kidolgozni – erre a számítógépes
szolgáltatások (például a táblázatkezelő programok) egyre jobb esélyeket ad-
nak. Általában azonban ez az önálló matematikai tevékenység nem várható el
egy felhasználó operációkutatási szakembertől, ezért itt sokszor újabb iroda-
lomkutatási tevékenységgel találhatunk megfelelő számítási eljárást.
Ha ilyen, matematikai tételekre épülő egzakt módszer a rendelkezésünkre
áll, akkor segítségével garantálható az optimális eredmény elérése. A kapott meg-
oldás ilyenkor egybeesik a célfüggvény szélsőértékével. Az esetek többségében
viszont nem ez a helyzet. Elképzelhető, hogy matematikailag igazolhatóan léte-
zik optimum, és azt is tudjuk, hogyan kellene kiszámolni, de ez a számítás eset-
leg még a mai számítástechnikai eszközökkel is hosszú időbe telne. (Képzeljük
el, hogy egy 10 fejezetből, fejezetenként 20 tartalmi egységből álló tankönyv
összes lehetséges elrendezési változatának száma 20!*10!, vagyis 20*19*…*2*1*
11
*10*9*…*2*1. Ha a számítógép másodpercenként 10 változatot képes össze-
hasonlítani [ez ma még csak álom], akkor az optimális sorrendű változat meg-
keresése 2 800 000 évig tartana. [Ennél a nagyságrendnél már eszünkbe juthat a
hermetikusok, a misztikusok és a kabbalisták problémája a Tórával és Isten ne-
vével…]) Sokszor azonban még ilyen szerencsénk sincs, és semmilyen egzakt
algoritmus nem áll rendelkezésünkre az optimum meghatározására. Mindkét
esetben az a helyzet, hogy keresnünk kell egy olyan algoritmust, amely nem
tűzi ki az eredmény matematikailag igazolható helyességét, viszont arra törek-
szik, hogy minél gyorsabban, egyszerűbben és jobban (lehetőleg tökéletesen)
megközelítse azt. Az ilyen algoritmusokat heurisztikus módszereknek nevezzük.
Az jellemző rájuk, hogy nem garantálják az optimum elérését (bár ez sem zárha-
tó ki), nem matematikai tételekre épülnek, hanem józan (egyszerű) emberi gon-
dolkodási sémákat fogalmaznak meg algoritmikus formában, és legtöbbször
41
© Typotex Kiadó
nem túlságosan számításigényesek. (Olyanok, mint egy laikus, de segítőkész

ember: amit javasolnak, az nem túlságosan megalapozott tudományosan, nem
is túl bonyolult, lehet, hogy semmi köze a problémánk megoldásához, ám leg-
többször mégis hozzájárul ahhoz valamilyen mértékben.)
A modell általánosítására azért lehet szükség, mert a feladatunk megoldásához
kidolgozott modell (a leképezés törvényszerűségei szerint) más, többé-kevésbé
hasonló problémákhoz is felhasználható lehet. Néha a modell matematikai alakja
(a célfüggvény, illetve a korlátozó feltételek), máskor az alkalmazott algoritmus,
esetleg a végeredmény értelmezése utalhat az általánosítás lehetőségére is. En-
nek elvégzése későbbi, illetve további feladatok megoldásához adhat alapokat.
1.2 A DÖNTÉSI MÓDSZEREK PEDAGÓGIAI ALKALMAZÁSÁNAK

SAJÁTOSSÁGAI
Egy felsőoktatási jegyzetnek a könyvünk függelékében a gyakorlati példák kö-

zött bemutatott fejezetei tudatosan törekedtek arra, hogy a téma tárgyalása ösz-
szességében egy adott mérnöki probléma teljes skálája mentén haladjon végig.
Az első bemutatott fejezet ismerteti az alapproblémát, amelynek tárgya egy tel-
jes szállítási rendszer összes viszonylatának optimalizálása. Ugyanez a fejezet
fogalmazza meg a lehetséges felhasználható modelleket az egyszerű szöveges
megfogalmazástól kezdve a földrajzi szemléltetésen át a matematikai apparátus
alkalmazásáig.
A második bemutatott fejezet elemzi a matematikai modell segítségével tör-
ténő optimalizálás kérdéseit. Ismerteti a lehetséges triviális megoldásokat és
azok heurisztikus (vagyis pusztán primer logikára épülő) alapelveit, majd utal
azokra a (másodlagos logikai elvekre – tételekre épülő) matematikai fejezetek-
re, amelyek segítségével garantáltan megkaphatjuk az optimális megoldást.
A harmadik fejezet részletesen elemzi az alkalmazható főbb heurisztikus el-
járások felépítését és számítási lépéseit.
A negyedik fejezet a König–Egerváry-tételre épülő Magyar-módszer jellemző-
it, lépéseit és az alkalmazás közben fellépő főbb számítási problémákat vizsgálja.
A jegyzet a következőkben olyan speciális programozási kérdéseket taglal,
amelyek a szakmai alkalmazások közben merülnek fel. Ilyen a kapacitáskorlátok
kérdése, a szállítási viszonylatok kizárása, a garázsmenetek figyelembe vétele,
vagy a maximalizálásra vonatkozó fejezet. Ugyancsak itt találhatók a matemati-
kai szempontból a szállítási probléma egyik speciális fejezetének tekinthető hoz-
zárendelési probléma ismertetésére és alkalmazásaira vonatkozó fejezetek.
A következő anyagrészek ismertetik a szállítási problémára épülő összetet-
tebb modelleket. A bemutatott háromdimenziós szállítási probléma mellett tár-
gyalják a hulladékoptimalizálás, a munkahely-elrendezés és az általánosított
szállítási probléma kérdéseit is.
42
© Typotex Kiadó
1.2 A DÖNTÉSI MÓDSZEREK PEDAGÓGIAI ALKALMAZÁSÁNAK SAJÁTOSSÁGAI 43
A jegyzet ilyen felépítése nemcsak szakmai szempontból logikus (az alapproblé-

mától a megoldási módokon, majd a közvetlen szakmai alkalmazásokon keresz-
tül az összetettebb modellekig), hanem a döntési lépésekhez való konzekvens ra-
gaszkodása által a tanulást is megkönnyíti. Az egyes fázisok minden lépése logi-
kus, az előző egységre épül, és a végeredmény magas szakmai kompetenciát
eredményez nemcsak a szállítások szervezése területén, hanem más gyártásszer-
vezési, kereskedelmi és közgazdasági problémák irányában is.
Az operációkutatási módszereket felhasználó tananyag-felépítés azonban a ta-

nulás megkönnyítésén és a szakmai kompetenciák növelésén túl további elő-
nyöket is nyújt a tanulóknak. A tananyag itt nemcsak az ismeretek átadását vál-
lalja fel, hanem jelentősen hat a hallgatók szemléletére is. Mindenekelőtt maga
is modellezi a korszerű problémamegoldás algoritmusát és fázisait, így a tanu-
lók szinte észrevétlenül sajátítják el a napjaink követelményeinek leginkább
megfelelő tudományos magatartás elemeit. A végzett szakember tehát nemcsak
az adott területen fog otthonosan mozogni, hanem kialakulnak benne a lénye-
gében bármely más döntési helyzetben szükséges attitűdök, döntési algoritmu-
sok is. Számára természetessé válik az, hogy:
a problémákat egzakt modellezésre épülő, számításra alkalmas eszközök-

kel képezze le;
keressen, illetve dolgozzon ki az optimális megoldást közelítő vagy garan-
táló számítási eljárásokat;
hozza meg az ezekre épülő döntéseket;
határozza meg azokat a területeket, ahol szintén felhasználható az adott
modell;
e tőle távolabb álló területeken is szerezzen szakmai jártasságot a problé-
mamegoldásban.
Az ilyen metódussal felkészített szakemberekben a kompetens döntéshozás-

ra irányuló készségük mellett egyben a folyamatos ön- és továbbképzési igény-
re irányuló belső jellemzők is kialakulnak.
Összegzésképpen kijelenthető tehát, hogy az operációkutatási elveknek meg-
felelő tananyag-felépítés a szakmai követelmények kielégítésén és az elsajátítást
megkönnyítő logikus felépítésen túl nevelési célokat is elér: olyan személyiség-
vonások kialakulását segíti elő, amelyek napjainkban alapvető fontosságúak, és
amelyek más módszerekkel kevésbé hatékonyan formálhatók.
43
© Typotex Kiadó
1.3 ELLENŐRZŐ KÉRDÉSEK
1. Milyen főbb fejezeteit ismeri a módszertani kutatásoknak? (1.1.1)

2. Milyen jellemző vonásai és eljárásai vannak az operációkutatásnak? (1.1.1.1)
3. Ismertesse a rendszerszemlélet alapfogalmait és kapcsolatát az operációku-
tatási módszerekkel! (1.1.2)
4. Milyen fázisai vannak az operációkutatási módszereken alapuló döntési fo-
lyamatoknak? (1.1.3)
5. Mit jelent az, hogy egy módszer heurisztikus? (1.1.3)
6. Hogyan segítik elő a döntési módszerekre épülő tanítási eljárások a korszerű
követelményeknek megfelelő szakemberek képzését? (1.2)
1.4 FELHASZNÁLT ÉS JAVASOLT IRODALOM
Benedek András (szerk.): Szakképzés-pedagógia. Budapest, Typotex, 2006.

Chase, Richard B. – Aquilano, Nicholas J.: Production and Operations Management. Home-
wood (Ill.), Irwin Series, 1985.
Dusza János – Magyar István: Statisztikai példatár. Budapest, Tankönyvkiadó, 1978.
Eco, Umberto: A tökéletes nyelv keresése. Budapest, Atlantisz, 1998.
Eco, Umberto: A Foucault-inga. Budapest, Európa, 1999.
Felföldi László: Anyagmozgatási folyamatok tervezése. I. rész. Budapest, Tankönyvkiadó,
1983.
Füstös László – Kovács Erzsébet: A számítógépes adatelemzés statisztikai módszerei. Buda-
pest, Tankönyvkiadó, 1989.
Kata János: A szállítási probléma tanítása. Budapest, BME egyetemi segédlet, 2005.
http:// mpt.bme.hu/~kata/jegyzet.htm (2007. március).
Lazarevic, Branislav: Global and large scale system models. Center for Advanced Studies
(CAS) International Summer Seminar. Dubrovnik, Yugoslavia, August 21–26, 1978.
Faculty of Organizational Sciences, University of Belgrad.
Prezenszki József (szerk.): Logisztika I. (Bevezető fejezetek) Budapest, BME Mérnökto-
vábbképző Intézet, 1998.
Prezenszki József (szerk.): Logisztika II. (Módszerek, eljárások) Budapest, Logisztikai Fej-
lesztési Központ, 1999.
Prékopa András: Valószínűségelmélet műszaki alkalmazásokkal. Budapest, Műszaki, 1980.
Turányi István: Közlekedési rendszertechnika. Budapest, Tankönyvkiadó, 1982.
1.5 ALKALMAZÁSOK
1. EGY FELSŐOKTATÁSI JEGYZET DÖNTÉSELMÉLETI ALAPÚ FELÉPÍTÉSE
44
© Typotex Kiadó
2. FEJEZET
A determinisztikus modellek jellemzői
és pedagógiai alkalmazásuk
A pedagógiai kutatások egyik ága olyan modelleket használ fel az elemzésekhez,

amelyekben a véletlen nem játszik szerepet. Különösen akkor lehet így közelíteni
a valóságos folyamatokat, ha azok az időben vizsgálva kevés, illetve könnyen ki-
számítható változást mutatnak, de akkor is, amikor egy változó rendszer adott
időpontbeli állapotát kívánjuk leírni. Ilyen modellek alkalmasak a rendszer vi-
szonylag állandó jellemzőinek, például a szerkezetüknek az elemzésére is.
A determinisztikus modellek ennek megfelelően nem használják ki, hogy a
bennük szereplő változók általában statisztikai adatok, hanem legtöbbször meg-
elégszenek azzal, hogy azok átlagával, várható értékével, esetleg összetettebb
változataiknál adott valószínűséghez tartozó intervallumaival számoljanak.
Az operációkutatási eljárások fejlődésének több évtizedes története során
számos területen dolgoztak ki ilyen módszereket a legkülönbözőbb matemati-
kai eszközöket felhasználva. A legjellemzőbbek ezek közül a hálótervezési és
gráfos módszerek, valamint a döntéseket objektív alapokra helyező értékelem-
ző eljárások. Mivel ezeknek közvetlen pedagógiai vonatkozásaik is lehetnek, a
következőkben rájuk összpontosítunk.
2.1 A DETERMINISZTIKUS MODELLEZÉS ELMÉLETI ALAPJAI
A két vizsgált eljáráscsoport eltérő gyakorlati feladatokat old meg, ennek kap-
csán elméleti alapjaik és matematikai algoritmusaik is jelentősen eltérnek.
A hálótervezési, illetve gráf-mátrix módszerek a rendszerelemek közötti kap-
csolatok elemzését teszik lehetővé. Elnevezésük is tükrözi, hogy a gráfelmélet
alapján felépített mátrixmodelljüket matematikai műveletekkel vizsgálják.
Azokat a speciális eseteket, amikor a kapcsolatok időbeli eseményeket kötnek
össze, hálótervezésnek nevezzük.
45
© Typotex Kiadó
46 2. A DETERMINISZTIKUS MODELLEK JELLEMZŐI ÉS PEDAGÓGIAI ALKALMAZÁSUK
Az értékelemzésre épülő döntési eljárások a rendszerek minősítésére szolgál-

nak. Alapelvük az, hogy már a legegyszerűbb rendszerek esetén is legtöbbször
sok paramétert kell egyidejűleg figyelembe venni a működés hatékonyságának
értékelése során. Az operációkutatás e speciális területe azt a feladatot oldja
meg, hogy ezeket a paramétereket a legjobb döntés érdekében fontosságuknak
megfelelően kezeljük. Az itt felhasznált matematikai apparátus elsősorban ezt a
célt szolgálja, de „melléktermékként” algoritmizált döntési-értékelési módsze-
reket is kapunk általuk. A mátrixelméletre és a függvényanalízisre épülő elem-
zéseik elsősorban azt teszik lehetővé, hogy a döntési folyamat egyes fázisaiban
ne szülessenek egymásnak ellentmondó, illetve szubjektív értékelések.
A két témakört eltérő jellegük, tárgyuk és módszereik miatt célszerű külön
tárgyalni.
2.1.1 A gráf-mátrix módszerek jellemzői
Az e csoportba tartozó eljárások legismertebb képviselői a hálótervezési mód-

szerek, amelyek három-négy évtizeddel ezelőtt óriási népszerűségre tettek
szert a legkülönbözőbb műszaki és gazdasági területeken. Bevezetésük a folya-
mattervezés problémáinak megoldásába látványos gyakorlati eredményeket
hozott, ugyanis ésszerűbbé tették a munkaszervezést, és így általuk hatéko-
nyabban lehetett kihasználni a termelési erőforrásokat. E sikerek hatása a mai
napig is tart, és felhasználásuk időközben más területekre is átszivárgott.
A hálótervek a folyamatrendszerek olyan modelljei, amelyek a folyamatot al-
kotó műveletek, tevékenységek logikai összefüggéseit és technológiai kapcsola-
tait háló formájában szemléltetik. E háló elkészítéséhez sajátos matematikai esz-
közöket (például mátrixokat) és eljárásokat használnak fel.
A hálómodell és a mindig egyértelműen hozzárendelhető mátrixmodell
olyan bonyolult rendszerek tervezésére használható, amelyekben egymáshoz
kapcsolódó részfolyamatok tömegét kell időben egyeztetni, szinkronizálni. Az
alapmodellekhez tartozó algoritmusokat olyan rendszerekre dolgozták ki, ame-
lyekben lehetőség van bizonyos tevékenységek párhuzamos elvégzésére. Emel-
lett azt is figyelembe kellett venni, hogy mindig vannak olyan műveletek, ame-
lyek csak akkor kezdhetők meg, ha más műveletek már befejeződtek. Így tudták
a kezdetekben minimalizálni a teljes folyamat elvégzési idejét. Később kidol-
goztak olyan modelleket is, amelyekkel e folyamatok szekvenciális felépítését
elemezhették. Gyártósorok tervezésénél például fontos szempont volt, hogy az
egymás után felállított munkahelyek között a munkadarab áramlása egyirányú
legyen, illetve az anyagmozgatási szempontból kedvezőtlen visszaáramlások
mennyiségét minimalizálják.
A bonyolult folyamatok elemei közötti logikai összefüggések hálótervben törté-
nő ábrázolása egyszerű, segítségével a rendszer felépítése könnyen áttekinthető.
Az időben korábban kidolgozott (és számos területen közvetlenül alkalmaz-
ható) determinisztikus modellek határozott paraméterekkel számolnak. A ben-
46
© Typotex Kiadó
2.1 A DETERMINISZTIKUS MODELLEZÉS ELMÉLETI ALAPJAI 47
nük szereplő műveleti idők (költségek, energiák stb.) a modell alapfeltevése

szerint pontosan ismert értékek. Ez azt jelenti, hogy azok vagy normák (amelye-
ket mindig szigorúan be kell tartani technológiai okokból), vagy olyan adatok,
amelyek változása (szórása, tűrése) nem számottevő, ezért elhanyagolható (ha
ez a feltétel nem teljesül, akkor jellegükben más, például a sorbanállási-tömeg-
kiszolgálási modellekre térnek át).
A determinisztikus modellek legismertebb reprezentánsa a kritikus út mód-
szere (CPM – Critical Path Method) nevű eljárás.
Ha a modell olyan adatokat is tartalmaz, amelyek változó nagyságúak lehet-
nek, akkor bizonyos korlátok között felhasználhatók a sztochasztikus hálóter-
vezési modellek. Ezek lényegében visszavezetik a véletlen jellegű valószínűségi
változókat a determinisztikus adatokra, és a végeredmény a várható műveleti
idők mellett azok szórási jellemzőit is tartalmazza. Közülük a PERT (Program
Evaluation and Review Technique = programellenőrző- és kiértékelő-technika) el-
járás a legismertebb.
A modell kidolgozásának alapja a logikai háló felépítése, melyet a logikai ter-
vezés fázisában végzünk el. A logikai háló áttekintést ad az elvégzendő feladat
összes tevékenységéről, azok sorrendjéről, egymás közötti kapcsolatairól anél-
kül, hogy figyelembe venné az időigényeket, költségráfordításokat. A hálóter-
vezésnek ez a leginkább munkaigényes része, a teljes időráfordítás mintegy
80%-a erre a tevékenységre esik. A precíz munka itt azért döntő fontosságú,
mert ha felületesség miatt csak egy-két belső művelet figyelmen kívül marad,
akkor az egész terv használhatatlanná válik.
A logikai tervezés a gráfelméletre épül. Minden tevékenységet egy-egy gráf-
élhez rendelnek, kezdési és befejezési időpontjaik (ezeket eseményeknek neve-
zik) pedig a gráf csúcsait képezik. Általában egy tevékenység befejező esemé-
nye egyben a következő, kapcsolódó tevékenység kezdési eseménye is. Kivétel
ez alól a háló első és utolsó eseménye. Két szomszédos esemény között csak egy
tevékenység szerepelhet. Ez nem zárja ki viszont azt, hogy ugyanazon esemény
egyszerre több tevékenység határpontja legyen. Az így kapott irányított gráf
(a tevékenységek az időben zajlanak, ezért a gráf feltétlenül körpályamentes)
tartalmazza a teljes folyamatot. Ez általában nem képes a közvetlen szemlélte-
tésre, mert a síkban ábrázolt élek legtöbbször számos helyen kereszteződnek,
így a teljes rendszer áttekinthetetlen marad. A további tervezési lépések legin-
kább ennek az ábrának az egyszerűsítésére irányulnak.
A logikai háló azonban még nem alkalmas a tényleges időtervezésre, hiszen
csak a kapcsolatokat reprezentálja. A hálótervezés következő fázisában tehát
minden élhez hozzá kell rendelni a neki megfelelő tevékenység időtartamát is.
A kapott gráf információtartalma így jelentősen megnő, hiszen benne szerepel a
teljes folyamat összes időbeli jellemzője is. Ennek síkbeli (vagy akár térbeli) áb-
rázolása viszont még inkább nehézkes, mert az élek kereszteződése mellett
azok arányaira (hosszára) is tekintettel kell lenni.
Ez az oka annak, hogy a hálótervezési módszerek nem elégednek meg a
gráfmodellek által nyújtott előnyökkel. Felhasználva azt, hogy minden gráfhoz
47
© Typotex Kiadó
egyértelműen hozzárendelhető egy-egy mátrix (vagyis m*n tagú sorozat m szá-

mú sort és n számú oszlopot tartalmazó rendezett táblázatban való elhelyezé-
se), a további számításokhoz a mátrixos leképezés lehetőségeit is kihasználják.
Erre egy négyzetes mátrix szolgál (ebben a sorok és az oszlopok száma meg-
egyezik, és egyenlő a hálót alkotó események számával), melynek tehát minden
sora és oszlopa tartalmazza a folyamat összes eseményét. Elemei az adott sor és
az adott oszlop eseményei közötti tevékenységek időtartamát (költségét) képe-
zik le. Ebből következik, hogy a főátló elemei (tehát azok, amelyeknek sor- és
oszlopindexei azonosak, más szóval azok, amelyek a négyzetes táblázat bal fel-
ső és jobb alsó sarkai közötti átlót képezik) zérus értékűek (helyesebben, nem
tartalmaznak adatot), valamint az is, hogy alatta nincsenek adatok (vagy leg-
alábbis a mátrix a sorok és az oszlopok megfelelő sorrendű cseréivel ilyenné
alakítható).
A számítások célja a folyamat minimális összidőtartamának meghatározása.
Ez a kezdő- és a végpont közötti útvonalak közül a leghosszabbal egyenlő. (Ez
nem tévedés! Oka az, hogy ha egy tevékenységet már végrehajtottunk, akkor a
folytatás előtt meg kell várnunk minden olyan hosszabb művelet végrehajtását
is, amely szükséges a továbblépéshez.)
A leghosszabb útvonal tehát a kezdő- és a végpont között folyamatosan ha-
lad (nem tartalmaz várakozásokat). Ezért nevezik kritikus útvonalnak, hiszen a
rajta található tevékenységek időbeli csúszása a teljes folyamatra károsan hat.
A többi (nála rövidebb) útvonal tevékenységeihez tartalékidők rendelhetők,
ami azt jelenti, hogy bizonyos határok közötti csúszás itt nem befolyásolja a tel-
jes tevékenység végrehajtását.
A hálótervezési számítások alapja az, hogy meghatározzák a kezdőpont (ese-
mény), illetve az összes többi pont (esemény) közötti leghosszabb útvonalat
(vagyis azt az időtartamot, amely az adott esemény legkorábbi bekövetkezésé-
hez köthető). A következőkben az összes él irányát megváltoztatják (megfordít-
ják az idő irányát), és ugyanezt a számítást elvégzik a végpont (illetve a megfor-
dított modellben az új kezdőpont) és a többi esemény közötti leghosszabb út ki-
számítása céljából.
Eredményként minden eseményhez két szám tartozik (egy-egy maximális tá-
volság a kezdő- és a végponttól). A kettő összege vagy megegyezik a kezdő- és a
végpont (maximális) távolságával, vagy kisebb annál. Az első esetben az adott
esemény a kritikus úton fekszik (nincs az esemény bekövetkezéséhez rendelhe-
tő tartalékidő), a másodikban pedig az eseményhez köthető tevékenységekben
bizonyos nagyságú tartalékidők szerepelnek (ezek első közelítése az adott és a
maximális összeg közötti különbség).
Ez az alapelv a számítás technikáját megkönnyítő algoritmusokat határoz
meg. Ezek közül a legegyszerűbb a következő (2.1 táblázat):
48
© Typotex Kiadó
2.1 táblázat A kritikus út módszerének algoritmusa
Lmax(A(1),A(I)) esemény A1 A2 …… A(N–1) A(N)

L(1) A(1) – T(1,2) …… T(1,N–1) T(1,N)
L(2) A(2) T(2,1) – …… T(2,N–1) T(2,N)
…… ….. …….. ……. …… …… ……
L(N–1) A(N–1) …… – T(N–1,N)
L(N) A(N) …… T(N,N–1) –
M(1) M(2) …… M(N–1) M(N) Lmin(A(J),A(N))
Az algoritmus első részében a L(I) értékeket kell meghatározni I növekedési

iránya szerint 1-től kezdve. Mivel L(I) az I-edik pont és a kezdőpont maximális
távolságát képviseli, L(1)-nek minden esetben nulla értéket kell adni (számítási
szempontból egyébként bármely más értéket is felvehetnénk). A további L(I) ér-
tékek meghatározása a következőképpen történik:
L(2) = L(1) + T(1,2)

L(3) = max <L(1) + T(1,3); L(2) + T(2,3)>
L(4) = max <L(1) + T(1,4); L(2) + T(2,4); L(3) + T(3,4)> stb.
A második részben az adott pont és a végpont közötti távolság és a maximá-

lis távolság különbségét tartalmazó M(J) értékeket kell meghatározni J csökke-
nő értékeinek sorrendjében a következők szerint:
M(N) = L(N)
M(N – 1) = M(N) – T(N – 1, N)
M(N – 2) = min <M(N) – T(N – 2, N); M(N – 1) – T(N – 2, N – 1)>
M(N – 3) = min <M(N) – T(N – 3, N); M(N – 1) – T(N – 3, N – 1); M(N – 2) –
– T(N – 3, N – 1)> stb.
A harmadik fázisban össze kell hasonlítani az L(I) és az M(J) értékeket I = J

esetén. Ha a kettő megegyezik, akkor az esemény a kritikus úton fekszik, ha el-
térnek, akkor pedig nem (az eltérés a tartalékidő jelenlétére utal).
A hálótervezés fenti módszerével leképezhetők teljes képzési rendszerek (se-
gítségével azok például felbonthatók modulokra), de hasonlóképpen használ-
hatók iskolán belüli, sőt tantárgyi szintű elemzésekhez is.
A hálótervezési modellek közé tartoznak a sorrendi tervezést elősegítő módsze-

rek is. Ekkor abból a követelményből indulnak ki, hogy egy folyamatrendszer-
ben (például egy gyártósorban) az egyes elemek között ismert (például a meg-
munkálási műveletek technológiai sorrendje alapján kialakuló szállítási) kap-
csolatok alapján olyan sorrendben helyezzék el az elemeket, amelyben a fő
49
© Typotex Kiadó
áramlási irányhoz viszonyítva a lehető legkisebb mértékű visszaáramlás tarto-

zik. Ez azért fontos, mert a visszaáramlás mindig megszakítja a szállítás folya-
matát, megnehezítve például annak műszaki megvalósítását, a két irány megfe-
lelő szétválasztását. (Gondoljunk például egy szállítószalagos szerelőüzemre,
ahol időnként a munkadarabot visszafelé is kell szállítani.)
Ilyenkor az előző modellel ellentétben heurisztikus megfontolások alapján
történik a tervezés (olyan sokfajta elrendezés képzelhető el, amennyinek pontos
számításokkal való követése szinte lehetetlen). Alapelvük az, hogy azokat az
elemeket, amelyekből sok kapcsolat indul ki, a sor elejére kell helyezni, hiszen
itt még valószínűleg nem okoznak visszafelé áramlást. Ebből az elgondolásból
(vagy a megfordításából) kiindulva több algoritmust is kidolgoztak. Ha például
a kapcsolatokat tartalmazó mátrix sorainak összegzése után megvizsgálják a
kapott oszlopvektor elemeit, akkor abból kiválaszthatják azt a rendszerelemet,
amelyből a legtöbb szállítás indul ki. Ezt az alapelv szerint a folyamat elején kell
elhelyezni. Miután ez megtörtént, az adott elemhez tartozó sort és oszlopot tö-
rölni kell a mátrixból (hiszen kiemeltük az adott munkahelyet a sorból annak
elejére), és a maradék rendszerre újra el kell végezni a sorösszegzést. E művelet-
sort addig kell ismételni, amíg el nem fogy a vizsgált rendszer (helyesebben,
amíg minden elemét ki nem választottuk: ekkor a hozzá tartozó kapcsolati mát-
rix mérete 1*1-re csökken).
Belátható, hogy az algoritmus erősen heurisztikus (ha például több egyforma
sorösszeg közül kell választani, annak módjára a módszer nem ad – és nem is
adhat – utasítást). Ez az oka annak, hogy többféle változata is kialakult (például
az oszlopok összegzéséből kiindulva felépített algoritmus).
Ugyancsak a heurisztikus jelleget erősíti, hogy magát a célfüggvényt sem si-
kerül teljesen egzaktan megfogalmazni azáltal, hogy „minimalizálni kívánjuk”
a visszaáramlást (a számukat? a hosszukat? – ez ugyanis nem mindegy).
A végeredményt ezért mindig ellenőrizni kell a tényleges technológia igényei
alapján, vagyis ugyanaz az eredmény nem mindig minősíthető egyaránt opti-
málisnak.
A sorrendi tervezés igénye a pedagógiában is sűrűn előfordul. Ha például
egy tananyag logikai felépítését elemzik, ha a tankönyv struktúráját minősítik,
sokszor felmerül a helyes, az elsajátítást leginkább elősegítő sorrend kérdése.
Ilyenkor a pedagógiában Morgunov-eljárás néven ismert algoritmust használ-
ják fel a vizsgálatokra. Mivel a gyártástechnológia által vizsgált gyártósor és a
pedagógia problémájaként felmerülő struktúravizsgálat ugyanazzal a matema-
tikai (gráf-, illetve háló-) modellel képezhető le, ezért az egymástól függetlenül
kidolgozott számítások kísértetiesen hasonlítanak egymásra (és egymással
kompatibilis módon oldják meg a különböző természetű feladatokat). Az sem
véletlen, hogy az eredmény minősítésének kérdése is mindkét helyen felmerült.
A gyártásszervezésben megelégszenek a visszaáramlások számának és össz-
hosszának elemzésével. Ezzel szemben a pedagógia ugyanezt (az egyébként itt
logikai kontúrnak nevezett „visszaáramlásokat”) az oktatási szempontokból le-
író Gyaraki-féle zártsági és tömörségi mutatókkal oldja meg.
50
© Typotex Kiadó
2.1.2 A döntéselőkészítő eljárások jellemzői
Az operációkutatás elmúlt évtizedeire leginkább a korszerű döntéshozatali eljá-

rások fejlődése volt jellemző. Ezek legfőbb célja a szubjektív elemek kiküszöbö-
lése, ezáltal az algoritmizált döntési mechanizmusok kimunkálása volt. Mint
napjainkban minden gyorsan fejlődő tudományterületnek, ennek is feltétele a
korszerű számítástechnikai eszköztár, az emberi (heurisztikus) gondolkodás-
mód programozási algoritmusokra való leképezése és az ennek megfelelő mate-
matikai apparátus kialakulása.
Az elmúlt 40–50 évben a műszaki-gazdasági rendszerek fokozatosan mind
komplexebbekké váltak, és integrációjuk is korábban elképzelhetetlen szintre
nőtt. A vállalatok irányítóinak így egyre kevésbé átlátható információk alapján
kell olyan döntéseket hozniuk, amelyek hatásai ugyancsak nehezen mérhetők
fel. Ezek elősegítésére alakultak ki azok a döntési modellek és a hozzájuk tarto-
zó algoritmusok, amelyek az ilyen összetett feladatokat képesek kezelni.
Az összetett rendszerek minősítése, működésük megítélése nem olyan köny-
nyű, mint az egyszerű rendszereké. Amíg például egy esztergált alkatrész mi-
nőségellenőrzése megelégedhet néhány méret és esetleg néhány anyagjellemző
vizsgálatával, addig egy közlekedési vállalat elemzése során nagyságrendekkel
több tényezőt kell figyelembe venni. Az itt alkalmazott döntéshozatali algorit-
musoknak tehát alkalmasaknak kell lenniük sok minősítési tényező egyidejű kezelé-
sére. Ezek azonban nem egyformán befolyásolják a döntést. Egy gyár öltözőjé-
nek esztétikai kialakítása ugyan fontos kérdés, de ennél sokkal jobban érdekli a
beosztottat, a vezetőt és a külső minősítő szakembert is a munkavédelmi hely-
zet, vagy az értékesítési piacon elfoglalt pozíciók. Ilyen és ehhez hasonló okok
miatt e módszereknek figyelembe kell venniük az értékelési tényezők fontosságát. Ez
a fontosság azonban csak elméletileg objektív paraméter, azt a valóságban min-
dig a döntéshozók szubjektív véleménye befolyásolja. Ugyancsak szubjektív
elemeket tartalmaz annak megítélése, hogy az adott rendszer mennyire elégíti
ki az értékelési tényező által megjelenített követelményeket. A döntéselőkészí-
tési és a döntési folyamat több fázisában is biztosítaniuk kell e módszereknek a
szubjektív elemek kiküszöbölését. Az objektivitás nagymértékben növelhető, ha eg-
zakt mutatószámokat vesznek figyelembe az értékelés során. Sokszor azonban
ez sem lehetséges. Nehéz közvetlen számszerű adatot találni például a munka-
környezet kényelmének leírásához vagy a zöld színű munkaruha balesetmeg-
előző hatásának elemzéséhez. Az algoritmusoknak meg kell tehát oldaniuk az
ilyen nem vagy nehezen számszerűsíthető tényezők kvantifikálását is.
E feladatokat a vizsgálat céljától függően többféleképpen is meg lehet közelí-
teni. A legegyszerűbb eljárások gyors és szemléletes összemérést tesznek lehe-
tővé. A Harris–Martin-módszer például minden paraméter szerint négyfajta
minősítést ad a vizsgált rendszereknek (nagyon jó, jó, gyenge, nagyon gyenge –
és az ezeknek megfelelő 4, 3, 2, illetve 1 értékeket). Ezeket egy speciális koordi-
nátarendszerben (az abszcisszán a paramétereket, az ordinátán a minősítéseket)
ábrázolva, majd az egy rendszerhez tartozó pontokat összekötve általában vi-
51
© Typotex Kiadó
zuálisan megállapítható, melyik grafikon halad felül. Az ehhez tartozó rendszer

(illetve döntési változat) lesz a legkedvezőbb. (Sokszor persze ez sem ilyen egy-
értelmű. Ha például mindegyik változat körülbelül egyforma számban tartal-
maz kedvező minősítést, akkor a grafikonok egymást sok pontban metszik, át-
lagos magasságuk nehezen mérhető fel.)
A módszer egyszerűségének azonban ára van. Az ábrázolás jellegéből adó-
dóan minden tényezőt egyforma hatásúnak tételez fel, és így is kezeli őket. A ka-
pott döntési javaslat ennek megfelelően gyenge, így csak kisebb jelentőségű fel-
adatok gyors megoldására alkalmas.
Kesserling módszere a minősítést ötfokozatú skála alapján végzi el (bekerült
ugyanis egy „közepes” minősítés is). Az egyes változatok (rendszerek) minősí-
tésére az értékelő pontszámokat átlagolják, majd ezt viszonyítják a lehetséges
maximumhoz. Így minden minősítés azt tükrözi, hogy milyen mértékben köze-
líti az adott változat az ideálisat. Kiküszöböli ezáltal az előző módszer szubjek-
tív minősítését lehetővé tevő grafikus jellegét, viszont így a szemléletes különb-
ségeket egy átlagértékben rejti el. Továbbfejlesztett változatában megoldja a té-
nyezők súlyozásának kérdését is. Ezt úgy teszi, hogy minden minősítési para-
méterhez 2–10 közötti súlyszámot rendel, és a végső mutatószáma az ezek
segítségével képzett súlyozott átlag lesz.
Kesserling módszere alig bonyolultabb a korábbi módszereknél, mégis sok-
kal megbízhatóbb eredményeket szolgáltat. Ennek megfelelően már közepes
bonyolultságú feladatoknál is jól alkalmazható, bár napjaink sokszor összetett
döntéselméleti kérdéseit nem tudja megoldani.
Ennek oka abban rejlik, hogy felépítése nem segíti elő a szubjektív elemek haté-
kony kiszűrését a döntési folyamatból. A korszerűbb eljárások (ilyen például a
hazai fejlesztésű KIPA-módszer) élesen különválasztják a döntési folyamat egyes
részeit. Ezáltal lehetővé válik például az, hogy ezekben más-más döntéshozók
vegyenek részt, ami az objektivitást és a döntés szakmai jellegét is erősítheti.
A döntéselméletben jelentős szerepet játszik napjainkban a COMBI-módszer
(kombinált döntési algoritmus), illetve a rá épülő újabb eljárások. Ennek az az
oka, hogy lényegesen egyszerűbb számításokat igényelnek a KIPA-módszerhez
hasonló, gráfelméleti tételeket is felhasználó algoritmusoknál, és ezáltal gyor-
sabbak is azoknál.
A COMBI-módszer tudatosan épít be általános, a konkrét problémához nem
kötődő elemeket algoritmusába. Ezzel nemcsak azt éri el, hogy így kompatibilis
módon alkalmazható a legkülönbözőbb szakterületeken, hanem azt is, hogy bi-
zonyos lépéseit akár már a probléma felmerülése előtt (tehát a lehető legobjektí-
vebben) is el lehet végezni.
A minősítő paraméterek összegyűjtését követően el lehet kezdeni azok súlyozá-
sát. Ennek eredményeként nemcsak a tényezők fontosságát ismerjük meg, ha-
nem kiválaszthatjuk azokat, amelyek a probléma szempontjából tényleg fonto-
sak. Az objektivitás növelése érdekében az e fázisban több döntéshozó által lét-
rehozott szakértői csoport egyes tagjainak véleményeit külön-külön is lehet
mérlegelni. A mátrixszámítás módszereire épülve vizsgálható minősítési mun-
52
© Typotex Kiadó
2.2 A DETERMINISZTIKUS MODELLEK PEDAGÓGIAI ALKALMAZÁSA… 53
kájuk harmóniája, javaslataik konzisztenciája, kiszűrhetők az elfogult, illetve a

hibás minősítések. Az objektivitás növelésére irányul az is, hogy a súlyszámo-
kat a páros összehasonlítás elvével relációnként határozzák meg (ezzel minden
tényező fontosságának átgondolására késztetve a döntés előkészítőit). A végső
súlyszámokat pedig a számtani átlagok lineáris skálájáról áttranszformálják a
normális eloszlás szerintire. (Ez egyébként abból a pszichológiai felismerésből
született, hogy két jel közötti különbség érzékelése is ilyen eloszlású statisztikai
görbét követ.)
Az egyes változatok (rendszerek) kritériumteljesítésének megítélése a következő fá-
zis feladata. Ekkor az előzőekben felállított követelményrendszer szerint minő-
sítik az egyes változatokat, általában itt is csoportmunkával. Ennek eredmé-
nyeit az objektivitás érdekében ugyancsak megvizsgálják az ellentmondásmen-
tesség és a konzisztencia szempontjából. Az algoritmusnak ebben a fázisban fel
kell készülnie arra, hogy bizonyos tulajdonságok nem minősíthetők mérőszá-
mokkal, illetve a mérőszámok nem mindig hasonlíthatók közvetlenül össze.
A skálázás műveletével ezért minden objektív (mérésből kapott) és szubjektív
(ítéletre épülő) értéket egységes hosszúságú és beosztású (elvileg arány-) skálá-
ra transzformálnak, majd innen a célnak megfelelően kiválasztott segédfüggvé-
nyekkel számítják ki a változat minősítési értékét.
A végső értékelőszám kialakítása minden változatnál az értékelőszámok sú-
lyának és a kritériumteljesítési értéknek a szorzatösszegéből alakul ki. Az ob-
jektivitás érdekében újabban itt sem elégednek meg a lineáris kifejezésekkel,
helyettük a végeredményt a kritériumteljesítési értékek hatványaival veszik fi-
gyelembe.
A fenti módon algoritmizált döntési folyamatok a pedagógus munkájában is jól

alkalmazhatók. A tanár ugyanis mindennapi munkájában sorozatosan kerül
döntési helyzetekbe: egy fegyelmezés, egy tanuló értékelése, az iskolai munká-
ban való részvétel során szinte mindig felelős döntésekre kényszerül. Ilyenkor
egy interiorizálódott döntési mechanizmus, egy bevált kritériumrendszer isme-
rete csökkenti az improvizáció szerepét, ezáltal a hibás döntések esélyét.
2.2 A DETERMINISZTIKUS MODELLEK PEDAGÓGIAI

ALKALMAZÁSÁNAK SAJÁTOSSÁGAI
A gyakorlati alkalmazásokat bemutató példák érzékeltetik, hogy ezek az algo-

ritmusok a pedagógus munkájának számos elemét segítik. Felhasználásukkal
nyilvánvalóvá válik, hogy a tanítás irányítása nem más, mint egy nagyon sajá-
tos menedzseri tevékenység. A tanítási-tanulási folyamat ugyanis legalább
olyan összetett, mint a műszaki-gazdasági rendszerek működése, de emellett
néhány, a komplexitását jelentősen befolyásoló sajátossággal is bír:
53
© Typotex Kiadó
A legfontosabb ezek közül az, hogy a technológiai folyamat tárgya (a tanu-

ló) ebben az esetben maga is aktív résztvevője, alakítója annak.
A rendszernek ez az eleme általában gyermek. A folyamatrendszer műkö-
désének hatására személyisége, magatartása, tudása átalakul. Ez a felelős-
ség az oktatási folyamatokat megvalósító rendszert néhány más területtel
(például az egészségüggyel együtt) a társadalom többi al- és részrendszere
fölé helyezi.
Az iskola maga is része a gazdaságnak, működését azonban nem lehet
pusztán piaci eszközökkel irányítani, hiszen hatása a piac által behatárolt
területeken túlmutat.
Az oktatási folyamat irányítása, a tanári munka ennek ellenére jól befolyá-
solható a műszaki-gazdasági vezetés módszereivel.
A tanítás eredményessége nem mérhető piaci módszerekkel. Ennek az az
egyik oka, hogy e módszerek nem mindig adaptálhatók az oktatás-nevelés
területére, sokkal fontosabb azonban az, hogy ez az eredményesség a piac-
nál tágabb területen és időtávon érvényesül.
A tanítás eredményessége szinte sohasem mérhető közvetlenül a tanítási
folyamat közben vagy végén. Erre sokszor csak évtizedekkel később lehet
következtetni, akkor is csak közvetett statisztikai módszerekkel.
A tanítási folyamat összes elemét és a köztük kialakuló kapcsolatokat szá-
mos véletlenszerű és egyedi tényező befolyásolja.
A determinisztikus modellek alkalmazása tehát csak bizonyos korlátok kö-

zött lehetséges. Az ezek közül kiemelt hálótervezési és értékelemzési modellek
ennek ellenére sokszor adnak közvetlenül felhasználható eredményeket. Amíg
az előbbiek az oktatási folyamatot megvalósító rendszer időbeli változásainak,
illetve szerkezetének elemzésére használhatók, addig az utóbbiak többnyire a
rendszer elemeinek minősítésére szolgálnak.
A hálós módszerek eredményei jól érzékeltetik, hogy a tanítás műveletei idő-
ben jól optimalizálható, ezért jól tervezhető módon fűzhetők össze. Hatásuk
nemcsak a tanítás hatékonyságának növekedésében mérhető, hanem emellett a
tanár személyiségét is befolyásolják. A tartalékidővel rendelkező, kisebb hatású
tevékenységek és a kritikus úton fekvő műveletek közötti különbség tudatában
az ilyen emberek racionálisabban végzik a munkájukat.
A tananyag tartalmi szerkezetének elemzése két fontos alaptörvényre világít
rá. Az egyik szerint minden tanítási folyamat többféleképpen is felépíthető, és
ezek között több optimális is lehet. A közülük való választás olyan, a struktúrán
túlmutató egyéb, általában pedagógiai szempontok alapján történik, mint pél-
dául a tanár személyisége, előképzettsége, a képzés célja és szintje. A másik
alaptétel pedig arra világít rá, hogy elvileg létezhetnek olyan tananyagok, ame-
lyek nem taníthatók ellentmondásmentesen, logikai kontúrok nélkül. Ilyenkor
szintén a pedagógus felelőssége, munkájának eredménye lehet a feloldásuk
olyan pedagógiai módszerekkel, mint az ismétlés, a tanulók motiválása. Ezek
közül több is nevelő hatású lehet, így a tananyag egyébként káros ellentmondá-
sai is kihasználhatók a tanári munkában.
54
© Typotex Kiadó
2.3 ELLENŐRZŐ KÉRDÉSEK 55
Az értékelemzéses döntési módszerek közvetlenül alkalmazhatók az iskolai

munka legkülönbözőbb területein. A döntési algoritmusok segítenek olyan kér-
dések megoldásában, amelyek a gyors döntés kényszere vagy a befolyásoló té-
nyezők nagy száma miatt sok terhet rónak a pedagógusra. Emellett azonban ha-
tásuk van a tanár gondolkodásmódjára is. Segítségükkel tudatosodik az, hogy
minden döntés sok dologtól függ, hatása befolyásol további döntéseket is. Ezál-
tal a tanári döntések nemcsak megalapozottabbak és objektívebbek lehetnek,
hanem felelősségteljesebbek és igazságosabbak is.
Az algoritmizált döntési mechanizmusok tudatos alkalmazása a tanár mun-
kájában mindezek mellett esetenként helyettesítheti a hagyományos tanári kva-
litásokat is. Egy büntetés, egy jutalmazás, egy osztályzás esetén az empátia is
szerepet játszhat a megfelelő módszer, eszköz kiválasztásában, az érdemjegy
kialakításában. Ennek hiányában a tanár rossz döntéseket hozhat.
Gondoljunk például arra, hogy az osztályzat „felfelé kerekítése” az egyik tanulónál

motiváló hatású lehet, a másik viszont ezt úgy éli át, hogy „úgyis megkapom a jobb
osztályzatot”.
Az algoritmizált döntési mechanizmusok képesek az ilyen tényezők figye-

lembe vételére is, így elképzelhető, hogy tudatos alkalmazásuk az egyébként
„tehetségtelen” (empatikus képességgel nem rendelkező) tanár munkáját is ha-
tékonnyá teszi.
2.3 ELLENŐRZŐ KÉRDÉSEK
1. Mit jelent az, hogy egy algoritmus determinisztikus modellre épül? Milyen
jellemzői vannak az ilyen modellnek? Milyen jellegű feladatok megoldására
lehet alkalmas? (2.1)
2. Milyen feladatokat lehet megoldani hálós módszerekkel? (2.1.1)
3. Milyen lépései vannak a hálótervezés kritikus út módszerének? (2.1.1)
4. Mit jelent az, hogy egy művelet a kritikus úton fekszik? Milyen szerepük
van a tartalékidőknek? (2.1.1)
5. Milyen lépésekből áll a tananyag szerkezetének elemzése és tervezése?
(2.1.1)
6. Mire szolgálnak a döntési modellek? (2.1.2)
7. Milyen módszereket ismer a komplex döntések megalapozására? (2.1.2)
8. Milyen lépésekből áll a COMBI-módszer? (2.1.2)
9. Milyen típusú alkalmazási lehetőségei vannak az értékelemzés döntési eljá-
rásainak? (2.2)
10. Milyen sajátosságai vannak az oktatási folyamatokkal kapcsolatos dönté-
seknek? (2.2)
11. Milyen alaptörvényei vannak a tananyagstruktúrák elemzésének? (2.2)
12. Hogyan hatnak a determinisztikus modellek a tanár gondolkodásmódjára?
(2.2)
55
© Typotex Kiadó
2.4 FELHASZNÁLT ÉS JAVASOLT IRODALOM
Fejős Csaba – Gyaraki Frigyes: A moduláris tanterv- és tananyagstruktúrák kialakításá-

nál alkalmazható két egzakt eljárás. Felsőoktatási Szemle, 1985/9–10.
Kata János: Az elrendezéstervezés oszlopvektoros eljárásának továbbfejlesztési lehetősé-
ge. Anyagmozgatás-Csomagolás, 1989/3. 77–81.
Kata János: A tanulói teljesítmények értékelése egy operációkutatási eljárással (oktatási segéd-
let a COMBI-módszer pedagógiai alkalmazására). Budapest, BME Műszaki Pedagógia
Tanszék, 1995.
Kata János: A szemléltetési eszközök értékelése COMBI-módszerrel (tanulmány). Budapest,
BME Műszaki Pedagógia Tanszék, 1996.
Legeza Enikő (szerk.): Komplex rendszerek hatékonysági vizsgálata (oktatási segédanyag).
Budapest, BME Közlekedésgazdasági Tanszék, 1995.
Molnár László: Anyagmozgatási folyamatok tervezése. II. rész. Budapest, Tankönyvkiadó,
1985.
Prezenszki József: Üzemszervezéstan. Budapest, Műegyetemi Kiadó, 1994.
Rabóczki Miklósné: „Horváth Miklós: Hazai tájak életközösségei” (tankönyvelemzés) –
módszertani évfolyamfeladat. Budapest, BME Műszaki Pedagógia Tanszék, 2001.
2.5 ALKALMAZÁSOK
2. A TANANYAGSTRUKTÚRA ELEMZÉSE HÁLÓTERVEZÉSI MÓDSZEREKKEL

3. PÁLYAVÁLASZTÁSI TANÁCSADÁS KOMPLEX ÖSSZEHASONLÍTÓ ELJÁRÁS-
SAL
4. TANULMÁNYI MUNKA ÉRTÉKELÉSE KOMPLEX ÖSSZEHASONLÍTÓ ELJÁRÁS-
SAL
5. SZEMLÉLTETÉSI TECHNIKA ÉRTÉKELÉSE KOMPLEX ÖSSZEHASONLÍTÓ EL-
JÁRÁSSAL
56
© Typotex Kiadó
3. FEJEZET
A sztochasztikus modellek jellemzői
és pedagógiai alkalmazásuk
A statikus modellek számos esetben kiválóan alkalmasak a folyamatok leírásá-

ra, elemzésére. Általuk időben állandó rendszerek vizsgálatánál, és dinamikus,
azaz időben változó rendszerek pillanatnyi állapotának rögzítésénél egyaránt
tökéletes képet nyerünk a működés jellemzőiről. E modellek legtöbbször deter-
minisztikus, vagyis a véletlenszerűséget figyelmen kívül hagyó algoritmusokat
használnak fel, hiszen általában egyszerű, előre megjósolható, kiszámítható fo-
lyamatokat írnak le. Néha persze itt is figyelembe vesznek véletlenszerű jelen-
ségeket, amint azt a hálótervezési modelleknél is láthattuk, de ezzel maguk a
modellek el is vesztik tisztán statikus jellegüket.
Sokszor azonban arra is kíváncsiak vagyunk, hogyan fejlődik egy rendszer,
miképpen változnak a folyamat jellemzői az idők során. Az ember által létreho-
zott rendszerek legtöbbje ugyanis adaptív, vagyis képes környezetének igényei-
hez illeszkedni akár belső változások segítségével is. Az ilyen kibernetikai (más
szóval önirányító, tanuló) rendszerek tervezése, létrehozása, irányítása és elem-
zése azonban olyan modelleket igényel, amelyek képesek az időben zajló folya-
matokat is leírni. Így alakultak ki a dinamikus modellek, amelyekben általában
a véletlen által is befolyásolt, más szóval sztochasztikus folyamatok találhatók.
A véletlenszerűség figyelembe vételének kérdése a filozófusokat az elmúlt
két évezredben, a matematikusokat az elmúlt három évszázadban, a fizikuso-
kat az elmúlt száz évben komoly dilemmák elé állította a világ megismerhetősé-
gét illetően. Az operációkutatási szakembereket azonban pragmatikusabb szem-
pontok vezérelték az ilyen modellek kidolgozásánál. Számukra három fontos
indoka van a folyamatok sztochasztikus vizsgálatának:
A rendszer modellezése során bizonyos jellemzőket, egyes hatásokat le-

egyszerűsítünk, összevonunk. Ennek következtében azok leírása pontatla-
nabbá válik, így bizonyos esetekben véletlenszerűen viselkedhetnek.
57
© Typotex Kiadó
58 3. A SZTOCHASZTIKUS MODELLEK JELLEMZŐI ÉS PEDAGÓGIAI ALKALMAZÁSUK
A rendszer általában rendkívül komplex környezetben működik. Ennek

összes jellemzője nem vonható be a vizsgálati modellbe, hiszen például
nem is ismert minden összetevője, figyelembe vételük pedig nagyságren-
dekkel megnehezítené a vizsgálatot. A környezeti hatások ilyenkor szintén
véletlenszerűséget mutatnak.
A rendszerirányítási folyamat első fázisát jelentő információszerzés a
rendszer különböző területeiről mindig valamilyen mérésen alapul. Ezek
során számos hiba előfordulhat (elromlik a mérőműszer, rossz az adatto-
vábbítás stb.). A mérési eredmények ilyen kisebb-nagyobb eltéréseit a mé-
rési hibák véletlenszerű jellegének feltételezésével lehet könnyen kezelni.
A sztochasztikus modellek legfontosabb alapja tehát a statisztika, amely ké-

pes az ilyen véletlenszerű adatok egységes kezelésére, az azokból kiszűrhető
fontos információk előállítására.
3.1 A STATISZTIKAI MÓDSZEREK ALKALMAZÁSÁNAK ÁLTALÁNOS

VONATKOZÁSAI ÉS ELMÉLETI ALAPJAI
A statisztikai módszereket e jegyzet két nagy csoportba sorolja. Ezek közös tu-
lajdonsága, hogy rendszermodellezési célból használjuk fel őket.
Az egyik csoportba tartoznak azok az általában egyszerűbb eljárások, ame-
lyeket a klasszikus statisztika egyes fejezeteiből már jól ismerhetünk. Ezek egy-
változós adathalmazok elemzésére szolgálnak, illetve néhány (általában kettő)
változó közötti összefüggéseket kezelnek. E műveletek egyik részeredménye a
változó(k) által leírt rendszer egyszerű modellezése. A másik csoport olyan, leg-
többször elméleti és számítástechnikai szempontból összetett módszereket tar-
talmaz, amelyeket nagyon bonyolult rendszerek megbízható modellezésére
dolgoztak ki. A pontos leképezés érdekében nagyon sok adatot kezelnek, így
rendszerint sokváltozós függvények elemzésére épülnek. Ennek során rutinsze-
rűen alkalmaznak olyan, az első csoportba tartozó algoritmusokat, amelyek
maguk is képesek az összetett rendszerek részbeni modellezésére.
A statisztikai eljárások e két, eltérő jellegű területének azonban vannak közös
tulajdonságai is, hiszen szoros kapcsolat van közöttük.
A sztochasztikus modellezés alapjául szolgáló modern statisztikai módsze-
rek a legegyszerűbb matematikai alapokra épülnek, de az idők során magukba
integrálták a felsőbb matematika számos fejezetének elemeit. Önálló fejlődésü-
ket a kombinatorika és a valószínűségszámítás kialakulása tette lehetővé, de
mai fejlettségi szintjükön a matematika olyan részeit is igénybe veszik, mint a
függvényanalízis, a lineáris algebra, az integrál- és a differenciálszámítás.
Először azonban tekintsük át egy, a statisztika kérdéseit is bőven érintő poli-
tikai elemzés alapján, hogyan látja az „átlagember” a statisztika szerepét az éle-
tünkben.
58
© Typotex Kiadó
3.1 A STATISZTIKAI MÓDSZEREK ALKALMAZÁSÁNAK ÁLTALÁNOS VONATKOZÁSAI… 59
Az ezt követő alfejezetekben megvizsgáljuk a statisztikai módszerekkel kap-

csolatos legfontosabb szakmai kérdéseket.
3.1.1 A statisztika és a hétköznapi ember
Aki találkozott már politikailag befolyásolt gazdasági statisztikákkal, hamis

közvéleménykutatási adatokkal, az hajlamos arra, hogy „ne higgyen” a statisz-
tikában („csak azt a statisztikát hiszem el, amit magam hamisítottam”). Ez
azonban hibás hozzáállás, például azért, mert a statisztika, mint matematikai
alapú tudományterület, nem hit kérdése.
Az ilyen elutasító magatartás szerint a statisztika a hazugság tudománya („fül-
lentés, hazugság, statisztika”). Ez szintén tévedés, hiszen bármilyen mérés lehet
valótlan, különösen, ha nem értjük azt. Egy vadállat lázának mérése sokkal nehe-
zebb feladat, mint egy emberé, mert az előbbi ellenáll – nem tudja, mi az a láz, ho-
gyan mérik, és azt sem, hogy mit jelez az orvos számára a szervezet állapotáról.
Vannak esetek, amikor a statisztika tényleg manipulatív, hazug. Elsősorban
akkor gyanakodhatunk erre, amikor nem mérhető, nem formalizálható adatokkal dol-
gozik. Az olyan típusú kijelentések, mint például „az élet két és félszer vidámabb
lett”, „a haja 48%-kal selymesebbé vált”, mindig arra utalnak, hogy manipulálni
kívánnak minket a statisztika ártatlan tudományágán keresztül. Ugyancsak ve-
szélyesek a viszonyszámok, valamint az átlagértékek. „A kórházi osztály betegeinek
átlagos láza”, „a diplomások országos átlagfizetése” kifejezések mutatják ennek
értelmetlenségét, illetve lényeget elfedő tulajdonságát. Nem szabad fenntartások
nélkül hinni a homogén adatsorok első tagjainak, ha azok átmeneti (tranziens) jel-
legűek. „A rendszerváltás utáni első évek reáljövedelme” elkerülhetetlenül torz
képet mutat egy kaotikus jelleget öltő átmeneti folyamatról.
A statisztikai adatokban tehát csak akkor bízhat meg az átlagember, ha azok
természetes mutatókban fejezik ki a folyamat jellemzőit, és számolási művele-
tekkel nem torzítják el azokat.
3.1.2 A statisztika és a vezetéselmélet
A vezetéselmélet a statisztikához az átlagembernél sokkal szakszerűbben vi-

szonyul. Számára a statisztikai módszerek olyan segédtudományt képeznek,
amely elősegíti az egzakt döntéshozatalt, az algoritmizálható vezetési folya-
mat kialakulását.
A statisztikai módszernek a szakember számára több szempontot kell egyi-
dejűleg kielégítenie:
A statisztikai módszer adatai legyenek számok. Tudjuk, hogy nem minden

numerikus adat jelent számot, és a számok sem egyforma jellegűek. A ská-
lázás során minden adatról el kell dönteni, hogy milyen jellegű, mert csak
59
© Typotex Kiadó
így lehetünk nyugodtak afelől, hogy mely műveletek végezhetők el vele.

Legbiztosabb, ha az adat arányskálán helyezkedik el (természetes mutató,
naturális érték). Léteznek persze olyan statisztikai eljárások, amelyek ké-
pesek intervallumskálákat, rangskálákat, sőt nominális skálákat is kezelni,
de e tulajdonságot minden felhasznált módszerről ismerni kell.
A statisztikai módszer legyen objektív. Az általa szolgáltatott információk
ne függjenek a készítés előzetes koncepciójától, korlátozódjanak a rend-
szer tényleges adatainak elemzésére.
A módszer legyen megbízható. Tartalmazzon biztosítékokat arra, hogy
az általa feltárt információk valóban hitelesek, jellemzőek a vizsgált rend-
szerre.
A módszer legyen ellenőrizhető, megismételhető. Az ismétlések során egy
elfogadható hibahatáron belül azonos információkat nyújtson.
Ha az alkalmazott statisztikai eljárás e követelményeknek eleget tesz, akkor

segíti a hatékony, szakszerű döntéshozói munkát.
3.1.3 Elemi statisztikai módszerek és döntéselőkészítő statisztikai modellek
Mint már említettük, jegyzetünkben módszertani és alkalmazási okokból a sta-

tisztikai módszereket két fő csoportra osztottuk.
Elemi statisztikai módszernek neveztünk el minden olyan eljárást, amelyet a ha-
gyományos tankönyvek egyes fejezetei tárgyalnak. Ezek közös jellemzője, hogy
(legalábbis az összetett modellek felől nézve) nem hatolnak be az adatstruktúra
mélyebb rétegeibe információszerzés céljából. Segítségükkel az adathalmazból
közvetlenül kinyerhető, általában egyszerűbb, könnyen felhasználható infor-
mációkat állítjuk elő. Legtöbbjük könnyen számolható, de munkatáblázatok se-
gítségével még a legbonyolultabbak is elvégezhetők akár manuálisan is.
Az elemi statisztikai eljárások közé soroljuk a legegyszerűbb statisztikai mu-
tatók (átlag, szórás, megoszlási viszonyszám stb.) kiszámolását, de viszonylag
összetettebb eljárásokat is (mint a regressziószámítás, khi-négyzet próba, hipo-
tézisvizsgálatok).
Ezt a besorolásukat alkalmazási szempontból az indokolja, hogy elméleti
alapjaik általában egyszerűek, könnyen és gyorsan számolhatók, és nem utolsó
sorban az, hogy számítástechnikai alapszolgáltatásokban (pl. a Microsoft Office
Excelben) egyszerűen és gyorsan hozzáférhetők. Ez jelentősen megkönnyíti
mindennapi használatukat a pedagógusok számára is. A gyakorlati alkalmazás
szempontjából a sajátosságuk éppen pedagógiai: a hétköznapi szóhasználat
szerint e módszerekre épülnek a pedagógiai mérések legfontosabb területét ké-
pező, leginkább elterjedt kvantitatív didaktikai kutatások.
A döntéselőkészítő statisztikai modellek csoportjába tartozó eljárások az elmúlt
néhány évtized termékei. Kialakulásuk alapfeltétele a számítógépek megjelené-
se, széleskörű alkalmazásuké pedig a személyi számítógépek elterjedése volt.
60
© Typotex Kiadó
Közös vonásuk, hogy információikat az adatstruktúra feltárásával nyerik, így a

vizsgált rendszer működésének elmélyültebb elemzését teszik lehetővé. Számí-
tásigényességük nagyságrendekkel nagyobb az elemi módszerekéinél, ezért
manuálisan nagyon fáradságos lenne az eredményeiket kiszámolni. A bennük
felhasznált számítástechnikai és matematikai apparátus (maximum likelihood
technikák, dimenziótranszformációk stb.) pontos megértése komoly feladat elé
állítaná a nem matematikus felhasználót. Erre azonban általában nincs is szük-
ség, az alkalmazási feltételeket és az eredmények értékelési lehetőségeit e prog-
ramrendszerek leírásai viszonylag közérthetően ismertetik.
A statisztikai modellek közé tartoznak a megfigyelt változók csoportosításá-
ra, illetve az erre épülő látens változók tulajdonságainak meghatározására irá-
nyuló számítások (faktoranalízis, klaszterelemzés, sokdimenziós skálázás), és
az ezekre épülő összetett rendszerszimulációs eljárások (a látens változók
strukturális elemzése) is.
Külön csoportba sorolásukat alkalmazási szempontból indokolja elméleti bo-
nyolultságuk, hatalmas számításigényük, és az, hogy legtöbbször csak a szoft-
verpiacon beszerezhető programcsomagokban lehet hozzájutni programjaik-
hoz. Módszertani szempontból azért soroltuk ezeket külön csoportba, hogy ez-
által is érzékeltessük kutatási jellegű sajátosságaikat. Az ide sorolt eljárások
lehetővé teszik a pedagógia kérdéseinek rendszertechnikai, operációkutatási
vizsgálatát. Így az oktatási folyamat vizsgálata a szokásos didaktikai kutatáso-
kétól eltérő arculatot nyer, ugyanis közelít a szociológiai, a gazdasági és a mű-
szaki folyamatelemzés és modellezés jellemzőihez.
3.1.4 A sztochasztikus modellek pedagógiai alkalmazásának lehetőségei
Tekintettel arra, hogy a pedagógiai folyamatok során számos adat képződik

(például az osztályzatok), még több statisztikai adat pedig a környezetből kerül
a rendszerbe (például a tanulói személyes adatok), ezek szükségszerűen igény-
lik a statisztikai feldolgozás és adatkezelés módszereit. Az ilyen feladatok meg-
oldásának hagyományosan kialakult eszközeit ma már számítógépes támoga-
tással elterjedten alkalmazzák az iskolákban.
Ugyancsak fontos jellemzője a tanítás folyamatának, hogy számos véletlen-
szerű elemet tartalmaz. Ezek figyelembe vétele azonban hagyományos módsze-
rekkel nehézkes, illetve sokszor nem is lehetséges. Ez azonban azt eredményez-
heti, hogy az oktatási folyamat sematikussá válik, és nem illeszkedik például a
munkaerőpiac változásaihoz, vagy a tanulók különböző személyiségjegyeihez,
eltérő adottságaikhoz, tehetségükhöz, felkészültségükhöz és motivációikhoz.
A véletlenszerűségnek ebből a sokrétűségéből adódóan a módszertani célú
modellezés alkalmazhatósága rendkívül széleskörű. Mivel a jelentkező problé-
mák, a megoldandó feladatok ennek megfelelően nagyon sokfélék (és még el-
mélyült pedagógiai tudással sem mindig előre láthatók), e jegyzetben nem lehet
vállalkozni teljes felsorolásukra.
61
© Typotex Kiadó
Néhány tipikus alkalmazási lehetőségre azonban a modellek jellegéből és

más (elsősorban gazdasági) területeken való alkalmazásuk tanulmányozásából
következtethetünk:
Képzési struktúrák vizsgálata (a szakszerű osztályba sorolás elveinek

megfelelő szakmacsoportok kialakítása a képzési jegyzékekben).
Képzési rendszerek elemzése (képzési szakok tantárgyi összetételének
elemzése).
Tantárgyi struktúrák tanulmányozása (a tananyagon belüli konzisztencia
minősítése).
Tanulócsoportok szociometriai vizsgálata.
Tanulók motivációinak feltárása.
A tanulók különböző szempontok szerinti megoszlásának rögzítése.
Eltérő tanulmányi eredmények okainak feltárása.
Új pedagógiai eljárások hatásainak elemzése.
A tanítást befolyásoló paraméterek feltárása, minősítése.
A tanulmányi eredmények időbeli lefolyásának vizsgálata.
3.1.5 A kutatások felépítése
Az operációkutatás minden műszaki-gazdasági folyamatot, tevékenységet egy-

forma séma szerint bont részekre. Minden tevékenység, folyamatrendszer alap-
vetően három fázisból áll. A folyamatot ugyanis elő kell készíteni, majd elindítása
után végre kell hajtani a hozzá kötődő tevékenységeket. Azok befejezése után pe-
dig le kell zárni a folyamatot, értékelni kell a működés eredményeit.
A kutatások ezek alapján szintén három nagy, egymástól jól elkülöníthető
(emellett azonban össze is kapcsolódó) tevékenységcsoportból tevődnek össze:
A kutatás előkészítése
Minden kutatás azzal kezdődik, hogy olyan probléma vetődik fel, amely
megoldást igényel. Ennek oka az, hogy a döntési folyamat első, érzékelő
eleme hiányosságot, elégtelenséget, új helyzetet, új körülményt jelez. Ha
ez alapján a normális üzemeltetési adatokkal összevetve az a döntés szüle-
tik, hogy be kell avatkozni, akkor indul el a döntés előkészítése. Kutatási
tevékenységre akkor van szükség, ha probléma csak behatóbb vizsgálattal
oldható meg.
Ezt követi a probléma megfogalmazása. Ez meghatározza az egész kutatás
menetét, hiszen a pontos leírás utalhat a kutatási módszerre éppúgy, mint
annak korlátaira. A megfogalmazás persze nem végleges érvényű. A kuta-
tás folyamán, annak eredményei alapján felmerülhetnek olyan szempon-
tok, amelyek módosítják a probléma leírását is.
A kutatási cél megfogalmazása azért fontos, mert a problémák általában
62
© Typotex Kiadó
szerteágazók, a kutatás viszont időben, térben és költségekben is erősen

korlátozott tevékenység. A célfüggvény a probléma legfontosabb elemére
koncentrál, de meg kell fogalmazni a korlátozó feltételeket is. A célok és a
korlátozó feltételek a kutatás folyamán a belső visszacsatolások miatt szin-
tén módosulhatnak, de a kutatás eredményességének éppen az a legfonto-
sabb kritériuma, hogy a célokat milyen mértékben sikerült elérni. A kuta-
tónak ebben a lépésben azt is el kell döntenie, milyen lesz a kutatás felépí-
tése: a teljes folyamatot vizsgálja, vagy annak csak egy részét; minden
elemét vagy néhány kiemelt elemét; teljes körű vagy mintavételes kutatási
módszert használ-e fel.
A tájékozódás tevékenysége több dolgot foglal magában. A kutatónak meg
kell például ismernie a probléma megoldásának összes aspektusát. Ennek
érdekében irodalomkutatást végez annak feltárására, foglalkozott-e már
valaki hasonló rendszerrel, hasonló problémával. Megvizsgálja, milyen
korábbi kutatási eredményeket használhat fel munkájában, milyen mód-
szereket alkalmazhat. Ez azonban még nem elég a sikeres munka elkezdé-
séhez. Meg kell ismernie a kutatni kívánt folyamatot is. Ez legtöbbször
azért fontos, mert a fejlesztéseket külső szakemberekkel szokták elvégez-
tetni, akik mentesek az „üzemi vakság” jelenségétől (aki személyesen érin-
tett a folyamatban, az nem objektív, illetve a megszokások miatt kevésbé
kreatív). A folyamat megismerésének két módszere van. A primer adat-
gyűjtés közvetlenül a folyamat megvalósulása során történik mérésekkel,
a folyamatban résztvevőktől való információszerzéssel. A szekunder adat-
gyűjtés mindig dokumentumok (fényképek, magnetofonfelvételek, üze-
meltetési naplók, esetünkben tanulói füzetek, osztálynaplók és anyaköny-
vi kivonatok) tanulmányozásával folyik. A tájékozódás tevékenysége a tá-
jékoztatás fogalmát is takarja egyben. A kutatónak tájékoztatnia kell a
folyamatban résztvevőket és a kutatást segítőket a kutatás céljáról, mód-
szereiről és a várható eredményekről is. Ez elsősorban a munka meg-
könnyítése, az érintettek motivációjának növelése érdekében fontos.
A munkahipotézis megfogalmazása során rögzítjük, mit várunk el a kuta-
tástól. Ez néha konkrét dolgot jelent, és a kutatás feladata annak eldöntése,
hogy milyen mértékben igaz a hipotézisben megfogalmazott feltevés.
Máskor csak hozzávetőlegesen lehet megfogalmazni a hipotézist, és az a
munka során válik egyre pontosabbá. Munkahipotézis nélkül a kutatás
ösztönössé, improvizatívvá válhat, a túl erősen megfogalmazott munkahi-
potézis viszont prekoncepcióssá (előzetesen eldöntötté) teheti azt.
Az operacionalizált munkatervben konkrétan megfogalmazzák az alkal-
mazandó kutatási lépéseket, módszereket, a kutatás közben fellépő prob-
lémákra való felkészülés módjait, az eredmények dokumentálásának kö-
vetelményeit.
63
© Typotex Kiadó
A kutatás végrehajtása
Az előkészítés és az eredmények kiértékelése közötti szakaszban történik

az adatgyűjtés, az információszerzés. Ennek legfontosabb feladata a pontos
adatrögzítés, a korrekt jegyzőkönyvezés. Mindezekre azért van szükség,
hogy a kutatás ismételhető, ellenőrizhető legyen.
A kutatás befejezése
Az eredményadatok feldolgozását különböző matematikai (legtöbbször sta-

tisztikai) módszerekkel végezzük. Ezt követi az eredmények és a célok egybe-
vetése, mellyel választ kapunk arra a kérdésre, hogy elértük-e, amit akar-
tunk. Ez feltétele a visszacsatolási kör kialakulásának, ugyanis itt dől el a
következő lépések iránya. Sikertelenség esetén visszatérünk egy korábbi
fázisra (akár a probléma megfogalmazásáig), ha viszont úgy ítéljük meg,
hogy kérdéseinkre választ adtunk, akkor előkészíthetjük a kutatás lezárá-
sát. Ez az eredmények leírását, publikálását jelenti.
3.1.6 Összefüggés az információ megbízhatósága és az adatmennyiség között
A mérések során gyakran felmerül az a probléma, hány mérés, hány adat előál-
lítása elegendő az adott kérdés megnyugtató megválaszolására.
A mérési hibák tulajdonságainak ismeretében mindenki tudja, hogy kevés
adat esetén fennáll annak a veszélye, hogy az éppen rendelkezésre álló adatok
között találhatók hibásak is. Ekkor a belőlük levonható következtetéseket a hi-
bák eltorzítják, és azokat is valamilyen folyamatjellemző hatásaként értékeljük.
Az így nyert információ szükségszerűen hibás lesz. Növelni kell tehát a méré-
sek számát, hiszen így a hibás adatok aránya kisebb lesz (helyesebben, egy ha-
tár felé közelít), és annak a veszélye is csökken, hogy miattuk rossz eredménye-
ket kapnánk a kiértékelés során.
De meddig célszerű növelni a mérések számát, így a rendelkezésre álló adat-
mennyiséget? Néhány méréssorozat önálló elvégzése után bárki észreveheti,
hogy például az adatok átlaga (de a szórásukról és néhány további jellemzőjük-
ről ugyanez elmondható) egyre kisebb mértékben változik, és bizonyos mérési
szám után e változás olyan kis mértékűre csökken, hogy már csak a sokadik
tizedesjegyben érzékelhető. Ezt a határt átlépve már biztosan állítható, hogy a
mérések számának növelése nem javítja az adatokból kinyerhető információ
pontosságát, illetve megbízhatóságát.
A méréselmélet, illetve a statisztikai eljárások e határra a konkrét gyakorlati
esetek igényei alapján fogalmaznak meg követelményeket, és így nagyon pon-
tos becsléseket tudnak tenni az elfogadható mértékükre. A számítások alapja a
nagy számok törvénye. E törvénynek a matematika többféle megfogalmazást
adott. Számunkra azonban elég annyi, hogy a folyományaként megfelelő
64
© Typotex Kiadó
mennyiségű adatból mindig megbízható következtetéseket tudunk levonni

(másként fogalmazva, ez azt jelenti, hogy az adathalmazból kinyerhető infor-
máció pontosságának és megbízhatóságának nincs elvi – csak mennyiségi –
korlátja).
Ennek alapján megfogalmazhatjuk az információ megbízhatósága és a fel-
használt adatmennyiség közötti összefüggést:
Az információ megbízhatóságának, illetve pontosságának mindig van egy

optimális adatmennyiséget igénylő tartománya. Túl kevés adat esetén a ki-
értékelés egyszerű és gyors, de az információ megbízhatósága a hibák eset-
leges torzító hatásaként jelentkező pontatlanság miatt alacsony. Az adatok
számának növelése esetén a megbízhatóság a pontosság növelésével tet-
szőlegesen javítható, ám a feldolgozás számításigényessége is nagymér-
tékben megnövekszik. Az optimális mérési szám alsó és felső határa az
adatok eltéréseitől és a mérési céltól függ, mindkét esetben néhány mérés-
től a több ezres értékig változhat. Durva közelítésként kijelenthetjük, hogy
az alsó határt általában 30–40 közé tehetjük, ami éppen megegyezik a ma-
tematikai összefüggésekből számítható, úgynevezett kis- és nagyminta kö-
zötti határral. A felső határ értékére nehezebb a becslés, de az ezres nagy-
ságrendet az átlaguk biztosan nem lépi túl.
3.1.7 A mintavétel általános jellemzői
A mérések során valamely folyamat, objektum, jelenség adott jellemzőjét kíván-

juk meghatározni. Ennek eredményeként a lehetséges adatoknak szinte mindig
csak egy részhalmazát állítjuk elő, és ezt számításainkban is figyelembe kell ven-
nünk. A mérés ugyanis legtöbbször azt jelenti, hogy az elvileg lehetséges végtelen
számú adat közül meghatározunk néhányat, általában legfeljebb néhány százat.
Vannak azonban speciális mérések is. Ezeknél tudjuk, hogy a mérésekkel elő-
állítható adatmennyiség nem végtelen, mégsem végezzük el az összes lehetséges
mérést. Különösen a szociológiai, orvosi, politikai, illetve a közgazdasági kutatá-
soknál jellemző kérdés, hogy egy adott populáció (például az ország lakossága)
milyen tulajdonságokat mutat fel valamilyen adott szempontból. Ilyenkor gaz-
daságossági és egyéb szempontok miatt nem lehet minden érintettől megszerez-
ni a szükséges adatokat, de erre matematikai okokból nincs is szükség. A jól kivá-
lasztott megkérdezettek akkor is leképezik a teljes lakosságot, ha adott esetben
csak néhány százan vannak.
A mérés tehát elvileg szinte minden, gyakorlatilag az összes esetben megelég-
szik azzal, hogy az összes lehetséges mérést képviselő (az előzőek alapján végte-
len vagy véges nagyságú) alapsokaságból kiemelje a tényleges méréseket összefo-
gó mérési mintát (mely elemszáma alapján lehet 30–40 darabszám alatti kisminta és
efölötti darabszámú nagyminta). A mintából több-kevesebb pontossággal lehet
következtetni az alapsokaság jellemzőire. Természetesen különböző minták ese-
65
© Typotex Kiadó
tén különböző eredmények adódnak, erről bárki meggyőződhet, ha például 12

adatot három csoportba sorol, és ezek mintaátlagát kiszámolja. Levezethető azon-
ban, hogy ez az érték viszonylag kis terjedelemben mozog, sőt, az eltérések mér-
tékéből tudunk következtetni az alapsokaság jellemzőinek eltéréseire is.
A minta kiválasztásánál azonban ügyelni kell arra, hogy az megfelelően kép-
viselje az alapsokaság tulajdonságait. A mintavételezés ugyanis a modellezés-
nek egy nagyon speciális változata, ezért alapvető feladata a leképezés. Termé-
szetesen nem az összes szempontot kell modellezni, csak a vizsgálat szempont-
jából legfontosabbakat. Egy politikai jellegű elemzés során fontos szempontok
lehetnek például a nemek szerinti, az iskolázottsági, a jövedelmi, az életkor
vagy a lakóhely szerinti megoszlások arányai, nem kell azonban leképezni a ci-
pőméret vagy az egészségi állapot jellemzőit.
Ezt a követelményt a statisztika a mintavétel reprezentativitásának nevezi. A
mérésekből nyerhető információ használhatósága, megbízhatósága és értéke
ugyanis függ a valóság (vagyis az alapsokaság) leképezésének (vagyis a való-
ság minta általi modellezésének) pontosságától, ezért azt már a minta kiválasz-
tása során biztosítani kell. Ennek számos módját ismerjük, de mindegyiknek az
a közös tulajdonsága, hogy a kiválasztás véletlenszerűségének megvalósítására
törekednek. Ez lehet egyszerű választás, amikor valamilyen (pénzfeldobás, koc-
kadobás, véletlenszám-táblázat vagy véletlenszám-generátor segítségével elő-
állított) véletlen esemény alapján döntünk a lehetséges mérés végrehajtásáról
vagy a meglévő mérési eredmény figyelembe vételéről. Sokszor alkalmazzák a
mechanikus kiválasztás módszerét, amikor a mérési eredményeket (a minta ele-
meit) valamilyen, a mérés céljától független szempont szerint sorba rendezik,
majd a kapott lista minden második, tizedik vagy ötvennyolcadik (stb.) elemét
vizsgálják meg. A legfejlettebb eljárások rétegezett mintavételt használnak. Ez a
véletlenszerűség mellett azt is garantálja, hogy az alapsokaság különböző
szempontok alapján kialakított csoportjai tényleges arányuknak megfelelően
képviseljék magukat a mintában is.
3.2 A STATISZTIKAI MÓDSZEREK GYAKORLATI ALKALMAZÁSA
A mérések véletlenszerű hibáinak kiküszöbölésére kidolgozott eljárások az idő-

ben véletlenszerűen változó, sztochasztikus folyamatok modellezésére is alkal-
masak. Egyszerű esetekben nagyvonalú becslésekre már a legelemibb statiszti-
kai eszközök eredményei is megfelelhetnek. Egy folyamat valamely paraméte-
rének átlaga például már önmagában jó minősítő tényező lehet – ha az egyik
iskola továbbtanulási aránya 67%, a másiké pedig 18%, akkor ez a két szám al-
kalmas lehet valamilyen, az iskolák működésére vonatkozó következtetések le-
vonására –, ezáltal tudjuk modellezni általuk a valóságot.
Ezek a statisztikai eszközök eredetileg mégsem elsősorban a modellek kiala-
kítását szolgálják, szempontunkból csak korlátozott szerepük van. Mivel azon-
ban sokszor megfelelnek modellezési igényeinknek, ismernünk kell ezeket az
66
© Typotex Kiadó
3.2 A STATISZTIKAI MÓDSZEREK GYAKORLATI ALKALMAZÁSA 67
általunk elemi statisztikai módszereknek nevezett eljárásokat és néhány fontos

jellemzőjüket, alkalmazási lehetőségeiket is.
A statisztikai modellezés eszközeinek másik csoportjába azokat a módszere-
ket soroltuk, amelyeket kifejezetten a sztochasztikus folyamatok modellezésére
dolgoztak ki. Ezek segítségével megvalósítható a sok rendszerjellemzővel leír-
ható, összetett rendszerek modellezése éppúgy, mint a közvetlenül nem mérhe-
tő üzemi paraméterek meghatározása, elemzése is.
3.2.1 Az elemi statisztikai módszerek
A mérési eredményekből az eddigiek alapján általában nem lehet közvetlenül

kiszűrni a számunkra fontos információkat. A legfontosabb akadálya ennek az,
hogy mindig több adat áll rendelkezésünkre ugyanarra a jellemzőre vonatkozó-
an. A statisztika elemi módszerei arra irányulnak, hogy ezeket az információkat
megfelelő csoportosítással, szemléltetéssel, esetleg általában egyszerűbb (kö-
zépiskolai szintű) matematikai eszközökkel állítsák elő. Közös jellemzőjük még
az is, hogy számításigényességüket csak az adatmennyiség nagysága határozza
meg, önmagukban nem alkalmaznak hosszadalmas számítási algoritmusokat.
E csoportba tartoznak a statisztika következő főbb fejezetei:
Az adatok csoportosítása, táblázatos összefoglalása.

Az adatok szemléltetése.
A gyakorisági eloszlás meghatározása.
A mérési eredmények középértékeinek fajtái.
Az adatok terjedelmének mutatószámai.
A statisztikai próbák.
A regressziószámítás és a trendszámítás.
A khi-négyzet próba.
3.2.1.1 Az adatok csoportosítása, táblázatos megjelenítése
A szükséges információk sokszor kiszűrhetők a mérési eredményekből további

számítások nélkül, megfelelően elvégzett csoportosítással, így a vizsgált rend-
szer egyszerű modellje is előállítható.
Egy vizsgálat során például a pszichológusok arra voltak kíváncsiak, hogy az
egyéves gyermekek tevékenységeinek milyen jellemzői vannak. Ezek közül is
elsősorban a manipulációs szakaszok hosszát mérték, hiszen ez a fejlettségük
szintjével áll összefüggésben. Kontrollcsoportként (illetve az összehasonlítható-
ság eldöntése céljából) ugyanezt majomkölykökkel is elvégezték.
A következő eredményeket kapták (3.1 táblázat):
67
© Typotex Kiadó
3.1 táblázat Manipulációs idők átlagos hosszúsága percekben
Fiúk Lányok Kismajmok

2,4 3,4 1,7
3,9 1,9 1,1
3,3 3,4 1,2
2 1,8 1,9
4,4 2,3
1,5
Az egy oszlopba került adatok első látásra is érzékeltetik, hogy a gyerekek érté-
kei magasabbak az emberszabású állatok hasonló értékeinél, és összességükben
jelentősen eltérnek azoktól. Azt is látjuk emellett, hogy a kisfiúk és a kislányok kö-
zött nincs számottevő eltérés. (Ez egy ténylegesen elvégzett kutatás. Megbízható-
ságát jelentősen csökkentik bizonyos elemek, például a minták feltűnően kis mé-
rete. A kutatók számításai egyébként egzakt módszerekkel – például kétmintás
t-próbával – is alátámasztják fenti következtetésünket, melyet például az átlagér-
tékek [2,9; 2,6; 1,6] kiszámolásával magunk is megerősíthetünk.)
A megfelelő csoportosítás tehát sokszor már önmagában lehetővé teszi, hogy el-
jussunk a célként kitűzött információhoz, arról következtetéseket tegyünk. A
megfelelő táblázatos összefoglalás nagyon sok összetettebb módszer alkalmazá-
sának is fontos előfeltétele. Az eljárás hátránya, hogy nem eléggé szemléletes, és a
tudomány igényeinek megfelelő egzakt bizonyítási lehetőségeket nélkülözi.
A későbbiekben bemutatásra kerülő módszerek szemléltetésére egy 2006-ban készült

pedagógiai szakdolgozat felméréseit használjuk fel. A vizsgálat annak a felmérésére
irányult, hogy egy általános iskola harminc nyolcadik osztályos tanulóját milyen ta-
nulási motivációk jellemzik. E célból a gyerekek egy harminc kérdésből álló kérdőívet
töltöttek ki. A következőkben az átláthatóság érdekében egy kisebb minta, tíz kérdés
értékeléseit végezzük el a 3.2 táblázat adatainak feldolgozásával.
3.2 táblázat Általános iskolai tanulók motivációs kérdőíve
A tanulók a következő kérdésekre adtak választ:
A: Elkalandozik a figyelmed az órák alatt?

B: Zavar, ha rosszul végzed az elvállalt munkát?
C: Szoktál rendetlenkedni órán?
D: Szeretsz iskolába járni?
E: Megpróbálsz osztályelső lenni a tanulásban?
F: Szeretsz új dolgokat kipróbálni, még ha nehezek is?
68
© Typotex Kiadó
G: Félsz a dolgozattól?
H: A tanítás végén már izegsz-mozogsz?
I: Ha valamit elrontasz, megpróbálod még egyszer?
J: Érdekesnek találod az iskolai munkát?
A válaszokat ötfokozatú skálán adták meg, melyen az 1 értékhez tartozott a

„soha”, illetve „nem”, az 5 értékhez a „mindig”, „nagyon” válasz (a kérdő-
íveken ennél pontosabb útmutatás szerepelt).
Kérdések
A B C D E F G H I J
Tanulók
1 2 5 2 4 5 5 3 5 5 4
2 3 3 1 4 1 3 3 3 4 2
3 1 4 2 4 1 3 2 1 4 5
4 1 3 2 2 3 3 3 4 4 3
5 2 1 2 3 5 4 2 2 5 4
6 3 5 2 4 4 4 2 4 5 4
7 2 3 2 4 2 3 2 3 3 2
8 2 4 1 5 2 3 1 1 3 4
9 3 5 1 1 4 3 4 2 3 2
10 4 2 3 1 2 1 3 4 2 2
11 4 3 2 3 2 3 2 4 4 2
12 3 4 2 2 1 5 2 2 5 2
13 3 4 2 1 3 5 5 3 3 1
14 2 2 1 3 1 3 3 1 2 3
15 3 3 2 3 3 3 3 4 4 3
16 3 3 2 3 2 3 2 3 4 3
17 3 4 1 3 1 2 5 3 3 3
18 3 2 2 2 2 3 3 4 4 3
19 5 3 4 1 1 5 3 4 4 2
20 2 3 2 3 1 3 4 4 3 3
21 3 2 2 4 3 3 2 2 3 3
22 4 3 3 2 3 3 3 4 2 3
23 3 4 2 3 2 3 4 3 3 3
24 2 3 1 4 2 2 2 2 3 3
25 3 2 2 2 1 4 5 5 3 1
26 3 5 1 1 3 3 4 2 3 2
27 3 2 3 1 1 4 4 4 3 2
28 3 2 5 1 1 5 3 4 3 2
29 3 2 2 3 4 5 1 2 5 3
30 2 4 2 4 4 4 2 5 5 3
69
© Typotex Kiadó
3.2.1.2 Az adatok szemléltetése
A mért adatok által leírt jellemzők nagysága és egymás közötti arányuk grafi-
kus módszerekkel történő szemléltetése sok esetben önmagában elegendő az
információ előállítására, a folyamat elemi modelljének kidolgozására.
Egy, az 1980-as években végzett szociológiai kutatás esetében azt vizsgálták,
hogy megfigyelhetők-e különbségek az egyes foglalkozástípusok (osztályok) sza-
badidő-eltöltési módjai között. A következő eredményeket kapták (3.3 táblázat):
3.3 táblázat Egyes foglalkozástípusok szabadidő-eltöltési módjai (adatok: főben)
Olvasás Kirándulás Pihenés Barkácsolás Látogatás Összesen

Munkás 2 3 4 3 1 13
Paraszt 1 0 2 8 5 16
Értelmiségi 4 1 3 2 4 14
Tanuló 6 3 0 2 1 12
Összesen 13 7 9 15 11 55
E táblázatból annak ellenére sem olvashatunk ki könnyen információkat,

hogy megfelelő csoportosításban tartalmazzák az adatokat. Ezt főleg az okozza,
hogy a válaszadók száma csoportonként eltérő volt. Sokat segítene persze, ha
megoszlási arányokat számolnánk, de az oszlopok viszonylag nagy száma mi-
att még így is nehézkes lenne annak megítélése, hogy a szabadidő eltöltésének
módjában vannak-e különbségek.
Megfelelő diagram kiválasztásával viszont szemléletessé, ezáltal könnyen
érthetővé tudjuk tenni következtetéseinket (3.1 ábra):
3.1 ábra Egyes foglalkozástípusok szabadidő-eltöltési módjai

kördiagramban ábrázolva
70
© Typotex Kiadó
71
© Typotex Kiadó
Az ábrasorból szemléletesen látszik, hogy milyen eltérések és azonosságok

vannak az egyes csoportok között. Amíg például az értelmiségiek és a tanulók
legfontosabb jellemzője az aktív pihenés (ezen belül is az olvasás), addig a vidé-
ki ember az aktív pihenés fizikai tevékenységeit (barkácsolás) részesíti előny-
ben. A munkásemberek ezektől eltérően a passzív pihenést tartják legalkalma-
sabbnak kikapcsolódásuk céljából. (Ez is egy valóságos kutatás eredménye. Itt
is korlátozza a megállapítások általánosítását a válaszadók kis száma, valamint
az, hogy a válaszokat előre megadott lehetőségek közül kellett kiválasztani.)
A grafikus szemléltetésnek számos fajtája létezik. Közülük a legfontosabbak a

különböző oszlopdiagramok, grafikonok, vagy az üzemszervezés egyes terüle-
teiről elterjedt anyagfolyamábrák, átfutásiidő-diagramok (Gantt-diagramok).
Napjaink számítástechnikai alapú szövegszerkesztő, táblázatkezelő és előadás-
tervező programjai tucatjával nyújtják a lehetőséget ezek, illetve az esztétikai
érdekekből különböző grafikus kiegészítésekkel ellátott továbbfejlesztéseik fel-
használására. Némelyik változatuk példáit a 3.2–3.6 ábrák mutatják be.
3.2 ábra A szabadidő-eltöltési adatok vonaldiagramban ábrázolva
72
© Typotex Kiadó
3.3 ábra A szabadidő-eltöltési módok oszlopdiagramban ábrázolva
3.4 ábra A szabadidő-eltöltési módok robbantott kördiagramban ábrázolva
73
© Typotex Kiadó
3.5 ábra A szabadidő-eltöltési módok színesvonal-diagramban ábrázolva

(a számítógép monitorán színes vonalakkal megjelenítve
az egyes eltérő változók grafikonjait)
3.6 ábra A szabadidő-eltöltési módok

térhatású hengeres oszlopdiagramban ábrázolva
Tanuló
74
© Typotex Kiadó
A bemutatott ábrák csupán néhányat szemléltetnek a standard szövegszerkesztő és

táblázatkezelő programok által felkínált 34 grafikoncsalád 93 különböző ábrázolási
lehetőségéből. További egyéni beállításokkal több száz grafikontípus közül választ-
hatunk adataink gyors és egyszerű szemléltetésére. Ugyanakkor e grafikonokat át-
tekintve azt is beláthatjuk, hogy minden változatosságuk ellenére egyfajta sema-
tizmus jellemzi őket.
A statisztikai programfejlesztők ezért az adatszemléltetésre saját megoldásokat
fejlesztettek ki, amelyek legtöbbször jobban illeszkednek a program felhasználóinak
speciális igényeihez is. Ezek közül mutatnak be néhányat a következő ábrák a moti-
vációs kérdőívekkel kapott eredmények grafikus szemléltetésére.
A 3.7 ábrán a motivációs kérdőív „A” kérdésére adott válaszok megoszlását lát-
hatjuk oszlopdiagramban. A szemléltetési funkción túl az ábra tartalmaz bizonyos
további információkat az adatok átlagára és szórására vonatkozóan. (Megjegyzen-
dő, hogy a program a teljes adathalmaz beolvasása után tetszőleges változót képes
kiértékelni közülük a felhasználó interaktív választása szerint.)
3.7 ábra A motivációs kérdőív „A” kérdésére adott válaszok megoszlása
A 3.8 ábra szintén a válaszok megoszlását érzékelteti a B kérdés válaszai esetén.

A kiválasztott ábrázolás itt kördiagram (illetve ezt a térbeli elrendezés miatt az an-
golból átvett „tortadiagram” névvel illetjük).
75
© Typotex Kiadó
3.8 ábra A motivációs kérdőív B kérdésére adott válaszok megoszlása
A statisztikai programok lehetőséget adnak arra is, hogy valamelyik változót

egy másik függvényében ábrázoljuk. Ez látható a 3.9 ábrán, ahol a C és a D kérdé-
sekre kapott válaszok közötti összefüggést szemlélhetjük meg.
3.9 ábra A motivációs kérdőív C és D kérdéseire adott válaszok közötti

összefüggés szemléltetése
76
© Typotex Kiadó
Ugyanez az összefüggés szemléltethető az adatok síkbeli ábrázolásával is a 3.10

ábra szerint az E és az F kérdés válaszait bemutatva.
3.10 ábra A motivációs kérdőív E és F kérdéseire adott válaszok közötti

Az összefüggéseket ábrázolhatjuk vonaldiagram segítségével is a 3.11 ábrának

megfelelően a G és a H kérdések válaszait elemezve.
3.11 ábra A motivációs kérdőív G és H kérdéseire adott válaszok közötti

77
© Typotex Kiadó
Az adatbázisok gyorsabb elemezhetősége érdekében kifejlesztettek olyan grafi-

kus szemléltetési módszereket is, amelyek egyszerre mutatják be két vagy több
(akár az összes) változó közötti összefüggések jellegét. A 3.12 ábra az I és a J kérdés
válaszait mutatja így be, a 3.13 ábra pedig a teljes adathalmaz együttes ábrázolá-
sát (a program futtatása közben arra is van mód, hogy az esetleg túl kis méretűvé
alakuló ábra tetszőleges részét kinagyítsuk).
3.12 ábra A motivációs kérdőív I és J kérdéseire adott válaszok közötti

összefüggés komplex szemléltetése
78
© Typotex Kiadó
3.13 ábra A motivációs kérdőív összes válaszának komplex szemléltetése
Egy másik statisztikai program több változót tartalmazó adathalmazok értékelé-

sére további egyszerűsítéseket is bevezetett. Ahogyan az a 3.14 ábrán látható, a
grafikon tartalma a tengelyek mellett elhelyezett mutatógombok segítségével köz-
vetlenül változtatható, így időveszteség nélkül lehet az összefüggések elemzésén
módosítani.
79
© Typotex Kiadó
3.14 ábra A motivációs kérdőív I és J kérdéseire adott válaszok közötti

3.2.1.3 A gyakorisági eloszlás ábrázolási módjai
Az adatok rendszerbe foglalásának egyik megoldása az lehet, ha azokat nagy-

ság szerinti növekvő vagy csökkenő sorrendbe állítjuk. Ez azonban manuális
módszerekkel hosszadalmas munka lenne, számítógéppel sem könnyű kézi
adatbevitel esetén. A statisztikában ezért kidolgoztak egy rendezési eljárást,
amely lényegesen gyorsabb, és ráadásul több információt is szolgáltat az egy-
szerű sorba rendezésnél.
Ennek az a felismerés képezi az alapját, hogy a mérések szükségképpen tar-
talmaznak bizonyos elvi jelentőségű hibákat. A mérőeszközök durva érzékelése
miatt az eredmény ugyanis mindig pontatlan. Az a hiba, amelyet ez okoz, a mé-
rési eredményeket még akkor is diszkrét jellegűvé teszi, ha elvileg azok folyto-
nos függvény szerintiek. Egy olyan mérlegen például, amelyikkel 1 kg-os pon-
tossággal lehet mérni, a 70,4 kg-os és a 69,6 kg-os ember is egyforma tömegű.
A két folytonos skálán lévő értéket tehát a mérleg pontatlansága „behúzza” a
diszkrét skálán szereplő 70 kg-os adathoz (a mérleg pontosságának fokozódása
nem oldja meg a problémát, legfeljebb a kvantumelmélet szintjéig tolja el – itt
viszont tényleg diszkrétekké válnak a makrovilág folytonos értékei is).
80
© Typotex Kiadó
Ezt a diszkrét jelleget mesterségesen is elő lehet állítani. Ha ugyanis az egy-

máshoz közeli adatokat összevonjuk, akkor azokból egyforma értéket kapunk.
Ennek hátrányai persze nyilvánvalóak. Az adatok összessége annyival lesz
pontatlanabb, amilyen mértékben az összevonásokkal torzítottuk az adatbázist.
Előnye viszont ennél nagyobb, mert általa az adatok könnyebben kezelhetőek,
hiszen sok különböző adatból válik így néhány eltérő, de a csoporton belül egy-
forma adat.
Elméletileg ez nem teljesen igaz. Ha ugyanis a rendelkezésre álló adatokat valami-

lyen okokból osztályközökbe soroljuk, attól azok még nem válnak egyenlővé, csu-
pán azt tesszük, hogy bizonyos csoportjukat egy konkrét adattal (rendszerint az
osztályköz közepén állóval) és az osztályban lévő adatok mennyiségével reprezen-
táljuk. Az osztályközös elemzést követő későbbi finom-strukturális elemzések so-
rán az adatok visszanyerhetik eredeti tulajdonságaikat (így a többitől való eltéré-
süket is). A gyakorlatban azonban sokszor eleve az osztályközös adatfeldolgozás
igényeinek megfelelően végzik el az adatfelvételt. Így járnak el például a közleke-
désben a forgalomszámlálások esetén, amikor a járművek utasterhelését eleve osz-
tályközökre bontva, „folthatásvizsgálattal” végzik el.
Ha az ilyen összevonásoknál bizonyos szabályokat betartanak, akkor ráadá-

sul a gyakorlati következtetések levonásához szükséges pontosság sem szen-
ved túlságosan nagy csorbát.
Az adatok kezelésében alkalmazott ilyen tevékenységet osztályba sorolás-
nak, az így kapott eredményekkel való műveleteket osztályközös számításoknak
nevezzük.
A mérési eredmények átlagát és szórását ilyenkor kicsit eltérően számoljuk,
mint akkor, ha azokat nem soroljuk osztályokba:
xátlag = x0 + (d / n) * S(m * fm)
(xátlag = S xi / n helyett)
s= (d2 / (n – 1)) * ((S(m2 * fm) – (Sm * fm)2 ) / n)
(s = ( S (xi – xátlag)2) / (n – 1) helyett)
ahol x0 az átlagnak egy tetszőleges becslése,

d az osztályköz szélessége,
n az adatok száma,
m az osztályköz előjeles távolsága x0-tól,
fm az osztályközbe eső adatok száma.
81
© Typotex Kiadó
Az osztályba sorolt adathalmaz szokásos ábrázolása a hisztogram. Ez az osz-

tályközökben található adatok számát ábrázolja az osztályközök függvényében.
Az osztályközök szélessége tehát befolyásolja az adatok ilyen elemzésének
pontosságát. Emiatt a statisztikában alkalmaznak bizonyos empirikus képlete-
ket annak meghatározására, milyen osztályközöknél marad még a gyakorlat-
ban kezelhető a kapott hiba. Ez egyébként attól függ, hány adatról van szó és
milyen mértékűek a közöttük való eltérések.
Egy elsőéves műszaki szakoktató tanulókörben a hallgatók Szakmai ismere-
tek I. című tantárgyának vizsgapontszámai a 2006. évi írásbeli vizsgán a 3.4 táb-
lázat szerint alakultak.
3.4 táblázat Egy hallgatói csoport írásbeli vizsgán elért pontszámai
Hallgató Pontszám Hallgató Pontszám Hallgató Pontszám Hallgató Pontszám

1 55 18 36 35 39 52 74
2 47 19 100 36 47 53 46
3 37 20 38 37 33 54 57
4 39 21 39 38 47 55 40
5 51 22 30 39 28 56 44
6 42 23 65 40 45 57 46
7 67 24 43 41 43 58 45
8 30 25 46 42 43 59 41
9 55 26 52 43 53 60 49
10 52 27 42 44 30 61 56
11 41 28 42 45 77 62 45
12 48 29 41 46 36 63 54
13 56 30 82 47 46 64 56
14 61 31 55 48 62 65 44
15 39 32 68 49 50 66 46
16 33 33 27 50 52 67 71
17 50 34 32 51 41 68 49
A táblázat használatát jelentősen megnehezíti, hogy statisztikai vizsgálatokat

lehetővé tevő információk közvetlenül nem nyerhetők belőle. Természetesen az
adatok megfelelő csoportosításával lehetne javítani a helyzeten, de a szemléle-
tességen és a felhasználhatóságon nem sokat változtathatnánk.
Ilyenkor az adatok eloszlásának 3.15 ábra szerinti függvényszerű ábrázolása
segít, ám a végső cél elérésében (tehát annak megítélésében, mennyire sikerült
elsajátítaniuk a hallgatóknak a tananyagot) továbbra is csak kis lépést tettünk
előre:
82
© Typotex Kiadó
3.15 ábra A vizsgaeredmények ábrázolása a sorszámokkal jelölt

(névsorba állított) hallgatók függvényében
Az osztályzatok kialakítására, a teljesítmények elemzésére az eddigieknél

sokkal alkalmasabb lehet egy hisztogram elkészítése a 3.16 ábra szerint:
3.16 ábra A pontszámok megoszlása 2-es szélességű osztályközök esetén
83
© Typotex Kiadó
Ez a fajta hisztogram láthatóan túl keskeny osztályközöket használ fel, így be-
lőle nem sokkal könnyebben olvashatók ki az információk, mint az előző ábrából.
Az osztályközök szélességét tehát célszerű nagyobbra venni például a 3.17
ábra szerint:
3.17 ábra A pontszámok megoszlása 100-as szélességű osztályközök esetén

(a vízszintes tengely „Tovább” feliratának jelentése: 0–100 osztályköz)
Ha azonban az osztályköz túl széles, akkor a túl pontatlan felbontás miatt akár
minden információ elveszhet az elemzés számára. A statisztikai tankönyvek ke-
vés segítséget nyújtanak az osztályköz szélességének megválasztásához. Az
egyik például azt javasolja, hogy határozzunk meg összesen 8–10 osztályt, ezek
általában megfelelő pontosságot biztosítanak. Mivel ugyanakkor a számítások-
ból levonható következtetések megbízhatóságát az adatok száma és a nagyságuk
közötti eltérés befolyásolja, sokszor az is elképzelhető, hogy 20–30 is kevés, más-
kor viszont 4–5 is elég lehet e könyv szerint. E bizonytalanság miatt a műszaki
méréstechnikában elterjedtek bizonyos tapasztalati képletek. Matematikai szem-
pontból ezek sem túl egzaktak, de kifejezik az osztályközök függését az adatok
terjedelmétől és számuktól is, emellett használható javaslatot tesznek az interval-
lumok számára, szélességére vonatkozóan például a következő képlet alapján:
D = (xmax – xmin) / (1 + 3,322 * lg n)
ahol D az osztályköz szélessége,

xmax a legnagyobb adat,
xmin a legkisebb adat,
n az adatok száma.
84
© Typotex Kiadó
Ehhez hasonló megfontolásokkal juthatunk el egy megfelelő felbontáshoz a

3.18 ábrának megfelelően.
Mivel a 68 elemből álló adathalmaz legnagyobb és legkisebb pontszáma 100, illetve

27, a képlet a következő alakot veszi fel:
D = (100 – 27) / (1 + 3,322 * lg 68)
Az osztályköz javasolt szélessége tehát 10,3.
3.18 ábra A pontszámok megoszlása 10-es szélességű osztályközök esetén

(„Tovább”: 90 és 100 közötti osztályköz)
A hisztogram jól érzékelteti, hogy a hallgatók többsége 50% és 60% közé eső
teljesítményt mutatott, további jelentős részük 40% és 50%, illetve 60% és 70% kö-
zött teljesített. (A pontszámok érdemjegyre történő átváltásának egyik lehetséges
módszere éppen a hisztogramra épít. Ennek pedagógiai minősítése nem tárgya
fejezetünknek, ettől függetlenül kijelenthetjük, hogy ez alapján durva közelítés-
ként 40 pontig elégtelen, 40 és 50 pont között elégséges, 50 és 60 pont között köze-
pes, 60 és 70 pont között jó, 70 pont felett jeles osztályzattal értékelhetnénk.)
A hisztogramok egyik speciális fajtája a Pareto-diagramnak is nevezett ábrázo-
lás. Ilyenkor az osztályközöket az általuk tartalmazott adatok száma szerint
csökkenő sorrendbe állítjuk, és a függőleges (ordináta-) tengelyen ennek az
adatszámnak az értékét ábrázoljuk a 3.19 ábrának megfelelően:
85
© Typotex Kiadó
3.19 ábra A pontszámok ábrázolása Pareto-diagram segítségével
A Pareto-diagram (ezen belül is a 100%-hoz tartó összeggörbe) jól érzékelteti,

hogy az adatok jelentős része egy szűkebb tartományba (esetünkben a 40–70 in-
tervallumba) esik, egy kisebb elemszámú tartományban van egy további ré-
szük, míg egy tulajdonképpen elhanyagolható elemszám teszi ki az osztálykö-
zök többségét. Ez lehetővé teszi az adatok úgynevezett ABC-elemzését, mely azt
vizsgálja, hogy mekkora az A részbe (itt a görbe megfelelő arányú diagramnál
45 fok feletti meredekségű), a B részbe (itt közelítőleg 45 fok a függvény dőlés-
szöge), illetve a C részbe (ahol a meredekség kisebb mint 45 fok). Ennek általá-
nosított eredménye például kimondja, hogy az összes osztályköz közelítőleg
20%-a képviseli legtöbbször az összes adat közelítőleg 80%-át. A széles körben
elterjedt tétel mutatja az osztályközös adatfeldolgozás adatszámcsökkentő ha-
tékonyságát, amely például a kereskedelemben közvetlenül hasznosítható kö-
vetkezményekkel jár (a törzsvásárlóknak adott kedvezmények növelik legin-
kább a kereskedelmi egység forgalmát, és ezen keresztül a bevételeit is).
3.2.1.4 Az adathalmaz középértékének mérőszámai
A hisztogram sokat segít az adathalmaz elemzésében, ám túl nagy szerepet

hagy a kiértékelés szubjektív elemeinek. Az osztályköz szélességének megvá-
lasztásában, az ABC-elemzésben kiszámolt A, B és C tartományok határainak
(legtöbbször a grafikonra épülő) meghatározásában egyaránt elkövethetők
olyan hibák, amelyek szubjektív döntési elemekre vezethetők vissza.
Annak megítéléséhez például, hogy ki kapjon az előző tanulókörben köze-
pest, és ehhez képest kik kapnak jobb, illetve rosszabb osztályzatokat, a fenti el-
járás nem ad megfelelő objektív támpontot.
86
© Typotex Kiadó
Ismernünk kell ehhez azt a pontszámot, amelyik az adathalmazban és így a

hallgatók teljesítményében is középen áll – standardizált (vagyis tulajdonképpen
megfelelő mintán kipróbált és matematikai eszközökkel módosított) dolgozat
esetén ehhez tartozik majd a közepes osztályzat. A középérték fogalma azonban
nem definiálható egyértelműen. Az egyik ilyen lehetséges mutatót módusznak ne-
vezik a statisztikában. A módusz azt adja meg, hogy a természetéből adódóan
nem folytonos hisztogramnak (illetve tetszőlegesen kicsi szélességűre csökken-
tett folytonos változatának, az adatok sűrűségfüggvényének) hol található a ma-
ximális értéke. A 3.18 ábrán például ez 50% és 60% között található.
A módusz tehát megmutatja, hogy melyik a leggyakoribb elem (osztályköz)
az adathalmazban. Nyilvánvaló, hogy ennek a hatása a legnagyobb a halmaz
egészére, így ez a mutató alkalmas a teljes adatcsoport egyfajta jellemzésére.
A módusznak azonban vannak hiányosságai is. Sok esetben ugyanis a hisz-
togram több csúcsot is tartalmaz vagy e maximális értékek konstans szakaszo-
kat alkotnak. Bár ezek azt mutatják, hogy az adathalmaz nem homogén, és több
részre bontásával ezek a problémák általában kiküszöbölhetők, elméletileg
mégsem kizárt, hogy léteznek olyan adatstruktúrák, ahol bármilyen felbontás
esetén több módusz, illetve konstans szakaszok is maradhatnak.
Még nagyobb a baj akkor, ha a módusz elfed bizonyos alapvető jellemzőket.
Ha például a hallgatók döntő többsége 90 pont fölötti eredményt ér el (ez egyéb-
ként nagyon kedvező dolgot mutat), akkor a módusz eltakarja előlünk, hogy
ennek az volt az ára, hogy például a leszakadó hallgatókkal nem foglalkozott a
tanár.
Ilyen okokból vezettek be egy másik mutatószámot a középérték bemutatá-
sára. Ennek a medián elnevezést adták, amelyből közvetlenül is kiolvasható,
hogy az összes adat közepén álló elemet képviseli. Meghatározásához az szük-
séges, hogy az adatokat nagyság szerint sorba rendezzük, majd az így kialakult
sor közepén levőt választhatjuk ki.
Ha az adatok száma páros, akkor középre két adat kerül. Ekkor ezek számtani átla-
ga lesz a medián.
A hallgatók eredményeit taglaló előző példában ez az érték a 46-os pont-

szám. Könnyen ellenőrizhető, hogy a tanulókör létszámának egyik fele ennél
kevesebb, másik fele pedig ennél több pontot ért el a vizsgán. Úgy is fogalmaz-
hatunk, hogy a 46-os pontszám (közelítőleg) felezi a hisztogram területét, illet-
ve (pontosan) megfelezi a sűrűségfüggvény alatti területet (kicsit bonyolultab-
ban azt is mondhatnánk, hogy mínusz végtelen és 46 között, valamint 46 és
plusz végtelen között a határozott integrál értéke 0,5).
A mérés tényleges jellemzőit a medián sem képezi le teljes biztonsággal. Nem
adja meg például azt, hogy hány adatot reprezentál. Elvileg tehát az is elképzel-
hető, hogy olyan értékre mutat, amelyet csak kevés elem képvisel (46 pontot
például csak öt fő ért el a 68 fős tanulókörből). Még nagyobb a baj amiatt, hogy a
medián független a hisztogram alakjától, ezért olyan értékekre is mutathat,
87
© Typotex Kiadó
amelyek egyáltalán nem jellemzők az adatok összességére. Sokat segítenek ezen

a medián alapján képezett egyéb mutatók. (A kvantilisek azt adják meg, hogy
az adatok mekkora része esik egy adott tartományba. A kvartilis például negye-
deli, a decilis tizedeli, a centilis pedig századolja az adathalmaz elemeit.) Ezek
azonban sokszor inkább bonyolítják az elemzést, mintsem egyszerűsítenék.
A statisztikában nagyon sűrűn használják a középérték leírására a számtani
átlagot.
Ezt nevezik még aritmetikai átlagnak is, a köznyelvben azonban leggyakrabban

csak átlagként emlegetik. A matematika és az ágazati statisztikák azonban még de-
finiálnak további (mértani, harmonikus stb.) átlagokat. Más tudományterületek-
hez hasonlóan a pedagógia legtöbbször a számtani átlagot használja fel, ezért ha
jelző nélküli átlagot említünk, akkor a továbbiakban számtani átlagra gondolunk.
Az eddig bemutatott két mérőszám ugyanis nem veszi figyelembe az adatok

tényleges nagyságát. A módusz értékét csak egy osztályköz befolyásolja, a töb-
bit figyelmen kívül hagyja, a medián értékét pedig legfeljebb kettő (páros szá-
mú adat esetén ugyanis a két középső tag átlagát értelmezzük mediánként).
A számtani átlagot ezzel szemben az összes adat befolyásolja, ezért általáno-
sabb, a mintára jellemzőbb érték két másik társánál. A vizsgált tanulókörnél ez
az eredmény 48,18 pont, és egyszerű számítással belátható, hogy egyetlen pont-
szám-reklamáció megváltoztatná az így számolt középértéket (tételezzük fel,
hogy a 68. számú hallgató jogos reklamációja után 27 helyett 29 pontot kapott –
így a csoport átlaga 48,21-ra változott).
A számtani átlag persze szintén mutat hiányosságokat. Sokszor ad olyan ér-
téket, amely nem szerepel az adathalmazban (esetünkben sem szerepel 48,18-os
dolgozat), de ennél nagyobb baj az, ha ilyen érték elvileg sem lehetséges (a vizs-
gán például el lehetett érni 48 és 49 pontot is, 48,18 pontot viszont nem). Ha te-
hát a mérési eredmények diszkrét értékeket vehetnek csak fel, akkor szüksé-
günk van annyi elvonatkoztató képességre, hogy folytonos skálán értelmezhes-
sük a kapott számtani átlagot.
3.2.1.5 A szóródás mérőszámai
Az adathalmaz leírására szolgáló hisztogram és sűrűségfüggvény alakját egyik

középérték sem fejezi ki. A tankörátlagból például nem tudjuk kiolvasni, hogy a
hallgatók csak 48 és 49 pontos dolgozatokat írtak-e, vagy esetleg volt-e közöttük
tökéletes teljesítményű is.
Ennek érdekében az adatokat tartalmazó intervallum szélességének leírására
is számos eljárást dolgoztak ki. A legegyszerűbb ezek közül az adatok terjedelme,
amely a legkisebb és a legnagyobb érték különbsége. Esetünkben ez a 27 és a 100
pont között 73-as különbség. A terjedelem jól érzékelteti, hogy milyen mérték-
ben térnek el az eredmények egymástól, mekkora intervallumban szóródnak az
88
© Typotex Kiadó
adatok, például egy feladatlappal elért pontszámok, százalékpontok, mégsem

elég az adathalmaz megbízható leírására. Az intervallum szélességét „szó sze-
rint” értelmezi, és az adathalmazt két szélsőséges értékével írja le. Ha például e
tankörben a 19-es és a 33-as hallgató (tehát két fő!!) betegség miatt nem írt volna
dolgozatot, akkor a többi 66 hallgató eredményének terjedelme 28 és 82 közé
változva csak 54 lenne.
Pontosabb leírás lenne ezért az, ha az átlagtól való átlagos eltéréseket számol-
nánk ki. A számtani átlag ismeretében például minden pontszámra kiszámol-
nánk az ettől való eltérést, majd ezeket átlagolnánk. Ez a viszonylag egyszerű
számítás azonban nem pontosítaná a mérési eredményekről alkotott képünket,
hanem torzítaná azt. Vannak ugyanis olyan értékek, amelyek kisebbek az átlag-
nál (a különbség itt negatív), és vannak, amelyek nagyobbak annál (a különbség
itt pozitív). Sok adat tehát kioltaná egymást (esetünkben ez –0,04, míg a nagy
számok törvényének egyik megfogalmazása szerint az eltérések összege megfe-
lelően sok adat esetén éppen nullává válna), így semmilyen információt nem
kapnánk az adatok szóródásáról. Megoldaná ezt a problémát, ha az eltérések
abszolút értékével számolnánk (esetünkben ez 9,65), ezt viszont a statisztikai
számítások hagyományosan nem kedvelik a manuális számításigényességből
származó tévedési veszélyek miatt.
Széles körben terjedt el ezért a variancia és a szórás alkalmazása. Az előbbit úgy
kapjuk, hogy az eltérések négyzetének összegét az adatok számánál 1-gyel kisebb
értékkel osztjuk, az utóbbi pedig ennek a számnak a négyzetgyöke. A variancia és
a szórás (175,3 és 13,24) majdnem teljesen megegyezik az átlagos négyzetes elté-
réssel (esetünkben ez 172,7) és annak négyzetgyökével (13,14). A nevezőben tör-
ténő korrekciónak elméleti okai vannak (lényegében az, hogy a szórás számításá-
nál felhasználunk egy korábbi számítási eredményt is – az átlagét).
A szórás tehát elvileg jól képes leírni az adatok terjedelmét. Az átlaggal
együtt megfelelő pontosságú leírást ad mérési eredményeinkről, és bár a hiszto-
gram alakjára közvetlenül nem utal, mégis számos burkolt információt tartal-
maz arra vonatkozóan is.
3.2.1.6 Statisztikai következtetések, egyszerű adatelemzések,

hipotézisvizsgálatok
Az eddigiekben bemutatott számítások a rendelkezésre álló adatállomány leírá-

sát segítik elő. Az elemzések célja, a modell kialakítása azonban rendszerint túl-
mutat az általuk szolgáltatott információkon, ezért a statisztikai elemzések fej-
lődése során számos összetettebb számítási eljárás is kialakult.
Ezek közül a legismertebbek azok, amelyek azt kívánják eldönteni, hogy az
adott minták egy alapsokaságból származnak-e. Az ilyen adatelemző módszere-
ket statisztikai próbáknak nevezik. Segítségükkel eldönthető például, hogy egy
osztály tanulmányi eredményének alakulása magyarázható-e az iskola általános
89
© Typotex Kiadó
tanulmányi munkájának hatásosságával, illeszkedik-e az adott tanár korábbi ok-

tatási munkájához, vagy esetleg az osztályközösség összetételével indokolható-e.
Az ilyen módszerek alkalmazásához az adatokat elő kell készíteni. Ennek ér-
dekében az adatok alapján a mintákat standardizálják, így azok közvetlenül
összemérhetővé válnak. A művelet során minden mintaelemet úgy transzfor-
málnak, hogy kivonják belőlük a minta átlagát (így válik valóra az a cél, hogy az
átlag 0 legyen), majd elosztják őket a minta elemeinek szórásával (és így a stan-
dardizált minta szórása 1 értékű lesz). A kapott minta így nemcsak azonos jelle-
gű lesz a többi standardizált mintával, hanem alkalmassá válik további statiszti-
kai műveletekre is.
A statisztikai elemzés során gyakran fordul elő a szabadságfok kifejezés. Ez a
fogalom az egyes elemző módszerek alkalmazása során különböző módon hat a
számításokra. Legtöbbször azonban arra utal, hogy az adott jellemző számításá-
nál alkalmazott képletben hány tagot kellett korábban más számítással megha-
tározni. A szabadságfok emellett bizonyos módszereknél a rendelkezésre álló
adatok számával is összefüggésben van. Szerepét az adott eljárás matematikai
háttere alapozza meg, és a számítási algoritmus ad rá útmutatást, hol és hogyan
kell figyelembe venni.
Az elemzések legtöbbször arra irányulnak, hogy a rendelkezésre álló adatok
igazolják-e bizonyos előzetes feltevéseinket, amelyeket hipotéziseknek nevezünk.
Ilyenkor általában arra vagyunk kíváncsiak, hogy a mérési adatokból álló minta
igazolja-e a feltételezéseinket. Mivel a mérési eredmények mindig tartalmaz-
hatnak hibákat, erre vonatkozó állításunkban soha nem lehetünk egészen bizto-
sak. (Pontosabban szólva, a nagy számok törvényének egyik megfogalmazása
szerint csak akkor, ha a minta szórása zérus. Ez abban az esetben fordulhat elő,
ha a vizsgált jellemző konstans – ez viszonylag ritka –, vagy a mérési adatok
száma végtelen, illetve végtelennek tekinthető.)
A hipotézisvizsgálat elején felállítunk egy nullhipotézist, amellyel azt fogal-
mazzuk meg, hogy egy adott állítás nem igaz. Ezután a rendelkezésre álló ada-
tokból meghatározzuk, mekkora valószínűsége van annak, hogy az állítás még-
is igaz. Ez a valószínűség két dologtól függhet: attól, hogy az adatok ténylege-
sen ellentmondanak ennek, illetve attól, hogy a mérési hibák éppen olyan
irányban befolyásolták adatainkat, hogy azok erre utaljanak. Megfelelően kis
valószínűség esetén azonban e két dolognak már nincs jelentősége, ilyenkor azt
állíthatjuk, hogy a hipotézist el kell vetni, az adott állítás mégis igaz. Azt a való-
színűségi határt, amely alatt ezt megtehetjük, szignifikanciaszintnek nevezzük.
Nagysága az adott vizsgálat jellegétől, céljától függ. Egy új gyógyszer káros
mellékhatásainak vizsgálatánál például alacsony értéke van, hiszen nem enged-
hető meg, hogy egy gyógyszertől mondjuk ezer beteg közül 5 meghaljon (a
szignifikanciaszint 5 ezrelék). Még alacsonyabbra helyezhető ez a határ az
atomerőművi balesetek valószínűsége esetén (itt „soknullás” szignifikancia-
szintek vannak, például 0,000001%). Kisebb jelentőségű kérdéseknél a határ kü-
lönlegesen nagy is lehet. Annak tervezésére, hogy egy benzinkútnál 5 percet is
meghalad-e a várható várakozási idő, 10–20%-os szignifikanciaszint is elegen-
dő. A statisztikai módszereknél általánosan elterjedt szokás szerint a szignifi-
90
© Typotex Kiadó
kancia értéke 5%. Azt mondják ugyanis, hogy az ilyen hiba megengedése leg-
többször elégséges pontosságú információt szolgáltat.
Gondoljunk például arra, hogy egy közlekedésbiztonsági méréssorozat kiértékelése

során az eredményekből arra következtetünk, hogy a sebesség átlagos értéke 75,1 és
76,2 km/h értékek közé eshet 5%-os szignifikanciaszint mellett (ezt az adattarto-
mányt egyébként konfidenciaintervallumnak nevezik). E azt jelenti, hogy a mé-
réssorozatot 100-szor megismételve mindössze 5-ször kapnánk olyan mintaátlagot
(az adott mérés eredményeinek átlagát), amely kívül esne ezen a tartományon. Ez
a gyakorlatban legtöbbször tényleg elegendő biztonságot jelent.
A statisztika sok esetben csak annak megítélésére kíváncsi, hogy két vagy
több minta azonos átlagú alapsokaságból származik-e. Ilyenkor úgynevezett
egytényezős varianciaanalízist végeznek.
Vizsgáljuk meg például, hogy a 3.4 táblázat négy oszlopában szereplő hallga-
tók eredményei (oszloponként) egy alapsokaságból származnak-e.
A kérdés nem erőltetett. Elképzelhető lenne ugyanis, hogy a négy oszlop négy kü-
lönböző csoportot takar. Ezek például eltérő gyakorlatvezetővel vehettek részt szá-
mítási gyakorlataikon, eltérő időpontban, eltérő feladatsor alapján vizsgázhattak,
és még számos tényező okozhatott közöttük ilyen eltérést. Elemzésünk arra szol-
gál, hogy voltak-e ilyen hatások a végső tanulmányi eredmény kialakulása során.
A vizsgálat eredménye a következő (3.5 táblázat):
3.5 táblázat A vizsgaeredmények elemzése egytényezős varianciaanalízissel
Egytényezős varianciaanalízis
ÖSSZESÍTÉS
Csoportok Darabszám Összeg Átlag Variancia
Oszlop 1 17 803 47,23529 101,8162
Oszlop 2 17 838 49,29412 380,0956
Oszlop 3 17 772 45,41176 141,0074
Oszlop 4 17 863 50,76471 93,56618
VARIANCIAANALÍZIS
Tényezők SS Df MS F p-érték Fkrit.
Csoportok között 280,1176 3 93,37255 0,521281 0,669176 2,748191
Csoporton belül 11463,76 64 179,1213
Összesen 11743,88 67
91
© Typotex Kiadó
Az eredmény számos információt tartalmaz az osztályzatokra vonatkozóan,

nekünk azonban most az a lényeges, amit a második táblázatrészben látunk.
A varianciaanalízis végeredménye ugyanis az, hogy a négy vizsgált csoport kö-
zött az F mutató segítségével kifejezett eltérés 0,5213 nagyságú. Az 5%-os szigni-
fikanciaszint értéke ennél nagyobb, vagyis 2,7482. Azt jelenti ez, hogy a variancia-
analízis szerint a négy csoport nem tér el egymástól ezen a szignifikanciaszinten.
Annak valószínűsége tehát, hogy a négy minta eltérő alapsokaságból származik,

kisebb 5%-nál. Nem is meglepő ez, hiszen a vizsgaeredmények olyan tanulókörre
vonatkoznak, ahol egész félévben egy előadó (és egyben gyakorlatvezető) tartotta
az órákat, a vizsga mindenkinek ugyanazon a napon zajlott három, egymással
összehangolt feladatsort tartalmazó csoportban. A táblázat oszlopai a tanulókör
névsora alapján lettek kialakítva, ezért semmi nem indokolja az így kialakult alcso-
portok közötti eltérést sem.
Hasonló jellegű vizsgálat végezhető kéttényezős varianciaanalízissel. Ebben az

esetben minden adatcsoportban egynél több minta található.
Feltételezésünk szerint ekkor két gyakorlatvezető volt a táblázat első kettő, illetve
második kettő oszlopa szerinti hallgatókkal. Az első és a harmadik oszlop hallgatói
egy időben, a második és a negyedik oszlop hallgatói szintén egy időben, de másik
alkalommal vizsgáztak. Arra vagyunk kíváncsiak ilyenkor, hogy voltak-e eltérések
a gyakorlatvezetők (első tényező) és a vizsgaidőpontok (második tényező) tekin-
tetében.
Az eredményt a 3.6 táblázat szemlélteti.
Nem meglepetés, hogy F és Fkrit összehasonlításából megint az adódott mind a méré-

sekre (vizsgákra), mind a gyakorlatvezetőkre, hogy nem volt eltérés a mintákban, hi-
szen tudvalevőleg ugyanarra a mintára szorítkoztunk mind a négy esetben (oszlop-
nál). Részletesebben lásd erről az egytényezős varianciaanalízis megjegyzéseit.
A korrelációszámítással az adatok közötti kapcsolatok mértékére következtet-

hetünk. Ekkor azt elemezzük, hogy az adatok valamely szempont szerinti ren-
dezésével a mérési eredmény és a rendezési szempont között van-e valamilyen
kapcsolat. Más megfogalmazásban ez azt jelenti, hogy azt vizsgáljuk, a szem-
pont és az eredmények változásai milyen mértékben „mozognak együtt”. A
korrelációs együttható értéke –1 és 1 közötti értéket vehet fel. Ha abszolút érté-
ke éppen 1 nagyságú, akkor tökéletes összefüggés van az adatok között. Ha vi-
szont 0 értéket vesz fel, akkor semmilyen összefüggés nincs a rendezési szem-
pont és a mérési eredmények között, a megfelelő koordinátarendszerben ábrá-
zolva „ködszerű”, rendezetlen ponthalmazt kapunk.
Vizsgáljuk meg azt korrelációszámítással, hogy van-e összefüggés a hallga-
tók sorba rendezési szempontja és az elért pontszámok között.
92
© Typotex Kiadó
3.6 táblázat A vizsgaeredmények elemzése kéttényezős varianciaanalízissel
Kéttényezős varianciaanalízis ismétlésekkel
ÖSSZESÍTÉS 1. gyak. vez. 2. gyak. vez. Összesen

1. mérés
Darabszám 17 17 34
Összeg 803 772 1575
Átlag 47,23529 45,41176 46,32353
Variancia 101,8162 141,0074 118,5891
2. mérés
Darabszám 17 17 34
Összeg 838 863 1701
Átlag 49,29412 50,76471 50,02941
Variancia 380,0956 93,56618 230,2112
Összesen
Darabszám 34 34
Összeg 1641 1635
Átlag 48,26471 48,08824
Variancia 234,746 121,1132
VARIANCIAANALÍZIS
Tényezők SS Df MS F p-érték Fkrit.
Minta 233,4706 1 233,4706 1,303422 0,257843 3,990924
Oszlopok 0,529412 1 0,529412 0,002956 0,956813 3,990924
Kölcsönhatás 46,11765 1 46,11765 0,257466 0,613611 3,990924
Belül 11463,76 64 179,1213
Nem irreális ennek a vizsgálata sem. Lehet például, hogy az osztályzatokat a hall-
gatók matematika-vizsgaeredményei szerinti sorrendben csoportosítottuk. Ekkor
arra keresnénk a választ, van-e összefüggés a matematika és a szakmai ismeretek
tantárgyak eredményessége között.
Az eredményt a 3.7 táblázat tartalmazza.
93
© Typotex Kiadó
3.7 táblázat A vizsgaeredmények elemzése korrelációszámítással
Oszlop 1 Oszlop 2
Oszlop 1 1
Oszlop 2 0,065678 1
A csoportosítási szempont és az osztályzatok között tehát elhanyagolható

kapcsolat van, hiszen a 0,0657 értékű korrelációs együttható közel van a teljes
függetlenséget kifejező zérus értékhez.
Ez sem meglepő, hiszen a sorba rendezés szempontja a névsorban elfoglalt hely

volt, ez pedig tudvalevőleg független a tanuló képességeitől, szorgalmától. Az
eredmény más szempontból azonban érdekes: nem mutatta ki a vizsgajegy teljes
függetlenségét a hallgató nevétől! Azt mutatja ez, hogy a mérésekben előforduló
véletlen események, véletlen jellegű folyamatok szerencsétlen esetben adhatnak
rossz információt valamely jelenségről. Ezt kivédeni csak úgy lehet, ha az eredmé-
nyeket mindig megpróbáljuk értelmezni, és ha kétségeink vannak, az elemszám nö-
velésével javíthatjuk következtetésünk biztonságát. Ugyanakkor a példa érzékelteti
a pedagógiai mérések különleges helyzetét is. Ebben a példában ugyanis nem nö-
velhetjük egyszerűen az elemszámot, hiszen több hallgató nincs a csoportban, és
újabb vizsgákat sem lehet szervezni az adatok növelése érdekében. Természetesen
más lehetséges megoldások léteznek. Ilyen például a kontrollcsoportok vizsgálata,
ami végeredményben szintén elemnövelő hatású.
A korrelációszámításnak létezik olyan változata, amely egyidejűleg több

ilyen adathalmazt képes kezelni. Tételezzük fel például újra, hogy a 4 oszlop
négy különböző gyakorlatvezető csoportjainak hallgatóit képviseli. A korrelá-
ciószámítás segítségével megvizsgálható, hogy van-e különbség a gyakorlatve-
zetők munkájának eredményessége között.
Itt persze most még kevésbé várhatunk összefüggést, hiszen a csoportokon belül to-
vábbra is névsor szerint helyezkednek el a hallgatók. Egy tényleges vizsgálatnál
azonban a csoporton belüli rendezés történhetne például az elért eredmények csök-
kenő sorrendjében, így mindjárt több értelme lenne az összehasonlításnak.
A korrelációs együtthatók mátrixát a 3.8 táblázat tartalmazza:
94
© Typotex Kiadó
3.8 táblázat A vizsgaeredmények elemzése többszörös korrelációs együtthatókkal
Oszlop 1 Oszlop 2 Oszlop 3 Oszlop 4

Oszlop 1 1
Oszlop 2 0,117177 1
Oszlop 3 –0,07023 0,203 1
Oszlop 4 0,005725 –0,26209 –0,2124 1
Mint az várható volt, a korrelációs együtthatók értékei nem fejeznek ki jelen-

tős összefüggéseket az egyes csoportok között. A legnagyobb érték a 2. és a 4.
gyakorlatvezető között található –0,2621, ami arra utal, hogy némi ellentétes ér-
tékelési szempontok lehetnek kettejük között.
A valóságban ez is nehezen lenne elképzelhető esetünkben. Azt jelentené ugyanis,

hogy amíg az egyik gyakorlatvezető kivételez a névsor elején levőkkel, addig a má-
sik ugyanezt a névsor végén állókkal teszi. Még nehezebb elképzelni ezt akkor, ha
ráadásul nem is ők javítják a dolgozatokat és nem ők alakítják ki az osztályzatokat.
Ekkor azt kellene feltételeznünk, hogy egyikük tanítási módszerei jobban hatnak
Asztalos Imrére, mint Végh Istvánra, a másikuké pedig fordított jellegű. E példa is
mutatja, hogy következtetéseinket csak körültekintően fogalmazhatjuk meg (ezt
elősegítik más statisztikai eljárások, többek között a már említett szignifikancia-
vizsgálatok is).
A minta elemzésének eredményeit összefoglaló táblázatot leíró statisztikának

nevezik a statisztikai programcsomagok. Ez a 3.9 táblázat szerinti csoportosítás-
ban adja meg az adatok sűrűségfüggvényének jellemzőit (96. o.).
A táblázat ismerteti a minta átlagát (az egyébként pontatlan várható érték né-
ven – 48,17), mediánját és móduszát (ez most mindkét esetben 46), szórását
(13,24) és annak négyzetét, a varianciát (175,28). Tartalmazza ezek mellett az
adatok terjedelmét (tartomány néven – 73), amely a legnagyobb (100) és a legki-
sebb érték (27) különbsége, összegüket (3276) és darabszámukat (68). A sűrű-
ségfüggvénynek az elméleti (szimmetrikus) normális eloszlás sűrűségfüggvé-
nyétől való eltéréseire a csúcsosság és a ferdeség értékeiből következtethetünk.
95
© Typotex Kiadó
3.9 táblázat A vizsgaeredmények leíró statisztikája
Oszlop 1
Várható érték 48,17647

Standard hiba 1,605514
Medián 46
Módusz 46
Szórás 13,2394
Minta 175,2818
varianciája
Csúcsosság 2,900803
Ferdeség 1,318319
Tartomány 73
Minimum 27
Maximum 100
Összeg 3276
Darabszám 68
Legnagyobb (1) 100
Legkisebb (1) 27
A mérési adatok további elemzési lehetőségei közé tartozik a kétmintás F-próba.

Ez két olyan minta szórásnégyzeteit hasonlítja össze, amelyek átlagai ismertek
és egymással egyenlők, illetve egyenlőknek tekinthetők. Az első lépésben tehát
meg kell vizsgálni, hogy az átlagok eltérése nem lép-e túl egy olyan határt,
amely már nem fogható fel a véletlen hatásaként. Kiválóan alkalmas erre a célra
például a már ismert varianciaanalízis módszere.
Ha az eredményként kapott F értéket összehasonlítjuk az adott szignifikan-
ciaszinthez tartozó Fkrit értékkel, akkor becsléseket tehetünk a két variancia elté-
réseire vonatkozóan.
Ilyen módon például elvégezhetjük két, azonos átlagos eredményt elért tanuló-
csoport osztályzatainak varianciaösszehasonlítását. Ha ezek eltérnek egymástól,
akkor a két csoport valamilyen pedagógiai tényező szempontjából különbözik.
Példaképpen újra tételezzük fel, hogy az osztályzatok két, eltérő gyakorlatve-
zetővel rendelkező csoport tagjainak eredményét írják le a 3.6 táblázatnál leírtak
szerint. Az F-próba eredményeit a 3.10 táblázat foglalja össze.
96
© Typotex Kiadó
3.10 táblázat A vizsgaeredmények elemzése kétmintás F-próbával
Változó 1 Változó 2
Várható érték 48,26471 48,08824
Variancia 234,746 121,1132
Megfigyelések 34 34
Df 33 33
F 1,938236
P(F<=f) egyszélű 0,030756
F kritikus egyszélű 1,787822
Az F-próba eredménye szerint a két csoport varianciájának eltérése túl nagy.

F értéke (1,9382) nagyobb az 5%-os szignifikanciaszinthez tartozó Fkrit értéknél
(1,7878), tehát nem fogadhatjuk el, hogy a két minta azonos jellegű alapsokaság-
ból származik.
Ez jelentősen ellentmond az eddigi módszerekkel kapott eredményeinknek. Egy

megfelelő statisztikai apparátussal sok esetben tényleg minden bebizonyítható az
ellenkezőjével együtt. Innen erednek bizonyos, már említett idegenkedések is a sta-
tisztikával szemben. Az eredmények értékelésénél ezért körültekintően kell eljárni.
Esetünkben például egyáltalán nem biztos, hogy az átlagban mutatkozó 0,18
nagyságú eltérés megengedhető az F-próba elvégzéséhez. Ennél is nagyobb hatású
azonban az a jelenség, hogy a kiugróan kiváló, 100 pontos eredmény és a leg-
rosszabb, 27 pontos dolgozat ugyanabban a csoportban van. Ezeket kiemelve a cso-
port eredményéből, a varianciák (142,8 és 121,1) különbsége jelentősen lecsökken,
így F értéke 1,2222-re változik. Ez az új Fkrit határnál (1,7994) kisebb, tehát már
azonosnak tekinthető a két minta szórása. A helyzet persze így sem sokkal meg-
nyugtatóbb a kétkedők számára, de legalább beláttuk, hogy egy-egy kiugró adat
mennyire befolyásolhatja a következtetéseket.
A minták adatait összehasonlíthatjuk t-próba útján is. Eszközeivel azt vizsgál-

hatjuk, hogy a két minta sokaságának várható értéke egyenlő-e. Három alvál-
tozata különböző feltételekből indul ki:
a varianciák egyenlők,
a varianciák különbözők, illetve
a két minta az ugyanazokon az egyedeken végzett kísérlet előtti és utáni
vizsgálatokat tartalmazza.
Mindhárom esetben egy t-statisztika értékét, a t-t számítják ki és jelenítik

meg t-statisztika néven az eredménytáblákban. Ha ez kisebb a Student-féle t-el-
97
© Typotex Kiadó
oszlás táblázatában szereplő tkrit értéknél, akkor a minták várható értékei egyen-
lőknek tekinthetők.
Vizsgáljuk meg t-próbával a két gyakorlatvezető csoportjainak egyenlő átla-
gos teljesítményére vonatkozó hipotézis helyességét (3.11 táblázat).
3.11 táblázat A vizsgaeredmények elemzése t-próbával
Kétmintás párosított t-próba a várható értékre
Várható érték 48,264706 48,0882353
Variancia 234,74599 121,113191
Pearson-féle korreláció –0,1494883
Feltételezett átlagos eltérés 0,18
Df 33
t-érték –0,001021
P(T<=t) egyszélű 0,4995957
t kritikus egyszélű 1,6923603
P(T<=t) kétszélű 0,9991915
t kritikus kétszélű 2,0345153
Az elemzés eredményéből látható, hogy t értéke (–0,001) jóval kisebb mind-

két kritikus értéknél (1,69 és 2,03), így nagy biztonsággal állítható, hogy a két
csoportátlag (48,26 és 48,09) azonosnak tekinthető. A két gyakorlatvezető tehát
egyenértékű munkát végzett.
A z-próba segítségével két ismert (eltérő) varianciájú minta hasonlítható össze.

Alkalmazásával ellenőrizhető, hogy az átlagok egyenlőnek tekinthetők-e. A
z-próba erősebb az eddig bemutatottaknál, ezért eredménye megbízhatóbb
azokénál.
A két gyakorlatvezető csoportjai eredményeinek elemzését a 3.12 táblázat fog-
lalja össze.
98
© Typotex Kiadó
3.12 táblázat A vizsgaeredmények elemzése z-próbával
Kétmintás z-próba a várható értékre
Várható érték 48,26471 48,08824
Ismert variancia 235 121
Feltételezett átlagos eltérés 0,2
Z –0,00727
P(Z<=z) egyszélű 0,497099
z kritikus egyszélű 1,644854
P(Z<=z) kétszélű 0,994198
z kritikus kétszélű 1,959964
Eredményeink megerősítik korábbi következtetéseinket: a két csoport közöt-

ti különbségek elhanyagolhatók.
A statisztika számos további elemzési lehetőséget nyújt különböző kiinduló fel-

tételekhez, elemzési célokhoz igazodva. A fenti eljárások közös tulajdonsága,
hogy könnyen hozzáférhetők a számítógépek MS OFFICE programcsomagjai-
ban. Segítségükkel nemcsak a hétköznapi pedagógiai elemzésekre, de elmélyül-
tebb kutatásokra is lehetőség nyílik.
3.2.1.7 Regresszió- és trendszámítás
Az összefüggésvizsgálatok módszerével lényegében kvantitatív állításokat fo-

galmazhatunk meg az általunk modellezett folyamatokról, jelenségekről és ob-
jektumokról. Alapvetően azt dönthetjük el velük, hogy két minta valamilyen
szempontból azonos jellegű alapsokaságból származik-e. Sokszor azonban en-
nek az összefüggésnek a számszerűsítésére is kíváncsiak lehetünk, és mennyi-
ségi összefüggéseket kereshetünk az egyes változók között.
Erre szolgálnak a regressziószámítás módszerei.
Az eddigi valós adatokat egészítsük ki a hallgatók feltételezett (tehát csak a fel-

adat kedvéért kitalált) matematika-vizsgajegyeivel a 3.13 táblázat szerint (100. o.).
Vizsgáljuk meg, hogy hasonló jellegű követelményeket támasztanak-e a ma-
tematika és szakmai tantárgyak! Határozzuk meg azt is, hogy ez az összefüggés
hogyan számszerűsíthető!
99
© Typotex Kiadó
3.13 táblázat A tanulókör szakmai vizsgapontszámai és matematikaosztályzatai

Matematikai Szakmai Matematikai Szakmai Matematikai Szakmai Matematikai Szakmai
5 55 5 36 4 39 3 74
4 47 5 100 5 47 3 46
3 37 5 38 3 33 2 57
5 39 4 39 5 47 2 40
4 51 5 30 2 28 2 44
3 42 3 65 4 45 2 46
4 67 4 43 3 43 2 45
3 30 2 46 2 43 2 41
2 55 5 52 2 53 2 49
5 52 1 42 2 30 3 56
3 41 4 42 3 77 2 45
2 48 3 41 2 36 3 54
2 56 2 82 3 46 2 56
3 61 3 55 4 62 4 44
4 39 2 68 4 50 4 46
4 33 4 27 3 52 3 71
3 50 4 32 3 41 4 49
Az eredményeket a 3.14 táblázat foglalja össze.
3.14 táblázat A matematika és a szakmai tantárgyak közötti összefüggés

elemzése lineáris regresszió segítségével
ÖSSZESÍTŐ TÁBLA
Regressziós statisztika
R értéke 0,028944
r-négyzet 0,000838
Korrigált r-négyzet –0,0143
Megfigyelések 68
VARIANCIAANALÍZIS
df SS MS F F szignifikanciája
Regresszió 1 0,065086 0,065086 0,055338 0,814751
Maradék 66 77,62609 1,176153
Összesen 67 77,69118
Koefficiensek Standard hiba t érték p-érték

Tengelymetszet 49,32 0,499742 6,671446 6,19E–09
Matematika –0,3559 0,010008 –0,23524 0,814751
100
© Typotex Kiadó
A táblázat felső része tartalmazza a számunkra fontos mérések számát (68

hallgató), illetve a korrelációs együttható értékét. Ez esetünkben persze ala-
csony, hiszen a fiktív matematikaosztályzatok véletlenszerűen kerültek a táblá-
zatba. Példánk szerint tehát nincs jelentős összefüggés a két tantárgy követel-
ményei között.
A következő rész a varianciaanalízis már ismert jellegű eredményeit mutatja
be. Számunkra fontosabbak azonban a harmadik rész adatai. Ezek közül köz-
vetlenül fel tudjuk használni a regressziós egyenes kiszámított paramétereit, a
tengelymetszet (b = 49,32) és a meredekség (m = –0,3559) értékeit. A két tan-
tárgy közötti számszerű kapcsolatot tehát az
Y = –0,3559 X + 49,32
egyenlet írná le, melyben X a matematika-vizsgajegyet, Y pedig a szakmai dol-

gozat pontszámát jelentené (ha a regressziós együttható szignifikánsan magas
lenne, és lineáris kapcsolatot tételeznénk fel).
A lineáris összefüggés alapján tehát az, aki matematikából elégséges ered-
ményt ért el, 47,9 pontot ért el átlagosan, aki pedig jelest, az 47,5-et. (Példánk-
ban az összefüggés nem erős, de az eredmény érzékelteti, hogy a lineáris össze-
függés feltételezése általában nagyon durva közelítés. Általános használatát az
indokolja, hogy a manuális számítások korában még ezek számításigényessége
is nagy volt, bonyolultabb függvények illesztése pedig nagyságrendekkel több
munkát igényelt.)
A regressziószámítás fenti módszerének további hiányossága, hogy nem
szemléletes. A széles körben elterjedt statisztikai programok ezért további lehe-
tőséget nyújtanak a függvények ábrázolására szolgáló egységeikben. Ezt a 3.20
ábra mutatja be (102. o.).
Az ábrán jól látható, hogy a szakmai pontszámok minden matematikai vizs-
gajegynél nagyon szórnak (a pontok függőleges tartománya meglehetősen szé-
les). Ebből, valamint a regressziós egyenes közel vízszintes jellegéből követke-
zik a korrelációs együttható négyzetének alacsony értéke (0,0008).
A számítástechnika képes arra, hogy korábban szinte elképzelhetetlen függvé-

nyeket illesszünk a meglévő ponthalmazra. A rendelkezésre álló lehetőségek
közül gyakorlati tapasztalatok szerint a polinomiális regresszió ad legtöbbször
pontos illeszkedést, amint azt esetünkben a 3.21 ábra is érzékelteti (102. o.) (ter-
mészetesen a közelítés nem sokkal jobb, hiszen a két tantárgy között lényegé-
ben továbbra sincs – nem is lehet – összefüggés, ennek léte nem függhet az al-
kalmazott módszertől).
Bizonyos összetettebb programcsomagok az eddigiekben bemutatott, a line-
áris és a lineárisra visszavezethető regressziók számításán túlmenően nemline-
áris regresszió meghatározására is képesek. Ezek numerikus számítások segít-
ségével lényegében tetszőleges görbét képesek a pontokhoz illeszteni.
101
© Typotex Kiadó
3.20 ábra A matematikaosztályzatok és a szakmai vizsgapontszámok közötti

lineáris összefüggés grafikus ábrázolása
3.21 ábra A matematikaosztályzatok és a szakmai vizsgapontszámok közötti

negyedfokú polinomiális összefüggés grafikus ábrázolása
102
© Typotex Kiadó
A regressziószámítás leglátványosabb alkalmazása a többszörös (többváltozós)

függvényillesztés. Ez azt jelenti, hogy segítségével egy adott folyamatjellemző
változásait több tényező függvényében írjuk le. Vizsgapontszámainkat a mate-
matika tantárgy osztályzatai mellett további lehetséges befolyásoló hatások fi-
gyelembe vételével írhatjuk így le, ezáltal várhatóan növelve becsléseink pon-
tosságát. A számítástechnika fejlődésével korábban nem látott lehetőségek nyíl-
tak, hiszen e számításokban többek között mátrixinvertálások is szerepelnek. Ez
géppel rövid idő alatt elvégezhető, manuálisan azonban csak legfeljebb 4–5 vál-
tozó figyelembe vételével lehet sok számítással megoldani.
Példánkban egészítsük ki adathalmazunkat a hallgatók felvételi pontszámának

és érettségi átlagosztályzatának fiktív értékeivel a 3.15 táblázatnak megfelelően.
3.15 táblázat A tanulókör hallgatóinak érettségi, felvételi, matematikai

és szakmai eredményei
Éretts. Felv. Mat. Szakm. Éretts. Felv. Mat. Szakm.
3,5 87 5 55 4,7 82 5 36
4,1 79 4 47 4,4 110 5 100
3,9 89 3 37 4,6 98 5 38
4,8 93 5 39 3,4 76 4 39
2,7 101 4 51 3,7 88 5 30
4,2 98 3 42 3,8 83 3 65
4,3 110 4 67 3,8 115 4 43
3,6 99 3 30 3,7 98 2 46
4,9 76 2 55 4,5 78 5 52
4,8 84 5 52 4,8 77 1 42
4,9 86 3 41 4,5 78 4 42
3,5 77 2 48 4,3 85 3 41
4,2 79 2 56 4,2 86 2 82
4,2 98 3 61 3,9 87 3 55
5 97 4 39 3,9 95 2 68
5 79 4 33 3,2 95 4 27
3,4 88 3 50 3,3 92 4 32
3,7 113 4 39 4,2 106 3 74
3,8 87 5 47 4,5 118 3 46
4,9 88 3 33 4,6 97 2 57
2,9 76 5 47 2,8 98 2 40
4,2 75 2 28 2,9 93 2 44
4,1 74 4 45 3,3 89 2 46
3,8 88 3 43 3,3 92 2 45
3,6 80 2 43 3,7 88 2 41
3,2 97 2 53 4,1 76 2 49
3,7 103 2 30 4,1 76 3 56
3,6 79 3 77 4,2 78 2 45
3,6 77 2 36 3,8 78 3 54
3,7 87 3 46 3,6 86 2 56
4,1 84 4 62 3,9 86 4 44
4,1 89 4 50 4,9 87 4 46
4,8 93 3 52 2,6 99 3 71
4,5 96 3 41 4,9 76 4 49
103
© Typotex Kiadó
Többszörös lineáris regresszió segítségével a 3.16 táblázatban összefoglalható

eredményeket kapunk.
3.16 táblázat Többszörös lineáris regresszió a tanulókör hallgatóinak érettségi,

felvételi, matematikai és szakmai eredményei közötti összefüggés feltárására
ÖSSZESÍTŐ TÁBLA
Regressziós statisztika
r értéke 0,1412
r-négyzet 0,0199
2
Korr. r -0,0260
Megfigyelések 68,0000
VARIANCIAANALÍZIS
Df SS MS F F-szignifikancia
Regresszió 3,0000 234,2775 78,0925 0,4342 0,7292
Maradék 64,0000 11509,6048 179,846
Összesen 67,0000 11743,8824
Koefficiensek Standard hiba t-érték p-érték

Tengelymetszet 32,5850 18,6948 1,7430 0,0861
Éretts. 0,4767 2,7779 0,1716 0,8643
Felv. 0,1739 0,1557 1,1171 0,2681
Mat. -0,5555 1,5558 -0,3571 0,7222
A táblázat szerkezete a két változó közötti regressziószámításnál alkalma-

zottnak megfelelő. A felső részben látható az adatok száma (68) és a tényezők
közötti összefüggés erőssége (0,14). A második részben a varianciaanalízis
eredményeit találjuk, végül a harmadik részből kiolvashatjuk a regressziós
egyenes adatait:
(1)
SZAKMAI = 32,5850 + 0,4767*ÉRETTSÉGI + 0,1739*FELVÉTELI –

– 0,5555*MATEMATIKA
104
© Typotex Kiadó
A regressziós egyenlet és a korrelációs együttható mellett lehetőség van az

egyes tényezők közötti részösszefüggések erősségének meghatározására is a
már ismert korrelációszámítási modul segítségével (3.17 táblázat).
3.17 táblázat Korrelációs együtthatók az egyes hallgatói teljesítmények között
Érettségi Felvételi Matematika Szakmai ismeretek

Érettségi 1,0000
Felvételi –0,1236 1,0000
Matematika 0,1770 0,0883 1,0000
Szakmai ismeretek –0,0035 0,1335 –0,0289 1,0000
A regressziószámítás fenti módszerei alkalmasak arra, hogy az adatok értel-

mezési tartományain belül hiányzó értékekhez is meghatározzuk a legnagyobb
valószínűséggel hozzájuk rendelhető függvényértékeket.
Megbecsülhetjük így például azt, hogy ha új hallgató érkezik a tanulókörbe, érett-

ségi eredménye, felvételi pontszáma és matematikaosztályzata alapján milyen
eredményt várhatunk tőle szakmai ismeretekből. Ennek természetesen feltétele a
regressziós együttható magas volta, és mindig tudatában kell lennünk az adott
számítás egyedi, véletlenszerű jellegének.
A többváltozós regressziószámítás alapgondolata megegyezik az egyváltozós szá-

mításéval. Az elterjedt, könnyen hozzáférhető módszerek a legkisebb négyzetek el-
vére épülnek. Az összetettebb eljárások azonban eközben figyelik („cenzúrázzák”)
a számítások közben felhasznált (korrelációs, kovariancia-, illetve együttható-)
mátrixok alakulását mátrixelméleti szempontokból is. Más módszerek kifejezetten
a rang- vagy az intervallumskálán működnek, míg vannak olyanok is, amelyek
diszkrét függvényeket kezelnek. Így a korábbinál jobb közelítések is adódhatnak
eredményképpen az alkalmazás különböző céljaihoz illeszkedve.
A kovarianciamátrix elemzésével „cenzúrázott” regressziószámítás eredmé-
nyeképpen a következő összefüggést kapjuk:
(2)
SZAKMAI = 0,0423*ÉRETTSÉGI + 0,0556*FELVÉTELI –

Ugyanezt az eredményt kapjuk a korrelációs mátrix követése során is.

A cenzúrázott legkisebb négyzetek elve alapján kapott eredmény:
105
© Typotex Kiadó
(3)

A logisztikus regresszió eredménye (ez egyébként arra az esetre lett kidolgozva,

amikor a függő változó kétértékű – vagyis például csak azt kell eldönteni, hogy a
regresszió alapján elfogadunk-e egy döntést, vagy sem):
(4)
SZAKMAI = –0,0561*ÉRETTSÉGI + 0,0022*FELVÉTELI –

A kovariancia- és a korrelációmátrix felhasználásával végzett PROBIT-reg-

ressziók egyforma eredményt nyújtanak (ezek is kétértékű függő változóra lettek
kidolgozva):
(5)
SZAKMAI = 0,0537*ÉRETTSÉGI + 0,0052*FELVÉTELI –

Az alternatív paraméteres PROBIT-regresszió (amely egy speciális esete az elő-

zőnek) szintén mindkét mátrix esetén egyforma eredményt nyújt:
(6)

Az EXCEL által szolgáltatott „0 tengelymetszetes” regresszió eredménye pedig:
(7)
SZAKMAI = –3,611*ÉRETTSÉGI + 0,3897*FELVÉTELI –

A különböző egyenletekből látható, hogy a közelítés pontossága érdekében kü-

lönböző eljárásokat alkalmazó számítások egymástól eltérő összefüggéseket állapí-
tanak meg még az együtthatók előjele tekintetében is. Arra, hogy melyik adatbázis-
nál melyik eljárás adja a legjobb közelítést, a programok által szolgáltatott reg-
ressziós együtthatók és más statisztikai jellemzők (összefüggésvizsgálati eredmé-
nyek, a kezelt adattípusok figyelembe vétele) adnak információt.
106
© Typotex Kiadó
Esetünkben némelyik eljárás irreális eredményeket ad. Ez azzal magyarázható,

hogy adataink között nincs korreláció, az adatbázis pedig folytonos skálán elhe-
lyezkedő számokból áll – ezért a meghatározott egyenletek is korlátozott megbízha-
tóságúak.
Bizonyos határok között az ismert értelmezési tartományon kívül is lehet

becsléseket tenni a függő változó értékeire, de ezek értelmezése során tekintet-
tel kell lenni arra, hogy itt a becslés a matematikán kívül eső okokból erősen vé-
letlenszerű.
Gondoljunk itt arra, hogy a 19. századi Londonban komoly becsléseket tettek a
technikai fejlődésre vonatkozóan. Kiszámították, hogy ha az aktuális fejlődési nö-
vekedés nem csökken, néhány évtized múlva térdig járnak a város lakói a lótrágyá-
ban, mert a közlekedés egyre több lovat fog igényelni.
Abban az esetben, ha a független változó az idő, illetve több változó esetén

szerepel köztük az idő is, a regressziószámítást trendszámításnak (trendvonal-
analízisnek) nevezik. Ennek az az előzménye, hogy a regressziószámítást elő-
ször a közgazdaságtanban, illetve a kereskedelemben használták fel bizonyos
időbeli folyamatok elemzésére. A műveletet a divatok változására, az értékesí-
tés növekedésének leírására használt kifejezés alapján nevezték el. Trendszámí-
tást az oktatási folyamatok elemzésénél is lehet alkalmazni (például a munka-
erőpiaci változások előrejelzésére), de annak tudatában, hogy minden prognó-
zis a változók ismert értelmezési tartományán kívülre vonatkozik, ezért meg-
bízhatóságuk korlátozott.
3.2.1.8 Összefüggésvizsgálat khi-négyzet próbával
A khi-négyzet próba eredetileg egy viszonylag durva becslésként alakult ki a

statisztika tudományán belül, mára azonban az egyik legösszetettebb és leg-
többször alkalmazott elemi statisztikai módszerré fejlődött. Jelentőségét tovább
fokozta, hogy napjaink statisztikai modellező eljárásainak is szerves részét ké-
pezik a khi-négyzet próbával elvégzett összefüggésvizsgálatok.
Alapváltozatában két változó közötti összefüggést elemez. Ehhez azonban
nem egyszerűen mérési eredményeket vizsgál, mint a regresszió- és korreláció-
számítás, hanem csak az egyes változók szerinti osztályközökbe eső adatok
mennyiségét. Ilyen módon visszatérünk a hisztogramok világába, vagyis pon-
tosságot veszítünk a többi fejlett kvantitatív módszerhez képest.
Cserében viszont nagy lehetőséget nyerünk. Az osztályközös jelleg lehetővé
teszi ugyanis, hogy ne csak számszerű adatok vizsgálatára terjedjenek ki elemzé-
seink, hanem azok szinte tetszőleges kategorizálás szerinti (akár nominális ská-
lán elhelyezkedő) jellemzők is lehetnek. Lényegesen általánosabban alkalmazha-
tó eljárást kapunk ezáltal, mint amit az elvileg egzaktabb módszerek nyújtanak.
107
© Typotex Kiadó
A khi-négyzet próba mindig két tényező összefüggését vizsgálja, ami persze

nem akadályozza meg azt sem, hogy egymás után többször elvégezve több vál-
tozó elemzését is megtegyük. Mindehhez egy kontingenciatáblázat nevű esz-
közt használ fel, melybe az egyes változók osztályközeinek megfelelő gyakori-
ságokat írják be.
A módszer alapelve az, hogy amennyiben a két tényező egymástól teljesen
független, a gyakorisági táblázat nem tartalmaz „tendenciózus” adatokat, és
csak mindkét változó szempontjából véletlenszerű előfordulási számot enged
meg. Ez a gyakoriság arányos az adott osztályköz szélességével mindkét válto-
zóra vonatkoztatva.
Ha azonban mégis van valamilyen összefüggés a tényezők között, ez a vélet-
lenszerűség felborul, és az egyik változó egyik osztályközéhez a másik változó
valamelyik osztályközének nagyobb gyakorisága párosul. A próba alapvető
célja az, hogy megítélje, milyen mértékű az eltérés a véletlenszerű előfordulás-
hoz képest.
Vizsgáljuk meg például, hogy a szakmai ismeretek tantárgyban elért eredmé-
nyek függenek-e a hallgatók nemétől! Ennek eldöntésére kiegészítjük az ered-
mények táblázatát a hallgató nemével (a számítás fiktív adatokra épül, mivel a
nemeket véletlenszerűen töltjük ki) a 3.18 táblázat szerint.
3.18 táblázat A tanulókör hallgatóinak szakmai tanulmányi eredményei

a nemük függvényében
Hallgató Szakm. Hallgató Szakm. Hallgató Szakm. Hallgató Szakm.

F 55 F 36 N 39 F 74
F 47 N 100 F 47 F 46
N 37 F 38 F 33 N 57
N 39 F 39 N 47 N 40
F 51 F 30 N 28 F 44
F 42 F 65 F 45 F 46
F 67 N 43 F 43 F 45
N 30 F 46 F 43 F 41
F 55 F 52 F 53 N 49
F 52 F 42 N 30 N 56
N 41 F 42 F 77 F 45
N 48 F 41 N 36 F 54
F 56 N 82 N 46 F 56
F 61 N 55 F 62 N 44
F 39 F 68 F 50 F 46
F 33 F 27 F 52 F 71
N 50 F 32 N 41 N 49
108
© Typotex Kiadó
A táblázat adatait a továbbiak érdekében, de már a logikus szemléletesség

igénye miatt is olyan kontingenciatáblázatban (3.19 táblázat) foglaljuk össze,
amelyben az egyik változó a hallgató neme, a másik változó az elért eredmény.
Az első esetben az osztályköz értelemszerűen a „Férfi” és a „Nő” kategóriáknak
felel meg, a második esetben önkényesen felvesszük a „0–50”, az „50–60” és a
„60–100” kategóriákat (mint látható, a kategóriáknak nem szükséges egyforma
széleseknek lenniük – ez is az általános alkalmazhatóságot segíti elő).
3.19 táblázat A tanulókör vizsgaeredményeinek kontingenciatáblázata
F N Össz.
0–50 26 19 45
50–60 10 3 13
60–100 9 1 10
Össz. 45 23 68
Megjegyzendő, hogy tapasztalatok szerint a következtetések megbízhatósága csak

akkor elégséges, ha minden cellába legalább 30 (más irodalmi források szerint
5–15) adat kerül a nagyminta minimális elemszámának megfelelően. Példánkban
ez nem valósul meg (számítástechnikailag egyébként nincs ilyen feltétel, ezért pél-
dánkban nem okoz gondot ez a hiányosság). Itt is felmerül viszont az a pedagógiai
sajátosság, hogy osztály-, sőt iskolaszintű elemzéseknél sem mindig tud teljesülni
ez a feltétel.
Ha a nemek és a tanulmányi eredmények között nem lenne összefüggés, az

egyes kategóriákba eső elemszámok véletlenszerűek lennének. Ezt úgy lehet
meghatározni, hogy mind vízszintesen (soronként), mind függőlegesen (oszlo-
ponként) elvégezzük az arányos értékek meghatározását a véletlenszerűséget
figyelembe véve.
Ezt az első sor első eleménél a 45*45/68 képlettel számolhatjuk ki, értéke 29,78.
Azt jelenti ez, hogy ha teljesen független lenne a két tényező egymástól, akkor
ennyi (férfi) hallgató kerülne az adott (0–50 pontos) kategóriába. Hasonlóan kiszá-
molva a következő (elméleti) kontingenciatáblázatot kapnánk (3.20 táblázat):
3.20 táblázat A tényezők függetlenségéből adódó elméleti kontingenciatáblázat
F N
0–50 29,78 15,22
50–60 8,6 4,4
60–100 6,62 3,38
109
© Typotex Kiadó
A próba feladata az, hogy megvizsgálja, a 3.19 táblázatban szereplő tényleges,

és a 3.20 táblázatban szereplő elméleti adatok közötti eltérés magyarázható-e
pusztán a véletlen szerepével, vagy pedig befolyásolja-e azt a tényezők közötti
összefüggés. Más szóval ez azt jelenti, hogy meg kell határozni, az eltérés még
elég elfogadhatóan kicsi-e, vagy pedig már túl van egy határon.
Ehhez meghatározzák az azonos helyen álló elemek közötti eltéréseket, majd
azokat az előjel eltüntetése érdekében négyzetre emelik. Az így kapott hibamu-
tatót az elméleti értékhez viszonyítják (ennek az az oka, hogy 1000 adat helyett
990-et találni az adott cellában kisebb hibát jelent, mint 20 helyett 10-et), végül
ezeket az értékeket összegzik. Így kapják meg az adatokhoz tartozó khi-négyzet
mutatóját. Ennek nagysága függ a táblázat méreteitől, de az eltérések nagyságá-
tól is.
c2 = SS[(fi,j – vi,j)2/vi,j]
Esetünkben a khi-négyzet értéke 4,62.
Ha ez az érték nem túl nagy, akkor nincs összefüggés a két tényező között.
A kérdés azonban az, hogy milyen szám minősül kicsinek és milyen szám minő-
sül nagynak. Ennek megítélésére szolgál a khi-négyzet-táblázat, amely a feladat
szabadságfokának függvényében tartalmazza a különböző szignifikanciaszin-
tekhez tartozó határértékeket. A feladat szabadságfoka mindig egyenlő a sorok
és az oszlopok eggyel csökkentett számának a szorzatával – esetünkben (3–1)*
*(2–1) = 2. A szokásos 5%-os szignifikanciaszinthez 5,991 érték tartozik, ezért
kijelenthetjük, hogy az eltérés nem túl nagy, magyarázható pusztán a mérési
adatok véletlenszerűségével.
Egyébként ezt is vártuk. A feladatban az egyes pontszámokhoz véletlenszerűen

rendeltünk nemeket, ezért természetes is, hogy nem mutathattunk ki összefüggést
a véletlenszerű nem-pontszám párosítások között.
Érdekes viszont, hogy a két táblázat „ránézésre” elég jelentős eltéréseket mutat.
Olyan érzésünk támadhatna az adatok alapján, hogy a nők összességében rosszabb
eredményt értek el a férfiaknál. A számítás mégsem adott olyan eredményt, ami
megengedhetné ezt a következtetést. Ezért mondjuk azt, hogy a khi-négyzet-szá-
mítás úgynevezett gyenge statisztikai próba. Ha tehát kimondja két tényező kap-
csolatát, akkor biztosak lehetünk e kapcsolat létezésében (de ellenkező esetben sem
zárhatjuk ki teljesen).
A khi-négyzet próbával nemcsak ilyen jellegű feladatokat lehet megoldani.

Segítségével megvizsgálható például, hogy egy pontsorozat közelíthető-e egy
adott függvénnyel. Ezáltal e próba lehetőséget ad arra, hogy kiküszöböljünk
vele más eljárásokat, így helyettesíthetjük vele például a korrelációszámítást, de
még a regressziószámítást is bizonyos esetekben. Ez az oka annak, hogy a
khi-négyzet próba jóval nagyobb szerepet kap az összetettebb statisztikai mo-
dellekben a többi elemi statisztikai módszernél.
110
© Typotex Kiadó
Egy (fiktív) vidéki középiskola vezetősége például azt szeretné felmérni, hogy mi-
lyen vonzáskörzetben ismerik és preferálják a szülők és gyermekeik az iskolájukat.
Ennek érdekében összegyűjtötték az egyes tanulók lakóhelye és az iskola közötti tá-
volságokat (figyelem: az intervallumoknak nem kell egyenlőknek lenniük!). Az
adatokat a 3.21 táblázat tartalmazza.
3.21 táblázat Az iskola és a tanulók lakóhelye közötti távolságok nagysága
Táv (km) Tanuló (fő)

0–2 64
2–5 128
5–10 102
10–20 60
20–50 10
A vezetők feltételezése szerint a vonzáskörzet szimmetrikus az iskola körül, és a tá-

volság függvényében különböző jellegű összefüggésekkel írható le (ennek elsődle-
ges oka esetünkben az, hogy példánkkal érzékeltessük, bármilyen függvény illesz-
tése ellenőrizhető khi-négyzet próbával).
Az első változat feltételezése szerint a függvény a normális eloszlást követi. En-
nek értelmében a tanulói lakhelyek átlagos távolsága az iskolától 6,94 km, és a tá-
volságok szórása 6,55 km. Ezekkel az adatokkal az EXCEL statisztikai programja
segítségével illeszthető normális eloszlás sűrűségfüggvénye szerinti értékek és az
egyes pontokban a korábbi képlettel meghatározható khi-négyzet értékek a követke-
zők lesznek (3.22 táblázat):
3.22 táblázat A normális eloszlásnak megfelelő vonzáskörzet adatai
2
Elméleti khi
66,30873 0,080385
42,75294 169,9781
85,28662 3,275276
129,8536 37,57717
39,79471 22,30761
A modell pontosságát kifejező khi-négyzet értéke az egyes adatok összege, va-

gyis 233,22.
111
© Typotex Kiadó
A második változatban a vonzáskörzetet exponenciális függvénnyel közelíthet-

jük. Az előzőhöz hasonlóan az Excel statisztikai szolgáltatásai alapján meghatá-
rozva a megfelelő értékeket a 3.23 táblázat adatait kapjuk:
3.23 táblázat Az exponenciális függvénnyel közelített vonzáskörzet adatai

2
Elméleti khi
48,81686 4,722298
95,28732 11,23045
96,28304 0,339453
81,63443 5,733469
39,6219 22,14576
A modellhez tartozó khi-négyzet értéke: 44,17.

A harmadik változatban lineáris távolságfüggvényt feltételeztek. Regresszió-
számítást alkalmazva a tanulók száma a távolság függvényében
y = 104,9205 – 2,6226 x
alakú. Így az elméleti modell szerinti tanulószám az egyes kategóriákon belül a

3.24 táblázat alapján alakul:
3.24 táblázat A lineáris függvénnyel közelített vonzáskörzet adatai

2
Elméleti khi
102,2979 14,33782
95,7414 10,86904
85,251 3,290624
65,5815 0,475029
13,1295 0,745936
A modellhez tartozó khi-négyzet értéke: 29,72.
Az értékelőszámokat összehasonlítva a legjobb közelítést a lineáris vonzáskörzet

feltételezése adja, hiszen itt a legkisebb az eltérést kifejező khi-négyzet értéke. A
szokásos 5%-os szignifikanciaszinthez tartozó határérték azonban kisebb (ez 9,49
– mivel a minta szabadságfoka 4 – a pontok számának eggyel csökkentett értéke).
Egyik modell sem megfelelő pontosságú tehát.
112
© Typotex Kiadó
Utolsó lehetőségként az igazgató felvetette, hogy állítsák össze a vonzáskörzetet

két függvényből: a 0–2 km-es intervallumban értelmezett konstansfüggvényből
(y = 64), valamint egy, a 2–végtelen intervallumon értelmezett logaritmusfügg-
vényből. Ez utóbbi logaritmikus regresszió alapján y = 51,386*ln(x) + 196,94 alakú.
A kapott modell szerinti tanulószám ekkor a 3.25. táblázat szerint alakul.
3.25 táblázat A logaritmikus és konstans függvényekkel közelített

vonzáskörzet adatai
2
Elméleti khi
64 0
132,5655 0,157235
93,40219 0,79144
57,78413 0,084973
14,24488 1,264948
A modell minősítésére szolgáló khi-négyzet értéke 2,30, ami lényegesen kisebb

az 5%-os szignifikanciaszinthez tartozó értéknél. Ez a grafikus ábrázolás (3.22
ábra) alapján nem is meglepő.
3.22 ábra A két függvénnyel közelített vonzáskörzet grafikus ábrázolása
113
© Typotex Kiadó
Az elemi statisztikai eljárások eddigiekben áttekintett néhány módszere (ha-

sonlóan a többi, nem tárgyalt számításhoz) számos kérdés megválaszolását le-
hetővé teszi. Bármilyen összetett számításokra is épülnek adott esetben ezek,
mégsem lépnek túl bizonyos korlátokat. Az általuk nyerhető információ első-
sorban az adathalmaz szerkezetét írja le, de a folyamat mélyebb elemzését nem
tűzik célul. Ezekre a jóval összetettebb, sokszor számos elemi módszert maguk-
ban foglaló számítógépes statisztikai modellek alkalmasak.
3.2.1.9 ELLENŐRZŐ KÉRDÉSEK
1. Ismertesse az elemi statisztikai módszerek és a statisztikai modellezés sajá-

tosságait, azonosságaikat és különböző vonásaikat! (3.1.1.3)
2. Milyen okai vannak a statisztikai módszerek pedagógiai alkalmazhatóságá-
nak? (3.1.1.4)
3. Ismertesse a pedagógiai kutatások fő jellemzőit és végrehajtásának fázisait!
(3.1.1.5)
4. Mutassa be a mintavételhez kötődő alapfogalmakat! (3.1.1.7)
5. Milyen főbb adatszemléltetési módszereket ismer? (3.1.2.2)
6. Ismertesse a középérték mérőszámait! (3.1.2.3)
7. Ismertesse a szóródás mérőszámait! (3.1.2.4)
8. Mi a hisztogram és a sűrűségfüggvény? (3.1.2.3)
9. Milyen hipotézisvizsgálati eljárásokat ismer? (3.1.2.6)
10. Milyen alapjai és alkalmazási lehetőségei vannak a regressziószámításnak?
(3.1.2.7)
11. Mire és hogyan lehet alkalmazni a khi-négyzet próbát? (3.1.2.8)
3.2.1.10 FELADATOK
1. Az alábbi táblázat a hazai felsőoktatási rendszer néhány jellemző adatát tar-

talmazza az 1970 és 1981 közötti időszakban.
ÉV INTÉZMÉNYEK OKTATÓK HALLGATÓK HALLGATÓK ÖSSZES

SZÁMA SZÁMA SZÁMA SZÁMA HALLGATÓ
(NAPPALI) (ESTI–LEV.)
1970 74 9791 53800 26700 80500
1975 56 12135 64300 43200 107500
1980 57 13890 64100 37100 101200
1981 57 13843 63400 39200 102600
Modellezze a felsőoktatási rendszert az egyes tényezők kapcsolatait bemu-

tató, különböző felépítésű grafikonokkal!
114
© Typotex Kiadó
Készítse el az egyes változók idősorait érzékeltető grafikonokat!

Végezzen korrelációszámítást az egyes változók között!
(oktatók–intézmények: –0,8818)
Határozza meg regressziószámítással az oktatók számát (y) az idő (x) függ-
vényében!
(y = –733636,9935 + 377,4610x)
Határozza meg az összes hallgatói létszámot (y) az idő (x1), az intézmé-
nyek száma (x2) és az oktatók létszáma (x3) alapján végzett többszörös
regressziószámítással!
(y = –1949724,7140 + 1131,4565x1 – 1929,7560x2 – 5,7137x3)
A fenti adatok alapján végezze el a rendszer szöveges modellezését!
Kutassa fel a felsőoktatási rendszer aktuális adatait! Hasonlítsa össze ezeket a

modell által prognosztizált értékekkel! Milyen következtetéseket vonhat le ezek
alapján a trendszámítás érvényességi köréről?
2. Az alábbi táblázat a hazai könyvkiadás adatait tartalmazza az 1970 és 1981 kö-

zötti időszakra vonatkozóan (az egyes kategóriákban kiadott művek számát).
ÉV TUDOMÁNYOS ISM.TERJ. SZAKMAI SZÉPIR. IFJÚSÁGI TANKÖNYV EGYÉB ÖSSZESEN

1970 678 655 1525 673 222 1010 30 4793
1975 1033 1359 3056 700 278 1253 51 7730
1980 878 1307 3525 749 397 1329 56 8241
1981 939 1040 3342 724 353 1450 62 7910
Modellezze a könyvkiadás rendszerét az egyes tényezők kapcsolatait be-

mutató, különböző felépítésű grafikonokkal!
Készítse el az egyes változók idősorait érzékeltető grafikonokat!
Végezzen korrelációszámítást az egyes változók között!
(ifjúsági könyvek – szépirodalmi könyvek: 0,9947)
Határozza meg regressziószámítással az összes könyv mennyiségét (y) a
tudományos művek számának (x) függvényében!
(y = –549562,7792 + 281,6753x)
Határozza meg az összes könyv mennyiségét (y) az idő (x1), a tudományos
művek (x2), az ismeretterjesztő (x3), a szakmai (x4), a szépirodalmi (x5) és az
ifjúsági (x6) könyvek, valamint a tankönyvek (x7) és az egyéb kiadványok
(x8) száma alapján végzett többszörös regressziószámítással!
(y = 1562,1098 + 1,007x2 + 0,4599x3 + 1,4737x4. Figyelem! A többi együttható
értéke 0, vagyis 8 független változóból 3-at hagyott meg az eljárás! Ennek
az az oka, hogy kevés mérési eredményt – éves adatot – adtunk meg.)
Kutassa fel a könyvkiadás aktuális adatait! Hasonlítsa össze ezeket a mo-
dell által prognosztizált értékekkel! Milyen következtetéseket vonhat le
ezek alapján a trendszámítás érvényességi köréről?
115
© Typotex Kiadó
3. A következő táblázat egyes ipari termékek egy főre jutó termelésének adata-
it tartalmazza az 1980-as évben.
Ország Acél Személygk. Cement Kénsav Papír Cukor

(kg) (db) (kg) (kg) (kg) (kg)
Ausztria 666 96 732 1 208 61
Belgium 1247 1 761 218 91 98
Bulgária 290 17 605 97 45 39
Csehszlovákia 994 120 689 84 77 51
Egyesült Királyság 202 165 265 60 75 22
Franciaország 432 649 542 92 104 79
Görögország 48 1 1278 113 40 21
Hollandia 375 57 262 122 131 65
Jugoszlávia 107 84 416 53 49 34
Lengyelország 548 99 518 85 36 30
Magyarország 351 0 435 55 41 44
NDK 437 102 743 57 74 44
NSZK 712 571 556 78 123 50
Olaszország 465 253 735 46 93 29
Románia 593 40 658 79 38 23
Spanyolország 337 274 748 78 61 26
Svédország 505 309 301 92 764 40
Szovjetunió 557 50 471 87 33 38
Japán 954 603 754 58 148 7
USA 443 281 286 176 266 23
Ausztrália 540 216 369 149 86 234
Modellezze az ipari rendszereket az egyes tényezők kapcsolatait bemuta-

tó, különböző felépítésű grafikonokkal!
Végezzen korrelációszámítást az egyes változók között! (villamos energia
– szén: 0,086; Szovjetunió – Egyesült Királyság: 0,9956)
Határozza meg regressziószámítással a gyártott személygépkocsik meny-
nyiségét (y) az acélgyártás (x) adatainak függvényében!
(y = 121,4 + 0,133x)
Határozza meg a gyártott személygépkocsik mennyiségét (y) az egy főre
jutó széngyártás (x1), a villamos energia termelése (x2) és az acélgyártás (x3)
alapján végzett többszörös regressziószámítással!
(y = 64,42 + 0,01x1 + 0,023x2 + 0,094x3)
Kutassa fel a vizsgált termékek gyártásának aktuális adatait! Hasonlítsa ösz-
sze ezeket a modell által prognosztizált értékekkel! Milyen következtetése-
ket vonhat le ezek alapján a statisztikai modellezés érvényességi köréről?
116
© Typotex Kiadó
3.2.1.11 FELHASZNÁLT ÉS JAVASOLT IRODALOM
Cseh-Szombathy László – Léderer Pál (szerk.): Az empirikus szociológiai kutatás statisztikai

alapjai (ELTE BTK egyetemi jegyzet). Budapest, Tankönyvkiadó, 1989.
Dusza János – Magyar István: Statisztikai példatár (BME Közlekedésmérnöki Kar egyetemi
jegyzet). Budapest, Tankönyvkiadó, 1978.
Falus Iván (szerk.): Bevezetés a pedagógiai kutatás módszereibe. Budapest, Műszaki, 2000.
Felföldi László: Anyagmozgatási folyamatok tervezése III. (BME Közlekedésmérnöki Kar
egyetemi jegyzet.) Budapest, Tankönyvkiadó, 1985.
Hajtman Béla: Matematikai statisztika (ELTE BTK egyetemi jegyzet). Budapest, Tankönyv-
kiadó, 1981.
Kara-Murza, Szergej Georgijevics: Antiszovjetszkij projekt. Moszkva, 2003. www.situa-
tion.ru (2007. február, orosz nyelven).
Németh Lászlóné: A tanulói motiváció lehetőségei az iskolakezdéstől a felnőttoktatásig (szak-
dolgozat). Budapest, BME Műszaki Pedagógia Tanszék, 2006.
Pétery Kristóf: EXCEL 97 – a magyar nyelvű programváltozathoz. Budapest, LSI Oktatóköz-
pont, 1998.
Varga Lajos: Bevezetés a didaktikai kutatások módszereibe (BME Gépészmérnöki Kar
egyetemi jegyzet). Budapest, Tankönyvkiadó, 1986.
Varga Lajos (szerk.): Kutatás-módszertan (tankönyv közoktatási vezetők számára). Buda-
pest, BME Műszaki Pedagógia Tanszék, 2006.
Információk az SPSS (Statistical Package for the Social Sciences) programcsomagról és aktu-
ális fejlesztéseiről: www.spss.com (2007. március, angol nyelven).
3.2.1.12 ALKALMAZÁSOK
6. SEGÉDLET MŰSZAKI PEDAGÓGUSHALLGATÓK RÉSZÉRE A STATISZTIKAI

PRÓBÁK TÉMAKÖRÉBŐL
7. SEGÉDLET MŰSZAKI PEDAGÓGUSHALLGATÓK RÉSZÉRE A STATISZTIKAI
ÖSSZEFÜGGÉSVIZSGÁLATOK TÉMAKÖRÉBŐL
8. EGY OKJ-S SZAKMACSOPORT ÖSSZETÉTELÉNEK ELEMZÉSE (I. RÉSZ)
9. EGY ESSZENCIÁLIS HIPERTÓNIÁBAN SZENVEDŐ BETEG VÉRNYOMÁSÉRTÉ-
KEINEK STATISZTIKAI ELEMZÉSE
10. GÉPJÁRMŰÜZEMELTETÉSI ADATOK ELEMZÉSE
11. EGY NUMIZMATIKAI GYŰJTEMÉNY ALAKULÁSA
117
© Typotex Kiadó
3.2.2 Többváltozós adatok elemzése
A statisztikai alapú rendszermodellezés eszköztára nem szorítkozhat arra, hogy

csupán egy mérési paraméter különböző mérésekből származó jellemzőit ele-
mezze. A valóságos rendszerek ugyanis már a legegyszerűbb esetekben is
annyira összetettek, hogy leírásuk, elemzésük és minősítésük sok szempont fi-
gyelembe vételét igényli. Ilyenkor nem lehet megelégedni azok egymástól izo-
lált elemzésével, sőt, azzal sem, hogy vizsgáljuk egymástól való függetlenségü-
ket. Az adatok egyidejű kezelésével és elemzésével nyert modell vizsgálata arra
irányul, hogy felderítsük a vizsgált rendszer komplex struktúráját, az egyes té-
nyezők egymásra hatását. Eredményeként olyan többváltozós (mátrix)egyen-
letrendszert kapunk, amely képes a rendszer működésének leképezésére.
Az ilyen eljárások alapvetően új matematikai eszközöket használnak fel a ko-
rábbiakhoz képest. Az adatok kezelése ugyanis olyan táblázatos elrendezést
igényel, amelyik világosan kifejezi azok szerkezetét. E táblázat sorai tartalmaz-
zák az egyes mérések adatait, oszlopai pedig a mérések során regisztrált ténye-
zőket, vagyis a táblázat xij eleme mutatja meg az i-edik mérés során a j-edik té-
nyező mért értékét.
Az így kapott táblázatot a matematikában mátrixnak nevezik. A mátrixszá-
mítás módszerei olyan lehetőséget adnak a rendszerelemző kezébe, amellyel
közvetlenül képes kimutatni az adatok belső szerkezetének egyébként rejtett tu-
lajdonságait.
Az általunk is vizsgált egyik ilyen eljárás a matematikából jól ismert sajátér-
ték- és sajátvektorszámításra épülő főkomponenselemzés, illetve ennek tovább-
fejlesztése, a faktoranalízis. Ezt követi a tényezőknek egy n-dimenziós virtuális
térben elfoglalt helyeinek távolsága alapján történő osztályba sorolását elvégző
klaszterelemzés, illetve e pontoknak a háromdimenziós térbe való visszatransz-
formálásával operáló sokdimenziós skálázás. Mindhárom eljárás végeredménye-
ként olyan rendszerjellemzőket ismerünk meg, amelyek az elemi statisztikai el-
járásokkal rejtve maradnak, és lehetővé teszik a rendszerek működésének ma-
tematikai modellezését. E rejtett információk feltárása ugyanakkor átvezet a
statisztikai elemzések csúcsán elhelyezkedő látens folyamatjellemzők elemzé-
sének világába is.
A többváltozós adatelemzés módszereit közvetlenül felhasználhatjuk a pedagó-

giai vizsgálatokban is. A tanulási-tanulási folyamat ugyanis rendkívül össze-
tett, számos tényező befolyásolja azt, és emellett sok résztvevője is van. Egy-egy
mérés során tehát éppen a fentiekben ismertetett szerkezetű adatbázis áll elő.
Ennek vizsgálata olyan összefüggések feltárását eredményezheti már egy-egy
osztály szintjén is, amelyek megkönnyítik a tanár oktatási, sőt sokszor nevelési
tevékenységét is. Viszonylag egyszerű mérésekkel, könnyen kezelhető számító-
gépes programokkal ugyanis feltárhatók a tanulócsoport belső szerkezetét leíró
szociometriai jellegzetességek éppúgy, mint a tanulási motivációkra, tanulói
képességekhez igazodó tananyagok kialakítására vonatkozó jellemzők is.
118
© Typotex Kiadó
A többváltozós adatelemzés eszközeinek felhasználásában jó perspektívák

nyílnak ugyanakkor a pedagógiai kutatások számára is. A pedagógia tudomá-
nya a több évszázados fejlődés során ugyanis sokáig nem törekedett arra, hogy
törvényeit a természettudományokhoz hasonlóan matematikai formába öntse.
A neveléstudomány klasszikusai ezért alaptételeik megfogalmazásában leg-
többször arra kényszerültek, hogy azokat egyedi megfigyeléseikből általánosít-
sák. Eközben azzal a feltételezéssel éltek, hogy megfigyeléseik eredménye jel-
lemző térben és időben máshol élő, más kulturális közegben élő populációkra
is. Mai tudásunkkal ezt úgy is fogalmazhatnánk, hogy vizsgálataik sokszor nem
reprezentatív, kismintás, kontrollcsoport nélküli mérésekre épültek, ezért kö-
vetkeztetéseik önkényesek és ellenőrizhetetlenek voltak, azok helyessége lénye-
gében esetleges volt. E vizsgálatok akkor váltak modern értelemben is tudomá-
nyossá, amikor e törvényeket matematikailag kezelhető formában is megfogal-
mazták. Az így nyert összefüggések számszerűek voltak, további elemzéseket
tettek lehetővé matematikai levezetések segítségével, és lehetővé vált utólagos
ellenőrzésük, megismétlésük is.
Ezzel az új apparátussal lehetőség nyílt arra, hogy a legtöbb pedagógiai tör-
vényt „természettudományos” formában is megfogalmazzák (ugyanezt tették a
szociológia, a közvélemény-kutatás, a marketing és a pszichológia bizonyos ágai
is az elmúlt száz évben). Az ehhez vezető úton jó segédeszközöknek bizonyul-
tak a többváltozós adatelemzés eszközei is.
3.2.2.1 A faktoranalízis módszerei
A faktoranalízis közvetlen módszertani előzménye a főkomponenselemzés ki-

dolgozása volt. Főkomponenseknek nevezzük azokat a látens (mesterséges)
változókat, amelyek:
a megfigyelt változók lineáris kombinációi (ez azt jelenti, hogy a megfi-

gyelt változókból állítjuk őket elő);
korrelálatlanok (egymástól függetlenek).
A főkomponenselemzés eredményeként a megfigyelt m számú változó he-

lyett ugyancsak m számú mesterséges változót nyerünk. Ezek azonban jobban
illeszkednek az adatok szerkezetéhez, ezért jobban is modellezik a valóságos
rendszert. Mivel a mesterséges változók nem egyforma mértékben függnek
össze a mérési adatokkal, arra is lehetőség van, hogy a kevésbé jelentőseket el-
hanyagoljuk, így a változók számának redukciójára is lehetőség nyílik. Ennek
végeredményeként pedig az m számú megfigyelt változót n számú (egymást
részben átfedő) osztályba sorolhatjuk, ami lehetőséget biztosít arra, hogy minő-
sítsük azokat hatásaik szempontjából. Az osztályok elemzésével pedig a rend-
szerműködést legjobban befolyásoló néhány látens változó jellemzőit is megha-
tározhatjuk.
119
© Typotex Kiadó
Jó példát nyújtanak erre a szociológiai kutatások. Egy vizsgálat során például arra
voltak kíváncsiak a kutatók, hogy milyen tulajdonságokra célszerű nevelni a gye-
rekeket. A közel 1500 válaszadónak 17 belső tulajdonságból kellett a megítélése
szerint legfontosabb 5-öt kiválasztania. Az elemzés végén nyert 7 faktor (osztály)
azt mutatta meg, hogy melyek azok az értékválasztási különbségek, amelyek a leg-
erősebben osztják meg a társadalmat. Lényegében e 7 tulajdonságcsoportot kell az
iskolában fejleszteni azoknak a tényezőknek a kialakításával, amelyek legjobban il-
leszkednek a 7 csoporthoz.
A főkomponenselemzés alapja annak felismerése, hogy minden négyzetes

mátrixnak vannak sajátértékei és sajátvektorai. Ezek száma megegyezik a mát-
rix n méretével (sorainak, illetve oszlopainak számával). Az n-dimenziós vek-
tortérben e vektorok úgy helyezkednek el, hogy páronként derékszöget zárnak
be, n-dimenziós Déscartes-koordinátarendszert kialakítva. Hosszúságuk kü-
lönböző, és lényegében arra utal, hogy az egyes koordinátatengelyek milyen
fontos szerepet töltenek be az adatok leírásában.
Lényegében a következő fajta problémáról van szó. A síkbeli derékszögű koordiná-

tarendszerben elhelyezkedő P1(0,0) és P2(1,1) koordinátájú pontokon átmenő egye-
nes egyenlete y = x + 1. Egy megfelelően választott másik (elforgatott, illetve el-
tolt) koordinátarendszerben ezek az adatok még egyszerűbben is megadhatók. Ha
például koordinátarendszerünket elforgatjuk az origó körül 45 fokkal, akkor az új
koordináták P1’(0,0), és P2’(0;1,414) értéket vesznek fel, az egyenes egyenlete pe-
dig az y = 0 kifejezésre redukálódik.
Ez a fajta alkalmazás meglehetősen elterjedt a műszaki tudományokban. A me-
chanikában többek között egy térbeli erőrendszer transzformációjára alkalmazzák,
melynek segítségével a húzó-, a nyíró- és a hajlítóigénybevételnek megfelelő, ám
önkényesen felvett koordinátarendszert alakítják át a természetes igénybevételek-
hez ténylegesen illeszkedő rendszerré.
Ehhez hasonló alkalmazást mutat be kétdimenziós feladat esetén a következő
példa. A 3.26 táblázatnak megfelelő ponthalmaz a 3.23 ábra koordinátarendszeré-
ben helyezkedik el.
3.26 táblázat Egy ponthalmaz koordinátái
Pont x y
1 2 2,1
2 3 2,9
3 –1 –1,2
4 –3 –3,2
5 –2 2,1
6 –4 3,8
7 3 –2,8
8 4 –4,1
120
© Typotex Kiadó
3.23 ábra A ponthalmaz elhelyezkedése koordinátarendszerben
A főtengelyanalízis eredménye a 3.24 ábrán látható:
3.24 ábra A főkomponenselemzés eredménye
121
© Typotex Kiadó
Ebből látható, hogy a rendszerben két főtengely található különböző (1,1385 és

0,6115) sajátértékekkel. A sajátvektorok koordinátái a régi koordinátarendszerben
0,7071 és –0,7071, valamint –0,7071 és –0,7071. Ezek tehát a 3.25 ábra szerint
kettős nyíllal jelölt egyenesek mentén helyezkednek el:
3.25 ábra A sajátvektorok által kijelölt új koordinátarendszer
A 3.25 ábrán jól érzékelhető, hogy a ponthalmaz összes pontja a korábbinál job-
ban illeszkedik az általuk meghatározott sajátvektorok irányába mutató, azok se-
gítségével definiált új tengelyekhez. Bár a bemutatott példa a szemléletesség ked-
véért szándékosan a lehető legegyszerűbb, síkbeli esetet mutatja be, könnyen el-
képzelhető, hogy a mechanikai rendszerek szokásos térbeli elhelyezkedésére is
alkalmazható. Matematikai eszközökkel (például a vektorok, illetve a mátrixok se-
gítségével) az általánosítás tetszőleges dimenziószámmal leírható adatbázisokra is
elvégezhető.
A főkomponenselemzés első lépése tehát a mért adatok (tetszőleges n*m mé-

retű) mátrixának átalakítása négyzetes mátrixszá (természetesen az információ-
mennyiség csökkentése és torzítása nélkül). Ennek egyik legkézenfekvőbb
módja a tényezők közötti korrelációs együtthatók mátrixának kiszámítása (a
gyakorlatban sokszor használják a két tényező együttmozgását leíró kovarian-
cia értékét is, ez azonban a korrelációs együtthatóhoz nagyon hasonló informá-
ciókat tartalmaz).
A mátrix sajátértékeit a korrelációs együtthatók A mátrixának ismeretében a
det (A – lE) = 0
122
© Typotex Kiadó
mátrixegyenlet megoldásaiként kapjuk meg. (A det kifejezés a mátrix determi-

nánsának nevezett tulajdonságot takarja, kiszámítása már 5–6 dimenzió esetén
is viszonylag bonyolult, tehát számítógépet igénylő feladat. A sajátértékeket
l-val jelöljük, és az egyenlet alakjából következően mindig n darab létezik belő-
le [tehát annyi, ahány mért változóval írtuk le a rendszert]. Az E pedig az egy-
ségmátrix, amelynek főátlójában – azoknál az elemeknél, ahol a két index meg-
egyezik – 1-esek állnak, a többi eleme 0.)
Az egyes sajátértékekhez tartozó sajátvektorok az
Avi = livi
egyenlet megoldásai.
A megoldások közös jellemzője, hogy a sajátértékek összege mindig megegye-

zik a főátló elemeinek összegével. A korrelációs mátrix főátlójában azonosan 1
értékek szerepelnek (egy változó önmagával teljes korrelációban van), össze-
gük tehát n változó esetén n. Mivel az n számú sajátérték monoton csökkenő so-
rozatot alkot, az esetek többségében a legnagyobb sajátértékek lényegesen na-
gyobbak a legkisebbeknél, jelentőségük tehát jóval nagyobb ez utóbbiaknál. Il-
leszkedésvizsgálati módszerekkel (például khi-négyzet próbával) meghatároz-
hatók azok a kisebb sajátértékek, amelyek már figyelmen kívül hagyhatók,
ezáltal tudjuk csökkenteni azok (és így a változók) számát. A gyakorlatban ked-
veltebb korrelációs együtthatómátrixok felhasználása esetén a sajátértékek fon-
tossága közvetlenül is megítélhető (tehát a próba elvégzésére nincs szükség), és
azokat szokták megtartani, amelyek nagyobbak 1-nél. Ha a sajátértékek nagysá-
gának eltérése nem túl nagy (ennek egzakt megítélésére szolgál a khi-négyzet
próba), akkor a főkomponenselemzés nem alkalmazható, mert nem csökkenti le
a változók számát, és nem végez el számottevő korrekciót a koordinátarendszer
transzformálásában sem. Ennek az az oka, hogy ilyenkor tulajdonképpen nincs
összefüggés a változók között, az adatok véletlenszerűek.
A főkomponenselemzés másik hiányossága, hogy nem veszi figyelembe a mé-
rési hibák előfordulásának lehetőségét. A korrelációsegyüttható-mátrixot úgy te-
kinti, mintha az determinisztikus mérések eredménye lenne, és a tényezők közöt-
ti kapcsolatok erősségét leíró korrelációs együtthatók teljes mértékben csak a
kapcsolatok jellegével lennének magyarázhatók. A mérési hibák nagysága ebben
a modellben 0, ami nem mindig elégíti ki a tényleges elemzés követelményeit,
csak akkor, ha a mérési hibák kis értékük miatt elhanyagolhatók.
Ezt a hibát küszöbölik ki a faktoranalízis újabb (és általában bonyolultabb) el-
járásai, amelyek Thurstone 1947-ben kidolgozott alapegyenletének megoldásá-
ra épülnek. Ezekben a főátló (eddig azonosan 1 értékű) elemeit kicserélik a
kommunalitások (a változók szórásnégyzeteinek a későbbiekben kiszámítandó
faktorokkal megmagyarázott részei) becslésével. Ez lényegében nem más, mint
a hibák becslése (amelyeket legtöbbször nem ismerünk pontosan). A különböző
123
© Typotex Kiadó
eljárások e becsléseket eltérő módon végzik el, és emiatt kisebb-nagyobb elté-

réssel határozzák meg a végeredményeket is.
Az Image-elemzés például minden változó értékét a többi változó segítségével

becsüli meg a többszörös regressziószámítás módszerével. A kapott regressziós
egyenletet nevezik az adott változó képének (image-ának). A becslés és a tény-
leges érték különbsége az anti-image, amely bizonyíthatóan független a többi
változótól. A hibák becslését ezek segítségével végzik el a Guttman által 1956-
ban kidolgozott, majd Harris munkásságával továbbfejlesztett eljárás során, így
pontosítva a főkomponenselemzés eredményeit.
A Rao-féle kanonikus faktorelemzés során azokat a faktorokat keresik meg, ame-

lyek korrelálatlanok egymással és maximálisan korrelálnak a megfigyelt válto-
zókkal. Ennek érdekében iteratív eljárásokkal becsülik meg a hiba nagyságát az
egyes tényezők esetében, és amilyen határérték(ek)hez konvergálnak (ez leve-
zethetően mindig megvalósul), azokkal helyettesítik a főátló adott elemét. Az
eljárást Rao és Harris 1956 és 1968 között dolgozta ki Anderson 1958-as és
Guttman 1962-es munkáit felhasználva.
Az alfa-faktorelemzés a korábbiaktól eltérő megközelítésre épül. Az eddigiekben

érintett módszerek ugyanis a változók statisztikus megközelítését tartalmaz-
zák, vagyis a minta megfigyelési egységei alapján a populáció jellemzőire pró-
bálnak következtetni. Ezzel szemben az alfa-faktorelemzésre jellemző pszicho-
metrikus megközelítés azt feltételezi, hogy a változóknak létezik egy általános
tere, és a vizsgálatba bevont változóhalmaz annak csupán egy véletlen jellegű
mintája. A számítások során keresik a megfigyelt változóknak azokat a közös
faktorait, amelyek az általános tér megfelelő faktoraival a legmagasabb korrelá-
ciót mutatják. Ehhez egy úgynevezett alfa együtthatót használnak fel, melyet
Cronbach 1951-ben dolgozott ki. Az eljárás egyes alváltozatait Kaiser és Caffrey
1965-ben, illetve Bentler 1968-ban publikálta. Közös kiindulásuk az, hogy a
kommunalitásokat a változók többszörös korrelációs együtthatóival becsülik
meg. Ezen végzik el az iteratív számításokat a (bizonyíthatóan létező) konver-
gens megoldás megtalálásáig.
A faktoranalízis legújabb eljárásai a közös maximum likelihood faktorelemzés nevet

viselik. Ezek a többihez hasonlóan betartják azt az elvet, amely szerint a megfi-
gyelt változók szórásnégyzeteihez az egyes faktorok csökkenő mértékben járul-
janak hozzá úgy, hogy e faktorok függetlenek legyenek egymástól. Ehhez kü-
lönböző segédfüggvényeket használnak fel, amelyeknek keresik legnagyobb
valószínűségű (maximum likelihood) illeszkedéseit bizonyos elméleti megfonto-
lásokból adódó szabályos függvényekhez, illetve keresik e függvények eltéré-
seinek szélsőértékeit (mimimumát). Az eljáráscsoport története visszanyúlik
Lawley 1940-es munkáihoz, Rao 1955-ös, Howe 1955-ös és Bargman 1957-es
124
© Typotex Kiadó
publikációiig. Napjainkra kidolgozott változatai Lawley és Maxwell 1971-ben,

illetve Jöreskog 1968-ban elvégzett levezetéseire épülnek.
A faktoranalízis módszerei a statisztika korábbi fejezeteitől eltérő szintet jelen-

tenek. Megmutatkozik ez abban, hogy:
Az elemi statisztika legfrissebb fejezetei is 50–100 évesek, míg a faktor-

elemzés az elmúlt 50 év terméke.
Elméleti megalapozásukhoz a mátrixelmélet és a lineáris algebra olyan
eszköztára szükséges, amelynek igénye az elemi módszereknél fel sem
merült. E számítások jelentős része csak számítógép segítségével végezhe-
tő el (például a nagyméretű mátrixok rutinszerű determinánsszámítási és
invertálási igényeinek köszönhetően).
Alkalmazásuk feltétele olyan méretű adatbázis, amelynek kezelése szintén
csak számítógéppel lehetséges.
Eredményeik betekintést nyújtanak az adathalmaz belső szerkezetébe. Ez-
által lényegesen pontosabb képet mutatnak a rendszer működéséről, mint
az elemi módszerek.
A faktoranalízisnek azonban hiányosságai is vannak. A programleírásokban

és a tankönyvekben található levezetések bonyolultsága sem fedheti el a fel-
használó előtt azt a tényt, hogy legfejlettebb változatai is csak közelítések, a méré-
si hibákat valamilyen becslésekre építve veszik figyelembe. Nem meglepő
ezért, hogy lényeges eltéréseket is csak ritkán mutatnak, hiszen a mérési hibák
nagyságrendjei általában nem engedik meg azok jelentős befolyását a vizsgála-
tok eredményeire. Ennél is nagyobb hiányosságuk, hogy a csoportképzés (osz-
tályba sorolás) szabályait elég nagyvonalúan kezelik. A faktorok között átfedé-
sek érezhetők (egy-egy tényező egyszerre több faktornak is a része lehet), és a
szigorú matematikai előírások, a számszerű eredmények sokasága ellenére e
módszerek sok lehetőséget nyújtanak azok szubjektív értelmezésére is. Ez az
oka annak, hogy önálló alkalmazásuk lehetősége erősen korlátozott és behatá-
rolt. Szerepük mégsem elhanyagolható, mert az összetettebb modellekbe szer-
vesen beépülnek, és ezekben hasznos részeredményeket szolgáltatnak.
Az előző fejezetben ismertetett motivációs vizsgálat tíz kérdésére adott 30 tanulói

válasz különböző faktoranalízismódszerekkel számolt faktorai a 3.27 táblázatban
foglalhatók össze:
125
© Typotex Kiadó
3.27 táblázat A tanulói motivációk faktoranalízisének eredményei

különböző módszerekkel
Módszer Tanagra LISREL LISREL módosított

főtengely- főtengely- főtengely- LISREL
korreláció korreláció kovariancia főtengely-kovar.
1. faktor: 3,15 3,19 6,16 3,96
2. faktor: 1,98 2,67 4,64 2,98
3. faktor: 1,3 1,25 1,64 1,05
4. faktor: 0,81 0,99 1,16 0,75
5. faktor: 0,71 0,7 0,83 0,53
6. faktor: 0,63 0,55 0,62 0,40
7. faktor: 0,52 0,36 0,24 0,15
8. faktor: 0,28 0,21 0,17 0,11
9. faktor: 0,24 0,15 0,14 0,09
10. faktor: 0,05 –0,07 –0,05 –0,03
összesen: 9,67 10 15,55 10
Az első két oszlop a különböző statisztikai programokkal elvégzett főtengely-analí-

zis eredményeit mutatja be a korrelációs együtthatók mátrixának sajátértékszámí-
tása alapján. A két eredmény közötti eltérések, a végösszegnek a főátló elemeinek
összegétől való eltérése és a negatív faktorérték a számítások kerekítéseivel, bizo-
nyos közelítésekkel és az iterációs lépésszám-eltérésekkel magyarázhatók. A har-
madik oszlopban a második számítás eredményei találhatók, de a kovariancia-
együtthatók mátrixát felhasználva. Mivel itt a főátló elemeinek összege eltér a vál-
tozók számától, a negyedik oszlopban összehasonlíthatóvá tettük az értékeket a
többi eljárás adataival.
A kisebb-nagyobb eltérések mellett figyelemre méltó, hogy mindhárom módszer
3 főtengelyt határozott meg, közel egyforma faktorértékekkel. (Megjegyzendő to-
vábbá, hogy az egyik statisztikai programcsomag úgynevezett MINRES faktorana-
lízisével és MINIMAX-rotated – rotációs, elforgatott – eljárásával ugyancsak há-
rom főfaktor adódik.)
Az egyes módszerek alapján a következő motivációs tényezők (3.28 táblázat)
hatnak a gyermekekre:
126
© Typotex Kiadó
3.28 táblázat A tanulók motivációinak főfaktorai
Tanagra főtengelyelemzéssel (korrelációs mátrix alapján)
Szeret iskolába Fél a dolgozattól Zavarja a rosszul

járni 0,82 0,27 végzett munka
Érdekli az iskola 0,79
0,80 Fél a dolgozattól
0,54
Rendetlenkedik Rendetlenkedik az órán Rendetlenkedik

az órán –0,52 az órán
–0,56 Hiba esetén újra –0,43
Fél a dolgozattól próbálkozik
–0,63 –0,74
Nem figyel az órán Szereti az újat
–0,67 –0,78
LISREL főtengelyelemzéssel (kovarianciamátrix alapján)
Szeret iskolába járni Szereti az újat Szeretne osztályelső

0,83 0,78 lenni
Szeretne osztályelső Szeretne osztályelső lenni 0,80
lenni 0,37
0,28 Óra végén izeg-mozog
Érdekli az iskola 0,35
0,27
Nem figyel az órán Szeret iskolába járni Szeret iskolába járni

–0,03 –0,18 –0,20
Fél a dolgozattól Szereti az újat
–0,15 –0,50
LISREL főtengelyelemzéssel (korrelációs mátrix alapján)
Érdekli az iskola Óra végén izeg-mozog Zavarja a rosszul

0,48 0,51 végzett munka
Szeret iskolába járni Rendetlenkedik az órán 0,72
0,47 0,49 Fél a dolgozattól
Hiba esetén újra Szereti az újat 0,50
próbálkozik 0,47
0,39
127
© Typotex Kiadó
Rendetlenkedik Zavarja a rosszul végzett Érdekli az iskola

az órán munka –0,14
–0,17 –0,17 Rendetlenkedik
Fél a dolgozattól Szeret iskolába járni az órán
–0,23 –0,18 –0,36
Nem figyel az órán
–0,41
MINRES faktoranalízissel (korrelációs mátrix alapján)
Szeret iskolába járni Rendetlenkedik az órán Szereti az újat

0,85 0,91 0,71
Érdekli az iskola Óra végén izeg-
0,85 mozog 0,70
Szeretne osztályelső Hiba esetén újra
lenni próbálkozik
0,47 0,65
Rendetlenkedik Zavarja a rosszul végzett Fél a dolgozattól

az órán munka –0,14
–0,31 –0,29 Zavarja a rosszul
Fél a dolgozattól végzett munka
–0,38 –0,29
Nem figyel az órán
–0,65
MINIMAX-rotated eljárással (korrelációs mátrix alapján)
Nem figyel az órán Rendetlenkedik az órán Nem figyel az órán

0,60 0,96 0,19
Fél a dolgozattól
0,50
Hiba esetén újra Zavarja a rosszul végzett Szeretne osztályelső

próbálkozik munka lenni –0,51
–0,40 –0,31 Óra végén izeg-
Érdekli az iskola mozog –0,63
–0,84 Szereti az újat –0,73
Szeret iskolába járni Hiba esetén újra
–0,87 próbálkozik –0,81
128
© Typotex Kiadó
A faktoranalízis segítségével (az egyes faktoroknál elemezni kell az erős – pozi-

tív – és az ellentétes – negatív – tényezőket) olyan rendszerjellemzőkre derül fény,
amelyek a hagyományos elemzéssel nem határozhatók meg. Esetünkben világosan
kiolvasható az eredményekből, hogy a tanulás legfontosabb faktora az iskolába já-
rás szeretete és a kreativitás. Az ilyen tanuló jól viselkedik és figyel az órán, nem
fél a számonkérésektől. A motiváció második faktora viszont a félelem. Az ilyen ta-
nuló iskolai magatartása is kifogástalan, de hibázás esetén elveszti kedvét, és fél az
újtól is – ez a gyerek tehát fél a dolgozattól, a büntetéstől, a hibáitól és az újtól is,
de megpróbál megfelelni az iskolában. Ugyanez jellemző a harmadik faktorra is, de
az ide sorolható tulajdonságoknak megfelelő tanulók passzívvá és rosszá válnak a
sikertelenség hatására. E felmérés tehát lényegében két osztályba sorolja a gyereke-
ket – olyanokra, akik szeretik az iskolát, és szabadnak érzik magukat benne, illetve,
akiket a különböző félelmek, a felnőttek különböző követelményeitől való félelmek
motiválnak jó, illetve rossz irányba. (Egyébként a következtetésekkel vigyázni kell!
Nem használtuk fel például a felmérés összes kérdését, és kevés volt a válaszadó is.
Erre vezethető vissza az, hogy kisebb eltérések vannak az első négy elemzés ered-
ményei között, és az is, hogy az utolsó számítás a fentinél „pesszimistább” követ-
keztetésekre is vezethet.)
3.2.2.2 A klaszterelemzés módszerei
A klaszterelemzés egy speciális feladat megoldására vállalkozik. Segítségével

osztályokba soroljuk a vizsgált objektumokat (az egyedeket, azok jellemzőit, il-
letve magukat a méréseket). Szemben a faktorelemzéssel ezalatt az objektumok
halmazának olyan felbontását célozza meg, amelyben a részhalmazok teljes
rendszert alkotnak, vagyis a csoportok diszjunktak (egymást kizárók), és együt-
tesen a teljes halmazt adják. Más szavakkal ez azt jelenti, hogy az objektumok
olyan csoportosítását keresi, amelyre igaz, hogy:
egy objektum egy és csakis egy csoporthoz tartozik;

azokhoz lesz hasonló, amelyekkel egy csoportba került;
a többi csoportba tartozó elemektől különbözik.
A klaszterelemzés a szemléletében is túllép a klasszikus logika modelljein.

Ennek első oka az, hogy nem monotetikus osztályozást eredményez (tehát egy
osztály elemei nem minden szempontból ekvivalensek, csak hasonlók). A má-
sik oka (és jelentős előnye) pedig az, hogy nem definiál típusokat azelőtt, mie-
lőtt besorolná az objektumokat az osztályokba, ugyanakkor a csoportosítás
után képes megadni a típusjegyeket (így típusalkotásra képes). A klasszikus lo-
gika viszont először definiálja (részben önkényesen) a típusokat, majd ezután
sorolja be ezekbe az objektumokat.
A klaszterelemzésnek attól függően, hogy az osztályozást milyen döntés-
függvénnyel végzik, sokféle eljárása létezik.
129
© Typotex Kiadó
Közös jellemzőjük ezeknek, hogy adatbázisukat a különböző tényezőknek az

egyes mérések során meghatározott adatai képezik. Ennek mátrixos írásmódja
megegyezik a faktorelemzésnél tárgyalt szerkezettel, vagyis a sorokban az
egyes mérések adatai vannak, az oszlopok pedig a tényezőket (változókat) kép-
viselik. Az egyes oszlopok elemei n-dimenziós vektort alkotnak, és tartalmaz-
zák az adott változó egyes mérésekhez tartozó adatait. E vektorok az n-dimen-
ziós vektortérben helyezkednek el, és az origóból az n-dimenziós tér adott pont-
jába mutatnak. E pontok egymástól való távolsága (a síkbeli és a térbeli felada-
tokhoz hasonlóan) a Pitagorasz-tétel segítségével számolható ki:
n
da,b = (S(xai – xbi)2)0,5
i=1
Az alapeljárás szerint a fenti képlettel ki kell számítani minden tényező távol-

ságát a többi tényezőtől. A két legközelebbi összevonható egy klaszterbe (cso-
portba, szó szerint „fürtbe”). Az így kialakuló klaszterre új (közös, illetve átla-
gos) vektor lesz jellemző, ezért meg kell határozni ennek végpontját, illetve ko-
ordinátáit. Az új pont és a többi változóhoz tartozó pontok távolságát újra meg
kell határozni a fenti képlettel, és a két legközelebbit megint össze kell vonni.
E lépések (összesen n–1 számú) ismétlésével végül az összes tényezőt összevon-
juk, lépésenként különböző (növekvő) távolságok alapján. E távolságugrások fi-
gyelembe vételével lehet elvégezni a csoportba sorolást.
A klaszterelemző eljárások többsége a fenti algoritmusra épül. Eltérés a tá-
volság nagyságának kiszámítási elvében és meghatározásának módjában fi-
gyelhető meg.
Az n-dimenziós térben elhelyezkedő pontok távolságát a fenti képlet szerinti

módon kiszámítva „euklideszi” távolságnak nevezzük. Sokszor alapozzák a to-
vábbi számításokat e távolság négyzetére (ezzel „széthúzzák” egymástól a klasz-
tereket), és gyakran lehet találkozni a „city-block”-nak nevezett távolságértelme-
zéssel is (ez a távolságot az egyes koordináták előjel nélkül vett különbségeinek
egyszerű összegeként értelmezi).
Egy elem és egy, illetve két klaszter távolságának meghatározására több értel-
mezés is bevezethető. Az egyszerű lánc (vagy legközelebbi szomszéd) módszere
például két klaszter távolságát nem a klaszterek átlagos vektorainak, hanem a
klaszterek legközelebbi tagjainak távolságával számolja. A teljes lánc módszere
viszont két klaszter távolságát a legtávolabbi tagok alapján értelmezi. A centroid
módszer pedig kiszámolja a klaszterek „súlypontjának” koordinátáit, majd ezek-
kel határozza meg azok távolságát.
Az egyes eljárások különböző elméleti adatmegoszlásoknál eltérő eredménye-

ket adhatnak, a gyakorlati esetek többségében viszont alig látható lényeges elté-
rés a végeredmények között.
130
© Typotex Kiadó
A számítások szemléltetése egy sajátos diagrammal, a dendrogrammal történik. Itt

a vízszintes tengelyen az objektumokat találjuk abban a sorrendben feltüntetve,
ahogyan a másokkal való összevonás megtörtént. A függőleges tengelyen talál-
ható az a távolság, amelynél az adott összevonást elvégeztük (természetesen a
tengelyek iránya felcserélhető – némelyik módszer ezt is teszi). Ez a tengely 0-val
kezdődik és monoton növekszik. Az első két objektum összevonását kivéve min-
den klaszter az előzőkben összevont elemek vagy klaszterek összevonásából
származik, és ezekhez az összevont párokhoz hozzárendelhetjük azt a távolsá-
got, ahol először kerültek közös klaszterbe. A kapott ábra egy speciális fagráfnak
felel meg, amelyen általában jól érzékelhető az objektumok távolsága. Sokszor
ennek elősegítésére a függőleges tengely nem lineáris, hanem logaritmikus, hogy
a nagyon kicsi értékek közötti különbségek érzékelhetőbbek legyenek.
A dendrogramok szemléletesek ugyan, ám két különböző dendrogram ösz-
szehasonlításának szubjektív elemei is lehetnek. Ennek érdekében számszerűsí-
tik a dendrogramok jellemzőit, a legtöbb esetben távolságmátrixban összefog-
lalva azokat.
E mátrixokból különböző távolságmutatókat készített Hartigan, Philipp,
Williams és Crifford az 1960-as, valamint Dobson az 1970-es években. Mind-
egyik ilyen mutató egy számban foglalja össze a dendrogramok eltérését, érté-
ke 0 (ha teljesen különböznek) és 1 (ha teljesen azonosak) között változik.
A klaszterelemzésre látunk példát a 3.26 ábrán bemutatott családfa elemzése so-

rán. Egy család még élő, betűkkel jelölt tagjainak egymástól való „távolságát” an-
nak segítségével írtuk le, hány tagon (csomóponton) keresztül állnak egymással
kapcsolatban (3.29 táblázat).
3.26 ábra Egy családfa részlete
131
© Typotex Kiadó
3.29 táblázat A családtagok „távolságmátrixa”
A B C D E F G H
A 0 1 2 3 3 3 3 2
B 1 0 2 3 3 3 3 2
C 2 2 0 2 2 2 2 1
D 3 3 2 0 1 3 3 2
E 3 3 2 1 0 3 3 2
F 3 3 2 3 3 0 1 2
G 3 3 2 3 3 1 0 2
H 2 2 1 2 2 2 2 0
A távolságmátrix adatai alapján a klaszterelemzés módszere megadja a családta-

gok által meghatározott rendszer szerkezetét a 3.27 ábrának megfelelően. Ezen az
A családtag az 5. sor (row 5) elnevezést kapta, a B családtag a 6. sor, végül a H csa-
ládtag a 12. sor néven szerepel.
Az eredmény nagyban megegyezik az eredeti családfával. Ez esetünkben nem
meglepő, hiszen az egyébként is egyszerű szerkezetű családfát közvetlenül leképező
kapcsolati (távolság-) mátrix alapján történt meg a klaszterezés. Bonyolultabb
rendszerek több áttételen keresztül történő modellezése esetén azonban ugyanilyen
jellegű megfeleltetést nyerhetünk a valóságos szerkezet és a klasztermodell között.
3.27 ábra A családfa szerkezete a klaszterelemzés eredménye alapján
A klaszterelemzés viszonylag egyszerű elméleti alapokra épül, és számítás-

igényessége sem éri el a faktoranalízisnél leírtakat (bár már egyszerű esetekben
is számítógépet igényel). Ez az előnye lehetővé teszi, hogy (bizonyos közelíté-
132
© Typotex Kiadó
sekkel) akár manuálisan is gyors eredményt szolgáltasson. Az ebből nyerhető

információkat megbízhatóvá teszi, hogy osztályozási elve és technikája egyér-
telmű, precíz és túllép a hagyományos csoportosítások szemléletén. Alkalmazá-
sának azonban vannak hátrányai is. Ilyen például a kívülálló pontok problémája.
Ezek olyan objektumok, amelyek minden más egyedtől, illetve csoporttól elkü-
lönülnek. Szokás őket zajelemeknek is nevezni, mivel a homogén struktúra fel-
ismerését és kialakítását megnehezítik. A klaszterelemző módszerek legtöbbje
minden egyedet besorol valamilyen klaszterbe, ezért nem szűrik ki automatiku-
san a zajelemeket. A dendrogram vizsgálata segít a zajelemek megkeresésében,
mert ha elvágjuk egy adott távolsági szinten (a 3.27 ábrán függőlegesen), akkor
ha van olyan egyed, amelyik nincs összekötve más elemekkel, klaszterekkel, az
a zajelem. Ez azonban szubjektív megítélésre ad lehetőséget, mivel a kívánt tá-
volsági szint egzakt feltételei nincsenek előírva, értéke az adott feladat jellegétől
függ, aminek megítélése viszont szubjektív jellegű. A kiválasztott távolsági
szint ugyanis meghatározza az eredményt: ha túl alacsony, akkor minden
egyed önálló, ha túl magas, akkor minden egyed része valamilyen klaszternek.
Hasonlóan hátrányt jelent a klaszterelemző módszereknél az is, hogy a klasz-

terek távolságainak különböző definíciói (egyszerű lánc, teljes lánc stb.) eltérő
eredményeket adhatnak. Némelyikük bizonyos esetekben túl zárt (amőba-
vagy talán inkább ködszerű) klasztereket eredményez, mások térösszehúzó ha-
tásúak (ahogyan növekszik a klaszter, úgy mozdul el bizonyos egyedek felé,
ahelyett, hogy távolodna tőlük).
E hátrányok kiküszöbölését szolgálják a módszerek fejlesztésének munkálatai.
A problémák megoldásában kiemelkedő szerepet játszott az 1960-as és ’70-es
években Lance és Williams, Jardine és Sibson, valamint Sokal és Sneath.
A korábban bemutatott motivációs vizsgálat első tíz kérdésének klaszterezéssel

történő elemzése során a következő eredmények adódtak (3.30 táblázat):
3.30 táblázat A klaszterezés egyes lépései és az összevonás szintjei az euklideszi

távolságok alapján a legközelebbi szomszéd szerint
Clustering Strategy
Cluster 1st Item 2nd Item Distance
1 Row 10 Row 4 25,000
2 Row 9 Row 6 26,000
3 Row 3 Row 1 42,000
4 Cluster 3 Row 8 49,500
7 Cluster 6 Cluster 5 43,493
133
© Typotex Kiadó
A táblázat adatainak megfelelő dendrogram a következőképpen szemlélteti az

adatok összefüggéseit (3.28 ábra):
3.28 ábra A motivációs vizsgálat dendrogramja az euklideszi távolságok alapján

a legközelebbi módszer elve szerint
A programok legtöbbször többféleképpen képesek kiszámolni a klaszterezés ered-

ményeit. Leggyakoribb változó paramétereiket a távolság értelmezése és az össze-
vonás elve jelenti. A megváltoztatott bemenő adatok eredményeit a 3.31–3.32 táb-
lázatok foglalják össze, és a 3.29–3.30 ábrák szemléltetik.
3.31 táblázat A klaszterezés egyes lépései és az összevonás szintjei

a négyzetes távolságok alapján a centroid elemek szerint
Clustering Strategy
1 Row 10 Row 4 25,000
2 Row 9 Row 6 26,000
3 Row 3 Row 1 42,000
134
© Typotex Kiadó
3.29 ábra A motivációs vizsgálat dendrogramja a négyzetes távolságok alapján

a centroid elemek szerint
3.32 táblázat A klaszterezés egyes lépései és az összevonás szintjei

a négyzetes távolságok alapján a legtávolabbi szomszédok szerint
Clustering Strategy
1 Row 10 Row 4 25,000
2 Row 9 Row 6 26,000
3 Row 3 Row 1 42,000
4 Row 8 Row 7 53,000
135
© Typotex Kiadó
3.30 ábra A motivációs vizsgálat dendrogramja a négyzetes euklideszi távolságok

alapján a legtávolabbi szomszédok szerint
A három különböző eljárással nyert megoldás közötti kisebb-nagyobb különbsé-

gek ellenére fellelhetők hasonló vonások. Az önmagukban álló zajelemek kiküszöbö-
lése és a kapcsolódások erősségét a lineárisnál jobban tükröző logaritmikus távol-
ságleképezés alapján például a következő modelleket kapjuk (3.31 ábra):
3.31 ábra A motivációs vizsgálat dendrogramjai a zajelemek kiszűrése után
9. kérdés
6. kérdés
euklideszi távolság alapján

10. kérdés
a legközelebbi szomszéd szerint
4. kérdés
3. kérdés
1. kérdés
136
© Typotex Kiadó
9. kérdés
6. kérdés
3. kérdés
négyzetes távolság alapján
1. kérdés a centroid elem szerint
7. kérdés
10. kérdés
4. kérdés
10. kérdés
4. kérdés
9. kérdés
6. kérdés
négyzetes távolság alapján
8. kérdés a legtávolabbi szomszéd szerint
7. kérdés
3. kérdés
1. kérdés
137
© Typotex Kiadó
A modellek között feltűnően szoros kapcsolat látható. A zajelemek közül a 2. és

az 5. kérdés mindháromban közös, és a 8. kérdés is megtalálható két modell külön-
álló elemei között. A modellt alkotó elemek nagy része szintén megegyezik, ráadá-
sul a 6–9, a 4–10 és az 1–3 klaszterek mindegyikben azonosak. Kijelenthető tehát,
hogy motivációs felmérésünkben a 2–5–(7–8) kérdések feleslegesek voltak (illetve
finomabban fogalmazva csupán a válaszok árnyalása érdekében volt rájuk szük-
ség). Emlékeztetőül elevenítsük fel ezeket:
2: Zavar, ha rosszul végzed az elvállalt munkát?

5: Megpróbálsz osztályelső lenni a tanulásban?
7: Félsz a dolgozattól?
8: A tanítás végén már izegsz-mozogsz?
Az egymással összetartozó kérdések pedig a következők voltak:
1: Elkalandozik a figyelmed az órák alatt?

3: Szoktál rendetlenkedni az órán?
4: Szeretsz iskolába járni?

10: Érdekesnek találod az iskolai munkát?
6: Szeretsz új dolgokat kipróbálni, még ha nehezek is?

9: Ha valamit elrontasz, megpróbálod még egyszer?
Az összetartozó kérdések tartalmilag és szakmailag szinonim jellege önmagáért

beszél, de hangsúlyozandó, hogy erre az elemzés nyelvi értelmezés nélkül, pusztán
a válaszokból következtet.
A klaszterelemzés előzőekben áttekintett klasszikus módszere az adatok

struktúrájának belső jellemzőit tárja fel egzakt módszerekkel. A végső kérdés-
ben azonban az elemző szubjektív megítélésére bízza a döntést. A módszer al-
kalmazásának a célja ugyanis elsősorban az, hogy osztályokba sorolja a vizsgált
elemeket. Arra azonban, hogy melyik klasztereket tekinti az elemző egy hal-
mazba vonhatónak, illetve hol szabja meg a határt e csoportok között, nem ad a
módszer javaslatot. Emiatt a hagyományos összevonó módszerek mellett ké-
sőbb kidolgozták a lebontó eljárásokat is. Ezek nem a különálló elemek fokoza-
tos, a végeredményben egy klasztert kialakító lépéseit végzik el, hanem a kiin-
duló, egységes halmazt bontják részekre úgy, hogy mindig a leginkább eltérő
elemeket emelik ki belőle. Így elveszítik azt a képességüket, hogy szerkezeti in-
formációt nyújtsanak az adathalmazról, cserében viszont a felhasználó számára
kényelmes eredményt szolgáltatnak az osztályba sorolásról. Ennek egyik leg-
közkedveltebb módszere a K-közép eljárás, amely az elemző által megadott szá-
mú részhalmazba sorolja az adathalmaz elemeit úgy, hogy a klaszterelemzés
alapvető célkitűzései teljesüljenek (vagyis végeredményben minden elem a
hozzá leginkább hasonlító elemeket tartalmazó klaszterbe kerül).
138
© Typotex Kiadó
3.2.2.3 A sokdimenziós skálázás módszere
A sokdimenziós skálázás a matematikai eljárások azon fejezetei közé tartozik,

amelyek a többváltozós adatelemzést már nyíltan a rejtett jellemzők feltárása
érdekében elemzik. A fejezetben érintett eljárások közül ez tekinthet vissza a
legrövidebb múltra annak ellenére, hogy a téma első publikációját Torgenson
már 1958-ban kiadta.
E módszert a szerző egy pszichológiai probléma elemzéséhez dolgozta ki.
Egy kutatás során a vizsgálati személyeknek ki kellett választaniuk, hogy két
szín közül melyik hasonlít jobban egy harmadikhoz. A színek (illetve a színér-
zékelések) távolságai alapján Torgenson el akart készíteni egy olyan táblázatot,
amely léptékhelyesen ábrázolja a színek elhelyezkedését egy síkbeli ábrán.
A feladat egyébként kísértetiesen hasonlít arra, amikor valaki egy térkép ki-
lométermutatója (távolságmátrixa) alapján próbálja elképzelni a városok elhe-
lyezkedését egy vaktérképen. A feladat nem megoldhatatlan, de számos nehéz-
séget támaszt azzal szemben, aki vállalkozik rá.
Különösen nehéz ez akkor, ha a távolságmutató nem a légvonalbeli, hanem a köz-

úton vagy a vasúton mért távolságokat, esetleg a menetjegyek árait tartalmazza.
Ilyenkor az ábrázolás nehézségeit tovább fokozza, hogy eltűnnek a linearitás felté-
telezéséből fakadó segítségek is.
A program alkalmazását bemutató példánk is egy ehhez hasonló problémára
épül. Kiindulási adatbázisként hazánk tíz városának közúton mért távolságait
használtuk fel egy autóstérkép alapján. Ezt a 3.33 táblázat mutatja be (a táblázat
természetesen szimmetrikus, ilyen esetekben a programok a bemutatottnak megfe-
lelő szerkezetű táblázatokkal számolnak).
3.33 táblázat Tíz magyar város egymástól mért távolságai közúton

Székesfehér-
Veszprém
Debrecen
Budapest
Miskolc
Kalocsa
Szeged
Cegléd
Komló
Eger
vár
Budapest 0
Cegléd 72 0
Debrecen 224 158 0
Eger 130 116 132 0
Kalocsa 119 120 278 244 0
Komló 204 212 370 334 141 0
Miskolc 165 248 97 79 286 377 0
Szeged 170 115 224 239 142 201 280 0
Székesfehérvár 65 137 289 195 111 156 246 207 0
Veszprém 109 181 333 239 146 153 290 242 44 0
139
© Typotex Kiadó
A távolságmátrix alapján a városok rendszerének grafikus „újramegjelenítését”

lehetővé tevő sokdimenziós skálázás módszere a 3.32 ábra eredményét adja. A 3.33
ábrán az összehasonlíthatóság kedvéért láthatjuk a városok tényleges elhelyezke-
dését is. A sokdimenziós skálázás módszere többé-kevésbé jól adta vissza a rend-
szer elemeinek elhelyezkedését (a pontosságot az indokolja, hogy a hálózat tényle-
gesen síkbeli, ahogyan a számítás is feltételezte, a pontatlanságot pedig azzal ma-
gyarázhatjuk, hogy a közúti távolságok eltérnek a légvonalbeli adatoktól).
3.32 ábra A városok elhelyezkedése a sokdimenziós skálázás egyik eljárása alapján
1. Budapest 6. Komló
2. Cegléd 7. Miskolc
3. Debrecen 8. Szeged
4. Eger 9. Székesfehérvár
5. Kalocsa 10. Veszprém
140
© Typotex Kiadó
3.33 ábra A városok tényleges földrajzi elhelyezkedése
A sokdimenziós skálázás módszere az ilyen jellegű „fordított” feladatok megol-

dására szolgál. Akkor alkalmazzuk, ha rendelkezésünkre áll bármilyen dolog-
ról, egyedekről, jellemzőkről a köztük levő hasonlóság vagy különbözőség. Ez
minden többváltozós méréssorozat kapcsán kiszámolható, hiszen a tényezők
korrelációs együtthatómátrixa (kovarianciamátrixa) egy sajátos hasonlóságmát-
rixként is felfogható.
A sokdimenziós skálázás eredménye egy olyan ábra, amely a térképhez hason-

lóan ábrázolja a pontok (objektumok) által kialakított geometriai alakzatot. Ez
az adatok belső struktúrájára vonatkozik, és segít belső kapcsolataikat feltárni.
A számítások célja, hogy a minimális dimenziószámú térben olyan ponthal-
mazt találjon, amelyben a távolságok arányosak az adatok közötti különbségek-
kel. Praktikus szempontok szerint ez a tér kétdimenziós (hiszen ekkor könnyű
ábrázolni az adatokat), de sokszor kell beérni háromdimenziós, sőt négydimen-
ziós leképezésekkel is. Az eredmény persze ilyenkor is ábrázolható síkban, de
csak eltorzult formában.
A számítások tehát az első lépésben meghatározzák a tényezők távolságait a

klaszterelemzéshez hasonló módon. Ezután az n-dimenziós vektortérhez tarto-
zó összes távolsághoz hozzárendelnek egy olyan (n–1)-dimenziós vektorteret,
amelyben továbbra is fennmaradnak a távolságrelációk (tehát, ha a és b távolsá-
ga nagyobb volt c és d távolságánál, akkor ez a viszony továbbra is fennmarad –
természetesen minden elempárra). A dimenziószám redukcióját addig folytat-
ják, ameddig e szabályt be lehet tartani. Természetesen e feladatot nem próbál-
141
© Typotex Kiadó
kozással oldják meg, hanem olyan algoritmussal, amely a távolságokat leíró

függvényt kezeli.
Az egyik ilyen eljárást Lingoes és Roskam fejlesztette ki MINISSA-modell néven

1968 és 1975 között. Ez a mérési adatsorok alapján készülő korrelációmátrix ele-
meit redukálja annak figyelembe vételével, hogy a kiszámított (a középiskolá-
ból ismert) euklideszi távolságok, illetve egy ehhez hasonló képlettel számolha-
tó „city-block”-metrika adatai (ezeket részletesebben lásd az előző alfejezetben)
alapján a távolságrelációk változatlanok maradjanak.
A PROFIT-modell megkeresi az adatok n-dimenziós terében a hozzájuk legin-
kább illeszkedő vektort, és e vektort transzformálja az n–1 dimenziós térbe a
szokásos célfüggvény figyelembe vételével. E transzformáció történhet lineáris
függvény alapján (ezt Miller, Shepard és Chang dolgozta ki még 1964-ben), és
nemlineáris hozzárendelés segítségével is (ezt Carroll és Chang készítette el
1968-ban).
A PREFMAP eljárás egy olyan preferenciaskálát használ fel, amelyben súlyoz-
ni lehet azt, melyik tényezőket tartjuk fontosnak a távolságreláció transzformá-
ciója során. Így lehetővé válik az, hogy minimálisra csökkenjen a végeredmény
dimenziószáma.
A PARAMAP eljárás a dimenzióredukciót egy folytonossági mutató (függ-
vény) maximalizálása mellett oldja meg. Az eljárást Sheppard, Carroll és Chang
1966 és 1973 között dolgozta ki.
Az MRSCAL eljárás abból a feltételezésből indul ki, hogy az n pontnak létezik
egy olyan minimális dimenziószámú tere, melyben a pontok közötti távolságok az
eredeti térben mért különbözőségeknek lineáris vagy logaritmikus átalakításával
állíthatók elő. A módszer célja megtalálni az n pont koordinátáinak azt a becslését
a csökkentett dimenziószámú térben, amelyben a számított távolságok lineáris
függvényei az eredeti térben mért távolságoknak. A program elveit Richardson
1938-ban állította össze. A sokdimenziós skálázás e klasszikus módszerét Young
és Householder 1938-ban pontosította, Torgenson 1958-as programja alapján pe-
dig Roskam 1972-ben dolgozta ki a számítógépes programváltozatot.
A sokdimenziós skálázás módszereinek felhasználóbarát jellegét tükrözi, hogy

a végeredmény mindig szemléletes, grafikus ábra formájában jelenik meg. Hát-
rányuk viszont, hogy a dimenziószám redukciója során (még egyszerű esetek-
ben is 10–15 dimenziós tereket használnak) óhatatlanul elvesznek információk
a tényleges kapcsolatokról, így durvábbá válik a rendszerről kialakított kép. Rá-
adásul ritka az olyan feladat, amelynél egészen a kétdimenziós térig elvégezhe-
tő a redukció, ellenkező esetben viszont a végső ábrázolási lépések torzítják az
eredményt. A módszerek nagy részénél a transzformáció során véletlenszerű
(szimulációs) számításokat is felhasználnak, így ráadásul a végeredmények
több programfutás esetén ugyanazon bemenő adatok és paraméterek mellett is
eltérhetnek egymástól. Az elterjedt programok ugyanakkor több bemeneti pa-
ramétert is felkínálnak (például a céltér dimenziószámát, a távolságszámítás el-
142
© Typotex Kiadó
veit vagy a transzformáció segédfüggvényének típusát). Ezek közül a felhasz-

nálónak kell kiválasztania a megfelelőket, ami nem garantálja a legjobb eredmé-
nyek elérését.
Újszerű szemléletük, a végeredmény grafikus ábrázolásából eredő előnyeik

azonban alkalmassá teszik arra, hogy a rendszerek elemzésében és modellezé-
sében hatékonyan felhasználhatók legyenek.
A motivációs vizsgálat sokdimenziós skálázó módszerrel történő elemzése során

számos paramétert befolyásolhatunk. A 3.34 ábra szemlélteti annak a modellezés-
nek az eredményét, amelyben az euklideszi távolságok alapján kétdimenziós leké-
pezés történt.
3.34 ábra A sokdimenziós skálázás eredménye kétdimenziós,

euklideszi leképezés esetén a motivációs vizsgálat során
Eszerint a kérdések viszonylag egyenletesen oszlanak meg az általuk létrehozott

térben. Elhelyezkedésük emellett enyhén utal arra, hogy két fő csoportra esnek
szét, melyek a 3. („szoktál rendetlenkedni?”) és a 6. („szeretsz új dolgokat kipró-
bálni?”) kérdések körül tömörülnek.
143
© Typotex Kiadó
A 3.35 ábra a szintén az euklideszi távolságokat felhasználó, de már négydi-

menziós térbe való leképezés eredményeit mutatja be:
3.35 ábra A sokdimenziós skálázás eredménye négydimenziós,

euklideszi leképezés esetén a motivációs vizsgálat során
Ezen egyértelmű csoportok körvonalazódnak, a kérdések négy fő halmazt alkot-

nak. Egy csoportot alkot az 1. és a 8. kérdés (ezek a figyelem terjedelmére vonatkoz-
nak), a 4. és a 9. kérdés (az iskolába járás és a kitartás kapcsolatát tükrözve), a 2., a 6.
és a 10. kérdés (ezek a teljesítménykényszert mutatják be), végül a 3. és a 7. kérdés
(a rossz tanulói magatartás okaira rámutatva). Az 5. kérdés (arra vonatkozóan, sze-
retne-e a tanuló kitűnni a tanulásban) egyik halmazba sem sorolható egyértelműen.
A 3.36 ábra azt az esetet érzékelteti, amikor a transzformáció szintén a négydi-
menziós térbe viszi át az adatokat, de a távolság kiszámítása a „City Block” techni-
kával történik (vagyis két pont távolságát nem a Pitagorasz-tétel alapján határoz-
zuk meg, hanem azonos koordinátáik különbségének abszolútérték-összegével).
144
© Typotex Kiadó
3.36 ábra A sokdimenziós skálázás eredménye négydimenziós,

„City Block”-leképezés esetén a motivációs vizsgálat során
Eszerint a kérdések homogének, kivétel ez alól a 3. („szoktál rendetlenkedni?”)

és az 5. („szeretnél osztályelső lenni?”) kérdés.
A sokdimenziós skálázás módszere (és bizonyos megszorításokkal a klaszterelem-

zés, sőt a faktoranalízis is) transzponálható. Azt jelenti ez, hogy esetünkben nem-
csak a felmérés kérdéseit csoportosíthatjuk általa, hanem a válaszadókat is. A moti-
vációt befolyásoló általános tényezők meghatározása és elemzése mellett tehát mó-
dunk van arra is, hogy a tanulókat csoportosítsuk különböző motivációs szem-
pontok szerint. Ez a tanári munkában közvetlenül alkalmazható eredményeket
nyújthat konkrét problémák megoldására is.
3.2.2.4 A többváltozós adatok elemzési módszereinek összehasonlítása
Az előzőekben áttekintett három eljárás a gyakorlati alkalmazás számos szem-

pontjából hasonlít egymásra annak ellenére, hogy matematikai apparátusuk tel-
jesen eltérő.
145
© Typotex Kiadó
Mindhárom módszer alapvető célja az, hogy a változókat valamilyen (előze-

tesen nem ismert és nem deklarált) szempontok alapján csoportosítsa. Ennyiben
túllépnek a hagyományos klasszifikációs eljárásokon, hiszen így nem önkényes,
esetleg erőltetett szubjektív paraméterek, hanem az adathalmaz belső struktú-
rája szerinti, objektív tényezők határozzák meg azt, hogy hány és milyen tulaj-
donságú csoport alakul ki. A csoportképzés azonban nem öncélú – azt szeret-
nénk általa feltárni, hogy a mérhető tulajdonságok milyen általánosabb, látens
jellemzők megnyilvánulásai.
A faktorelemzési eljárások általában olyan eredményt nyújtanak, amelyben
egyes tényezők több látens jellemző megnyilvánulásait jelenthetik egyidejűleg.
Ezzel szemben a klaszterelemzés kizárólagos: minden mérhető tényező csak
egy látens jellemzőhöz tartozhat. A sokdimenziós skálázás módszere viszont
nem is próbálkozik semmilyen csoportba sorolással, csupán azt mutatja meg,
hogy a mérhető változók hogyan helyezkednek el egy absztrakt térben és mi-
lyen messze vannak egymástól.
Ezek a célok különböző típusú feladatok megoldására teszik e módszereket
alkalmassá. A gyakorlatban legtöbbször tényleg több általános okra is visszave-
zethető egy jelenség:
Az autó nem indul. Lehet, hogy a gyújtási rendszere rossz, de az is, hogy
nincs üzemanyaga vagy egyszerűen lemerült az akkumulátora.
A tanuló osztályzatai hirtelen leromlottak. Lehet, hogy túlhajszolt, vagy
már nem eléggé motivált, de az is, hogy a szülei válnak.
Egy betegnek magas a vérnyomása. Ennek oka lehet a szív betegsége, de
szintúgy a hibás veseműködés vagy a stressz, miközben akár öröklött haj-
lamra is visszavezethető.
Ilyenkor nagyon jól illeszkednek a valósághoz a faktoranalízis módszerei.

Néha azonban arra is szükség lehet, hogy a mérhető adatok összefüggéseit
keressük, és így tárjuk fel kapcsolatukat a háttérben meghúzódó okokkal.
A gépjárművek diagnosztikai vizsgálataiban olyan algoritmusokat alkal-

maznak, amelyek garantálják a hiba feltárását. Ehhez azt kell meghatározni,
hogy milyen okok kapcsolhatók leggyakrabban egy adott hibajelenséghez.
A tanulók motiválása nagyban hozzájárul tanulmányi eredményük emelé-
séhez. Ehhez tudni kell azt, hogy milyen tanulói típusok léteznek, és ezek-
nél milyen motivációs módszerek alkalmazhatók hatékonyan.
Egy beteg magas vérnyomásának kezelésénél fontos tudni azt, hogy mi-
lyen okokra vezethető az vissza, és azt is, hogy az egyes esetekben milyen
további betegségekkel párosulnak e kór tünetei.
Ezeket a kérdéseket a klaszterelemzéssel tudjuk megválaszolni.
A végeredményeket vizsgálva megállapítható, hogy a faktorelemzés tulajdon-

képpen pontszerű („nulladimenziós”) megoldásokat nyújt. A kapott faktorok
146
© Typotex Kiadó
távolságát, egymáshoz való viszonyát nem veszi figyelembe, csupán felsorolja e

faktorokat és fő tulajdonságaikat. A klaszterelemzés ezzel szemben vonalszerű
(„egydimenziós”) eredményei távolságokat is értelmeznek, amint ez a dendro-
gramokban is jól tükröződik. A sokdimenziós skálázás a dimenziószámot tet-
szőlegesen megnöveli, bár az egyszerűség érdekében legfeljebb négydimenziós
terekig egyszerűsíti a mérések n-dimenziós terét, és megelégszik a síkbeli („két-
dimenziós”) ábrázolással.
A vizsgált módszerek az objektivitás érdekében számos bonyolult matemati-
kai eljárást használnak fel (ezek némelyikét kifejezetten e módszerek igényei
miatt dolgozták ki). Az eredmények értelmezése azonban legtöbbször annyi
szubjektív elemet takar, hogy a laikus számára néha meg is kérdőjeleződik a
számítások bonyolultságának értelme. A faktoranalízis végén az egyes ténye-
zők csoportba sorolása mindig tartalmaz szubjektív vonásokat (nincs egyértel-
mű utalás arra, hogy adott esetben milyen korrelációs együtthatókat vehetünk
még szorosnak a csoportosítás érdekében). A klaszterelemzés ennél egyértel-
műbb, de itt is tere van a szubjektivitásnak például a zajelemek kiválasztása so-
rán. A legnagyobb kontraszt az eljárás objektivitása és az eredmény értelmezé-
sének szubjektivitása között a sokdimenziós skálázásban látható. Itt bonyolult
számítások után az eredmény alapján legtöbbször csak vizuálisan („ránézésre”)
minősíthető a tényezők csoportba sorolásának módja.
Ezeket a hátrányokat küszöbölik ki a következőkben tárgyalásra kerülő adat-

modellező eljárások, amelyeknél a modell felépítésétől a számítások elvégzésén
át az eredmények értékeléséig minden fázisban objektív matematikai eszközök
vesznek részt. A felhasználó feladata ilyenkor már csak a modell (egyébként
sokszor több ezer lehetőségből való) kiválasztására és az eredmények (szakmai
tudást igénylő) értelmezésére és hasznosítására redukálódik.
1. Ismertesse a többváltozós statisztikai elemzések főbb módszereit! (3.2.2.1)

2. Mennyiben térnek el a többváltozós statisztikai elemzés eljárásai az elemi
statisztika módszereitől? (3.2.2.1)
3. Milyen matematikai alapjai vannak a faktorelemzésnek? (3.2.2.1)
4. Miben térnek el egymástól a faktorelemzés módszerei? (3.2.2.1)
5. Hogyan értelmezhetők a faktorelemzés eredményei? (3.2.2.1)
6. Milyen pedagógiai problémák megoldására alkalmasak a faktorelemzési el-
járások? (3.2.2.1)
7. Milyen matematikai céljai vannak a klaszterelemzés problémakörének?
(3.2.2.2)
8. Hogyan határozzák meg az egyes klaszterelemzési eljárások az egyedek, il-
letve a klaszterek távolságait? (3.2.2.2)
9. Milyen pedagógiai problémák megoldására alkalmasak a klaszterelemzési
eljárások? (3.2.2.2)
147
© Typotex Kiadó
10. Milyen célokból hozták létre a sokdimenziós skálázás módszereit? (3.2.2.3)

11. Mi a matematikai alapjuk a sokdimenziós skálázási eljárásoknak? (3.2.2.3)
12. Hogyan lehet értelmezni a sokdimenziós skálázás módszerének eredmé-
nyeit? (3.2.2.3)
13. Milyen típusú pedagógiai problémák megoldására lehet alkalmazni a sok-
dimenziós skálázás módszereit? (3.2.2.3)
3.2.2.6 FELADATOK

HALLGATÓK HALLGATÓK
INTÉZMÉNYEK OKTATÓK ÖSSZES
ÉV SZÁMA SZÁMA
SZÁMA SZÁMA HALLGATÓ
1970 74 9791 53800 26700 80500

1975 56 12135 64300 43200 107500
1980 57 13890 64100 37100 101200
1981 57 13843 63400 39200 102600
Modellezze a felsőoktatási rendszert a faktoranalízis különböző eljárásai-

val! (A korrelációs együtthatómátrix alapján főkomponenselemzéssel az
első faktor sajátértéke: 5,376.)
Dolgozza ki a felsőoktatási rendszer klasztermodelljeit különböző elemzé-
si beállítások alapján! (Az euklideszi távolságok alapján a legközelebbi
szomszéd módszerével az év és az oktatók számának összevonása a 2. lé-
pésben történik.)
Készítse el a felsőoktatási rendszer sokdimenziós skálázáson alapuló kü-
lönböző modelljeit!
Elemezze és értékelje a modellek alapján a felsőoktatási rendszert!
Kutassa fel az aktuális adatokat, és hasonlítsa össze a modellezés eredmé-
nyeivel! Milyen következtetéseket tud levonni a modellezés hatásköréről?
2. Az alábbi táblázat a hazai könyvkiadás adatait tartalmazza az 1970 és 1981

közötti időszakra vonatkozóan (az egyes kategóriákban kiadott művek
számát).

1970 678 655 1525 673 222 1010 30 4793
1975 1033 1359 3056 700 278 1253 51 7730
1980 878 1307 3525 749 397 1329 56 8241
1981 939 1040 3342 724 353 1450 62 7910
148
© Typotex Kiadó
Modellezze a könyvkiadás rendszerét a faktoranalízis különböző eljárásai-

val! (A korrelációs együtthatómátrix alapján főkomponenselemzéssel az
első faktor sajátértéke: 7,635.)
Dolgozza ki a könyvkiadási rendszer klasztermodelljeit különböző elemzé-
si beállítások alapján! (Az euklideszi távolságok négyzete alapján a centroid
elemek módszerével utolsóként az „összes könyv” kerül a klaszterba.)
Készítse el a könyvkiadási rendszer sokdimenziós skálázáson alapuló kü-
lönböző modelljeit!
Elemezze és értékelje a modellek alapján a könyvkiadási rendszert!
3. A következő táblázat egyes ipari termékek egy főre jutó termelésének ada-
tait tartalmazza az 1980-as évben.

Ausztria 666 96 732 1 208 61
Belgium 1247 1 761 218 91 98
Bulgária 290 17 605 97 45 39
Csehszlovákia 994 120 689 84 77 51
Franciaország 432 649 542 92 104 79
Görögország 48 1 1278 113 40 21
Hollandia 375 57 262 122 131 65
Jugoszlávia 107 84 416 53 49 34
Lengyelország 548 99 518 85 36 30
Magyarország 351 0 435 55 41 44
NDK 437 102 743 57 74 44
NSZK 712 571 556 78 123 50
Olaszország 465 253 735 46 93 29
Románia 593 40 658 79 38 23
Spanyolország 337 274 748 78 61 26
Svédország 505 309 301 92 764 40
Szovjetunió 557 50 471 87 33 38
Japán 954 603 754 58 148 7
USA 443 281 286 176 266 23
Ausztrália 540 216 369 149 86 234
149
© Typotex Kiadó
Modellezze az ipari termelési rendszert a faktoranalízis különböző eljárá-

saival!
Dolgozza ki az ipari termelési rendszer klasztermodelljeit különböző elem-
zési beállítások alapján! (A kétklaszteres K-közép eljárás eredménye szerint
Csehszlovákia, Lengyelország, az NDK és Ausztrália kerül egy klaszterbe.
Háromklaszteres elemzésnél Svédország és az USA van egy klaszterben.)
Készítse el az ipari termelési rendszer sokdimenziós skálázáson alapuló
különböző modelljeit!
Elemezze és értékelje a modellek alapján az ipari termelési rendszert!
Füstös László: A sokdimenziós skálázás módszerei. http://ker.eso.hu/web/szolgaltatas/

konyv (2006. november).
Füstös László – Meszéna György – Simonné Mosolygó Nóra: A sokváltozós adatelemzés
statisztikai módszerei. Budapest, Akadémiai, 1986.
Füstös László – Meszéna György – Simonné Mosolygó Nóra: Térstatisztika: Három- és
többdimenziós adattömbök elemzése. Budapest, Aula, 1997.
Papp Ottó: Operációkutatási modellek: rendszerelméleten alapuló tervezési-elemzési módszerek
(faktoranalízis, input–output analízis). Budapest, BME Mérnöki Továbbképző Intézet,
1982.
Varga Lajos (szerk): Kutatás-módszertan (tankönyv közoktatási vezetők számára). Buda-
pest, BME Műszaki Pedagógia Tanszék, 2006.
Az adatelemző módszerek elmélete: www.szit.bme.hu/~kela/klaszter.pdf (2007. már-
cius).
Az adatelemzés módszereinek csoportosítása (PhD-szigorlati tételsor): www.bkae.hu/
szoc/doc/phd/phd_szigorlat_tetelek.doc (2007. március).
A sokdimenziós skálázás elmélete: www.hik.hu/tankonyvtar/site/books/b156/ch05-
s08.html (2007. március).
A sokváltozós adatelemzés oktatási tematikája a BKÁE Operációkutatási Tanszékén:
www.bkae.hu/~opkut/tantargyak/sokvaltozos_adatelemzes.html (2007. március).
A klaszteranalízis elmélete: www.hik.hu/tankonyvtar/site/books/b156/ch05s06.html
(2007. március).
A klaszteranalízis elmélete (angol nyelven): http://en.wikipedia.org/Wiki/Data_clus-
tering (2006. november).
A klaszteranalízis elmélete (angol nyelven): www.elet.polimi.it/upload/matteucc/
Clustering/tutorial_html (2007. március).
A klaszteranalízis mezőgazdasági alkalmazása: www.date.hu/rendez/ia99/kiadvany/
pdf/e07.pdf (2007. március).
A klaszteranalízis mezőgazdasági alkalmazása (diabemutató): http://pingvin.nyf.hu/
~simona/tagok/debr99/sld002.htm (2007. március).
A klaszteranalízis orvosi alkalmazása (diabemutató): www.behsci.sote.hu/phd_statisz-
tika_7_8_logisztikus_regresszio_es adatredukcio.ppt (2006. november).
150
© Typotex Kiadó
A klaszter- és faktoranalízis alkalmazása műszaki és gazdasági elemzésekben (kidolgo-

zott feladatok): www.gupt.bme.hu/letolt/hajdu/okonometria/MultiVar/FKCLgyak.
pdf (2007. március).
Ingyenesen letölthető statisztikai programcsomagok (angol nyelven): http://statpages.
org/javasta2.html; http://freestatistics.altervista.org/stat.php (2007. március).
TANAGRA – ingyenesen letölthető statisztikai programcsomag (angol és francia nyel-
ven): http://eric.univ-lyon2.fr/~ricco/tanagra/index.html (2007. március).
Ingyenesen letölthető LISREL (student version) statisztikai programcsomag (angol nyel-
ven): www.ssicentral.com/lisrel/student.html (2007. március).
Ingyenesen letölthető sokdimenziós skálázó programok (angol nyelven): www.new-
mdsx.com/programs.htm (2007. március).
Az SPSS programcsomag honlapja (angol nyelven): www.spss.com (2007. március).
Az SPSS programcsomag magyar honlapja: www.spss.hu (2007. március).
Ingyenesen letölthető adatelemző programok (angol nyelven): www.ssicentral.com
(2007. március).
3.2.2.8 ALKALMAZÁSOK
12. SZOCIOMETRIAI ELEMZÉS A SOKDIMENZIÓS SKÁLÁZÁS MÓDSZERÉVEL

13. TANANYAGSTRUKTÚRA ELEMZÉSE A TÖBBVÁLTOZÓS ADATELEMZÉS MÓD-
SZEREIVEL
14. A TANULÁSI MOTIVÁCIÓK KOMPLEX VIZSGÁLATA EGY ÁLTALÁNOS ISKO-
LA NYOLCADIK OSZTÁLYOS TANULÓI KÖZÖTT
3.2.3 Folyamatvizsgálat és rendszermodellezés látens változók elemzésével
Ha egy rendszert több paraméterrel jellemzünk, akkor természetes kérdésként

merül fel az adatok csoportosításának igénye. E csoportosítások legtöbbször
arra is utalnak, hogy a rendszerműködés hatásmechanizmusában mely para-
métereknek vannak közös elemei, csomópontjai. Az ilyen okokból összetartozó
paraméterek ismerete lehetővé teszi a rendszer felépítésére, strukturális jellem-
zőire vonatkozó következtetéseket is.
Az előző pontban ismertetett eljárások ezt bizonyos korlátokkal tették lehe-
tővé. Ennek az az oka, hogy ezeket a módszereket a sokváltozós adatstruktúra
különböző szempontú elemzéseire dolgozták ki, és az adatokkal jellemzett
rendszerek struktúrájára vonatkozó utalásaik csak járulékos eredményeikként
adódtak.
A rendszertechnika igényeinek megfelelően azonban kialakítottak olyan eljá-
rásokat is, amelyek fő célja az volt, hogy túllépjenek a rendszerek funkcionális
vizsgálatának módszerein. Így lényegében feltörték a korábbi rendszervizsgála-
tok „fekete dobozát” és az átmeneti függvények vizsgálata átadta helyét a
struktúravizsgálatoknak.
Mindennek az elvi és módszertani alapját egy olyan probléma megoldása
adta, amely a statisztikusokat közel egy évszázadon keresztül zavarta. Az elem-
151
© Typotex Kiadó
ző ugyanis sosem lehet biztos benne, hogy amit mérni tudunk, az valóban a
közvetlen oka-e a jelenségnek, vagy pedig maga is csak valamilyen indikátora a
tényleges, elméleti oknak.
Sok esetben igazából azt sem tudjuk, hogy a mért adat bemeneti (input) vagy kime-
neti (output) adat-e. Ennek megfelelően az sem mindig világos, hogy így az adat
okként vagy következményként értelmezendő-e. Bizonyos fenntartásokkal ilyen
például az infláció jelensége is, amely a közgazdasági elemzése szemléletétől füg-
gően akár input, akár output jellemzőként is felfogható.
Ilyenkor az elméleti változóval feltételezett kapcsolatban álló megfigyelt vál-

tozókat használjuk fel arra, hogy következtessünk annak jellegére, hatásaira.
Ez jelenleg úgy történik, hogy bizonyos elméleti vagy gyakorlati megfontolások

alapján megbecsülik a rendelkezésre álló mérési adatok input-, output-, illetve át-
meneti (kettős) jellegét, majd megvizsgálják, hogy az így kapott modell megfelel-e
bizonyos statisztikai kritériumoknak. Meghatározzák például az egyes (input és
output) csoportok tagjai, valamint a csoportok közötti korrelációkat, ezek mértékét
khi-négyzet próbákkal minősítik, majd elvégzik a különböző lehetséges függvények
szerint többváltozós regressziószámításokat. Ha a modellezés minősítésére kidol-
gozott statisztikai értékelő mutatószámok alapján a modellezés sikeresnek (meg-
bízhatónak, szignifikánsnak) mondható, akkor elfogadják azt. Jól látható ebből a fo-
lyamatból, hogy lényegében egy szimulációs elemzésről van szó. A számításokat
ugyanis különböző bemeneti jellemzőknek megfelelő adatcsoportosítások alapján
végzik el egészen addig, ameddig nem kapnak megfelelő eredményt. Bonyolultabb
rendszerek esetén (ide sorolhatók már azok is, melyek 8–10 változóval írhatók le)
olyan sok elvi rendszervariáció dolgozható ki, hogy szinte sohasem lehetünk bizto-
sak abban, a kidolgozott modellnél nem létezik-e jobb, vagyis igazolhatóan a való-
sághoz legközelebb álló rendszerleírást sikerült-e előállítanunk. Ezt a kételyt per-
sze segítik eloszlatni azok az értékelőszámok, amelyek meghatározzák a modellezés
érvényességi határait, az eredmények konfidenciaintervallumait, de mégsem feled-
hetjük, hogy a kapott eredményeket tulajdonképpen egy próba–szerencse alapú szi-
muláció nyújtja. Talán a közeljövő feladata lesz az, hogy olyan eljárásokat építsen
fel, amelyek garantáltan el is jutnak a tényleges optimumokig, vagyis azokig a mo-
dellekig, amelyek a valósághoz leginkább illeszkednek. Mint majd látni fogjuk,
mindezen hiányosságok ellenére már a mai módszerek is nagyságrendekkel szár-
nyalják túl a hagyományos rendszermodellezés lehetőségeit.
A látens elméleti változók modelljét a 3.37 ábra mutatja be:
152
© Typotex Kiadó
3.37 ábra Látens változók mérési modellje
l1 együttható l2 együttható l3 együttható
x1 x2 x3
d1 d2 d3
A modellt egyenletekkel felírva a következő egyenletrendszert kapjuk:
x1 = l 1 * x + d 1
x2 = l 2 * x + d 2
x3 = l 3 * x + d 3
A számításokban a x látens változót a megfigyelt változók legfontosabb kö-

zös részeként fejezzük ki. Az egyes módszerek közötti különbség (amint azt
már a faktorelemzésnél is láttuk) az e becsléshez használatos függvényekben, il-
letve a di hibatagok minimalizálásának módjában van.
Napjainkra két modell használatának elterjedése jellemző. Mindkettő bonyo-
lult rendszerhierarchiát feltételezve végzi el a szükséges számításokat. A kü-
lönbség a mért adatok (manifeszt változók) szerepében található.
Az első modell a „Strukturális kapcsolatok lineáris modellje” („Linear Structural
Relationship”) nevet viseli (angol rövidítése alapján ezt LISREL-modellnek hív-
juk). Egyes részeit Fletcher és Powell már 1963-ban, Rao pedig 1973-ban kidol-
gozta, a módszer azonban Jöreskog és Sörbom nevéhez fűződik. Az 1980-as
évek elején publikálták az első változat leírását, internetes honlapjukon azon-
ban a mai napig közzéteszik az egyes újabb módosításokat, fejlesztéseket.
A rendszer általános modellje a 3.38 ábrán látható:
153
© Typotex Kiadó
3.38 ábra A LISREL-módszer általános lineáris modellje
A modellben az egyes változók a következők:
X: a megfigyelt (manifeszt) független (a rendszer szempontjából külső,

exogén) változók halmaza;
Y: a megfigyelt (manifeszt) függő (a rendszer szempontjából belső, endo-
gén) változók halmaza;
x: a nem megfigyelt (látens) független (külső, exogén) változó(k);
h: a nem megfigyelt (látens) függő (belső, endogén) változó(k);
l és k: a független és a függő változók faktorsúlyai;
d és e: a megfigyelt független és függő változók mérési hibái;
z: a látens függő változó(k) sztochasztikus reziduális tagja(i).
Az általános modell kétféle elemzésre alkalmas. A mérési modell szerint a ma-

nifeszt változók két komponensre bonthatók – az egyik a szisztematikus tag
(ezt a látens változó[k] fejezi[k] ki), a másik a mérési hiba. E modellben az előze-
tesen kiválasztott és csoportosított független és függő változókra külön-külön
írjuk fel a modellt. Ez az eljárás az általános modell első és utolsó tagját (x és y)
elemzi. A strukturális modell a látens változók kauzális összefüggéseit írja le, és
az általános modell összes tagját felhasználja.
Az elemzés során az eljárás meghatározza:
A feltételezett modell egyes tagjai közötti korrelációkat, az egyes tagokba

összevont változók belső korrelációit.
Ezután megvizsgálja, hogy a kauzális (matematikai) kapcsolatok eléggé
erősek-e ahhoz, hogy azok alapján strukturális (rendszerszerkezeti) kapcsola-
toknak minősítsük azokat.
Ehhez egy „strukturális egyenletet” határoz meg (ez a valóságban mátrix-
egyenlet, tehát egyenletrendszert kell alatta érteni).
Ennek az egyenletnek az elemzése szolgál a minősítésre, ezt nevezik stan-
dardizálásnak.
Ezt követi a rendszer identifikációja, amelynek során minden változót meg-
vizsgálnak, kifejezhető-e a rendelkezésre álló, illetve számított adatokból.
Ha ez sikeres, akkor történik a rendszert leíró adatok becslése különböző il-
leszkedési függvényekhez igazítással (maximum likelihood eljárással).
154
© Typotex Kiadó
Ha mindezek a lépések eredményesek, akkor elvégezhető a rendszer mo-

dellezése különböző bemenő adatokkal.
A látens változók strukturális elemzésében szokásos másik modell a „Látens

változók útelemzése” (Latent Variables Path Analysis with Partial Least Squares Esti-
mation – rövidítve LVPLS) nevet viseli. A szakirodalom nem köti konkrét szerző-
höz, feltételezhetően szakértői csoport munkájának eredménye. Egyes részei-
nek kidolgozói között találjuk Hadamard, Tucker és Lewis nevét 1973-ból, illet-
ve Bentler-t és Bonnet-t 1980-ból. Az internetes utalások szerint az eljárás in-
kább nagygépes környezetben terjedt el (szemben a LISREL-lel, amelynek több
személyi számítógépes változata is található egyes honlapokon).
A módszer általános modellje majdnem teljesen megegyezik a LISREL-eljárás
modelljével. A különbség abban van, hogy az LVPLS-eljárás rugalmasabb a mért
adatok (megfigyelt változók) input-, illetve output-jellegének megítélésében. En-
nek megfelelően a számítási fázisai megegyeznek vele, de kissé bonyolultabbak.
A motivációs vizsgálat első 10 kérdésének a modell által történt feldolgozása a lá-

tens változók (vagyis a motivációs rendszert magyarázó okok) meghatározására
irányul. A modellezés első lépése egy látens változó feltételezésével indul, melynek
eredményét a 3.39 ábra szemlélteti:
3.39 ábra A motivációs vizsgálat egy látens változós modellje
155
© Typotex Kiadó
A modellben feltüntetett 35-ös szabadságfokhoz 5%-os szignifikanciaszinten

49-es khi-négyzet érték tartozik, az 50,0 értékű modell tehát még „éppen nem” fe-
lel meg a valóság pontos leírására.
Emiatt tovább kell lépni a kétváltozós modellre. Ennek már több változata is ki-
dolgozható (annyi, ahányféleképpen a modell 10 eleme két csoportra osztható). Az
ezek közötti választást jól segítik a korábbi, egyszerűbb módszerekkel (például a
faktoranalízissel) kapott eredmények, de elméletileg arra is lehetőség van, hogy
azoktól függetlenül minden változatot végigmodellezzünk.
Az általunk elvégzett (nem teljes körű) vizsgálat eredményei közül a legkedve-
zőbb a 3.40 ábra szerinti:
3.40 ábra A motivációs vizsgálat két látens változós modellje
A khi-négyzet értéke nőtt e megoldásban, a szabadságfok is változott. 34-es sza-

badságfok esetén az 5%-os szignifikanciaszinthez tartozó határérték kb. 49, ezt a
modell 57,8-es értékével meghaladja. Szükséges tehát továbblépni a következő, há-
romváltozós modellcsaládra. Itt annyi változatot kell elvileg megvizsgálni, ahány-
féleképpen 10 elemet 3, tetszőleges elemszámú csoportra lehet felosztani. Ezek kö-
zül a legvalószínűbbeket elemezve a 3.41 ábra eredménye adódik:
156
© Typotex Kiadó
3.41 ábra A motivációs vizsgálat három látens változós modellje
A modellt minősítő khi-négyzet 41,6-es értéke kisebb, mint a határt jelentő kb.
46-os érték. Azt jelenti ez, hogy a szokásos statisztikai valószínűségek mellett a
fenti három látens változós modell helyesen írja le a valóságot.
A modellezésnek csak az első, közvetlen eredményét jelenti a látens változók
számának meghatározása. A 3.41 ábra láthatóan további, a rendszerelemzőt ér-
deklő információkat is tartalmaz. Ilyen például az, hogy a látens változók és a meg-
figyelt jellemzők közötti kapcsolatokat számszerűsíteni is lehet. A kapcsolatokat
szemléltető nyilak melletti számok ugyanis a többváltozós regressziós egyenlet
együtthatóit képviselik, vagyis az adott megfigyelt jellemző változásának hatását a
látens változóra. (A program grafikus szolgáltatásai úgy is beállíthatók, hogy he-
lyettük az adott kapcsolat korrelációs együtthatóját tartalmazza az eredmény. Így
közvetlen becsléseket tehetünk a kapcsolatok szorosságára is.)
Minden megfigyelt változóra elemezhetők a látens változók hatásainak hibái,
amelyek a mérési hibák sztochasztikus jellegének erősségével állnak összefüggés-
ben. Ha e hibák egy része közös okokra vezethető vissza, akkor a két hibatag bizo-
nyos mértékben egymással magyarázható. Ezt a program szintén képes figyelembe
venni, illetve modellezni. Az ilyen kapcsolat jelzi a megfigyelt változók közötti
összefüggéseket akkor is, ha esetleg eltérő látens változóhoz tartoznak.
157
© Typotex Kiadó
A véletlen jelenségek a látens változók közötti kapcsolatokat is befolyásolják. Ezt

az fejezi ki, hogy a hibák egy részét itt is magyarázhatjuk a többi hibataggal. A kap-
csolat erősségét tünteti fel a modellezés végeredménye, és ez jelzi, hogy egy látens
változó értékének növekedése vagy csökkenése milyen hatást fejt ki a többi látens
változóra.
A programfutás eredményeit nemcsak grafikus formában közlik a felhasználó-
val, hanem szövegesen is. Ez részletes matematikai elemzést nyújt a modellezés
számításairól, elemzéseiről, további, elsősorban a matematikusokat érintő infor-
mációkat nyújtva.
Részletesebb pedagógiai és rendszertechnikai elemzések helyett említsük meg,
hogy modellünk szerint az lesz jó tanuló, aki:
szívesen jár az iskolába, mert érdeklik az ott tanultak;

fegyelmezett és jó magatartású;
igényes a saját munkájával szemben.
3.2.4 További modellezési lehetőségek a látens változók útelemzése

segítségével
Az előzőkben ismertetett alapmodell a látens változókat meghatározó, illetve

elemző korábbi eljárásoknál egzaktabb, pontosabb leképezést szolgál. Szemlé-
letükön azonban nem lép túl, mivel a valóságot túlzottan leegyszerűsíti. Ennek
elemeit a következőkben foglalhatjuk össze:
A legfontosabb hiányossága ennek a modellnek az (az egyébként sok eset-

ben előnyös tulajdonság), hogy minden mérhető változót határozottan
egy-egy adott látens változóhoz rendel. A valóságos rendszerekben ez
nem mindig van így: a tanuló matematikai eredményei például nemcsak a
„matematikai érzék” nevű látens változótól függhetnek, hanem a „szorga-
lom”, a „rendszerezőképesség”, az „absztrakciós képesség” és más hason-
ló, belső okokra is visszavezethetők.
Sokszor az is fontos lehet, hogy ismerjük a mérhető változók jellegét abból
a szempontból, hogy azok a rendszer bemenő vagy kimenő jellemzőit tar-
talmazzák-e. Ez a gyakorlatban általában könnyen becsülhető paraméter,
azonban megítélésébe szubjektív elemek is vegyülhetnek. A tanuló ered-
ményeit például alapvetően befolyásolja az, hogy milyen szorgalmasan ta-
nul (ez tehát input jellemző), de minden pedagógus tudja, hogy a szorgal-
mas munka lehet motiváció, érdeklődés eredménye (tehát output paramé-
ter) is. Összetettebb modellezési célok esetén tehát ezek elemzését is el kell
végeznie a programnak.
A valóságos rendszerekben a látens változók szerepe összetettebb annál,
amit az egyszerű modellek sugallnak. E látens változók egymás közötti
158
© Typotex Kiadó
kapcsolatai maguk is mutathatnak bemeneti és kimeneti jelleget, oksági vi-

szonyokat. A precízebb modellek tehát ezek elemzését is lehetővé teszik.
A rendszerek működési paraméterei legtöbbször nem rendelhetők hozzá
egységes skálákhoz. Egy modellen belül tehát kezelni kell rangskálán, in-
tervallumskálán és arányskálán elhelyezkedő adatokat is. A tanulási moti-
vációt elemző modellek például egyaránt figyelembe vehetik a lakóhely
adatait (falu–város), a család anyagi helyzetét (szülők jövedelme) és a ta-
nulóközösségben elfoglalt helyet (centrum–periféria) is.
A látens változók útelemzése alapján modellező programok ennek megfele-

lően ezeknek a feltételeknek is megfelelnek. Természetesen ilyenkor a modell a
korábbinál sokkal több információt tartalmaz, ezért felépítése is összetett mun-
kát jelent, esetenként sajátos nyelven történő programozást igényel. A követke-
zőkben fiktív adatokra épülő példákon keresztül tekintünk át néhány ilyen le-
hetőséget. (Ennek az az oka, hogy valóságos folyamatok esetén a helyes modell
felépítése már a legegyszerűbb esetben is több tízezer változat közötti válasz-
tást igényel. Így elképzelhető, hogy egy szignifikáns modell megtalálása több
száz elemzői munkaórát igényel.)
Egy feltételezett felmérés során azt vizsgálták, hogy milyen kapcsolat van a mű-
szaki szakoktató hallgatók középiskolai és főiskolai teljesítménye között. Ennek
során összegyűjtötték legfontosabb tantárgyaik (matematika, fizika, magyar
nyelv és irodalom, szakmai ismeretek) év végi osztályzatainak átlagát (MATKO-
ZEP, FIZKOZEP, MAGYKOZEP és SZAKKOZEP). Meghatározták emellett a főisko-
lai tanulmányi eredményeik legfontosabb mutatóit is. Szakmai alapozó tantár-
gyaik (matematika, fizika stb.) átlagát a SZAKALAP, pedagógiai tantárgyaik (di-
daktika, pszichológia, neveléstan stb.) átlagát a PEDAG, szakmai ismereteket
tárgyaló tantárgyaik átlagát a SZAKMAI, végül egyéb tárgyaik (munkavédelem,
iskolaegészségtan stb.) a KOZISM mérhető változókkal foglalták össze.
A modell a középiskolai eredményeket bemeneti jellemzőként, a főiskolai
osztályzatokat kimeneti paraméterként kezeli. Az input változókat a középis-
kolai tudást tükröző látens változóhoz (BIZONY), az output jellemzőket pedig
az ERETTSEG és a FELVETEL nevű látens változóhoz rendelték annak a feltétele-
zésnek megfelelően, hogy azokat a korábbi érettségi és az azt évekkel később
követő (ezért attól elkülönülő) felvételi vizsga eredményei határozzák meg.
A látens változók egymás közötti kapcsolatait az jellemzi, hogy a középiskolai
eredmények meghatározzák az érettségi és a felvételi eredményét is. A model-
lezést végzők feltételezése volt továbbá az is, hogy a felvételi eredményei az
érettséginél nagyobb mértékben hatnak a főiskolai tanulmányok eredményes-
ségére (a pedagógiai tantárgyaknál kétszeres, a szakmai tárgyaknál háromszo-
ros, illetve a közismereti tárgyaknál négyszeres súllyal).
A modellezés speciális programja a következő:
159
© Typotex Kiadó
raw data from file szakoktato.psf

latent variables ERETTSEG FELVETEL BIZONY
Relationships
SZAKALAP = 1*ERETTSEG 1*FELVETEL
PEDAG = 1*ERETTSEG 2*FELVETEL
SZAKMAI = CONST 1*ERETTSEG 3*FELVETEL
KOZISM = CONST 1*ERETTSEG 4*FELVETEL
let the errors of PEDAG and SZAKMAI correlate
MATKOZEP FIZKOZEP MAGYKOZE SZAKKOZE = BIZONY
FELVETEL = CONST BIZONY
ERETTSEG = CONST BIZONY
let the errors of ERETTSEG and FELVETEL correlate
LISREL Output: ND=3 SC MI
Path Diagram
End of Problem
A programfutás eredményét a 3.42 ábra mutatja be:
3.42 ábra A műszaki pedagógushallgatók tanulási teljesítményeinek

látens változós modellje
A 3.42 ábra érzékelteti, hogy a felsőfokú tanulmányokat befolyásoló középis-

kolai tudást (BIZONY) legnagyobb mértékben (0,84, illetve 0,83 együtthatóval) a
matematika és a fizika tárgyak befolyásolják. A középiskolai eredményekkel
közvetlen kapcsolatban állnak az érettségi eredmények (0,68 együtthatóval),
160
© Typotex Kiadó
míg a felvételi vizsga nagymértékben független attól (–0,02 együttható). Ez pe-

dagógiai szempontból azzal magyarázható, hogy az érettségi és a felvételi vizs-
ga között átlagosan 10–15 év telik el. A főiskolai tantárgyak csoportjai elkülö-
nülnek egymástól, csak a pedagógiai és a szakmai tantárgyak között van kis-
mértékű kapcsolat. A modellezés pontosságának minősítésére szolgál a khi-
négyzet értéke (38,69). Ez esetünkben nagyobb az 5%-os szignifikancia-szinthez
tartozó 33,92-nél, tehát viszonylag pontatlannak számít.
Egy másik (fiktív adatokra épülő) felmérésben arra voltak kíváncsiak, hogy a
gimnáziumi tanulók eredményeit milyen mértékben befolyásolják a családi kö-
rülmények. E célból közel 170 tanuló adatai alapján modellezték az ezzel kap-
csolatos paramétereket.
Az elemzők feltételezései szerint a tanulmányi eredményeket egyaránt befo-
lyásolják a tanulók genetikai örökségéből és társadalmi helyzetéből eredő hatá-
sok. Az előbbieket a szülők által elért iskolai végzettséggel, az utóbbiakat a jö-
vedelmükkel képezték le. E tényezőket a családi (csalad) látens bementi válto-
zóhoz rendelték. Az elméleti tantárgyakat az elméleti (elmelet), a készségtár-
gyakat a gyakorlati (gyakorla) látens változókkal foglalták össze. A kutatók
feltételezése szerint a családi jellemzők látens változó befolyásolja a két tanul-
mányi látens változót, illetve ezeken keresztül az osztályzatokat is.
Mindezek a 3.43 ábrán bemutatott modellt eredményezik (162. o.).
Eredményeink szerint a családi hatásokat alapvetően az apa végzettsége és
az anya jövedelme határozza meg (együtthatók: 1,23 és 1,17). Ennek az lehet az
oka, hogy az apa végzettsége összefüggésben áll házastársának végzettségével
(orvos felesége ritkán takarítónő, és utcaseprő felesége ritkán tanárnő), a család
anyagi helyzetét pedig éppen az mutatja legjobban, hogy a feleség mennyit ke-
res (a család a feleség „háztartásbeli” státuszát könnyebben elfogadja, mint a
férjét). A családi jellemzők az elméleti tárgyakat erősebben befolyásolják, mint a
gyakorlati tárgyakét. Ez valószínűsíti azt, hogy a családok a gyenge matemati-
kaosztályzatot nagyobb bajnak látják, mint a gyenge testnevelési eredményt.
Ugyanezt mutatják a látens változók és a tantárgyak közötti együtthatók nagy-
sága közötti különbségek is.
A modellezés jóságát a khi-négyzet értéke mutatja. Ez (113,51) lényegesen
magasabb, mint az 5%-os szignifikanciához tartozó 69-es érték. Arra utal ez,
hogy a modell esetünkben nem túlzottan pontos. (Érdekességként megemlí-
tendő, hogy a program szöveges leírása abban az esetben, ha a modell számot-
tevően javítható, maga is tesz erre javaslatokat. Esetünkben például javasolja,
hogy az ének tantárgyat helyezzük át az elméleti ismeretek csoportjába – gim-
náziumi képzés esetében ennek van is alapja! –, és egyes tantárgyakat – pél-
dául a fizikát és a matematikát – kapcsoljuk össze közös hibatagokkal – ez is
logikus észrevétel.)
Ez a modell végeredményében erősen hasonlít az előzőhöz. A különbség ab-
ban mutatkozik meg, hogy rangskálát is képes kezelni. A másik eltérés a kezelői
felületen jelentkezik, itt ugyanis kinyíló ablakokon keresztül párbeszédesen, il-
161
© Typotex Kiadó
3.43 ábra A tanulmányi eredményeket befolyásoló tényezők modellje
letve grafikusan lehet az adatbevitelt megoldani, vagyis nincs szükség „progra-

mozásra”.
Egy másik (fiktív) esetben a kutatók arra voltak kíváncsiak, hogy a levelező tago-
zaton tanuló szakoktatóhallgatók vezetési típusának jellemzői milyen összefüg-
gésben állnak személyi-környezeti adottságaikkal. Ebből a célból 476 fős felmé-
rést készítettek, mely során a válaszadók egyes kijelentésekkel való egyetértésü-
ket minősítették ötfokozatú skálán. Ezek alapján öt csoportba sorolták őket:
klasszikus demokratikus, modern felfogású demokratikus, klasszikus autokrata,
modern autokrata, illetve laissez-faire. A kutatók ezeket két látens változóhoz
(„jó”, illetve „rossz”) kötötték aszerint, hogy az adott jellemzőkkel rendelkező
pedagógus módszerei jellemzően hogyan minősíthetők. A kutatás arra irányult,
hogy meghatározzák, a hallgató neme (férfi–nő), munkahelye (jelenleg tanárként
dolgozik-e), lakóhelye (Budapest, vidéki város, falu), illetve kora milyen hatással
van e jellemzőire. Ezekből érzékelhető, hogy a modell arányskálán, intervallum-
skálán és rangskálán elhelyezkedő adatokat egyaránt képes kezelni.
Az adatbevitel ebben az esetben is egy kis program formájában történik:
162
© Typotex Kiadó
SEM Model -Ordinal

Observed Variables:
demklass demmod auklass aumod laissez
nem munkahel lakohely kor
Covariance Matrix from File OKTATO.COV
Asymptotic Covariance Matrix from File OKTATO.ACM
Sample Size: 476
Latent Variables: jo rossz
Relationships:
demklass demmod = jo
auklass aumod laissez = rossz
jo rossz = nem munkahel lakohely kor
let the errors ofjo and rossz correlate
LISREL Output: ND=3 SC ME=WLS
Path Diagram
End of Problem
A programból érzékelhető, hogy a változók deklarálása után meg kell adni,

hogy a program milyen adatokkal milyen segédszámításokat végezzen. Bemenő
adat továbbá az adatok mennyisége és a mért, illetve látens változók közötti kap-
csolatok jellemzői, illetve néhány, a program futását segítő belső beállítási érték.
A modellezés eredményeként a következő struktúra adódik (3.44 ábra):
3.44 ábra Vezetői stílusok felmérése pedagógushallgatók között
163
© Typotex Kiadó
Az eredményt értelmezve kiderül, hogy a négy bemenő jellemző között köl-

csönös összefüggések vannak. Erre utalnak hibatagjaik korrelációi. A hallgatók
adatai közül a két fiktív változóhoz való besorolásukat az életkor határozza
meg a legnagyobb mértékben. A demokratikus vezetői stílusban a klasszikus és
a modern módszereket alkalmazók aránya közel azonosnak tekinthető (együtt-
hatóik 0,43, illetve 0,50), a többi esetben a klasszikus és a modern módszereket
alkalmazó autokrata vezetők vannak többségben (erre utal a 0,49, illetve 0,43
együttható nagysága, szemben a 0,28-dal).
A modell khi-négyzet adata 84,22. Ez lényegesen meghaladja az 5%-os szignifi-
kancia 27,59-os értékét, ezért nem követi megfelelő pontossággal a valóságot.
A következő (fiktív) felmérésbe egy iskola 708 tanulóját vonták be. Azt kívánták
meghatározni, hogy a szülők milyen hatással vannak gyermekük tanulmányi
eredményeire és magatartására. Ennek érdekében összegyűjtötték az egyes ta-
nulók apjának jövedelmét és iskolai végzettségét, anyjának jövedelmét, végzett-
ségét és életkorát. Ezek a rangskálán, intervallumskálán és arányskálán elhe-
lyezkedő mutatók alkották a modell bemenő adatait. A modell (arányskálán
szereplő) eredményadatait a tanulók elmúlt tanévben kapott elégtelen osztály-
zatainak, valamint intőinek számából alkották.
A kutatók szerint az apai mintából eredő tanulmányi és viselkedési jellemző-
ket a jövedelem és a végzettség határozta meg, míg az anyai hatásokat ezeken
kívül az anya kora is. E két bemeneti látens változó egyaránt hat a tudásbeli és a
magatartásbeli hiányosságokra, melyek egymást is befolyásolják. Emellett egy-
értelmű összefüggésben állnak az elégtelenek és az intők kimeneti értékével,
mérhető mennyiségével.
Ezzel a feltételezéssel a 3.45 ábra szerinti modell alakul ki:
3.45 ábra A tanulói teljesítmények családi hátterének modellje
164
© Typotex Kiadó
A modellt értelmezve egyértelműen kijelenthető, hogy a tanulók teljesítmé-

nyére a szülők anyagi helyzete van a legjelentősebb hatással (együtthatóik: 2,35;
illetve 2,20). Az apai hatás inkább az intők, az anyai hatás inkább a bukások szá-
mára jelentős (mindkét együttható értéke 0,25). Az elégtelenek és az intők szá-
ma nem túl erősen függ össze.
A modell khi-négyzet értéke 23,79. Ez az 5%-os szignifikanciaszintnél (11,07)
lényegesen magasabb, tehát a modell nem elég pontos.
Egy iskolában minden kezdő és végzős diákkal elvégeztetnek egy, az adott kor-
osztály jellemzőihez standardizált kompetenciavizsgálatot. Fiktív adatokra épü-
lő példánkban ez a mérés a matematikai, a magyar nyelvi és irodalmi, az ének-ze-
nei, a rajzi és a testnevelési ismereteket, képességeket öleli fel. Az egyes tanulókat
(összesen 689-et) az iskolai osztályzatoknak megfelelően 1 és 5 közötti „osztály-
zatokkal” értékelik. A kutatók az első két tantárgyat az „elméleti ismeretek” lá-
tens változóhoz, az utolsó kettőt a „gyakorlati ismeretek” látens változóhoz ren-
delték, míg az ének-zenei képességet és tudást mindkettőhöz hozzákötötték.
Elméleti okokból a matematikai és a testnevelési felmérés eredményeinek ha-
tását egységnek tekintették (ez utóbbit csak a végzés évében).
A két kompetenciavizsgálat eredményét összehasonlítva képet nyerünk az
iskola által a tanulóknak a kezdés és a végzés időpontja között végzett munkájá-
nak, a „hozzáadott pedagógiai értéknek” a nagyságáról.
Az adatbevitel speciális, az előzőekhez hasonló felépítésű és tartalmú prog-
ram segítségével történik:
Panel Mode1 of KOMPETENC data

Observed Variables:
matem1 magyar1 enek1 rajz1 testnev1
matem2 magyar2 enek2 rajz2 testnev2
Means from File KOMPETENC.ME
Covariance Matrix from File KOMPETENC.CM
Asymptotic Covariance Matrix from File KOMPETENC.ACC
Sample Size = 689
Latent Variables elm1 gyak1 elm2 gyak2
Relationships
matem1 = 1.00*elm1
magyar1 = elm1
enek1 = elm1 gyak1
rajz1 = gyak1
testnev1 = gyak1
matem2 = 1.00*elm2
magyar2 = elm2
enek2 = elm2 gyak2
rajz2 = gyak2
testnev2 = 1.00*gyak2
elm2 = elm1
165
© Typotex Kiadó
gyak2 = gyak1
matem1 magyar1 enek1 rajz1 testnev1 = CONST
matem2 magyar2 enek2 rajz2 testnev2 = CONST
elm2 gyak2 = CONST
Let the Errors of matem1 and matem2 correlat
Let the Errors of magyar1 and magyar2 correlat
Let the Errors of enek1 and enek2 correlat
Let the Errors of rajz1 and rajz2 correlat
Let the Errors of testnev1 and testnev2 correlat
Let the Errors of elm2 and gyak2 correlat
Set elm1 -> magyar1 = elm2 -> magyar2
Set elm1 -> enek1 = elm2 -> enek2
Set gyak1 -> enek1 = gyak2 -> enek2
Set gyak1 -> rajz1 = gyak2 -> rajz2
Set CONST -> matem1 = CONST -> matem2
Set CONST -> magyar1 = CONST -> magyar2
Set CONST -> enek1 = CONST -> enek2
Set CONST -> rajz1 = CONST -> rajz2
Set CONST -> testnev1 = CONST -> testnev2
Path Diagram
End of Problem
A modellezés eredményeit a 3.46 ábra tartalmazza.
3.46 ábra Egy kompetenciavizsgálat modellje
166
© Typotex Kiadó
A modell szerint a képzés elején a tanulók elméleti tudását leginkább a mate-

matika, gyakorlati felkészültségét pedig a testnevelés határozza meg (ezeknek a
legnagyobb az együtthatója). Ez a helyzet a végzés évében sem változik meg.
A két időpont között a tanulók relatív felkészültsége romlik (a két látens változó
között 1-nél kisebb az együttható értéke), de az elméleti tudásban ez a csökke-
nés kisebb.
A khi-négyzet értéke 50,84, ami nagyobb az 5%-os szignifikanciaszintnél
(44-nél), ezért nem tekinthető megfelelő pontosságúnak a modell.
A bemutatott példák érzékeltetik, hogy a legbonyolultabb modellek előállítása

a látens változók útelemzésén alapuló programok segítségével viszonylag egy-
szerű, magasabb fokú matematikai, statisztikai tudást nem igénylő feladat.
A hétköznapi tanári munkában azonban mégis nehezen alkalmazhatók. Ennek
oka az, hogy legtöbbször több száz fős mintát használnak fel, amelynek nagysá-
ga általában meghaladja a pedagógusok hétköznapi tevékenységében előfordu-
ló homogén csoportok nagyságát.
Ennél is nagyobb problémát jelent az, hogy az itt felépíthető modellek száma
nagyságrendekkel meghaladja az egyszerűbb eljárásokkal kialakítható változa-
tok számát. Ezek elemzése, a működőképesek kiválasztása, illetve a megfelelő
pontosságúak meghatározása még akkor is sok időt vesz igénybe, ha egyéb (el-
méleti, illetve más jellegű méréseken alapuló) megfontolások alapján szűkíthe-
tő a reálisan elképzelhető modellek köre. Ez az oka, hogy ilyen elemzéseket ma
a pedagógia még a kutatás területén is ritkán végez el.
Legutóbbi témánkkal tehát eljutottunk a rendszermodellezés ma ismert legfelső

fokára, melyen szinte tetszőleges pontossággal képezhetünk le korábban elkép-
zelhetetlenül összetett rendszereket. E modellezésekkel olyan részletes infor-
mációkat nyerhetünk egy tetszőleges rendszerről, amelyek korábban rejtve ma-
radtak a kutatók előtt.
E lehetőségek a pedagógia területén is hihetetlen perspektívákat nyitnak a ta-
nítás-tanulás törvényszerűségeinek további felfedezéseiben.
1. Ismertesse a látens változók szerepét a statisztikai elemzésekben!

2. Hogyan vesszük figyelembe a látens változókat a rendszert leíró egyenle-
tekben?
3. Milyen főbb eljárásokat dolgoztak ki a látens változók meghatározása céljá-
ból?
4. Milyen részekből épül fel a LISREL-eljárás általános modellje?
5. Milyen fázisai vannak a LISREL-eljárással történő modellezésnek?
6. Hogyan értelmezhetők a LISREL-modellezés eredményei? Milyen típusú in-
formációkat nyerhetünk belőle?
167
© Typotex Kiadó
7. Milyen pedagógiai problémák megoldására lehetne alkalmazni a látens vál-

tozók strukturális elemzésének módszereit?
3.2.4.2 FELADATOK

ÉV INTÉZMÉNYEK OKTATÓK HALLGATÓK HALLGATÓK ÖSSZES

SZÁMA SZÁMA SZÁMA SZÁMA HALLGATÓ
1970 74 9791 53800 26700 80500
1975 56 12135 64300 43200 107500
1980 57 13890 64100 37100 101200
1981 57 13843 63400 39200 102600
Modellezze a felsőoktatási rendszert a látens változók útelemzésének kü-

lönböző eljárásaival, különböző számú látens változókat feltételezve!
Elemezze és értékelje a modellek alapján a felsőoktatási rendszert!
2. Az alábbi táblázat a hazai könyvkiadás adatait tartalmazza az 1970 és 1981 kö-

zötti időszakra vonatkozóan (az egyes kategóriákban kiadott művek számát).

1970 678 655 1525 673 222 1010 30 4793
1975 1033 1359 3056 700 278 1253 51 7730
1980 878 1307 3525 749 397 1329 56 8241
1981 939 1040 3342 724 353 1450 62 7910
Modellezze a könyvkiadási rendszert a látens változók útelemzésének kü-

lönböző eljárásaival, különböző számú látens változókat feltételezve!
Elemezze és értékelje a modellek alapján a könyvkiadás rendszerét!
168
© Typotex Kiadó
3. A következő táblázat egyes ipari termékek egy főre jutó termelésének adata-
it tartalmazza az 1980-as évben.

Ausztria 666 96 732 1 208 61
Belgium 1247 1 761 218 91 98
Bulgária 290 17 605 97 45 39
Csehszlovákia 994 120 689 84 77 51
Franciaország 432 649 542 92 104 79
Görögország 48 1 1278 113 40 21
Hollandia 375 57 262 122 131 65
Jugoszlávia 107 84 416 53 49 34
Lengyelország 548 99 518 85 36 30
Magyarország 351 0 435 55 41 44
NDK 437 102 743 57 74 44
NSZK 712 571 556 78 123 50
Olaszország 465 253 735 46 93 29
Románia 593 40 658 79 38 23
Spanyolország 337 274 748 78 61 26
Svédország 505 309 301 92 764 40
Szovjetunió 557 50 471 87 33 38
Japán 954 603 754 58 148 7
USA 443 281 286 176 266 23
Ausztrália 540 216 369 149 86 234
Modellezze az ipari termelési rendszert a látens változók útelemzésének

különböző eljárásaival, különböző számú látens változókat feltételezve!
(Egy látens változó feltételezése esetén a khi-négyzet értéke 6,38, a cukor-
gyártás látens változóra vonatkozó együtthatója a regressziós egyenletben
27,89, az acélgyártás hibatagjának nagysága 72657,41.)
Elemezze és értékelje a modellek alapján az ipari termelési rendszert!
169
© Typotex Kiadó

Füstös László: Látens változós modellek. Budapest, OMIKK, 1991.
Goodman, Leo A.: Analyzing qualitative/categorical data: Log-linear models and latent-struc-
ture analysis. London, Addison–Wesley, 1978.
Szoboljov, Vlagyimir Ivanovics: Osznovi izmerenyij v mnogomernyih szisztemah. Moszkva,
Energija, 1975.
Ingyenesen letölthető statisztikai programok (angol nyelven): http://freestatistics.alter-
vista.org/stat.php; http://statpages.org/javasta2.html; www.ssicentral.com (2007.
március).
Ingyenesen letölthető sokdimenziós skálázó programok (angol nyelven): www.new-
mdsx.com/programs.htm (2007. március).
TANAGRA statisztikai programcsomag (angol és francia nyelven): http://eric.univ-
lyon2.fr/~ricco/tanagra/index.html (2007. március).
Az SPSS programcsomag újdonságai: www.spss.hu/spss/whats_new.html (2007. már-
cius).
Ingyenesen letölthető LISREL (student version) programcsomag (angol nyelven): www.
ssicentral.com/lisrel/student.html (2007. március).
A statisztikai adatelemzés vegyipari alkalmazása: http://vikkk.vein.hu/publix/2002
marcius/AJPCA.htm (2007. március).
Pénzügyi analízis statisztikai adatelemző módszerekkel: www.bkae.hu/opkut/files/
pae_4ea.ppt (2007. március).
A többváltozós adatelemzés tantárgyi programja a BKÁE Operációkutatási Tanszékén:
www.bkae.hu/~opkut/tantargyak/tobbvaltozos_adatelemzes.html (2007. március).
Marketing-analízis látens változók segítségével: www.eco.u-szeged.hu/tudkozlemeny/
pdf/2002/Hetesi.pdf (2007. március).
ALKALMAZÁSOK
15. EGY OKJ-S SZAKMACSOPORT ÖSSZETÉTELÉNEK ELEMZÉSE (II. RÉSZ)

16. OKTATÁSI FOLYAMATRENDSZEREK ELEMZÉSE LÁTENS VÁLTOZÓKKAL
17. A MOTIVÁCIÓS ELEMZÉS MODELLEZÉSE LÁTENS VÁLTOZÓKKAL
170
© Typotex Kiadó
BEFEJEZÉS
Mint láttuk, a rendszermodellezés legfejlettebb eszközei a valóságnak korábban

nem látott pontosságú leképezési lehetőségeit adják. Ennek elméleti és gyakor-
lati alapját a matematikai statisztika és a méréselmélet fejezetei képezik.
A modellezésben szereplő részműveletek számításai sokszor olyan jellegű
feladatokat oldanak meg, amelyek során fel kell tételezni a rendszer működésé-
nek bizonyos sajátosságait. A klasszikus modellekben – a matematikai kezelhe-
tőség érdekében – a rendszer egyes jellemzőit lineáris összefüggésekkel írták le.
Egyszerűbb rendszerek esetén ez a közelítés elégséges volt, de később egyre sű-
rűbben tapasztalták, hogy a valóság és modellje között nagyok a működési jel-
lemzők eltérései. A számítástechnika fejlődésével, a statisztikai próbák (ezek
közül is elsősorban a khi-négyzet próba) alkalmazásainak kibővítésével létrejöt-
tek a nemlineáris modellezés feltételei. A korábbi egyetlen (lineáris) modell he-
lyett a kutatók tulajdonképpen végtelen számú leképezési lehetőség közötti vá-
lasztásra kényszerültek. Ennek egzakt elvégzésére kialakultak a valóságos jel-
lemzőkhöz legjobb illeszkedésű függvények kiválasztását célzó „maximum
likelihood” (maximális valószínűségű) eljárások. E számítások mára éppúgy
elemi részévé váltak a modellezéseknek, mint a többváltozós regressziószámí-
tás, a korrelációelemzés, a khi-négyzet próba vagy a faktoranalízis.
Segítségükkel a méréstechnika eljutott arra a szintre, amelyen bizonyos mé-
rési adatok meghatározására már akár magát a mérést is kiküszöbölhetjük. Ha
például egy rendszer jellemző paramétereinek különböző körülmények közötti,
eltérő időpontokban elvégzett mérési eredményei rendelkezésünkre állnak, ak-
kor bizonyos egyszerűbb vagy bonyolultabb megfontolások alapján magunk is
tehetünk „maximum likelihood” becsléseket, jóslatokat egy-egy (valamilyen
objektív vagy szubjektív okból el nem végzett) mérés eredményeinek alakulásá-
ra, vagyis pótolhatjuk e hiányzó értékeket.
Ez a probléma a gyakorlati rendszertechnikában sűrűn előfordul. Sok statisz-
tikai értékelő eljárás ilyenkor alkalmazhatatlanná válik, és az egész adatbázis
haszontalan számtömeggé alakul néhány hiányzó érték miatt. A modellezésben
kialakították hát azokat az eljárásokat, amelyekkel megbecsülhetik e hiányzó
adatokat, és elvégezhetik a modellezéshez szükséges számításokat.
171
© Typotex Kiadó
172 BEFEJEZÉS
A pedagógus hétköznapi munkájában sűrűn végzi ugyanezt a tevékenysé-

get, bár ez részéről sem tudatosnak, sem túl pontosnak nem nevezhető.
A tanulók értékelése során például ritkán fordul elő az a helyzet, hogy mind-
egyiküknek azonos számú részosztályzata van. Az egyik hiányzott egy röpdol-
gozatnál, a másikat még év végén is feleltetni kellett, mert nem lehetett eldönte-
ni, milyen osztályzatot érdemel. Úgy is felfogható ez a helyzet, hogy elvileg
mindenkinek azonos számú osztályzata lett volna, de a gyakorlatban néhá-
nyuknál egyes mérési eredmények hiányoznak.
A B.1 táblázat egy ilyen esetet mutat be. Számításaink egyszerűsítése érdeké-
ben az osztály (csoport) létszáma csak öt fő, és fejenként 4 osztályzatot kaptak,
kivéve az elsőt, aki az első dolgozat írása idején beteg volt, és ezt nem pótolta a
későbbiekben. (Ezt elméletileg meg sem lehet tenni, hiszen az más időpontban,
más előismeretekkel, más pedagógiai körülmények között történt volna. Ilyen-
kor ezt elvileg újabb, az előzőtől független mérésként kellene figyelembe ven-
nünk, amelyből viszont a többi tanuló adata hiányzik.)
B.1 táblázat Egy tanulócsoport írásbeli dolgozatainak pontszámai
Tanuló 1. pontszám 2. pontszám 3. pontszám 4. pontszám

A 80 73 88
B 45 78 68 82
C 91 85 80 95
D 70 82 71 88
E 100 100 98 96
A végső értékelés során a pedagógus általában kiszámítja az egyes tanulók

átlagos pontszámát, és ez alapján állapítja meg a végső osztályzatot. Ese-
tünkben ez az átlag 80, 68, 88, 78 és 99 pont lenne. Mivel az első tanuló eseté-
ben csak négy eredmény szerepel, az átlag kiszámítása során hallgatólago-
san feltételeztük, hogy a hiányzó érték a többi átlaga, vagyis 80 pont lenne.
A mérések azonban mintavételként is értelmezhetők. A hiányzó érték
becslése során az elemi statisztika törvényei szerint megadható egy olyan
konfidenciaintervallum, amelybe adott valószínűséggel kerülnének bele a
további mérési minták átlagai. Ennek alsó és felső határait a következő
képlet alapján lehet meghatározni:
xátl – (t*s) / Ön xátl + (t*s) / Ön
ahol xátl a minta átlaga, s az adatok szórása, n az adatok száma, t értéke pe-
dig a konfidenciaintervallumnak a valószínségi szinttől függő szélességét
fejezi ki.
172
© Typotex Kiadó
BEFEJEZÉS 173
A tanári gyakorlatban sokszor kell osztály- vagy csoportszintű elemzéseket végez-

ni. Ezek létszáma legtöbbször 25 és 35, illetve 10 és 15 közötti, tehát az elemzés
kismintásnak minősül. A képletben ekkor t? 2,04. Nagymintánál, tehát ha a minta
nagysága meghaladja a 30–40-es elemszámot, t = 1,96.
Esetünkben így a hiányzó pontszám 73 és 87 közötti értékekre becsülhető.

(Ez azt jelenti, hogy bármely további három dolgozat pontszámainak átla-
ga ebbe az intervallumba kerülne – legalábbis 100-ból 95 esetben.) A „leg-
nagyobb valószínűségű” becslést valószínűleg most is a 80-as érték kapná,
bár elméletileg az intervallum összes lehetséges pontja azonos értékű.
E becslések azonban óhatatlanul torzítanak a valóságon. A gyakorlatban

ritkán fordul elő, hogy a dolgozatok minden szempontból standardizáltak
(vagyis ugyanaz a tudás minden esetben például 88 pontot érjen). Elkép-
zelhető tehát, hogy az első dolgozat nehezebb vagy könnyebb volt a többi-
nél, ezért az első tanuló matematikai hátrányba vagy előnybe kerül a töb-
biekhez képest azáltal, hogy ő nem írta meg az adott dolgozatot. Ez kike-
rülhető, ha azt feltételezzük, hogy a hiányzó dolgozatot mind saját ered-
ményei, mind az osztályhoz való viszonyítás alapján átlagosan írta volna
meg. Ez azzal az algoritmussal írható le, hogy képezzük a hiányzó érték
sorának és oszlopának átlagát, majd ezek középértékét vesszük. Ez ese-
tünkben 78 lenne, ami azt az információt is tartalmazza, hogy az első dol-
gozat nehezebb volt az átlagosnál, így ezt az első tanuló is gyengébben tel-
jesítette volna a többi munkájánál.
Becslést tehetünk a hiányzó értékre a többváltozós regressziószámítás se-
gítségével is. Ha kiszámítjuk a többi tanuló első dolgozatának eredményei
és a többi dolgozat eredménye közötti regressziós egyenletet, a következő
lineáris összefüggést kapjuk:
x1 = 1,5694*x2 – 1,0093*x3 + 3,625*x4 – 306,037
ahol az indexek a dolgozat sorszámát jelzik. Az egyenlet segítségével a hi-

ányzó dolgozat pontszámára a 65-ös becslést lehet adni. (A becslés pontos-
ságát befolyásolja a linearitás feltételezése. Ez azonban a független válto-
zók transzformálásával tetszőleges [tehát végtelen] számú nemlineáris
összefüggéssé tehető.)
A becslésnek egy lehetséges módjaként a faktoranalízis is elképzelhető.
Esetünkben azoknak a tanulóknak (B–E) az adatai, akik minden dolgozatot
megírtak, olyan korrelációs mátrixot határoznak meg, melynek főfaktorai
(sajátértékei) csökkenő sorrendben 4–0–0–0 (egy adott számítógépes prog-
rammal meghatározva). Az adatmátrixot kiegészítve A tanuló eredménye-
ivel, akinek hiányzik az első dolgozata, és ide 0, 25, 50, 75 és 100 értékeket
beírva, az első főfaktorra az eredeti 94, 94, 99, 99 és 94%-át kapjuk. Ezek kö-
zül az eredeti 100%-ot leginkább megközelítő 99% az 50 és a 75 ponthoz
173
© Typotex Kiadó
174 BEFEJEZÉS
tartozik. A vizsgált értékekből ezeket, illetve az általuk meghatározott in-

tervallumon elhelyezkedő további értékeket tekinthetjük a legnagyobb va-
lószínűségűeknek (természetesen az adatok részletesebb elemzésével, il-
letve a többi főfaktor vizsgálatával a becslési intervallum csökkenthető, a
meghatározás pontosítható).
A forgalomban lévő statisztikai programok nyújtanak olyan szolgáltatáso-
kat, amelyek segítségével a program maga egészíti ki a hiányzó adatokat a
legvalószínűbb értékekkel. Ehhez meg kell adni a hiányzó adatok formátu-
mát (illetve azt, hogy a hiányzás tényét mekkora értékkel jeleztük a prog-
ram számára: ez olyan szám, amelyet véletlenül sem mérhetünk – például
negatív vagy irreálisan nagy érték). Megadható az, hogy a többváltozós
adathalmazban mely változók értékeit melyik változók segítségével kíván-
juk utólag meghatározni. A maximális valószínűségű adatot a kovarian-
ciák, a korrelációk vagy a négyzetes eltérések minimális változása alapján
lehet kiszámítani. Esetünkben az első dolgozat (első változó) hiányzó érté-
két kívántuk meghatározni a többi három dolgozat alapján, és mind a ko-
variancia, mind a korreláció és a négyzetes eltérés szerint is 70 pontot java-
solt a program. (Ez az egyébként az eddigieknél lényegesen komolyabb el-
méleti eszköztárat felvonultató eljárás adja a leginkább valószínű értéket.
Figyelemre méltó, hogy a kezdetlegesebb módszerek annál közelebbi érté-
keket szolgáltatnak ehhez, minél összetettebbek.) A modellezés erősségét
jelzi, hogy esetünkben már egy változó segítségével is (kivétel ez alól a má-
sodik dolgozat) képes meghatározni a szóban forgó 70-es értéket (a többi
változó esetén tehát minden további változó bevonása a számításba redun-
dancia-jelleget ölt).
A matematikai statisztikai modellező módszerek e különleges fajtájával (ame-

lyik bizonyos szempontból lényegében mérés nélküli mérést jelent) befejeztük
tárgyalásukat.
Remélhetőleg az olvasásban idáig érő hallgatóban tudatosul az az érzés,
hogy különleges dolgokkal ismerkedett meg. Segítségükkel napjaink legbonyo-
lultabb rendszerszimulációs feladatait végezheti el, esetünkben a pedagógia te-
rületén. Bármikor előállítható általuk olyan újszerű tudományos eredmény, in-
formáció, amely korábban csak hosszú elemző munka vállalásának áldozatával
volt elképzelhető.
Különleges képességeket mégsem igényelnek e módszerek. Ahogyan általá-
ban a háziasszonyok és a mesterszakácsok sem tudják, milyen vegyi folyama-
tok játszódnak le a fazékban, mégis képesek egy-egy recept megtanulásával,
azok alkalmazásával és kreatív továbbfejlesztésével ételkülönlegességeket ké-
szíteni. A jó gépkocsivezető sem feltétlenül tudja, milyen termofizikai folyama-
tok zajlanak le egy belsőégésű motorban, milyen veszteségek befolyásolják a
gépkocsi hatásfokát, mi a differenciálmű feladata, mégis lehet, hogy jól és bal-
esetmentesen vezet egész életében.
174
© Typotex Kiadó
BEFEJEZÉS 175
A tisztelt Olvasónak is az a dolga, hogy megtanulja a statisztikai és a rendszer-

modellezési tudomány receptjeit, szerezze meg a szükséges pedagógiai tudást
igazoló jogosítványt – majd hasznosítsa tudását tanári pályáján.
ALKALMAZÁSOK
18. A HIÁNYZÓ ADATOK PÓTLÁSA
175
© Typotex Kiadó
176
© Typotex Kiadó
4. FEJEZET
Függelék
Példák a módszerek gyakorlati alkalmazására
4.1 EGY FELSŐOKTATÁSI JEGYZET DÖNTÉSELMÉLETI ALAPÚ

FELÉPÍTÉSE
A döntési fázisokon alapuló problémakezelés a módszertani munkában is fel-

használható. Konzekvens alkalmazása nemcsak szemléletformáló hatású, ha-
nem az elsajátítást is megkönnyíti rendszeressége, logikus felépítése által. A kö-
vetkezőkben egy korábbi jegyzet egyes részeinek bemutatásán keresztül érzé-
keltetjük ennek hatásait a tananyag felépítésére. Bár az ismertetett példa témája
a determinisztikus modellekhez kapcsolódik, és tanulmányozása bizonyos
szakmai ismereteket is feltételez, a fentiek miatt mégis alkalmas a döntéselméle-
ti módszerek alkalmazásának szemléltetésére. (Figyelem! A szemelvény a jegy-
zet rövidített változata, annak egyes fejezeteit nem tartalmazza. Bizonyos utalá-
sok, hivatkozások hiánya ezzel magyarázható.)
4.1.1 A szállítási probléma modelljei
Napjainkban a műszaki és a gazdasági szakterületek döntő többsége sajátos, az

adott célnak megfelelő matematikai modelleket alkalmaz. A nagyfokú speciali-
záció mellett azonban megjelent az az igény is, amelyik szintetizálni kívánja az el-
különült területeken kialakult eljárásokat. Ez teszi lehetővé, hogy az operációku-
tatási és statisztikai modellek az élet számos más területén, például az egészség-
ügyben, a pedagógiában vagy akár a bölcsészettudományokban is elterjedtek.
Az egyik ilyen problémakört a szállítási probléma néven ismerjük. Mint a ne-
ve is mutatja, alapvetően egy közlekedési optimalizációs eljárásról van itt szó,
amelyet azonban a gyártásszervezés, az ipargazdaságtan és a makroszintű gaz-
177
© Typotex Kiadó
178 4. PÉLDÁK A MÓDSZEREK GYAKORLATI ALKALMAZÁSÁRA
dasági tervezés még a közlekedésnél is hatékonyabban tud felhasználni. Nem

véletlen, hogy a modell fejlesztésére, a matematikai eljárások kidolgozására és
az alkalmazások kiterjesztésére irányuló kutatások egyaránt inkább ez utóbbi
területekhez kötődnek.
Mivel a modellben felvetett feladat megoldása a gyakorlatban is látványos
eredményt adó esetekben rendkívül számításigényes, az utóbbi években az in-
formatikai és a programozási terület rohamos fejlődése lehetővé tette e model-
lek széleskörű alkalmazását.
Ezek a modellek egy rendkívül egyszerűen megfogalmazható szállítási fel-
adat megoldására irányulnak. A következőkben ezek különböző változatait
foglaljuk össze.
A szállítási probléma szöveges modellje
A szállítási probléma olyan rendszerek optimális működését tűzi célul,

amelyekben legalább két termelő és legalább két fogyasztó van (elvileg
még kisebb rendszereknél is, de itt a feladat megoldható matematikai szá-
mítás nélkül is). Az előbbiek a rendszer forrásai, más szóval termelőelemei
(jelölésük Ti), az utóbbiak a rendszer nyelői, másképpen fogalmazva a fo-
gyasztóelemei (jelölésük Fj). Ismerjük a termelők által kibocsátott éves ter-
mékmennyiségeket (jelölésük Ki), amelyeket a termelők készleteinek, vagy
a kialakult hagyomány szerint a kapacitásaiknak nevezünk. Ismertek to-
vábbá a fogyasztók által igényelt termékmennyiségek (jelölésük Ij), ame-
lyeket igényeknek hívunk. Ismernünk kell továbbá minden termelő és fo-
gyasztó közötti távolságot (a Ti – Fj relációkban, tehát a termelők egymás
közötti és a fogyasztók egymás közötti távolságai nem érdekesek). Fontos
feltétel továbbá, hogy a termelők közel azonos használati értékű terméke-
ket gyártsanak, és a fogyasztók igényei is közel azonos jellegűek legyenek
(kicsit szigorúbban, de egzaktabban fogalmazva: a rendszerben egyfajta
termék mozogjon).
Ilyen adatok birtokában belátható, hogy a tényleges szállítások meg-
szervezésében általában számos megoldási lehetőségre mód nyílik (minél
több elemből áll a rendszer, annál – hatványozottan – többféle szállítás
szervezhető). Belátható, hogy ezek közül vannak olyanok, amelyek túl sok
szállítási munkát igényelnek (ha például egy soproni székhelyű termelő
Szegedre szállítja áruit, míg szegedi konkurrense Sopronban értékesíti
áruját – ilyenkor keresztszállításról beszélünk), mások pedig kevesebb
szállítási ráfordítással valósulnak meg.
Feladatunk tehát az, hogy a lehetséges esetek közül kiválasszuk azt
vagy azokat, amely(ek) kedvezően kis (adott esetben optimálisan minimá-
lis) szállítási ráfordítással oldják meg a kérdéses szállításokra vonatkozó
feladatokat. Ehhez érezhetően egy, a szöveges modellnél több matemati-
kai információt tartalmazó modellre van szükség.
178
© Typotex Kiadó
4.1 EGY FELSŐOKTATÁSI JEGYZET DÖNTÉSELMÉLETI ALAPÚ FELÉPÍTÉSE 179
A szállítási probléma földrajzi megfogalmazása
Ugyanez a feladat megfogalmazható egy léptékhelyes térkép (alaprajz) se-

gítségével is. Ennek az az előnye, hogy szemléletesen ábrázolja a feladatot,
ezáltal egyszerűbb esetekben „a józan ész” segítségével akár ránézéssel,
pillanatok alatt megoldható a feladat (például a fent említett egyszerű pél-
dában). Hátránya viszont, hogy csak akkor használható, ha minden lehet-
séges szállítási viszonylatban azonosak a szállítás fajlagos (kilométeren-
kénti) költségei. Ellenkező esetben az eredetileg arányos térkép már torz-
nak nevezhető, amelyben nem garantált az optimum elérhetősége.
A szállítási probléma grafikus megfogalmazása
A fenti probléma kiküszöbölésére ad lehetőséget a gráfelmélet alkalmazá-

sa. Itt végeredményben a földrajzi megfogalmazás elvonatkoztatásáról
van szó, ahol két pont közötti (ábrázolt) távolság már nem feltétlenül ará-
nyos a két pont közötti tényleges távolsággal.
A gráf csúcsait (gyakorlatiasabban fogalmazva: a rendszer állomásait)
ilyenkor a termelők és a fogyasztók alkotják. Az irányított gráf kezdőpont-
jai (kezdőcsúcsai) a termelők, végpontjai (végcsúcsai) a fogyasztók. A gráf
éle a két állomás közötti távolságot, az él iránya pedig a szállítás irányát
képviseli.
A gráfot ábrázolva megkapjuk a rendszer szállítási hálózatát (hálóját).
Így a szállítási probléma egy speciális hálótervezési feladatként is felfog-
ható, ezáltal az alkalmazott módszerek egy része hálótervezési eljárások-
ból eredeztethető (egyébként a grafikus megfogalmazás miatt gráfelméleti
módszereket is alkalmaznak a feladatok megoldására, és, mint a követke-
zőkben látni fogjuk, a lineáris programozás is megoldásokat kínál).
A grafikus modell tehát alkalmas tetszőleges szállítási rendszerek ábrá-
zolására (különböző fajlagos szállítási költségek esetén is), a számításokat
(és így az optimalizálást) azonban önmagában nem könnyíti meg.
A szállítási probléma matematikai modellje
Mivel bizonyos egyszerű eszközökkel minden gráf átírható táblázatos for-

mába, a rendszereket nagyon sokszor eleve ilyen alakban adják meg. Az
ilyen táblázat a szállítási távolságokat (költségeket) tartalmazza viszonyla-
tonként, ezért hagyományosan (és matematikai okokból is) távolság-
(vagy költség-)mátrixnak nevezik. A távolságmátrixot kiegészíthetjük egy
olyan oszloppal (oszlopvektorral), amely az adott termelők kapacitásait,
és egy olyan sorral, amelyik az adott fogyasztók igényeit tartalmazza. Így
egy olyan (mátrix)modellt kapunk, amely csupán matematikai eszközök-
kel írja le a feladatot, vizuális és szöveges elemet nem tartalmaz, tehát le-
hetővé teszi az optimalizáláshoz szükséges matematikai számításokat:
179
© Typotex Kiadó
F1 F2 . . Fj . . Fn Kapi
T1 x11 x12 . . x1j . . x1n K1
T2 x21 x22 . . x2j . . x2n K2
. . . . . . . . . .
. . . . . . . . . .
Ti xi1 xi2 . . xij . . xin Kj
. . . . . . . . . .
. . . . . . . . . .
Tm xm1 xm2 . . xmj . . xmn Km
Igj I1 I2 . . Ij . . In
A feladatban minden egyes ismert xij távolságú relációhoz hozzá kell

rendelni azt a qij forgalmat (szállítandó termékmennyiséget), amelyet az
adott viszonylatra tervezünk. Az ismeretlenek száma m*n.
A számítások célja az, hogy a legkevesebb szállítási ráfordítással oldjuk
meg a feladatot. Ezt a feladat célfüggvényében foglaljuk össze:
q11 * x11 + q12 * x12 + … + qij * xij + … + qmn * xmn = min!
rövidebben:
S S qij * xij = min!
(i) (j)
Az optimumot azonban különböző tényezők befolyásolják. Ezeket korlá-

tozó tényezőknek nevezzük. Esetünkben több ilyen van:
a. Az egyes relációkban szállítható mennyiségek nem lehetnek negatívak.
qij ³ 0
b. A termelők által kibocsátott termékek összegének meg kell egyeznie a

fogyasztók által igényelt termékek összegével (különben a feladatot vagy a
termelők, vagy a fogyasztók szempontjából nem lehet kielégítően megol-
dani).
Ki = S Ij
c. Minden termelőtől annyi termék áramlik kifelé, amennyit termel:
q11 + q12 + … + q1j + … + q1n = K1

q21 + q22 + … + q2j + … + q2n = K2
.
180
© Typotex Kiadó
qi1 + qi2 + … + qij + … + qin = Ki

.
.
qm1 + qm2 + … + qmj + … + qmn = Km
(ez összesen m db egyenlet)
d. Minden fogyasztóhoz annyi termék áramlik befelé, amennyit igényel:
q11 + q21 + … + qi1 + … + qm1 = I1

q12 + q22 + … + qi2 + … + qm2 = I2
.
.
q1j + q2j + … + qij + … + qmj = Ij
.
.
q1n + q2n + … + qin + … + qmn = In
(ez összesen n db egyenlet)
4.1.2 A szállítási probléma megoldása
A szállítási probléma matematikai modelljéből jól látszik, hogy a feladat m*n db

ismeretlent tartalmaz (ennyi cella van az m sorból és n oszlopból álló táblázatban).
Ugyanakkor csak m + n db egyenlet írható fel, ráadásul ezek között van egy
olyan is, amelyik lineárisan függ a többitől (ennek az az oka, hogy a kapacitások
és az igények összege megegyezik). Végeredményben tehát m + n – 1 db egyen-
let áll a rendelkezésünkre.
A gyakorlatban felmerülő esetekben tehát kevesebb egyenletünk van, mint
ahány ismeretlen. A feladat így nem oldható meg az egyenletrendszer segítsé-
gével.
Elemi matematikai módszerek helyett tehát olyan megoldási algoritmust kell
keresnünk, amely egy lépésben („egy egyenlet megoldásával”) több ismeretlent
is meghatároz. Erre lehetőséget adnak a heurisztikus módszerek (ezek egy-egy
logikus ötlettel keresik a megoldást), a gráfelmélet módszerei (például a Ma-
gyar-módszer), vagy a lineáris programozás módszerei (például az erre nem túl
gazdaságosan alkalmazható szimplex-módszer).
A szállítási probléma megoldási módszerei
A szállítási probléma elemi eszközökkel történő megoldását lehetetlenné

teszi az a tény, hogy a rendelkezésre álló egyenletek száma kevesebb a fel-
adatban szereplő ismeretlenekénél.
181
© Typotex Kiadó
Olyan módszereket kell tehát kitalálni, amelyek egy lépésben több isme-
retlent is képesek meghatározni (mintha egy egyenlettel több ismeretlent is
megkaphatnánk). Ilyen algoritmusokat mélyebb matematikai ismeretek
nélkül is ki lehet találni, ahogyan az kezdetekben ténylegesen is megtörtént.
A matematika lineáris algebrai témakörének fejlődése később lehetővé
tette, hogy mélyebb vektoralgebrai, mátrixaritmetikai és gráfelméleti ösz-
szefüggéseket is felhasználjanak a megoldás során. Ezek a módszerek már
nem elégednek meg azzal, hogy viszonylag jó megoldást adjanak, hanem a
matematikai szempontból jól megfogható szélsőértékeket (mint optimu-
mokat) keresik.
Heurisztikus eljárások
A kezdetekben kialakult módszerek tulajdonképpen minden matematikai

ismeret nélkül (ma úgy mondhatnánk, hogy táblázatkezelési alapokra épít-
ve) próbálták meg a legjobb megoldások kiválasztását. A különböző mód-
szerek kitaláltak valamilyen logikusnak tűnő elvet, ezt algoritmizálták,
majd az eredményt elfogadták mint az optimumot többé-kevésbé jól köze-
lítő változatot. Erre a kompromisszumra azért volt szükség, mert néhány
feladat megoldása után mindig nyilvánvalóvá vált, hogy akármilyen jó is
az alapötlet, a végeredmény optimális volta egyáltalán nem garantált. Az
ilyen eljárások tehát célul tűzik ki az optimum elérését (ezt sokszor el is
érik), de azt soha nem garantálják (sőt, előfordulhat, hogy attól teljesen tá-
vol eső megoldást adnak). Ennek az az oka, hogy e módszerek nem dol-
goznak olyan mátrixelméleti fogalmakkal (determináns, inverz mátrix,
transzponált stb.), amelyek a mátrix szerkezetére, a mátrix által leírt rend-
szer gráfelméleti tulajdonságaira vonatkoznak.
A számítási munka egyszerűsítése érdekében tudatosan vállalt egysze-
rűsítéseket tartalmazó, pontatlanságokat elfogadó közelítő módszerektől va-
ló megkülönböztetés érdekében ezeket a módszereket heurisztikus eljárá-
soknak hívjuk, és ez alatt azt értjük, hogy ilyenkor a számítások alkalmazá-
sának célja az optimum elérése, és ez alkalmanként be is következik.
Bizonyos feltételek teljesülése esetén a heurisztikus módszerrel kapott
megoldás javíthatósága ellenőrizhető, és sokszor ez a javítás el is végezhe-
tő (ilyenkor azért már túllépünk az elemi matematika eszközein, de még
nem mélyülünk el a lineáris programozás rejtelmeiben). Ha a megoldás
ilyen, akkor a nem javítható eredményektől való megkülönböztetés érde-
kében induló megoldásnak hívjuk.
A heurisztikus eljárások közös előnye, hogy általában könnyen megje-
gyezhető, egyszerű algoritmusuk van, amely ráadásul gyorsan szolgáltat
viszonylag kedvező eredményeket. Számítógépes program híján, gyors
döntési igény esetén tehát célszerű ezek ismerete. Ugyancsak jól alkalmaz-
hatók akkor is, ha nagyméretű rendszerek optimalizálására van szüksé-
günk. Ilyenkor sok esetben adnak optimális vagy ahhoz nagyon közeli
182
© Typotex Kiadó
eredményt kevesebb idő alatt, mint a mátrix adatainak manuális beviteli

ideje egy számítógépes programba.
Optimális eredményt nyújtó eljárások
A fejlődés második szakaszában a gráfelmélet és a lineáris algebra mé-

lyebb összefüggései alapján kidolgozott számítási algoritmusok terjedtek
el, főleg a 20. század ötvenes évei óta.
Mivel viszonylag hamar megtalálták az optimális megoldást garantáló
eljárásokat, napjainkra annak a feladatnak a megoldása maradt, hogy bizo-
nyos speciális eseteket (például sztochasztikus változók figyelembe véte-
lét), vagy bizonyos általánosításokat (például a korábbinál szélesebb körű
alkalmazhatóságot biztosító célfüggvények vagy korlátozó feltételek beve-
zetését) meg tudjanak oldani.
Az optimális megoldást nyújtó algoritmusok közül szinte kizárólagosan
a Magyar-módszer terjedt el. Ennek az az oka, hogy minden esetben opti-
mumot garantál, vagyis nem érzékeny a feladat megfogalmazási lehetősé-
geiből adódó mátrixszerkezeti változásokra. Emellett ráadásul viszonylag
egyszerű a számítási algoritmusa, és számítógépi programra is könnyen
adaptálható.
4.1.3 A szállítási probléma közelítő megoldásai
A szállítási probléma első matematikai megfogalmazása után még nem voltak

ismertek azok a matematikai törvényszerűségek, amelyek segítségével az opti-
mális megoldás garantáltan megkereshető. A feladat minél pontosabb megol-
dása érdekében ezért különböző, már első látásra is logikusnak tűnő alapelvek-
ből indultak ki. Innen ered e módszerek közös jelzője, mely szerint ezeket heu-
risztikus módszereknek nevezzük. (A logikus alapelvekről már néhány próba
után kiderült, hogy az optimumot nem mindig garantálják, sőt sokszor nagyo-
kat tévednek is. Ez nem meglepő, hiszen lényegében semmi matematikai alap-
juk nincsen – bár matematikai formába öntött algoritmusokkal rendelkeznek.
Az ilyen „jóindulatú”, azaz sokszor nagyon jó eredményt adó, de a „butasá-
guk” miatt időnként „tévedő” módszereket nevezzük összefoglalóan heuriszti-
kus eljárásoknak.)
Ha néhány kedvező feltétel teljesül, meg tudjuk vizsgálni, hogy a megoldá-
sok javíthatók-e, sőt, e javításokat (ha nem is mindig az optimumig) el is végez-
hetjük. Ilyenkor a program eredményét induló megoldásnak hívjuk.
A stepping stone módszer
Ilyen tipikus induló megoldást ad legtöbb esetben a stepping stone (lép-

csőfok-, más néven északnyugat-sarokszabály-) módszer. Ráadásul ez
183
© Typotex Kiadó
nem is törekszik semmilyen módon az optimum elérésére, célja pusztán

egy (lehetőleg induló) megoldást nyújtó és bármikor reprodukálható algo-
ritmus önkényes módon történő előállítása. Egyetlen alapelvet érvényesít
a megoldás során: a rendelkezésre álló (tehát még szabad, illetve nem tö-
rölt) elemek közül a leginkább északnyugati elemre kell minden lépésben
programozni (a távolságokat tartalmazó táblázat ilyenkor olyan, mint egy
térkép: a felső része észak, a bal oldali része nyugat felé mutat). Mivel a
mátrix elemeinek száma véges, és egy lépésben több elemet is törlünk (azt,
amelyre programoztunk és a vele egy sorban vagy egy oszlopban lévő ele-
meket – hiszen legalább az egyik irányban elfogy a kapacitás vagy az
igény), ezért a feladat véges számú lépés után eredményt ad. A programo-
zás során nem voltunk tekintettel az elemek értékeire, pusztán a helyükre,
így az eredmény teljesen független az optimumtól.
A következő feladat eredményét ezzel az algoritmussal határozzuk meg:
F1 F2 F3 F4 Kapacitás
T1 5 3 8 3 500
T2 10 4 4 3 300
T3 8 6 4 10 400
Igény 400 200 300 300
A táblázat „legészaknyugatibb” eleme a T1–F1 elem (értéke 5). Erre leg-

feljebb 400-at tudunk programozni, aminek hatására az F1 igényét és a T1
kapacitását egyaránt csökkenteni kell ezzel a 400-as forgalommal. Mivel
F1 maradék igénye ezáltal 0-ra csökken, F1-be már nem kell további forgal-
makat terveznünk (ezért T2–F1-et és T3–F1-et törölhetjük is, mivel e vi-
szonylatokon a forgalom nagysága 0 lesz).
400
T1 5 3 8 3 100
T2 X 4 4 3 300
T3 X 6 4 10 400
Igény 0 200 300 300
Következik a T1–F2 elem (értéke 3). Erre 100 programozható. A kapaci-

tások és az igények korrekciója és a megfelelő elemek törlése után követke-
zik a T2–F2 (ráprogramozható 100), majd a T2–F3 (200), a T3–F3 (100), vé-
gül a T3–F4 (300). Így a következő végeredményt kapjuk:
184
© Typotex Kiadó
400 100
T1 5 3 8 3 500
100 200
T2 10 4 4 3 300
100 300
T3 8 6 4 10 400
Igény 400 200 300 300
A program értéke Q = 6900.
A progresszív eljárás
Az előző algoritmussal szemben a progresszív eljárás egyértelműen logi-

kus alapelvre épít. Eszerint az optimális megoldásban főleg kis értékű ele-
mek szerepelnek (kis távolságokra történik a szállítás), nagy elemek (nagy
távolságú szállítások) csak néha. (Ebben az alapelvben az a hiba, hogy a
nagy elemek nem véletlenül kerülnek az optimális megoldásba, hanem
azért, mert a teljes rendszer összes szállítási teljesítményigényének mini-
muma éppen ezek bevonásával biztosítható.)
A módszer heurisztikus alapelvéből származó algoritmus tehát az,
hogy a mátrix adott lépésben rendelkezésre álló elemei közül mindig a leg-
kisebbre programozzunk. Végeredményt itt is véges számú lépés után ka-
punk. Mivel minden lépésben bizonyos elemeket törölni kell, és ezek érté-
két nem tudjuk befolyásolni (lényegében véletlenszerűen adódnak), ezért
viszonylag gyakran előfordul, hogy az utolsó lépésekig minden kis értékű
elemet törölnünk kell, és a végén „bent ragadhatnak” akár a legnagyobb
távolságú viszonylatok is. Ez az oka annak, hogy a kapott eredmény sok-
szor jelentősen eltér az optimálistól.
Az eljárás során többször előáll az a helyzet, hogy több egyforma, mini-
mális elem közül kell választanunk. Ilyenkor lényegében tetszőleges, me-
lyikre programozunk. (Vannak alváltozatok, amelyek azt írják elő, hogy
ilyenkor azt kell választani, amelyikre a legtöbbet lehet programozni. Ezt
is elfogadhatjuk egyfajta heurisztikus elvként, de általános tapasztalatként
kijelenthető, hogy jelentősen nem szokott javítani az eredményen, viszont
a lehető legegyszerűbb alapelvet túlságosan bonyolulttá teszi – ráadásul
arra a kérdésre nem válaszol, mi van abban az esetben, ha több ilyen vá-
lasztható elem marad még így is.)
Didaktikai célokból (azaz az otthoni tanulás során való reprodukálható-
ság érdekében) a következőkben a tanítási órákhoz hasonlóan azt az egy-
séges elvet követjük, hogy választható elemek esetén az északnyugat-sa-
rokszabály szerint járunk el:
185
© Typotex Kiadó
T1 5 3 8 3 500
T2 10 4 4 3 300
T3 8 6 4 10 400
Igény 400 200 300 300
Így az első választható elem a 3 egység értékű T1–F2, erre 200 egység
nagyságú forgalom programozható. A kapacitás- és igényvektorok kor-
rekciója, valamint az elfogyó igény miatt törlendő F2-oszlopbeli elemek el-
távolítása után a T1–F4 elemre, majd a T2–F3, végül a T3–F1 elemre prog-
ramozunk. Így a következő végeredményt kapjuk:
200 300
T1 5 3 8 3 500
300
T2 10 4 4 3 300
400
T3 8 6 4 10 400
Igény 400 200 300 300
A program értéke: Q = 5900. (Látható, hogy utolsóként éppen az egyik

legnagyobb elemre kellett programozni.)
Ez a módszer tehát „jóindulatúan” (jó heurisztikus elvből kiindulva), de

„bután” („nem előrelátó” algoritmussal dolgozva) határozza meg az ered-
ményt. Ez az oka annak, hogy nem garantálja az optimum elérését, bár a
gyakorlatban sokszor ad ahhoz közeli megoldást.
A Vogel–Korda-eljárás
Az előző eljárással szemben ez a módszer „a jó sakkozóhoz hasonlóan”

egy lépéssel mindig „előre gondolkozik”. Heurisztikus alapelve azt mond-
ja, hogy vizsgáljuk meg, mi történne, ha egy adott sor vagy oszlop minimá-
lis elemét valamely korábbi lépés hatására törölnünk kellene. Ekkor az
adott sor vagy oszlop következő legkisebb eleme lépne a törölt elem helyé-
re, de ez általában már nagyobb távolságú szállítást képviselne (a legki-
sebb elem törlésével tehát „ráfizetnénk” a végső eredmény szempontjá-
ból). Ebből következik a módszer algoritmusa: minden programozási lé-
pés előtt határozzuk meg, hol lenne ez a „ráfizetés” a legnagyobb (hol a
legnagyobb a két legkisebb elem különbsége), és ezt kerüljük el azzal,
hogy itt a legkisebb elemre programozunk (így szinte biztos, hogy a végső
lépésekben nem maradnak túlságosan nagy távolságértékek).
A következő feladatot e módszerrel oldjuk meg:
186
© Typotex Kiadó
F1 F2 F3 F4 Kapacitás Delta
T1 5 3 8 3 500 0
T2 10 4 4 3 300 1
T3 8 6 4 10 400 2
Igény 400 200 300 300
Delta 3 1 0 0
A két legkisebb elem különbségét deltával jelöljük, majd ezek közül ki-
választjuk a legnagyobbat, ami esetünkben az F1 oszlopában lévő 3 (8 és 5
különbsége). (Sokszor előfordul olyan eset, hogy több egyformán maximá-
lis delta is van. Ilyenkor lényegében mindegy, melyiket választjuk. Egyes
alváltozatok azt javasolják, hogy ekkor válasszuk azt a sort vagy oszlopot,
amelyikre a legnagyobb forgalmat lehet programozni. Mi a továbbiakban
a reprodukálhatóság érdekében azt az elvet követjük, hogy először a so-
ronkénti [termelőnkénti] deltákat [fentről lefelé], majd az oszloponkénti
[fogyasztónkénti] deltákat vizsgáljuk [balról jobbra]. Az elsőként megta-
lált maximális deltánál választjuk az első beavatkozás helyét.)
Az első programozási lépés után a következő táblázatot kapjuk, feltüntet-
ve egyben az új delták értékét is (hiszen lehetséges, hogy a programozás és
az azt követő törlések miatt történnek változások delta értékeiben, sőt, az is
lehet, hogy egyes delták eltűnnek, mivel további forgalom már nem tervez-
hető az adott viszonylatokban – azaz a kapacitás vagy az igény elfogyott):
T1 5400 3 8 3 100 0
T2 10 4 4 3 300 1
T3 8 6 4 10 400 2
Igény 0 200 300 300
Delta Nincs 1 0 0
A következő kiválasztandó elem a T3 sorában lévő F3 elem, értéke 4 (ez

van a maximális delta sorában):
T1 5400 3 8 3 100 0
T2 10 4 4 3 300 1
300
T3 8 6 4 10 100 2
Igény 0 200 0 300
Delta Nincs 1 Nincs 0
A következő lépésben a T3–F2 elemre programozunk:
187
© Typotex Kiadó
T1 5400 3 8 3 100 0
T2 10 4 4 3 300 1
100 300
T3 8 6 4 10 0 Nincs
Igény 0 100 0 300
Ennek hatására két maximális delta adódik a T2 sorában és az F2 oszlo-

pában – saját szabályaink szerint a T2 sort választjuk:
T1 5400 3 8 3 100 0
300
T2 10 4 4 3 0 Nincs
100 300
T3 8 6 4 10 0 Nincs
Igény 0 100 0 0
Most a maximális delta értéke 1, melynek kiválasztása után adódik a

végeredmény:
400 100
T1 5 3 8 3 500
300
T2 10 4 4 3 300
100 300
T3 8 6 4 10 400
Igény 400 200 300 300
A program értéke: Q = 5000. (Látható, hogy egyetlen lépés során sem

kellett nagy értékű „beragadt” elemre programozni.)
Ez az algoritmus tehát „okosan” algoritmizálja a heurisztikus elvet. Ennek

megfelelően a heurisztikus módszerek közül a legtöbbször ez közelíti meg
legjobban az optimális eredményt (bár nem mindig: csak egy lépésnyire
gondolkozik előre).
További heurisztikus módszerek sora létezik még, sok logikus alapelvet lehet
még algoritmizálni. Nem érdemes azonban folytatni az ismertetésüket, mivel
pontosságában egyik sem múlja felül a Vogel–Korda-eljárást, egyik sem lénye-
gesen egyszerűbb, mint a progresszív módszer, és egyik sem ad többször javít-
ható megoldást, mint a stepping stone módszer.
188
© Typotex Kiadó
4.1.4 A szállítási probléma megoldásának egzakt algoritmusa

(a Magyar-módszer)
A következőkben egy konkrét feladaton szemléltetjük a Magyar-módszer alap-

ján történő optimalizálás fő lépéseit és azok jellemzőit. Ez a feladat azért szeren-
csés, mert csupán két lépésből áll, de lényegében minden olyan problémát tar-
talmaz, amely egy tetszőleges feladat megoldása során felmerülhet. Így érzékel-
teti például azt, hogy az egyes számítási ciklusok során a programozott értékek
monoton növekvő sorozatot alkotnak egészen a véges számú lépésben garantált
végeredményig, bemutatja, hogyan kell a fedővonalrendszert automatikusan és
saját szerkesztéssel felépíteni, és tartalmazza az alternatív optimumok megha-
tározásának módját is.
A feladat mátrixos megfogalmazása
T1 5 3 8 3 500
T2 10 4 4 3 300
T3 8 6 4 10 400
Igény 400 200 300 300
Fontos! A kapacitás- és igényösszegeknek azonosaknak kell lenniük!

(500 + 300 + 400 = 400 + 200 + 300 + 300 = 1200)
Nullaelemek képzése
Az algoritmus csak akkor kezdhető el, ha a mátrix minden sorában és osz-

lopában van legalább egy nullaelem. Ezt úgy érhetjük el, ha minden sor-
ból, majd minden oszlopból kivonjuk az adott sor, illetve oszlop legkisebb
elemét, így annak értéke nullává válik, ha még nem volt az. Az, hogy a so-
rokkal vagy az oszlopokkal kezdjük-e, mindegy, bár az eredményként ka-
pott mátrixok eltérhetnek egymástól. Gyakorlati szempontból talán az a
kedvezőbb, ha azzal kezdünk, amiből több van (így egy árnyalattal keve-
sebbet kell számolnunk a nullaelemek képzése során).
Mi is az oszloponkénti transzformációval kezdünk:
T1 0 0 4 0 500
T2 5 1 0 0 300
T3 3 3 0 7 400
Igény 400 200 300 300
189
© Typotex Kiadó
Láthatóan már az első lépésben elértük azt, hogy minden sorban és osz-
lopban lett nullaelem.
Programozás a független nullaelemekre
Kétfajta nullaelem létezik. Az egyiknek mind sorában, mind oszlopában

van „vetélytársa” – azaz mindkét irányban vannak további nullaelemek.
A másik legalább az egyik irányban (sorában és/vagy oszlopában) egye-
düli nullaelemként áll. Az előbbit (pl. a T2–F3 elemet) függő, az utóbbit
(pl. a T1–F1 elemet) független nullaelemnek nevezzük.
A Magyar-módszer alkalmazása során csak a független nullaelemekre
szabad programozni!
A programozás azt jelenti, hogy a kiválasztott elemhez (helyesebben eh-
hez a relációhoz) hozzárendeljük a maximális anyagáramlást (forgalmat).
Belátható, hogy ez mindig az elemhez tartozó kapacitás és igény közül a
kisebbik. Ezt kell tehát felprogramozni az adott elemre (tehát hozzárendel-
ni az adott relációhoz). Természetesen, mivel ezt a forgalmat már megter-
veztük, ki kell vonnunk az adott kapacitásból és igényből is. Így az egyik
közülük mindenképpen nullává válik. Több forgalom már nem lesz, tehát
ha ebben a sorban vagy oszlopban van még nullaelem, akkor azt kihúzzuk
a programozhatók közül (ez a nullaelem már nem nullaelem!).
A programozásra kiválasztott nullaelemek programozási sorrendje tet-
szőleges, mivel a sorrend nem befolyásolja (lényegesen) az optimum eléré-
sét. (Mi az órákon általában az északnyugat-sarokszabály szerint a bal fel-
ső elemnél kezdünk.)
400
T1 0 0 4 0 100
T2 5 1 0 0 300
T3 3 3 0 7 400
Igény 0 200 300 300
400 100
T1 0 0 4 X 0
T2 5 1 0 0 300
T3 3 3 0 7 400
Igény 0 100 300 300
400 100
T1 0 0 4 X 0
300
T2 5 1 X 0 0
T3 3 3 0 7 400
Igény 0 100 300 0
190
© Typotex Kiadó
400 100
T1 0 0 4 X 0
300
T2 5 1 X 0 0
300
T3 3 3 0 7 100
Igény 0 100 0 0
Elfogyott az összes nullaelem, viszont még maradt kapacitás is és igény

is (mint látható, ezek összege egyenlő, de ez következik az induló egyenlő-
ségből és a transzformációk jellegéből is).
A mátrix transzformálása (újabb nullaelem képzése)
Olyan transzformációt kell tehát végeznünk, amellyel még legalább egy

további nullaelem hozható létre. Ezt egy fedővonalrendszerrel érjük el,
melynek kialakítási módját és értelmezését a legendás König–Egerváry-té-
telre vezethetjük vissza.
Első lépésben fedővonalrendszert gyártunk. Megjelöljük azokat a soro-
kat és oszlopokat, amelyekben kapacitás, illetve igény maradt. A jelre me-
rőlegesen lefedjük az adott sor vagy oszlop összes nullaelemét egy-egy
egyenessel (függetlenül attól, hogy a nullaelem független vagy függő,
van-e rajta programozott érték vagy nincs, kihúztuk-e már vagy nem – te-
hát az ÖSSZESET).
A tétel következménye, hogy minden mátrix lefedhető ilyen fedővonal-
rendszerrel.
T1 0 0 4 0 0
T2 5 1 0 0 0
T3 3 3 0 7 100 xxxxxxx
Igény 0 100 0 0
x
x
x
A fedővonalrendszer akkor teljes, ha minden nullaelemet letakar. (Nem

mindig teljesül azonban ilyen szépen ez a követelmény, ilyenkor az algo-
ritmus ránk bízza a folytatást – esetünkben is. A még nem lefedett nulla-
elemeket olyan fedővonalakkal kell ellátnunk, amelyek letakarják az ösz-
szes nullaelemet, de érvényesül rájuk az a feltétel is, mely szerint progra-
mozott nullaelemen nem kereszteződik két fedővonal. A tétel biztosítja,
hogy mindig találunk ilyen vonal[aka]t. Ha választhatunk két vonal kö-
zött, akkor mindegy, melyiket választjuk.)
191
© Typotex Kiadó
T1 0 0 4 0 0
T2 5 1 0 0 0
T3 3 3 0 7 100
Igény 0 100 0 0
Ha a fedővonalrendszer elkészült, akkor következik a mátrix transzfor-

mációja a második lépésben. Könnyen észrevehetjük ugyanis, hogy a fenti
mátrixban háromféle elem található. Az egyik nincs lefedve vonallal (az
előbb arról beszéltünk, hogy ez nem lehet nullaelem), a másik egy vonallal
került lefedésre (ez bármilyen elem lehet), a harmadikon két vonal keresz-
tezi egymást (ez pedig foglalt nullaelem nem lehet). A transzformációs
szabály a következő: válasszuk ki a mátrix legkisebb, le nem fedett elemét
– ezt jelöljük deltával. A mátrix minden elemére igaz a következő művelet:
kivonjuk belőle deltát, ha nincs fedővonala, hozzáadjuk a deltát, ha két fe-
dővonala van, és nem változik, ha egy fedővonala van. (Vegyük mellesleg
észre, hogy a fel nem programozott kapacitások és igények értéke – a ma-
radék-érték – értéke 100. Fontos szabály, hogy ez a szám a programozási
lépések – ciklusok – során monoton csökkenő, tehát nem növekvő érték.)
T1 0 0 7 0 500
T2 5 1 3 0 300
T3 0 0 0 4 400
Igény 400 200 300 300
Amint látható, a transzformáció végén újra beírtunk minden eredeti ka-

pacitást és igényt, és a nullaelemek is elvesztették korábbi programozott,
illetve áthúzott tulajdonságaikat.
A programozás folytatása (vissza a független nullaelemekre történő

programozáshoz)
Az új mátrixon (lényegében új feladatként) újból elvégezzük a programo-

zást a korábban leírtaknak megfelelően.
T1 0 0 7 X 500
300
T2 5 1 3 0 0
300
T3 0 0 0 4 100
Igény 400 200 0 0
192
© Typotex Kiadó
A független elemekre való felprogramozás után azt tapasztaljuk, hogy

maradt még programozatlan kapacitás és igény, de már nincs több függet-
len nullaelem. Van viszont még több (4) olyan nullaelem, amelyek függők
(egymás miatt), és elvileg tudnánk is rájuk programozni forgalmat.
Ez az alternatív optimum esete, ami azt jelenti, hogy ilyenkor több, egy-
mással megegyező értékű optimális megoldás létezik.
A folytatáshoz ki kell választanunk egy, még szabad nullaelemet, ame-
lyet figyelmen kívül hagyva a programozást folytatni tudnánk. (Például a
T1–F1 elemet kihúzva a T1–F2 és a T3–F1 elemek is függetlenné válnának,
így azokra lehetne programozni forgalmakat.)
Ennek szemléltetésére írjuk ki a szabad nullaelemeket (ezek összességét
az eredeti mátrix minormátrixának hívjuk), a még meglévő kapacitásokkal
és igényekkel együtt (mivel bármelyik nullaelem elvileg kihúzható, ezért
négy olyan alváltozatot készítünk, amelyekben valamelyik – mindig más –
nullaelem hiányzik, és elvégezzük a programozásokat):
X 0200 300 0400 X 100

0100 x 0 x 0100 0
300 0 0 100
–––––––––––––––––––––––––––
0400 0100 0 0300 0200 0

X 0100 0 0100 X 0
0 0 0 0
A négy minormátrixon a már ismert módon elvégezve a programozáso-

kat, azt tapasztaltuk, hogy egyes esetekben (az első kettőben) további kapa-
citások és igények maradnak felprogramozatlanul, míg más esetekben (a
második kettőben) befejeződik a programozás. Ez egyrészt azt jelzi, hogy a
második kettő adja az alternatív optimumokat, másrészt pedig azt, hogy
nem mindegy, hogy a minormátrixokban melyik elemeket húzzuk ki.
Az általános szabály az, hogy minden szabad nullaelemre megvizsgál-
juk, melyikre mekkora maximális forgalmat lehetne felprogramozni (a
többi elemtől függetlenül):
0400 0200 500

0100 0100 100
400 200
A nullaelemek közül azok húzhatók ki, amelyekre elvileg a legkevesebb

értékek programozhatók (esetünkben a minormátrix 2–1 és 2–2 eleme).
193
© Typotex Kiadó
A kapott két, egymástól eltérő minormátrixon a programozás befejezhető

(lásd az előző négy minormátrix közül a harmadikat és a negyediket), és a
két eltérő megoldás adja a számításunk végeredményét. A programozott
forgalmakat az EREDETI mátrixba visszaírva határozhatjuk meg az adott
feladat optimális megoldását:
400 100
T1 5 3 8 3 500
300
T2 10 4 4 3 300
100 300
T3 8 6 4 10 400
Igény 400 200 300 300
300 200
T1 5 3 8 3 500
300
T2 10 4 4 3 300
100 300
T3 8 6 4 10 400
Igény 400 200 300 300
A két megoldás egyenértékűségéről könnyen meggyőződhetünk, amikor

meghatározzuk a megoldás minősítésére szolgáló mutatószámot – a megol-
dáshoz tartozó szállítási teljesítmények összegét. Ezek a következők:
Q1 = 5 km * 400 t/év + 3 km * 100 t/év + 8 km * 0 t/év + ……

+ 4 km * 300 t/év + 10 km * 0 t/év = 5000 tkm/év
Q2 = 5 km * 300 t/év + 3 km * 200 t/év + 8 km * 0 t/év + ……

+ 4 km * 300 t/év + 10 km * 0 t/év = 5000 tkm/év
A Magyar-módszer minden esetben optimumot ad. Ez azt jelenti, hogy

ezen a két megoldáson kívüli bármelyik további eredményhez tartozó
szállításiteljesítmény-összeg ennél az értéknél csak nagyobb lehet.
4.1.5 A maximális szállítási teljesítményt igénylő szállítási rendszer

meghatározása
A következőkben megvizsgáljuk, hogyan lehet a szállítási probléma célfüggvé-

nyében meghatározott minimalizálás helyett a szállítási teljesítmények összegé-
nek maximalizálására törekedni.
Látszólag jogosan merülhet fel a kérdés: mire jó a gyakorlatban ennek isme-
rete? Nem csak valamilyen elvont matematikai bravúrok kedvéért vizsgálgat-
ják ezt néhányan minden hasznosíthatóság nélkül? A válasz határozott nem.
194
© Typotex Kiadó
Ugyanis ezt a modellt és megoldását nemcsak a közlekedésben alkalmazzák,

hanem még annál is elterjedtebben például a kereskedelemben, a közgazdaság-
tanban is. Míg azonban a szállítások során főleg a költségek minimalizálása le-
het a cél, itt legalább ilyen gyakran merül fel a bevételek, a profitok maximalizá-
lásának igénye is.
Nekünk, szállításszervezőknek is szükségünk lehet a maximális teljesítményt
igénylő változat ismeretére. Képzeljük ugyanis el azt a helyzetet, amikor a tény-
legesen működő rendszerünk például 100 000 tkm/év szállítási teljesítményt
igényel. A rendelkezésre álló adatokat optimalizációs programmal elemezve
azonban meghatároztuk, hogy ugyanezeket a feladatokat 90 000 tkm/év szállí-
tási teljesítmény mellett is meg lehet oldani. Áttérjünk erre, vagy sem? A válasz
számos költség- és egyéb tényezőtől függ, de ezek közül biztosan az egyik leg-
fontosabb a maximum kérdése. Nyilvánvaló ugyanis, hogy ha az elvi maximum
értéke 101 000 tkm/év, akkor az áttérés szinte biztosan szükségszerű. Ha azon-
ban az elvi maximum 999 999 tkm/év, akkor valószínűleg nem (hiszen nagyon
közel vagyunk az optimumhoz).
A maximalizálás érdekében végzett számítások során két út állhat előttünk:
vagy módosítjuk a számítások algoritmusát, vagy valamilyen gyakorlati trük-
köt alkalmazunk. Az előbbihez általában nem elég a matematikai előképzettsé-
günk (és ráadásul milyen bonyolult lenne a számítógépes programok módosít-
gatása is). Marad tehát a második lehetőség: mielőtt elkezdenénk a számolást,
úgy alakítsuk át a kiinduló mátrixot, hogy az arról mit sem sejtő program (illet-
ve az algoritmus) a kívánt célfüggvény-maximalizálást végezze el.
A mátrix átalakítása
Az algoritmust és az esetleg rendelkezésünkre álló programot érintetlenül

hagyjuk tehát, viszont a feladat megfogalmazását tartalmazó mátrixot át-
alakíthatjuk a célnak megfelelően. Ha ugyanis az átalakítás után kapott
mátrix minden eleme fordítva viselkedne, mint korábban (tehát a koráb-
ban nagy elemek kicsikként, a kis elemek nagyokként viselkednének), ak-
kor a minimalizálás végeredménye az eredeti mátrixon történő maximali-
zálást eredményezné.
Olyan mátrixtranszformációt kell tehát alkalmaznunk, amely a mátrix
bármelyik tetszőlegesen kiválasztott elempárjára a következő szabályokat
alkalmazza:
Ha az eredeti mátrixban aij < akl, akkor a transzformált mátrixban bij > bkl,
ha pedig aij = akl, akkor bij =bkl.
Ilyen műveleteket már az általános iskolai tananyagban megismertünk.

Legegyszerűbb minden elemet az ellentettjével helyettesíteni. Könnyen
belátható, hogy ekkor a valós számskálán a „kicsiből nagy szám, a nagyból
kicsi” lett.
195
© Typotex Kiadó
A másik lehetőség, ha minden számot a reciprokával helyettesítünk. A

kapott számhalmaz (illetve a mátrix elemeinek összessége) szintén a fenti
tulajdonsággal bír.
A jelzett két lehetőség annyiban nehézkes, hogy vagy csupa negatív
számmal, vagy csupa törttel (ráadásul sokszor végtelen tizedestört-alak-
ban) kell számolnunk. Ez persze a számítógépet nem érdekli, de manuális
számításoknál nem látszik kényelmesnek.
A harmadik lehetőség, ha a mátrix minden elemét kivonjuk egy tetsző-
leges (de azonos) számból. Az így kapott komplementer számokra is igaz
az említett feltételek teljesülése. Az alapszám kiválasztása matematikai
szempontból természetesen tetszőleges (és a számítógépes program szá-
mára is), de ha el akarjuk kerülni az előző két lehetőség hátrányait, akkor
az alapszámot célszerű a mátrix legnagyobb eleménél nem kisebbre vá-
lasztani (sőt, ha ezek éppen egyenlők, akkor legalább egy nullaelem képzé-
sét meg is takarítottuk).
Gyakorlati szempontból tehát javasolható, hogy az alapszám és a legna-
gyobb elem legyen egyenlő.
A feladat tehát a következő mátrixon történő maximalizálás:
T1 5 3 8 3 500
T2 10 4 4 3 300
T3 8 6 4 10 400
Igény 400 200 300 300
Ellentettszámítás esetén a transzformált mátrix:
T1 –5 –3 –8 –3 500
T2 –10 –4 –4 –3 300
T3 -8 –6 –4 –10 400
Igény 400 200 300 300
Reciprokképzés esetén a következő mátrixot kapjuk:
T1 0,2 0,3333 0,125 0,3333 500
T2 0,1 0,25 0,25 0,3333 300
T3 0,125 0,1667 0,25 0,1 400
Igény 400 200 300 300
196
© Typotex Kiadó
A komplementerképzés eredménye (K = 10):
T1 5 7 2 7 500
T2 0 6 6 7 300
T3 2 4 6 0 400
Igény 400 200 300 300
A minimalizáló algoritmus alkalmazása az átalakított mátrixon
Mint már arról szó volt, elvileg mindegy, hogy melyik átalakítást végez-
zük el, gyakorlatilag azonban manuális számításoknál a komplementer-
képzés a legkényelmesebb (látható, hogy itt vannak a „legnormálisabb”
számok). Mi is ezt választjuk tehát. A Magyar-módszerrel történő optima-
lizálás eredménye a következő:
100 100 300
T1 5 7 2 7 500
300
T2 0 6 6 7 300
100 300
T3 2 4 6 0 400
Igény 400 200 300 300
(Alternatív optimum volt, de csak az egyiket tartalmazza a mátrix.)
A megoldás értelmezése
A kapott eredmény természetesen nem az eredeti feladat megoldása, ha-

nem az általunk önkényesen átalakított mátrixszal végzett műveletek
eredménye. Ahhoz, hogy értelmezhető eredményt kapjunk, a kapott for-
galmakat az eredeti távolságmátrixba helyettesítjük vissza:
100 100 300
T1 5 3 8 3 500
300
T2 10 4 4 3 300
100 300
T3 8 6 4 10 400
Igény 400 200 300 300
A fenti táblázat tehát a maximális teljesítményt igénylő rendszert tartal-

mazza. Ez a maximum a következő:
Q = 5 * 100 + 3 * 100 + 8 * 300 + …… + 4 * 0 + 10 * 300 = 9800
197
© Typotex Kiadó
A Magyar-módszer jellege alapján elmondható, hogy bármely más megol-

dásnak (az alternatív optimumot kivéve) ennél kisebb a teljesítményértéke.
„Filozófiai szempontból” is fontos tehát annak felismerése, hogy:
Minden szállítási rendszernek van elvileg legkedvezőbb és elvileg legkedvezőtle-

nebb szervezése. Ezeket a határokat nem lehet átlépni. Ebből következik, hogy van-
nak olyan rendszerek, amelyeket lehetetlen tovább javítani, és vannak olyanok is,
amelyek szándékosan sem ronthatók egy szintnél tovább.
4.1.6 A háromdimenziós szállítási probléma
A szállítási probléma hagyományos modellje olyan rendszert ír le, amelyben bi-

zonyos termelőktől bizonyos fogyasztókig meghatározott mennyiségű termé-
ket kell eljuttatni minimális szállítási ráfordítással. A megoldás során az időnek
nincsen szerepe: vagy úgy értelmezzük, hogy minden szállítás egy időben zaj-
lik, vagy úgy, hogy egy adott időközön belül tetszőleges időpontban.
A valódi szállítások a Just-in-time elv fokozott érvényesülése érdekében egy-
re inkább úgy zajlanak le, hogy az időnek újabban még a távolságnál is nagyobb
szerepe van. A szállítmánynak lényegében minden más tényezőtől függetlenül
adott időben kell megérkeznie a fogyasztóhoz, mert a fölösleges tárolás, illetve
a késés nagyobb többletköltséget okoz, mint a többi költségtényező.
Ennek eredményeként az optimalizációs számításokat ma már naponta (sőt,
néha még sűrűbben) el kell készíteni akkor is, ha egyébként a rendszer térbeli
elhelyezkedése éveken keresztül változatlan távolságmátrixszal modellezhető
(hiszen a kapacitás- és az igényvektorok ilyen sűrűséggel változnak).
Napjaink szállításszervezésébe a számítógépi programok elterjedésének kö-
szönhetően egy új, korábban itt nem használt elnevezés, a fogadási (vagy indí-
tási) ablak fogalma is belekerült. Ez lényegében azt jelenti, hogy míg bizonyos
fogyasztók (ezek általában kereskedelmi egységek) számára az időszak bár-
mely időpontjában (tehát például a munkanapon belül bármikor) lehet szállíta-
ni, addig más fogyasztók csak meghatározott – az időszaknál rövidebb – időin-
tervallumokban fogadókészek (tehát egy napon belül például csak délelőtt). Bár
az indítási oldalon (ez általában vagy termelő, vagy kereskedő) hasonló eset rit-
kábban fordul elő, itt sem zárhatjuk ki ezt a kötöttséget.
Ha ezeket az ablakokat egymástól függetlenül kezeljük, akkor előfordulhat,
hogy két, egymáshoz közeli fogyasztót két külön járattal szolgálunk ki, míg
együtt kezelve ezeket, járatmegtakarítást érhetünk el.
A problémát jelenleg legtöbbször úgy oldják meg (természetesen számítógé-
pes programokkal támogatva), hogy az első lépésben összevonják az időben
egymáshoz közelálló rendeléseket, majd a második lépésben elvégzik az egyes
részidőintervallumokon belül a térbeli járatszerkesztést.
Mivel ez a gyakorlatban kielégítő (sőt látványos) eredményeket hoz, a fel-
használókban fel sem merül, hogy itt egy erősen heurisztikus (tulajdonképpen a
198
© Typotex Kiadó
progresszív módszer algoritmusának megfelelő) megoldásról van szó. Az igé-

nyek időszakokba sorolásában – még számítógépes algoritmus esetén is – ko-
moly szubjektív elemek vannak, ezért elvileg nem kizárt, hogy az optimálisan
elvégezhető szállításoktól jelentősen elmaradó eredményt kapunk.
Optimális megoldásra csak akkor van esélyünk, ha az időbeli és a térbeli op-
timalizálás nem egymás után, hanem egyszerre, egymást befolyásolva történik.
Ennek eszköze egy olyan mátrixsorozat, amely ugyanannak a térbeli rendszer-
nek a különböző részintervallumokon belüli különböző állapotait írja le, és a
szállítások programozásában nemcsak különböző termelők és fogyasztók kö-
zötti összekapcsolásokat végzünk, hanem az időben is tudunk mozogni. A mát-
rixsorozat tehát lényegében egy olyan (háromdimenziós) tömb (innen ered a
modell elnevezése), amely egyik irányban a termelőket, másik irányban a fo-
gyasztókat, harmadik irányban pedig az időt tartalmazza, elemei pedig az adott
részidő-intervallumban érvényes távolságot képviselik a termelők és a fogyasz-
tók között.
A modell felépítése
A modell felépítését egy konkrét feladaton keresztül vizsgáljuk meg. Pél-

dánkban 3 termelő (T1, T2, T3) áll kapcsolatban 4 fogyasztóval (F1, F2, F3,
F4). A termelők adott napi kapacitása 200, 100, 300 egység, míg a fogyasz-
tóké 100, 100, 200 és 200 egység.
A rendszer térbeli elhelyezkedését a következő távolságmátrix írja le:
F1 F2 F3 F4
T1 4 6 1 7
T2 2 7 5 9
T3 1 1 5 6
A termelési program és a rendelési igények elemzése alapján a követke-

ző kötöttségekhez kell igazodnia a szállításnak:
T1-ből egész nap (8 és 16 óra között) lehet szállítani.

T2-ből csak 8 és 14 óra között van szállítás.
T3-ból csak 10 és 16 óra között szervezhető szállítás.
F1 csak 8 és 10 óra között,

F4 egész nap (8 és 16 óra között) fogadóképes.
A fenti kötöttségeket 4 darab, kétórás intervallumokra érvényes távolság-

mátrixszal reprezentálhatjuk. E mátrixok csak ott tartalmaznak végtelennél
199
© Typotex Kiadó
kisebb távolságértékű elemet, ahol elvileg lehetséges a szállítás (más szóval

az ablakokon kívüli időszakokban kizárjuk a szállítások lehetőségét).
8–10 óra:
F1 F2 F3 F4
T1 4 M 1 7
T2 2 M 5 9
T3 M M M M
10–12 óra:
F1 F2 F3 F4
T1 M 6 1 7
T2 M 7 5 9
T3 M 1 5 6
12–14 óra:
F1 F2 F3 F4
T1 M 6 1 7
T2 M 7 5 9
T3 M 1 5 6
14–16 óra:
F1 F2 F3 F4
T1 M M M 7
T2 M M M M
T3 M M M 6
A modell a szállítás szolgáltatási jellegű értelmezésének megfelelően

feltételezi, hogy a JIT-elv megvalósulása érdekében a nap bármely idősza-
kában képes a fuvarozó a szükséges számú szállítójárművet rendelkezésre
bocsátani.
A feladat megoldása
A feladatot leíró mátrixmodell tehát esetünkben 4 különböző időintervallu-

mot képvisel. A négy mátrixot olyan tömbként fogjuk fel, amelyben az előző
200
© Typotex Kiadó
négy mátrix egy-egy szintet képvisel. Optimális matematikai megoldás is-

meretének hiányában be kell érnünk valamilyen heurisztikus eljárással.
Ilyen lehet például a progresszív módszer. Itt mechanikusan végezzük a
programozást a legkisebb elemtől kiindulva, azzal a különbséggel, hogy
minden lépésben az egész tömb legkisebb elemét keressük, és minden lépés
után az egész tömbben elvégezzük a szükséges elemek törlését (természe-
tesen a progresszív módszer jellegéből adódóan kaphatunk olyan megol-
dást is, amelynél kizárt elemre programoztunk – ilyenkor, ha lehet, másik
megoldást kell keresni).
Ezzel a módszerrel a következő eredményt kaphatjuk (a kiválasztható
elemek azonossága miatt több alternatív eredmény is létezik):
8–10 óra: T1–F3 200 200 * 1 = 200 egység

T2–F1 100 100 * 2 = 200 egység
10–12 óra: T3–F2 100 100 * 1 = 100 egység
T3–F4 200 200 * 6 = 1200 egység
Összesen tehát 1700 egységnyi szállítási teljesítményt igényel e megol-

dás (a progresszív eljárás sajátossága miatt ebben az esetben az utolsó lé-
pésre elég magas értékű távolságelem „ragadt be”).
A Vogel–Korda-módszer e modellben úgy alkalmazható, hogy nem az

adott sor vagy oszlop, hanem az adott sík két legkisebb elemének különbsé-
gét határozzuk meg. Így esetünkben az előzővel azonos eredmény adódik.
Mindkét módszer javítását megcélozhatjuk (a hagyományos módszerek-

hez hasonlóan nem garantált javítási lehetőséggel) nullaelemek képzése
útján. Itt persze nem oszloponként és soronként, hanem síkonként kell
nullaelemet gyártanunk. Esetünkben ez a javítás nem sikerült (bár elkép-
zelhető, hogy az ismertetetteknél más programozási lépési sorrend esetén
jobb megoldás is létezik).
A Magyar-módszer adaptációja e feladat megoldására is elképzelhető
(persze itt már csak heurisztikus módszerként). Itt csak független nulla-
elemre programozhatunk, tehát olyanra, amely saját síkjában egyetlen nul-
laelem. A fedővonalakat pedig az adott síkra merőlegesen kell meghúzni a
nullaelemeken keresztül. A fedővonalrendszer megszerkesztésének ered-
ményeként minden elemhez egy, két vagy három fedővonal tartozik (a
foglalt nullaelemekhez kettő). A transzformáció során az egy fedővonalas
elemek (ezek nem nullaelemek) csökkennek, a két fedővonallal rendelke-
zők változatlanok maradnak, míg a három fedővonallal lefedettek nőnek.
A módszer matematikai alapok nélkül, pusztán az analógiára épül, ezért
sem tekinthetjük eredményét optimálisnak (vagyis a módszer heuriszti-
kus). Az időbeli kötöttségeket tartalmazó jelen feladatban egyébként nincs
is szükség a programozás utáni transzformációra.
Esetünkben az algoritmus a korábbiakkal azonos eredményt ad.
201
© Typotex Kiadó
A modell kiterjesztése
Matematikai szempontból az előző (a gyakorlat szerint kívánatosnak ne-

vezhető) modell nem túl izgalmas. Mivel az egyik sík irányában nincsen
kötöttség (bármely időszakban rendelkezésre áll a szükséges szállítási ka-
pacitás), a probléma nyitott, elvileg az ismertetett elemi algoritmusokkal
megtalálható az optimális megoldás.
Lényegesen érdekesebb az a probléma, amikor a járműkapacitások is kor-
látosak az egyes időintervallumokban. Ez az eset áll elő akkor, ha a fuvarozó
cég is szállítási korlátokat jelent be az adott időszakokban (hiszen ők is vala-
milyen szállítási program szerint tudják kiállítani a járműveiket az adott fel-
adatokra). Meg kell jegyezni, hogy már az előző pontban is előfordulhat
olyan eset, hogy a feladatnak nincs megoldása (például túl sok kötöttség
esetén), de mostani modellünkben ennek fokozott valószínűsége van.
Példánkban a fuvarozó kötöttségeit az jelenti, hogy 8 és 10 óra között
100, 10 és 12 óra között 200, 12 és 14 óra között 200, 14 és 16 óra között 100
egységnyi járműkapacitást tud biztosítani a feladat ellátására.
A feladat (heurisztikus) megoldására szintén a fenti módszerek állnak
rendelkezésre, azzal a különbséggel, hogy itt már háromfajta kötöttséget
kell figyelembe venni minden programozási lépésben.
Egy nullaelemek képzése után progresszív eljárással kapott eredmény
lehet például a következő:
8–10 óra: T2–F1 100 100 * 2 = 200 egység

10–12 óra: T1–F3 200 200 * 1 = 200 egység
12–14 óra: T3–F2 100 100 * 1 = 100 egység
T3–F4 100 100 * 6 = 600 egység
14–16 óra: T3–F4 100 100 * 6 = 600 egység
A megoldás összesen 1700 egységnyi szállítási teljesítményt igényel,

ami feltehetően közel áll az optimumhoz (vagy egybeesik vele), mivel az
egyébként szintén heurisztikus háromdimenziós Magyar-módszerrel is ez
az eredmény adódik.
Alkalmazási lehetőségek
A háromdimenziós szállítási probléma elvi alkalmazási lehetőségei sokré-

tűek. Ha ugyanis a távolságmátrix (melyet általánosan értelmezünk, tehát
az nemcsak geometriai távolságokat tartalmazhat) valamilyen szempont-
ból képes változni (mint láttuk, a szállítások területén a leggyakrabban az
idő szerint, de ez lehet más paraméter – például termékfajta – is), e szem-
pontból „átjárhatók” a mátrix elemei (tehát például a szállítások bizonyos
intervallumokon belül eltolhatók), akkor belátható, hogy a modell jobb
eredményeket biztosíthat, mint a „külön-külön” történő optimalizálás.
202
© Typotex Kiadó
Az alkalmazás tehát a legkülönfélébb területeken lehet hatékony (gon-

doljunk csak például arra, hogy a személyzetvezénylési problémában na-
ponta változó menetrend esetén is tervezhetünk nemcsak naponta, hanem
az egész hétre vonatkozóan optimális munkaidő-felhasználásokat).
A háromdimenziós szállítási probléma megoldása az adaptált Magyar-

módszerrel
Az eddigiekben tehát érzékelhettük, hogy a fenti modell mikor lehet haté-

kony egy optimalizációs problémában. Az a feladat azonban, amelyet
megoldottunk általa, túlságosan egyedi volt a benne szereplő sok korlát
miatt (ezeket az M-mel jelölt kizárt relációk jelentették).
A következőkben végigkövetjük egy feladat megoldását egy olyan, átte-
kinthetőbb esetben, amikor ilyen kizárások nem szerepelnek a korlátok
között (viszont a távolságmátrix elemei az időben – illetve valamilyen vál-
tozó szerint – változnak, tehát a modell kielégíti az alapfeladat követelmé-
nyeit).
A feladatot leíró mátrixmodell a következő:
F1 F2 F3 F4 Kap.
T1 6 2 4 3 100 300
T2 1 4 1 5 200
T3 2 1 3 3 100
T1 1 4 2 9 100
T2 3 3 6 8
T3 1 5 4 2
Igény 100 100 100 100
A táblázatot a hagyományos szállítási feladatnak megfelelően kell értel-

mezni, tehát például a T1 kétnapi kapacitása 100, az F1 kétnapi igénye
szintén 100. A két napon két különböző távolságmátrix „van érvényben”,
és az első napon 300, a másodikon 100 egységnyi szállítási kapacitást tud a
fuvarozó kiállítani (a valóságban a kapacitások és az igények összege ter-
mészetesen ritkán egyezik meg, de ez a hagyományoshoz hasonló módon
fiktív állomásokkal, illetve fiktív nappal megoldható).
Az első lépésben síkonként nullaelemeket kell képezni (ez a hagyomá-
nyos esetben soronként és oszloponként történik). Mivel a sorrend tetsző-
leges, most azt választottuk, hogy először a napok síkjaiban, majd a fo-
gyasztók síkjaiban vontuk ki az adott sík legkisebb elemét a sík összes ele-
méből:
203
© Typotex Kiadó
F1 F2 F3 F4 Kap.
T1 5 1 3 1 100 300
T2 0 3 0 3 200
T3 1 0 2 1 100
T1 0 3 1 7 100
T2 2 2 5 6
T3 0 4 3 0
Igény 100 100 100 100
A következő lépésben a független nullaelemekre a lehető legnagyobb

értéket programozzuk, majd ezzel az értékkel csökkentjük az elem síkjába
eső kapacitásokat és igényeket (független az a nullaelem, amelyik saját sík-
jában egyedül áll). Feladatunkban az első ilyen a „T3 – F2 – 1. nap”-elem:
F1 F2 F3 F4 Kap.
T1 5 1 3 1 100 300
T2 0 3 0 3 200
T3 1 0 2 1 100
T1 0 3 1 7 100
T2 2 2 5 6
T3 0 4 3 0
Igény 100 100 100 100
Az összes független nullaelemre történő felprogramozás után a követ-

kező eredmény adódik (először a „T2 – F3 – 1. nap”-, majd a „T2 – F1 –
1. nap”-elemekkel folytatva):
F1 F2 F3 F4 Kap.
T1 5 1 3 1 100 0
100 100
T2 0 3 0 3 0
100
T3 1 0 2 1 0
T1 0 3 1 7 100
T2 2 2 5 6
T3 0 4 3 0
Igény 0 0 0 100
A fenti lépések után már nem marad olyan szabad nullaelem, amelyre
programozni lehetne, ezért új nullaelemeket képezünk. Ehhez fedővonal-
204
© Typotex Kiadó
rendszert építünk fel, a hagyományos Magyar-módszerhez hasonlóan (itt

azonban a maradékok síkjához tartozó nullaelemeken az adott síkra hú-
zunk merőlegest, és nem a maradékok egyenesére):
F1 F2 F3 F4 Kap.
T1 5 1 3 1 100 100
100 100
T2 0 3 0 3 0
100
T3 1(1) 0 2 1 0
T1 0(1) 3 1 7 100
T2 2(1) 2 5 6
T3 0(3) 4(1) 3(1) 0(1)
Igény 0 0 0 100
Az eredményt a színezések szemléltetik, és a jobb áttekinthetőség ked-

véért az adott elem mellett zárójelben látható, hogy hány fedővonal van az
adott elemen. Mivel egy elem elvileg három fedővonallal is rendelkezhet,
a három esethez (az elem értéke növekedik, változatlan vagy csökken) azt
a három helyzetet rendeljük, hogy az elemen három, kettő vagy egy fedő-
vonal van. Így minden elemet le kell a végén fednünk legalább egy vonal-
lal, ügyelve arra, hogy a nullaelemek legalább kettő, a foglalt elemek pedig
pontosan kettő vonallal rendelkezzenek (mivel ezek nem csökkenhetnek,
illetve a második esetben nem változhatnak).
A következőkben tehát először lefedjük az összes nullaelemet kettő vo-
nallal:
F1 F2 F3 F4 Kap.
T1 5 (1) 1 (1) 3 (1) 1 100 100
100 100
T2 0 (2) 3 (2) 0 (2) 3 (1) 0
100
T3 1 (2) 0 (2) 2 (2) 1 (1) 0
T1 0 (2) 3 (1) 1 (1) 7 (2) 100

T2 2 (1) 2 5 6 (1)
T3 0 (3) 4 (1) 3 (1) 0 (2)
Igény 0 0 0 100
Mivel még nem minden elem van lefedve, a maradékokat is lefedjük

egy-egy vonallal:
205
© Typotex Kiadó
F1 F2 F3 F4 Kap.
T1 5 (1) 1 (1) 3 (1) 1 (1) 100 100
100 100
T2 0 (2) 3 (2) 0 (2) 3 (2) 0
100
T3 1 (2) 0 (2) 2 (2) 1 (2) 0
T1 0 (2) 3 (1) 1 (1) 7 (2) 100

T2 2 (2) 2 (1) 5 (1) 6 (2)
T3 0 (3) 4 (1) 3 (1) 0 (2)
Igény 0 0 0 100
A fedővonalrendszer felépítését követően kezdődik el a mátrix transz-

formálása a delta érték segítségével. Ez a mátrix(ok) legkisebb, egy vonal-
lal lefedett eleme (a hagyományos algoritmusnál a nem lefedettek közül a
legkisebb elem). Esetünkben ez 1. A háromvonalas elemek ezzel az érték-
kel nőnek, a kétvonalasak változatlanok maradnak, az egyvonalasak pedig
csökkennek (a hagyományos algoritmusnál ugyanez történik, de ott a vo-
nalak száma minden esetben eggyel kisebb):
F1 F2 F3 F4 Kap.
T1 4 0 2 0 100 300
T2 0 3 0 3 200
T3 1 0 2 1 100
T1 0 2 0 7 100
T2 2 1 4 6
T3 1 3 2 0
Igény 100 100 100 100
Az új mátrix(ok)on elvégezve a független elemekre való programozást,

a következő eredményt kapjuk (00-val jelölve azokat az elemeket, amelyek
a programozás közben elvesztették nullaelem-jellegüket):
F1 F2 F3 F4 Kap.
100
T1 4 0 2 00 0 0
100 100
T2 0 3 0 3 0
T3 1 00 2 1 0
T1 00 2 00 7 0
T2 2 1 4 6
100
T3 1 3 2 0
Igény 0 0 0 0
206
© Typotex Kiadó
Mivel ebben a lépésben minden értéket fel tudtunk programozni, a fel-

adatot megoldottuk. A program értéke 600.
Az algoritmus „szépsége” abban rejlik, hogy alapelve eltér a többi heurisztikus

módszerétől. Míg a hagyományos szállítási probléma heurisztikus elvei egy-
egy logikus ötletre épülnek (például válasszuk ki a mátrix legkisebb elemét, és
erre programozzunk, hiszen minimalizálni szeretnénk), addig itt a heurisztikus
elv egy analógia. Általánosítsuk (helyesebben, adaptáljuk) tehát a matematikai-
lag bizonyított Magyar-módszert mátrixról tömbre (vagyis használjunk térbeli
fogalmakat a kétdimenziós, síkbeli mátrix fogalmai helyett), és máris készen
van az algoritmus. Természetesen az optimumot így már nem garantálhatjuk,
hiszen matematikai levezetésről szó sincs, de magát az algoritmust senki sem
tilthatja meg nekünk (hiszen az éppúgy megalapozatlan matematikai szem-
pontból, mint például az egyébként használatos Vogel–Korda-eljárás), főleg, ha
fenntartásokkal fogadjuk (heurisztikusan kapott) eredményét.
Egyébként az eddigi tapasztalatok szerint mindig adott eredményt az algo-
ritmus. Eddig soha nem fordult elő, hogy a többi eljárásnál kedvezőtlenebb
programot nyertünk volna általa. A fenti feladat eredménye például progresz-
szív módszerrel 1200, Vogel–Korda-módszerrel 800, nullaelemes progresszív
módszerrel 1200, nullaelemes Vogel–Korda-módszerrel pedig 800. Maximalizá-
lás esetén progresszív módszerrel 1700, Vogel–Korda-módszerrel 1800, nulla-
elemes progresszív módszerrel 2100, nullaelemes Vogel–Korda-algoritmussal
2100, míg a Magyar-módszerrel szintén 2100 a program értéke. (Megjegyzendő,
hogy – hasonlóan a kétdimenziós szállítási problémához – a nullaelemek képzése többféle
eredményt is adhat. Ott megszokhattuk, hogy a kétféle kiindulási mátrix ugyanazt az
eredményt garantálja, legfeljebb különböző számú lépésben. Itt is ez történik – elvileg
hatféle sorrendben válaszható ki a nullaelemek három képzési síkja –, és a tapasztalatok
szerint mindegyik elvezet az optimális megoldáshoz. Némelyik esetben azonban túl sok
nullaelem képződik a lépések során – mintha a hagyományos eset alternatív optimumjait
kapnánk –, és ezek között az ott alkalmazott törlési szabályok nem alkalmazhatók. Való-
színűsíthető, hogy ilyenkor azt az elemet kell törölni, amelyiknek a három síkjában a leg-
kisebb a további nullaelemek összege, de ez egyáltalán nem bizonyított. Elégedjünk meg
itt azzal, hogy ilyenkor másik nullaelem-képzési sorrendet célszerű választani.) Bár
ezek a programértékek természetesen semmit nem bizonyítanak, azt szemlélte-
tik, hogy az algoritmus bátran minősíthető egy, a többi módszernél pontosabb
heurisztikus eljárásnak az egy további paramétertől is függő háromdimenziós
szállítási probléma megoldására.
207
© Typotex Kiadó
4.2 A TANANYAGSTRUKTÚRA ELEMZÉSE HÁLÓTERVEZÉSI

MÓDSZEREKKEL
Az eddigiekben leírtak szerint a determinisztikus modellek alkalmazása a taná-

ri munka számos területén közvetlen eredményeket hoz. Az egyik ilyen példa
egy évfolyamfeladat keretében elvégzett, hálótervezési módszerekkel történő
tananyagelemzésre épül.
Egy műszakipedagógus-hallgató csoport egyik módszertani évfolyamfeladata

az volt, hogy valamely tetszőlegesen kiválasztott közismereti vagy szakmai tan-
könyv komplex elemzését végezze el. Ennek keretében kellett a közismert szem-
pontok (mennyiség, kivitelezés, a tantervhez való kapcsolódás, nyelvhelyesség,
elsajátíthatóság, szemléletesség, motiváció, gondolkodásalakítás, ár stb.) alapján
elemezni az oktatás e dokumentumát. Az elemzés részét képezte a logikus felépí-
tésnek mint az érthetőség egyik feltételének egzakt eszközökkel való feltárása is.
A következőkben szereplő dolgozat egy biológia-tankönyvet választott té-
májául. Ez a könyv az erdők biológiáját mutatja be 12 éves tanulóknak. Fő feje-
zetei az ő ismereteik bővítésére vállalkoznak:
hazánk erdőtársulásait;
a különböző erdőfajtákat;
az ott élő bokorszint alatti kisebb növényeket;
a gombákat;
a talajban élő állatokat;
az erdők állatait;
az erdei élőlények szimbiózisát;
végül az erdészet és a környezetvédelem kapcsolatát tárgyalva.
A hallgatói feladatban előírtak szerint egy-egy feladatban 7–10 rész (tanítási

egység) szerkezeti elemzését kellett elvégezni, ezért a hallgató a következő 9
egységet választotta ki a tankönyv elejéről:
1. Hazánk erdőiről
2. Hazánk természetes erdőtársulásai
3. A tölgy és a bükk
4. Az erdeifenyő
5. Cserjék az erdőben
6. Virágtalan növények az erdőben: zuzmók, mohák
7. Virágtalan növények az erdőben: az erdei pajzsika
8. Gombák az erdőben
9. Az erdő aljnövényzetében élő virágos növények
A tankönyv ebben a sorrendben tárgyalja e témaköröket.
208
© Typotex Kiadó
4.2 A TANANYAGSTRUKTÚRA ELEMZÉSE HÁLÓTERVEZÉSI ESZKÖZÖKKEL 209
A hallgató (természetesen szubjektív módon, saját ismereteit felhasználva)

elkészítette e tanítási egységek kapcsolati mátrixát, amely a logikai háló leképe-
zésének eredménye. A mátrix a(i,j) és a(j,i) elemei reprezentálják az i. és a j. taní-
tási egység kapcsolatait. E kapcsolatok tartalma az, hogy a két témakör közül
melyik épít a másikban elsajátított ismeretekre. Ha a j-edik egység épít az
i-edikre, akkor a(i,j) = 1, fordított esetben pedig a(j,i) = 1 értéket vesznek fel a
mátrix megfelelő elemei. Ha ilyen egymásra épülés nincs, akkor az a(i,j) = 0 és
a(j,i) = 0 értékeket kell adni a szóban forgó elemeknek.
Normális esetben bármely két ilyen szimmetrikus elempár összege 0 vagy 1
lehet. Az előbbi esetben a két tananyagrész független egymástól, az utóbbiban
az egyik épít a másikra. Számítástechnikai szempontból mégis fel kell készülni
az összes lehetséges eshetőségre, hiszen a megítélés szubjektív, ezért figyelmet-
lenségből, a szakmai kompetencia hiányából adódhatnak hibák is a mátrix fel-
töltése során. A hibás feltöltés lehetőségeire azért is fel kell készülni, mert egy
elvileg ellentmondásmentesen feltöltött mátrixhoz tartozó gráfban is előfordul-
hatnak körutak (sőt, az egyik elméleti tétel szerint vannak esetek, amikor ezek
kiiktathatatlanok a tananyag szerkezetéből).
Gyakorlati okokból az elemzést végzők általában nem is a közvetlen egymás-
ra épülés tényét vagy hiányát állapítják meg, hanem az előidejűséget becsülik
meg. Ez azt jelenti, hogy minden tanítási egységpárosra globálisan megállapít-
ják, hogy melyiket célszerűbb korábban tanulni (a szűkebben vett szakmai logi-
ka, a taníthatóság, és más, főleg pedagógiai szempontok összessége alapján). Az
így kapott adat határozza meg ezután a kapcsolati mátrix elemeit.
1 2 3 4 5 6 7 8 9
1 M 1 1 1 1 1 1 1 1
2 0 M 1 1 1 1 1 1 1
3 0 0 M 0 1 1 1 1 1
4 0 0 0 M 1 1 1 1 1
5 0 0 0 0 M 0 0 0 0
6 0 0 0 0 0 M 0 0 0
7 0 0 0 0 0 0 M 0 0
8 0 0 0 0 0 0 0 M 0
9 0 0 0 0 0 0 0 0 M
A logikai háló (illetve a hozzá tartozó kapcsolati mátrix) alapján határozzuk

meg az elemeknek azt a sorrendjét, amelyhez várakozásaink szerint a legkeve-
sebb visszafelé áramlás (logikai ellentmondás) tartozik. Egzakt, azaz optimális
megoldást garantáló eljárás nem létezik, ezért heurisztikus algoritmusokat al-
kalmaznak. Az egyik ilyen megoldási lehetőség az oszlopvektoros eljárás. Ez
arra a heurisztikus elvre épít, amely szerint az optimális eljárásban a sor végén
található rendszerelemekből kifelé mutató kapcsolatok száma kicsi (egy másik
lehetséges heurisztikus elv szerint a sor elején álló rendszerelemekből kifelé
mutató kapcsolatok száma viszont nagy lenne).
209
© Typotex Kiadó
Az ehhez rendelhető algoritmus szerint tehát soronként összegezni kell a

mátrix elemeit, majd ezek közül a legkisebbhez tartozó rendszerelemet a sor vé-
gére helyezzük.
1 2 3 4 5 6 7 8 9 S
1 M 1 1 1 1 1 1 1 1 8
2 0 M 1 1 1 1 1 1 1 7
3 0 0 M 0 1 1 1 1 1 5
4 0 0 0 M 1 1 1 1 1 5
5 0 0 0 0 M 0 0 0 0 0
6 0 0 0 0 0 M 0 0 0 0
7 0 0 0 0 0 0 M 0 0 0
8 0 0 0 0 0 0 0 M 0 0
9 0 0 0 0 0 0 0 0 M 0
Több azonosan minimális (esetünkben 0) összegű sor előfordulása esetén a

választás tetszőleges, bár ezáltal eltérő végeredményeket kaphatunk, amelyek-
re e fázisban e döntés hatása még nem ítélhető meg. Lényegében ez az oka a
módszer heurisztikus jellegének.
A évfolyamfeladat kidolgozója azt a megoldást választotta, amely szerint
függőlegesen vizsgálva az első minimális (0) összeghez tartozó 5. rendszerele-
met (tanítási egységet) helyezte el a tanítási folyamat végén.
Ezután az eljárás azt írja elő, hogy a kiválasztott rendszerelem sorát és oszlo-
pát töröljük a mátrixból. Ennek algoritmizálása során a felhasználandó munka-
táblázatok számának csökkentése érdekében egyszerűbb eljárást dolgoztak ki.
A sorösszegeket tartalmazó oszlopvektor elemeit tehát úgy módosítják, mintha
ezt ténylegesen elvégezték volna. Ez egyszerűen úgy történik, hogy a kiválasz-
tott rendszerelemhez tartozó oszlop elemeit kivonják a nekik megfelelő oszlop-
vektor-koordináták értékeiből, sorát pedig figyelmen kívül hagyják (ezt jelzik a
táblázatba beírt M betűk):
1 2 3 4 5 6 7 8 9 S1 S2
1 M 1 1 1 1 1 1 1 1 8 7
2 0 M 1 1 1 1 1 1 1 7 6
3 0 0 M 0 1 1 1 1 1 5 4
4 0 0 0 M 1 1 1 1 1 5 4
5 0 0 0 0 M 0 0 0 0 0 M
6 0 0 0 0 0 M 0 0 0 0 0
7 0 0 0 0 0 0 M 0 0 0 0
8 0 0 0 0 0 0 0 M 0 0 0
9 0 0 0 0 0 0 0 0 M 0 0
Az új sorösszegek alapján a legkisebb kiválasztásával folytatódik a tervezés.

A több lehetséges eset közül a hallgató újra a sorrendben első, 6. számú tanítási
210
© Typotex Kiadó
4.2 A TANANYAGSTRUKTÚRA ELEMZÉSE HÁLÓTERVEZÉSI ESZKÖZÖKKEL 211
egységet választotta. Ezt az alapelvet követve számolta végig az algoritmust,

melynek lépéseit a következő táblázat oszlopvektorainak változásai alapján le-
het végigkövetni:
1 2 3 4 5 6 7 8 9 S1 S2 S3 S4 S5 S6 S7 S8 S9
1 M 1 1 1 1 1 1 1 1 8 7 6 5 4 3 2 1 0
2 0 M 1 1 1 1 1 1 1 7 6 5 4 3 2 1 0 M
3 0 0 M 0 1 1 1 1 1 5 4 3 2 1 0 M M M
4 0 0 0 M 1 1 1 1 1 5 4 3 2 1 0 0 M M
5 0 0 0 0 M 0 0 0 0 0 M M M M M M M M
6 0 0 0 0 0 M 0 0 0 0 0 M M M M M M M
7 0 0 0 0 0 0 M 0 0 0 0 0 M M M M M M
8 0 0 0 0 0 0 0 M 0 0 0 0 0 M M M M M
9 0 0 0 0 0 0 0 0 M 0 0 0 0 0 M M M M
A heurisztikus számítás végeredménye szerint az optimális (logikai kontú-

rok nélküli) elrendezést a következő megoldással lehetett közelíteni:
1–2–4–3–9–8–7–6–5
Erről egyszerű ellenőrzéssel megállapítható, hogy logikai kontúrt nem tartal-

maz. Ez egyébként már a számítás során látható volt, mivel minden lépés után 0
értékű elemeket lehetett minimális sorösszegként kiválasztani.
Az eredmény nem utal arra, hogy a tankönyv eredeti szerkezete hibás volna
(sőt: a helyességéről hasonló számítás alapján magunk is meggyőződhetünk).
Felhívja ugyanakkor a figyelmet arra, hogy ebben az esetben úgynevezett alter-
natív optimumok is léteznek. Az operációkutatásban elterjedt – egyébként hely-
telen – elnevezés azt takarja, hogy több, egymással egyenértékű optimális meg-
oldása is van az adott feladatnak.
211
© Typotex Kiadó
4.3 PÁLYAVÁLASZTÁSI TANÁCSADÁS KOMPLEX ÖSSZEHASONLÍTÓ

ELJÁRÁSSAL
A komplex rendszerek összehasonlítására alkalmas módszerekkel olyan össze-

tett kérdések is megválaszolhatók, mint például a tanulók képességeihez, moti-
vációjához és a továbbtanulási lehetőségekhez legjobban illeszkedő pályavá-
lasztás problémái.
A klasszikus megfogalmazás szerint az értékelemzés során valamely objektum

(tevékenység, folyamat stb.) használati értékét hasonlítjuk össze annak értéké-
vel. A gyakorlatban ez azt jelenti, hogy több, objektív szempontból egyenértékű
változat közül általában kiválasztható egy (vagy néhány) olyan, amely az adott
feladat ellátására más szempontból (pl. a költségek szerint) optimálisnak tekint-
hető. Az is előfordulhat, hogy egy általában gyengébb változat a konkrét fel-
adatra kedvezőbb a nála egyébként jobb változatnál. Kis tömegű termékek né-
hány méterre történő egyszeri átrakása például hatékonyabb kézi erővel, mint a
legmodernebb, automatizált darukkal.
Az értékelemzés alapelve, hogy a használati értéket mindig több paraméter-
rel képezi le, vagyis az adott változatokat több szempontból is megvizsgálja.
Ezek között vannak számszerűsíthetők (pl. természetes egységben) és nem
számszerűsíthetők (pl. beszerzési lehetőségek). Mindkét fajta paraméter lehet
szubjektív (helyesebben az ellátandó feladattól függő). Fontos lehet például a
már említett daru teherbírása, fogyasztása, sebessége, ára, a beszerzési lehetősé-
gek, a fizetési feltételek, a szállítási határidők, de még a működés során kialaku-
ló levegőszennyezés és a zajszint is. Ezek a tényezők természetesen nem egyfor-
mán befolyásolják a beruházó döntését, ami matematikailag a tényezők egymás
közötti súlyának figyelembe vételét jelenti.
A mindennapi életben sorozatban kerülünk komplex döntési (szaknyelven: ér-
tékelemző algoritmust igénylő) feladatok elé: melyik útvonalat válasszuk a
csúcsforgalomban a munkába menetelhez; milyen szendvicset vegyünk a büfé-
ben; melyik iskolába írassuk a gyermekünket. A mérlegelés mindig attól függ,
milyen fontosságú kérdésben kell döntenünk, de mindig a számunkra, az adott he-
lyen és az adott időben, az adott lehetőségek közül a legjobbat szeretnénk kiválasztani.
A pedagógusi munkában is sokszor kerülünk olyan feladat elé, amikor egy
(önmagában objektív, de a megoldásra alkalmatlan) tényező nem elég a döntés
meghozatalához. Hogyan ítéljük meg osztályunkban azt a két tanulót, akiknek
biológiai tanulmányi eredménye teljesen egyforma, de az egyik színész szeret-
ne lenni, a másik pedig orvos? Mit tegyünk azzal a tanulóval, aki az elméleti is-
mereteket kiválóan megtanulja, de a gyakorlati alkalmazásban problémái van-
nak? Milyen érdemjegyet kapjon az a diák, aki manuális és elméleti képességei
alapján kiváló szakember lehetne, de fegyelmezetlenségével rendszeresen bal-
esetveszélyt okoz a műhelygyakorlatokon? Milyen pályaválasztási tanácsokat
adjunk annak a gyermeknek, aki rendkívüli precizitással, szorgalommal és jó
212
© Typotex Kiadó
4.3 PÁLYAVÁLASZTÁSI TANÁCSADÁS KOMPLEX ÖSSZEHASONLÍTÓ ELJÁRÁSSAL 213
reprodukciós képességgel rendelkezik, ám kreativitása és kombinációs képes-

sége közepes?
E problémák megoldása tipikus pedagógusi feladat, mellyel pályája során
minden tanár szembekerül. Az ilyen munka nem nélkülözheti az empátiát, az
interperszonális kapcsolatok és a konkrét helyzet ismeretét. A lelkiismeretes
döntéshez szükséges az adott körülmények közötti optimumra való törekvés,
melynek egyik objektív (és ráadásul algoritmizálható) módszere lehet az operá-
ciókutatásnak az előzőekben említett eszköze is.
A továbbiakban bemutatásra kerülő példa csupán a számítások bemutatására

szolgál. Az egyszerűség kedvéért számos, pedagógiai szempontból egyébként
döntő fontosságú információt elhanyagoltunk. Javasoljuk tehát a szemelvényt
úgy elemezni, mintha ezek adottak, illetve nem változtathatók lennének.
Feltételezésünk szerint egy osztályfőnökként dolgozó pedagógusnak a diák-
jai végzés utáni pályaorientációjával kapcsolatos döntést kell hoznia. Tanulói
közül az egyiket a következő tulajdonságok jellemzik:
Kovács Pál 16 éves műszaki szakközépiskolai tanuló. Szülei tanácsot kérnek az

osztályfőnöktől a gyermek továbbtanulásával kapcsolatban. Elképzeléseik sze-
rint a következő választási lehetőségek állnak előtte (zárójelben a későbbi hivat-
kozás jelével):
Továbbtanulás szakirányú felsőoktatási intézményben (I)

Továbbtanulás humán felsőoktatási intézményben (II)
Munkába állás a saját szakmában (III)
Munkába állás más szakmában (IV)
Az osztályfőnök korábbi tapasztalatai szerint e döntésben a következő szem-

pontok játszanak szerepet (zárójelben a későbbiekben hivatkozási alapul szol-
gáló betűk):
Tanulmányi eredmény szakmai elméleti tantárgyakból (A)

E tantárgyakból a tanuló jó (átlagosan 4,15) tanulmányi eredményt ért el
az 1–2 osztályban.
Tanulmányi eredmény szakmai gyakorlati tantárgyakból (B)
E területen a tanuló gyenge eredményt mutatott fel az eddigiekben. A
műhelygyakorlaton, a laboratóriumi méréseken általában 2-es és 3-as
osztályzatokat ér el.
Tanulmányi eredmény reál elméleti tantárgyakból (C)
Matematikából tartósan jeles, a többi tantárgyból jó (4,4) osztályzatok.
Tanulmányi eredmény humán elméleti tantárgyakból (D)
Magyar nyelvből, történelemből jó (4,25), irodalomból nagyon jó (5,00),
angolból iskolai versenyen 2. helyezést ért el, németet magánúton tanul.
213
© Typotex Kiadó
Szorgalom (E)
Minden tanára szerint kimagasló.
Precizitás (F)
Az elméleti munkákban jó, a gyakorlati tevékenységekben felszínes.
Kreativitás (G)
Átlagos.
Másokkal való együttdolgozási képesség (H)
Megfelelő (beosztotti munkákat rosszul végez).
E röviden összefoglalt előzetes információk alapján az osztályfőnök pályavá-

lasztási irodalomkutatást végzett, többször konzultált a tanulót ismerő kollégái-
val, beszélt a szülőkkel és a gyermekkel is.
Döntésében nem kívánt szubjektív elemeket figyelembe venni, ezért az algo-
ritmikus döntéshozatal elemeit használta fel a következők szerint:
1. lépés – a kritériumok súlyozása

Az egyes kritériumokat páros összehasonlítás módszerével viszonyítjuk
egymáshoz. Az i. és a j. kritérium összehasonlítása a felhasznált súlyozási
mátrix s(i,j) és s(j,i) elemével történik oly módon, hogy
s(i,j) > 5, ha az i-edik kritérium fontosabb, mint a j-edik;
s(i,j) = 5, ha a két kritérium egyformán fontos;
s(i,j) < 5 , ha az i-edik kritérium kevésbé fontos, mint a j-edik.
A fentiek mellett azt is előírjuk, hogy az s(i,j) + s(j,i) = 10 azonosság min-

den i,j számpárra fennálljon, kivéve az i = j esetet, amikor s(i,j) megállapo-
dás szerint 0 értékű. A fentiek alapján (mélyebben nem elemezve a meg-
ítélések pedagógiai helyességét), a következő értékelő táblázatot kapjuk.
kritérium A B C D E F G H össz. %
A – 6 5 5 6 6 6 6 40 14,2
B 4 – 4 5 6 6 6 6 37 13,2
C 5 6 – 5 6 6 6 6 40 14,2
D 5 5 5 – 6 6 6 6 39 14,2
E 4 4 4 4 – 5 5 6 32 11,4
F 4 4 4 4 5 – 5 6 32 11,4
G 4 4 4 4 5 5 – 6 32 11,4
H 4 4 4 4 4 4 4 – 28 10,0
A kritériumsúlyozás eredménye alapján tehát a legfontosabbak az A-val,

C-vel és D-vel jelölt elméleti tantárgyi tanulmányi eredmények, míg a legkevés-
bé fontos a H jelű másokkal való együttdolgozási képesség.
214
© Typotex Kiadó
4.3 PÁLYAVÁLASZTÁSI TANÁCSADÁS KOMPLEX ÖSSZEHASONLÍTÓ ELJÁRÁSSAL 215
2. lépés – az egyes lehetséges döntési változatok kritériumteljesítési

értékeinek meghatározása
Ennek során táblázatos formában összegezzük, hogy az egyes változatok-
nak mennyire felel meg a tanuló. Ehhez egy önkényes skálát használunk
fel, amelyen az iskolai osztályzatoknak megfelelően 1 és 5 között minősí-
tünk azt figyelembe véve, hogy az adott pályaválasztási változathoz mi-
lyen mértékben van szükség az adott kritériumra. A megítéléseket a követ-
kező táblázat tartalmazza (mellőzve a mélyebb pedagógiai elemzéseket).
Tényező A B C D E F G H
I. 4 3 5 4 5 5 3 4
II. 4 5 4 5 5 5 3 4
III. 3 2 4 4 5 2 3 2
IV. 4 3 5 5 5 2 3 2
3. lépés – a lehetséges döntési változatok minősítése

Ebben a lépésben történik a változatok minősítő pontszámainak kiszámí-
tása a kritériumteljesítési értékek és a kritériumsúlyozási tényezők szor-
zataként. Mivel ez a szám lényegében egy súlyozott átlag, annál kedve-
zőbb a változat minősítése, minél nagyobb a minősítőszám (minél köze-
lebb van a maximális 5-höz).
I. z1 = 0,142*4 + 0,132*3 + 0,142*5 + 0,142*4 + 0,114*5 + 0,114*5 + 0,114*3 +

+ 0,1*4) = 4,12
II. z2 = 0,142*4 + 0,132*5 + 0,142*4 + 0,142*5 + 0,114*5 + 0,114*5 + 0,114*3 +
+ 0,1*4) = 4,39
III. z3 = 0,142*3 + 0,132*2 + 0,142*4 + 0,142*4 + 0,114*5 + 0,114*2 + 0,114*3 +
+ 0,1*2) = 3,47
IV. z4 = 0,142*4 + 0,132*3 + 0,142*5 + 0,142*5 + 0,114*5 + 0,114*2 + 0,114*3 +
+ 0,1*2) = 3,86
Az elemzések szerint a vizsgált tanulót olyan irányba kell orientálni, hogy

– elsősorban kiváló nyelvtehetségére utaló eddigi eredményei alapján – humán
felsőoktatási intézményben kívánjon továbbtanulni (az erre szolgáló pedagó-
giai eszközök vizsgálatától most eltekintünk).
215
© Typotex Kiadó
4.4 TANULMÁNYI MUNKA ÉRTÉKELÉSE KOMPLEX

ÖSSZEHASONLÍTÓ ELJÁRÁSSAL
A tanulmányi eredményeket rendszerint számos tényező befolyásolja. A végső

értékelés egyik lehetséges módszere tehát ebben a kérdésben is a többtényezős
döntés módszereit használja fel.
Egy fiktív kereskedelmi szakközépiskolai osztály 5. (technikus) évfolyamán a

tanulók a tanirodai képzés során komplex évfolyam-feladatot kaptak. Ennek
során 4 tanuló alkotott egy olyan csoportot, melynek tagjai otthoni és könyvtári
munkával, önállóan készítették el egy új termék piaci bevezetésének értékesíté-
si tervét. A feladatot a következő lépésekben kellett megoldaniuk:
a termék műszaki paramétereinek, használati jellemzőinek elemzése;

a várható kereslet feltárása;
a kiskereskedelmi hálózat értékesítési adottságainak vizsgálata;
a disztribúció és az áruutánpótlás szállítási folyamatainak megtervezése;
az értékesítés ösztönzési módszereinek kidolgozása.
A tanulók önállóan oszthatták szét maguk között a feladat részeit, volt, aki
könyvtári kutatómunkát végzett, más az adatgyűjtésben, és volt, aki a számítá-
sok elvégzésében vállalt vezető szerepet. Heti egy alkalommal kötelező tanári
konzultáción számoltak be munkájuk aktuális állásáról. További heti egy fakul-
tatív konzultációt szerveztek számukra, ahol problémáikkal, kérdéseikkel for-
dulhattak tanárukhoz.
A tanév végén a következő módszert választották az értékelésre. A feladattal
elérhető összpontszám 400 (tanulónként 100). Egy részfeladattal tehát maximá-
lisan 80 pontot lehetett szerezni. A tanári értékelés szerint (melybe bevontak a
szakmában dolgozó külső szakembereket, illetve egy egyetemi oktatót is) az
egyes alfeladatokat a következő pontszámokkal értékelték (kritériumsúlyozás):
I. 80 pont I V. 40 pont
II. 55 pont V. 70 pont
II. 75 pont Összesen: 320 pont
A tanári értékelés, valamint a tanulók munkalap-jellegű munkanyilvántartá-

sa szerint az egyes tanulók a következő arányban vették ki részüket a munka al-
fejezeteiből (kritériumteljesítés):
Agárdi Péter: I. 10% II. 80% III. 0% IV. 10% V. 10%

Bálint Tibor: 0% 0% 0% 80% 50%
Ceglédi Erika: 80% 10% 50% 0% 20%
Dénes Ferenc: 0% 10% 50% 10% 20%
216
© Typotex Kiadó
4.4 TANULMÁNYI MUNKA ÉRTÉKELÉSE KOMPLEX ÖSSZEHASONLÍTÓ ELJÁRÁSSAL 217
A fenti adatok birtokában a csoport által elért pontszámösszeget a követke-

zőképpen bontották le személyi teljesítményekre:
Agárdi Péter: 80 x 0,1 + 55 x 0,8 + 75 x 0,0 + 40 x 0,1 + 70 x 0,1 = 63 pont

Bálint Tibor: 80 x 0,0 + 55 x 0,0 + 75 x 0,0 + 40 x 0,8 + 70 x 0,5 = 67 pont
Ceglédi Erika: 80 x 0,8 + 55 x 0,1 + 75 x 0,5 + 40 x 0,0 + 70 x 0,2 = 121 pont
Dénes Ferenc: 80 x 0,1 + 55 x 0,1 + 75 x 0,5 + 40 x 0,1 + 70 x 0,2 = 69 pont
A csoport összességében jó (4) eredményt ért el 80%-os teljesítményével.

Emögött azonban az állt, hogy egy tanulója kimagasló munkával – 121%-os tel-
jesítményt nyújtva – végeredményben jelest kapott, két társa 67, illetve 69%-os
teljesítménnyel jó, míg a csoport negyedik résztvevője 63%-kal közepest kapott.
217
© Typotex Kiadó
4.5 SZEMLÉLTETÉSI TECHNIKA ÉRTÉKELÉSE KOMPLEX

ÖSSZEHASONLÍTÓ ELJÁRÁSSAL
A tanítás módszereit, így a szemléltetés lehetőségeit is több tényezőcsoportra

vezetjük vissza. A tartalmi, a pedagógiai, az alkalmazási és a gazdasági feltéte-
lek olyan többtényezős döntést igényelnek, ahol helyük van az erre kialakult
döntéselőkészítési modelleknek is.
A hatékony tanulás egyik legfontosabb feltétele a környezet kialakítása, a fel-

használt szemléltetési módszerek és eszközök minősége. A pedagógia egyes
ágai azonban ezt a kérdést hajlamosak elhanyagolni, mivel úgy gondolkodnak,
hogy e kérdések pusztán a főfolyamatot kiszolgáló segédtevékenységek. E
szemlélet szerint a tanítás szempontjából a segédtevékenység másodrendű kér-
dés, hiszen a hatékonyságot elsősorban a főfolyamat – a tanítás – minősége ha-
tározza meg.
A korszerű vezetéselmélet véleménye a megvalósult fejlesztések tapasztala-
tai alapján ezzel szemben az, hogy a főfolyamatok infrastruktúrája általában sok-
kal nagyobb befolyással van a hatékonyságra, mint azt korábban gondolták. Az
elmúlt harminc év leglátványosabb fejlesztéseit például a termelő rendszerek-
ben nem a szűk értelemben vett ipari tevékenységek átalakításával, hanem azok
kiszolgálásának (a gyártás közbeni anyagmozgatás gépesítési és szervezési
megoldásainak, az információs folyamatok számítógépesítésének) korszerűsí-
tésével érték el.
A tanítás infrastruktúrája tehát lényegesen fontosabb tényezője az oktatási
folyamatnak, mint ahogyan azt napjaink gyakorlata tekinti. Ahhoz azonban,
hogy ezt – illetve ennek gazdasági és hatékonysági megítélését – súlyának meg-
felelően tekinthessük, meg kell vizsgálnunk egyes összetevőit.
Melyek is a tanítás infrastruktúrájának részei? Kétséget kizáróan ide kell so-
rolnunk a tanítás környezeti adottságait. A zajos, rosszul megvilágított tanterem-
ben nyilvánvalóan rosszabb eredménnyel tanulhatnak a gyerekek, mint egy jól
felszerelt, tágas helyiségben. Infrastrukturális jellege van a tanítás olyan egyes
szervezési vonatkozásainak is, mint például a tanulócsoportok kialakításának
kérdései vagy a tantervi követelmények teljesítésének szabályai. Az infrastruk-
túrának ezeket az elemeit követelményhordozóknak nevezzük. Végül nyilvánvaló-
an befolyásolják a tanítás eredményességét a felhasznált szemléltetési módsze-
rek, illetve szemléltető eszközök is. Könnyen belátható például az, hogy egy bo-
nyolult gép szerkezeti felépítését más hatásfokkal taníthatjuk akkor, ha csak
beszélünk róla néhány, a táblára felvázolt szabadkézi ábra alapján, és máskép-
pen akkor, ha működőképes makett segítségével magyarázzuk a felépítését.
A hatékonyság megítéléséhez nemcsak az infrastruktúra elemeit kell ismer-
nünk, hanem azt is, mit tekintünk a tanítás hatékonyságának, hogyan definiál-
juk a tanítás hatásfokát. Mivel a tanítás folyamán általában néhány tucat (leg-
többször 20–30) tanuló ismereteit kell bővítenünk, mindenféleképpen valami-
218
© Typotex Kiadó
4.5 SZEMLÉLTETÉSI TECHNIKA ÉRTÉKELÉSE KOMPLEX ÖSSZEHASONLÍTÁSSAL 219
lyen statisztikai sokaság (pontosabban kisminta) szempontjából szükséges ér-

telmezni az elsajátítás hatékonyságát. Befolyásolja ezt a hatékonyságot az is,
hogy a tanulás mindig a jövőre készít fel, tehát nem mindig a folyamatot követő
értékelés döntő ennek megítélésében, hanem a gyakorlati alkalmazás, a kreatív
viselkedés lehetőségének kialakulása. Ennek mérése azonban általában nem
– vagy nehezen – megvalósítható.
A hatékonysággal mindig szembeállítható egy másik fontos szempont, ez pe-
dig a gazdaságosság kérdése. Ez leginkább a közvetlen ráfordításokkal mérhe-
tő, de részét képezik a közvetett ráfordítások, mint például az idő vagy a későb-
bi felidézés igénye is.
A tanítás infrastruktúrájának hatékonysági elemzése tehát egy folyamat sok-
tényezős minősítését jelenti. Az értékelemzés szemlélete alapján ez mindig két
oldal szembeállítását igényli: az értékoldal és a ráfordításoldal összehasonlítá-
sát. Ezt tükrözi a tanítás infrastruktúravizsgálatának elnevezése is, amely a
technikai-gazdasági elemzés nevet viseli.
Beláttuk tehát, hogy a tanítási főfolyamatot kisegítő kiszolgáló folyamatok a kö-

vetkező három csoportba sorolhatók:
környezeti adottságok;
követelményhordozó elemek;
információhordozó elemek.
A tanítás környezeti adottságait elsősorban a pszichológiai feltételek megterem-

tésével foglalkozó pedagógusok, pszichológusok, ergonómusok alakítják. Te-
vékenységüket az a felismerés vezérli, hogy minden emberi tevékenységhez
megfelelő külső feltételeket kell biztosítani. A gyermekek fő tevékenységét je-
lentő játék, az ifjúkorra jellemző tanulás, a felnőttkor munkavégzése és az álta-
lános emberi tevékenységet jelentő szórakozás egyaránt igényli bizonyos kör-
nyezeti feltételek meglétét. A hőmérséklet, a megvilágítás például fontos mun-
kaszervezési és munkateljesítmény-meghatározási tényezőként ismert a veze-
téselméletben. A tanítást meghatározó körülmények közül ki kell emelnünk a
következőket:
a tanterem hőmérséklete;
a tanterem világítása;
a tanterembe beszűrődő zajok;
a tanterembe beszűrődő rezgések;
a tanterem szellőztetése;
a kiszolgáló szociális helyiségek;
a tanterem méretei;
a tanterem belső kialakítása;
a tanterem bútorzata;
a tanterem felszereltsége stb.
219
© Typotex Kiadó
A felsorolt tényezőket áttekintve megállapítható, hogy azok alapvetően két

további alcsoportba oszthatók. Egyes tényezők már az iskola tervezése, építése
során kialakulnak, változtatásuk ezután már műszaki nehézségekbe ütközik.
Ilyen például a tanterem mérete, elhelyezkedése az épületen belül (például a
liftakna mellett van, ezért káros rezgések zavarják meg a tanítást). Más ténye-
zők utólagosan is változtathatók, például a tanterem bútorzata, világítása tarto-
zik ezek közé.
A környezeti adottságokat minden pedagógusnak figyelembe kell vennie a
tanításra való felkészülés során. Tudniuk kell például azt, hogy túlzottan magas
hőmérséklet esetén a figyelem terjedelme rohamosan lecsökken, a zaj gyorsab-
ban fárasztja a tanulót, az egyébként nehezen érzékelhető 5–10 Hz-es rezgések
hányingert, rosszullétet okozhatnak. Szerencsére e hatások nagy része minden-
ki számára közismert, ezért zavaró hatásuk általában felismerhető és kiküszö-
bölhető (legalábbis lépések tehetők ebben az irányban).
Bonyolultabb esetekben persze nem minden zavaró hatás küszöbölhető ki
(helyesebben nem minden hatás optimalizálható), ezért lenne jó, ha az iskola
időszakosan munkavédelmi, ergonómiai méréseket és minősítéseket végeztet-
hetne külső szakértőkkel.
A követelményhordozó elemek csoportjába azok a tényezők tartoznak, amelyek a

tanulás irányítását szolgálják. Azt szabják meg, hogy milyen formai szabályo-
kat kell a tanulóknak és a tanárnak a tanítás során betartaniuk.
Ezek közül ki kell emelnünk a következőket:
az oktatás szervezeti formái (osztályrendszer, csoportbontás stb.);

az oktatás egyes tevékenységeinek szervezése (pl. üzemlátogatás során);
a tanulással összefüggő törvények (pl. a szakképzési törvény);
a tanulásra vonatkozó rendszabályok (pl. a tűzvédelmi szabványok);
az iskola helyi utasításai (pl. egyenruha viselete, a hetes kötelességei stb.);
általános illemszabályok (viselkedés befolyásolása, köszönés stb.);
a tanulmányi kötelezettség teljesítésének szabályai (pl. vizsgarend) stb.
A követelményhordozó elemek figyelembe vétele azért fontos a tanítás folya-

mán, mert alapvetően befolyásolják a tanítás menetét, ezáltal eredményességét
is. Köztudott például, hogy a katonai középiskolákban a tanulókra más fegyel-
mi szabályok vonatkoznak, mint a civil iskolákban, ezért a tanulók fegyelmezé-
se, az óra alatti viselkedésük irányítása is eltérő eszközöket igényel a két iskola-
típus esetén.
A tanítás fő tevékenységét, az elsajátítást különböző ismeretforrások, összefog-

laló nevükön az információhordozó elemek segítik. Ezek kiválasztása, felhasználá-
sának megszervezése képezi a tanár módszertani tevékenységének vázát.
Az információhordozó elemek közül ki kell emelnünk a következőket:
220
© Typotex Kiadó
tankönyvek, munkafüzetek, segédletek;

prospektusok, katalógusok, szakkönyvek;
falitáblák;
táblai vázlat, táblai ábrák;
írásvetítők és írásvetítő fóliák;
videomagnetofonok és videofilmek;
számítógépek és számítógépes programok;
modellek, makettek és szimulátorok;
tanár, vendégelőadó, vendégszakember stb.
Bár az információhordozók kiválasztása és alkalmazása részben technikai és

anyagi kérdés, nyilvánvalóan sokban függ a tanár személyétől és ilyen irányú
felkészültségétől is.
A tanítás infrastrukturális elemei egymással is összefüggésben állnak, ezáltal kapcso-

lataik alapján elősegíthetik, illetve gátolhatják is a tanítási-tanulási főfolyama-
tot. A rosszul felszerelt, zajos tanteremben nyilván nem lehet optimális számító-
gépes szemléltetési módszereket alkalmazni, a hideg iskolaépületben nehezebb
a tanulókat fegyelmezni, és a rosszul meghatározott tantervi követelményrend-
szer sem ösztönzi a tanulókat az órán való aktív részvételre.
Az infrastrukturális elemek tehát nemcsak a főfolyamatot befolyásolják, ha-
nem egymásra is hatással lehetnek. A tanítás infrastrukturális elemei így egy
olyan feladat sokváltozós célfüggvényének egyes tényezői és korlátozó feltéte-
leinek részei, amelynek megoldását a tanárnak kell meghatároznia.
Ideális esetben minden egyes tényező szerint optimális feltételek között foly-
na a tanítás, így viszonylag egyszerű lenne az egymás közötti hatások figyelem-
be vétele. A valóságban azonban nem minden tényező optimális (a tantervi kö-
vetelmények nem jók, a tanulók az átlagosnál fegyelmezetlenebbek, vagy nem
áll rendelkezésre írásvetítő stb.). Ilyenkor a meglévő feltételek között kell a ta-
nárnak megkeresnie a szuboptimumot (amiről közismert, hogy nem a lehető
legjobb, hanem a körülményekhez képest legjobb választást jelenti).
A tanár számára a legkézenfekvőbb az információhordozó elemeket (és a
hozzájuk tartozó módszereket) alakítania, hiszen ezekre van a legnagyobb befo-
lyásoló képessége (a tanterem építészeti adottságait nem változtathatja meg, a
tantárgy vizsgakövetelményeit figyelembe kell vennie). A továbbiakban ezért
az infrastrukturális tényezők alakításán elsősorban ezt, ezen belül is a szemlél-
tetési technikákat fogjuk érteni, nem elfelejtve azt, hogy sokszor itt ennél több-
ről, összetettebb problémáról van szó.
A tanítási-tanulási folyamat informatikai szempontból nem más, mint egy adó (a ta-
nár) és egy vevő (a tanuló) közötti információáramlás. Ezt az információáram-
lást az adó egy kódolással segíti elő (szóban megfogalmaz, képletet felír, mű-
szaki rajzot kivetít). Ennek során bizonyos hibákat követhet el (rosszul fogal-
maz, téved, olyan dologra hivatkozik, amit a tanuló még nem érthet stb.).
221
© Typotex Kiadó
A vevő a hozzá érkező információkat dekódolja, azaz értelmezi. Ennek során ő

is hibákat követhet el (nem figyel fel egyes részletekre, nem jól értelmezi a kép-
letet, a műszaki rajz egyes szimbólumait félreértelmezi stb.). A kódolás és a de-
kódolás e két lehetséges hibaforrását még tetézhetik az információáramlást elő-
segítő információs csatorna hibái, a zajok is (a tanterem előtt egy villamos ment
el, ezért a tanuló nem hallotta a tanár szavait, a tanuló rövidlátó, ezért a kivetí-
tett összeállítási rajzon nem látja a méretvonalakat stb.).
Mindezek hatására a tanár és a tanuló közötti információáramlás soha nem
lehet 100%-os, a tanár által kívánt közlendők nem mind és nem úgy jutnak el a
tanuló tudatába, ahogyan azt a tanár szerette volna. Tapasztalatok szerint az el-
mondottak 30–40%-a, a látottak 50–70%-a marad meg hosszabb távon a tanu-
lókban, míg arra, amit maga csinál meg, körülbelül 80–90%-ban fog később em-
lékezni a gyermek.
E hibák kiküszöbölésére már nagyon régen két fő módszert alkalmaznak a
pedagógusok. Az egyik ilyen a közvetlen visszacsatolás: a tanulók azonnal
visszakérdezhetnek a hallottakra, a tanár tehát folyamatos képet nyer arról,
mennyire értették őt meg, így azonnal tudja korrigálni, alakítani az általa el-
mondottakat. A másik módszer annak felismerése, hogy egyszerre több (redun-
dáns) információs csatornán sokkal nagyobb valószínűséggel jut el ugyanaz az
információ a tanulóhoz, mint egy csatornán. A tanár tehát nemcsak magyaráz,
hanem le is rajzolja, ki is vetíti azt, amiről beszél.
A tanítás hatékonysága azonban nemcsak azt jelenti, hogy a tanuló megértet-
te, felfogta a tananyagot, hanem azt is, hogy:
később is emlékezni fog rá;

a gyakorlatban is tudja alkalmazni ismereteit.
Amíg tehát az informatikai megközelítés szempontjait jól tudjuk mérni (a té-

mazáró dolgozattal, feleletekkel, az érettségi vizsga eredményeivel), addig a ta-
nítás fő célját képező tartós és alkalmazásképes tudás csak utólag (esetleg évti-
zedekkel a tanítás után) és csak áttételesen (más tanulások eredményeivel
együtt) mérhető. A módszerek hatékonyságának minősítésénél tehát a követke-
ző kompromisszumot kell kötni:
csak a rövidtávú hatékonyságot mérjük;

a hosszútávú hatékonyságot csak becsüljük.
A tanítás általában tanulócsoportokban történik. Ezekben még gondos kivá-

lasztás után sem tökéletesen egyforma tanulók vannak: az egyik inkább mate-
matikai hajlamú, a másik pragmatikusabb, az egyik gyorsan tanul, de gyorsan
felejt, a másik lassan tanul, de tudása tartós. A tanítás hatékonyságának mérése
tehát nem egyedi, hanem statisztikai módszereket igényel. Ez azt jelenti, hogy
akkor tekintjük hatékonynak a tanítást, ha eredményeképpen minden tanuló
egy bizonyos elvárható minimumszintet tud teljesíteni (illetve, két tanítási fo-
lyamat közül az a hatékonyabb, amelyiknél ez a minimumszint magasabb).
222
© Typotex Kiadó
Ez újabb kompromisszumot követel a hatékonyság megítélése során:
csak a minimumszintet vizsgálja, és nem veszi figyelembe a fölötte teljesítők

tényleges teljesítményét (azaz előfordulhat, hogy a leggyengébb tanuló tel-
jesítménye szerint egy tanítási módszert rossznak minősítünk, pedig a többi
tanuló tudása magasabb lett a jobbnak minősített csoport tanulóiénál).
Ez utóbbi kompromisszumot persze elvethetnénk azáltal, hogy csak a legjob-

bak vagy az átlagos tanulók teljesítményét mérnénk, de ezzel a pedagógia szem-
pontjából még torzabb eredményeket kapnánk.
Mindezeket összefoglalva azt mondhatjuk, hogy bár tudjuk, hogy elméletileg
az lenne jó, ha a tartós és a gyakorlatban alkalmazható tudás alapján egységes
mutatószámot képezhetnénk a tanítás hatékonyságának leírására, mégis meg
kell elégednünk azzal a ténnyel, hogy a rövidtávú (esetleg a középtávú) emléke-
zetre épülő tudást tudjuk megmérni.
Szintén nem a legkedvezőbb, de a pedagógiai célnak talán a leginkább meg-
felelő közelítést jelent, hogy nem a tanulócsoport legjobb és nem is az átlagos
teljesítménye, hanem valamilyen minimumszint (például az alsó 10%-ba eső ta-
nulói teljesítmények) alapján ítéljük meg a szóban forgó hatékonyságot.
Az oktatás történetének elemzése alapján megállapítható az a tendencia, hogy a

pénzügyi források nagysága és a tanítás módszereinek „filozófiája” között köz-
vetlen összefüggés áll fenn. Ha a szemléltetésre, a gyakorlati oktatásra kevés
pénz fordítható, akkor a tanítás szemlélete inkább elméleti, ezen belül is a mate-
matikai irányba fordul. Ez a helyzet állt elő hazánkban a 19–20. századfordulót
követően, és e feltételek állnak fenn napjainkban is. E körülmények között az
oktatás nem veheti fel a versenyt a jól felszerelt külföldi iskolák laboratóriumai-
val, hiszen nem tarthat lépést azok felszereltségének változási ütemével. Mit
tud tenni ilyen helyzetben a lelkiismeretes tanár? Olyan hatékony tanítási mód-
szereket és eszközöket használ, amelyek nem költségigényesek. Nem a folya-
matosan megújuló eszközpark vagy a szoftverállomány tanítására törekszik,
hanem azon alapelvek és összefüggések megtanítására, amelyek képessé teszik
a tanulót tudásának a munkája igényeihez történő későbbi hozzáigazítására.
Alaposan megtanítja tehát a programrendszerek felépítését, matematikai alap-
jaikat, elemzi a normálistól eltérő feltételek közötti használat jellemzőit. A tanu-
ló tehát lehet, hogy nem is ismeri az adott programot, az adott műszert, mégis
felkészül annak használatára, különleges körülmények közötti üzemeltetésére.
Az ilyen fajta, kis eszköz- és költségigényű tanítást a hagyományos, analizáló
jellegű képzés csoportjába soroljuk. Bár a gyakorlatban ma már tisztán nem ér-
vényesül, a közelmúlt szocialista országainak képzési rendszereit minősíthet-
jük leginkább ilyennek, valamint hasonló alapvonásokat mutatnak a „hagyo-
mányos német alapossággal” tárgyalt szaktudományi problémák is.
A pénzhiány ellentéteként meghatározható gazdagság a hagyományos anali-
záló képzési szemlélet ellentétét is kifejlesztette. Ekkor a folyamatosan bővülő
223
© Typotex Kiadó
eszköz- és géppark nem teszi lehetővé azok felhasználásának részletes elemzé-

sét, csupán az üzemeltetésre való felkészítésre vállalkozik a képzés. Ezt azon-
ban minden újonnan a piacra kerülő eszköz, gép, program vagy módszer eseté-
ben megteszi. Az ilyen oktatási szemlélet tehát folyamatosan piacorientált, ké-
pes a kibocsátott friss szakemberek tudását a piac igényeihez igazítani. Az a
hátránya viszont, hogy inkább csak a felszínen marad, a mélyebb összefüggések
tárgyalására nincs ideje, ezért el is tekint ennek igényétől, hiszen az ilyen hiá-
nyosságot bőven ellentételezi a gazdag géppark szinte teljes ismerete. A gya-
korlatban ez a szemlélet is ritkán érvényesül tiszta formájában, de elsősorban a
gazdag országokban érhető tetten. Így például az angolszász nyelvterület szak-
mai publikációira jellemző, hogy nem a probléma analízise, hanem a konkrét
gyakorlati felhasználás szempontjai dominálnak. A szállításszervezésben „szál-
lítási probléma” címen tárgyalt operációkutatási feladat európai egyetemi tan-
könyvi tárgyalásaiban közel száz oldalt tesz ki a feladat matematikai megfogal-
mazása, alkalmazási feltételeinek tárgyalása, a használható közelítő eljárások
ismertetése, hibáik elemzése, majd az optimumot nyújtó Magyar-módszer rész-
letezése, a feladat egyes alváltozataihoz igazított alkalmazásának vizsgálata.
Ezzel szemben az Egyesült Államok-beli tankönyvek ezt a kérdéskört húsz ol-
dalon elintézik az alapprobléma és az alapeljárások ismertetésével, majd közlik
a felhasználás lehetőségeit és azt, hogy milyen programcsomagokban érhető el
megfelelő számítógépi program. A fennmaradó 80 oldal pedig olyan további al-
kalmazási problémák hasonló szintű tárgyalására fordítható, amelyek ismerte-
tésére más tankönyvekben már nem jut hely.
Természetesen, mivel teljesen tiszta formában egyik szélsőséges szemlélet
sem érvényesül, ezek között átmeneti megoldások alakultak ki, amelyek első-
sorban a szemléltető és a gyakorló géppark nagysága szerint sorolhatók inkább
egyik vagy inkább másik gondolkodásmódhoz.
A korábbiakban beláttuk tehát a következőket:
a tanítás infrastruktúrája jelentős szerepet játszik a hatékonyságban;

az infrastruktúra egyik fontos tényezőjét képezik a szemléltetési techni-
kák;
ezek a technikák azok az infrastrukturális tényezők, amelyek a tanár által
leginkább befolyásolhatók;
a szemléltetési technika és a tanítás filozófiája között összefüggések van-
nak;
a tanítás filozófiáját és így a szemléltetési technikát is elsősorban a pénz-
ügyi források határozzák meg;
a tanítás eredményessége és hatékonysága csak kompromisszumok árán
becsülhető;
ha a hatékonyságot és a gazdaságosságot szembe tudjuk állítani, akkor le-
hetővé válik a komplex összehasonlítást nyújtó értékelemzéses eljárások
alkalmazása;
224
© Typotex Kiadó
az értékelemzés módot nyújt arra, hogy a gazdaságosságot és a hatékony-

ságot tetszőleges számú és jellegű paraméter alapján ítéljük meg.
Az oktatástechnológia számos tényezőt képes figyelembe venni egy adott

szemléltetőeszköz és a hozzá tartozó szemléltetési mód minősítésére. Ezeket a
rendszerszemléletű megközelítés alapvetően két csoportba sorolja:
ráfordításoldali tényezők,
értékoldali tényezők.
A ráfordításoldali tényezők azt mutatják meg, hogy az adott szemléltetési

módnak milyen jellegű eszközigénye van. Ezt a következő alcsoportok határoz-
zák meg:
az eszköz műszaki paraméterei,

az eszköz gazdasági paraméterei.
Az eszköz műszaki paraméterei a felhasználhatósággal állnak összefüggés-

ben, míg a gazdasági paraméterekből a felhasználás költségei tudhatók meg.
A ráfordításokkal szemben állnak az eszköz, illetve a módszer megítélése so-
rán a cél elérését, a hatékonyságot leíró értékoldali tényezők. Ezeket a követke-
ző két csoportba sorolhatjuk:
a pedagógiai cél elérésének paraméterei (a pedagógiai hatás paraméterei),

a pedagógiai eredményesség paraméterei.
Az első alcsoportba tartozó tényezők azt írják le, milyen mértékben érhetők el a
szemléltetési technikával a kitűzött nevelési és oktatási célok, a második csoport-
ba tartozó tényezők pedig azt, hogy ezek a célok milyen gyorsan érhetők el.
A fenti csoportosítás lehetővé teszi, hogy a szemléltetési technikákat (tehát a
módszert és a hozzá szükséges eszközt) olyan rendszerrel minősítsük, amelyik
lehetővé teszi egyébként teljesen eltérő megoldások összehasonlítását is. Példa-
ként töltsük fel a legfontosabbnak tűnő konkrét tényezőkkel az egyes paramé-
tercsoportokat (természetesen ezek nem általánosan felhasználható megoldást
alkotnak, a paraméterek figyelembe vétele mindig a konkrét helyzettől és fel-
adattól függ):
1. Ráfordításoldali tényezők
1.1 Műszaki paraméterek
– méretek;
– tömeg;
– anyag;
– szabványosság;
– működési módok;
225
© Typotex Kiadó
– univerzalitás;
– kezelhetőség stb.
1.2 Gazdasági paraméterek
– ár;
– folyamatos költségek (anyagárak, fogyasztás, üzemeltetési költ-
ségek);
– beszerzési lehetőségek;
– várható élettartam (többszöri felhasználhatóság, amortizáció, mű-
szaki élettartam, meghibásodási lehetőségek) stb.
2. Értékoldali tényezők
2.1 A pedagógiai célszerűség paraméterei
– szakmai tartalmasság;
– a kivitel minősége;
– nevelő hatás stb.
2.2 A pedagógiai hatás paraméterei
– didaktikai értékek;
– alkalmazhatóság, mobilitás;
– eredményesség;
– szükséges tanítási idő stb.
E tényezőket egyidejűleg figyelembe venni a rendszerek komplex hatékony-

ságvizsgálati eljárásaival lehet.
A következőkben megvizsgáljuk a szemléltetési technikák komplex összeha-

sonlító értékelésének lehetőségét a lebontó módszernek nevezett egyszerű sú-
lyozott átlagszámítással és a COMBI-módszerrel is.
A súlyszámok egyszerű meghatározása a rendszer értékelésének alapjául szol-

gáló számérték fokozatos lebontására épül. Általános esetben ez az alapszám
1-gyel egyenlő – hiszen a paraméterek összessége a teljes halmaz 100%-át (tehát
az 1-et) teszi ki.
Az első lépésben ezt az 1-es értéket bontjuk fel az egyes főcsoportok szerint.
A főcsoportok száma elvileg tetszőleges, a számítás egzaktsága érdekében tö-
rekednünk kell arra, hogy 2–5 főcsoportba soroljuk a tényezőket. A lebontott
a1, a2 … an súlyszámok összege 1-et ad ki, és azt is figyelembe kell venni, hogy az
a főcsoport kapja a nagyobb súlyszámot, amelyiket fontosabbnak vélünk a
rendszer minősítése során.
Ha ezzel a lépéssel még nem jutottunk el a vizsgálandó tényezőkig, akkor a
kapott részsúlyszámokat tovább kell bontanunk a főcsoportot alkotó csoportok
szerint. Ez továbbra is úgy történik, hogy a fontosabbnak vélt csoport kapja a
nagyobb súlyszámot, az egyes főcsoportot alkotó csoportok súlyszámainak
összege pedig kiadja a főcsoport súlyszámát. Így tehát az első főcsoport cso-
portjainak a11, a12 … a1m súlyszámösszege a1-gyel egyenlő.
Ha ezzel a lépéssel nem jutottunk el a tényezők súlyszámaiig, akkor a csopor-
226
© Typotex Kiadó
tok súlyszámait bontjuk tovább az egyes alcsoportokra a már közölt elv szerint.
Így például az 1. főcsoport 1. csoportjának alcsoportjaira az a111, a112 … a11p súly-
számokat kapjuk, melyek összege a11-gyel lesz egyenlő.
Elképzelhető, hogy még így sem jutunk el a tényezők szintjére, ekkor tovább
kell folytatnunk a súlyszámok leosztását a már leírt elvek szerint (elvileg tetsző-
leges lépésszámban). Esetünkben feltételezve, hogy ez a lépés már a tényezők
szintjéig vezet, az 1. alcsoport tényezőire az a1111, a1112 … a111q súlyszámok kapha-
tók, melyek összege a111.
A tényezőkre kapott súlyszámok összege így mindig 1-gyel lesz egyenlő, és
egymás közti arányaik kifejezik fontosságuk megítélését.
A gyakorlatban persze a számítások általában lényegesen egyszerűbbek,
mint az elméleti alapmodell, és erre törekednünk is kell, mivel egy-egy lépés-
ben (fázisban) egzakt módon csak néhány részösszegre tudjuk felbontani az
alapsúlyszámot. Célszerű tehát 2–5 fázisba, fázisonként 2–5 alcsoportba sorolni
a tényezőket (ez minimum 4, maximum 3125 tényező figyelembe vételét teszi
lehetővé, ami a legbonyolultabb gyakorlati feladatok megoldásához is elég).
E követelményeknek lényegében eleget tesz a szemléltetési technikák minő-
sítésére a korábbiakban összeállított tényezőrendszer, mely szerint a tényezők
két főcsoportba sorolhatók:
1. Ráfordításoldali tényezők (súlyszám: a1)

2. Értékoldali tényezők (súlyszám: a2)
Természetesen e két súlyszámra fennáll az a1 + a2 = 1 egyenlőség.
Mindkét főcsoport tovább osztható a korábbiak szerint:
1.1 Műszaki paraméterek (súlyszám: a11)

1.2 Gazdasági paraméterek (súlyszám: a12)
2.1 Pedagógiai célszerűség (súlyszám: a21)
2.2 Pedagógiai hatás (súlyszám: a22)
Az eddigiek alapján itt is fennállnak az a11 + a12 = a1, a21 + a22 = a2, a11 + a12 + a21 +
+ a22 = 1 egyenlőségek.
Az így kapott csoportok további felbontása vezet el a tényezők szintjére:
1.1.1 Méretek (súlyszám: a111)

1.1.2 Tömeg (súlyszám: a112)
1.1.3 Anyag (súlyszám: a113)
1.1.4 Szabványosság (súlyszám: a114)
1.1.5 Működési módok (súlyszám: a115)
1.1.6 Univerzalitás (súlyszám: a116)
1.1.7 Kezelhetőség (súlyszám: a117)
227
© Typotex Kiadó
1.2.1 Ár (súlyszám: a121)

1.2.2 Foly. költségek (súlyszám: a122)
1.2.3 Besz. lehetőségek (súlyszám: a123)
1.2.4 Várható élettartam (súlyszám: a124)
2.1.1 Szakmai tartalmasság (súlyszám: a211)
2.1.2 Kivitel minősége (súlyszám: a212)
2.1.3 Nevelő hatás (súlyszám: a213)
2.2.1 Didaktikai értékek (súlyszám: a221)
2.2.2 Alkalmazhatóság, mob. (súlyszám: a222)
2.2.3 Eredményesség (súlyszám: a223)
2.2.4 Szükséges tan. idő (súlyszám: a224)
A súlyszámokra e lépés után is fennállnak az előzőekben ismertetett egyenlősé-

gek analógiái.
A tényezők súlyszámait természetesen a tényleges módszerek, technikai lehető-

ségek és helyi adottságok ismeretében lehet csak meghatározni, de példaként
nézzük meg egy ilyen számítás eredményét:
1. Ráfordításoldali tényezők 0,7

2. Értékoldali tényezők 0,3
1.1 Műszaki paraméterek 0,3

1.2 Gazdasági paraméterek 0,4
2.1 Pedagógiai célszerűség 0,2

2.2 Pedagógiai hatás 0,1
1.1.1 Méretek 0,02

1.1.2 Tömeg 0,02
1.1.3 Anyag 0,01
1.1.4 Szabványosság 0,06
1.1.5 Működési módok 0,04
1.1.6 Univerzalitás 0,07
1.1.7 Kezelhetőség 0,08
1.2.1 Ár 0,15
1.2.2 Foly. költségek 0,12
1.2.3 Besz. lehetőségek 0,06
1.2.4 Várható élettartam 0,07
2.1.1 Szakmai tartalmasság 0,08
2.1.2 Kivitel minősége 0,06
2.1.3 Nevelő hatás 0,06
2.2.1 Didaktikai értékek 0,03
2.2.2 Alkalmazhatóság, mob. 0,01
228
© Typotex Kiadó
2.2.3 Eredményesség 0,03

2.2.4 Szüks. tan. idő 0,03
A súlyszámok lebontása az előzőekben ismertetett módon azért nem mindig ad

objektív eredményt, mert nem biztos, hogy az egyes fázisokban azonos számú
alcsoportok vannak. Ezért elképzelhető, hogy a kevésbé fontosnak ítélt tényező-
család egyes tényezői nagyobb súlyszámot kapnak, mint a fontosabb tényező-
család tényezői, hiszen kevesebben vannak, kevesebb részre kell osztani a rájuk
eső értéket.
Ennek kikerülésére dolgozták ki a páros összehasonlítás módszerét, melynek
során minden tényezőt minden tényezővel összehasonlítanak, így törekedve az
objektivitásra és az arányosságra.
Technikailag ez egy n*n méretű mátrix kitöltését jelenti. Az i és j tényezők pá-
ros összehasonlítása során egy alapösszeget osztunk szét az aij és az aji elem kö-
zött úgy, hogy az aij a nagyobb elem, ha i fontosabb tényező j-nél. A mátrix min-
den elempárjára igaz lesz tehát, hogy aij +aji = állandó, kivéve a főátló elemeit
(saját magával összehasonlítani egy tényezőt nem lehet, ezért itt az elem értéke
0). Az állandó értéke az egyes módszerekben eltér, általában 2, 10 vagy 100 szo-
kott lenni.
A táblázat kitöltése után összegzik a sorokat (ennek nagysága utal a sorban
jelölt tényező fontosságára). Ebből súlyszámot úgy képeznek, hogy a sorössze-
get osztják a mátrix elemeinek összegével, másképpen (n/2)(n–1)z-vel (ahol z
az alapösszeg).
Ezzel az eljárással viszonylag objektív súlyszámokat kaphatunk.
Határozzuk meg példaképpen az előzőekben ismertetett szemléltetési tech-
nika minősítésének súlyszámait (z = 10):
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 Σ súly
1.1.1 = 1 0 5 7 2 3 2 3 3 3 3 3 3 3 3 3 4 3 3 56 0,04
1.1.2 = 2 5 0 7 2 3 2 3 3 3 3 3 3 3 3 3 4 3 3 56 0,04
1.1.3 = 3 3 3 0 2 2 2 2 1 1 2 2 2 2 2 2 2 2 2 34 0,02
1.1.4 = 4 8 8 8 0 5 5 4 4 4 4 4 4 3 5 4 4 3 4 81 0,05
1.1.5 = 5 7 7 8 5 0 5 5 4 5 5 5 4 5 5 4 4 4 5 87 0,06
1.1.6 = 6 8 8 8 5 5 0 5 5 5 6 5 4 5 4 4 5 5 5 92 0,06
1.1.7 = 7 7 7 8 6 5 5 0 4 5 5 5 5 6 5 5 5 5 5 93 0,06
1.2.1 = 8 7 7 9 6 6 5 6 0 5 6 5 4 6 4 4 6 5 5 96 0,06
1.2.2 = 9 7 7 9 6 5 5 5 5 0 6 6 5 6 5 5 7 5 5 99 0,06
1.2.3 = 10 7 7 8 6 5 4 5 4 4 0 4 3 5 3 3 5 4 4 81 0,05
1.2.4 = 11 7 7 8 6 5 5 5 5 4 6 0 3 6 4 4 5 5 5 90 0,06
2.1.1 = 12 7 7 8 6 6 6 5 6 5 7 7 0 7 5 5 6 5 5 103 0,07
2.1.2 = 13 7 7 8 7 5 5 4 4 4 5 4 3 0 3 3 4 4 4 81 0,05
2.1.3 = 14 7 7 8 5 5 6 5 6 5 7 6 5 7 0 5 5 5 6 100 0,07
2.2.1 = 15 7 7 8 6 6 6 5 6 5 7 6 5 7 5 0 5 5 6 102 0,07
2.2.2 = 16 6 6 8 6 6 5 5 4 3 5 5 4 6 5 5 0 5 5 89 0,06
2.2.3 = 17 7 7 8 7 6 5 5 5 5 6 5 5 6 5 5 5 0 6 98 0,06
2.2.4 = 18 7 7 8 6 5 5 5 5 5 6 5 5 6 4 4 5 4 0 92 0,06
229
© Typotex Kiadó
Az eredményt összehasonlítva az előző módszernél kapottal azt tapasztal-

juk, hogy bár sok hasonlóságot mutatnak, ez utóbbi lényegesen kevésbé húzza
szét a tényezők súlyozását, azok kevésbé szórnak. Ez jelenti egyben a módszer
hátrányát, mivel sok tényező esetén hajlamos azonos arányokat meghatározni.
Természetesen mindkét módszer pontosítható azáltal, hogy a súlyozást nem
egy ember végzi, hanem egy szakértői csoport. A páros összehasonlítás mód-
szerénél további pontosítási lehetőséget jelent a KIPA-módszernél is használt
konzisztenciavizsgálat.
A súlyozási arányok ismeretében egy szemléltetési technika értékelése során

már csak arra van szükség, hogy a technika egyes paramétereit minősítsük. Ehhez
elvileg a mérőszámokat kellene tudnunk, a baj csak az, hogy bizonyos tényezők
nem számszerűsítettek, illetve mérőszámaik abszolút értékei nagyságrendileg
eltérnek.
A gyakorlatban ezért különböző skálázási technikákat vezetnek be. Ezek lé-
nyege, hogy a mérőszámok alapján vagy becsléssel egy-egy azonos (például
egységnyi) hosszúságú skálán helyezik el a minősítendő változatot az adott té-
nyező szerint. Az egységnyi hosszúságú szakaszon való elhelyezés után a súly-
számmal való beszorzás adja a paraméter szerinti minősítést. Ezen minősítő
pontszámok összege adja a szemléltetési technika végső, egy számmal kifejezett
minősítését, mely alapján több ilyen változat hasonlítható össze.
A előzőekben leírtak összegzése az lehet, hogy a szemléltetési technikák minősítése

olyan soktényezős feladat, amelynek megoldása speciális értékelemzési mód-
szereket igényel. Ennek legfontosabb lépése a befolyásoló, minősítő tényezők
összegyűjtése. Ezt követi azok súlyozása (hiszen nem egyformán fontosak a ta-
nár számára). A súlyszámok minden paraméterre meghatároznak egy adott, a
paraméterre jellemző hosszúságú skálát. Az e skálákon elért mutatószámok
összege minősíti a szemléltetési technikákat, és segíti több lehetséges megoldás
közül az optimális kiválasztását.
230
© Typotex Kiadó
4.6 SEGÉDLET MŰSZAKI PEDAGÓGUSHALLGATÓK RÉSZÉRE A STATISZTIKAI… 231
4.6 SEGÉDLET MŰSZAKI PEDAGÓGUSHALLGATÓK RÉSZÉRE

A STATISZTIKAI PRÓBÁK TÉMAKÖRÉBŐL
A statisztikai próbák elvégzése ez elmúlt évtizedeket megelőzően sok számítást

igénylő, manuális munkát igényelt. A következő hallgatói segédlet ezt mutatja
be, miáltal elősegíti az elméleti alapok elsajátítását is. A benne bemutatott pél-
dák azt kívánják érzékeltetni, hogy e próbák – miként a többi statisztikai eljárás
is – nem szakmaspecifikusak, alkalmazásuk az élet legkülönbözőbb területein
eredményeket hoz.
4.6.1 Bevezetés
Ez a segédlet a szervezői szakirányú műszaki szakoktatók részére készült. Se-

gítségével hallgatóink felkészülhetnek olyan elemzésekre, amelyek az általános
– és ezen belül a pedagógiai – szervezési tevékenységeknek sokszor fontos ré-
szét képezik. Ez az oka annak, hogy – bár az ismertetésre kerülő eljárások alkal-
mazás szempontjából általános érvényűek – legtöbbször iskolai példákon ke-
resztül mutatjuk be a gyakorlati felhasználás lehetőségeit. Ezek a példák termé-
szetesen nem mindig tényleges adatokra épülnek, ezért eredményeik további
következtetésekre nem alkalmasak, mint ahogyan azt sem tekintettük célnak,
hogy az adott eredmények lehetséges pedagógiai okait elemezzük.
A példák mindig gyakorlatorientáltak, vagyis nem törekszünk az adott pél-
dával kapcsolatos matematikai statisztikai elmélet egzakt elsajátítására, sőt még
arra sem, hogy az összes lehetséges problémakört felvillantsuk. Erre nem is vál-
lalkozhatunk egyrészt hallgatóink előképzettségének ilyen irányú hiányossá-
gai, másrészt a rendelkezésre álló időkeret szűkössége miatt sem. Célunk tehát
egy olyan „receptgyűjtemény” összeállítása volt, amelyet megismerve a hallga-
tó képes lesz az ismertetettekkel analóg adatbázisú feladatok megoldására.
A kidolgozott mintapéldák ennek megfelelően minden esetben az iskolai
életből vett feladatokat oldanak meg. Dőlt betűvel azonban minden példa után
megadtunk olyanokat is (megoldás nélkül), amelyek a közlekedés, a tágabban
vett műszaki élet és valamilyen további tudományterület problémáit villantják
fel. Ezzel egyrészt a hallgató számára gyakorlási lehetőséget kívántunk biztosí-
tani, másrészt azt érzékeltettük, hogy a módszerek általánosan alkalmazhatók a
legkülönbözőbb tudományterületeken (a biológiai, politikai és egyéb következ-
tetések előtt ne felejtsük el, hogy itt is fiktív példákról van szó!).
Remélhető, hogy a tananyaggal megismerkedve minél több hallgatónk barát-
kozik meg az ilyen irányú tevékenységekkel, és vállalkozik arra, hogy akár
önálló, akár szervezett formában magasabb szinten is folytassa statisztikai ta-
nulmányait.
231
© Typotex Kiadó
4.6.2 Elméleti összefoglaló
A statisztikai próbák és tesztek, a különféle feltevések és hipotézisek ellenőrzé-

se fontos részét képezi a rendszerszervező munkájának. Sokszor felmerül ugyan-
is az a probléma, hogy a mért adatok véletlenül térnek-e el egymástól, vagy pe-
dig ennek mélyebb okai is lehetnek. Egy tényleges, 28 főre kiterjedő vizsgálat
során például az az eredmény adódott, hogy a szakközépiskolás fiúk és a lá-
nyok intelligenciahányadosa között 8 egységnyi különbség van ez utóbbiak ja-
vára. Levonható-e ebből az az általános következtetés, hogy az adott szakmát
általában intelligensebb lányok választják, vagy az, hogy a lányok általában in-
telligensebbek a fiúknál, vagy pedig mindezt a mérés hibájának, a vizsgált sze-
mélyek kis számának kell-e betudnunk? Ha az első feltevés válik be, az messze-
menő következtetésekre adna lehetőséget akár az iskolai munka, akár a pálya-
választás, akár a két nem közötti társadalmi kapcsolatok tekintetében. Még
nagyobb lenne a probléma, ha az eltérés mérési hiba következménye lenne, de
ezt nem ismernénk fel, viszont a döntéseinket ezek alapján hoznánk (szerencsé-
re kimutatható, hogy ilyen tekintetben nem volt különbség a két nem között, az
eltérés belül volt az indokolt mérési hibahatáron).
A statisztikai próbák mindig arra vonatkoznak, hogy a vizsgált minta része-e
egy ismert alaphalmaznak, a vizsgálat eredményének eltérése valamely értéktől
mérési hibából vagy egyéb okból származik-e, két minta azonos alapsokaságból
ered-e stb.
A kidolgozott módszerek általában arra vezethetők vissza, hogy a mérési
minták átlagai normális eloszlásúak. Különbséget elsősorban az eljárásokban
felhasznált adatbázis jelent.
A feladatok egyik fajtája szerint ismert az alapsokaság átlaga és szórása, és azt kell
megvizsgálni, hogy a minta átlaga miért tér el az alapsokaságétól. Ekkor u-próbát al-
kalmazunk, melynek során megvizsgáljuk, hogy ha a minta az alapsokaságból
származna, akkor kaphatnánk-e pontosan akkora mintaátlagot, amit a mérés
során kaptunk. Ha igen, akkor a minta származhat az adott alapsokaságból, ha
nem, akkor azt kell mondanunk, hogy a mintát nem az alapsokaságból vettük.
Természetesen a reprezentatív adatfelvétel törvényszerűségei szerint bizonyos
intervallumokon belül szabadon változhatnak az eredmények, ezért csak adott
valószínűséggel állíthatjuk az összefüggést, illetve a függetlenséget.
Hasonló a feladat akkor is, ha ismert az alapsokaság átlaga, valamint a minta átla-
ga és szórása, és azt kell megvizsgálni, hogy a minta átlaga miért tér el az alapsokaságé-
tól. Ekkor a t-próbát kell alkalmazni.
Ugyancsak t-próbával hasonlítható össze két minta abból a célból, hogy va-
jon azonos alaphalmazból származnak-e. Ilyenkor ismert a két minta átlaga és szó-
rása, és lényegében azt vizsgáljuk, hogy az átlagok eltérése magyarázható-e a véletlen-
szerű mérési hibákkal.
Sokszor szükségünk lehet annak ismeretére, hogy egy adott minta elemeinek el-
oszlása követ-e valamilyen ismert függvénygörbét. Ilyenkor alkalmazzuk a c2-pró-
bát, amely azt segít eldönteni, hogy a feltételezett függvénygörbétől való eltéré-
sek magyarázhatók-e a mintavétel hibájával.
232
© Typotex Kiadó
Ugyancsak a c2-próba egy speciális (táblázatos) változatát kell alkalmaznunk

akkor, ha arra vagyunk kíváncsiak, hogy két tényező között van-e oksági kapcsolat.
4.6.3 Minta összehasonlítása az alapsokasággal u-próba segítségével, I.
Egy iskolai osztályban a matematikaosztályzatok átlaga 3,24 értékű, szórásuk

pedig 0,73 volt. A tanár huzamos betegsége miatt egyik kollégája végezte tartós
helyettesítését. Az időszak alatt összesen 62 osztályzatot adott, ezek átlaga 3,76
volt.
Állapítsuk meg 95%-os valószínűséggel, hogy a helyettesítő tanár más szigo-
rúsággal osztályzott-e, mint kollégája!
Megoldás:
Az alaphipotézis szerint az osztályzási szempontok nem változtak meg, tehát a

két tanár által adott osztályzatok átlaga hosszú idő során azonos lenne.
Ennek megfelelően az alapsokaságra (az eredeti tanárra) nézve: xátl = 3,24
s = 0,73
A mintára nézve pedig: xm = 3,76
n = 62
u = þxátl – xmþ/(s/n0,5) = (3,76 – 3,24)/(0,73/620,5) = 5,6088
A standard normális eloszlás táblázatából a 95%-os kétoldali (tehát 97,5%-os

egyoldali) valószínűséghez ukrit = 1,96 érték tartozik.
Esetünkben u értéke nagyobb ukrit-nál, ezért az eltérés valószínűsége megha-
ladja a 95%-ot. Ezen a valószínűségi szinten tehát el kell vetnünk a hipotézist,
vagyis a két tanár osztályzási technikája eszerint eltérő (a helyettesítő tanár ke-
vésbé szigorú).
Megjegyzendő továbbá, hogy u nagy értéke miatt több mint 99,999%-os való-
színűséggel állíthatjuk ezt.
Egy buszmegállóban az átlagos utascsere nagysága 8 perces járatsűrűség mellett

16,3 utas/jármű, 2,4 utas/jármű szórással. Egy ABC-áruház megnyitása után ez az
érték 52 mérés alapján 18,5 utas/jármű értékre nőtt. Állapítsuk meg 90%-os valószí-
nűséggel, hogy a növekedést okozhatta-e az új kereskedelmi egység megnyitása!
Egy személygépkocsi átlagos fogyasztása 7,3 l / 100 km, 0,8 l / 100 km szórással.
A porlasztó kicserélése után 32 mérés alapján 7,1 l / 100 km nagyságú átlagfo-
gyasztás adódik. Állapítsuk meg 80%-os valószínűséggel, hogy a fogyasztás válto-
zását okozhatta-e a jelzett javítási művelet!
Egy politikus népszerűségi mutatója az elmúlt 2 évben átlagosan 42%-os volt,

3,8%-os szórással. A legutóbbi nagygyűlésen mondott beszéde után az ország 45
233
© Typotex Kiadó
településén végzett közvélemény-kutatások átlaga 46,3%-ot ért el. Lehet-e a válto-

zás a beszédben elmondottak hatása?
4.6.4 Minta összehasonlítása az alapsokasággal u-próba segítségével, II.
Az iskola éves továbbtanulási arányának átlaga az elmúlt 10 évben 42,8%-os,

annak szórása pedig az egyes években 6,3%-os volt.
Négy évvel ezelőtt kísérleti tantervet vezettek be az egyik osztályban, amely
mind a tanulóktól, mind a tanároktól több munkát követelt, és többletkiadást
igényelt az iskolától és a szülőktől is. A kísérleti osztály 23 tanulójának tovább-
tanulási aránya 47,8% lett.
Azt kívánja eldönteni az iskola vezetése 90%-os valószínűséggel, hogy van-e
értelme bevezetni a kísérleti tantervet az iskola összes osztályában. Ehhez azt a
kritériumot állította fel korábban, hogy a továbbtanulási arány elérje a 45%-ot.
Megoldás:
Alaphipotézisünk szerint a továbbtanulási arány rosszabb, mint a határérték

(45%).
Ennek megfelelően xm = 47,8%
xhatár = 45%
s = 6,3%
n = 23
u = þxátl – xmþ/(s/n0,5) = (47,8 – 45)/(6,3/230,5) = 2,13
A standard normális eloszlás táblázatából a 90%-os egyoldali valószínűség-

hez ukrit = 1,28 érték tartozik. Mivel a tényleges u ezen érték fölött van, az eltérés
szignifikáns, tehát az alaphipotézist el kell vetni. A kísérleti tanterv bevezethető
a többi osztályban is.
Egy tömegközlekedési jármű fordulóidejének átlaga 42,6 perc, szórása 3,8 perc. Új
típusú – középső korlát nélküli ajtómegoldású – járművekkel a fordulóidő átlaga
39,9 percre adódott 45 próbamérés alapján. Állapítsuk meg 90%-os valószínűség-
gel, hogy 40 perc alá csökkent-e a fordulóidő, mert ekkor a járat összes járművét át
kell alakítani!
A forgácsolóműhelyben gyártott alkatrészek 3,2%-ban (0,4%-os szórással) nem

felelnek meg a méretelőírásoknak. Egy új típusú gépet beszerezve azon a selejtszá-
zalék nagysága az elmúlt 42 hét átlagában 2,2% volt. Döntsük el 95%-os valószí-
nűséggel, hogy e gép által okozott hiba aránya kisebb-e 2,5%-nál, ugyanis ekkor
gazdaságos az összes forgácsológépet ilyen típusúra cserélni!
234
© Typotex Kiadó
Az agyvérzést kapott betegek átlagos túlélési ideje 12,4 év, 3,5 éves szórással. Ön-
ként vállalkozó 48 betegen akupunktúrás kezelést folytatva 14,3 éves átlagos túl-
élési időt regisztráltak. Állapítsuk meg 90%-os valószínűséggel, hogy eléri-e a túl-
élési idő a 14 évet, mert akkor érdemes az összes betegen alkalmazni a kezelést!
4.6.5 Minta összehasonlítása az alapsokasággal t-próba segítségével
A statisztikai jelentések szerint az országban dolgozó műszaki pedagógusok

havi nettó átlagbére 38.412 Ft.
Az iskolában alkalmazott 22 műszaki pedagógus átlagbére 34.523 Ft, a bérek
szóródása 6.234 Ft.
Megfelelnek-e 95%-os valószínűséggel az iskola pedagógusainak jövedelmi
viszonyai az országos átlagnak?
Megoldás:
Alaphipotézisünk szerint megfelelnek.

xminta = 34.523
s = 6.234
n = 22
xátl = 38.412
t = þxátl – xmþ/(s/n0,5) = (38.412 – 34.523)/(6.234/220,5) = 2,93
A Student-féle t-eloszlás táblázatából tkrit = 1,72. (A szabadságfok DF = n – 1, és

egyoldali kérdésfeltevést vizsgálunk.) Mivel t > tkrit, a hipotézist elvetjük. Az isko-
la tanári karának jövedelmi viszonyai nem felelnek meg az országos átlagnak.
A raktárba érkező egységrakományok átlagos tömege 623 kg. Az elmúlt hónapban

beérkező 326 szállítmány átlaga 515 kg, szórása 72 kg. Megfelel-e a havi forgalom
összetétele 90%-os valószínűségi szinten a szokásos forgalomnak?
A csomagolt kristálycukor névleges tömege 1 kg. 42 csomagot lemérve azt találtuk,

hogy az átlagos tömeg 98,2 dkg, a tömegek szórása 2,5 dkg. Jól van-e beállítva a
gyártónál a csomagológép adagolója 90%-os valószínűségi szinten?
A kisgyermekek átlagosan 2,2 éves korukban szoktathatók szobatisztaságra. A nad-

rágpelenkát alkalmazó szülők gyermekeinél egy 68 főre kiterjedő kérdőíves felmérés
szerint ez az érték 2,8 év, 0,3 év szórással. Van-e hatása a nadrágpelenka használatá-
nak a gyermekek szobatisztaságára 80%-os valószínűségi szint mellett?
235
© Typotex Kiadó
4.6.6 Két minta összehasonlítása t-próbával
Az iskolában gépipari és villamosipari szakokon folyik képzés. Az elmúlt öt év-

ben a következő továbbtanulási arányok alakultak ki a két szakon:
Szak/Felvételi arány (%) 1. év 2. év 3. év 4. év 5. év

Gépész 12,5 18,3 6,2 28,3 16,5
Villamos 8,6 15,8 21,2 20,8 18,7
Vizsgáljuk meg 95%-os valószínűséggel, hogy van-e a két szak között kü-
lönbség továbbtanulás szempontjából!
Megoldás:
Hipotézis: a két eloszlás átlaga azonos.
A két minta átlaga és korrigált szórása a következő:

x1 = 16,36 s1 = 8,13 (n1 = 5)
x2 = 17,02 s2 = 5,17 (n2 = 5)
A minták együttes (átlagos) szórása:
s2 = [(n1 – 1) × s12 + (n2 – 1) × s22] / (n1 + n2 – 2) = [(5 – 1) × 66,10 + (5 – 1) × 26,73] / 8 =

= 46,42
s = 6,81
t = (x1 – x2) / (s × [1/n1 + 1/n2]0,5) = (17,02 – 16,36)/(6,81 × (1/5 + 1/5)0,5) = 0,15
Mindkét irányú eltérésnek szerepe van, ezért kétoldali kritikus értéket kere-
sünk. A Student-eloszlás táblázatából: tkrit = 2,31 (DF = n1 + n2 – 2).
Ez nagyobb, mint t, tehát 95%-os valószínűséggel állítható, hogy a két szak
továbbtanulási esélyei között nincs különbség.
Egy kérdezéses felmérés során azt az eredményt kapták, hogy a saját gépkocsival
munkába járó 12 válaszadó a Blaha Lujza tér és az Örs vezér tere közötti útsza-
kaszt 6, 9, 12, 5, 8, 3, 9, 8, 6, 10, 9, 11 perc alatt teszi meg átlagosan. Ezzel szem-
ben a metróval közlekedő 5 válaszadó 12, 9, 6, 8, 10 perc alatt teszi meg ezt az utat.
Van-e a két utazási mód között különbség 90%-os valószínűségi szinten?
Egy felmérés szerint a Skodával közlekedők évente 5500, 12800, 42300, 8900,
22000 km-t közlekednek autójukkal. A Suzuki-tulajdonosok évi 32000, 45000,
10000, 15000 km-t futnak. Van-e a két autóscsoport utazási szokásai között
95%-os valószínűséggel különbség?
236
© Typotex Kiadó
A kórház betegeinek vizsgálata során az derült ki, hogy az infarktusos páciensek

napi sportolási ideje 20, 0, 15, 15, 0, 0 perc, míg a baleseti osztályra került töréses
betegeknél ez az idő 120, 0, 60, 15, 30, 90 perc. Van-e különbség 95%-os valószí-
nűséggel a két csoport között?
4.6.7 Feltevés ellenőrzése c2-próbával
Az iskola tanulóinak tanulmányi eredményei év végén a következő táblázat

szerint alakultak:
Tanulmányi átlag Tanulók száma (fő)

2,01–2,50 33
2,51–3,00 54
3,01–3,50 76
3,51–4,00 65
4,01–4,50 32
4,51–5,00 22
Állapítsuk meg 95%-os valószínűséggel, hogy a tanulmányi eredmények

normális eloszlásúak-e!
Megoldás:
A táblázatból láthatóan az osztályközök száma k = 6. A minta átlaga és szórása

3,38 és 0,70. A mintaelemek száma 282.
A feladatot az osztályközös adatfelvételnek megfelelően táblázatosan oldjuk
meg.
Az első oszlopba az osztályközök határai, a második oszlopba az osztálykö-
zök középső értéke, a harmadik oszlopba ezeknek az átlagtól való távolsága ke-
rül. A negyedik oszlopba a fejlécen megadott módon kiszámolható relatív elté-
rést írjuk. Az ötödik oszlopba az adott u értékhez tartozó számot másoljuk be a
standardizált normális eloszlás eloszlásfüggvény-táblázatából (negatív u-nál
1 – p értéket számolunk), a hatodik oszlopba az ötödik oszlopban található szá-
mok és az eggyel fölöttük levők különbségét írjuk, a hetedikbe kerülnek ezek és
a mintaelemek számának szorzatai. A nyolcadik oszlopban találhatók az adott
osztályközbe eső mintaelemek tényleges számai. A kilencedik oszlopba a fejléc-
ben megadottak szerint a relatív négyzetes eltéréseket kell beírni.
237
© Typotex Kiadó
2
xi xik di u = di/s fr(1) fr(2) fti fi (fi–fti) /fi
2,01–2,50 2,25 –1,00 –1,43 0,0764 0,0764 21,54 33 3,980
2,51–3,00 2,75 –0,50 –0,71 0,2389 0,1625 45,83 54 1,236
3,01–3,50 3,25 0 0 0,5000 0,2611 73,63 76 0,074
3,51–4,00 3,75 +0,50 +0,71 0,7611 0,2611 73,63 65 1,146
4,01–4,50 4,25 +1,00 +1,43 0,9236 0,1625 45,83 32 5,977
4,51–5,00 4,75 +1,50 +2,14 0,9838 0,0602 16,98 22 1,145
Összesen: 282 13,558
A számítások szerint c2 = 13,558.
A számítás szabadságfoka DF = k – 3 (eredetileg k – 1 lenne, de azzal, hogy

meghatároztuk a minta átlagát és szórását is, két további szabadságfokot veszí-
tünk). DF = 3.
A c2-eloszlás táblázatából a kritikus értéknek 7,81 érték adódik. Mivel a tényle-
ges szám ennél nagyobb, a hipotézist el kell vetnünk, tehát a tanulmányi eredmé-
nyek átlaga nem normális eloszlású. (A példa egyébként jól érzékelteti a módszer
érzékenységét. Az adatokat grafikusan ábrázolva ugyanis az a benyomásunk le-
het, hogy a szimmetria és a „harangjelleg” miatt ez normális eloszlás.)
A benzinkutaknál mért átlagos kiszolgálási idő (várakozás + tankolás + fizetés) ér-

téke egy méréssorozat szerint 2, 5, 3, 9, 4, 6, 3 perc. Közelíthető-e a benzinkutaknál
eltöltött idő normális eloszlással 80%-os valószínűségi szinten?
A megmunkálógépen legyártott munkadarabok mérete 88,21 – 88,18 – 89,01 –

88,25 – 88,53 – 88,15 – 88,42 mm átmérőjű. Követik-e a méretek 95%-os valószí-
nűséggel a normális eloszlást?
Az intelligenciateszt eredményei szerint 12-en 90 alatti, 18-an 90 és 100 közötti,

17-en 100 és 110 közötti, 6-an 110 és 120 közötti, 2-en 120 feletti intelligenciahá-
nyadossal rendelkeznek. Megállapítható-e 90%-os valószínűséggel, hogy az intel-
ligenciahányadosok eloszlása követi a normális eloszlást?
4.6.8 Hipotézisvizsgálat c2-próbával
A karra felvett hallgatók első féléves tanulmányi eredményeinek elemzése alap-

ján arra szeretett volna következtetni a dékán, van-e különbség (95%-os valószí-
nűségi szinten) az egyetem megkezdésének nehézségeiben a volt gimnazista és
szakközépiskolás tanulók között.
A felmérés a következő adatokból indult ki:
238
© Typotex Kiadó
Tanulmányi átlag Gimnázium Szakközépiskola Összesen (fő)

kimaradt 6 11 17
elégséges 12 6 18
közepes 14 8 22
jó 5 4 9
jeles 2 0 2
Összesen (fő) 39 29 68
Megoldás:
c2 = SS((n×aij/p×q) – 1)2, ahol n a mintaelemek száma

aij a táblázat adott elemének értéke
p a táblázat adott sorának összege
q a táblázat adott oszlopának összege
SS azt jelzi, hogy a táblázat összes elemére
meghatározandó és összegzendő a fenti
képlet alapján számolható érték
a. ((68 × 6 / 17 × 39) – 1)2 = 0,1479

b. ((68 × 11 / 17 × 29) – 1)2 = 0,2675
c. ((68 × 12 / 18 × 39) – 1)2 = 0,0264
d. ((68 × 6 / 18 × 29) – 1)2 = 0,0477
e. ((68 × 14 / 22 × 39) – 1)2 = 0,0120
f. ((68 × 8 / 22 × 29) – 1)2 = 0,0217
g. ((68 × 5 / 9 × 39) – 1)2 = 0,0010
h. ((68 × 4 / 9 × 29) – 1)2 = 0,0018
i. ((68 × 2 / 2 × 39) – 1)2 = 0,5529
j. ((68 × 0 / 2 × 29) – 1)2 = 1,0000
A fenti részeredmények összege: c2 = 2,0789.

A rendszer szabadságfoka a sorok és az oszlopok számának összegénél ket-
tővel kevesebb, esetünkben tehát 5 + 2 – 2 = 5.
A c2-eloszlás táblázatából (lásd 4.6.9 Mellékletek, 241. o.) a kritikus érték 11,1,
ami nagyobb a számítottnál.
A két tényező tehát független egymástól, nem jelent sem előnyt, sem hátrányt,
hogy az adott kar hallgatója milyen iskolatípusban végezte előtanulmányait.
Egy szállítmányozási vállalkozás felmérte, hogy a fuvaroztatók milyen alágazatot

preferálnak megrendeléseiknél. Azt az eredményt kapták, hogy 50 km alatti szállítá-
si távolságnál 6 esetben közúti, 2 esetben vasúti szállítást igényeltek. 50 és 150 km
közötti távolság esetében 15 vállalat oldotta meg szállítását közúton, 8 pedig vas-
úton. 150 km feletti szállítás esetében 6 vállalat választotta a közúti, és 11 vállalat a
239
© Typotex Kiadó
vasúti szállítást. Állapítsuk meg 95%-os valószínűséggel, hogy a fuvaroztatók fi-

gyelembe vették-e szállítási stratégiájuk kiválasztásánál a szállítási távolságot!
Egy javítóműhelyben a motorok hengerperselyének cseréje során a rendelkezésre

álló készletből egy CrMo-ötvözetből és egy CrNi-ötvözetből készült változatot sze-
relhetnek be. A rendelkezésre álló adatok szerint 10 000 km-nél kisebb élettartama
volt az előzőből 4-nek, az utóbbiból 8-nak, 10 000 és 50 000 km közötti volt az élet-
tartam 6, illetve 15 esetben, 50 000 km feletti volt 18, illetve 4 esetben. Van-e
80%-os valószínűségi szint mellett különbség az élettartam tekintetében a két öt-
vözet között?
Egy vizsgálat során felmérték a politikai beállítódás és az iskolai végzettség közötti

összefüggést. A megkérdezettek között 98 alapfokú, 139 középfokú és 120 felsőfokú
végzettséggel rendelkező volt. Közülük ebben a sorrendben 38, 73 és 16 baloldali
pártot, 42, 27 és 82 centrumpártot, és 18, 39 és 22 jobboldali pártot preferált.
Van-e összefüggés 99%-os valószínűségi szinten az iskolai végzettség és a politi-
kai beállítódás között?
4.6.9 Mellékletek
Kivonat a standardizált normális eloszlás sűrűségfüggvény-értékeinek tábláza-

tából:
t ϕ(t) t ϕ(t) T ϕ(t) T ϕ(t)

0,00 0,3989 1,00 0,2420 1,90 0,0656 2,40 0,0224
0,20 0,3910 1,20 0,1942 2,00 0,0540 2,60 0,0136
0,40 0,3683 1,40 0,1497 2,10 0,0440 2,80 0,0079
0,60 0,3332 1,60 0,1109 2,20 0,0355 3,00 0,0044
0,80 0,2897 1,80 0,0790 2,30 0,0283 3,20 0,0024
Kivonat a standardizált normális eloszlás eloszlásfüggvény-értékeinek tábláza-

tából:
t Φ(t) t Φ(t) T Φ(t) t Φ(t)

0,00 0,5000 1,00 0,8413 1,90 0,9713 2,40 0,9918
0,20 0,5793 1,20 0,8849 2,00 0,9792 2,60 0,9953
0,40 0,6554 1,40 0,9192 2,10 0,9821 2,80 0,9974
0,60 0,7257 1,60 0,9452 2,20 0,9861 3,00 0,9986
0,80 0,7881 1,80 0,9641 2,30 0,9893 3,20 0,9993
240
© Typotex Kiadó
Kivonat a Student-féle t-eloszlás kritikus értékeinek táblázatából:
DF\kétoldali 50% 10% 5% 1% 0,1%

1 1,000 6,31 12,7 63,7 637,0
2 0,816 2,92 4,30 9,92 31,6
3 0,765 2,35 3,10 5,84 12,9
4 0,741 2,13 2,78 4,60 8,61
5 0,727 2,01 2,57 4,03 6,86
10 0,700 1,81 2,23 3,17 4,59
15 0,691 1,75 2,13 2,95 4,07
20 0,687 1,73 2,09 2,85 3,85
30 0,683 1,70 2,04 2,75 3,65
60 0,679 1,67 2,00 2,66 3,46
120 0,677 1,66 1,98 2,62 3,37
DF\egyoldali 25% 5% 2,5% 0,5% 0,05%
Kivonat a c2-eloszlás kritikus értékeinek táblázatából:
DF\P 90% 10% 5% 1%

1 0,0158 2,71 2,85 6,62
2 0,211 4,61 5,99 9,21
3 0,854 6,25 7,81 11,3
4 1,06 7,78 9,49 13,3
5 1,61 9,24 11,1 15,1
10 4,87 16,0 18,3 23,2
15 8,55 22,3 25,0 30,6
20 12,4 28,4 31,4 37,6
30 20,6 40,3 43,8 50,9
60 46,5 74,4 79,1 88,4
100 82,4 118,5 124,3 135,8
241
© Typotex Kiadó
4.7 SEGÉDLET MŰSZAKI PEDAGÓGUSHALLGATÓK RÉSZÉRE

A STATISZTIKAI ÖSSZEFÜGGÉSVIZSGÁLATOK TÉMAKÖRÉBŐL
Az előző esettanulmányhoz hasonlóan az összefüggésvizsgálatok témaköréből

is készült segédlet a műszaki pedagógushallgatók részére. Ez a terület ugyanis
szintén közvetlen pedagógiai következtetések levonását teszi lehetővé. A se-
gédlet az elméleti alapok tisztázása érdekében itt is a manuális számítások algo-
ritmusának bemutatását tűzi célul, és egyben azt is érzékeltetni kívánja, hogy az
alkalmazások lehetősége messze túlnyúlik egy szakma határain.
4.7.1 Bevezetés
A rendszerek vizsgálatának egyik fontos területét képezi azoknak a statisztikai

módszereknek a felhasználása, amelyek arra irányulnak, hogy meghatározzuk
egyes rendszerparaméterek közötti összefüggések szorosságát és jellegét.
Az összefüggések szorosságát a korrelációs együtthatóval írjuk le. Ennek elő-
jele utal arra, hogy két tényező között egyenes vagy fordított arányosság áll-e
fenn, értéke pedig segít eldönteni, hogy ezt az összefüggést milyen erősnek te-
kinthetjük. Kiszámítása viszonylag egyszerűen történik, ám sok adat esetén
rendkívül számításigényes lehet. Ilyenkor – főleg, ha csak az összefüggések elő-
zetes becslésére van szükség – lehetőség van arra, hogy jelentősen leegyszerűsí-
tett módszerekkel határozzuk meg a nagyságát.
A korrelációs együttható ismeretében lehetőségünk van arra, hogy a ténye-
zők közötti összefüggés jellegére is becsléseket tegyünk. Ennek módszerei a
regressziószámítás témakörébe tartoznak, amelynek az a lényege, hogy az is-
mert adatokat megfelelő koordinátarendszerben ábrázolva a kapott pontokra
valamilyen görbét illesztünk. A legegyszerűbb esetet az jelenti, ha ez a görbe
egy egyenes, ekkor a regressziós számítások viszonylag könnyen elvégezhetők.
Sokszor azonban szemmel láthatóan nem lineáris az összefüggés a tényezők
között, ekkor már csak a görbeillesztés lehet jó közelítés. Az esetek jelentős ré-
szében a legkülönbözőbb függvénytípusok közül választhatunk, melyek majd-
nem mind visszavezethetők a lineáris regresszió számítására.
A regressziószámítás leglátványosabb eredményeit nyújtják azok a módsze-
rek, amelyek több független változó alapján határozzák meg a függő változó ér-
tékét. A többváltozós regressziószámítások az esetek nagy részében nagyon
számításigényesek, ezért manuálisan csak korlátozottan végezhetők el.
A segédlet megírása során szem előtt tartottuk azt a célt, hogy a hallgató mi-
nél kisebb mennyiségben találkozzék a matematikai statisztika elméleti tételei-
vel, hiszen ezek hiányoznak az előtanulmányaiból, és rendkívül nehézkessé
tennék a gyakorlatorientált elsajátítás folyamatát. Nem szabad azonban elfeled-
kezni ezekről a nem ismert tananyagrészekről sem, ezért a konkrét elemzések
elvégzése előtt mindig gondoljuk át az esetleges alkalmazási korlátokat, a lehet-
séges hibaforrásokat!
242
© Typotex Kiadó
4.7 SEGÉDLET MŰSZAKI PEDAGÓGUSHALLGATÓK RÉSZÉRE… 243
Remélhetően ennek eredményeként többen is kedvet kapnak arra, hogy el-

mélyedjenek a témakör további fejezeteiben is. A segédlet azonban úgy készült,
hogy részletes tanulmányozásával lehetőséget adjon az alcímekben adott mód-
szerek önálló alkalmazására is. Ennek érdekében a számítások eredményeinek
összehasonlíthatósága céljából feladtuk azt a korábbi elvünket, hogy az egyes
példákat a legkülönbözőbb elképzelhető alkalmazási területekről vegyük, és
helyette lényegében az összes módszert azonos adatbázisra, egy iskolai példára
építettük, ami persze nem jelenti azt, hogy ez a statisztikai fejezet ne lenne álta-
lánosan alkalmazható.
Az adott adatbázisra tehát a legkülönbözőbb korreláció- és regressziószámí-
tási módszereket alkalmaztuk anélkül, hogy vizsgáltuk volna azok alkalmazha-
tóságát (tehát ugyanarra az adatsorra egyaránt illesztettünk például egyenest,
parabolát és más ezektől lényegesen különböző jellegű görbéket is). Tettük
mindezt azért, hogy bemutathassuk a számítások mellett az alkalmazhatóság
bizonyos korlátait is. Az olvasó azonban soha ne feledje, hogy a tényleges szá-
mítások előtt át kell gondolnia az összefüggések lehetséges jellegét, amit példá-
ul az adatok grafikus ábrázolása és a korrelációs együttható meghatározása is
nagyban segíthet.
A példák áttekintése arra a következtetésre vezethet, hogy e módszerek – kü-
lönösen sok adat esetén – rendkívül számításigényesek. Ez azonban ne szegje
kedvünket! A bemutatott manuális számítások alapján saját magunk is elkészít-
hetjük azokat a viszonylag egyszerű – néhány ciklikus utasítást tartalmazó –
programokat, amelyek felhasználásával minimálisra csökkenthetjük a számítá-
sok emberi munkaráfordítását. Ez adja meg azt az igazi szabadságot, amely le-
hetővé teszi a rendszerszervező számára a kreatív elemzéseket és az alternatív
hipotézisek ellenőrzését.
4.7.2 Előjelkorrelációs együttható számítása
A középiskolások tanulási szokásainak feltárása céljából az osztályfőnök fel-

mérte, hogy tanulói hetente hány órát töltenek önálló tanulással. Arra volt kí-
váncsi, van-e összefüggés az otthoni munkára fordított idő és a tanulmányi
eredmények között.
A felmérések a következő adatokat nyújtották:
Név Napi Tan. Név Napi Tan.

tanulás (óra) eredmény tanulás (óra) eredmény
A. Péter 2,5 4,2 G. Sándor 3,0 4,2
B. Éva 0,5 3,8 H. Vendel 1,0 3,7
C. Tibor 3,5 2,6 I. Csilla 4,0 5,0
D. Lajos 1,5 3,5 J. Ferenc 1,5 4,1
E. János 3,0 4,8 K. László 5,0 4,8
F. Sándor 3,0 2,8 L. János 2,5 3,5
243
© Typotex Kiadó
Határozzuk meg az előjelkorrelációs együtthatót!
Megoldás:
Az előjelkorrelációs együtthatót az re = (u – v) / (u + v) képlettel számoljuk ki,

ahol u a dxdy szorzatok közül a pozitív előjelűek száma, v pedig a dxdy szorzatok
közül a negatív előjelűek száma (dx = x – xátl, dy = y – yátl).
X a tényezőismérv (napi tanulás), Y az eredményismérv (tanulmányi ered-
mény).
xátl = 2,58 óra, yátl = 3,92.
A számításokat táblázatban lehet összefoglalni.
Név Xi Yi dx dy dxdy
A. 2,5 4,2 – + –
B. 0,5 3,8 – – +
C. 3,5 2,6 + – –
D. 1,5 3,5 – – +
E. 3,0 4,8 + + +
F. 3,0 2,8 + – –
G. 3,0 4,2 + + +
H. 1,0 3,7 – – +
I. 4,0 5,0 + + +
J. 1,5 4,1 – + –
K. 5,0 4,8 + + +
L. 2,5 3,5 – – +
u=8 v=4
re = (u – v) / (u + v) = (8 – 4) / (8 + 4) = 4/12 = 0,3333
Értékelés: Az előjelkorrelációs együttható értéke esetünkben viszonylag kicsi po-

zitív szám (annak értékkészlete –1 és 1 közé esik). A tanulók tanulmányi ered-
ménye és az önálló otthoni munka nagysága között tehát lényegében nincs kap-
csolat (valami halvány összefüggést azért érezhetünk a pozitív előjel és a korre-
lációs együttható nagysága alapján arra vonatkozóan, hogy aki többet tanul, az
jobb eredményt ér el, de esetünkben gyaníthatóan van valami más, erősebb té-
nyezője is a tanulmányi eredménynek).
A vasútállomáson az időegység alatt megálló vonatok számának függvényében

megvizsgálták a személypénztár forgalmának megoszlását. Ennek során a követke-
ző eredményeket kapták:
244
© Typotex Kiadó
Időintervallum Vonatforgalom (db) Pénztárforgalom (Ft)

0.00 – 4.00 4 10.000
4.00 – 8.00 12 48.000
8.00 – 12.00 8 40.000
12.00 – 16.00 6 25.000
16.00 – 20.00 14 50.000
20.00 – 24.00 6 10.000
Határozzuk meg a vonat- és a pénztárforgalom közötti előjelkorrelációs együtthatót!
Egy felmérés során azt kívánták meghatározni, hogy milyen összefüggés van a jo-
gosítvány megszerzésétől eltelt idő és a személyi sérüléssel járó balesetek okozása
között. A következő adatokat kapták:
A jogosítvány megszerzése óta eltelt idő (év) A balesetet okozók száma

0–5 63
5–10 86
10–15 42
15–20 15
Határozzuk meg a két tényező közötti előjelkorrelációs együtthatót!
Egy szociológiai felmérés arra irányult, hogy megállapítsák a lakás nagysága és a

benne élő család nagysága közötti összefüggést. A következő adatokat kapták:
2
A lakás nagysága (m ) Az együtt élők átlagos száma (fő)
38 2,3
42 3,6
46 3,4
50 3,5
54 4,3
58 4,2
62 5,1
66 5,4
70 5,7
74 5,5
Számítsuk ki a tényezők közötti előjelkorrelációs együtthatót!
245
© Typotex Kiadó
4.7.3 Rangkorrelációs együttható számítása
Számítsuk ki az előző feladatban közölt adatok rangkorrelációs együtthatóját!
Megoldás:
A tényezőismérv (X) most a tanulással eltöltött idő szerinti sorrend, az ered-

ményismérv (Y) pedig a tanulmányi eredmény szerinti sorrend lesz, di-vel jelöl-
jük továbbá a ranghelyek különbségét, n = 12 pedig az adatok (esetünkben a ta-
nulók) száma.
A rangkorrelációs együttható r = 1 – [(6 × Sdi2) / (n(n2 – 1))]
A számításokat célszerű táblázatban összefoglalni.
Tanuló Xi Yi di di2
A. 7,5 4,5 +3,0 9
B. 12 7 +5,0 25
C. 3 12 –9,0 81
D. 9,5 9,5 0 0
E. 5 2,5 +2,5 6,25
F. 5 11 –6,0 36
G. 5 4,5 +0,5 0,25
H. 11 8 +3,0 9
I. 2 1 +1,0 1
J. 9,5 6 +3,5 12,25
K. 1 2,5 –1,5 2,25
L. 7,5 9,5 –2,0 4
Összesen 186
r = 1 – [(6 × 186) / (12 × (144 – 1))] = 0,3497
A rangkorrelációs együttható értéke jelen esetben lényegében megegyezik az

előjelkorrelációs együtthatóval.
246
© Typotex Kiadó
4.7.4 Korrelációs együttható számítása
Határozzuk meg az 1. feladatban szereplő adatok közötti korrelációs együtthatót!
Megoldás:
A tényezőismérv és az eredményismérv megegyezik az 1. feladatban közöl-

tekkel.
A korrelációs együttható a következő képlettel számolható:
r = (S dxi dyi) / (S dxi2 S dyi2)0,5
A számításokat ebben az esetben is táblázatosan végezhetjük el:
2 2
Tanuló Xi Yi dxí dyí dxídyí dxí dyí
A. 2,5 4,2 –0,08 +0,28 –0,0224 0,0064 0,0784
B. 0,5 3,8 –2,08 –0,12 +0,2496 4,3264 0,0144
C. 3,5 2,6 +0,92 –1,32 –1,2144 0,8464 1,7424
D. 1,5 3,5 –1,08 –0,42 +0,4536 1,1664 0,1764
E. 3,0 4,8 +0,42 +0,88 +0,3696 0,1764 0,7744
F. 3,0 2,8 +0,42 –1,12 –0,4704 0,1764 1,2544
G. 3,0 4,2 +0,42 +0,28 +0,1176 0,1764 0,0784
H. 1,0 3,7 –1,58 –0,22 +0,3476 2,4964 0,0484
I. 4,0 5,0 +1,42 +1,08 +1,5336 2,0164 1,1664
J. 1,5 4,1 –1,08 +0,18 –0,1944 1,1664 0,0324
K. 5,0 4,8 +2,42 +0,88 +2,1296 5,8564 0,7744
L. 2,5 3,5 –0,08 –0,42 +0,0336 0,0064 0,1764
Összesen 31 47 +3,3332 18,4168 6,3168
r = 3,3332 / (18,4168 × 6,3168)0,5 = 0,3090
A tényezők közötti korrelációs együttható 0,3090, ami lényegében megegye-

zik az előzőekben meghatározott két eljárásban kapott értékkel.
247
© Typotex Kiadó
4.7.5 Asszociációs együttható számítása
Egy középiskolai csoport matematika- és fizikadolgozataival egy időben intelli-

genciatesztet is kitöltöttek a tanulók. Az eredményeket összevetve a következő
adatokat kapták:
IQ/osztályzat 1–2–3 4–5 Összesen

≤ 100 5 6 11
> 100 9 9 18
Összesen 14 15 29
Számítsuk ki az asszociációs együtthatót!
Megoldás:
Az asszociációs (más néven kovariációs) együtthatót a következő képlettel szá-

molhatjuk ki:
rassz = (a × d – b × c) / (a × d + b × c),
ahol a, b, c és d az adattábla elemei ennek megfelelő sorrendben.
Esetünkben a = 5, b = 6,
c = 9, d = 9.
Ennek megfelelően:
rassz = (45 – 54 ) / (45 + 54) = –0,0909
Az asszociációs együttható negatív, de közel van a 0-hoz, ezért arra követ-

keztethetünk, hogy a tanulók intelligenciahányadosának és a matematika-, illet-
ve fizikadolgozatokban elért osztályzatoknak nincsen egymással kapcsolatuk.
Egy kereskedelmi raktárban azt kívánták meghatározni, hogy van-e kapcsolat a be-
szállítási és a kiszállítási forgalom között. Ennek érdekében meghatározták az átla-
gos napi forgalmakat, majd megvizsgálták, hogy mely napokon volt mindkét forga-
lom kisebb, illetve nagyobb az átlagosnál, illetve mikor fordult elő, hogy a két forga-
lom az átlagnak különböző oldalain foglalt helyet. Így a következő táblázatot kapták:
Beszállítás/kiszállítás Átlagosnál kisebb Átlagosnál nagyobb Összesen

Átlagosnál kisebb 32 42 74
Átlagosnál nagyobb 53 55 108
Összesen 85 97 182
248
© Typotex Kiadó
Számoljuk ki a tényezők közötti asszociációs együtthatót!
Egy adott gépalkatrészt kétféle módon gyártanak. Az első megoldásban 50 perces

hőntartással, a második megoldásban 10 perces hőntartással végzik a hőkezelést.
A javítóműhely nyilvántartásai alapján megvizsgálták, hogy a gépek 1 éven belüli
meghibásodását hány esetben okozta az adott alkatrész törése vagy pedig más ok.
A következő eredményt kapták:
Hőntartás/hibaok Gépalkatrész Más szerkezeti elem Összesen

10 perc 5 33 38
50 perc 12 15 27
Összesen 17 48 65
Van-e az asszociációs együttható szerint kapcsolat az adott alkatrész hőntartási

ideje és a meghibásodási okként való megjelenése között?
Közép- és Nyugat-Európa országaiban felmérték, hogy az 1000 főre jutó házasság-

kötések és a válások száma az elmúlt 10 évben emelkedett vagy csökkent-e. A követ-
kező táblázatot kapták:
Házasságkötések/válások Növekedés Csökkenés Összesen

Növekedés 3 4 7
Csökkenés 7 2 9
Összesen 10 6 16
Milyen összefüggést tételezhetünk fel a válások és a házasságkötések között a fel-

mérés alapján?
4.7.6 Lineáris regresszió számítása
Határozzuk meg az 1. feladatban közölt adatokra legjobban illeszkedő egyenes

egyenletét, a relatív hiba nagyságát és a rugalmassági együttható értékét!
Megoldás:
Az egyenes egyenletét y = mx + b alakban keressük. A lineáris regresszió képle-

tei szerint:
m = (S dxí × dyi) / S dxí2 és b = Yátl – m × Xátl
249
© Typotex Kiadó
A számításokat táblázatban célszerű összefoglalni. Ez a táblázat megegyezik

a 3. feladatban közölt munkatáblával. Ebből átvéve:
m = 3,3332 / 18,4168 = 0,1810 és b = 3,92 – 0,1810 × 2,58 = 3,4530
Ezek szerint az adatok által meghatározott pontokra leginkább illeszkedő

egyenes egyenlete:
y = 0,1810 x + 3,4530
A relatív hiba nagyságának számításához ismerni kell a standard hiba érté-

két. Ez a következő képletekkel számolható:
SY = (S zi2 / n )0,5, ahol n = 12 (az adatok száma)

zi = Yi – Yri (ez utóbbi tag a regressziós egyenes helyettesítési értéke)
zi értékeinek meghatározásához újabb oszlopokkal kell kiegészítenünk a már

említett táblázatot:
Yi Yri zi zi 2
4,2 3,9 +0,3 0,09
3,8 3,5 +0,3 0,09
2,6 4,1 –1,5 2,25
3,5 3,7 –0,2 0,04
4,8 4,0 +0,8 0,64
2,8 4,0 –1,2 1,44
4,2 4,0 +0,2 0,04
3,7 3,6 +0,1 0,01
5,0 4,2 +0,8 0,64
4,1 3,7 +0,4 0,16
4,8 4,4 +0,4 0,16
3,5 3,9 –0,4 0,16
Összesen 5,72
SY = (5,72 / 12)0,5 = 0,6904
A relatív hiba: Hr = SY / Yátl = 0,6904 / 3,92 = 0,1761 = 17,61%
Az átlagos rugalmasság meghatározása az alábbi képlettel történik:
e = 1 – [b × ln (Yrn/Yr1)] / m(Xn – X1) ahol Yr1 és Yrn a regressziós egyenes

legkisebb és legnagyobb értékei
250
© Typotex Kiadó
e = 1 – (3,4530 ln (4,3580/3,5435)) / 0,1810 (5 – 0,5) = 0,1229
A rugalmassági együttható azt jelzi, hogy a tanulási időráfordítás 1%-os nö-

vekedése a tanulmányi eredmény 0,12%-os javulását vonja maga után.
(Megjegyzés: a 3. feladatban meghatározott korrelációs együttható alacsony
r = 0,3090 értéke, valamint a most kiszámított relatív hiba magas, közel 20%-os
értéke arra utal, hogy a lineáris regresszió nem túl pontos eredményt ad a tény-
leges függvénykapcsolat közelítésében.)
4.7.7 Hatványfüggvény illesztése lineáris regresszió segítségével
Vizsgáljuk meg, hogy az 1. feladatban megadott adatokra milyen hatványfügg-

vény illeszthető!
Megoldás:
Hatványfüggvény illesztése során az egyenletet Y = a × Xb alakban keressük.

Mindkét oldal logaritmusát véve a következő alakot kapjuk:
lg Y = lg a + b × lg X.
Ezzel a feladatot visszavezettük az adatok logaritmusai közötti lineáris reg-

resszióra.
A számításokat táblázatos formában végezhetjük el:
Tanuló Xi Yi lg Xi lg Yi dxi dyi

A. 2,5 4,2 +0,3979 +0,6232 +0,0543 +0,0383
B. 0,5 3,8 –0,3010 +0,5798 –0,6446 –0,0051
C. 3,5 2,6 +0,5441 +0,4150 +0,2005 –0,1699
D. 1,5 3,5 +0,1761 +0,5441 –0,1675 –0,0408
E. 3,0 4,8 +0,4771 +0,6812 +0,1335 +0,0963
F. 3,0 2,8 +0,4771 +0,4472 +0,1335 –0,1377
G. 3,0 4,2 +0,4771 +0,6232 +0,1335 +0,0383
H. 1,0 3,7 +0,0000 +0,5682 –0,3436 –0,0167
I. 4,0 5,0 +0,6021 +0,6990 +0,2585 +0,1141
J. 1,5 4,1 +0,1761 +0,6128 –0,1675 +0,0279
K. 5,0 4,8 +0,6990 +0,6812 +0,3554 +0,0963
L. 2,5 3,5 +0,3979 +0,5441 +0,0543 –0,0408
Összesen +4,1235 +7,0190
ahol dxi = lg Xi – (lg Xi)átl és dyi = lg Yi – (lg Yi)átl
(lg Xi)átl = 4,1235/12 = 0,3436 (lg Yi)átl = 7,0190/12 = 0,5849
251
© Typotex Kiadó
dxidyi dxi2 dyi2

+0,0021 0,0029 0,0015
+0,0033 0,4155 0,0000
–0,0341 0,0402 0,0289
+0,0068 0,0281 0,0017
+0,0129 0,0178 0,0093
–0,0184 0,0178 0,0190
+0,0051 0,0178 0,0015
+0,0057 0,1181 0,0003
+0,0295 0,0668 0,0130
–0,0047 0,0281 0,0008
+0,0342 0,1263 0,0093
–0,0022 0,0029 0,0017
+0,0402 0,8823 0,0870
b = (S dxi dyi) / S dxi2 = 0,0402/0,8823 = 0,0456
lg a = (lg Y)átl – b (lg X)átl = 0,5849 – 0,0456 × 0,3436 = 0,5692
a = 3,71
Yr = 3,71 × X0,0456
Az adatok közötti összefüggést mutató korrelációs együttható értéke:
r = (S dxi × dyi)/(S dxi2 × Sdyi2)0,5 = 0,0402/(0,8823 × 0,0870)0,5 = 0,1451
A standard és a relatív hiba számításához meg kell határoznunk az Xi érté-

kekhez tartozó Yri számított értékeket (a regressziós görbe egyenletébe való be-
helyettesítéssel):
Xi 2,5 0,5 3,5 1,5 3,0 3,0 3,0 1,0 4,0 1,5 5,0 2,5
Yi 4,2 3,8 2,6 3,5 4,8 2,8 4,2 3,7 5,0 4,1 4,8 3,5
Yri 3,9 3,6 3,9 3,8 3,9 3,9 3,9 3,7 4,0 3,8 4,0 3,9
Zi  0,3 0,2 1,3 0,3 0,9 1,1 0,3 0,0 1,0 0,3 0,8 0,4
Zi2 0,09 0,04 1,69 0,09 0,81 1,21 0,09 0,00 1,00 0,09 0,64 0,16
SZi2 = 5,91 SY = (5,91/12)0,5 = 0,7018 Hr = 0,7018/3,9167 = 0,1792 = 17,92%
252
© Typotex Kiadó
A hatványfüggvény kitevője egyben az átlagos rugalmasságot is megadja:

e = 0,0456. Ez azt jelenti, hogy a tanulási idő 1%-os változása 0,0456%-os válto-
zást eredményez a tanulmányi eredményben.
4.7.8 Logaritmikus görbe illesztése lineáris regresszió segítségével
Vizsgáljuk meg, hogy az 1. feladatban megadott adatokra milyen logaritmus-

görbe illeszthető!
Megoldás:
A logaritmusgörbe általános alakja: Y = m × ln X + b.
A keresett egyenlet tehát ln X szempontjából lineáris. A regressziószámítás előtt

tehát transzformálni kell az Xi értékeket ln Xi értékekké, majd a kapott adatok-
kal meghatározni a regressziós egyenletet (tehát a 3. feladat táblázatának 1. osz-
lopában Xi helyére ln Xi kerül).
Így a következő egyenletet kaphatjuk:
Yr = 3,7148 + 0,2550 ln X A korrelációs együttható: r = 0,2195
Az illesztés hibájának meghatározásához ki kell számolni a regressziós függ-

vény helyettesítési értékeit:
Xi 2,5 0,5 3,5 1,5 3,0 3,0 3,0 1,0 4,0 1,5 5,0 2,5
Yi 4,2 3,8 2,6 3,5 4,8 2,8 4,2 3,7 5,0 4,1 4,8 3,5
Yri 3,9 3,5 4,0 3,8 4,0 4,0 4,0 3,7 4,1 3,8 4,1 3,9
 z 0,3 0,3 1,4 0,3 0,8 1,2 0,2 0,0 0,9 0,3 0,7 0,4
2
z 0,09 0,09 1,96 0,09 0,64 1,44 0,04 0,00 0,81 0,09 0,49 0,16
SY = [(S zi2)/n]0,5 = (5,9/12)0,5 = 0,7012 Hr = 0,7012/3,9167 = 0,1790 = 17,90%
Az átlagos rugalmasság pontos számítása ebben az esetben körülményes,

becslésére a következő képlettel vállalkozhatunk:
e = m(ln e) / (b + m ln Xátl) = 0,2550 / (3,7148 + 0,2550 × ln 2,58) = 0,0645
Tehát a tanulási idő 1%-os változása a tanulmányi átlag 0,0645%-os változá-

sát eredményezi.
253
© Typotex Kiadó
4.7.9 Hiperbolikus görbe illesztése lineáris regresszió segítségével, I.
Vizsgáljuk meg, hogy az 1. feladatban megadott adatokra milyen hiperbolikus

görbe illeszthető!
Megoldás:
A hiperbolikus egyenlet általános alakja: y = m/x + b
A keresett egyenlet tehát 1/x szempontjából lineáris, tehát a 3. feladat táblázatá-

nak 1. oszlopába az Xi értékek helyett azok 1/Xi-re transzformált értékeit írjuk.
Így a következő egyenletet kapjuk:
Yr = –0,2043/x + 4,0336 r = –0,1359
Az illesztés hibájának kiszámításához meg kell határoznunk a görbe helyet-

tesítési értékeit:
Xi 2,5 0,5 3,5 1,5 3,0 3,0 3,0 1,0 4,0 1,5 5,0 2,5
Yi 4,2 3,8 2,6 3,5 4,8 2,8 4,2 3,7 5,0 4,1 4,8 3,5
Yri 4,0 3,6 4,0 3,9 4,0 4,0 4,0 3,8 4,0 3,9 4,0 4,0
z 0,2 0,2 1,4 0,4 0,8 1,2 0,2 0,1 1,0 0,2 0,8 0,5
2
z 0,04 0,04 1,96 0,16 0,64 1,44 0,04 0,01 1,00 0,04 0,64 0,25
SY = (6,26/12)0,5 = 0,7223Hr = 0,7223/3,9167 = 0,1844 = 18,44%
A rugalmassági együttható:
e = m/(b(Xn – X1)) × ln ((1 + X1b/m) / (1 + Xmb/m)) =

= –0,2043/4,0336(5–0,5) × ln ((1–0,5 × 4,0336/0,2043)/(1–5 × 4,0336/0,2043)) =
= 0,0270
Tehát a tanulási idő 1%-os változása a tanulmányi eredmény 0,27%-os válto-

zását eredményezi.
254
© Typotex Kiadó
4.7.10 Hiperbolikus függvény illesztése lineáris regresszió segítségével, II.
Megoldás:
Kereshetjük a megoldást Y = 1/(mX + b) alakban is.

Ekkor 1/Y = mX + b, tehát az egyenlet 1/Y-ra nézve lineáris, vagyis a 3. fel-
adat táblázatának 2. oszlopába Yi helyére 1/Yi írandó.
Így a következő regressziós egyenletet kapjuk:
Yr = 1/(–0,0065 X + 0,2820) r = –0,1462
Az illesztés hibájának meghatározása az előzőekhez hasonlóan történik. A szá-

mítások mellőzésével:
SY = 0,7042 Hr = 0,1798 = 17,98%
Az átlagos rugalmassági együttható értéke ekkor bonyolultan számítható,

ezért ennek számításától most eltekintünk.
4.7.11 Egyéb görbék illesztése lineáris regresszió segítségével
Az előző példákban láttuk, hogy lineáris regresszió segítségével elvileg bármi-

lyen görbét illeszthetünk a ponthalmazra, ha az felírható a következő alakban:
y = m × f(x) + b,
ahol f(x) az x-nek tetszőleges függvénye (kötöttséget csupán az értelmezési tar-

tomány jelent).
Azt is láttuk, hogy az egyenletben az y és az x felcserélhető, tehát akkor is fel-
használhatjuk a lineáris regressziót, ha a keresett egyenlet a következő alakú:
g(y) = m × x + b,
ahol g(y) az y-nak tetszőleges függvénye (itt is figyelembe véve az értelmezési

tartomány kötöttségeit).
Az előzőeket általánosítva minden olyan típusú egyenlet alkalmazható a reg-

resszióra, amelynek általános alakja:
g(y) = m × f(x) + b.
Ezekben az esetekben úgy kell eljárnunk, hogy a lineáris regresszió munka-

táblájában az yi és/vagy az xi értékek helyére a g(yi) és/vagy az f(xi) értékeket
255
© Typotex Kiadó
írjuk (másképpen fogalmazva az yi-ket és az xi-ket g(yi)-kbe és f(xi)-kbe transz-

formáljuk). Természetesen az elvileg nagyon sokféle egyenletből azok felelnek
meg a regressziószámítás céljainak, amelyeknél y viszonylag könnyen kifejez-
hető az egyenletből (tehát az y-ra rendezett alakok, illetve azok az egyenletek,
amelyekből y elemi módszerekkel meghatározható).
Ezzel a módszerrel például a következő egyenleteket kaphatjuk:
y = –0,0078 ex sin x + 3,8122 (r = –0,4420 és Hr = 16,66%)

y = 0,0666 ex + 3,4491 (r = 0,3051 és Hr = 70,51%)
y = 0,2550 ln x + 3,7149 (r = 0,2195 és Hr = 17,91%)
y = 0,0399 x2 + 3,5892 (r = 0,3739 és Hr = 17,35%)
y = 0,00000283 x8 + 3,7984 (r = 0,4162 és Hr = 16,97%)
y = 0,4612 x–0,5 + 3,2010 (r = 0,2661 és Hr = 18,14%)
y = 0,7274 x–1/3 + 2,9505 (r = 0,2507 és Hr = 18,14%)
ey = 18,1782 x + 16,9092 (r = 0,5330)
ey sin y = –21,5749 + 4,9359 (r = –0,5405)
ln y = 0,0361 x + 1,2536 (r = 0,2284)
y2 = 1,7255 x + 11,4091 (r = 0,3830)
y8 = 61281,125 x – 45207,9414 (r = 0,6079)
y0,5 = 0,0408 x + 1,8648 (r = 0,2693)
y1/3 = 0,0208 x + 1,5163 (r = 0,2557)
ey sin y = –0,8662 x3 – 25,39 (r = –0,5969)
A korábbiakban azt is láttuk, hogy a korrelációs együttható és a relatív hiba

együtt mutatja meg az illeszkedés jóságát (az előzőekben a számításigényesség
miatt nem minden esetben határoztuk meg a relatív hibát), és ezek alapján lehet
kiválasztani a célnak megfelelő legjobb közelítési módszert (nem elfeledkezve
arról, hogy adott konkrét esetben a pontok grafikus ábrázolása jelentősen leszű-
kítheti a számításba veendő egyenletek körét).
4.7.12 Polinomos regresszió számítása
A rendelkezésre álló adatok alapján az eddigiekben olyan görbéket illesztet-

tünk ponthalmazunkra, amelyekben x és/vagy y valamilyen egyváltozós függ-
vénye, illetve ezek szorzata szerepelt.
Növelné azonban a regressziós lehetőségek számát, ha az előző kötöttséget
feloldanánk, és lehetővé tennénk az
y = f1(x) + f2(x) + … + fn(x) + b
alakú egyenletek felhasználását is.
E bonyolult probléma egyik legegyszerűbb, a gyakorlatban is alkalmazható mód-

szere a polinomos regresszió. Ekkor a keresett egyenlet
256
© Typotex Kiadó
y = a0 + a1 x + a2 x2 + … + an xn
alakú (polinomos regressziónál a felhasználó által befolyásolható szabadságfo-

kot az egyenlet fokszáma jelenti).
Adatainkkal például a következő egyenleteket határozhatjuk meg:
y = 4,0903 – 0,4394 x + 0,1171 x2 (Hr = 16,92%)

y = 3,6754 + 0,2706 x – 0,1842 x2 + 0,0359 x3 (Hr = 16,66%)
y = 9,4391 – 19,6375 x + 21,8459 x2 – 10,3810 x3 + 2,2241 x4 – 0,1852 x5 + 0,0022 x6
(Hr = 16,69%)
4.7.13 Összetett görbék illesztése polinomos regresszióval
A polinomos regresszió elvégzése előtt is lehetőség van arra, hogy a rendelkezés-

re álló adatokat valamilyen függvény szerint transzformáljuk a 9. pontban leír-
taknak megfelelően. A következőkben két ilyen regressziós egyenletet ismerte-
tünk (a lehetséges összes alapesetből azokat részesítettük előnyben, ahol az y ér-
tékek könnyen kifejezhetők, tehát amelyekben csak az x-eket transzformáltuk).
y = 3,8981 – 0,3598 ln x – 0,3920 ln2 x + 0,5963 ln3 x (Hr = 16,97%)
y = 3,5916 + 0,6826 sin x + 0,5771 sin2 x – 1,5233 sin3 x + 0,3939 sin4 x (Hr = 15,65%)
4.7.14 Kétváltozós összefüggésvizsgálat
Sok esetben előfordul, hogy az elemzések során kiderül, a két ismert tényező
között a kapcsolat nem olyan erős, mint ahogyan azt vártuk (ez történt lényegé-
ben az eddig bemutatott példában). Ilyenkor nem építhetünk semmilyen meg-
alapozott hipotézist a két tényező kapcsolatára, ezért legtöbbször elvetjük a
kapcsolat lehetőségét.
Előfordulhat azonban, hogy ennek ellenére tudjuk, valamilyen oksági kap-
csolat mégiscsak van a két paraméter között (biztosan tudjuk például, hogy a ta-
nulásra fordított időtől függ a tanulmányi eredmény, annak ellenére, hogy ezt
nem tudtuk kimutatni). Ebben az esetben feltételezhetjük, hogy az eredményt
valamilyen más tényező is befolyásolja. Tételezzük fel, hogy az 1. példában em-
lített osztályfőnök szerint a tanulók eredménye a tanulók munkaráfordításán
túl a szellemi kapacitásuktól is függ. E célból intelligenciatesztet írat diákjaival,
melynek eredménye a következő:
257
© Typotex Kiadó
Tanuló IQ Tanuló IQ
A. 105 G. 100
B. 130 H. 110
C. 85 I. 125
D. 95 J. 135
E. 115 K. 135
F. 90 L. 90
Két tényező esetén a regressziós egyenletet
Y = a X1b1 × X2b2
alakban keressük.
A számításokat munkatáblák segítik.
Tanuló Idő(X1) IQ(X2) Eredm.(Y) lg X1 lg X2 lg Y

A. 2,5 105 4,2 0,3979 2,0212 0,6232
B. 0,5 130 3,8 –0,3010 2,1139 0,5798
C. 3,5 85 2,6 0,5441 1,9294 0,4150
D. 1,5 95 3,5 0,1761 1,9777 0,5441
E. 3,0 115 4,8 0,4771 2,0607 0,6812
F. 3,0 90 2,8 0,4771 1,9542 0,4472
G. 3,0 110 4,2 0,4771 2,0414 0,6232
H. 1,0 110 3,7 0,0000 2,0414 0,5682
I. 4,0 125 5,0 0,6021 2,0969 0,6990
J. 1,5 135 4,1 0,1761 2,1303 0,6128
K. 5,0 135 4,8 0,6990 2,1303 0,6812
L. 2,5 90 3,5 0,3979 1,9542 0,5441
Összesen 31 1325 47 4,1235 24,4518 7,0190
A következő munkatáblákba kerülnek a számítás segédadatai. Ezek a követ-

kezők:
dx1 = lg x1 – (lg x1)átlag

dx2 = lg x2 – (lg x2)átlag
dy = lg y – (lg y)átlag
258
© Typotex Kiadó
dx1 dx2 dy dx1dy dx2dy

+0,0543 –0,0165 +0,0383 +0,0021 –0,0006
–0,6447 +0,0763 –0,0051 +0,0033 –0,0004
+0,2005 –0,1083 –0,1699 –0,0340 +0,0184
–0,1675 –0,0600 –0,0408 +0,0068 +0,0024
+0,1335 +0,0231 +0,0963 +0,0129 +0,0022
+0,1335 –0,0835 –0,1377 –0,0184 +0,0115
+0,1335 +0,0038 +0,0383 +0,0051 +0,0001
–0,3436 +0,0038 –0,0167 +0,0057 –0,0001
+0,2585 +0,0593 +0,1141 +0,0295 +0,0068
–0,1675 +0,0927 +0,0279 –0,0047 +0,0026
+0,3554 +0,0927 +0,0963 +0,0342 +0,0089
+0,0543 –0,0835 –0,0408 –0,0022 +0,0034
Összesen +0,0403 +0,0553
dx1dx2 dx12 dx22 dy2

–0,0009 0,0029 0,0003 0,0015
–0,0492 0,4156 0,0058 0,0000
–0,0217 0,0402 0,0117 0,0289
+0,0100 0,0281 0,0036 0,0017
+0,0031 0,0178 0,0005 0,0093
–0,0111 0,0178 0,0070 0,0190
+0,0005 0,0178 0,0000 0,0015
–0,0013 0,1181 0,0000 0,0003
+0,0153 0,0668 0,0035 0,0130
–0,0155 0,0281 0,0086 0,0008
+0,0329 0,1263 0,0086 0,0093
–0,0045 0,0029 0,0070 0,0017
–0,0424 0,8825 0,0566 0,0867
A fenti táblázatok eredményeit felhasználva:
0,8825 b1 – 0,0424 b2 = 0,0403

–0,0424 b1 + 0,0566 b2 = 0,0553
–––––––––––––––––––––
b1 = 0,0961 b2 = 1,0497
lg a = 0,5849 – 0,0961 × 0,3436 – 1,0497 × 2,0377
a = 0,0259
A regressziós görbe egyenlete tehát: Yr = 0,0259 x10,0961 x21,0497
259
© Typotex Kiadó
A regressziós együttható:
r = ((0,0961 × 0,0403 + 1,0497 × 0,0553) / 0,0867)0,5 = 0,8451
Sy = 0,3862
Hr = 9,86%
4.7.15 Többszörös lineáris regresszió
Az összefüggésvizsgálatok igen elterjedt módszere a többszörös (többváltozós)

lineáris regresszió. Ennek során a regressziós egyenletet
Yr = m1x1 + m2x2 + … + mnxn + b
alakban keressük, a változók számától függően.
Mivel ennek számítása során olyan mátrixműveleteket kell elvégezni, amelyek

már 3-4 változó esetén is rendkívül számításigényesek, manuális számítással
nem célszerű ezt a regressziót meghatározni. A már ismertetett példa adataival
lefuttatott számítógépes program a megoldást
Yr = –0,0352 + 0,1774 x1 + 0,0316 x2
alakban adta. Ez 0,4463 nagyságú abszolút hiba mellett 11,39%-os relatív hibá-
val közelíti a tényleges adatsort.
Többszörös lineáris regresszióra lehet visszavezetni bizonyos olyan számításo-

kat is, ahol összetettebb összefüggéseket feltételezünk a változók között. Így
például esetünkben – a megfelelően transzformált alapadatok bevitelével – kap-
hatjuk például a következő egyenleteket is:
Yr = 1,8317 + 0,1615 x1 + 0,000133 x22
Yr = –3,6243 + 0,1806 x1 + 0,6753 x20,5
260
© Typotex Kiadó
4.8 EGY OKJ-S SZAKMACSOPORT ÖSSZETÉTELÉNEK ELEMZÉSE (I. RÉSZ) 261
4.8 EGY OKJ-S SZAKMACSOPORT ÖSSZETÉTELÉNEK ELEMZÉSE

(I. RÉSZ)
Elemi statisztikai módszerek alkalmazása lehetővé teszi, hogy egy képzési szak-
macsoport egyes tagjainak kapcsolatrendszerét vizsgálat tárgyává tegyük. En-
nek eredményeként minősíteni lehet az egy csoportba sorolás sikerességét is.
4.8.1 Bevezetés
A tanári kompetenciák rendszerén belül különleges helyet foglalnak el a szak-

mai tanárképzés kompetenciái. A közismereti szakos tanárok kompetenciáinak
ugyanis döntő részét képezik az általános tanári kompetenciák – az ilyen peda-
gógussal szemben általában a kommunikációs, az előadói, az empatikus, a
konfliktuskezelő képességekhez köthető követelményeket támasztják. Ezeket
pedig lényegében kiegészítik a tantárgyi tartalom ismeretének és magabiztos
kezelésének kompetenciái.
Nem véletlen, hogy a közismereti szakos kollégák (egy kisebbségtől eltekint-
ve) általában nem folytatnak szakmai tudományos tevékenységet, közöttük el-
sősorban a pedagógiai ösztönös tehetségek vagy a tudományosan megalapo-
zott tevékenységre épülő tudatos pedagógiai munkát végzők érnek el sikereket
tanulóik között.
A szakmai tantárgyakat tanító pedagógusok munkája ezzel szemben csak-
nem mindig megjelenik a tanulók munkaerőpiaci megítélésében. Itt nem az ál-
talános tanári kompetenciák az elsődlegesek (természetesen ezek léte sem gá-
tolja munkájukat), hanem a szaktudáshoz köthető elvárások. Nem véletlen,
hogy az elmúlt évtizedekben (az általános jogi szabályozáson túlmenően) vi-
szonylag széles volt a tanári képesítés nélkül szakmai tantárgyat tanító (általá-
ban műszaki) szakemberek köre. Közismert volt, hogy ők sok esetben a hagyo-
mányos tanári kompetenciák ismerete nélkül is képesek lehetnek sikeres okta-
tói munkára, hiszen például a szakmai logika, a mérnöki gondolkodásmód
alkalmazása ezeket jól helyettesíti.
A szakképzés elmúlt évtizedeinek tendenciái emellett azt a jelleget is erősítik,
hogy ma már egyre kevesebb a tisztán elméleti, illetve a tisztán gyakorlati tudo-
mányterület. Amíg a közismereti tantárgyaknál ma is elkülöníthetők a „kész-
ségtantárgyak” (testnevelés, ének-zene stb.) a „természettudományoktól” (fizi-
ka, kémia stb.) és a „társadalomtudományoktól” (nyelv, történelem stb.), addig
a szakképzésben egyre jellemzőbbek a komplex műhelygyakorlatok, a labormé-
réseket is tartalmazó elméleti órák. A szakmai tanár ma sokszor tanítja egyide-
jűleg az elméleti és a gyakorlati órákat, így tudása nem merül ki sem az elméleti
ismeretekben, sem a gyakorlati alkalmazásokban. Jó példa erre az éppen a ke-
reskedelmi és üzleti szakmacsoport oktatásában alkalmazott „taniroda”, ami-
nek a működése életszerűen szimulálja a valóságos piaci viszonyok között vég-
261
© Typotex Kiadó
zett munkát, és ahol a tanárral szemben alapvető követelmény az elméleti tudás

mellett a tényleges, aktuális üzleti gyakorlat is.
A most elvégzett felmérés ebben a szellemben készült. Nem tagadva az általá-
nos pedagógusi kompetenciák fontosságát, elsősorban a szakmai tudás kompe-
tenciáira koncentráltunk. Bár sok esetben nehéz volt, szándékosan nem válasz-
tottuk szét az elméleti tudáshoz és a gyakorlati képességekhez kötődő követel-
ményeket, ezzel is érzékeltetve a komplexitás általunk nagyra tartott fontosságát.
4.8.2 A „Kereskedelmi-marketing, üzleti adminisztráció” szakmacsoport

összefoglaló jellemzése
Az OKJ kialakítása során számos szakmai vitán hangzott el az a vélemény, hogy

a jegyzékbe felvett szakmák (annak idején a világbanki programból mechaniku-
san átvett) csoportosítása erőltetett, a magyar hagyományoknak nem megfele-
lő. Közismert például a „Közlekedési” szakmacsoportba felvett szállítmányozá-
si, közúti fuvarozási és városi tömegközlekedési szakmáknak az a borzalma,
amikor a leendő (lényegében adminisztratív) ügyintézőknek az autószerelők-
höz hasonlóan gépműhelygyakorlaton kellett részt venniük, látványosan elsajá-
títva olyan, számukra elengedhetetlen szakmai fogásokat, mint a lakatos és a
forgácsoló munkaműveletek.
Az OKJ fejlődése során ezeket a hibákat nagyrészt sikerült kiküszöbölni. A fen-
ti példához hasonló jelenségek ma már nem jelennek meg ilyen látványosan, de a
szakmák mindenáron való (nem matematikai halmaz- és csoportelméleten ala-
puló) csoportosításának kényszere most sem kedvez a határterületek művelőinek.
Ilyeneket a vizsgált szakmacsoport is tartalmaz. Adatbázisként a 2005-ben ér-
vényes szakmák listáját használtuk fel. Ez 59 szakmát sorol fel, amelyek nagy
része valóban kizárólagosan a hagyományos kereskedelmi és üzleti munkate-
vékenységekhez köthető.
Ezek a szakmák lényegében az „általános” kereskedői munkákat képezik le,
különböző termékek értékesítése céljából, különböző üzlettípusokban. Az
ABC-eladó, az élelmiszer- és vegyiáru-kereskedő, a kereskedelmi menedzser, a
vas- és műszaki kereskedő munkája sokban hasonlít egymásra, sok esetben még
a szükséges áruismeret is megegyezik.
Nagyon sok olyan szakma is megjelenik a listán, amelyek a hagyományos ke-
reskedelmi tevékenységek korszerűsödéséből alakultak ki. Ilyen például az eu-
rópai uniós üzleti szakügyintéző, a veszélyesáru/ADR-ügyintéző.
Az eddigi két alcsoporttól már eltérő jellegűek azok a szakmák, amelyek a ke-
reskedelmi-üzleti tevékenységek általánosításából fejlődtek ki. A kereskedelmi
menedzser, a kereskedő vállalkozó és a termelésirányító munkaköre már más,
az előzőektől részben eltérő képességeket és tudást igényel (gondoljunk például
a nyelvtudásra, a számítógépes ismeretekre vagy a gazdaságstatisztikai mód-
szerek alkalmazására).
262
© Typotex Kiadó
Végül a negyedik csoportba tartoznak azok a szakterületek, amelyek tipiku-

san valamilyen (legtöbbször műszaki) határterületeken találhatók. Az emelő-
gép-ügyintéző üzleti és gazdasági ismeretek helyett markáns műszaki kérdé-
sekben (hatósági vizsgáztatásokban) dönt, komoly munkavédelmi és jogi is-
mereteket alkalmazva. A logisztikai menedzserasszisztens munkájának csak
elenyésző részét képezik az üzleti tárgyalások, a mindennapokban komoly in-
formatikai és műszaki tevékenységeket lát el. Az antikváriumi szakelőadó ezzel
szemben régészeti és történelmi, művészettörténeti és latin nyelv- (és kultúra-)
ismereti háttérrel dolgozik. Az ingatlankezelő építőipari és jogi ismeretek birto-
kában végzi munkáját (talán nem véletlen, hogy az egész szakmacsoportból
egyedül neki kell etikai ismeretekkel rendelkeznie), a munkaelemző és a terme-
lésirányító pedig a munkaszervezési eszköztárát felhasználva konkrét techno-
lógiai folyamatokkal is foglalkozik.
A Kereskedelmi-marketing, üzleti adminisztráció szakmacsoport tehát nem
homogén halmaz, benne számos „csoportidegen” műszaki és humán területet
érintő szakma is található.
4.8.3 A vizsgálat módszere
A vizsgálat módszertanilag két, egymással kapcsolatban álló részből tevődik

össze. Az elméleti törvényszerűségek érvényesíthetősége céljából először egy
deduktív elemzést végeztünk. Ennek fókuszában az állt, hogy meghatározzuk
azokat az elméleti jellemzőket, amelyek befolyásolják a szakmai kompetenciák
kialakítását. Az elemzés eredménye olyan általános szakmai követelmények
megfogalmazása, amelyek lényegében megfelelnek az OKJ követelménymo-
duljainak.
A vizsgálat második, induktív része az új OKJ-követelményrendszer elemei-
nek vizsgálatából indul ki, és eredményeképpen az elméleti követelményekhez
való igazodást ellenőriztük.
A szakmacsoport deduktív elemzéséhez a korábbiakban is említett 2005-ös
listát használtuk fel. Mivel ez 59 szakmát sorol fel, mintavételes módszerrel vá-
lasztottuk ki a vizsgálandó szakmákat. A mintavétel első fázisában a betűren-
des sorba rendezett lista első hét tagját választottuk ki (ezáltal biztosítva egyfaj-
ta véletlenszerűséget, hiszen a kezdőbetűk rendje és a munka jellege között
nincs kapcsolat). Így került a listára az ABC-eladó, az antikváriumi szakeladó, a
becsüs, a drogériai kereskedő, az élelmiszer- és vegyiáru-kereskedő, az emelő-
gép-ügyintéző és az európai uniós üzleti szakügyintéző.
A mintavétel második fázisában a 8. és az 59. szakma között 1 és 6 közötti
véletlenszámok segítségével választottuk ki a hulladékgyűjtő, az ingatlankeze-
lő, az integrált ügyfélkapcsolatok asszisztense, a kereskedő-vállalkozó, a kul-
túrcikk-kereskedő, a logisztikai szervező, a logisztikai ügyintéző, a munka-
elemző, a nemzetközi szállítmányozási és logisztikai menedzser, a PR-munka-
társ, a protokoll-ügyintéző, a segédlevéltáros, a terméktervező műszaki mene-
263
© Typotex Kiadó
dzserasszisztens, a töltőállomás-kezelő és -eladó, valamint a veszélyesáru/

ADR-ügyintéző szakmákat.
Az elemzésre felhasznált táblázatban ez a 22 szakma reprezentálta tehát a
szakmacsoport 59 szakmáját, a mintavételi arány tehát 37,29%-os volt.
Az elemzésben arra törekedtünk, hogy az egyes szakmák „Szakmai és vizs-
gakövetelményei”-ből kigyűjtsük a gyaníthatóan valamilyen munkaerőpiaci
felmérés után megfogalmazott „szakmai követelményeket”. E paraméterek bir-
tokában kívántuk az elemzés későbbi számításait elvégezni. Előzetes koncepci-
ónk szerint kiválasztottuk volna a 15 legfontosabb paramétert, majd ezekkel vé-
geztünk volna el bizonyos statisztikai alapú modellezéseket (a rendelkezésre
álló „student” verzió maximum ennyi paramétert – mért adatot – képes kezel-
ni). Sajnos, ez a vizsgálat nem volt elvégezhető, elsősorban a dokumentációk
egymás közötti kompatibilitásának hiánya miatt (ez első kutatási eredmény-
ként rögtön meg is fogalmazható: a szakmai és vizsgakövetelmények nem egy-
ségesek, egymás közötti közvetlen összehasonlításra alkalmatlanok. Példa erre
két, egyébként egymással rokon szakma: az egyiknél a követelmények össze-
foglalóan megemlítik, hogy a vizsgán ismerni kell a piac működési szabályait, a
másik pedig ugyanezt mondja, de féloldalnyi terjedelemben felsorolva a konk-
rét tananyagrészeket. Még rosszabb a helyzet a határterületi témákkal, itt
ugyanis a gyaníthatóan nem kereskedelmi képesítéssel rendelkező kidolgozók
kereskedelmi fogalmak nélkül, műszaki terminus technicusok segítségével fo-
galmazzák meg követelményeiket.)
Mindezek alapján az elemzés megkezdése előtt össze kellett fésülni ezeket az
eltéréseket, és ennek megfelelően átfogalmazni, egyes paramétereket összevon-
va, máshol pedig szétválasztva meghatározni az egyes szakmák követelmény-
rendszerét.
Mindezek eredményeként a következő paraméterek meglétét, illetve hiányát
vizsgáltuk a későbbiekben:
árurendelés (a beszerzés szervezése),

árukezelés (raktározás, rakodás),
áruelőkészítés (az értékesítés előkészítése, csomagolás, restauráció stb.),
vevőtájékoztatás (kommunikációs technikák),
reklamáció (kommunikáció a vevőkkel, konfliktuskezelés, ügyintézés),
leltározási ismeretek (a készlet ellenőrzésének technikái),
egyéb szolgáltatások (nem kereskedelmi jellegű bolti ügyfélkiszolgálás),
adminisztráció (kereskedelmi ügyintézés),
áruismeret (termék-, illetve munkafolyamat, restaurációs ismeretek, mű-
szaki ismeretek stb.),
vállalkozási ismeretek (üzleti tervek készítése stb.),
jogi ismeretek (ingatlanjog, szerződésjog stb.),
egészségügyi ismeretek (gyógynövényismeret, veszélyes áruk hatásai stb.),
munkavédelmi ismeretek (balesetvédelem stb.),
tűzvédelmi ismeretek (veszélyes áruk, üzemanyagok stb.),
264
© Typotex Kiadó
környezetvédelem (vegyi anyagok, veszélyes áruk hatásai stb.),

számítógépes ismeretek (irodai alkalmazások),
statisztikai ismeretek (adatfeldolgozás és adatelemzés),
nyelvi ismeretek (kommunikáció idegen nyelven),
EU-ismeretek (külkereskedelmi országismeret),
konferenciaszervezés (PR-tevékenységként),
karrierépítés (önéletrajz készítése, pályázatok összeállítása stb.),
etika (az erkölcsösség megjelenése az üzleti tevékenységben),
szervezetismeret (termelési szervezetek és folyamatok, valamint gyártás-
technológiák ismerete).
A felsorolásból jól látható, hogy e paraméterek egyrészt komplexek (elméleti

és gyakorlati tevékenységeket egyaránt takarnak), másrészt pedig önálló tan-
tárgy (illetve tananyagrész) formájában is leképezhetők.
4.8.4 A szakmai követelmények elemzése
4.8.4.1 Kiértékelés elemi statisztikai módszerekkel
A klasszikus statisztikai elemző módszerek közé olyan eljárások tartoznak, ame-

lyek az adathalmazból közvetlenül kinyerhető, úgynevezett primer információ-
kat szolgáltatják eredményként. Ilyenek például a viszonyszámok, a megoszlási
arányok, az adatok közötti korrelációk, illetve a trendszámítások.
Esetünkben a legelső ilyen lehetőség a szakmai követelmények között meg-
említett kompetenciák súlyának, a képzésen belüli szerepének megítélése, ame-
lyet a 4.1 ábra alapján lehet elvégezni.
4.1 ábra A szakmai kompetenciák említési száma az egyes szakmákban
265
© Typotex Kiadó
Az egyes szakmák képzési követelményei nem teljesen kompatibilisek egy-

mással, ezért azokat az elemzés megkezdése előtt összhangba kellett hozni.
(Volt olyan szakma, ahol megemlítették a számítógépek irodai használatának
követelményét, máshol ugyanezt a végletekig részletezték a táblázatkezelés
egyes módozatainál elkezdve a levelezési ismeretek alkalmazásán keresztül a
konferenciakiadványok szerkesztéséig bezárólag.)
Az előkészítéshez tartozott továbbá a fentiek szerint összevont és átfogalma-
zott kompetenciák számának 15-re szűkítése, a felhasznált modellek ugyanis
legfeljebb ilyen mennyiségű adatot képesek kezelni.
A grafikon jól szemlélteti, hogy a szakmacsoport egyes szakmáinak művelé-
séhez szükséges képességek három jól elkülöníthető halmazt alkotnak. A leg-
többször említett követelmények a vállalkozási és a jogi ismereteket, a vevők tá-
jékoztatását, a bolti adminisztráció elvégzését és az áruismeretet (ez persze
majdnem mindig szakmaspecifikus, és sokszor nem is áruhoz, hanem valami-
lyen termelési folyamathoz, termelőberendezéshez kötődik) tartalmazzák. Ezek
azok a tevékenységek, amelyek a hagyományos bolti kereskedelem minden te-
rületén jelentkeznek.
A második csoportban találhatók a reklamációs ügyintézéssel, a számítás-
technika alkalmazásával, a statisztikai adatok kezelésével, a környezetvédelem-
mel és az áruk beszerzésével kapcsolatos képességek, amelyeket egyre több
szakmában kiegészítenek a nyelvi kompetenciák is. Ezek a paraméterek jól lát-
hatóan kötődnek a hagyományos kereskedői tevékenységkörhöz, de jellemzően
napjaink igényeihez és lehetőségeihez igazodva.
A harmadik csoportba sorolhatók azok a követelmények, amelyek a mintá-
ban kevés alkalommal fordultak elő, illetve fel sem kerültek az elemzési listára.
Ilyen például az áruk kezelése (ez legtöbbször a kereskedelemhez kötődő do-
log, de túlságosan „műszaki” a kereskedők számára – raktározási módok és
eszközök, rakodógépek és szállítóeszközök kerülnek itt tárgyalásra), a munka-
védelem vagy a termelési szervezetek ismerete. Legtöbbször itt valamilyen spe-
ciális szakterületről van szó (veszélyes áruk értékesítése, ingatlanközvetítés,
gyógynövénykereskedelem), vagy pedig olyan szakmáról, amelyik határterü-
letként „csak véletlenül” került a szakmacsoportba.
Ez a fajta elemzés tehát a primer adatok alapján három csoportba sorolta a
szükséges paramétereket:
a hagyományos kereskedői szerep közvetlen tevékenységei,

a korszerű eszközök és eljárások felhasználási lehetőségei a kereskede-
lemben,
sajátos, illetve a kereskedelmi alapoktól már távolodó szakterületek tudás-
anyaga.
A másik egyszerűen használható hagyományos elemzési lehetőség az adatok

varianciaanalízise (ezt az előzőhöz hasonlóan a standard EXCEL-szolgáltatások
között találhatjuk meg). Annak megállapítására szolgál (4.1 táblázat), hogy az ál-
266
© Typotex Kiadó
talunk vizsgált szakmák, illetve a hozzájuk köthető kompetenciák egységes, ko-

herens rendszert alkotnak-e.
4.1 táblázat A szakmák és a szakmai követelmények

varianciaanalízisének eredményei
VARIANCIAANALÍZIS
Tényezők SS df MS F p-érték F krit.
Sorok 10,7 21 0,508 2,487331819 0 1,594742033
Oszlopok 10 13 0,772 3,783155688 0 1,756133708
Hiba 55,7 273 0,204
Összesen 76,5 307
E táblázat a következő, számunkra fontos információkat szolgáltatja: sem a

vizsgált szakmák, sem a hozzájuk köthető képességek nem azonos jellegű alap-
sokaságból lettek kiválasztva (ez abból látszik, hogy a sorok – a szakmák – és az
oszlopok – a kritériumok – F értéke meghaladja az Fkrit kritikus határt). Másként
fogalmazva ez azt jelenti, hogy előző elemzésünkhöz hasonlóan kijelenthetjük,
hogy a vizsgált képességjegyek (és ezzel szimmetrikusan a szakmacsoport
szakmái is) több alcsoportra oszthatók.
Ezek többé-kevésbé megegyeznek előző eredményeinkkel. A 4.2 táblázat sze-
rinti tevékenységek képezik a kereskedői munka hagyományos „háttérfolya-
matait”. E munkafázisok – bár sem az áruval, sem a vevővel nincsenek közvet-
len kapcsolatban – alapvetően szükségesek a hatékony értékesítéshez a rend-
szer belső folyamataiként.
4.2 táblázat A bolti belső részmunkafolyamatok elemzése
ÖSSZESÍTÉS
Reklamációs ügyintézés 22 11 0,5 0,261905
Leltár 22 6 0,272727 0,207792
Adminisztráció 22 14 0,636364 0,242424
VARIANCIAANALÍZIS
Csoporton belül 14,95455 63 0,237374
267
© Typotex Kiadó
A 4.3 táblázatban szereplő, a második csoportot alkotó folyamatok lényegében

a kereskedői munka hátterét jelentő, a piachoz kötődő ismereteket tartalmaz-
zák, melyek a rendszer környezetéhez biztosítják a megfelelő kapcsolatokat.
4.3 táblázat A bolti külső részmunkafolyamatok elemzése
ÖSSZESÍTÉS
Vállalkozás-marketing 22 16 0,727273 0,207792
Jogi ismeretek 22 16 0,727273 0,207792
Áruismeret 22 14 0,636364 0,242424
VARIANCIAANALÍZIS
Tényezők SS Df MS F p-érték F krit.
Csoporton belül 13,81818 63 0,219336
A harmadik csoport azokat a területeket reprezentálja (4.4 táblázat), amelyek

egyrészt a korszerű technológiai és piaci követelményekből, másrészt határte-
rületi ismeretigényekből származnak.
4.4 táblázat A kereskedői munka sajátos és korszerű tevékenységeinek elemzése
ÖSSZESÍTÉS
Számítógép 22 11 0,5 0,261905
Statisztika 22 8 0,363636 0,242424
Nyelv 22 7 0,318182 0,227273
Szervezetism. 22 5 0,227273 0,183983
Munkavédelem 22 6 0,272727 0,207792
Környezetv. 22 8 0,363636 0,242424
VARIANCIAANALÍZIS
Csoporton belül 28,68182 126 0,227633
Összesen 29,65909 131
268
© Typotex Kiadó
Mindhárom csoport nagymértékben homogén, amint ez az F és Fkrit értékek

összehasonlításából is látszik. Érdekességként (és az elemzés adott szintjének
hiányosságaként) meg kell ugyanakkor említeni, hogy olyan, látszólag (és a ke-
reskedelem gyakorlatában is) fontos műveletek, mint az árukezelés, az áruren-
delés és a vevőtájékoztatás, egyik csoportba sem sorolhatók be, ráadásul önma-
guk sem alkotnak önálló, homogén halmazt.
(A tanulmánynak a statisztikai modellezés eszközein alapuló folytatása és a kö-

vetkeztetések kifejtése egy későbbi – a 4.14 számú – szemelvény témája lesz.)
269
© Typotex Kiadó
4.9 EGY ESSZENCIÁLIS HIPERTÓNIÁBAN SZENVEDŐ BETEG

VÉRNYOMÁSÉRTÉKEINEK STATISZTIKAI ELEMZÉSE
A statisztika módszereivel az élet legkülönbözőbb területein lehet látványos

eredményeket elérni. A következőkben egy ilyen példát látunk az egészségügy
területéről.
Az elemzés egy hipertóniás beteg vérnyomásértékeinek grafikus szemléltetésé-

re, illetve regressziószámításra épülő vizsgálatára épít. A beteg 1994-ig nem állt
orvosi kezelés alatt, azóta egy agyvérzés után folyamatos gyógyszeres kezelés-
ben részesül. Orvosi utasításra rendszeres vérnyomásmérésének adatait rögzí-
teni kell. A mérések sűrűsége napi átlagban közelítőleg egy (az első években ez
a szám kettő fölötti volt, az utóbbi öt-hat évben 0,8 és 0,9 közötti). A kiértékelés
a heti átlagok alapján történt, összességében közel 5000 mérést felhasználva.
Az első három diagramban bemutatott elemzés az adatok havi eloszlását mu-
tatja be mind a szisztolés (FH), mind a diasztolés (AH) értékekre, valamint a pul-
zusadatokra is. Ezekből, illetve a hatodfokú polinomiális regressziós görbéből
jól látható, hogy az értékekben egy kisebb téli, illetve egy nagyobb nyári csúcs
jelenik meg. Ezek feltehetően az időjárással kapcsolatos összefüggésekre utal-
nak. Az is látható, hogy a minimumok a téli és a nyári szabadságok időszakát
követik egy-két hónappal, ami azt sugallja, hogy a pihenés hatásai kis késéssel
megjelennek a mért adatokban is.
270
© Typotex Kiadó
4.9 EGY ESSZENCIÁLIS HIPERTÓNIÁBAN SZENVEDŐ BETEG VÉRNYOMÁSÉRTÉKEI… 271
Az adatbázis arra is lehetőséget nyújt, hogy a mért értékek évenkénti alakulá-

sát is érzékeltessük. Az adatok, illetve a regressziós görbe azt mutatják, hogy a
betegség kialakulása utáni magasabb értékek viszonylag gyorsan lecsökkentek
a drasztikus gyógyszeres kezelés hatására. Ezután a vérnyomás kórosan ala-
csony értékei miatt a gyógyszeradagok mennyiségét többször is változtatták az
eredmények függvényében. Ennek jeleit jól látható ingadozások érzékeltetik.
Az adatok növekedésének állandó trendjét feltehetőleg az életkor növekedésé-
vel lehet összefüggésbe hozni.
271
© Typotex Kiadó
272
© Typotex Kiadó
4.9 EGY ESSZENCIÁLIS HIPERTÓNIÁBAN SZENVEDŐ BETEG VÉRNYOMÁSÉRTÉKEI… 273
A rendelkezésre álló mérési adathalmaz nagysága olyan általánosításokat is

lehetővé tesz, mint például a szisztolés és a diasztolés vérnyomási értékek kö-
zötti statisztikai összefüggés feltárása (természetesen az általánosítást az adott
személyre vonatkoztatva kell értelmezni). Ebből szemléletesen látszik, hogy az
ideális (80 alatti) diasztolés értékek a viszonylag alacsony, 117 alatti szisztolés
tartományban fordulnak elő. Efölött, a 117–123 (egyébként rendkívül szűk) tar-
tományban nagy valószínűséggel a már veszélyesnek minősíthető 85–90 közötti
diasztolés adatok jellemzők.
Ez az információ segít például a kezelőorvosnak az adott beteg számára opti-
mális gyógyszerek és adagolások meghatározásában. A fentiek alapján arra kell
törekednie, hogy a kezelés hatására kialakuljon az egyébként alacsonynak mi-
nősíthető 110–120 (pontosabban 110–115) közötti átlagos szisztolés célérték, így
a diasztolés adatok átlaga is a kis kockázatot hordozó 85 (pontosabban 80) alatti
tartományban marad.
273
© Typotex Kiadó
4.10 GÉPJÁRMŰÜZEMELTETÉSI ADATOK ELEMZÉSE
Egy gépjármű tulajdonosa folyamatosan regisztrálja autójának futási és fo-

gyasztási adatait. Átlagosan 300 kilométerenként összesíti azokat, majd becslést
végez arra vonatkozóan, hogy az adott időszakban mennyi volt az országúti, a
városi és a hegyvidéki utak hossza. A kapott adatokból folyamatosan többszö-
rös regressziószámítást végez.
Az adatokat a következő formában tartja nyilván (a futásadatok 100 km-ben):
város országút hegyvidék fogyasztás

1,52 1,58 0,59 45,1
1,95 1,54 1,1 53,3
1,34 1,8 1,9 64
1,24 1,12 0,76 18,7
1,16 1,42 0,96 30,4
1,05 1,01 0 24
1,44 1,71 1,05 76,3
0,81 1,2 0 8,2
1,1 1,33 0,53 26,8
1,39 1,61 0 55,9
1,3 1,96 0,53 50,1
1,13 1,68 0,5 57,1
0,98 1,31 0 24,9
1,25 1,72 0,57 50,1
1,32 1,92 0,38 66,8
1,67 2,94 0,48 28,9
1,14 2,16 1,58 66,8
1,06 1,38 1,21 13,4
1,15 1,14 0,76 46,8
1,16 1,41 1,3 62,9
2,48 3,63 1,46 36,6
1,26 1,21 0,38 45
1,11 1,12 1,06 21
1,64 1,89 0,76 52,7
1,23 1,38 0,38 54,2
0,99 0,83 0 24
0,97 1,05 0,63 48
1,45 1,54 0 56,1
1,23 1,31 0 49
1,14 1,28 0,63 55,3
1,25 1,08 0 51,7
2,39 2,04 0,76 52
1,44 1,32 0,76 38,9
1,13 0,9 0,56 28,6
1,31 1,5 1,33 60,3
1,42 1,19 2,38 48,9
A statisztikai elemzéshez a regressziószámítás adatai mellett egyéb elemzé-

seket is lehetővé tevő táblázatokat készít a következő formában:
274
© Typotex Kiadó
4.10 GÉPJÁRMŰÜZEMELTETÉSI ADATOK ELEMZÉSE 275
ÖSSZESÍTŐ
TÁBLA
Regressziós
statisztika
r értéke 0,331
r-négyzet 0,110
Korrigált
0,026
r-négyzet
Standard
16,520
hiba
Megfigyelések 36,000
VARIANCIA-
ANALÍZIS
df SS MS F F szignifikanciája
Regresszió 3,000 1075,502 358,501 1,314 0,287
Maradék 32,000 8733,167 272,911
Összesen 35,000 9808,669
Standard Alsó Felső

Koefficiensek t érték p-érték Alsó 95% Felső 95%
hiba 95,0% 95,0%
Tengelymetszet 26,932 10,899 2,471 0,019 4,732 49,133 4,732 49,133
város 7,555 11,404 0,663 0,512 –15,674 30,785 –15,674 30,785
országút 2,157 7,308 0,295 0,770 –12,729 17,044 –12,729 17,044
hegyvidék 5,714 5,100 1,120 0,271 –4,674 16,102 –4,674 16,102
MARADÉK VALÓSZÍNŰSÉGI
TÁBLA TÁBLA
Becsült Standard Százalékos

Megfigyelés Maradékok Fogyasztás
fogyasztás maradékok osztályozás
1,000 45,196 –0,096 –0,006 1,389 8,200
2,000 51,272 2,028 0,128 4,167 13,400
3,000 51,796 12,204 0,773 6,944 18,700
4,000 43,060 –24,360 –1,542 9,722 21,000
5,000 44,245 –13,845 –0,876 12,500 24,000
6,000 37,044 –13,044 –0,826 15,278 24,000
7,000 47,500 28,800 1,823 18,056 24,900
8,000 35,641 –27,441 –1,737 20,833 26,800
9,000 41,141 –14,341 –0,908 23,611 28,600
10,000 40,907 14,993 0,949 26,389 28,900
11,000 44,011 6,089 0,385 29,167 30,400
12,000 41,951 15,149 0,959 31,944 36,600
13,000 37,163 –12,263 –0,776 34,722 38,900
14,000 43,344 6,756 0,428 37,500 45,000
15,000 43,219 23,581 1,493 40,278 45,100
16,000 48,635 –19,735 –1,249 43,056 46,800
17,000 49,233 17,567 1,112 45,833 48,000
18,000 44,832 –31,432 –1,990 48,611 48,900
19,000 42,423 4,377 0,277 51,389 49,000
20,000 46,166 16,734 1,059 54,167 50,100
275
© Typotex Kiadó
A számítások eredménye alapján kijelenthető, hogy a gépkocsi (külön nyil-

vántartott) átlagos időszaki tankolási mennyisége (44,25 l) a regressziószámítás
szerint a következő képlet szerint alakulna, ha az egyes futási típusok tisztán,
vagyis magukban valósulnának meg:
44,25 = 7,56 * (városi fogyasztás) + 26,93 vagy

44,25 = 2,16 * (országúti fogyasztás) + 26,93 vagy
44,25 = 5,71 * (hegyi fogyasztás) + 26,93.
Ezekből meghatározható, hogy a gépkocsi városi fogyasztása 100 km-enként

19,3 liter, országúton 5,5 liter, hegyvidéken pedig 14,6 liter. (A kapott értékek
természetesen becslésen alapulnak, „megfelelően sok adat” esetén viszont a
becslés hibái nagy valószínűséggel kiegyenlítik egymást.)
276
© Typotex Kiadó
4.11 EGY NUMIZMATIKAI GYŰJTEMÉNY ALAKULÁSA 277
4.11 EGY NUMIZMATIKAI GYŰJTEMÉNY ALAKULÁSA
Egy numizmatikus anyagi lehetőségei és a kínálat alakulása szerint bővíti gyűj-

teményét. Az egyes években megvásárolt pénzérmék számát nyilvántartva a
következő grafikonnal szemlélteti a gyűjtemény bővülésének alakulását:
Ebből látható, hogy a gyűjtemény bővülése az 1990 és 1995 közötti időszakban

volt a leggyorsabb, amit egy hullámvölgy, majd egy újabb kis csúcs követett.
A numizmatikus nemcsak a darabszámokat tartja nyilván, hanem az egyes be-

szerzett érmék értékét is (természetesen az infláció hatását kiküszöbölő számí-
tások után, ezer forintban kifejezve). Ezeket a következő diagrammal szemlél-
teti:
277
© Typotex Kiadó
Az adatok alakulásából, valamint az előzőhöz hasonlóan hatodfokú polino-

miális regressziós görbéből jól érzékelhető, hogy a legértékesebb darabokat a
kezdeti években (1985 és 1988 között) szerezte be. Ezután kis ingadozásokkal
hasonló (kisebb) értékű érmékhez jutott, míg 2003 és 2006 között a vásárolt ér-
mék átlagos értéke a korábbiakhoz képest tovább esett.
278
© Typotex Kiadó
4.12 SZOCIOMETRIAI ELEMZÉS A SOKDIMENZIÓS SKÁLÁZÁS MÓDSZERÉVEL 279
4.12 SZOCIOMETRIAI ELEMZÉS A SOKDIMENZIÓS SKÁLÁZÁS

MÓDSZERÉVEL
Az iskolai oktató-nevelő munka bázisát ma az osztályrendszerű tanítás képezi.

Ezeket az osztályokat életkor, előképzettség, szakirány és esetleg más szem-
pontok alapján alakítják ki.
Az osztályok azonban nem különálló individuumok összességét jelentik, ha-
nem a tanulási folyamatban előrehaladva egyre inkább egy szerves egységet al-
kotó rendszerré (közösséggé) fejlődnek. A rendszertechnika egyik alaptörvénye
szerint e folyamat során az elemek (vagyis a tanulók) között egyre több kapcso-
lat épül ki. E kapcsolatok okai természetesen visszavezethetők egyéni, szubjek-
tív szimpátiákra, a tanár által tudatosan kialakított közös élményekre, a tanulás
során fellépő közös érdekekre és más tényezőkre is. A kapcsolatok egyre meg-
alapozottabbak, elmélyültebbek és hosszabbak lesznek, végül szerencsés eset-
ben állandósulnak (helyesebben egyre inkább elveszítik a próba–szerencse kí-
sérletekből adódó kaotikus jellegüket).
A tanárnak az osztályközösség alapját képező kapcsolatokat azért célszerű
minél jobban ismernie, mert ezáltal javulhat a tanár–diák-viszony, és emellett a
közösség irányítását, alakítását is könnyebben valósíthatja meg.
A hagyományos pedagógusi kompetenciák között kiemelkedő szerepet ját-
szik az a képesség, hogy a tanár empatikus adottságai milyen mértékben segítik
munkájának ezt az oldalát. Az ilyen ösztönös tehetséget (különösen kisebb, hát-
rányos helyzetű, fogyatékos, illetve problémás gyermekeknél) sokszor a tényle-
ges oktatási munka színvonalánál is fontosabbnak tartjuk.
Napjainkban azonban a korszerű rendszermodellezési eszközök ezt a tevé-
kenységet is tudatosabbá tehetik. A tanári munkában elterjedt szociometriai fel-
mérések többek között ezt a célt is szolgálják.
4.12.1 A szociometriai felmérések kiértékelésének hálótervezési módszerei
A tanulói közösségeken belül kialakult kapcsolatok felmérésének legelterjed-

tebb módszere a kérdőíves adatfelvétel. Ennek során a tanulók életkorához iga-
zítva olyan kérdésekre kell választ adniuk, amelyek segítségével sokszor a
gyermekek előtt is ismeretlen, esetleg eltitkolt vagy szégyenletesnek tartott in-
formációk gyűjthetők be a közösségi struktúrákra vonatkozóan.
Az így kapott információkat legkönnyebben egy speciálisan szerkesztett köl-
csönösségi táblázatban lehet összefoglalni, amely azt tartalmazza, hogy az
egyes tanulók kiket tartanak leginkább szimpatikusnak, számukra ki jelenti a
barátot. A táblázat lényegében nem más, mint egy kapcsolati mátrix, mely jelle-
géből adódóan négyzetes (hiszen sorai és oszlopai egyaránt az egyes válaszadó-
kat reprezentálják), főátlója pedig speciális (a tanuló saját magát nem minősíti,
tehát itt nincsenek értékek). Az ilyen mátrixok kiértékelésének legkézenfek-
vőbb módja a háló-gráf eljárások alkalmazása.
279
© Typotex Kiadó
Így jutunk el azokhoz a lehetőségekhez, amelyek lehetővé teszik általáno-

sabb információk kinyerését a felmérésekből. Ilyen például az, hogy a kapcsola-
tokat súlyozhatjuk, egyidejűleg több tanulói kapcsolatra is rákérdezhetünk,
vizsgálhatjuk a rendszert (a tanulói közösséget) a kapcsolatok irányának figye-
lembe vételével, illetve anélkül is.
A kapott eredményeket legtöbbször vizuálisan is megjelenítjük, mert így le-
het szemléltetni a közösség csoportokra való szétesését, a közösségen kívül álló
gyermekek helyzetét és más, a pedagógust érdeklő jelenségeket. Az így meg-
szerkesztett hálókat szociogramnak nevezik, és közvetlen elemzésük is számos
információ forrása lehet.
Aki azonban figyelmesen megvizsgál egy szociogramot, annak biztosan fel-
tűnik néhány hiányossága. Ilyen például az, hogy egy ilyen rendszer összes
kapcsolata általában nem ábrázolható a síkban anélkül, hogy a vonalak ne ke-
reszteznék egymást. Ennél az esztétikai hiányosságnál azonban lényegesen fon-
tosabb, hogy az egyes elemek közötti kapcsolatok hossza nem szerkeszthető
meg méretarányosan. A szociogram tehát (a hálótervekhez hasonlóan) mindig
torz, ezért annak egyszerű vizuális elemzése téves következtetésekre vezethet.
4.12.2 Szociometriai felmérés számítógépes adatelemző módszerekkel
Az adatok rejtettebb struktúrájának torzításmentes meghatározására tehát a há-

lós módszerek alkalmatlanok. E célra dolgozták ki a nagyméretű statisztikai
adathalmazok feldolgozásának különböző számítógépes eljárásait. Ezek közül
a sokdimenziós skálázás (Multidimensional Scaling = MDS) módszercsaládjába
tartozók képesek arra, hogy az eredeti rendszer belső struktúráinak jelentős tor-
zítása nélkül építsenek fel egyszerűbb, akár síkban is ábrázolható modelleket.
Ennek érdekében az n-tagú osztály tanulói között kialakuló kapcsolatokat tar-
talmazó n*n méretű mátrix által leírt n-dimenziós teret úgy transzformálják n – 1,
majd n – 2 … 4 (esetleg 3 vagy 2) dimenziós térré, hogy közben az egyes elemek
közötti távolságok jellege ne változzék. Ezen azt értjük, hogy ha a tetszőleges
A és B elemek távolsága az n-dimenziós térben kisebb volt a tetszőleges C és D
elemek távolságánál, akkor ez így maradjon az n – 1, n – 2 … dimenzióba való
transzformálás után is.
A kapott eredmény tehát általában torzításmentesen ábrázolható a síkban
is. Segítségével feltárhatók az egyes elemek közötti távolságok, az elemek cso-
portosulásai, a centrális és a perifériális, valamint a rendszeren kívül álló ele-
mek is.
A számítások (helyesebben szólva ezek már modellezések) bemenő adatai le-
hetnek a hagyományosan felépülő kapcsolati mátrixok. Ilyenkor a táblázat so-
raiban találhatók a válaszadók, oszlopaikban pedig az általuk választottak.
Eredményként az adódik, hogy az egyes tanulók milyen mértékben kívánnak
beépülni az adott közösségbe (mennyire fontos nekik ez). A kapcsolati mátrix
transzponálásával (az adatok főátlóra tükrözésével) kapott bemenő adatokkal
280
© Typotex Kiadó
viszont azt lehet megvizsgálni, hogy ez milyen mértékben sikerül nekik (meny-
nyire fogadják el a többiek az adott tanulót).
A két eredmény összehasonlításával további információkat szerezhetünk a
tanulói közösségről. Ha például a két ábrán közel azonos helyen van egy tanu-
ló, az azt jelenti, hogy a közösségben elfoglalt helye megegyezik azzal, amit ő
maga is szeretne (függetlenül attól, hogy a hagyományos szociometriai elemzés
centrális, perifériális vagy kívülálló személynek tekinti-e). A két ábrán elfoglalt
helyük közötti különbségek azonban az ilyen irányú vágyak és a tényleges
helyzet közötti eltérések miatti feszültségekre utalnak, függetlenül a tényleges
helyzettől. (Mindenki számára ismert az a tanuló, aki valamilyen – általában
külső – ok miatt központi – például osztálybizalmi – szerepre kényszerül, ám
ezt a feladatát nem szívesen végzi. Ennek ellentéte az, aki szeretne a közösség
fontos emberévé válni, de ilyen megbízást soha nem kap.)
A fentiekben leírt elemzési módszerek a csoport tagjainak egy-egy szempont-
ból történő vizsgálatára szolgálnak, nem adnak választ azonban arra a kérdésre,
hogy ténylegesen milyen távolságok (milyen erős kapcsolatok) alakulnak ki az
egyes gyerekek között. Ha erre vagyunk kíváncsiak, akkor a két előző bemeneti
mátrixot összeadjuk. Az így kapott szimmetrikus mátrix az eddigi információkat
már nem tartalmazza (tehát nem mutatja például a szimpátia irányát), viszont le-
hetővé teszi a gyakorlatban ténylegesen kialakult viszonylatok elemzését.
4.12.3 Egy elemzés eredményei
A számítások és az eredmények kiértékelésének szemléltetése érdekében vég-

zett egyszerű szociometriai felmérés egy műszaki szakközépiskola 10. osztályá-
nak egyik csoportjában készült. E tanulók közös jellemzője az osztályon belül a
tanult idegen nyelv azonossága volt. A csoportba összesen 9 tanuló tartozik,
összetételük 3 lány, 6 fiú, illetve 2 jó, 2 közepes, 5 gyenge tanulmányi eredmé-
nyű, valamint 5 kezdte együtt a 9. osztályt, 4-en pedig később jöttek ide.
Mivel a felmérés demonstráció céljából készült, a gyerekeknek két egyszerű
kérdésre kellett választ adniuk: kit tartanak szimpatikusnak („jó fejnek”), illet-
ve azt, hogy kivel mennének el nyaralni. A két kérdés egymás kontrollja volt, il-
letve segített a gyerekeknek értelmezni a kérdést, valamint árnyalni a válaszo-
kat. A válaszokat 1-től 5-ig terjedő skálán adták meg, elsősorban azért, mert az
ilyen „osztályozás” számukra kézzelfoghatónak látszik.
Az első kiértékelési mód alapján arra a kérdésre kaphattunk választ, hogy az
egyes tanulók milyen mértékben kívánnak beépülni a közösségbe, vagy más-
képpen fogalmazva milyen szerepet kívánnak játszani benne (4.2 ábra).
281
© Typotex Kiadó
4.2 ábra A csoportba való beépülés vágyának grafikus ábrázolása
A 4.2 ábrán látható, hogy a csoportban igazán kívülálló (kapcsolatok nélküli)

gyermek nincs, az egyes tagok közötti távolságok nem túl nagyok. Centrális
szerepet az 1-es számú tanuló játszik (ő egy viszonylag gyenge tanuló lány),
neki a legharmonikusabbak a kapcsolatai a többiekkel. Egységes csoportot alkot
a 2, 5, 6, 7, 9 számú tanulókkal, míg a 3, 4, 8 számú tanulók tőlük kissé leválva
helyezkednek el (itt két barátnő szerepel – 3, 8 –, illetve egy, a nagyobb közös-
ségből – várható osztályismétlés miatt – kiváló félben lévő fiú).
A második kiértékelési mód azt feszegeti, hogy a tanulóknak hogyan sikerült
e közösségbe beépülni (4.3 ábra).
282
© Typotex Kiadó
4.3 ábra A csoportba való tényleges beépülés grafikus ábrázolása
A 4.3 ábra alapján a tényleges csoportstruktúra eltér az egyes tanulók vágyai-

nak összegzését bemutató 4.2 ábrától. A csoport egy elnyúló nagyobb részre és
két kívülállóra (3-as számú, az egyik, az idei tanév elején érkezett barátnőre,
illetve 5-ös számú, a csoporttal problémás kapcsolatban lévő fiúra) esik szét.
A központi helyzetben ugyanaz a lány helyezkedik el, aki a 4.2 ábrán.
A két ábra megfelelő elforgatások után történő összehasonlítása szerint a cso-
port tagjainak ténylegesen elfoglalt helyzete (a centrumtól való távolság sze-
rint) nagyjából megfelel annak, amilyen helyzetbe szeretnének kerülni, kivéve a
4-es számú tanulót. A 9-es számú (néhány hónapja érkezett) távolabb van ennél,
a 8-as számú (fél éve érkezett lány) pedig közelebb. A 3-as számú lány és az 5-ös
számú fiú helyzete magányosabb, mint amit elképzelnek maguknak.
A kapcsolatok irányát már nem tartalmazó „nem irányorientált kapcsolati
mátrix” alapján kapott struktúrát a 4.4 ábra szemlélteti.
283
© Typotex Kiadó
4.4 ábra A nem irányorientált kapcsolatokat szemléltető grafikus ábra
Ezen jól látható, hogy a tanulók „szociogramja” kissé eltér az előzőektől.

A csoport centrumát az 1-es számú tanuló (a korábbiakban említett lány) mel-
lett a 2-es és a 7-es (eddig külön nem említett két jó tanuló, akik már az általános
iskolában is barátok voltak), illetve a 6-os és a 8-as tanulók alkotják. Periférián
van a 3., 4., 5. és 9. sorszámmal jelzett négy tanuló, akik láthatóan elkülönülnek
a többiektől és egymástól is, mindegyikükről elmondható azonban, hogy egy-
két lazább kapcsolattal illeszkedik a csoporthoz.
4.12.4 Összefoglalás
Az ismertetett modellező eljárás segítségével a tanár újabb lehetőséghez jut ta-

nulóinak megismerésében. A különböző szempontok szerint történő elemzések
eredményei magyarázatot adhatnak a csoporton belüli feszültségek kialakulá-
sára, az osztályzatok változásaira, a közösségi életben tapasztalható aktivitás
hiányára és más hasonló, a pedagógust érdeklő problémákra.
284
© Typotex Kiadó
Az ismertetett példa alapján kijelenthető, hogy a hagyományos szociometriai

elemzéseknél több és pontosabb információ nyerhető e módszerrel, ennek azon-
ban ára van. A sokdimenziós vektortér redukciója során bizonyos lépésekben
sztochasztikus (pontosabban heurisztikus) módszerekkel határozzák meg a
csökkentett dimenziószámú modellt, ezért a számításokat többször megismé-
telve egymástól eltérő eredményeket kaphatunk. Ezek közül a legpontosabb az
lesz, amelynél a program által megadott „Objective Function Value” a legki-
sebb. Lehetőség van továbbá a képernyő bal oldalán látható „On-line Controls”
ablakban a modellezés különböző adatainak változtatására (például a végered-
mény dimenziószámának [„Dimensions”] értékét, az elemek közötti távolságok
meghatározásának módját [„Distance”], és más változókat is beállíthatunk, me-
lyekről további információkat a képernyő fejlécében található „Analysis Para-
meters” feliratra kattintva lehet megtudni).
A feladat megoldása során tehát lényegében szimulációs számítással hatá-
rozható meg a legkedvezőbb változat, mely alapján matematikailag egzakt pe-
dagógiai megállapításokat tehetünk a vizsgált tanulócsoport strukturális jel-
lemzőiről.
285
© Typotex Kiadó
4.13 TANANYAGSTRUKTÚRA ELEMZÉSE A TÖBBVÁLTOZÓS

ADATELEMZÉS MÓDSZEREIVEL
A kapitalista fejlődés globális szakaszában újszerű tendenciák érvényesülnek a

társadalom életében. Nincs ez másképpen a pedagógia területén sem, bár itt
sokszor már jól ismert jelenségekkel is találkozhatunk.
A fejlett országok oktatási rendszereit napjainkban kétségtelenül olyan tulaj-
donságok jellemzik, amelyek korábban nem jelentkeztek nyíltan a társadalom
életében. Az elitiskolákban magas tandíjért képzik a leendő vezető réteg tagjait
– ők klasszikus tananyagtartalmakat (latint, klasszikus történelmet, klasszikus
irodalmat, magas szintű matematikát stb.) tanulnak. A másik csatornán a tö-
megoktatásban tanul a társadalom többsége – ők mozaik (pragmatikus) tan-
anyagtartalom alapján jutnak el egészen Harry Potter vagy a Star Wars szintjéig.
A fenti jelenségekhez kötődnek egyes új pedagógiai trendek is. Ilyen például
az integrált oktatási központok létrehozása a szakképzésben (hol maradnak
olyan „hagyományos” értékek, mint az „alma materhez” vagy a gyárhoz való
kötődés?), vagy a végletekig algoritmizált (kompetenciaalapú) szakmatanítás
(azt milyen kompetenciával jellemezzük, és hogyan tanítjuk, hogy a jó munkás
szereti a munkáját?).
Ez utóbbi kérdéskör arra is rámutat, hogy a korszerűnek látszó új trendek sok-
szor nem teljesen azok. A tanításban ugyanis nem elégedhetünk meg csupán a fel-
színen megjelenő tényezők elemzésével, hanem mögéjük kell tekintenünk. Ez el-
sődleges feltétele annak, hogy elkerüljük a mozaik(tömeg)-kultúra kialakulását.
A háttérben meghúzódó tényezők hatását a pedagógián kívüli területek már
évtizedek óta kutatják. A szociológia, a gazdasági rendszertechnika, de még a
pedagógiához legközelebb álló pszichológia is komolyan keresi ezeket, hiszen
ezáltal lehet meglátni a lényeget a látszat mögött.
Ez a tevékenység egészen egyszerű matematikai eljárásokkal kezdődött, és
mára összetett programrendszerek alkalmazásáig fejlődött.
4.13.1 Faktorelemzés
A látens változók keresésének statisztikai módszerei a mátrixszámítás sajátér-

ték-sajátvektor számításáig nyúlnak vissza. Hamar észrevették ugyanis, hogy
ha n darab változó n-dimenziós vektorteret hoz létre, akkor a közöttük felírható
korrelációs együtthatók mátrixának sajátvektorai azt az n-dimenziós koordiná-
tarendszert határozzák meg, amelyhez a vizsgált változók a leginkább illesz-
kednek. Az így kijelölt irányok különböző fontossággal bírnak a változók meg-
ítélésében (erre utalnak a sajátértékek), így lehetővé válik az n-dimenziós vek-
tortér dimenziószámának csökkentése. A kapott dimenziókhoz a manifeszt vál-
tozók különféleképpen illeszkednek, így az új vektortér koordinátatengelyeit
különböző tulajdonságokkal rendelkező látens változókként értelmezhetjük.
286
© Typotex Kiadó
4.13 TANANYAGSTRUKTÚRA ELEMZÉSE A TÖBBVÁLTOZÓS ADATELEMZÉSSEL 287
Az így elvégzett főkomponenselemzés nemcsak azért pontatlan, mert bizo-

nyos számú, kis jelentőségű látens változót kihagyunk a modellből, hanem
azért is, mert változók szórásnégyzeteinek a faktorokkal nem magyarázott ré-
szét elhanyagolja. Ennek kikerülésére alkották meg a faktoranalízis továbbfej-
lesztett változatait, például az 1950-es években kidolgozott IMAGE-elemzést, a
’60-as években a Rao-féle kanonikus és az ALFA-faktorelemzést, majd a ’70-es
években a maximum likelihood elemzést.
E módszerek elméleti különbözőségeik ellenére általában egymáshoz hason-
ló eredményeket nyújtanak. Ezek közös előnye, hogy a manifeszt változókról
látens változókra áttérve jelentősen lecsökkentik a változók számát. Hátrányuk
viszont, hogy e látens változók (szakmai) értelmezését nem mindig segítik elő.
Az elemzéseket három különböző iskolatípus 2–2 osztályában főkomponens-
elemzéssel elvégezve a következő általános eredményeket kaptuk:
1. A vizsgált osztályokban a 12–16 manifeszt változó (tantárgy) kevés, 3–5

látens változóra (faktorra) vezethető vissza.
2. Az első faktor az összes sajátérték jelentős részét (27–52%-át) képviseli, az
egyes osztályokban kialakult faktorok pedig az összes sajátérték túlnyo-
mó részét (67–86%-át) tartalmazzák.
3. Az első faktor a tantárgyak többségével erősen korrelál, ezért ezeket az
általános műveltség faktorának tekinthetjük.
4. Az idegen nyelvek a szakképzésben önálló faktorként szerepelnek (pedig
itt egy tanuló egy nyelvet tanul), a gimnáziumi képzésben szereplő há-
rom nyelv viszont beépül az általános műveltségi faktorba.
5. A szakmai tantárgyként tanult informatika külön faktort képez, a közisme-
reti jellegű informatika viszont része az általános műveltség faktorának.
6. A szaktárgyak nagyon sokszor jelentenek külön faktort, főleg, ha gyakor-
lati tevékenységet takarnak.
7. A testnevelés és a vizuális műveltség a gimnáziumban élesen leválik a
többi tantárgy faktoráról.
8. A faktorok kialakulása jelentős mértékben függ a helyi adottságoktól, így
a tanári kar és a tanulók kapcsolatától, a tanulók képességeitől, motivált-
ságaitól, a tanterv szerkezetétől és megvalósulási módjától.
9. Minél több faktor szerepel, annál kevésbé koherens a tananyag, illetve
annál több problémát tételezhetünk fel a vizsgált osztály tanításában.
10. A faktorok száma és jellemzői nem függnek a szakirány jellegétől.
A fenti megállapítások csupán egy szűkebb vizsgálat következtetései, inkább

csak az elemzések értelmezésének szemléltetésére szolgálnak, és nem vállalkoz-
nak valamilyen általános törvényszerűség cáfolhatatlan megfogalmazására.
A faktorelemzés egyik jelentős hátránya, hogy egy-egy látens változó és a
manifeszt változók egymáshoz rendelése nem egy-egy értelmű, azaz egy tantár-
gyat több belső faktor is befolyásolhat. Ez a csoportképzés szabályainak alkalma-
zását kényelmetlenné teszi, ezért dolgozták ki a klaszterelemzés eljárásait.
287
© Typotex Kiadó
4.13.2 Klaszterelemzés
A klaszterelemzés feladata a manifeszt változók osztályokba sorolása. Ennek az

a célja, hogy mindegyikük egy és csakis egy részhalmazba tartozzék (ellentét-
ben a faktorelemzéssel). A részhalmaz összes eleme (változója) hasonlít egy-
másra, és különbözik azoktól, amelyek nem részei a részhalmaznak. Az ered-
mény tehát úgynevezett teljes rendszert alkot (a részhalmazok diszjunktak
– egymást kizárók –, együttesen pedig a teljes halmazt adják).
Alapeljárásai lépésenként vonják össze a leginkább hasonlító elemeket, és
aszerint rendelik egy-egy klaszterbe (fürtbe), hogy mekkora távolság alapján
végezték el az összevonást.
Az összevonás elméleti alapjai az egyes változók mérési eredményeiből ké-
pezett m-dimenziós vektorok (m a mérések száma). Minden változót leír tehát
egy m-dimenziós térbeli vektor – a mért adatok a változó m-dimenziós koordi-
nátáit jelentik. E pontok különböző jellegű távolságai könnyen kiszámolhatók
(legegyszerűbb ezek közül a középiskolából is jól ismert euklideszi távolság).
E távolságok alapján képezik a csoportokat, ugyancsak különböző elvek sze-
rint, melyek eljárásait az 1960-as és ’70-es években fejlesztették ki.
A végeredményt grafikusan is ábrázolhatják. Ezeket az ábrákat dendrogram-
nak hívják, és fürtszerűen szemléltetik a változók közötti kapcsolatokat.
Az elemzéseket az előzőekben említett mintákon elvégezve az euklideszi tá-
volságok alapján a következő eredményeket kapjuk:
1. A vizsgált osztályokban a tantárgyak 1–4 klaszterre estek szét.

2. E klaszterek összetétele, szerkezete nagymértékben megegyezett a fak-
torelemzés eredményeiként kapott faktorokkal.
3. A klaszterek száma egyértelműen függ a képzési típustól. A szakképző
iskolákban több, a gimnáziumban kevesebb klaszter szerepel (az egyik
osztályban kettő, a másikban egy, tehát szinte tökéletesen koherensnek
tekinti a módszer ezt a struktúrát).
A klaszterelemzés szemléletes eredményei és viszonylag egyszerű eljárása

ellenére nem tekinthető tökéletes módszernek a látens változók meghatározása
szempontjából. A manifeszt változók közötti kapcsolatokat túlságosan leegy-
szerűsíti az általa értelmezett távolságok elemzése során. Ez az oka annak, hogy
nem képes az adatok rejtettebb struktúráját vizsgálni. Erre a célra a sokdimen-
ziós skálázás módszerei szolgálnak.
4.13.3 Sokdimenziós skálázás (Multidimensional Scaling = MDS)
A sokdimenziós skálázás rövid múltra tekinthet vissza. Lényege az, hogy a vál-
tozók n-dimenziós terében elhelyezkedő mérési adatokat kisebb (2–4) dimen-
ziószámú térbe transzformálja úgy, hogy közben az egyes pontok közötti térbeli
288
© Typotex Kiadó
4.13 TANANYAGSTRUKTÚRA ELEMZÉSE A TÖBBVÁLTOZÓS ADATELEMZÉSSEL 289
távolságok jellege ne változzék (vagyis, ha a és b között a távolság kisebb, mint

a és c között, akkor ez a viszony továbbra is megmaradjon – természetesen a tér
minden ponthármasára). Ez a feladat tulajdonképpen ahhoz hasonló, mintha
egy távolságmátrixból következtetnénk a városok tényleges földrajzi elhelyez-
kedésére.
Az első ilyen módszert 1958-ban publikálták, amikor a színek érzékelésének
egyéni eltéréseit tanulmányozták, és az adatok elemzésére a fenti alapelven ké-
szített számításokat találták a legalkalmasabbnak. A számítógépes eljárásokat
ezek után dolgozták ki, például a MINISSA-modellt 1968-ban, a PROFIT-modellt
1964 és 1968 között, illetve a PREFMAP-eljárást 1966 és 1973 között.
A végeredményt a programok általában egy síkbeli koordinátarendszerben
ábrázolják. Ezek jól szemléltetik a manifeszt változók egymás közötti viszonya-
it, és külön kérésre segítenek meghatározni a közöttük kialakuló rejtett kapcso-
latokat, távolságokat, illetve a változók csoportján kívül álló (magányos, illetve
független) változókat. Ezen információk ismeretében lehet meghatározni az
egymáshoz közel álló (manifeszt) változókat, illetve a belőlük képezhető látens
változókat is.
Az elemzéseket a már ismertetett mintákon elvégezve rendkívül látványosan
elemezhetők az egyes tantárgyak által elfoglalt területek, a kialakuló tantárgyi
csoportok és a többitől elkülönülő tantárgyak is. Az eredmények kiértékelésé-
nek számos lehetőségéből néhány megállapítást a következőkben tehetünk:
1. A tantárgyak általában kis területen, egymáshoz közel találhatók, részle-

tesebb felbontás esetén azonban 2–4 jól elkülöníthető csoportot alkotnak.
2. A csoportokra szétesés azokban az iskolákban erősebb, ahol az előző
módszerek is ezt mutatták – azaz valamilyen problémára utalnak.
3. A tantárgyak zöme egy csoportban helyezkedik el, ezek általában „közis-
mereti” jellegűek, bár néha közéjük keveredik egy-egy szaktantárgy is.
4. Sokszor alkotnak külön csoportot a nyelvek, illetve a „készségtárgyak”
is. A gimnáziumi képzésben az informatika is „készségtárgy”.
Bár a sokdimenziós skálázás módszerei a korábbi módszerektől jelentősen el-

térő matematikai alapokra támaszkodnak, a kapott eredmények mégis kísérteti-
esen hasonlítanak egymásra. Mindhárom eljárásfajta közös hátrányaként említ-
hető, hogy az eredmény (nagymértékű egzaktsága ellenére is) többféle szubjek-
tív módon értékelhető. Ez az oka annak, hogy a számítástechnika fejlődésével
újra visszatértek a faktorszámítás elveihez, de most már egyszerre több változa-
tot is vizsgálva, közöttük különböző függvénykapcsolatokat optimalizálva le-
het meghatározni a végeredményt. Ez olyan mértékben egzakt és megbízható,
hogy értelmezésében nem játszhat semmilyen szerepet a szubjektivitás.
289
© Typotex Kiadó
4.13.4 Összegzés
A látens változók vizsgálata, szerepük felismerése napjaink rendszervizsgálati

módszereiben már polgárjogot nyert. Itt az ideje, hogy a hatékony tanítás érdeké-
ben a pedagógia e téren is utolérje a műszaki-gazdasági alkalmazott tudományo-
kat. A gyakorló tanár a ma elérhető programokkal mikroszinten viszonylag
könnyen elemezheti az általa tanított osztályt, feltárhatja a tanításban előforduló
hibákat, megkeresheti azok kiküszöbölésének helyét és módját. Az itt végezhető
makroszintű elemzések pedig biztos alapokat adnak a ténylegesen hatékony,
korszerű műveltséget és szaktudást közvetítő tantárgyi struktúrák felépítéséhez.
Az ilyen tanítást „koherens” képzésnek nevezhetnénk, amelyben minden tantár-
gyi elem kapcsolatban van a többiekkel, így egységes egészet alkotva. Ezzel lép-
nénk túl a napjainkat jellemző „kompetenciaalapú” oktatáson, amely megelég-
szik a manifeszt képességek fejlesztésével, teret hagyva ezzel az egymáshoz nem
kapcsolódó ismeretek mozaikszerű tudást is megengedő tanításának.
290
© Typotex Kiadó
4.14 EGY OKJ-S SZAKMACSOPORT ÖSSZETÉTELÉNEK ELEMZÉSE (II. RÉSZ) 291
4.14 EGY OKJ-S SZAKMACSOPORT ÖSSZETÉTELÉNEK ELEMZÉSE

(II. RÉSZ)
Az elemi statisztikai törvényszerűségek alkalmazása a kutatómunkában szá-

mos hiányossággal bír. Ezek közül az a legfontosabb, hogy csak a folyamatok
(illetve az adathalmaz) felszínes vizsgálatát teszik lehetővé. Ezen azt értjük,
hogy minden mért adatot közvetlenül valamilyen lényegi, a többitől független
paraméter megnyilvánulásaként fognak fel ezek a módszerek. A statisztikai
elemzők azonban sokszor attól tartanak, hogy az igazi, a folyamatot ténylege-
sen befolyásoló paramétereket nem tudják mérni, csak valamilyen más hatáson
keresztül. Ez a gyakorlatban sokszor nyilvánvaló (gondoljunk például arra,
hogy az autó fogyasztásának növekedése, ez a primer, illetve manifeszt adat,
mindig visszavezethető valamilyen nem vagy nehezen mérhető okra – du-
gattyúkopásra, rossz hűtőrendszerre stb. –, ez a szekunder, illetve látens adat),
de adatokkal való leképezésükből nem egyértelmű.
A látens változók meghatározásának és elemzésének több módszere ismert a
faktoranalízistől a klaszterelemzésen át az összetettebb vizsgálatokig. Ilyen
komplex módszer a látens változók útelemzése, amelynek egyik számítógépes
módszere LISWIN 32S néven szerezhető be. Ez képes a manifeszt változók több
lehetséges csoportbeosztásához hozzárendelve a csoportokon belüli és a cso-
portok közötti faktorelemzések és hibabecslések alapján meghatározni a lehet-
séges látens változókat, és kiszámítani, hogy a valóságnak az adott változattal
történő leképezése milyen mértékben tekinthető szignifikánsnak.
A modellezéshez rendelkezésre álló „student version” a kidolgozók rendel-
kezésére álló alapváltozathoz képest csökkentett funkciókhoz enged csak hoz-
záférést, így például csak 15 változót képes egyidejűleg kezelni (ez indokolta a
változók körének korábbiakban említett szűkítését).
A modellezés módszere azt igényli, hogy az első lépésben egy feltételezett lá-
tens változóra vezessük vissza a manifeszt változókat. Amennyiben ez a modell
szignifikáns (ezt a hagyományos khi-négyzet vizsgálattal dönti el az elemzés),
az esetünkben azt jelenti, hogy az összes vizsgált szakmai követelmény egy lá-
tens változóra (egy komplex kompetenciára) vezethető vissza. Ilyenkor azt
mondjuk, hogy a szakmai követelmények rendszere koherens (tehát erős belső
kapcsolatokkal rendelkezik).
Ezt a modellt a 4.5 ábra tartalmazza.
291
© Typotex Kiadó
4.5 ábra A szakmai követelmények egy látens változós modellje
Az egyváltozós modell nem képezi le megfelelő biztonsággal a szakmai kö-

vetelmények valódi összefüggéseit (a khi-négyzet értéke 177,9, a modell sza-
badságfoka 90, a hozzá tartozó szokásos 5%-os szignifikanciaszinthez tartozó
kritikus érték pedig 113,1).
A manifeszt változókat (a szakmai követelmények összességét) tehát a követ-
kezőkben két látens változóra kellett visszavezetni. Ezt a 4.6 ábra szemlélteti.
292
© Typotex Kiadó
4.6 ábra A szakmai követelmények két látens változós modellje
A kétváltozós modell statisztikailag megbízhatóan leképezi a valóságot. A

modell khi-négyzet-értéke 105,9, szabadságfoka 87. Az ehhez tartozó kritikus
érték (a szokásos 5%-os szignifikanciaszinten) 109,7 (lineáris interpolációval
meghatározva a 80-as és a 90-es szabadságfokhoz tartozó 101,9 és 113,1 értékek
alapján). Látható tehát, hogy a két látens változós modell a megbízhatóság hatá-
rán van, de már szignifikánsan képezi le a valóságos összefüggéseket.
Ezek szerint a kereskedelmi és üzleti szakmacsoportban összefogott szakmák
követelményei két halmazt alkotnak. A két halmaz között gyenge kapcsolat van
293
© Typotex Kiadó
(a korrelációs együttható értéke –0,12), tehát nagymértékben függetlenek egy-

mástól.
Az első csoportba az árurendeléssel, az árukezeléssel, a vevők tájékoztatásá-
val, a reklamációk intézésével, a leltározási munkával, az üzleti adminisztráció-
val és az áruismerettel kapcsolatos tevékenységek tartoznak. A második cso-
portot a vállalkozásokkal, a joggal, a munkavédelemmel, a környezetvédelem-
mel, a számítógépek kezelésével, a statisztikai módszerek alkalmazásával, a
nyelvtudással és a szervezetismerettel kapcsolatos tudáshalmaz alkotja.
E két listát összehasonlítva megállapítható, hogy az első csoport a hagyomá-
nyos kereskedői munkafolyamatokat, a második pedig a korszerű, illetve a ke-
reskedelmi tevékenységből kinövő határterületi ismereteket tartalmazza. Más-
ként fogalmazva ez azt is jelenti, hogy a kereskedői kompetenciákat egy alsóbb
szintű (a közvetlen gyakorlati, beosztotti munkavégzéshez kötődő), és egy ma-
gasabb szintű (szélesebb látókört igénylő és szellemi jellegű, irányítói munka-
végzéshez kötődő) csoportba lehet sorolni.
A program javaslata szerint az árurendelési és -kezelési tevékenységek, illet-
ve a vevőtájékoztatási és reklamációs ügyintézési folyamatok hibái részben
egymással magyarázhatók, ami utal e területeknek a többinél erősebb kapcsola-
tára is. Mivel ezek a gyakorlatban is egymáshoz hasonló jellegűek, a modell
egyfajta megerősítését is szolgálják.
A vizsgált szakmacsoport szakmai összetétele az OKJ készítői által megfogal-

mazott homogenitási igénynek nem felel meg. Ennek legfontosabb metodikai
oka az, hogy a lista összeállítása során nem vették figyelembe a korszerű cso-
portba sorolás elméleti szabályait.
Ezek ugyanis kimondják azt a tételt, hogy az osztályokba sorolás akkor konzek-
vens, ha a részhalmazok teljes rendszert alkotnak, vagyis a csoportok diszjunktak
(egymást kizárók), együttesen pedig kiadják a teljes halmazt. Ez azt jelenti, hogy
egy elem egy és csak egy csoporthoz tartozik, és annak elemeihez hasonló, míg a
többi csoport elemeitől különbözik. Ezt olyan módszerekkel lehet konzekvensen
megoldani, amelyek nem definiálnak típusokat az osztályokba sorolás előtt, utána
viszont egyértelműen megadják a halmazok típusjegyeit (szemben a klasszikus lo-
gikával, amely először típusokat definiál, majd ezekbe sorolja az elemeket). Ezek a
feltételek nem teljesülnek esetünkben, illetve az OKJ egészében sem.
Ebből következik, hogy az OKJ korábbi módosításai törvényszerűek voltak,

hiszen határterületi szakmák esetén ez a besorolás óhatatlanul hibákat visz a
rendszerbe. A kezdeti időkben például a szállítmányozói szakmák a közlekedé-
si szakmacsoportban voltak, e tanulók együtt végezték a lakatos műhelygya-
korlatot az autószerelőkkel. Ezt az ellentmondást napjainkban azzal oldották
fel, hogy e szakmák átkerültek a most vizsgált szakmacsoportba. Ki merné
azonban azt állítani, hogy egy logisztikus munkája közelebb áll az áruházi el-
adóéhoz, mint a vasúti forgalmistáéhoz?
294
© Typotex Kiadó
Ilyen ellentmondások a vizsgált szakmacsoport számos szakmájánál fellelhe-

tők. Az antikváriumi értékesítő szükséges kereskedelmi ismeretei eltörpülnek a
humán (történelmi, irodalmi és művészeti) ismeretei mellett, a munkaelemző
foglalkozásának űzéséhez nem szükségesek marketing ismeretek, és a töltőállo-
máskezelő is több időt szán a környezetvédelmi munkára, mint a forgalomnö-
velő módszerek alkalmazására.
Az OKJ jelenlegi rendszere tehát biztosan változni fog már a közeljövőben is.
A kutatómunka ezért nem elégedhet meg a jelenlegi állapot feltárásával, hanem
olyan előrejelzéseket is kénytelen tenni, amelyek az elméleti összefüggésekből
következnek.
Összefoglalva: A szakmacsoport jelenlegi összetétele hibás. A kereskedelmi szakmák

mellett olyan határterületi szakmákat is tartalmaz, amelyek jellegükben, a szükséges
képességek követelményeiben más szakmacsoportok jellemzőit is hordozzák, vagy
legalábbis inhomogénné teszik a szakmacsoportot. E rendszeridegen szakmák figye-
lembe vétele a szakmacsoport tanárképzésében teljesíthetetlenné teszi az egységes
kompetenciák kidolgozását. Mindez a képzési gyakorlatban is zavarokat fog okozni,
ezért a jövőbeli várható módosítások éppen ezek kiiktatására irányulnak majd.
A szakmai kompetenciákat az elemi statisztikai módszerek segítségével há-

rom csoportba oszthattuk. Az első csoportba a hagyományos kereskedelmi te-
vékenységek (ezek lényegében minden szakmára jellemzők), a másodikba e te-
vékenységek napjainkra adaptált változatai (ezek a szakmák többségére jellem-
zők), a harmadikba pedig az adott szakterület speciális ismeretei (ezek szakma-
függők) kerültek.
Ennek megfelelően a tanárképzésben a következő szakmai kompetenciákra
kell összpontosítani:
1. Hagyományos kereskedelmi tevékenységek
a. elméleti és gyakorlati kompetenciák
az adott kereskedelmi tevékenységben forgalmazott áruk, szolgáltatá-

sok sajátos jellemzőinek ismerete;
az áruk kezelésének módszerei;
az árubeszerzés lehetőségei;
a bolti adminisztráció bizonylati rendszerének ismerete;
a vevők tájékoztatásának, a velük történő kommunikációnak módszerei.
b. személyiségkompetenciák
megbízhatóság;
pontosság;
tisztaság;
295
© Typotex Kiadó
rendszeretet;
udvariasság;
empátia.
2. Napjaink kereskedelmi tevékenységei
nyelvtudás;
számítógépes adminisztráció;
vállalkozási-marketing ismeretek;
jogi ismeretek;
munkavédelmi ismeretek;
környezetvédelmi ismeretek;
statisztikai ismeretek;
levelezési ismeretek;
prezentációkészítési ismeretek.
tárgyalókészség;
kompromisszumkészség;
kommunikációs képesség;
konfliktuskezelő képesség.
3. Szakmaspecifikus kompetenciák (példák)
egészségi ismeretek;
veszélyes áruk ismerete;
anyagmozgató gépek ismerete;
művészettörténeti ismeretek;
munkaszervezési ismeretek;
vállalatszervezési ismeretek;
irodalmi ismeretek.
monotonitástűrő képesség;
interperszonális kapcsolatteremtő képesség;
teammunkára való alkalmasság;
irányítókészség;
beosztotti munkára való alkalmasság.
296
© Typotex Kiadó
(Ez utóbbi lista érzékelteti, hogy a szakmacsoporton belül rendkívül széles és

sokszor egymásnak ellentmondó kompetenciák jellemzők. A jelenlegi képzési
rendszerben ebből következően szinte minden képzésbe be kell vonni olyan, ál-
talában nem kereskedelmi végzettségű pedagógusokat is, akik bár az adott kép-
zésben csak kis óraszámban vesznek részt, mégis kulcsszerepet játszanak a ta-
nulók kompetenciáinak kialakításában.)
A statisztikai adatelemző eljárás alkalmazásával kapott modell a szükséges

kompetenciákat két csoportba osztja. Itt a határvonal nem a szakmai tevékeny-
ségek, illetve azok jellege között, hanem a munkavégzésnek a hierarchiában be-
töltött szintjei között húzódik. Azokra a szakmákra tehát, amelyek egyszerűbb
munkavégzést igényelnek, más kompetenciák vonatkoznak, mint a magasabb
képzettséget igénylő, összetettebb szakmákra.
Ennek megfelelően a kompetenciák az alábbiak szerint is megfogalmazhatók:
1. Beosztotti munkakörök kompetenciái
az adott kereskedelmi tevékenységben forgalmazott áruk, szolgáltatá-

sok sajátos jellemzőinek ismerete;
az áruk kezelésének módszerei;
az árubeszerzés lehetőségei;
a bolti adminisztráció bizonylati rendszerének ismerete;
a vevők tájékoztatásának, a velük történő kommunikációnak a módszerei.
megbízhatóság;
pontosság;
tisztaság;
rendszeretet;
udvariasság;
empátia.
2. Középvezetői szintű munkakörök kompetenciái
nyelvtudás;
számítógépes adminisztráció;
vállalkozási-marketing ismeretek;
jogi ismeretek;
297
© Typotex Kiadó
munkavédelmi ismeretek;
környezetvédelmi ismeretek;
statisztikai ismeretek;
levelezési ismeretek;
prezentációkészítési ismeretek;
egészségi ismeretek;
veszélyes áruk ismerete;
anyagmozgató gépek ismerete;
művészettörténeti ismeretek;
munkaszervezési ismeretek;
vállalatszervezési ismeretek;
irodalmi ismeretek.
tárgyalókészség;
kompromisszumkészség;
kommunikációs képesség;
konfliktuskezelő képesség;
monotonitástűrő képesség;
interperszonális kapcsolatteremtő képesség;
teammunkára való alkalmasság;
irányítókészség;
beosztotti munkára való alkalmasság.
Az elméleti elemzésből, az ezek alapján kidolgozott modellek vizsgálatából a

fentiek szerint jól következik, hogy a szakmacsoport képzési folyamataiban
nagyfokú egymásra épülés, illetve a munkatevékenységek szintje alapján törté-
nő elkülönülés van. Ez jól alátámasztja a kompetenciaalapú, modulrendszerű
OKJ kidolgozásának indokoltságát.
298
© Typotex Kiadó
4.15 OKTATÁSI FOLYAMATRENDSZEREK ELEMZÉSE LÁTENS VÁLTOZÓKKAL 299
4.15 OKTATÁSI FOLYAMATRENDSZEREK ELEMZÉSE LÁTENS

VÁLTOZÓKKAL
A matematikai statisztika napjainkban a rendszertervezés fontos háttértudomá-

nyává fejlődött. Kettős oka is van ennek. Az elmúlt ötven évben a számítógépek
fejlődésével olyan eszköz került a kutatók kezébe, amely korábban beláthatat-
lan mennyiségű számítást képes percek, esetleg órák alatt elvégezni. Ezzel pár-
huzamosan kifejlődtek azok a matematikai (elsősorban mátrixelméleti) eljárá-
sok, amelyek segítségével sokváltozós egyenletrendszerekkel leírható, bonyo-
lult rendszerek modellezhetők, elemezhetők.
Egy rendszer minősítésére szolgáló folyamatjellemzők mérése során hatalmas
adatbázisok alakulnak ki. Már a kezdetekben felmerült az a kérdés, hogy az álta-
lunk mért értékek milyen mértékben szolgálnak a rendszer tényleges minősítésé-
re, milyen összefüggések vannak közöttük, mennyire hatnak egymásra. Így ala-
kult ki a manifeszt változó fogalma, amelyen azt értjük, hogy az adott rendszer-
paraméter közvetlenül mérhető. A látens változó ugyanakkor nem mérhető
közvetlenül, mégis az a rendszerműködés adott minőségének az igazi oka. Ebben
az értelemben (általában több) manifeszt változó (általában kevesebb) ilyen (álta-
lában közös) látens változó valamilyen megnyilvánulási formája.
A látens változók ismerete azért fontos a rendszertervezés szempontjából,
mert segítségével a korábbi felszínes, marginális beavatkozások helyett lénye-
gi, ezért hatékony irányítási módszerekkel lehet a bonyolult rendszereket mű-
ködtetni.
Az e célra kidolgozott matematikai eljárások közös jellemzője az, hogy tény-
leges mérések alapján végzett optimalizációs számításokkal keresnek olyan
eredményeket, amelyek legjobban illeszkednek egy adott modellhez.
E programcsoportok közül ez egyik legismertebb a Strukturális Kapcsolatok
Lineáris Modellje (LISREL – Linear Structural Relationship). A program bizonyos
demováltozatai (student version) ma már ingyen elérhetők az Interneten is. Az itt
felhasznált matematikai modelleket Karl Jöreskog és Dag Sörbom 1981 óta egyre
fejlettebb számítógépes programokba ültette át, és ennek eredménye az, hogy se-
gítségükkel a biológia, az orvostudomány és a szociológia legkülönbözőbb kér-
déseiben számos nagy jelentőségű kutatás zajlik immár hosszú évek óta.
A modellezés lényege, hogy a különböző számú látens változókhoz különbö-
zőképpen hozzárendeljük a manifeszt változókat. A program kiszámolja az így
kapott modell mátrixainak manifeszt elemei, illetve a látens változók közötti kor-
relációkat, majd elemzi a magyarázott hibavarianciákat. Ha a tényleges adatok
eltérése a modelltől statisztikailag kicsinek minősíthető (ezt a klasszikus khi-
négyzet próbával ellenőrzik), akkor a modellt relevánsnak tekintik. A kapott
eredmény szerint a manifeszt változók ténylegesen a meghatározott látens válto-
zók különböző megnyilvánulásai. Ily módon technikailag csökkenteni lehet a
ténylegesen vizsgálandó változók számát, tartalmilag pedig a felszín mögé te-
kintve felfedezzük a rendszer működését ténylegesen befolyásoló változókat.
299
© Typotex Kiadó
A matematikai statisztika a pedagógiai kutatókat is érdekli. Nemcsak azért, mert

a pedagógiai törvényszerűségek majdnem mindig statisztikusan érvényesülnek,
hanem azért is, mert a pedagógus munkája során maga is rengeteg adatot „ter-
mel”. Az osztályzatok, a tanulók adatai sajnos (illetve mennyiségük alapján in-
kább szerencsére) legtöbbször elvesznek, nem dolgozzák fel őket az adatelemzés
korszerű módszereivel. Pedig sok új információ forrásait képezhetnék.
Felmerül a kérdés, hogy a pedagógia axiomatikus törvényei mennyiben állnák ki a

korszerű statisztikai módszerek próbáját. Ezek ugyanis – bár elméleti tételeknek
tűnnek – szinte minden esetben empirikus megfigyeléseken, rosszabb esetben pe-
dagógiai közmegegyezésen nyugszanak. Érdekes lenne olyan vizsgálatokat végez-
ni, amelyek arra irányulnak, hogy meghatározzák, a vezetői típusok, a tanulói vér-
mérsékletek, a személyiséget befolyásoló tényezők stb. valóban azzal a három,
négy, kettő stb. látens változóval írhatók-e le, amikből a pedagógushallgatók vizs-
gáznak, és valóban megfelelnek-e a csoportképzés matematikai követelményeinek.
A rendszervizsgálatok a pedagógiában alapvetően két szinten végezhetők el.

Makroszinten a statisztika sajátos követelményeinek megfelelően, több száz
fős, reprezentatív mintákon, kontrollcsoportokkal végzett elemzések általános
törvényszerűségeket tárnak fel. Mikroszinten (a statisztikai követelményeknek
általában nem megfelelő „kismintás”) elemzésekkel a tanulócsoportok, az osz-
tályok 15–35 fős létszámához igazodva sajátos törvényeket lehet megismerni.
Miért van szükség mikroszintű vizsgálatokra, ha azok statisztikai szempontból ér-

telmezhetetlenek? Azért, mert a tanár munkája során ekkora közösségekkel talál-
kozik. Őt nem az érdekli, hogy „laboratóriumi” körülmények között milyen tör-
vényszerűségek érvényesülnek, hanem éppen az, hogy azok hogyan módosulnak a
gyakorlatban. E módosulások oka az, hogy nagyon sok pedagógiai törvényt befo-
lyásolnak a tanulói közösség sajátosságai (a képességek szintje, az osztály általá-
nos hangulata és értékrendszere, az egyes tantárgyakat tanító tanárokkal való kap-
csolataik, a képzés célja stb.). Úgy is fogalmazhatnánk ezt, hogy a tanár kétszer
vizsgázik. Először a tanárképzés során abból, hogy milyen általános összefüggése-
ket ismer, majd a munkája során abból, hogy az ezektől való eltéréseket mennyire
ismeri fel és milyen mértékben képes azokat kezelni.
Mind makro-, mind mikroszinten fontos következtetéseket vonhatunk le a ta-

nítási folyamatról a látens változók ismeretében. Már a mennyiségük is mutat va-
lamit: ha túl sok van belőlük, akkor a tanítás az adott tanulók számára szétesik,
nem nyújt egységes műveltségtartalmat. Sokkal fontosabb azonban a pedagógiai
szerepük: nemcsak azt mutatják meg, hogy a tanulók mely képességei manifesz-
tálódnak az egyes tantárgyakban, hanem azt is, hogy mely tantárgyakon keresz-
tül „manipulálhatók” a látens változókkal reprezentált „belső képességeik”, sze-
mélyiségük (természetesen a szónak a pozitív, pedagógiai értelmében).
300
© Typotex Kiadó
4.15.1 A vizsgált tanulócsoportok bemutatása
A mikroszintű vizsgálatok a 2005–2006-os tanévben készültek. Forrásukat leg-

többször a félévi osztályzatok, illetve az egyik iskolánál egy korábbi (2003–
2004-es) tanév évvégi érdemjegyei képezték.
A modellezések eredetileg egy műszaki szakközépiskolában kezdődtek,
azonban később (elsősorban a kismintából származó statisztikai megbízhatat-
lanság miatt) egy közgazdasági szakközépiskola és egy gimnázium két-két osz-
tályával bővültek ki.
A vizsgálatok során célul tűztük ki, hogy érzékeljük az egyes osztályok kö-
zötti esetleges eltérések lehetséges mértékét, illetve az egyes iskolatípusok és
képzési formák közötti esetleges különbségeket.
Az előzetes információk szerint az első két tanulócsoportot egy autószerelő
szakközépiskola 10. évfolyamának tanulói alkotják 23, illetve 24 fős létszámmal.
Képességeik, motivációjuk és családi hátterük alapján összességében gyenge,
közepes tanulók (osztályonként 3–4 jó tanulmányi eredményű tanulóval kiegé-
szülve). Sok közöttük a bukott tanuló, ezért a „normális” 16 éves életkorúak
mellett 20–25%-osra becsülhető a 17–18 évesek aránya. Tantárgyaik zöme köz-
ismereti jellegű, azonban mindkét osztály tanul műszaki orientációs tantárgya-
kat (az egyik anyagismeretet és anyagismereti gyakorlatot, a másik közlekedési
ismereteket, informatikát és informatikai gyakorlatot). Az informatika az egyik
osztályban tehát deklaráltan szakmai jellegű, de a másikban is ilyen irányban
orientálja a tanulókat.
A második minta két osztályát egy közgazdasági szakközépiskola levelező
tagozaton tanuló 9. és 10. évfolyamos hallgatói alkotják. Létszámuk 10, illetve
15 fő. Életkoruk széles határok között szóródik, legtöbbjük 25–30 éves, de van
közöttük két-három 20 év körüli, illetve három-négy 45–50 év közötti is. Képes-
ségeik megfelelnek a középfokú szakmai felnőttoktatás mai átlagának, motivá-
ciójuk és a tanuláshoz való viszonyuk azonban szintén ebből következően na-
gyon jó. Tantárgyaik zömükben közismereti jellegűek, azonban sok tartalmaz
szakmai vonatkozást (egyértelműen szakmai tárgy például a levelezés, de ilyen
szerepe van a „külalak”-osztályzatnak, tanulnak gazdasági ismereteket, gazda-
sági földrajzot, és van halvány külkereskedelmi színezete a nyelvoktatásnak is).
Ezt az erős kapcsolatot jelzi az is, hogy tanáraik jelentős része a későbbiekben
szaktantárgyakat is tanít majd nekik.
A harmadik minta egy nyolcosztályos „elitgimnázium” két 9. évfolyamos
osztályát tartalmazza 30–30 fővel. Ezek a gyerekek a negyedik évfolyamról ke-
rültek az iskolába felvételi vizsgák alapján. Képességeik tehát átlag fölöttiek,
emellett rendkívül motiváltak, ennek megfelelően is vannak terhelve. Ezen az
évfolyamon már megjelennek a későbbi pályaválasztás irányai is (ez legtöbb-
ször humán jellegű), ami egyes tantárgyak háttérbe szorulásával jár. Tananya-
gukban dominálnak a humán (klasszikus) ismeretek, valamint a nyelvek (min-
denki három nyelvet tanul ezen az évfolyamon).
301
© Typotex Kiadó
4.15.2 A modellezések általános eredménye
A modellezések célja a legegyszerűbb struktúrák feltárása volt. Ez azt jelenti,

hogy a végeredményben a lehető legkevesebb számú látens változó szerepelt,
ugyanakkor a modell és a valóság közötti illeszkedés statisztikai hibahatáron
belülire adódott.
Ez logikus cél. Ha létezik n látens változót tartalmazó megoldás, akkor létezhet n + 1,

n + 2 stb. látens változót tartalmazó változat is, de ez fordítva nem garantált. A sta-
tisztikai hibahatár a szokásos 0,05-os szignifikanciaszint volt. Ennél rosszabb érték-
nél a modell nem a valóságot írja le.
A felhasznált program az eredményeket szöveges és grafikus formában is

megjelenítette, ahogyan azt a 4.7–4.8 ábrák érzékeltetik.
4.7 ábra A modellezés eredményeként kapott diagram
302
© Typotex Kiadó
4.8 ábra A modellezés eredményének szöveges változata (részlet)
A modellek között az első ránézésre több a közös, mint az eltérő vonás. Há-
rom esetben egy, három esetben pedig két látens változó szerepel az eredmé-
nyekben. A közgazdasági iskola mindkét, a gimnázium egyik osztályában a
tantárgyak egy látens változót reprezentálnak, ami az előzmények ismeretében
303
© Typotex Kiadó
arra enged következtetni, hogy idősebb életkorban, erősebb motivációnál, jobb

képességeknél a valóság tantárgyi leképezése egységesebb, mint fiatalabb kor-
ban, kis motivációnál, gyenge képességeknél. Nem szabad azonban elfeledkez-
nünk a tantervről sem. Az átgondolt, a tantárgyak egymásra épülését tudatosan
figyelembe vevő, valamint az ezt kiegészítő klasszikus műveltségi tananyag
alapvetően befolyásolja a képzés hatékonyságát ebből a szempontból. Napjaink
szociológiai irodalma ezt úgy fogalmazza meg, hogy a klasszikus műveltségre
épülő, „akadémiai” tanterv lényegesen jobb minőségű tudást nyújt, mint a „Le-
gyen Ön is Milliomos”-jellegű „mozaik”-tanterv.
4.15.3 A modellezések eredményeinek egyes jellemzői a különböző mintákban
A műszaki iskolák osztályaiban a tananyag két, egymástól nagymértékben füg-

getlen részre oszlik (közöttük a korrelációs együttható értéke 0,27, illetve 0,20).
A tantárgyak zömét az egyik (általános műveltségnek nevezhető) látens változó
befolyásolja, a másik azonban a két osztályban eltér egymástól. A kisebbik lá-
tens változó az egyik esetben a szakmai orientációs tárgyakat és a kémiát tartal-
mazza, a másik osztálynál viszont a kémia és a biológia mellett a „készségtár-
gyakat” is. Elmondható tehát, hogy a műszaki szakképzésben nem mindig a
közismereti és a szakmai tantárgyak között húzódik a határvonal.
A közgazdasági osztályokban a teljes tudásanyag egy látens változóra vezet-
hető vissza, ráadásul magas faktorsúlyokkal (ami lényegében arra utal, hogy a
korreláció is magas az egyes tantárgyak és a látens változó között). A gyakorlat-
ban is sokszor megfogalmazott tapasztalatokkal megegyezik, hogy az egyik
osztályban a Magyar irodalom és a Magyar nyelvtan, valamint a Kémia és a Fi-
zika hibatagjai részben egymással magyarázhatók (ez szintén kapcsolatra utal
így a jelzett tantárgyak között).
A gimnáziumi osztályokban a felmérés egymástól eltérő eredményeket ho-
zott. Az egyik osztályban egy látens változó szerepel, emellett a Fizika és a Ké-
mia kapcsolata fedezhető fel. A látens változó és a tantárgyak közötti faktorsú-
lyok a minták között egyedülálló módon többségükben negatív előjelűek. En-
nek pedagógiai jelentősége nem teljesen mérhető fel, de a jó tanulmányi
eredmények mellett feltételezhetően valamilyen problémára utal (például le-
hetséges, hogy túl nagyok a követelmények a tanulókkal szemben). A másik
osztályban viszont az elsőhöz lazán (0,11-es korrelációs együtthatóval) kötődő
második látens változó a „reál” tantárgyakat tartalmazza, valamint a modell
szintén utal a Fizika és a Kémia, valamint a Latin és a 2. nyelv kapcsolataira is
(ez utóbbi érthető: az első nyelv legtöbbször angol, illetve német, a második vi-
szont sokszor francia).
304
© Typotex Kiadó
4.15.4 Következtetések
A rendszermodellezés eredményei sok információt nyújthatnak a pedagógus

számára. Ez alapján megfogalmazható az a megérzés, hogy egynél több látens
változó valamilyen problémára utalhat. Mintáinkban ilyen volt az, hogy az
egyik iskolában egy tanár személye jelentősen módosította negatív irányban a
modellt (ha a tanárt utálják a gyerekek, akkor a tantárgyát is), egy másikban ép-
pen ellenkezőleg – az egységes szakmai szemléletű tanári kar a tanulókban is
egységes szemléletű tudást indukál, a harmadikban pedig azt láttuk, hogy bizo-
nyos tanulóknak a többitől eltérő érdeklődési köre, továbbtanulási tervei miatt
„esik két részre” a tananyag.
A látens változók kis száma azt is eredményezi, hogy a tanulók tudását,
szemléletét kevés eszközzel, könnyen lehet befolyásolni, hiszen a tanterv tan-
tárgyai koherensek. Az ilyen osztályban a tanár is érzi, hogy jó a hangulat, saját
tantárgyának eredményei a többi kollégánál is előnyösen hatnak, és ez fordítva
is így van. Sok részre széteső tantárgyi struktúránál viszont lehet, hogy az egyik
tanár hatékony munkája a másik ellen hat.
A látens változók felismerése a pedagógusok szemléletét is megváltoztatja.
Segítségükkel újra ráébrednek, hogy tantárgyuk nem kivételezett, csupán egy
azok közül, amelyik másokkal együtt valamilyen belső, látens képességre hat.
Végül segítheti a pedagógus munkáját a látens változók ismerete a tanulók
tehetséggondozásában, pályaválasztást segítő tevékenységében is.
4.15.5 Befejezés
A pedagógia a látens változókat a gyakorlatból már régóta jól ismeri. Mindenki

hallotta már tanártól és szülőtől egyaránt, hogy egy tanuló jó a készségtárgyak-
ból, műszaki érzéke van, nyelvzseni, szobatudós stb.
Az iskola a valóság tantárgyi leképezésében soha nem próbálkozott „Precizi-
tás”, „Kooperativitás”, „Hazaszeretet” tantárgyak gyártásával. Ezeket és a ha-
sonló tulajdonságokat nem közvetlenül, hanem több tantárgyon keresztül – lá-
tens változóként – alakította, fejlesztette.
Ezt az ösztönös megérzést lehet napjaink eszközeivel és eljárásaival egzakttá
tenni. Aki pedig megelégszik a manifeszt változók alakításával, az napjaink in-
formációs-technológiai robbanásában egy-két évente kénytelen átírni a tantervét,
mert a „piac” már nem ismeri el a logarléces számolásban jártas mérnököt, a két-
ütemű motor javításában kimagasló autószerelőt, a gőzmozdony legjobb fűtőit.
Aki viszont a látens változók fejlesztését tűzi célul, az hosszú távon „piacori-
entáltabb” lesz. Nem ragad le egy (vagy néhány) gép, műszer, számítógépes
program kezelésénél, hanem az erre irányuló képességet fejleszti (nemrég még
úgy mondtuk, hogy felkészít a tanulás tanulására, de ennél többről van szó).
Nem arra van tehát szükség, hogy minél részletesebben feltárjuk az egyes
szakmák gyakorlásához szükséges „kompetenciákat”, majd ezeket minél tel-
305
© Typotex Kiadó
jeskörűbben bevigyük a szakképzésbe. Aki ezt teszi, garantálja az élethosszig

tartó tanulás igényét, de a munkanélküliség lehetőségét is. A „kompetenciák”
ugyanis manifeszt változók, ezért gyorsan változnak (mint például a számolási
készség szerepe), gyorsan avulnak (mint például a forgácsoló szakma), és nem
tudnak minden szakmai követelményt leképezni (mint például a kereskedő in-
terperszonális készségét).
A „kompetenciaalapú” szakképzés ezek alapján tehát 50 éves lemaradásával
kifejezetten ellentmond annak a műszaki-gazdasági trendnek, amely szintetizá-
ló szemléletével napjainkra teljesen felváltotta az analitikus gondolkodást.
306
© Typotex Kiadó
4.16 A TANULÁSI MOTIVÁCIÓK KOMPLEX VIZSGÁLATA EGY ÁLTALÁNOS ISKOLA… 307
4.16 A TANULÁSI MOTIVÁCIÓK KOMPLEX VIZSGÁLATA EGY

ÁLTALÁNOS ISKOLA NYOLCADIK OSZTÁLYOS TANULÓI KÖZÖTT
Egy műszaki pedagógia szakos hallgató szakdolgozatában egy korábban pszi-

chológusok által kidolgozott kérdéssor alapján mérte fel a tanulók iskolai moti-
vációs rendszerét. A harminc kérdésre (4.5 táblázat) az évfolyam harminc tanu-
lója adott választ (4.6 táblázat):
4.5 táblázat A motivációs felmérés kérdései
Kérdések
1. Elkalandozik a figyelmed az órák alatt?
2. Zavar, ha rosszul végzed az elvállalt munkát?
3. Szoktál rendetlenkedni órán?
4. Szeretsz iskolába járni?
5. Megpróbálsz osztályelső lenni a tanulásban?
6. Szeretsz új dolgokat kipróbálni, még ha nehezek is?
7. Félsz a dolgozattól?
8. A tanítás végén már izegsz-mozogsz?
9. Ha valamit elrontasz, megpróbálod még egyszer?
10. Érdekesnek találod az iskolai munkát?
11. Mindent elkövetsz, hogy jól végezd a munkád?
12. Szeretsz az új tennivalókra gondolni?
13. Nehezen tudsz koncentrálni a munkádra?
14. Szoktál munka helyett nézelődni az osztályban?
15. Ha a tanárodnak segítségre van szüksége, előbb jelentkezel, mint a többiek?
16. Félsz, hogy a tanárnak esetleg rossz véleménye van rólad?
17. Nagyon fontos neked, hogy jó jegyet kapjál?
18. Szeretsz feladatokat végezni?
19. Ha befejezel egy munkát, hamar megfeledkezel róla?
20. Jól csinálod az iskolai tennivalókat?
21. Rosszul esik, ha a többi gyerek mérges rád?
22. Sok barátod van?
23. Ha megszidnak, később rágódsz még rajta?
24. Előfordult már, hogy elfelejtettél valamit, amit tényleg tudtál?
25. Zavar, ha a tanár feladataiddal kapcsolatban kérdez valamit?
26. Beszélgetsz a melletted ülővel óra alatt?
27. Szeretnéd, ha nem kellene iskolába járnod?
28. Szándékosan megszeged az iskolai szabályokat?
29. Félsz attól, hogy az egész osztály butának gondol?
30. Unalmasnak találod az iskolai órákat?
307
© Typotex Kiadó
4.6 táblázat A motivációs felmérés válaszai
Kérdés Válasz
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
1 2 3 1 1 2 3 2 2 3 4 4 3 3 2 3 3 3 3 5 2 3 4 3 2 3 3 3 3 3 2
2 5 3 4 3 1 5 3 4 5 2 3 4 4 2 3 3 4 2 3 3 2 3 4 3 2 5 2 2 2 4
3 2 1 2 2 2 2 2 1 1 3 2 2 2 1 2 2 1 2 4 2 2 3 2 1 2 1 3 5 2 2
4 4 4 4 2 3 4 4 5 1 1 3 2 1 3 3 3 3 2 1 3 4 2 3 4 2 1 1 1 3 4
5 5 1 1 3 5 4 2 2 4 2 2 1 3 1 3 2 1 2 1 1 3 3 2 2 1 3 1 1 4 4
6 5 3 3 3 4 4 3 3 3 1 3 5 5 3 3 3 2 3 5 3 3 3 3 2 4 3 4 5 5 4
7 3 3 2 3 2 2 2 1 4 3 2 2 5 3 3 2 5 3 3 4 2 3 4 2 5 4 4 3 1 2
8 5 3 1 4 2 4 3 1 2 4 4 2 3 1 4 3 3 4 4 4 2 4 3 2 5 2 4 4 2 5
9 5 4 4 4 5 5 3 3 3 2 4 5 3 2 4 4 3 4 4 3 3 2 3 3 3 3 3 3 5 5
10 4 2 5 3 4 4 2 4 2 2 2 2 1 3 3 3 3 3 2 3 3 3 3 3 1 2 2 2 3 3
11 5 4 4 4 5 4 3 4 4 3 3 3 3 3 3 4 4 4 2 2 3 3 4 5 3 5 3 5 5 5
12 5 3 5 1 5 4 3 3 5 1 3 4 5 2 4 3 4 3 1 4 3 2 2 3 4 4 4 5 5 4
13 2 2 2 3 1 1 2 2 2 1 2 2 2 2 2 2 3 3 3 2 2 3 2 2 4 4 2 3 1 2
14 2 2 2 2 1 2 2 2 1 2 4 1 3 1 3 3 4 3 4 4 2 4 3 2 4 1 3 3 2 2
15 4 3 3 1 3 4 3 2 2 1 3 3 2 4 3 3 3 3 3 3 3 2 3 3 2 2 2 2 3 3
16 4 4 2 3 2 2 1 1 1 1 3 2 5 4 2 2 5 2 1 2 3 2 4 3 1 4 3 4 2 5
17 5 5 4 4 5 5 3 5 5 3 4 4 4 3 4 4 4 3 3 4 4 3 5 5 4 5 4 5 5 5
18 5 4 3 1 4 4 2 4 1 2 3 3 5 3 2 3 2 3 3 3 3 2 3 3 1 4 3 3 4 5
19 2 2 2 3 2 3 3 1 3 2 4 2 4 1 2 2 3 2 2 2 1 2 2 4 4 3 2 3 3 2
20 4 4 5 4 5 5 3 4 5 4 4 3 4 3 3 4 4 4 3 3 4 3 4 4 2 4 4 3 4 4
21 4 4 4 1 1 3 2 3 3 3 3 2 1 3 2 3 2 3 2 2 4 3 5 3 2 4 2 3 2 5
22 5 5 5 4 5 5 4 5 5 5 4 5 3 5 4 4 5 5 2 5 4 4 4 5 5 3 5 5 5 5
23 5 3 2 3 2 2 1 1 4 2 2 2 1 3 3 2 3 2 2 2 2 2 3 3 3 4 2 3 2 3
24 4 2 2 3 2 2 1 2 2 3 5 3 5 2 2 3 5 2 3 3 2 4 5 3 4 5 2 1 3 4
25 2 2 3 1 1 1 1 1 4 5 4 3 1 4 2 2 3 1 3 2 3 2 3 2 4 3 3 2 1 2
26 4 4 2 3 2 3 3 2 2 3 4 4 3 1 3 3 3 3 5 4 3 3 2 2 3 2 4 4 3 2
27 3 2 3 4 1 1 3 2 5 3 3 5 5 3 3 3 5 4 5 3 3 4 4 4 3 4 5 5 2 4
28 1 1 1 1 1 1 1 1 3 1 1 2 1 1 3 2 1 1 4 2 1 2 1 1 1 1 1 2 1 1
29 2 1 2 1 1 1 1 1 1 1 1 1 1 1 3 2 2 2 1 2 1 2 2 3 1 4 1 1 1 4
30 3 3 1 3 2 3 3 2 3 4 4 4 4 3 3 3 3 3 5 3 3 4 3 2 2 3 5 5 3 5
4.16.1 A motivációk elemzése faktoranalízis segítségével
A kérdések alapján a motivációk egyes faktorait főtengelyelemzéssel határoz-

tuk meg (az összetettebb eljárásokat nyújtó programok személyi számítógépes
környezetben sokszor nem engednek meg ilyen nagy adathalmazt – általában
korlátozzák a vizsgált tényezők számát).
Az eredményeket a 4.7 táblázat foglalja össze.
308
© Typotex Kiadó
4.7 táblázat A motivációs rendszer elemzése főkomponenselemzéssel

(a sajátértékek felsorolása)
Tengely Sajátérték %-os arány Hisztogram Göngyölített arány (%)

1 7,003064 23,34% 23,34%
2 3,822420 12,74% 36,08%
3 3,301633 11,01% 47,09%
4 2,058976 6,86% 53,95%
5 1,668295 5,56% 59,51%
6 1,484298 4,95% 64,46%
7 1,433079 4,78% 69,24%
8 1,289527 4,30% 73,54%
9 1,223402 4,08% 77,62%
10 0,814101 2,71% 80,33%
11 0,778967 2,60% 82,93%
12 0,659082 2,20% 85,12%
13 0,582875 1,94% 87,07%
14 0,541432 1,80% 88,87%
15 0,467040 1,56% 90,43%
16 0,403541 1,35% 91,77%
17 0,360963 1,20% 92,98%
18 0,293592 0,98% 93,95%
19 0,206116 0,69% 94,64%
20 0,200306 0,67% 95,31%
21 0,124295 0,41% 95,72%
22 0,091815 0,31% 96,03%
23 0,066907 0,22% 96,25%
24 0,051878 0,17% 96,43%
25 0,034112 0,11% 96,54%
26 0,024384 0,08% 96,62%
27 0,010275 0,03% 96,65%
28 0,003041 0,01% 96,66%
29 0,000586 0,00% 96,67%
30 0,000000 0,00% 96,67%
309
© Typotex Kiadó
1-nél nagyobb sajátértéke 9 sajátvektornak volt, ezeket a 4.8 táblázat tartalmazza.
4.8 táblázat A sajátvektorok táblázata
1. 2. 3. 4. 5. 6. 7. 8. 9.
Kérdés
tengely tengely tengely tengely tengely tengely tengely tengely tengely
1 –0,2404 –0,0312 0,1204 0,1709 –0,1741 –0,1980 0,0605 –0,1816 0,2737
2 0,0956 –0,2765 –0,0496 0,1046 –0,1066 –0,2449 –0,2825 0,1209 0,1617
3 –0,2034 0,0417 0,2934 0,0470 –0,1390 0,2073 0,1223 –0,1495 –0,2277
4 0,2689 0,1215 –0,0149 0,2520 0,2949 0,0351 –0,0823 0,0147 0,0578
5 0,1946 –0,1275 0,1590 –0,1057 –0,1560 –0,2298 –0,0951 –0,3474 –0,0882
6 –0,0120 –0,1271 0,4319 –0,1008 –0,0325 0,0678 –0,0279 0,3124 –0,0003
7 –0,2004 –0,2434 –0,1741 –0,1496 0,1143 0,0648 –0,0173 0,0939 0,1499
8 –0,1635 –0,1595 0,1916 0,1069 0,2164 0,2136 –0,0641 –0,4609 –0,0315
9 0,1779 –0,0718 0,3616 0,0120 0,0262 0,0019 –0,2007 –0,0655 0,0688
10 0,2715 0,1142 0,0036 0,1982 0,0211 0,0519 –0,1729 –0,0742 –0,1597
11 0,2523 –0,2209 0,0201 –0,1486 –0,0971 0,1415 0,0783 –0,1637 --0,2299
12 0,1501 –0,1737 0,1713 –0,2905 0,0223 0,1798 –0,0862 0,2278 0,2034
13 –0,1869 –0,2053 –0,1637 –0,0167 0,1374 0,1275 –0,2289 0,1430 –0,3048
14 –0,2320 –0,0343 0,0674 0,1551 0,4105 0,0242 –0,0971 –0,1546 0,0438
15 0,1686 0,0067 0,1419 0,3353 0,1491 0,0826 –0,1437 0,2580 0,2965
16 0,0569 –0,3442 –0,0301 0,1036 0,1479 0,0605 0,3922 0,1988 –0,0695
17 0,2304 –0,2392 0,0856 –0,1490 –0,0902 0,0865 –0,0065 –0,0541 0,0974
18 0,1874 –0,1571 0,2558 0,1809 0,0540 –0,1510 0,3135 0,1944 –0,0057
19 –0,0745 –0,2090 0,0145 –0,3867 0,2493 –0,1414 –0,0753 –0,1660 0,1599
20 0,2371 –0,0419 –0,0027 –0,1012 –0,2256 –0,2480 0,1134 –0,2040 0,1140
21 0,1277 –0,1597 –0,1402 0,4304 –0,1764 0,1493 0,1234 –0,0981 0,0459
22 0,1743 0,0935 –0,0632 –0,1386 0,0470 0,5281 0,1191 –0,1178 0,2222
23 0,0545 –0,3264 –0,1284 0,0349 –0,1943 0,3380 –0,2220 –0,1173 0,0776
24 –0,0683 –0,3344 –0,0993 0,0967 0,2264 –0,3203 0,0628 –0,1144 0,1534
25 –0,1496 –0,0314 –0,2630 0,1186 –0,2672 0,1441 0,0768 –0,0598 0,4543
26 –0,2010 –0,0061 0,3334 0,0838 0,0968 0,1134 –0,0605 –0,0501 0,1739
27 –0,2250 –0,2270 –0,0639 –0,0416 –0,1817 0,0444 0,0324 0,2596 –0,1517
28 –0,1774 0,0254 0,1415 0,1058 –0,3466 –0,0232 –0,4724 0,1120 –0,0106
29 0,0850 –0,2818 –0,1399 0,2444 0,0375 –0,0044 –0,1712 –0,0601 –0,3256
30 –0,2148 –0,1315 0,2408 0,1487 –0,2058 0,0333 0,3130 –0,0382 –0,0744
310
© Typotex Kiadó
A tényezők és a főtengelyek közötti korrelációkat a 4.9 táblázat tartalmazza.
4.9 táblázat A tényezők és a főtengelyek közötti korrelációk táblázata
Tényező 1. 2. 3. 4. 5. 6. 7. 8. 9.
tengely tengely tengely tengely tengely tengely tengely tengely tengely
1 –0,6362 –0,0610 0,2189 0,2452 –0,2249 –0,2412 0,0725 –0,2062 0,3027
2 0,2530 –0,5406 –0,0902 0,1501 –0,1377 –0,2983 –0,3382 0,1373 0,1789
3 –0,5384 0,0815 0,5331 0,0674 –0,1795 0,2525 0,1463 –0,1697 –0,2518
4 0,7116 0,2376 –0,0272 0,3616 0,3810 0,0428 –0,0985 0,0167 0,0640
5 0,5151 –0,2494 0,2889 –0,1517 –0,2015 –0,2800 –0,1139 –0,3945 –0,0975
6 –0,0318 –0,2485 0,7848 –0,1446 –0,0420 0,0825 –0,0334 0,3548 –0,0004
7 –0,5303 –0,4759 –0,3164 –0,2147 0,1476 0,0790 –0,0207 0,1066 0,1658
8 –0,4328 –0,3118 0,3482 0,1534 0,2795 0,2602 –0,0768 –0,5234 –0,0349
9 0,4707 –0,1404 0,6571 0,0172 0,0338 0,0023 –0,2402 –0,0744 0,0761
10 0,7184 0,2232 0,0066 0,2844 0,0272 0,0632 –0,2070 –0,0843 –0,1767
11 0,6675 –0,4319 0,0365 –0,2132 –0,1255 0,1724 0,0937 –0,1859 –0,2543
12 0,3973 –0,3395 0,3113 –0,4169 0,0288 0,2190 –0,1032 0,2587 0,2250
13 –0,4946 –0,4014 –0,2974 –0,0239 0,1775 0,1553 –0,2740 0,1624 –0,3372
14 –0,6140 –0,0671 0,1224 0,2225 0,5303 0,0295 –0,1163 –0,1756 0,0484
15 0,4462 0,0131 0,2578 0,4811 0,1926 0,1006 –0,1721 0,2930 0,3280
16 0,1504 –0,6730 –0,0547 0,1487 0,1910 0,0738 0,4695 0,2257 –0,0769
17 0,6096 –0,4676 0,1556 –0,2138 –0,1164 0,1053 –0,0078 –0,0614 0,1078
18 0,4959 –0,3072 0,4647 0,2596 0,0697 –0,1839 0,3753 0,2208 –0,0063
19 –0,1971 –0,4087 0,0264 –0,5549 0,3220 --0,1723 –0,0901 –0,1885 0,1769
20 0,6274 –0,0819 –0,0048 –0,1452 –0,2914 –0,3021 0,1357 –0,2317 0,1261
21 0,3379 –0,3122 –0,2548 0,6176 –0,2279 0,1819 0,1477 –0,1114 0,0508
22 0,4611 0,1828 –0,1149 –0,1989 0,0606 0,6434 0,1426 –0,1338 0,2458
23 0,1443 –0,6382 –0,2334 0,0501 –0,2510 0,4118 –0,2658 –0,1331 0,0858
24 –0,1808 –0,6539 –0,1805 0,1387 0,2924 –0,3903 0,0752 –0,1300 0,1696
25 –0,3959 –0,0614 –0,4780 0,1702 –0,3451 0,1756 0,0920 –0,0679 0,5025
26 –0,5318 –0,0120 0,6058 0,1202 0,1250 0,1381 –0,0725 –0,0569 0,1923
27 –0,5955 –0,4439 –0,1161 –0,0596 –0,2347 0,0540 0,0388 0,2948 –0,1677
28 –0,4695 0,0497 0,2571 0,1518 –0,4477 –0,0283 –0,5655 0,1272 –0,0117
29 0,2250 –0,5510 –0,2541 0,3507 0,0484 –0,0054 –0,2049 –0,0683 –0,3602
30 –0,5685 –0,2571 0,4375 0,2134 –0,2658 0,0406 0,3747 –0,0434 –0,0823
A korrelációs táblázat alapján a következő faktorok befolyásolják a gyerme-

kek tanulási motivációit (a 0,6-nál nagyobb abszolút értékű korrelációkat figye-
lembe véve):
1. faktor: (az iskolai munka szeretete)
Érdekesnek tartja az iskolai munkát: 0,72

Szeret iskolába járni: 0,71
Jól szeretne dolgozni: 0,67
Jól végzi a munkáját: 0,63
Fontos a jó eredmény: 0,61
–––––––––––––––––––––––––––––-
311
© Typotex Kiadó
Munka helyett nézelődik az osztályban: –0,61

Elkalandozik a figyelme az óra alatt: –0,64
2. faktor: (kevés gátlás, könnyed munka)
––––––––––––––––––––––––––––––
Szidás esetén rágódik rajta: –0,64
Felelésnél elfelejti, amit tud: –0,65
Fél a tanár rossz véleményétől: –0,67
3. faktor: (kreativitás)
Szereti az új dolgokat: 0,78

Hiba esetén újra próbálkozik: 0,66
Óra alatt beszélget társával: 0,61
––––––––––––––––––––––––––––––
4. faktor: (közösségi érzés –1)
Rosszul esik, ha a többi gyerek mérges rá: 0,62

––––––––––––––––––––––––––––––
6. faktor: (közösségi érzés –2)
Sok barátja van: 0,64

––––––––––––––––––––––––––––––
8. faktor: (figyelemterjedelem)
––––––––––––––––––––––––––––––
A tanítás végén már izeg-mozog: –0,52
Azokat a faktorokat, amelyeknél nem volt megfelelően nagy abszolút érték

(0,6 feletti), elhanyagoltuk (ezt úgy is fogalmazhatjuk, hogy 0,6-es korrelációs
szinten határoztuk meg a modellt). Így a harminc kérdésből 16-ot használtunk
fel, a többit zajelemként értékelhetjük.
E tanulmánynak nem célja a részletes pszichológiai elemzés, pusztán a kiértékelési

munka szemléltetése. Részletesebb elemzéssel természetesen a következtetések pon-
tosíthatók, illetve szakmai szempontból megalapozottabbá tehetők.
A faktoranalízis eredményei szerint tehát a gyermekek tanulási motivációit

leginkább a következő tényezők befolyásolják:
312
© Typotex Kiadó
Az iskolai munka érdekessége, a tanulási tevékenység szeretete.

Bizonyos fokú könnyedség a tanulásban, az iskolával kapcsolatos gátlások
hiánya.
Tudásvágy, kreativitás.
Beilleszkedés az iskolai közösségbe.
Fegyelmezettség, a figyelem nagy terjedelme.
E tényezők látszólag kézenfekvők. Vegyük azonban észre, hogy esetünkben ezek a

következtetések a válaszok matematikai elemzéséből adódnak! Ennek megfelelően
számszerűsíthetők, megismételhetők, tehát megfelelnek a „tudományosság” ter-
mészettudományi követelményeinek is.
A meghatározott faktorok nem pusztán a kérdések és az általuk reprezentált

tényezők egyszerű csoportjai. Tekinthetjük ezeket olyan általános (látens) vál-
tozóknak is, amelyek a tanulást ténylegesen befolyásoló általános, közvetlenül
nem mérhető okok.
4.16.2 A motivációk vizsgálata klaszterelemzés segítségével
A klaszterelemző módszerek az első lépésben rögzítik a számítások típusát. Ez

esetünkben a legközelebbi szomszéd módszerét jelenti az euklideszi távolságér-
telmezés alapján. Ezt követi a válaszok távolságainak kiszámítása és táblázatos
megadása (4.10 táblázat):
4.10 táblázat A klaszterelemzés kiinduló feltételei és távolságmátrixának részlete

Hierarchical Clustering Results for:
Quantitative Data Set = Munka1!$A$1:$AD$30
Distance/Similarity Measure = Euclidean Distance
Cluster Method = Nearest Neighbour
Distance Matrix (Euclidean Distance)

Row 1 Row 2 Row 3 Row 4 Row 5 Row 6 Row 7 Row 8 Row 9 Row 10 Row 11
Row 1 8,124 6,481 9,695 9,110 7,746 6,782 7,000 8,602 8,307 9,539
Row 2 8,124 10,770 8,485 9,110 7,874 7,874 8,888 7,348 7,416 7,550
Row 3 6,481 10,770 10,392 9,110 9,487 8,944 8,426 10,954 8,426 11,958
Row 4 9,695 8,485 10,392 8,888 10,000 11,045 10,440 8,367 5,000 9,110
Row 5 9,110 9,110 9,110 8,888 9,849 10,536 10,000 9,327 7,348 9,798
Row 6 7,746 7,874 9,487 10,000 9,849 8,718 7,810 5,099 8,660 7,141
Row 7 6,782 7,874 8,944 11,045 10,536 8,718 7,280 10,000 9,434 9,747
Row 8 7,000 8,888 8,426 10,440 10,000 7,810 7,280 7,937 9,381 9,274
Row 9 8,602 7,348 10,954 8,367 9,327 5,099 10,000 7,937 7,280 5,568
Row 10 8,307 7,416 8,426 5,000 7,348 8,660 9,434 9,381 7,280 7,746
Row 11 9,539 7,550 11,958 9,110 9,798 7,141 9,747 9,274 5,568 7,746
313
© Typotex Kiadó
Az ezt követő lépésben elvégzik a szükséges műveleti típus szerinti számítá-

sokat (ez esetünkben összevonó eljárást jelent). A program megadja e lépések
stratégiáját (lépéseit és szintjeit) a 4.11 táblázat szerint:
4.11 táblázat Az elemek összevonásának lépései
Clustering Strategy
1 Row 17 Row 11 4,243
3 Row 15 Row 10 4,796
4 Row 26 Row 1 4,899
6 Row 9 Row 6 5,099
10 Row 23 Row 13 5,477
12 Cluster 11 Row 14 5,568
13 Cluster 10 Row 19 5,568
15 Cluster 14 Row 27 5,745
18 Cluster 16 Row 21 6,083
19 Cluster 17 Row 28 6,083
22 Cluster 21 Row 29 6,325
24 Cluster 23 Row 12 6,403
25 Cluster 24 Row 25 6,481
26 Cluster 25 Row 24 6,633
28 Cluster 27 Row 16 6,928
Az eredmények utolsó részében a szemléletesség érdekében szerepel a grafi-

kus ábrázolás (a dendrogram) is a 4.12 táblázatnak megfelelően.
314
© Typotex Kiadó
4.12 táblázat A motivációs elemzés dendrogramja
Ugyanezen lépések után az euklideszi távolságok négyzete alapján a cent-

roid elemek kiválasztása szerint meghatározott eredmény dendrogramja a kö-
vetkező (4.13 táblázat):
315
© Typotex Kiadó
4.13 táblázat A motivációs elemzés dendrogramja egy másik eljárás esetén
Végül következzék a négyzetes euklideszi távolság alapján a legtávolabbi

módszer szerint kapott eredmény dendrogramja (4.14 táblázat):
316
© Typotex Kiadó
4.14 táblázat A motivációs elemzés dendrogramja a harmadik esetben
Látható, hogy az összes tényezőt feltüntető ábrák viszonylag bonyolultak,

gátolják az összefüggések felismerését. Emiatt a gyakorlatban elterjedt, hogy ki-
szűrik a zajelemeket (ezek az adott ágon önmagukban állnak), és a távolságok
317
© Typotex Kiadó
logaritmusai alapján ábrázolják a kapott, egyszerűsített dendrogramot. Ez az

első modell esetén a 4.15 táblázat szerinti:
4.15 táblázat Az eredmény dendrogramja a zajelemek kiszűrése után
23. kérdés
13. kérdés
26. kérdés
1. kérdés
15. kérdés
10. kérdés
17. kérdés
11. kérdés
9. kérdés
6. kérdés
Eredményünk szerint tehát a motivációs rendszert a következő kérdéspárok

alkotják:
Ha megszidnak, később még rágódsz rajta?

Nehezen tudsz koncentrálni a munkádra?
Beszélgetsz a melletted ülővel az óra alatt?

Elkalandozik a figyelmed az órák alatt?
Ha a tanárodnak segítségre van szüksége, te előbb jelentkezel a többieknél?

Érdekesnek találod az iskolai munkát?
318
© Typotex Kiadó
Nagyon fontos neked, hogy jó jegyet kapjál?

Mindent elkövetsz, hogy jól végezd a munkád?
Ha valamit elrontasz, megpróbálod még egyszer?

Szeretsz új dolgokat kipróbálni, még ha nehezek is?
Az első három pár a továbbiakban egy nagyobb csoportot alkot, míg az utol-
só két pár elkülönül ettől. (A részletesebb vizsgálatból további információk is
kiolvashatók, ezektől most eltekintünk.)
A tanulást segítő motivációk rendszerében tehát jól megkülönböztethető a
lelkiismeretesség, a figyelem és az óra alatti fegyelem, a tanár személye, az isko-
lai tevékenységek érdekessége, a sikerélmény és a kreativitás. Ezek a tényezők
jól illeszkednek a faktoranalízissel meghatározott paraméterekhez, bár jól érzé-
kelhetően más kérdések alapján kaptuk a módszer következtetéseit.
4.16.3 A motivációk elemzése a sokdimenziós skálázás segítségével
A sokdimenziós skálázó módszerek különböző kiinduló feltételek (az adathal-

maz típusa – korrelációs mátrix, illetve mérési eredmények – és a leképezés
módszerei – a távolság értelmezése, a céltér dimenziószáma stb. –) rögzítése
után végzik el a számításokat.
A rendelkezésre álló program csak legfeljebb 18 változó és 16 mérés feldolgozására

alkalmas. Emiatt a számításban csupán a faktorelemzésben és a klaszteranalízis-
ben kimutatható szerepet játszott kérdéseket vettük figyelembe. Kimaradtak tehát a
3, 5, 7, 12, 18, 19, 20, 25, 27, 28, 29, 30 sorszámmal jelölt kérdések, a maradék kér-
déseket pedig ennek megfelelően újraszámozta a program.
Eredményképpen a következő (4.9 ábrán látható) megoldást kaptuk:
319
© Typotex Kiadó
4.9 ábra A motivációs vizsgálat eredménye sokdimenziós skálázás esetén
Az eredményből látható, hogy a kérdések viszonylag homogén módon szó-

ródnak szét az általuk alkotott térben (ez nem is meglepő, hiszen csak a koráb-
ban fontosnak minősített kérdések szerepeltek a vizsgálatban). Kivételt képez
ez alól az 1. kérdés, amely arra vonatkozik, hogy elkalandozik-e a gyermek fi-
gyelme az órák közben. Ennek magyarázata további vizsgálatokat igényel, de
elképzelhető például, hogy e kérdés megválaszolásában a tanulók nem voltak
őszinték.
További változatok bemutatására és az eredmény részletesebb értékelésére nem té-

rünk ki, tekintettel a program által feldolgozható adatbázis korlátozott jellegére.
320
© Typotex Kiadó
4.17 A MOTIVÁCIÓS ELEMZÉS MODELLEZÉSE LÁTENS VÁLTOZÓKKAL 321
4.17 A MOTIVÁCIÓS ELEMZÉS MODELLEZÉSE LÁTENS VÁLTOZÓKKAL
A tanulói motivációk elemzésének legösszetettebb (és egyben legszigorúbb fel-

tételekkel történő) módszere a látens változók útelemzésén alapuló számítás.
A program legfeljebb 15 változót képes kezelni, ezért először ki kell válogatni
a legfontosabb kérdéseket. Ehhez az első lépésben a klaszterelemzéssel megha-
tározott zajelemeket töröljük a bázisból, majd a maradékot kiegészítjük a fak-
torelemzésnél megkapott legfontosabb tényezőkkel (melyek egyébként szintén
zajelemek).
Így a következő kérdések maradnak a modellben:
1–4–6–9–10–11–13–15–16–17–20–23–24–26
(és a modellben ennek a sorrendnek megfelelő sorszámokat kaptak).
A modellezés kiinduló információit a K-középérték eljárásának eredményei
nyújtották, és figyelembe vettük a modell által javasolt csoportosítási változato-
kat is.
Egy látens változóra visszavezetve az összes tanulási motivációt a 4.10 ábra
szerinti megoldást kapjuk:
4.10 ábra A tanulási motivációkat 1 látens változóra visszavezető modell
321
© Typotex Kiadó
A modell értékelésére a khi-négyzet megítélése szolgál. Mivel a 77-es szabad-

ságfokhoz 5%-os szinten kb. 98-as küszöbérték tartozik, a modell nem tükrözi a
szokásos 5%-os szignifikanciaszinten a valóságot.
Két látens változó feltételezése esetén a 4.11 ábra szerinti modellt kapjuk:
Mivel a 74-es szabadságfokhoz 5%-os szinten kb. 94-es küszöbérték tartozik,

a modell nem tükrözi a szokásos 5%-os szignifikanciaszinten a valóságot.
3 látens változó feltételezése esetén a 4.12 ábra szerinti modellt kapjuk:
322
© Typotex Kiadó
4.17 A MOTIVÁCIÓS ELEMZÉS MODELLEZÉSE LÁTENS VÁLTOZÓKKAL 323
Mivel a 72-es szabadságfokhoz 5%-os szinten kb. 93-as küszöbérték tartozik,

a modell nem tükrözi a szokásos 5%-os szignifikanciaszinten a valóságot.
A látens változók útelemzésének modellje szerint egyik modell sem kielégítő

annak ellenére, hogy minden korábbi eljárással elfogadott változatot modellez-
tünk általa. Ez azt mutatja, hogy ez a legszigorúbb eljárás az összes közül.
További elemzések helyett fogadjuk el a 2 látens változóra visszavezetett mo-
tivációs rendszert. Ennek az az oka, hogy ez közelítette meg a leginkább az elfo-
gadás határát.
Az első motivációs okot az 1–4–10–13–15–16–23–24–26 kérdések, a másodikat
a 6–9–11–17–20 kérdések reprezentálják.
Ezek további részletes elemzések helyett röviden azzal jellemezhetők, hogy
az első látens ok jellemzőit a tudásvágy, a figyelemterjedelem, a sikerorientált-
ság, a teljesítménykényszer, a lelkiismeretesség és a fegyelem alkotják. A máso-
323
© Typotex Kiadó
dik látens ok a kreativitás, a precizitás, a teljesítménykényszer és az önértékelés

összességét jelenti.
A modell szignifikanciaszintje kismértékben meghaladja a határértéket, és a
meghatározott két látens változó szubjektíven eléggé összetettnek minősíthető,
feltételezhetően nem volt elégséges a felmérés. További pontosításra adna lehe-
tőséget, ha megnövelnénk a válaszadók számát, és csak a meghatározott 14 kér-
désre koncentrálnánk. (További pontosításra adna lehetőséget egy olyan mód-
szer, amely mind a 30 kérdést egyidejűleg képes kezelni.)
324
© Typotex Kiadó
4.18 A HIÁNYZÓ ADATOK PÓTLÁSA 325
4.18 A HIÁNYZÓ ADATOK PÓTLÁSA
Egy magas vérnyomással kezelt beteg állapotát rendszeres időközönkénti vizs-

gálatokkal diagnosztizálják. Része ennek a vérvétel is, melynek során az orvos
bizonyos tényezőket rutinszerűen, másokat az adott állapotnak, illetve kezelési
módnak megfelelően választ ki. A rendelkezésre álló adatokból kigyűjtöttük
azokat, amelyek valamelyik mérés során a normális intervallumon kívül he-
lyezkedtek el (4.16 táblázat, 326. o.).
A táblázat tartalmazza a vizsgálatok időpontját, az egészséges állapotnak
megfelelő adatokat és a mért értékeket.
Az orvos utólag (természetszerűleg pótlási lehetőség nélkül) szeretné meg-
tudni, hogy az adott időpontokban a táblázatban nem szereplő adatok milyen
értéket vehettek fel. Ezáltal további információkat szerezhetne a beteg állapotá-
ról, a kezelés sikerességéről, illetve a vizsgálati eredmények egymás közötti
kapcsolatairól.
Ilyen jellegű probléma a méréstechnikában sűrűn előfordul. Bizonyos adatok
mérésének igénye például csak akkor merül fel, ha valamilyen diagnosztikai
esemény (probléma) azt szükségessé teszi. Ekkor azonban rögtön felmerül az a
kérdés is, hogy a hirtelen fontossá vált tényező vajon hogyan alakulhatott ak-
kor, amikor még nem tartottuk fontosnak a szerepét. Ilyen esetet mutat be a
mostani példa is.
Statisztikai szempontból a problémát az jelenti, hogy a táblázatban csaknem
minden mérési adatsor hiányos (az utolsó kettő kivételével). Ha emiatt ezeket
nem vennénk figyelembe, az értékelő eljárások alkalmazhatatlanokká válná-
nak, ugyanakkor számos információt elveszítenénk a vizsgálandó objektumról
(jelen esetben a betegről).
A rendelkezésre álló számítógépes programok segítségével meghatározhatók e

hiányzó adatok legvalószínűbb értékei. A legegyszerűbb modellek a hiányzó
elem két szomszédjának valamelyik középértékével, esetleg az adott oszlop
trendjének figyelembe vételével becsülik meg a hiányzó adatot. Érezhető, hogy
ezek durva közelítések, hiszen például nem garantált, hogy a mérések között
azonos időtartamok teltek volna el, és ezalatt bármilyen egyszerű függvényt kö-
vettek volna a mérendő értékek. A 4.17 táblázat (327. o.) esetén ezeket lineáris
trendszámítással határozták meg az egyes oszlopok összes adata alapján (erre
azért volt szükség, mert nagyon sok adat hiányzik). Ennek eredményeként min-
den elemet az adott oszlop átlagával helyettesített a program (ami szintén nem
mondható túl finom modellezésnek, viszont az elemezhető adatmennyiséget je-
lentősen megnöveli).
E durva közelítésből is látható (ami az orvos számára egyébként is nyilván-
való), hogy a betegre a kreatininszintnek és a vizelet glükóztartalmának enyhe
emelkedése, illetve a foszforszint enyhe csökkenése jellemző. A legnagyobb
problémát azonban a vérzsírok (a koleszterin és a triglicerid) magas értéke je-
lentik.
325
© Typotex Kiadó
4.16 táblázat Egy beteg vérvételi adatai különböző időpontokban
PARAMÉTER GAMMA GT KREATININ GLÜKÓZ KOLESZTERIN TRIGLICERID NCHC

NORM:
5–37 45–97 3,9–6,2 3,0–5,2 0,7–1,8 31,5–36
ÉRTÉK
1995.01.12 33 108 5,8
1996.02.02 5,5
1996.10.07 30 118 5,4
1997.05.27 32 139 5,5 8,3 7,1
1997.10.06 35 114 6 6,7 12,1
1998.03.17 35 112 5,3 6,7 4,8
1999.03.31 22 112 6,2 6,8 8
1999.05.04
1999.09.09 111 6 6,4 9,3
2000.05.23 15 6,5 7,2 6,9 34,6
2000.10.30 41 5,2 6,6 8,9 35,1
2000.12.08 5,4 6,1 5,5
2001.05.28 47 110 5,7 6,4 6,2 34,6
2002.05.03 45 106 5,9 6 8,8 36
2002.06.14 43 91 5,3 6,7 13,7
2003.04.15 63 6,5 6,4 12,7 36,6
2004.05.25 38 7 6,1 4,2 36,2
2005.05.10 31 108 6,3 6,3 3,5 36,8
2006.05.16 41 89 9 6,5 9,2 35,4
PARAMÉTER THR-SZÁM MPV FOSZFOR VIZELET-GLÜKÓZ LDH VIZELET-PROTEIN

NORM: ÉRTÉK 140–440 5,0–10,0 0,9–1,6 0–2,8 230–461 0–0,35
1995.01.12 190 8,6
1996.02.02 226 9,2
1996.10.07 218 9,3
1997.05.27 208 9,3
1997.10.06 181 9
1998.03.17 177 8,9
1999.03.31 197 8,6
1999.05.04 201 9,6
1999.09.09
2000.05.23 174 8,7 415
2000.10.30 133 10,1 473
2000.12.08
2001.05.28 145 10,5 0,001 356 0,25
2002.05.03 142 9,9 0,7 0,001 392 0,25
2002.06.14 0,001 0,001
2003.04.15 138 10,2 0,001 421 0,25
2004.05.25 149 9,9 0,86 18 391 0,25
2005.05.10 147 10 0,001 0,75
2006.05.16 145 11 0,001 367 1,5
326
© Typotex Kiadó
4.17 táblázat Hiányzó adatok illesztése lineáris trendszámítás alapján
PARAMÉTER GAMMA GT KREATININ GLÜKÓZ KOLESZTERIN TRIGLICERID NCHC

NORM: ÉRTÉK 5–37 45–97 3,9–6,2 3,0–5,2 0,7–1,8 31,5–36
1995.01.12 33 108 5,8 6,6 8,1 35,7
1996.02.02 37 110 5,5 6,6 8,1 35,7
1996.10.07 30 118 5,4 6,6 8,1 35,7
1997.05.27 32 139 5,5 8,3 7,1 35,7
1997.10.06 35 114 6,0 6,7 12,1 35,7
1998.03.17 35 112 5,3 6,7 4,8 35,7
1999.03.31 22 112 6,2 6,8 8,0 35,7
1999.05.04 37 110 6,0 6,6 8,1 35,7
1999.09.09 37 111 6,0 6,4 9,3 35,7
2000.05.23 15 110 6,5 7,2 6,9 34,6
2000.10.30 41 110 5,2 6,6 8,9 35,1
2000.12.08 37 110 5,4 6,1 5,5 35,7
2001.05.28 47 110 5,7 6,4 6,2 34,6
2002.05.03 45 106 5,9 6,0 8,8 36,0
2002.06.14 43 91 5,3 6,7 13,7 35,7
2003.04.15 63 110 6,5 6,4 12,7 36,6
2004.05.25 38 110 7,0 6,1 4,2 36,2
2005.05.10 31 108 6,3 6,3 3,5 36,8
2006.05.16 41 89 9,0 6,5 9,2 35,4
VIZELET-
PARAMÉTER THR-SZÁM MPV FOSZFOR VIZELET-GLÜKÓZ LDH PROTEIN
NORM:
ÉRTÉK 140–440 5,0–10,0 0,9–1,6 0–2,8 230–461 0–0,35
1995.01.12 190 8,6 0,8 3 402 0,46
1996.02.02 226 9,2 0,8 3 402 0,46
1996.10.07 218 9,3 0,8 3 402 0,46
1997.05.27 208 9,3 0,8 3 402 0,46
1997.10.06 181 9,0 0,8 3 402 0,46
1998.03.17 177 8,9 0,8 3 402 0,46
1999.03.31 197 8,6 0,8 3 402 0,46
1999.05.04 201 9,6 0,8 3 402 0,46
1999.09.09 173 9,6 0,8 3 402 0,46
2000.05.23 174 8,7 0,8 3 415 0,46
2000.10.30 133 10,1 0,8 3 473 0,46
2000.12.08 173 9,6 0,8 3 402 0,46
2001.05.28 145 10,5 0,8 0 356 0,25
2002.05.03 142 9,9 0,7 0 392 0,25
2002.06.14 173 9,6 0,8 0 402 0,00
2003.04.15 138 10,2 0,8 0 421 0,25
2004.05.25 149 9,9 0,9 18 391 0,25
2005.05.10 147 10,0 0,8 0 402 0,75
2006.05.16 145 11,0 0,8 0 367 1,50
327
© Typotex Kiadó
Az adatpótlással nyert adatbázis (a közelítő jelleg tudatában) már alkalmas

összetettebb eljárások alkalmazására. A 4.18 és a 4.19 táblázat a faktoranalízis
eredményét mutatja be:
4.18 táblázat A faktoranalízis eredménye (sajátértékek)
4.19 táblázat A faktoranalízis eredménye (az egyes tényezők korrelációi

a főtengelyekkel)
Komponens Komponens Komponens

1 2 3
GAMMAG_1 ,651 –,416 ,404
KREATI_1 –,725 6,355E-02 ,134
GLÜKÓZ_1 ,633 ,511 –,387
KOLESZ_1 –,658 –1,601E-02 –,371
TRIGLI_1 ,177 –,667 –3,875E-02
NCHC_1 ,228 3,430E-02 ,465
THRSZÁ_1 –,757 3,657E-02 –,232
MPV_1 ,845 2,952E-02 1,531E-02
FOSZFO_1 –7,222E-02 ,740 ,399
VIZGL_1 –,125 ,728 ,568
LDH_1 –,296 –,323 ,353
VIZFEH_1 ,360 ,401 –,690
Extraction Method: Principal Component Analysis.
328
© Typotex Kiadó
Eredményünk szerint tehát három fő faktorral lehet magyarázni a vérvételi

eredményeket. Az elsőt a gammaglobulin, a glükóz és az MPV-szám, a másodi-
kat a glükóz, a foszfor és a vizeletglükóz, a harmadikat a vizeletglükóz és a vi-
zeletfehérje reprezentálja. (Laikus szemmel is jól látható ezek közül néhány ér-
téknek a szoros kapcsolata.)
A klaszterelemzés K-közép eljárással és hagyományos hierarchikus módszerrel

meghatározott eredményeit a 4.20–4.22 táblázatok és a 4.13 ábra szemléltetik.
4.20 táblázat K-közép eljárással meghatározott 2-klaszteres felbontás
329
© Typotex Kiadó
A felosztó klaszterelemzési eljárások eredménye alapján látható, hogy külön-

böző szintű felbontások esetén az LDH-érték, valamint a kreatinin és a THR-
szám különül el a többi mért adattól.
4.13 ábra A vérvételi adatok dendrogramja
330
© Typotex Kiadó
Alátámasztják az előző következtetést az összevonó eljárással nyert dendro-

gram jellemzői is, hiszen ezeket lényegében zajelemként minősítették a számí-
tások.
A látens változók útelemzésével nyert eredményeket egy változó feltételezésé-

vel a 4.14 ábra mutatja be:
4.14 ábra A vérvételi adatok egy látens változós modellje
A modell khi-négyzet értékéből látható, hogy minden vérvételi adat vissza-

vezethető egy közös okra (a 62,96-os érték kisebb, mint az 54-es szabadságfok-
hoz tartozó kb. 72-es határ).
A részletesebb elemzéshez elkészíthető a kétdimenziós modell is a 4.15 ábrá-
nak megfelelően:
331
© Typotex Kiadó
4.15 ábra A vérvételi adatok két látens változós modellje
A két látens változós modell a várakozásoknak megfelelően még megbízha-

tóbb az előzőnél, vagyis a khi-négyzet értéke kisebb. E modell szerint a glükóz,
az LDH és a vizelet fehérjetartalma különül el a többi mért értéktől.
Az előzőkben ismertetett adatpótlási technika a leginkább kezdetlegesek közé

tartozik. Összetettebb programcsomagok pontosabb közelítéseket adnak. Ezek
általában több lépésben elvégzett többszörös regresszió segítségével határoz-
zák meg a hiányzó értékeket. E módszer hátránya, hogy így nem minden hiány-
zó értékre kapunk konvergens számsorozatot, vagyis ezeknél vissza kell térni
az egyszerűbb eljárások alkalmazására.
Emiatt a legjobb programok a rendelkezésre álló adatok segítségével megha-
tározott korrelációsegyüttható- vagy kovarianciamátrixszal végeznek olyan
332
© Typotex Kiadó
műveleteket, amelyek során azok jellemzői a legkevésbé változnak. Az ilyen

maximum likelihood technikákat alkalmazó eljárások adják a hiányzó adatok
„leghihetőbb” pótlását, amelyre a 4.23 táblázat mutat példát:
4.23 táblázat Az adatpótlás eredménye maximum likelihood eljárás esetén
Ez a módszer lényegében minden hiányzó értéket önállóan, a többi hiányzó

adattól függetlenül (helyesebben mondva éppen sokkal több összefüggést fi-
gyelembe véve) határoz meg, ezért szinte mindegyikük eltér egymástól, felvéve
az adatszerkezetben legvalószínűbb értéket.
Ez az adatstruktúra természetéből adódóan sokkal jobban tükrözi a valósá-
got az eddigiekben bemutatottnál. Az általa reprezentált modellek ezért eltér-
hetnek a korábbiaktól, például a 4.16 ábrának megfelelően.
333
© Typotex Kiadó
4.16 ábra A vérvételi adatok egy látens változós modellje

maximum likelihood adatpótlás esetén
Amíg az egyszerűbb adatpótlás esetén az egyváltozós modell (az általa kép-

viselt) valóságot megfelelő megbízhatósággal tükrözte, addig jól látható, hogy
bonyolult adatpótlási eljárásnál ez már nem mindig valósul meg (a khi-négyzet
értéke – 130,52 – magasan a határértéket jelentő 72-es érték fölött van).
Ezért elkészült az összefüggéseket két látens változóra visszavezető modell
is, amelyet a 4.17 ábra mutat be:
334
© Typotex Kiadó
4.17 ábra A vérvételi adatok két látens változós modellje
E modell sem elég pontos, mert a khi-négyzet értéke a 67,5-es határ felett van.
Ezért elkészült a három látens változós modell is, amely már a kétváltozósnál is
durvábban (nagyobb khi-négyzettel) írja le a valóságot (4.18 ábra):
335
© Typotex Kiadó
4.18 ábra A vérvételi adatok három látens változós modellje
Ez utóbbi példák jól mutatják, hogy az adatpótlási eljárás kiválasztásával óva-

tosan kell eljárni. Ha az alkalmazott módszer túl durva, akkor a modellezéssel ka-
pott eredmény sem lesz eléggé megbízható. Ha viszont nagyon precíz módszert
választunk, akkor csak nagyon nehezen határozható meg szignifikáns leképezés
(ahogyan az esetünkben sem sikerült). E megállapítások különösen azért fonto-
sak, mert az egyszerűbb modellek (a faktoranalízis, a klaszterelemzés és a sok-
dimenziós skálázás) érzéketlenek az adatok ilyenfajta eltéréseire.
336

Korszeru Elemzo Modszerek A Szakkepzesben

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Korszeru Elemzo Modszerek A Szakkepzesben

Uploaded by

Copyright:

Available Formats

© Typotex Kiadó

KORSZERŰ ELEMZŐ MÓDSZEREK

www.interkonyv.hu © Kata János

BACCALAUREUS SCIENTIÆ TANKÖNYVEK

BUDAPESTI MŰSZAKI ÉS GAZDASÁGTUDOMÁNYI EGYETEM

www.interkonyv.hu © Kata János

www.interkonyv.hu © Kata János

A könyv elektronikus kiadása

Budapesti Műszaki és Gazdaságtudományi Egyetem

Copyright © Kata János – BME GTK – Typotex, 2007, 2013

A 2007-es első kiadás elektronikus változata © Typotex, 2013

ISBN 978 963 9664 61 6

Témakör: pedagógia, műszaki szakképzés

Felelős kiadó: Votisky Zsuzsa, Typotex Elektronikus Kiadó Kft.

www.interkonyv.hu © Kata János

1. FEJEZET / A PEDAGÓGIAI KUTATÁSOKBAN ALKALMAZHATÓ KVANTITATÍV

2. FEJEZET / A DETERMINISZTIKUS MODELLEK JELLEMZŐI ÉS PEDAGÓGIAI

www.interkonyv.hu © Kata János

3. FEJEZET / A SZTOCHASZTIKUS MODELLEK JELLEMZŐI ÉS PEDAGÓGIAI

www.interkonyv.hu © Kata János

4. FEJEZET / FÜGGELÉK: PÉLDÁK A MÓDSZEREK GYAKORLATI ALKALMAZÁSÁRA

www.interkonyv.hu © Kata János

4.8.3 A vizsgálat módszere 263

www.interkonyv.hu © Kata János

A jegyzet, amelyet az Olvasó most a kezében tart, a 2007-től induló BSc-szintű

www.interkonyv.hu © Kata János

operációkutatás vagy a modellezés irányába fordul. Jegyzetünk ezek közül az

A mérnöktanár-jelöltek szakmódszertani tanulmányaik előtt, mérnöki tanulmá-

A jegyzet szemléletére egyfajta jóindulatú laikusság jellemző. A problémameg-

www.interkonyv.hu © Kata János

nak fogadja el. Jegyzetünk sem foglalkozik az eljárások matematikai alapjainak

Mivel a rendszerelemzés és a rendszermodellezés általában hatalmas mennyi-

A jegyzet anyagának összeállítása során a modellezés különböző formáinak tár-

www.interkonyv.hu © Kata János

Ennek megfelelően a jegyzet három fő témára összpontosít. Az első részben

Minden fejezet végén feltüntettük a közvetlenül felhasznált, illetve a témában

A számításigényes témaköröket tárgyaló fejezetek végén az alkalmazási lehető-

A jegyzet anyagának elsajátításához, az abban olvasottak kreatív alkalmazásá-

www.interkonyv.hu © Kata János

Az emberi társadalom fejlődésére a kezdetek óta jellemző a tudományos megis-

A SZÁMOK TULAJDONSÁGAI – A SZÁMKÖRÖK

Kezdetben csak a természetes (pozitív egész) számokat ismerték. Ezekkel írták le a

www.interkonyv.hu © Kata János

A SZÁMOK STATISZTIKAI ALKALMAZÁSA – A SKÁLÁZÁS

Napjainkra érzékelhetően megnőtt a számok szerepe az életünkben. Ahhoz már

www.interkonyv.hu © Kata János

AZ ADATOK OSZTÁLYOZÁSA A VÁLTOZÓ ÉRTÉKKÉSZLETE SZERINT 15

AZ ADATOK OSZTÁLYOZÁSA A VÁLTOZÓ ÉRTÉKKÉSZLETE SZERINT

www.interkonyv.hu © Kata János

Két halmaz ekvivalens (azonos, illetve egyenlő számosságú), ha az egyik halmaz

Ugyancsak a halmazelmélet definiálja a halmazok véges, illetve végtelen

Egy halmazt végesnek nevezünk, ha ekvivalens az n-elemű, természetes számokat

E fogalmak segítségével a változók értékkészlete szerint a következő osztá-

Folytonos változók (értékkészletük nem megszámlálhatóan végtelen hal-

E három változótípust használják fel a statisztikai számítások is. Szigorúan te-

www.interkonyv.hu © Kata János

A MÉRT MENNYISÉGEK TARTALMA – A MÉRÉSI HIBÁK 17

A MÉRT MENNYISÉGEK TARTALMA – A MÉRÉSI HIBÁK

Az emberi tevékenység egyik alapvető eleme a mérés, amely a klasszikus defi-

Campbell például 1938-ban a mérést úgy tekintette, hogy az „számjegyek

Az első definíció szerint a dolog tulajdonságát mérjük, míg a második magát

www.interkonyv.hu © Kata János

A hibák e két jellemző szerinti csoportosításának összemosása tulajdonképpen csak