Upload
dbalazs88
View
806
Download
14
Embed Size (px)
DESCRIPTION
Csernyak Laszlo - Valoszinusegszamitas
Citation preview
TARTALOM
Előszó ........ ................... ....... ....... ......... ....... ..... ..................... ...... .............. . 7
Bevezetés..................................... ......................................... ...... . 9
1. Ko m b in a t o r ik a ............................................................................................ ....... 111.1. Permutáció .................................. .................................................................. 111.2. V ariáció......................................................................... .................. .............. 171.3. Kom bináció.................................................................................................... 201.4. Binomiális tétel .......... ................................ ........ ......................................... 261.5. A binomiális együtthatók néhány tulajdonsága ........................................ 29
2. Esem ényalgebra ............................................. ............................ . 322.1. Alapfogalmak................................................. ............................................... 332.2. Műveletek eseményekkel....................... .............................. ................ . 392.3. Teljes eseményrendszer, összetett események ............................ ....... ...... 46
3. A VALÓSZÍNŰSÉGSZÁMÍTÁS ELEMEI .................................................................... 503.1. A valószínűség fogalma ........ ....... ....... .............................. .......... ............. 503.2. A valószínűség axiómái, tételek ....................... ........................ ................. 533.3. Klasszikus valószínűségi m ez ő ............... ................................................... 583.4. Feltételes valószínűség, szorzási szabály ................................................... 663.5. A teljes valószínűség tétele, a Bayes-tétel, valószínűségi fa ................. 703.6. Események függetlensége..... ...... ....................................................... ....... 743.7. Bemoullí-ldsérletsorozat............................................................ ................. 793.8. Geometriai valószínűség.............................................................................. 833.9. Szubjektív valószínűség .................. ....... .................. ................................... 84
4. Valószínűségi változó ................................................. .................................. 934.1. A valószínűségi változó fogalma ................ ................... ........ . 934.2. Az eloszlásfüggvény és tulajdonságai......................................................... 974.3. A sűrűségfüggvény és tulajdonságai..... ........................... ....... ................. 1034.4. A valószínűségi változó néhány jellem zője .............................................. 1094.5. Várható é rté k .............................................................................. ................... 1134.6. S zórás............... ................................ ....... ....... ......................... ................. . 120
5
5. Többdimenziós diszkrét eloszlások .................... ......................................1225.1. Együttes eloszlás, peremeloszlások ........................................................... 1225.2. Együttes eloszlásfüggvény.......................................................................... 1285.3. Kovariancia és korrelációs együttható ..................... .......... ...................... 133'5.4. Valószínűségi változók függetlensége.... ............................................ 1385.5. Feltételes eloszlás, feltételes várható érték, regressziós függvény ......... 141
6. Többdimenziós folytonos eloszlások* ................................ ...... ..............1496.1. Együttes sűrűségfüggvény ...................... .................................................... 1496.2. Várható érték, korrelációs együttható ....................................... ................ 1566.3. Valószínűségi változók függetlensége.................... .................................. 1596.4. Feltételes sűrűségfüggvény, regressziós függvény .................................. 161
7. Va lószínűségeloszlások .............. ................. ......... .......... .......................... . 1637.1. Karakterisztikus e loszlás....................................... .................. ................... 1647.2. Binomiális eloszlás .................. ...... .............................................................. 1657.3. Hipergeometriai e loszlás...... ......... ..................................... ................. . 1687.4. Poisson-eloszlás .................... ........ ..................................... ........ ................ 1717.5. Geometriai e loszlás........................................ .............................................. 1777.6. Egyenletes eloszlás ................................................................... ....... ........ . 1807.7.. Exponenciális eloszlás ............................................................................. . 183
8. N ormális eloszlás, normálisból származtatott eloszlások ....... 1888.3. Normális e losz lás........................................ ......................................... ....... 1888.2. A centrális határeloszlás-tétel ............................ ........................................ 1938.3. Normálisból származtatott eloszlások ................... ..................................... 1968.4. Kétváltozós normális eloszlás* ................................................................... 200
9. Becslő formulák ............................... ................................................................2039.1. Markov- és Csebisev-egyenlőtlenség .................... ................... ........... . 2039.2. A nagy számok törvénye..............................................................................208
Tárgymutató .................................. ......... ......... ............................ . 214
6
ELŐSZÓ
Az oktatási feltételek megváltozása miatt újra át kellett gondolni, melyek azok az ismeretek, amelyek a képzési cél eléréséhez feltétlenül szükségesek, és a rendelkezésre álló időn belül megfelelő mélységig oktathatók. Ezeket a könyv azon részei tartalmazzák, amelyeket sem a csillag jelzéssel, sem apró betűs szedéssel nem különböztettünk meg. Az apró betűvel szedett, illetve csillaggal jelölt részek ajánlott ismereteket tárgyalnak, A könyvet úgy szerkesztettük, hogy a jelzés nélküli részek apró betűs, illetve csillaggal jelölt részekre ne hivatkozzanak.
A megértést példákkal, ábrákkal igyekeztünk elősegíteni, így a könyv reményeink szerint önálló tanulásra is alkalmas, és a nappali tagozatos hallgatókon kívül a levelező- és távoktatásban részt vevő hallgatók is eredményesen használhatják.
Végezetül a szerzők nevében is köszönetét mondok a Budapesti Gazdasági Főiskola Módszertani Intézeti Tanszék vezetésének és munkatársainak munkánk segítéséért. Ugyancsak köszönet illeti a lektorokat és dr. Emyes Éva egyetemi adjunktust a kézirat alapos átnézéséért és hasznos tanácsaikért.
Eredményes munkát kívánunk!
Budapest, 2007. január
Dr, Csernyák László szerkesztő
7
BEVEZETÉS
A valószínűségelmélet, valószínűségszámítás az a tudomány, amely a véletlen jelenségekkel foglalkozik. Magyar nyelvterületen az utóbbi elnevezés honosodott meg. A valőszínűségszámítás feladata a véletlen jelenségek összefüggéseinek, törvényszerűségeinek feltárása, a köztük levő kapcsolatok elemzése, azzal a céllal, hogy ezeket a gyakorlati problémák megoldásában tudatosan és eredményesen hasznosítani tudjuk.
A legrégibb ismert valószínűségszámítási probléma Lucas dal Borgo Pacioli 1494-ben Velencében nyomtatott könyvében található. Az akkor divatos labdajátékokkal kapcsolatban vetette fel a szerző azt a kérdést, hogyan osztozzanak a játékosok a téten akkor, ha a játékot félbehagyják. Amikor az újkor elején a világtengereken is megindult a hajózás, egyre inkább előtérbe került a kockázat kérdése. A ló. és 17. században igen széles körben elterjedtek a szerencsejátékok, ezért nem véletlen, hogy először éppen a kockajátékokkal kapcsolatban merültek fel olyan problémák, amelyek megoldása valószínűségszámítási meggondolásokat tett szükségessé. így feljegyezték, hogy Pascal (1623-1662) francia matematikus figyelmét a valószínűségszámítási problémák felé egy híres szerencsejátékosnak, de la Méré lovagnak egy hozzá intézett kérdése fordította. A szenvedélyes kockajátékos azt állította, hogy a szerencsejátékok néhányszor a matematikai szabályoknak ellentmondó eredményekhez vezetnek. Ebből a problémafelvetésből indult ki Pascal és egy másik matematikus, Fermat (1601-1665), és számításokkal cáfolták meg a francia nemes sejtését.
Később egy másik nagy matematikus, Jacobus Bemoulli (1654-1705) „Ars conjectandi” („A sejtés művészete”) című posztumusz munkájában először történt utalás arra, hogy az új matematikai elmélet alapvető fontosságú a tömegjelenségek vizsgálatában. Bemoulli unokaöccse! sikerrel alkalmazták a valószínűségszámítást a politikai tudományokban, a demográfiában, a gázok kinetikus elméletében, a döntéselméletet előkészítő feladatokban.
Jelentősen hozzájárultak még a valószínűségszámítás fejlődéséhez Huygens (1629-1695), de Moivre (1667-1754), Laplace (1749-1827). Ez utóbbi „A valószínűségek analitikai elmélete” című munkájában szigorú megalapozottsággal sorolja fel a valószínűségelmélet alaptételeit.
9
A 19. század nagy matematikusai közül Gauss (1777-1885), Poíncaré (1854- 1912), Csebisev (1821-1894), Markov (1856-1922), Ljapunov (1857-1918) nevét említjük meg.
Á múlt század első harmadában a valószínűségszámítás klasszikus módszerei már nem voltak elégségesek a valóságot új és új oldalról megközelítő természet- tudományok igényeinek kielégítésére. Kolmogorov 1933-ban megjelent „Á valószínűségszámítás alapfogalmai” című művében a valószínűség objektív értelmezéséből kiindulva a valószínűségszámítást teljes matematikai szigorúsággal néhány axiómára építette fel. Ezt megelőzően a magyar Jordán Károly, a francia Frédiét, az orosz Bemstein és még sokan mások is hasonló irányban munkálkodtak. Ezzel a valószínűségszámítás megalapozásával kapcsolatos több évtizedes vita nyugvópontra jutott, s a matematikának ez a fiatal ága mind elméleti, mind gyakorlati vonatkozásban rohamos fejlődésnek indult,
Ez az elmélet napjainkban is nagy fejlődésen megy keresztül, majdnem kivétel nélkül alkalmazható az összes tevékenységi területen, A valószínűségszámítás elméleti kérdéseiben, valamint közgazdasági, ipari,'’biológiai, fizikai, operációkutatási stb. alkalmazásában magyar kutatók kiemelkedő eredményeket értek el.
10
1. KOMBINATORIKA
A valószínűségszámítás klasszikus felfogása alapvetően két gyökérre támaszkodik, a kombinatorikára és az eseményalgebrára. Ezek közül történetileg is az első a kombinatorika, mellyel játékos formában már mindannyian kora gyermekkorunkban is találkoztunk.
Azt, hogy a tudomány is felhasználja a kombinatorika elméletét és módszereit, bizonyítja a gazdasági, természettudományos és műszaki szakirodalom sokrétűsége, nagy száma.
Ebben a fejezetben azokkal a - részben már ismert - kombinatorikai fogalmakkal és tételekkel foglalkozunk, melyek a klasszikus valószínűségszámítási feladatok megoldásához hasznos segítséget nyújtanak.
Kissé túl általános, de lényegét tekintve jó meghatározás szerint a kombinatorika a véges halmazok elmélete. Ez nem jelenti azt, hogy a kombinatorika minden, a véges halmazokkal kapcsolatos matematikai problémával foglalkozik. Főként csoportalkotási kérdéseket vizsgál. Ezek közül tankönyvünkben csak két alapfeladatra szorítkozunk, mégpedig megvizsgáljuk:
> Hányféleképpen lehet egy véges halmaz elemeit sorba rendezni.> Hányféleképpen lehet egy véges halmaz elemeiből bizonyos számú elemet
kiválasztani.
Természetesen kitérünk a fenti problémák megoldásánál kapott eredményeink közti összefüggések feltárására és néhány, speciális alkalmazási területére is.
1.1. Permutáció
A permutáció röviden adott számú elem sorba rendezését jelenti. Aszerint, hogy az elemek mindegyike különböző, vagy vannak köztük egyformák is, ismétlés nélküli vagy ismétléses permutációról beszélünk,
11
ISMÉTLÉS NÉLKÜLI PERMUTÁCIÓ
A könnyebb megértés kedvéért tekintsük a következő példát.
L L Példa,Egy beosztott bizonyos üzleti kérdés eldöntésére háromféle javaslatot dolgozott ki. Minthogy szerinte mindegyik javaslat rendelkezik előnyökkel, nehezen dönti el, milyen sorrendben ismertesse azokat főnökével és kollégáival a munkaértekezleten. Hányféle sorrendet alakíthat ki a munkatárs a prezentáción?
M e g o l d á s . Jelöljük a különböző javaslatokat A, B, C-vel! M ár csak az a kérdés, hányféle sorrendje írható fel ezeknek a betűknek?
Az első helyre háromféleképpen választhatunk betűt. Ha ezt beírtuk, a második helyre csak kétféleképpen választhatunk. Mivel bármely első választáshoz bármelyik második választás tartozhat, ez 3 -2 eset. A maradék helyre csak a maradék betűt tehetjük, így a sorrendek számai 3 - 2 1 - 6 . Ha A-t választunk elsőnek és B-t másodiknak, akkor ABC a sorrend, ha C -t másodiknak, akkor ACB , Hasonló a helyzet, ha B, illetve C az első. A hat sorrend:
ABC BAC CABACB BCA CBA
Természetesen nem kell feltétlen ragaszkodnunk ehhez a szisztémához, lényeges azonban, hogy ne veszítsünk el egyetlen sorrendet sem.
Szokás a lehetőségek összeszámlálását ún. fával (1.1. ábra), máskor un. „csésze” modellel szemléltetni.
I . hely 2. hely 3. hely sorrend
1. L ábra
Megjegyzés:A kombinatorikai feladatok megoldásánál sok esetben jól használható két alapvető szabály, melyeket célszerű megismerni, ezek: az összegzési és a szorzást szabály.Kissé leegyszerűsítve közöljük ezeket.
12
Összegzési szabályHa egy bizonyos A objektumot m-félcképpen lehet kiválasztani, egy másik, B objektumot pedig n-féleképpen, akkor a vagy A, vagy 3 kiválasztás m + ^-féleképpen lehetséges.
Ahhoz, hogy a fenti összegzési szabályt sikeresen alkalmazhassuk, meg kell követelnünk, hogy az 4 objektum egyik kiválasztása se essék egybe a £ objektum valamelyik kiválasztásával.
Szorzást szabályHa az A objektumot m-féleképpen lehet kiválasztani, és bárhogyan választjuk is ki A-t, a B objektumot /i-féleképpen lehet kiválasztani, akkor az (A, B) párt a megadott sorrendben m - n-féleképpen választhatjuk ki.
Természetesen előfordulhat, hogy nem rendezett párokat, hanem rendezett n-eseket, vagyis több elemből álló elemkombinációkat kell előállítanunk. Ezeket a feladatokat ugyanezzel a módszerrel oldjuk meg.
DEFíNÍCIÓ. Adott n különböző elem. Az elemek egy meghatározott sorrendjét az adott n elem ismétlés nélküli permutációjának nevezzük, és számukat a PH szimbólummal jelöljük.
1.1. TÉTEL, n különböző elem összes lehetséges sorrendjének (permutációinak) száma:
Pv = n ■ (n -1 ) • (n - 2) • ... * 1 = n ! (olv; n faktoriális).
Bizonyítás. A bizonyítást az előző példa megoldásánál felhasznált módszerrel végezzük el.
Az összes lehetséges sorrend összeszámlálásához tekintsük az egyes "helyek kitöltésének lehetőségeit! Az első helyen álló elem kiválasztására n lehetőségünk van, a másodikra n - 1 lehetőség, a harmadikra n - 2 lehetőség, , , , , az utolsó helyen álló elem kiválasztására már csak egy lehetőség marad (1.2. ábra).
1. 2. n.
/i-féleképpen (n-í)-féleképpen 1-féleképpen
1.2. ábra
így az n elem összes lehetséges sorrendjének, permutációinak száma:
Pn = n • (n -1 ) • (n - 2) • ... • 1 = ni
11.2. Példa.Egy színházi előadásra 5 fiú és 5 lány vett egymás mellé szóló jegyeket. Hányféleképpen ülhetnek le, ha két lány és két f iú nem ül egymás mellé?
13
MEGOLDÁS. A lehetséges elhelyezkedés vagy / I f i f i f i f i , vagyis fiú ül az első helyen, vagy l f i f l f i f i f , vagyis lánnyal kezdődik az ültetés. Minden fiú-ülésrendhez 5!-féle lány-ülésrend tartozik, és a fiúkat is 5!-féleképpen rendezhetjük sorba. A lehetőségek száma: 2-5!-5í=28 800.
Az alábbi példabelihez hasonló problémák gazdasági környezetben is gyakran előfordulnak, emiatt érdemes megismerkedni az ún. ciklikus permutációval. Ennek az a jellemzője, hogy a permutált elemeknek csak egymáshoz viszonyított helyzetére vagyunk tekintettel, vagyis két sorba rendezést csak akkor mondhatunk különbözőnek, ha forgatással nem vihetők át egymásba.
1.3, Példa,Hét kislány járja a körtáncot. Hányféleképpen állhatnak körbe?
M eg o ld á s . A tánc elején ki kell alakítani a kört. Álljon fel a táncot tani tó „főtáncos”, és hívjon maga mellé valakit. Erre 6 lehetősége van. Ezután a második táncos mellé hív újabb lányt, ekkor 5 személy közül választhat, és így tovább, amíg az utolsó kislány megfogja a „főtáncos” szabad kezét, és kialakul a kör. A lehetőségek száma: 6 • 5 • 4 - 3 ■ 2 ■ 1 = 6 !
Általánosan, n elem ciklikus permutációinak száma: Pu_x = (n -1)!
A ciklikus permutációval kapcsolatos szokásos feladattípus a kör alakú asztal mellé ültetés problémája is, melynek során a ciklikus permutáció csak azzal a megkötéssel használható, hogy az ülőhelyek azonos adottságokkal rendelkeznek, csak a személyek szomszédsági viszonyai fontosak.
Ismétléses permutáció
Az ismétléses permutáció abban különbözik az ismétlés nélkülitől, hogy a sorba rendezendő elemek között vannak egyformák (azonosak) is.
1.4. Példa,Egy négyfős hallgatói csoport tanári tévedésből kétféle feladatsort kapott, mégpedig egyvalaki A, hárman B változatot. Hányféle kiosztási lehetőség van?
MEGOLDÁS, a lehetséges kiosztások:' ABBB, BÁBB, BBAB, BBBA, összesen4-féle. Vagyis sokkal kevesebb lehetőség, mintha mindenki különböző változatot ima. Hogy a kétféle permutáció közti kapcsolatot meghatározhassuk, kiindulásként különböztessük meg a B jelű feladatsorokat indexekkel: Bt , B3, B2.
14
így, ha az első hallgató kapja az A jelű feladatsort, a többiek között 3! = 6 - féleképpen osztható szét a három B jelű, indexszel megkülönböztetett változat.
Ismétlésespermutációk ABBB BABB BBAB BBBA
Ismétlésnélküli
permutációk
AB\M2B2
AB1B2B2 AB * BxÁB2BjBiAB^BiBjABtJ3iB\
B1.1
ByÁB-tfiiBzABfBjBiABjB i
B3AB;B2B2AB2Bx
B-jhABfB \ByAB2 BzBiAB^ BjByAB 1BjBiÁBj
3 \
B \S2B3A BsBiBtAB2B tBy4 BjB^BiA BiB,B2AB3BzBjA
Ha a második hallgató íqa az A változatot, ugyanúgy 3!-féle B kiosztás! lehetőség társul hozzá, és így tovább a harmadik és negyedik hallgató esetében.
Megállapítható tehát, bármelyikük is kapja az A jelű feladatsort, a hozzá kapcsolódó indexes B esetszám 3!= 6. Tehát ekkor, ismétlés nélküli permutáció esetén, 4 • 3!= 4! lenne a megoldás. Ezek az esetek azonban a valóságban nem adnak új megoldásokat.
Vagyis az ismétlés nélküli permutációk száma annyiszorosa az ismétléses permutációk számának, ahányféleképpen sorba rendezhetjük egymáshoz képest az azonos tulajdonságú, a példában csak indexszel megkülönböztetett elemeket. Ebben a feladatban az ismétléses permutációk száma hatodrésze az ismétlés nélküli permutációk számának.
D e f i n í c i ó . Adott n elein, melyek között r (r < n ) különböző található, ezek ű, ,
a2> ■■■> ar .Ha az ű, elem /c, -szer, az a2 elem lc2-szőr, ... az a elem
kr -szer fordul elő, és k í + k2 + ... + kr — n , akkor az n elem egylehetséges sorrendjét ezen elemek ismétléses perm utációjának nevezzük.
A permutációk számát a p^ “ k szimbólummal jelöljük.
1.2. TÉTEL. Rögzített n, r és kt , k2, ..., kr esetén az ismétléses permutációkszáma:
Bizonyítás, Kövessük az 1.4, példában látott módszert.A tétel igazolásához az n elem egy tetszőleges permutációjában az ismétlődő
(azonos) elemeket egymástól megkülönböztetjük (pl. úgy, hogy indexekkel látjuk el őket). Á k t -szer ismétlődő elem ez esetben kx! különböző permutációt, a k1 -szőr ismétlődő elem k t l különböző permutációt jelent; és a gondolatmenetet folytatva látj uk, hogy egy ismétléses permutációból k t! k2 kr! különböző elemekből álló
permutáció nyerhető. Ha az ismétléses permutációk száma ’*'*, akkor az
ismertetett eljárást ezek mindegyikére alkalmazva kJ.k2\ - . . . - k t \P ^"k" " 'K) ismétlés-" nélküli permutációt kapunk, amely ni-sál egyenlő. Képletben
k}ík2\ •... ■ kF\P^,’kz"",k' ) =nl
Ebből már az 1.2. tételben felírt egyenlőség adódik.
Megjegyzés:Általában a probléma megfogalmazásából következtetünk arra, ismétlés nélküli vagy ismétléses permutáció segít-e a megoldásban. Nézzünk egy példát erre!
1.5. Példa.Egy nőiruha-üzlet egyik polcán öt különböző méretű pulóver van összehajtva egymáson, közülük kettő lila, három rózsaszín.
Hányféle sorrend alakítható ki köztük, ha a mérettől eltekintünk, csak a pulóverek színe fontos?
Hányféle sorrend alakítható ki köztük, ha egymáshoz képesti elhelyezkedésükben a méretre is tekintettel vagyunk?
M egoldás.Míg az első kérdés megválaszolásához az ismétléses, a másodikéhoz az ismétlés nélküli permutáció segít hozzá. Ha a mérettől eltekintünk, akkor a színösszeállítások lehetséges számát ismétléses permutációval határozhatjuk meg, vagyis a sorba rendezés lehetőségeinek száma:
Ha a méret is fontos, akkor az öt különböző tárgy sorba rendezési lehetőségeinek számát keressük, amely Pa = 5!= 120 .
16
1.2. Variáció
A variáció hétköznapi, egyszerű megfogalmazásban különböző elemek közül adott számú elem kiválasztását jelenti, azzal a feltétellel, hogy a Idválasztás sorrendje sem közömbös. Ahogy a permutációknál, itt is beszélhetünk ismétléses és ismétlés nélküli variációkról, attól függően, megengedjük-e egy elem többszöri kiválasztását.
Ismétlés nélküli variáció
Tekintsünk ismét először egy példát!
1.6. Példa.A cég hat, eddig kiváló teljesítményt nyújtott dolgozója között három különböző hétvégi utazást sorsolnak ki. Mindenki legfeljebb egyféle jutalomban részesül. Hányféleképpen végződhet a sorsolás?
MEGOLDÁS, a megoldáshoz felhasználhatjuk a permutációknál már megismert modelleket.
Először az első utazásra sorsolunk ki valakit, ennek ó-féle lehetősége van. Ezután kisorsoljuk a második, majd a harmadik utazás nyertesét (1,3. ábra). Mivel ezeket nem nyerheti meg ugyanaz a személy, már csak 5, illetve 4 esélyes maradt. A lehetőségek száma összesen: 6 • 5 • 4 = 120.
2. 3,
6-féleképpen 5-féleképpen 4-féleképpen
I 1.3. ábra
DEFINÍCIÓ. Adott n különböző elem. Ha adott n elem közül k elemei (0 < k< n) úgy választunk ki, hogy mindegyik csak egyszer kerül sorra, és a kiválasztás sorrendje is számít, akkor az n elem egy k-adosztályú ismétlés nélküli variációját kapjuk.
A z n elem egy A-adosztályú ismétlés nélküli variációinak számát a V* szimbólum jelöli.
Az előző példa megoldása (V* - 6 ■ 5 ■ 4) általánosítható, melyet tétel formájában fogalmazunk meg.
1.3. TÉTEL. Adotí n elem összes k-adosztályú ismétlés nélküli variációinak száma: V* = « ■ ( « - 1) • (n - 2) + 1).
Más alakban: V k = — '.... .' (n — k)\
Bizonyítás. Ha n elem közöl k darabot választunk ki úgy, hogy a kiválasztás sorrendjére is tekintettel vagyunk, akkor az elsőt w-ből, a másodikat (n - l)-ből, a harmadikat ( n - 2)-ből, az utolsót n - ( k - í ) = n - k + l elemből választhatjuk.
Ez összesen: Vj - n ■ (n - 1 ) ■ (n - 2) • - (n - k + \) lehetőséget jelent.
Könnyen belátható, hogy a variációk számának kétféle felírása ekvivalens.
Megjegyzés:Ha n - k , az n elem &-adosztályú ismétlés nélküli variációinak száma megegyezik az n elem ismétlés nélküli permutációinak számával.
Ahhoz, hogy a variációk számának tört alakú kiszámítási módja értelmezhető legyen, szükséges a 0!= 1 definiálása.
1.7. Példa.Egy dobozban 10 cédula van, 0, 1, 2, 3, 4, 5, ó, 7, 8, 9 számjegyekkel megjelölve. Egymás után négy cédulát húzunk ki, úgy, hogy a kihúzott cédulát a húzás után nem tesszük vissza. A kihúzott cédulákon levő számjegyeket a húzás sorrendjében újuk egymás mellé. Hány esetben kapunk:a) páratlan négyjegyű számot;b) 1 0 -zel osztható négyjegyű számot?
M e g o l d á s .a) Ha a végeredmény négyjegyű páratlan szám, akkor utolsó helyen az 1, 3, 5,
7, 9 valamelyike állhat, azaz az utolsó helyet 5-féleképpen tölthetjük tó. Marad még 9 számjegy. Az első helyen a 0-t Idvéve minden megmaradt jegy szerepelhet, ez 8 lehetőséget ad. A második helyen, mivel már két számot előzőleg elhasználtunk, 8 -féle, a harmadik helyen 7-féle számjegy szerepelhet. Az összes lehetőségek száma:
5 - 8 -8 -7 =2240.
b) Ha a négyjegyű szám 10-zel osztható, ez azt jelenti, hogy Q-ra végződik, azaz az első három hely kitöltésére annyi lehetőség van, ahányféleképpen a9 jegyből hármat ki tudunk választani, a sorrendet is tekintetbe véve:
V* - 504.
18
ISMÉTLÉSES VARIÁCIÓ
Fogalmazzuk át az 1.6. példát!
1.8. Példa.A cég hat, eddig kiváló teljesítményt nyújtott dolgozója között három, különböző hétvégi utazást sorsolnak ki. Hányféleképpen végződhet a sorsolás, ha nem zárjuk ki, hogy egy "dolgozó több utazást is nyerhet?
M egoldás. Először az első utazásra sorsolunk ki valakit, ennek 6-féle lehetősége van. Ezután kisorsoljuk a második utazás nyertesét. Mivel ezt ugyanaz a személy is megnyerheti, újra 6 esélyes maradt. Majd ugyanígy a harmadiknál. A lehetőségek száma összesen: 6-6- 6 = 216.
DEFINÍCIÓ. Adott n különböző elem. Ha az adott n elem közül k elemet úgy választunk ki, hogy egy elem többször is sorra kerülhet, és a kiválasztás sorrendje is számít, aklwr az n elem egy k-adosztályú ismétléses variációját kapjuk
Az n elem fr-adosztáiyű ismétléses variációinak számát a V k(i) szimbólummal jelöljük.
1.4. T é te l . Adott n elem összes k-adosztályú ismétléses variációinak száma- VKktn=nk.
Bizonyítás. Ha n elem közül k darabot választunk ki úgy, hogy a kiválasztás sorrendjére is tekintettel vagyunk, akkor az elsőt n-ből, a másodikat szintén n- ből, a harmadikat is »~bol, és az utolsót, a A-adikat is n elemből választjuk. Ez összesen nk lehetőséget jelent.
19
1.3. K o m b i n á c i ó
A kombináció különböző elemek közül adott számú elem kiválasztását jelenti, azzal a feltétellel, hogy a kiválasztás sorrendje közömbös. Ebben az esetben is beszélhetünk ismétléses és ismétlés nélküli kombinációkról, attól függően, megengedjük-e egy elem többszöri kiválasztását.
Ismétlés nélküli kombináció
Változtassuk meg ismét kissé az 1.6. számú példa feltételeit, és vizsgáljuk így a sorsolás lehetőségeinek számát!
1.9. Példa.A cég hat, eddig kiváló teljesítményt nyújtott dolgozója között három, azonos hétvégi utazást sorsolnak ki. Mindenki legfeljebb egyféle jutalomban részesül. Hányféleképpen végződhet a sorsolás?
I. MEGOLDÁS.Az új feladat abban különbözik az 1.6. példától, hogy lényegtelen, kit melyik útra sorsolnak ki, vagyis elsőként, másodikként vagy harmadikként nyer, csak az a fontos, hogy benne legyen a három kiválasztott között. Jelöljük most a kiválasztási lehetőségek számát C] -mai! Ha az utazások egyformák, akkor a három nyertes megadása egy esetet jelent. Ha most megkülönböztetnénk az utazásokat, akkor ebből az egy esetből 3!=6 esetet lehetne csinálni, hiszen ennyiféleképpen cserélgethetjük az utazásokat köztük. De így a variációk számát kapjuk, ezért
c> 3 != r(\ é s e tw i:
II, Megoldás.A hat kiváló dolgozó: András, Béla, Cili, Dóra, Emma és Feri közül hárman nyerhetik meg az utazást. Jelöljük a nevük alatt + előjellel, ha nyertek,- előjellel, ha nem nyertek. Minden kiválasztási lehetőséghez tartozik egy jelsorozat, és megfordítva. Kérdés, hány különböző, rendezett, + és - előjelekből álló hatos sort lehet képezni?
20
András Béla Cili Dóra Emma Feri1. + + + - -2, + + .... + _3. + + + -4, + + - — +5. + _ + + _ _6. + + _ + _
í t T” -L + - - +8. ~r +~ + _9, + - + _ +
10. + _ _11. _ + ■f + _12. - + + _ + -13. - + + - - +14, _ + _ + + _15. + + „ +16. - + _ - + 4*17. _ _ + + + _
H íg 7 1 -4- + +19. _ _ + - 4-20. _ __ _ + + 4-
Amint látjuk, nincs másról szó, mint arról, hogy három + jelet és három - je let hányféle sorrendben lehet felírni. A lehetséges sorrendek száma:
c , * - p , M = 6 13! 3!
Megjegyzés:Az ötös LOTTÓ húzásának aktusát megfigyelve szintén ezt láthatjuk. Noha az ötszerencseszámot egymás után választják ki, a nyereményt csak az határozza meg,hány, általunk megjátszott szám van az őt között, függetlenül a húzás sorrendjétől.Ha számítana a sorrend, az 5 számot 5! -féleképpen rendezhetnénk, de ez már90 elem 5-ödosztályú ismétlés nélküli variációja lenne. Ezért a húzás lehetőségei
renek száma: -22. = cL .
51
DEFINÍCIÓ, Adott n különböző elem. Ha az adott n elem közül k elemet (0 < k < n) úgy választunk ki, hogy mindegyik csak egyszer kerül sorra, és a kiválasztás sorrendje nem számít, akkor az n elem egy k- adosztályú ismétlés nélküli kombinációját kapjuk.
21
Az n elem fc-adosztályű ismétlés nélküli kombinációinak számát a C* szimbólum jelöli,
1.5. TÉTEL. Adott n elem összes k-adosztályú ismétlés nélküli kombinációinakni
száma: C„ = -k\-{n — k)\
A fenti kifejezést szokás az\ 1i j
szimbólummal is jelölni (olvasd: n a latta k).
Bizonyítás. A bizonyítást a mintafeladat megoldásához használt mindkét módon elvégezhetjük.
I, írjuk fel az n elemet egymás mellé! Ezek közül válasszunk ki k elemet minden lehetséges módon, Egy-egy ilyen kiválasztási lehetőséget szemléltethetünk úgy, hogy a kiválasztott elemek alá +, a nem kiválasztottak alá - jelet írunk, így az n elemet két csoportra osztjuk, közülük k e lem +, n - k elem - jelet kap, aszerint, hogy az adott elemet kiválasztottuk-e vagy sem. Ha a + és - je leket minden lehetséges módon elhelyezzük (permutáljuk), majd az azonos sorban álló + jelek feletti elemeket egy-egy csoportba összegyűjtjük, akkor megkapjak n elem összes /c-adosztályú ismétlés nélküli kombinációit,
Hány különböző, k darab + és n - k darab - előjelből álló sorozatot tudunk felírni? Ez megegyezik a + és - jelek olyan ismétléses permutációinak számával, amelyekben a + jel £-szor, a - jel (n - k )-szór fordul elő.
Az ismétléses permutáció összefüggését felhasználva;
Q k _ p ( k j t - k ) ■
k\{n - k ) \
II. A lehetőségek összeszámlálását kezdhetjük azzal, hogy az ismétlés nélküli variációnak megfelelően kiválasztjuk a A db elemet, tekintetbe véve a sorrendet is. Ezek száma atmyiszorosa a keresett lehetőségek számának, ahányféleképpen a kiválasztott eleinek sorba rendezhetők, C* - k \ =V* . Innen egyszerű egyenletrendezéssel kapjuk meg az általánosított feladat megoldását.
c * _ K n\ ^ n ( n - l ) . . . ( n - * + l)" k\ k \ ( n - k ) \ ki
22
1.10. Példa,Hányféleképpen oszthatjuk ki a 32 lapból álló magyar kártyacsomagot négy já tékos között,a) ha mindenki 8 lapot kap?b) Hányféleképpen történhet az osztás, ha mindenkinél van hetes?
a)I. M e g o ld á s . Legyenek a játékosok Anna, Berci, Cili és Dani. Osszunk elő-
-féleképpen tehetjük meg. A megmaradószőr Annának 8 lapot! Ezt
^24 LH24 kártyából Berci -féleképpen kaphatja meg 8 lapját, ezután Ciliét
már csak 16 lapból választjuk/ 16''
, majd Dani egyértelműen a maradék
8 lapot kapja. A lehetőségek száma:
3 2 - 3 1 - . -25 24-,.,-17 16*. . . -9/3 2 >i ( 2 A )
, 8 j u ,, 8 ,
V 8! 8 !
32!(8!)4
= 9,956-10'6.
I I M e g o ld á s . Közelítsük meg a problémát úgy, hogy egy keverés után az egyes kártyalapokhoz hozzárendeljük a négy játékos nevének kezdőbetűjét, mégpedig nyolc-nyolc esetben. Ezután adjuk minden játékosnak azt a lapot, amelyik mellett az 6 kezdőbetűje áll. A kérdés most az, hány különböző sorrendje van a nyolc A, nyolc B, nyolc C és nyolc D betűknek?
A megoldást visszavezettük 32 elem ismétléses permutációinak meghatározására, ahol
p(8,8,8,8» _ 32! ss 8!-8!-8!-8!
= 9,950-10"
A két megoldás más-más modell felhasználásával természetesen ugyanazt az eredményt adja.
b) Ha biztosan van mindenkinél egy-egy hetes, ezek 4 .'-féleképpen lehetnek az egyes játékosok kezében. Minden egyes hetes elhelyezkedéshez tartozik annyi lehetőség, ahányféleképpen a négy kézben levő, összesen 23 lap kiosztható.
28'így az összes lehetőségek száma; 4!--------- :—
7J-7Í-7!-7!
23
Ismétléses kombináció
Ismét kezdjük a tárgyalást egy könnyen követhető mintapéldával!
1.11. Példa.Cégünk karácsony előtt megajándékozza személyesen is megjelenő partnereit kettő, a partner által négy különböző közül tetszőlegesen kiválasztható reklámtárggyal. Az emblémás ajándéktárgyak a következők: esernyő, exkluzív toll, széldzseki, iratmappa. Hányféleképpen állíthatja össze ajándékait az éppen cégünknél tárgyaló partner, ha lehetősége van arra is, hogy a két tárgy azonos legyen, ha ez tetszik legjobban?
MEGOLDÁS,A mintafeladat megoldásához ismét vegyünk fel egy táblázatot!Töltsük ki a táblázatot úgy, hogy az egyes tárgyak alá annyi + jelet írjunk, ahányat ebből a partner beválasztott a csomagjába, és 0 -át elválasztásként a tárgyak közé. Minden lehetséges jelsorozatban 2 db + jel és 3 db 0 áll.
Esernyő Toll Széldzseki Iratmappa
1 . + + 0 0 0
2. + 0 + 0 0
3. + 0 0 + 0
4. + 0 0 0 +5. 0 + + 0 0
6, 0 + 0 + 07. 0 0 0 i
8. 0 0 + 0 +
9. 0 0 + + 0
10. 0 0 0 + +
Ha a táblázatot elkezdjük szisztematikusan kitölteni, látjuk, hogy az öt tagból álló jelsorozat mindegyikének egyértelműen megfeleltethető egy választás, és megfordítva. Számoljuk össze, hány különböző jelsorozat írható fel!
A megoldást az ismétléses permutáció segítségével könnyen megadhatjuk:
24
DEFINÍCIÓ. Adott n különböző elem. Ha adott n elem közül k elemet úgy választunk ki, hogy egy elem többször is sorra kerülhet, és a kiválasztás sorrendje m m számít, akkor az n elem eg)> k-adosztályú ismétléses kombinációját kapjuk.
A z n elem /c-adosztályú ismétléses kombinációinak számát a C f !) szimbólummal jelöljük.
1.6. TÉTEL. Adott n elem összes k-adosztályú ismétléses kombinációinak száma:
C m =/ n + k - Ú
kN S
Bizonyítás. A bizonyítást a mintafeladat megoldásához használt módon könnyen elvégezhetjük. A kiválasztási lehetőségeket számláljuk össze a táblázat segítségével!
Á képzeletbeli táblázat oszlopaiban az n különböző elem, illetve minden két elem között egy-egy elválasztó oszlop van. Minden elem alá tegyünk annyi + jelet, ahányszor kiválasztottuk az adott elemet. Válasszuk el egymástól az elemeket 0-val. így egy-egy, k darab + jelből és n - 1 darab 0-ból álló jelsorozathoz jutunk, A kiválasztások és jelsorozatok kölcsönösen megfeleltethetők egymásnak. A kérdés leegyszerűsödött arra a problémára, hány különböző jelsorozatot tudunk felírni.
Ezek száma megegyezik a + és 0 jelek ismétléses permutációinak számával,azaz:
(n + k - l ^—■ N ' "S —;»+i-' -.X. /,
\ ^ Jr m _ (» + * - ! ) !
k\(n — 1)!
Sokszor előfordul, hogy adott feladat megoldása helyett könnyebb az „ellenkezőjét” megválaszolni.
1.12. Példa.Egy kockával hatszor dobunk. Hány olyan dobássorozat képzelhető el, melyben legalább egyszer előfordul a hatos?
I. MEGOLDÁS. A fenti feladat megoldására ismét kétféle gondolatmenetet használunk.
Először közelítsük a problémát a kérdésfeltevésnek megfelelően, tehát vagy egyszer, vagy kétszer, vagy háromszor, ... dobtunk hatost a dobássorozatban, Ezek száma:
25
1-szer hatos:
2 -szer hatos:A
"613-szór hatos:A
4-szer hatos:
Í615-ször hatos:,5 ,
f6l6 -szor hatos:-A
■5 "=18 750;
■54 = 9375;
•53 = 2500;
*52 — 375;
•5'= 30;
■5°=1.
Mivel ezek az események egyszerre nem fordulhatnak elő, az egyes lehetőségek összege adja a feladat megoldását. így a kedvező dobássorozatok száma összesen: 31 031.
H. M e g o l d á s . Második összeszámolásunkban vegyük a probléma ellentetjét! Vagyis nézzük meg, hány olyan dobássorozat van, amelyben nincs egyetlen hatos sem! Vonjuk Id ezeket az eseteket az összes dobássorozat lehetőségeinek számából, és így megkapjuk a keresett esetszámot!
Az összes lehetséges dobássorozat száma: 6 6 = 46 6 5 6 .
„Rossz” dobássorozatok száma (nincs bennük hatos): 5S = 15 625 .
Vagyis a nekünk tetsző dobássorozatok száma: 6 6 - 56 =31 031.
1.4. Binomiális tétel
A kombinatorika eszközeivel egyszerű módszert nyerhetünk egy kéttagú kifejezés (binom) «-edik hatványának polinommá történő alakítására. Ezt mutatja be a kővetkező, ún. binomiális tétel.
26
1 ,7 . TÉTEL. Tetszőleges kéttagú kifejezés (binom) bármely nemnegatív kitevőjű hatványa polinommá atalátható a következő módon:
(a + b y =/ '' n '
a 4- a ”-'b + ...+
it
- I Kk j
v v
/ f l^
\ n ~ lJab'1-1 + b" =
a b ( n e N ; a , i e R ) ,
Az szimbólumot - a binomiális tételben betöltött szerepe miatt - binomiá
lis együtthatónak nevezzük.Figyeljük meg, hogy az összeg n +1 tagból áll, az a és a b kitevőjének az
összege minden tagban n. Pa, a kitevője n-től 0-ig fogy, míg a b kitevője 0-tól re-ig növekszik és megegyezik az n alatti számmal.
A binomiális tételt n - l , 2, 3 -ra alkalmazva, az algebrából már jól ismert azonosságokhoz jutunk:
' in -1 esetén (a + b f = +- a°bl - a + b;
,1
'2 na2b° +
/ 2'' . . ( 2 Srr a h +\,0 / 2
n = 3 esetén (a + b f =' V /
c V +7 ,
\a b + a lb2 +,0y vO A
a.%1 = a2 + 2ab + b1;
3 'a b =
■■ai + 3a2b + 3ab2 + b}
A tétel n = 0 esetén is igaz, hiszen (a + h f -0
a°b° = 1
Bizonyítás. Az (a + b)" nem más, mint egy olyan n-tényezős szorzat, amelynek minden tényezője (a + b), azaz
(a + b)" = (a + b)(a + b) . . . (a + b) , n> 2 .
A szorzást elvégezhetjük úgy, hogy minden tényezőből egy-egy tagot szorzunk az összes lehetséges módon, és az így nyert szorzatokat összeadjuk.Például n = 3 esetén: (a + b f = (a + b)(a + b)(a + b ) ,
Ha mindhárom tényezőből az a-1 szorozzuk össze, c 3 -t kapjuk. Ha két {a + b) tényezőből a-1, a harmadikból b-1 vesszük, a2b -t kapunk. Ezt azonban
27
háromféleképpen tehetjük meg, hiszen a b-t választhatjuk az 1., a 2. vagy a 3. tényezőből. így tehát 3a2b adódik.
Ha egy (a + b) tényezőből választjuk az a-1, a másik kettőből a b-1, akkor
ab2 lesz a szorzat. És mivel ezt is háromféleképpen tehetjük meg, 3ab2 -et kapunk. Végül, ha egyik (a + b) tényezőből sem választunk a-t, más szóval mindhá
romból a b-t szorozzuk össze, b3 lesz a szorzat. így (a + b f + 3a2 b + 3abz + b \
I 2 íjHasonló módon járunk el (a + b)H =(a + b)(a + b) ... (a + b), n > 2 esetében is.
Ha mindegyik (a + b) tényezőből az a-t szorozzuk össze, a" adódik.
Ha n -1 tényezőből az a-t, egyből a b-t szorozzuk össze, a “~'b lesz a szorzat. De mivel ilyen szorzatot n esetben kapunk, mert az n tényező bármelyikéből választhatjuk a b-t, tehát na"~'b lesz az eredmény.
Ha n - 2 tényezőből a-t, kettőből b-t vesszük, a"~2b 2 lesz a szorzat. Mivel
azonban a b-t -féleképpen választhatjuk ki az n darab (a + b) tényezőből,
ÖsszesenV2y
a"~2b lesz az eredmény.
Hasonló módon, ha n - 3, n - 4 , ... tényezőből választunk a-t, a többi 3 ,4 , . . . tényezőből b-t, akkor «"”3ö3, a “~AbA, ... szorzatokhoz jutunk. Az
együtthatók pedig sorra/ . _\ f \n n
,3 ,?
,4y, ... lesznek, hiszen ennyiféleképpen választhat
juk ki azokat az (a + b) tényezőket, amelyeknek a b tagja szerepel a szorzatban.Végül, ha egyik tényezőből sem választunk a-t, azaz mindegyikből b-t szer
zünk össze, b" adódik.Az így nyert szorzatok összege, felhasználva, hogy
/ ,= 1 és n -( n)
a következő:
n na. b + ... +
n=
,0 ,ül +
Knjb",
és ezzel a tételt bebizonyítottuk.
28
1.13. Példa.Fejtsük ki a binomiális tétel alapján az ( j c2 - 2 y 3)5 hatványt!
/ 5"| , 5 / 5'v ( 5\( ^ ) 5 +
w{x5r (- 2 / y + ^ ( x2f ( - 2 y i ) 2 +
í 5^+ (X2y - ( - 2 / y + (x2) ' ( - 2 y y +v3y
- - íoxy + 4o*y - 80 *y + sox1/ 2 - 32ys.
1.5. A binomiális együtthatók néhány tulajdonsága
A binomiális együtthatókat ( n - 0 , 1, 2, ... értékekre) az ún. Pascal-féle három szögben helyezhetjük el.
n = 0
n — 1
n — 2
n — 3
n= 4
n - 5
vOy
í 1l\
4*1 (4''
l o j
vb
) ' i \
í 3'.2,) A\ ^4S\ '4
J v3,í v4 1f s'1 l
’51 (-5],3, \,4 j A
Az n értékelőiek megfelelően beszélhetünk 0-adik, első, második stb. sorról. A szimbólumok helyébe azok konkrét értékét beírva a Pascal-háromszög:
29
1
1 1 1 2 1
1 3 3 1 1 4 6 4 1
1 5 10 10 5 1
A Pascal-háromszög képzési szabályára e néhány sorból is következtethetünk. Minden sor kezdő és utolsó eleme 1. Minden sorban a középre szimmetrikus elemek egyenlőek, és bármely sorban az egymás mellett lévő számok összege egyenlő az alattuk levő számmal, A binomiális együtthatókra tehát érvényesek a következő tulajdonságok:
1 .8 . T é te l . Bármely k, n e N és 0<,k<n esetén fennáll
a) a szimmetriatulajdonság
( V ' n '
\n ~ kJb) az összegtulajdonság
’n + Ú
k + \,
c)
\ k j
n
k + 1
\
+
V
' n '
v2 j- 2 ".
Bizonyítás.a) Az állítás helyességéről könnyen meggyőződhetünk, hiszen értelmezésünk sze
rint:
V * /
ni( n - k ) l k l
ésn - k
ni ni
Mivel azonban a két összefüggés csupán a nevezőben szereplő tényezők sorrendjében tér el egymástól, így valóban igaz állításunk,
b) Tudjuk, hogy
v * ,
n\( n~k) \ k \
ésk + 1
ni[ » - ( * + !)]! ( * + !)!
30
Összeadva a két törtet
ni n\(k + í) + n \ ( n - k ) _( n - k ) \ k \ (n — k — !)!(£ 4-1)! (n -/c)!(/c +1)!
_ n\(n + 1) _ (re + 1)! +~ ( n - k ) \ ( k + 1)!~ (n~k ) l ( k + 1)1 ~ U + 1J
c) Az állítás helyességét a binomiális tétel segítségével könnyen igazolhatjuk. Legyen ugyanis a - 1 és 6 = 1, ekkor a binomiális tétel szerint
(1 + 1)"V
r~ T + . . . +vOy
rj<> + l Y
ahonnan
n n n— + +. . . +
Megjegyzés:a) A szimmetriatulajdonság állítása könnyen belátható algebrai átalakítás nélkül is,
egyszerű, gondolati úton. n elem közül ugyanannyi-féleképpen lehet k darabot kiválasztani, mint (n - k)-t, hiszen minden egyes k elemű részhalmaz kiválasztásánál kiválasztódik az ott maradó n - k elemű részhalmaz is.
b) Az összegtulajdonság bizonyítását szintén elvégezhetjük egyszerű, gondolati úton is.Az állítás jobb oldala átfogalmazható arra a kérdésre, hogy valamely n +1
elemű halmazból hányféleképpen lehet k +1 elemű részhalmazt kiválasztani.Tüntessük ki az n + 1 elemű halmaz egy elemét, vizsgáljuk meg, bekerül-e
ez az elem a kiválasztottak közé?Két eset van: a kitüntetett elem vagy beletartozik a k +1 kiválasztott közé,
vagy nem.Ha igen, a részhalmaz maradék k elemét a kiindulási halmaz n eleme kö
zülí y{\
féleképpen választhatjuk. Ha a kitüntetett elem nincs a kiválasztottak
között, mind a A + 1 elemet a kiindulási halmaz n eleme közül választjuk
féleképpen, A két esetszám a kizáróság miatt összeadódik. Vagyis
k + 1
n + r
k + 1,c) A. c) szabály bizonyításával egyben azt is beláttuk, hogy bármely n elemű hal
maznak 2" részhalmaza van, amibe beleszámoltuk az üres halmazt és az alaphalmazt is.
31
2. ESEMÉNYALGEBRA
Ha egy játékkockát elejtünk, abban biztosak lehetünk, hogy leesik, méghozzá az elejtés magasságától függően egyértelműen meghatározható idő múlva, szintén pontosan számítható sebességgel ér földet.
Azt, hogy mennyi lesz a „dobott szám”, nem tudjuk előre egyértelműen meg-: mondani, úgy szoktunk fogalmazni, ez a „véletlen műve”. Persze elkezdhetnénk: számolgatni, és a fizika törvényszerűségeit felhasználva, feltételezve, hogy a kocka; szabályos, a kezdeti feltételek precíz rögzítése után sok-sok munkával kiszámolható lenne az eredmény. Hétköznapi tapasztalatunkból kiindulva megállapíthatjuk,; hogy a kezdeti feltételek megállapítása sokkal komolyabb nehézséget jelentene, mindamellett számos további bizonytalanságot is rejtene, így sok más jelenséggel: együtt a kockadobást is véletlen jelenségnek tekintjük. Eddigi megfigyeléseinkkel: összhangban, azt mondjuk, az 1, 2, 3, 4, 5 és 6 számok közül mindegyikre azonos eséllyel számítunk,
A fenti példából kiindulva beszélhetünk tehát egyrészt tisztán determ inisztikus, a körülmények által előre, egyértelműen m eghatározott lefolyású jelenségekről, Ezek a természettudományok által leírt, pl. klasszikus fizikai, kémiai, műszaki tudományokból ismerősek.
Az események másik csoportja a köznyelv által véletlennek, a matematikában, statisztikában sztochasztikusnak nevezett jelenség. Ezeknek lefolyását teljes biztonsággal nem tudjuk megállapítani, mivel az összes körülményt egyrészt nem ismerjük, másrészt még ezek ismeretében is nehezen, túl nagy apparátus segítségével állíthatnánk valamit a lefolyásról. Ebben az esetben csak arra törekszünk, hogy megismerjük a lehetséges kimeneteleket, és ezek előfordulásának valószínűségéi határozzuk meg. Elmondható tehát, hogy a véletlen jelenségeknek is oka van, de a jelenséget befolyásoló, lefolyását meghatározó összes feltételt, körülményt általában nincs lehetőségünk, illetve esetleg nem is akarjuk megismerni.
Az eseményalgebra a valószínűségszámítással kapcsolatos véletlen jelenségek leírását, megértését teszi lehetővé. Ebben a fejezetben definiáljuk az esemény- algebra legfontosabb fogalmait, ezután megismerkedünk az események közti műveletekkel és összefüggésekkel.
32
2.1. Alapfogalmak
A bevezetőben említett véletlen jelenségeken belül a valószínüségszámítás olyan véletlen jelenségek vizsgálatával foglalkozik, melyeket azonos körülmények között (elvileg) akárhányszor megismételhetünk. A z ilyen jelenségeket véletlen tömegjelenségeknek nevezzük. A meghatározásban nagyon erős az a feltétel, hogy azonos körülmények között biztosítható legyen az akárhányszor! megfigyelés. Gondolhatunk itt az ókori bölcs, Hérakleitosz szavaira, miszerint kétszer ugyanabba a folyóba nem tudunk belépni. Miért tekinthető sok jelenség mégis megfelelőnek ebből a szempontból, azt jól példázza az egyszerű, a valószínűségszámítás kialakulásához vezető szerencsejáték. Azt mindannyian könnyen belátjuk, hogy a kocka-, az érme-, a kártyajátékok sora nagyon jó közelítéssel azonos körülmények között tetszőlegesen sokszor lejátszható. Ehhez hasonlóan, azoknál a gazdasági folyamatoknál, melyeknél biztosítható a feltétel, a valószínűségszámítás eredményeit szintén felhasználhatjuk. Itt példaként csak a legkézenfekvőbb minőség-ellenőrzési eljárást, a mintavételt említjük.
Ha egy szokványos értelemben vett „véletlen jelenséget” megfigyelünk, azt nem tudjuk pontosan előre megmondani, mi következik be. de azt általában igen, milyen eseményekre, „kimenetelekre” számíthatunk. A sztochasztikus, véletlen jelenségeknek mindig több eredménye, kimenetele lehet.
A véletlen tömegjelenség megfigyelését kísérletnek nevezzük, függetlenül attól, hogy a jelenséget mesterségesen hoztuk-e létre, vagy rajtunk kívülálló okok miatt következett-e be. Adott kísérlethez sok esetben többféle megfigyelési lehetőség is rendelhető. Ezeket pontosan definiálni kell, mielőtt a lehetséges kimeneteleket számba vesszük. Fontos, hogy a kísérlet tetszőleges eredménye ismeretében eldönthető legyen, hogy bekövetkezett-e az adott kimenetel.
DEFINÍCIÓ. Valamely kísérlettel kapcsolatban a kísérlet lehetséges kimeneteleit elemi esem ényeknek nevezzük.
DEFINÍCIÓ, á z elemi események halmazát eseménytérnek nevezzük és H-val j e löljük.
Ha a kimenetelek száma végtelen sok, ezek közül nyilván csak véges sok fog megvalósulni, de a többit is számon tartjuk mint lehetséges kimenetelt. Tekintsünk néhány példát!
2.1. Példa.a) Legyen kísérletünk az, hogy feldobunk egy játékkockát, és megfigyeljük a
felülre kerülő pontszámot. Ennek a kísérletnek hat lehetséges kimenetele van, ezek:
33
az 1-es pontszám kerül felülre, a 2 -es pontszám kerül felülre, a 3-as pontszám kerül felülre, a 4-es pontszám kerül felülre, az 5-ös pontszám kerül felülre, a 6-os pontszám kerül felülre,
H ~ {hl; Aj, Aj, h4, Aj, h61,
A H elemeit sokszor célszerűbb a /?,, Aj, ... sfb. szimbólumok helyett csupán az indexeikkel, azaz az 1 , 2 , . . . stb, számokkal jelölni. Ez ugyanis félreértést nem okoz, sőt, növeli az áttekinthetőséget. így az eseményteret jelen esetben az alábbi módon is megadhatjuk:
H = {l, 2, 3, 4, 5, 6},
b) Álljon a kísérlet egy pénzdarab (érme) feldobásából. Ennél a kísérletnél két kimenetel jöhet szóba:
írás van felül, fej van felül.
(Eltekintünk attól az - elvileg lehetséges - esettől, amikor az érme az élén áll meg.)
Jelöljük az írás felülre kerülését í-vel, a fej felülre kerülését pedig /-fel, azaz h{ = i és h2 = f . Ekkor az eseményteret így is megadhatjuk:
H = { i , / } •
c) Álljon a kísérlet két kocka feldobásából Mindkét dobás eredménye az 1, 2,3, 4, 5, 6 számok valamelyike.
Tekintsük a kísérlet kimeneteleit a fenti számokból álló rendezett számpároknak:
H = l ( i , j ) | í = l, 2, , . . , 6; j = l, 2 , . . . , 6 j ,
ahol az i az egyik kockán, j a másik kockán kapott pontszámot mutatja. Itt a H egy 36 elemű halmaz.
d) Az orvosi rendelőben történő várakozás esetében megfigyeljük a várakozási idő hosszát. A kísérletnek annyi kimenetele lehet, mint ahány különböző időtartam elképzelhető, tehát a 0 és egy ésszerű K felső határ között bármilyen nemnegatív valós szám.
Bár a gyakorlatban a várakozási időt percekben mérjük és a perc törtré szé t nem jegyezzük fel, elvben mégis minden [0 ; K] intervallumba eső
34
értéket a kísérlet kimenetelének tekintünk;
H = [0;K] ,
ahol K egy pozitív valós szám (a várakozási idők felső határa).Az eseménytér szemléltetésére itt a 2.1. ábrán látható módot választhatjuk.
___________H
2.1. ábra
é) Megfigyeljük, hogy egy ABC-áruházba a nyitást követő első órában hány vevő jön be. Ekkor a kísérlet kimenetele azonosítható egy nemnegatív egész számmal, és
H = N.
Megjegyzés:Nem okoz problémát, ha a lehetséges kimenetelek halmazába beveszünk olyan „kimeneteleket” is, amelyek a gyakorlatban sohasem fordulnak elő, arra viszont ügyelnünk kell, hogy ne feledkezzünk meg olyanokról, amelyek ténylegesen felléphetnek.
A kockadobás nemcsak azért szerepel gyakran a valószínűségszámítással foglalkozó könyvek példái között, mert történetileg jelentős szerepet játszottak a szerencsejátékok a tudományág fejlődésében, hanem azért is, mert rajta keresztül egyszerűen, szemlélet alapján közelíthetők meg az alapfogalmak.
Ahogy a fenti példákból is látszik, előfordulhat, hogy azonos helyzetben másmás lesz a megfigyelés tárgya, és ezzel együtt a lehetséges kimenetelek halmaza. Vegyük például az orvosi rendelőben történő várakozással kapcsolatos jelenségeket! Megfigyelhetjük a várakozási idő hosszát, az előttünk megvizsgált betegek számát, a váróhelyiség hőmérsékletének változását, vagy akár rendszeres ellenőrzés alkalmával a rendelőben mért tömegünk értékét. A 2,1. példában felsorolt kísérletek egy részében a kimenetelek száma véges, mint pl. a kockadobásra vonatkozó kísérletnél, másokban elvileg végtelen, mint pl. a várakozási idő, a tömegünk, a hőmérséklet lehetséges értékei. Érdekes kísérlet a kimenetelek összeszámlálása szempontjából az előző példában az előttünk sorra kerülő betegek száma, melyben az eredmény elvileg tetszőleges természetes szám lehet: 0, 1, 2, k, ... . A valóságban természetesen csak véges sok eredmény képzelhető el, matematikailag azonban könnyebb megszámlálhatóan végtelen számú lehetséges kimenetellel dolgozni, pl. akkor, ha nem ismerjük a pontos felső korlátot.
35
A véletlen kísérletekkel kapcsolatban különféle állításokat fogalmazhatunk meg, amelyek helyességét a kísérlet kimenetele dönti el. Ezeket az állításokat eseményeknek nevezzük. Ilyen esemény a játékkocka feldobásakor például az, hogy páros számot dobunk, hogy legalább négyest dobunk stb. A pénztár előtti várakozási idő megfigyelésénél az, hogy 10 percen belül sorra kerülünk, vagy hogy legalább 2 percig kell vámunk stb,
Minden ilyen esemény az eseménytér valamely részhalmazával reprezentálható. Az az esemény, hogy a kockával páros számot dobunk, a H ~{l , 2, 3, 4 , 5, 6 } halma?. {2, 4, 6} részhalmazával is leírható. Az az esemény, hogy a várakozási idő 10 percnél kevesebb, megfogalmazható oly módon is, hogy megadjuk a várakozási idők [0 ; K} halmazának azt a részhalmazát, amelyet a mérési eredmény* ként nyerhető számértékek közül a 10-nél kisebb nemnegatív számok alkotnak. (Ez pedig nem más, mint a [0 ; 10 [ intervallum.)
2.2, Példa.A 2,1. példában ismertetett kísérletekre vonatkozóan különböző eseményeket fogalmazunk meg, majd megadjuk az ezen eseményeknek megfelelő részhalmazokat:
Véletlen esemény
a) A játékkockával 4-nél nagyobbszámot dobunk
b) Az érmével való dobáseredménye írás
c) A két kockával egyformaszámot dobunk
d) A pénztár előtt legfeljebb2 percig keli várnunk
e) Az üzletbe a nyitás utáni elsőórában 300-nál kevesebb vevőjön be.
A véletlen eseménynek megfelelő részhalmaz
{5, 6}.
M-(2 : 2 ) , . . . ( 6 ; 6 ) )
(x j x e [0 ; 2 ]}.
j n <300, s é N ) .
Az elmondottakból kitűnik, hogy a véletlen események és a halmazok között kölcsönösen egyértelmű kapcsolat létesíthető. így a véletlen események vizsgálatánál felhasználhatjuk a halmazelméletben megismert fogalmakat és összefüggéseket.
Ezek után nézzük meg, mi a véletlen esemény matematikai definíciója!
DEFINÍCIÓ. A H eseménytér egy tetszőleges részhalmazát véletlen eseménynek (röviden eseménynek) nevezzük.
36
A fenti definíciónak megfelelően az elemi események a H eseménytér egyetemit részhalmazai.
Megjegyzés:1 , A H eseménytér részhalmazait ezentúl - bár formailag halmazok - mindig
eseményeknek nevezzük. Az események nyelvén beszélünk, de szem előtt tartjuk, hogy halmazokról van szó. Továbbá, ha két eseményt ugyanaz a halmaz képvisel, akkor két esemény között nem teszünk különbséget, még akkor sem, ha esetleg szavakban másképpen fogalmazzuk is őket. így például az az esemény, hogy a kockával 3-nál kisebbet dobunk, ugyanaz, mint az az esemény, hogy a kockával 1 -et vagy 2-t dobunk.
2, Később látni fogjuk, hogy végtelen számosságú eseménvtéméi nem biztos, hogy minden részhalmaz eseménynek tekinthető.
Az események jelölésére a halmazoknál megismert jelölésrendszert alkalmazzuk, s ezért latin nagybetűkkel, A, B, C, ... stb., illetve indexszel ellátott latin nagybetűkkel, pl, Ax, A2, Á} ... stb. jelöljük őket.
Az események szemléltetése ugyancsak a halmazokra megismert módon, Venn- diagram segítségével történik.
A továbbiakban megismerkedünk az eseményekkel kapcsolatos újabb fogalmakkal.
Az eddig elmondottak alapján akkor mondjuk, hogy egy A esemény bekövetkezik, ha a kísérlet kimenetele eleme az A eseményt reprezentáló halmaznak.
Ha a kockadobás eredménye 2, akkor bekövetkezett az az esemény, hogy párosat dobunk, a 2-es szám ugyanis eleme a {2, 4 , 6} halmaznak. Ezzel egyidejűleg minden olyan, a kockadobással kapcsolatos esemény is bekövetkezik, amelynél a 2-es szám eleme az eseményt reprezentáló halmaznak. Bekövetkezik például az az esemény is, hogy 1-nél nagyobbat dobunk, hiszen 2 e (2, 3, 4 , 5, 6}.
A H halmazt mint eseményt biztos eseménynek nevezzük, hiszen bármi is a kísérlet kimenetele, ez az esemény bekövetkezik.
Az üres halmazt - amely nem tartalmazza a H egyetlen elemét sem - mint eseményt lehetetlen eseménynek nevezzük, hiszen bármi is a kísérlet kimenetele, ez az esemény nem következhet be. A lehetetlen eseményt 0 -val jelöljük.
2,3. Példa.Egy urnában 3 golyó van, amelyeket az 1, 2 és 3 számokkal jelölünk. Ha a kísérlet az, hogy a három golyó közül egyet kihúzunk, akkor az eseménytér H = { 1, 2, 3}. A kísérlettel kapcsolatban értelmezhető összes esemény:
37
{1}, { 1 ,2 } , 1 1 , 2 , 3 } .
0 {2}, {1 ,3 } ,t {3}, { 2 , 3 } , f
lehetetlen biztosesemény esemény
Az összes esemény száma 23 = 8 (a biztos és a lehetetlen eseményt is beszámítva).
Á fenti események bármelyikét szavakban is megfogalmazhatjuk. Például az fi, 3} esemény azt is jelenti, hogy páratlan számmal jelölt golyót húzunk. '
Jelölje A azt az eseményt, hogy két kockával egyszerre dobva két 6 -ost dobunk, B pedig azt, hogy a két kockával dobott pontok összege páros. Ekkor valahányszor az A bekövetkezik, bekövetkezik a B is. Ez természetesen azt jelenti, hogy az A eseményt reprezentáló halmaz része a B eseményt reprezentáló halmaznak, azaz A c B .
Legyen A és B a H eseménytér két eseménye. Azt mondjuk, hogy az A esemény maga után vonja a B eseményt, ha valahányszor az A bekövetkezik, bekövetkezik a B is. Ezt a tényt az A c z B szimbólummal jelöljük.
Az események közötti összefüggések szemléletesen jól láthatók, ha azokat az ún. Venn-d iagramok segítségével ábrázoljuk (2 .2 , ábra).
Nyilvánvaló, hogy minden A eseményre teljesül:
0 a A , A d A és A ez f f ,
továbbá, ha
A d B és B c z C , akkor A < z C .
Természetesen két esemény - A és B - akkor egyenlő egymással, ha bármelyikük bekövetkezése egyben a másik bekövetkezését is jelenti, azaz
A = B , ha A d B és B e i A .
2.2. ábra
A napi életből merített példából talán még könnyebben megértjük a fogalmat. Sokszor emlegetjük, néha még átvitt értelemben is a közmondást, miszerint „Nem minden rovar bogár, de minden bogár rovar.” Szép nyári nap nézzünk a lábunk elé, nehogy rálépjünk az arra sétálóra! Legyen az A esemény, hogy éppen bogarat
38
látunk, a B esemény, hogy rovart pillantunk meg, Könnyű eldönteni, igazak-e a következő állítások?
a) A c z B , b) B c z A , c) A = B .
2.4. Példa.Egy kétszemélyes társasjátékban a játékosok két kockával dobnak, és a dobott számok összegét figyelik meg. Jelölje A azt az eseményt, hogy az éppen soron kővetkező játékos dobásösszege 6, B pedig azt, hogy mindkét kockával 3-ast dobott.
Igazak-e a következő állítások?a) A d B , b) B<z A , c) A = B .
M EGOLDÁS.a) Ha az A esemény bekövetkezik, vagyis a dobásösszeg 6, akkor ezt a 2.1.
példa c) részének megfelelően az (1; 5 ), (5 ; 1), (2 ; 4 ) , ( 4 ; 2 ) , (3 ; 3) rendezett párok mindegyike megvalósítja. Ezek szerint, ha a dobásösszeg 6, nem biztos, hogy a (3 ; 3) kimenetel, vagyis a B esemény következett be. így ez az állítás hamis.
b) Ha mindkét dobás 3, ez biztosítja a 6 -ot mint dobásösszeget, így ez az állítás igaz,
c) Mível a két állítás közül csak az egyik bizonyult igaznak, c) hamis.
2.2, Műveletek eseményekkel
Mivel az eseményeket a H eseménytér részhalmazaiként definiáltuk, az események közötti műveleteket is a halmazokra megismert műveletek alapján tárgyaljuk, értelemszerűen átfogalmazva az események nyelvére. Ilyen értelemben beszélhetünk események ellentettjérol, összegéről, szorzatáról, különbségéről.
Egy A esemény „be nem következése” maga is esemény, jelölhetjük ezt A - sál. Ily módon A az eseménytér mindazon elemeit tartalmazza, amelyek az eseményben nincsenek benne, de HAioz tartoznak. Minden h e H -ra fenn kell állnia az alábbi két állítás egyikének és csak egyikének:
h e A és h g A
vagy
h e A és h £ A .
39
DEFINÍCIÓ. Az A a H esemény ellentétes eseményének (komplementerének) nevezzük azt az A szimbólummal jelölt eseményt, amely akkor következik be, ha A nem következik be, és A a H .
Egy A esemény ellentétes eseménye nem más, mint a H \ A komplementer halmaz.
A 2.3. ábrán Venn-diagram segítségével ábrázoltunk egy A eseményt és annak eMentettjét.
2.3. ábra
2.5. Példa.Feldobunk egy játékkockát.a) Legyen az A esemény, hogy legalább 3-ast dobtunk!b) Legyen a B esemény, hogy páros számot dobtunk!Mit jelentenek az A és B esemény ellentetjei?
M e g o l d á s .
a) A = {3, 4 , 5 , 6 } esemény, így A = { 1 , 2 } , amit szavakkal többféleképpen is kifejezhetünk. Pl.: legfeljebb kettőt dobunk, vagy háromnál kevesebbet dobunk.
b) B = {2, 4, 6 } esemény, így 5 = {l, 3, 5} páratlan számot dobunk.
2.6. Példa.Tekintsük újra a 2.4. példában említett társasjátékot! Hány elemi esemény vonja maga után az A esemény komplementer vagy ellentett eseményét?
M e g o ld á s . Minden olyan dobásösszeg, ami nem 6 . Az elemi eseményekszáma 36, ebből A-hoz tartozik 5 elemi esemény. Az A esemény akkorkövetkezik be, ha a többi 31 elemi esemény bármelyike bekövetkezik.
2.7. Példa.Egy nagykereskedelmi cégnél három nyomtatóval dolgoznak. Jelentse az A esemény azt, hogy mindhárom nyomtató elromlik. Mit jelent A komplementere?
MEGOLDÁS. A z A itt azt jelenti, hogy a három közül legalább egy nyomtató működik.
40
A biztos esemény komplementerének a lehetetlen eseményt, és a lehetetlen esemény komplementerének a biztos eseményt tekintjük, azaz
H = 0 és 0 = H .
DEFINÍCIÓ. Ha A és B ugyanazon eseménytérhez tartozó két esemény, akkor azt az eseményt, hogy közülük legalább az egyik bekövetkezik, az A és B esemény összegének (egyesítésének) nevezzük és az A u B szimbólummal jelöljük.
A z A u B esemény tehát bekövetkezik, ha akár az A esemény következik be, de a B esemény nem, akár a B esemény következik be, de az A nem, s végül akkor is, ha A is és B is bekövetkezik. Más szóval két esemény így értelmezett összege (egyesítése) olyan újabb esemény, amely a kísérlet mindazon kimeneteleit tartalmazza, amelyek vagy csak az A eseményhez, vagy csak a B eseményhez, vagy egyszerre A-hoz is, 5-hez is tartoznak {2.4. ábra).
2.8. Példa.Feldobunk egy játékkockát. Legyen az A esemény, hogy legalább 3-ast dobtunk, a B esemény, hogy páros számot dobtunk. Mi lesz a két esemény összege?
MEGOLDÁS. A z A esemény: A = {3, 4 , 5, 6 }, a B esemény: B — {2, 4, 6 }.
A két esemény összege:
A u B = {3, 4, 5, 6}u{2, 4, ó} = {2, 3, 4, 5, 6 }.
2.9. Példa.Tekintsük a heti lottóhúzás elsőként kihúzott számát! Jelentse az A esemény, hogy az első szám páros, a B pedig, hogy nullára végződik! Mit jelent az A u B esemény?
MEGOLDÁS. A z A u B esemény azt jelenti, hogy a szám páros, vagy 0-ra végződik, ez azt jelenti, hogy B e: A , így A u B = A .
Az események összeadásának művelete tetszőleges számú eseményre kiterjeszthető. Azt az eseményt, hogy a H eseménytérhez tartozó A ,, Á2, ... , An esemé-
2.4. ábra
41
nyék közül legalább az egyik bekövetkezik, így jelöljük:
u i - A u A , u ... u A n .
tóHasonlóképpen értelmezzük az kj As eseményt arra az esetre, midőn megszámlál hatóan végtelen
sok esemény összegét képezzük:
«5\j A ,~ A. u A. U . . . , i=i '
Amikor egyértelműek az összeghatárok, akkor röviden az <jAt jelölést használjuk.
Ha egy kísérlettel kapcsolatban megfogalmazott A és B események közösen tartalmazzák az eseménytér egy vagy több elemét, akkor valahányszor ezek közül valamelyik bekövetkezik, A is és B is egyidejűleg (egyszerre) bekövetkezik.
DEFINÍCIÓ. Ha A és B ugyanazon eseménytérhez tartozó két esemény, akJíor azt az eseményt, hogy az A és B esemény egyszerre (egyidejűleg) bekövetkezik, a két esemény szorzatának (közös részének) nevezzük és az A c s B szimbólummal jelöljük (2.5. ábra).
2.5. ábra
2.10. Példa.Készítsük el a 2.8. példában megadott események szorzatát!
MEGOLDÁS. Mivel az A esemény: A = {3, 4, 5, 6 }, a B esemény: B = {2 , 4 , 6 },
a két esemény szorzata: A n B - { 3, 4, 5, 6}n{2 , 4, 6}={4, 6 },
42
2.11. Példa.Nézzük, mi lesz a 2.9. példában szereplő két esemény szorzata!
M EGOLDÁS. Az A n B esemény azt jelenti, hogy a szám páros, és 0-ra végződik, ez azt jelenti, hogy B c A , így A n B - B .
Az események szorzásának művelete tetszőleges számú eseményre kiterjeszthető- Azt az eseményt, hogy a H eseménytérhez tartozó A,, A2, . . . , Ah események mindegyike bekövetkezik, így jelöljük:
r\A . - A, n A, n ... n A .i = i 1 1 i "
Hasonlóképpen értelmezzük a megszámlál hatóan végtelen sok esemény szorzatát is. Jelölésére a
r^A, = A. A, n .../=tszimbólumot használjuk.
sOA r\A i szimbólum helyett, ha nem okoz félreértést, a r \ / íf szimbólumot alkalmazhatjuk,
DEFINÍCIÓ. A H eseménytérhez tartozó tetszőleges A és B eseményeket egymást kizáró eseményeknek nevezzük, ha egyszerre nem következhetnek be, azaz ha A n B = 0 .
Ilyen két egymást kizáró esemény például - egy játékkocka feldobásakor - a páros és a páratlan dobás eseménye.
Két esemény különbségét az alábbi módon értelmezzük.
DEFINÍCIÓ. Ha az A és B esemény ugyanazon eseménytérhez tartozó két esemény, akkor azt az eseményt, hogy az A esemény bekövetkezik, de a B nem, a két esemény különbségének nevezzük és az A \ B szimbólummal jelöljük (2 .6. ábra).
2.6. ábra
43
A definícióból következik, hogy a különbség lcét esemény szorzataként is felírható, mégpedig
A \B = A n B .
2,12. Példa.Képezzük a 2,8, példában megadott események különbségét!
MEGOLDÁS. Mivel az A esemény: 4 — {3, 4 , 5, 6},a B esemény: B = {2, 4, 6},
a két esemény különbsége: A \ B = {3, 4, 5, ó}\{2, 4 , 6 } = {3, 5}:Ha viszont a B \Á különbséget akarjuk meghatározni, a definíció szerint
azoknak az eseményeknek a bekövetkezését kell figyelnünk, amikor a B bekövetkezik, de az Á nem.
B \A = { 2, 4> 6}\{3, 4, 5, 6}={2}.
Összhangban azzal, amit a halmazoknál és a valós számoknál is tapasztaltunk, a Idvonás nem kommutatív művelet!
Megjegyzés:A valószínűségszámítással foglalkozó irodalomban
az A u B helyett az A + B , az A n B helyett az A B , az A \ B helyett az A - B
jelölést is alkalmazzák.Az elnevezések használatának megkönnyítésére egy „szótárt” állítottunk össze.
Az eseményekkel kapcsolatos kifejezésekEseménytér Véletlen esemény Elemi esemény
Biztos esemény Lehetetlen eseményAz A esemény ellentétes eseménye Az A és B esemény összege Az A és B esemény szorzata Az A és B esemény különbsége Az A esemény maga után vonja
a B eseményt
A halmazelméleti kifejezések
AlaphalmazA H halmaz egy részhalmaza A H halmaz egy egyelemű
részhalmaza ({h } ez H ) Alaphalmaz Üres halmazAz A halmaz komplementer halmaza Az A és B halmaz egyesítése Az A és B halmaz metszete Az A és B halmaz különbsége Az A halmaz részhalmaza
a B halmaznak
4 4
Az eseményekkel kapcsolatban az előzőekben megismert elnevezések és műveletek matematikai szempontból semmi újat nem tartalmaznak, csupán a halmazokra vonatkozó fogalmaknak, műveleteknek az „események nyelvén” történő értelmezéséről van szó. Ezért nem meglepő, hogy az ott megismert azonosságok itt is érvényesek.
Tetszőleges A, B, C a H eseményekre fennállnak a következő összefüggések;
1. A í j A = A ,2. A u B = B u A ,3. A u ( B u C ) = ( A u B ) u C
4. A n ( B u C ) = ( A n B ) u ( A n Cj A u ( B n C ) = ( A u B ) n ( A u C ) (disztributivitás);
5. A u A = H ,6. A u í l = H ,7. A u 0 = A ,
A n A = A (idempotencía);A n B = B n A (kommutativitás); A n ( B n C ) = ( A n B ) n C (asszociativitás)
A n A = 0 ; A n H = A; A n 0 = 0 .
Megjegyzés:A fentiek alapján látható, hogy az események a műveleti definíciókkal együtt Boole-algebrát alkotnak.
2.1. TÉTEL. Tetszőleges A, B ez H eseményeidre fennállnak a következő összefüggések:
1. A u B = A n B ,A n B = A u B (.DeMorgan-egyenlőségek)
2. A u { A n B ) = A,A n ( A u B ) ~ A(beolvasztási szabályok).
Megjegyzés:A 2.1. pontban a véletlen esemény definícióját követő második megjegyzésben említettük, ha H végtelen számosságú, akkor nem biztos, hogy minden részhalmaz esemény. Ennek az a feltétele, hogy az eseményeken a fenti műveleteket elvégezve eseményt kapjunk eredményül és megszám] áthatóanvégtelen sok esemény Összege és közös része is esemény legyen.
45
2.3. Teljes eseményrendszer, összetett események
DEFINÍCIÓ. Egy H eseménytérhe2 tartozó f i,, B2, . . . . Bti események (amelyek közül egyik sem lehetetlen esemény) teljes eseményrendszert allcotnak, haa) egymást páronként Hzáró események,b) összegük a biztos esemény.Más szóval, haa) B , r \ B j = 0 ( i * j és i, j = 1, 2 , ..., n).
b) f l , u 5 , u .
A teljes eseményrendszert alkotó eseményeket az a) és b) feltétel alapján úgy is jellemezhetjük, hogy közülük egy és csak egy mindig bekövetkezik.
Az ellentétes események teljes eseményrendszert alkotnak, hiszen
A n A = 0 és A<J A - H .
Nyilvánvaló az is, hogy a H eseménytér elemi eseményei (a H eseménytér egyelemü részhalmazai) szintén teljes rendszert alkotnak, ha véges sokan vannak, hiszen
a) egymást páronként kizárják,b) összegük a biztos esemény.
Megjegyzés:A teljes eseményrendszer fogalmát megszámlál hatóan végtelen sok eseményre is kiterjeszthetjük.
A megszámlálhatóan végtelen sok eseményből álló B}, B2, . . . eseményrendszert tel
jes esemény rendszernek nevezzük, ha aza) Sl n B . = 0 ( Í * j ; i , j = 1 ,2,...),
b) Cj B. - t~!ni
feltételek teljesülnek.
2.13. Példa.Tekintsünk néhány további példát teljes eseményrendszerekre!a) A kockadobás kísérletében legyen az A esemény, hogy legfeljebb 3-at do
bunk, a B esemény, hogy a lehető legnagyobb számot dobjuk, C pedig, hogy dobásunk eredménye 4 vagy 5. Ha ezeket az eseményeket részletezve, számhalmazok formájában felírjuk:
^ = { 1 , 2 , 3 } ; 5 = {6}; £ = { 4 , 5 } ;
46
jól megfigyelhető, hogy A, B és C egymást páronként kizárják, összegük pedig a biztos esemény. Vagyis a felsorolt események teljes rendszert alkotnak.
b) A magyarkártya-csomagból négy lapot osztunk egy játékosnak. Könnyen belátható, hogy a következő események teljes rendszert alkotnak:
A) - a kiosztott lapok között nincs hetes;A 2 = a kiosztott lapok között egy hetes van;Ai = a kiosztott lapok között két hetes van;A 4 = a kiosztott lapok között három hetes van;As = a kiosztott lapok mindegyike hetes.
c) Vegyük a 2.4. példa kétszemélyes társasjátékát, tehát figyeljük meg a soron következő játékos két kockával végzett dobásának összegét! Tekintsük Al eseménynek, hogy a dobásösszeg 2, A2 eseménynek, hogy a dobásösszeg3, Ai eseménynek, hogy a dobásösszeg 4, ... Atl eseménynek, hogy a dobásösszeg 12. Mivel a dobásösszeg a 2 és 12 közé eső pozitív egész számok mindegyike lehet, a fenti 11 esemény rövid gondolkodással beláthatóan valóban teljes rendszert alkot.
d) Az előző játékban a nyereség meghatározása miatt a szereplőknek csak bizonyos csoportosításban fontosak a kapott eredmények. Legyen Al esemény, hogy a dobásösszeg legfeljebb 5, A2, hogy 5-nél nagyobb, de legfeljebb10, Ai pedig, hogy legalább 11. Ahogy a c) pontban, a dobásösszeg a 2 és 1 2 közé eső pozitív egész számok mindegyike lehet, a fenti három esemény szintén teljes rendszert alkot.
e) A 2.1. példában már említett orvosi rendelőben történő várakozás közben figyeljük meg az előttünk megvizsgált betegek számát! Legyen az A esemény, hogy legfeljebb 2 beteg kerül előttünk sorra, a B, hogy 2-nél többen, de 1 0 -nél kevesebben vannak, és a C, hogy legalább 1 0 -en jutnak be előttünk. Nyilvánvaló, hogy a gyakorlatban a lehetőségek száma véges, mégsem tudjuk teljes biztonsággal megmondani, milyen felső korláttal dől- gozzunk, tehát ahogy a korábbiakban utaltunk rá, érdemes egy ésszerű felső határt megállapítani. Az, hogy a három esemény megfelel a teljes esemény* rendszer definíciójának, könnyen belátható.
Minden A eseményt felbonthatunk két esemény összegére a következő módon:
A = A kj A , illetve A = A u 0 .
Ezt a felbontást triviális (nem valódi) felbontásnak nevezzük.
47
DEFINÍCIÓ, Egy eseményt összetett eseménynek nevezünk, ha előállítható - a triviális felbontástól eltérően - két esemény összegeként.
Az összetett esemény az eseménytér olyan részhalmaza, amely egynél több elemet tartalmaz. Az elemi esemény az eseménytér egyelemü részhalmaza, ezért csak triviális felbontása létezik. Az összetett események többféleképpen is létrejöhetnek, az elemi események viszont csak egyféleképpen valósulhatnak meg.
Nem nehéz belátni, hogy minden összetett esemény előállítható elemi események összegeként, ha az eseménytér véges. Még az is igaz, hogy ez a felbontás egyértelmű.
A lehetetlen eseményt nem tekintjük sem elemi, sem összetett eseménynek.
2.14. Példa.Tekintsük azt a kísérletet, amikor feldobunk egy játékkockát.A kísérletnek 6 kimenetele van, a kísérlethez tartozó eseménytér pedig
H = {l, 2 , 3, 4, 5, 6 }.
Jelöljük az elemi eseményeket - a H egyelemü részhalmazait - rendre az E x, E t , E3, E 4 , E }, E 6 szimbólumokkal, ahol
£ ,= {*} (/ = 1, 2, . . . , 6).
Legyen B az az esemény, hogy párosat dobunk, azaz B = {2, 4, 6}, C pedig az, hogy 4-nél kisebbet dobunk, azaz C = {1, 2, 3}. Mindkét esemény összetett esemény, hiszen mindegyik előállítható elemi események összegeként:
B = {2, 4 , 6 } = { 2 } u { 4 } u { 6 } = £ 2u £ , u £ 6,C = {l, 2, 3} = {l j u { 2 } u { 3 } = E, u £ 2 \j E% .
Kombinatorikai eszközökkel egyszerűen kiszámítható, hogy a kockadobás kísérletnél összesen 26 = 64 különböző eseményt állíthatunk elő.
Általánosan is igaz, hogy egy n elemi eseményt tartalmazó H eseménytéren összesen 2" eseményt értelmezhetünk, és ebből az összetett események száma 2 " - n - l .
2.15. Példa.A 2.4. példában ismertetett kétszemélyes társasjátékban a játékosok két kockával dobnak, és a dobott számok összegét figyelik meg. Jelölje A azt az eseményt, hogy az éppen soron következő dobásösszege: 6. Összetett esemény-e az A?
48
M EGOLDÁS, Az A esemény összetett esemény, hiszen megvalósulhat úgy, hogy mindkét kockával 3-ast dobunk, vagy ha egyikkel l-est, a másikkal 5-östdobunk, ami szintén összetett esemény, hiszen dobhatunk az első kockával 5- öst, a másodikkal l-est. A dobásösszeg akkor is 6 , ha egyik kockával 2-est, a másikkal 4-est dobunk, és megfordítva. Vagyis, az A eseményt a 2.1, példac) részének megfelelően az (1 ; 5 ) , (5 ; 1), (2 ; 4 ) , (4 ; 2 ) , (3 ; 3) rendezett párok mint elemi események mindegyike megvalósítja.
2.16. Példa.A már jó l ismert társasjátékban ellenfelünk a következő „gáláns” javaslattal áll elő: ő csak akkor nyer, ha a két kockával dobott számok összege 6, 7, 8 vagy9, mi pedig minden más esetben ugyanakkora összeget. Vizsgáljuk meg, valóban előnyös-e az ajánlat!
M EGOLDÁS. Első ránézésre tetszetősnek látszik a felkínált lehetőség, hiszen a dobott számok nekünk kedvező összege lehet: 2, 3, 4, 5. 10, 11 vagy 12. Vagyis 7 esetben nekünk áll a zászló, míg ő csak 4 dobásösszeg mellett nyer.
Kicsit jobban átgondolva érdemes számba venni az egyes összegekhez tartozó, őket mint összetett eseményeket megvalósító elemi eseményeket! Jelölje az A esemény azt, hogy ellenfelünk nyer. Ez akkor valósul meg, ha az összeg 6,7, 8 vagy 9. Milyen elemi események valósítják meg ezeket?
Ha a dobott számok összege 6, ezt az eseményt 5 elemi esemény valósítja meg (1. 2.15. példa). Ehhez hasonlóan számolható össze a többi, ellenfelünknek kedvező Összetett eseményhez tartozó elemi események száma.Ha a dobott számok Összege 7, ezt az eseményt 6 elemi esemény valósítja meg. Ha a dobott számok összege 8, ezt az eseményt 5 elemi esemény valósítja meg. Ha a dobott számok összege 9, ezt az eseményt 4 elemi esemény valósítja meg.
Tehát játékostársunk összesen 20 elemi esemény bekövetkezésekor kerül nyerő pozícióba.
Nézzük most saját nyerési esélyeinket! Már a 2.1. példa c) részében összeszámláltuk a lehetséges elemi eseményeket, tudjuk, ezek száma: 36. Mivel a szereplő összetett események egymást kizárják, összegük viszont a biztos esemény, vagyis teljes eseményrendszert alkotnak, a mi nyerésünket eredményező elemi események száma; 16. Erről könnyen meggyőződhetünk, ha az előzőhöz hasonlóan megnézzük, hány elemi esemény valósítja meg a 2, 3 stb. dobás- összegeket.
A kissé talán aprólékos számolgatás után kiderül, hogy az ajánlat csak első ránézésre lesz számunkra kedvező, és valójában ellenfelünk nyerési esélyei nagyobbak.
3. A VALÓSZÍNŰSÉGSZÁMÍTÁS ELEMEI
3.1. A valószínűség fogalma
Képzeljük el, hogy egy véletlen jelenségre vonatkozóan egyetlen megfigyelést, kísérletet végzünk. Akármi volt is a kísérlet kimenetele, ebből semmi lényeges információt nem nyerhetünk a vizsgált jelenség tulajdonságára vonatkozóan. Akkor sem jutunk többre, ha még néhányszor megismételjük a megfigyelésünket. Végezzük el azonban a kísérletet azonos körülmények között sokszor. Az így nyert kísérletsorozat már lényegesen többet elárulhat a véletlen jelenségről.
A valószínűség szemléletes, a tapasztalatra támaszkodó definíciójának megadásakor előbb a relatív gyakoriság fogalmával kell megismerkednünk.
Tekintsünk egy véletlen kísérletet és figyeljük meg, hogy egy bizonyos Á esemény bekövetkezik-e. Hajtsuk végre a kísérletet azonos körülmények között sokszor, mondjuk n-szer, egymástól függetlenül (azaz a kísérletek ne befolyásolják egymást). Ilyenkor n hosszúsági kísérletsorozatról beszélünk. Azt tapasztaljuk, hogy az A esemény a kísérletek egy részében bekövetkezik, más részében nem. Tegyük fel, hogy a megfigyelt A esemény az n kísérletből /c^-szor következett be,
fcA kA számot az A esemény gyakoriságának, a —1- hányadost pedig az A
nesemény relatív gyakoriságának nevezzük.
Annak előfeltétele, hogy egy véletlen esemény valószínűségéről matematikai értelemben beszélhessünk, az, hogy az illető esemény relatív gyakorisága viszonylagos stabilitást, állandóságot mutasson. Ezen azt értjük, hogy bár a vizsgált esemény relatív gyakorisága a különböző hosszúságú kísérletsorozatokban más és más (véletlen ingadozásokat végez), mégis - ha a kísérlet körülményeiben számottevő változás nem állt be - nagyjából valamely jól meghatározott számérték körül ingadozik. Ha a kísérletek számát növeljük, az ingadozás általában egyre kisebb lesz. Ez azt jelenti, hogy csökkenő tendencia mellett felléphetnek újból és újból elég lényeges ingadozások is, de ezek a kísérletek számának növelésével egyre ritkábban fordulnak elő. Az ilyen ingadozást statisztikus ingadozásnak nevezzük.
Azt a számértéket, amely körül a véletlen esemény relatív gyakorisága statisztikus ingadozást mutat, az illető esemény valószínűségének nevezzük.
50
A relatív gyakoriság viszonylagos stabilitása figyelhető meg a következő egyszerű kísérlet sorozatnál, amiről bárki maga is meggyőződhet. Dobjunk fél egy szabályos pénzérmét 100-szor egymás után. Legyen az A esemény az, hogy „fejet” dobunk. Figyeljük meg az A esemény relatív gyakoriságának alakulását. Például a következő dobássorozatot kaphatjuk ötösével csoportosítva:
i f f f f l i i i f i f i f i i f i i f i | ... | i i f i i
(ahol / a „fej” dobást, / az „írás” dobást jelenti).Az A esemény gyakoriságának és relatív gyakoriságának értékeit az alábbi
táblázatban rögzítjük. Észrevehetjük, hogy az a számérték, amely körül az A esemény relatív gyakorisága statisztikusan ingadozik, 0,5. A pénzdobás kísérletünkben tehát a „fej” dobás valószínűségének a 0,5 értéket tekinthetjük.
Kísérletek száma n 2 3 4 5 6 7 8 9 10 11 12 13
A „fej” dobás gyakorisága
kA0 ] 2 3 4 4 4 4 5 5 6 6 7
A „fej” dobás relatív gyakorisága
h .n
0 0,50 0,67 0,75 0,80 0,67 0,57 0,50 0,56 0,50 0,55 0,50 0,54
Kísérletek száma n 14 15 16 17 18 19 2 0 96 97 98 99 1 0 0
A „fej” dobás gyakorisága 7 7 8 8 8 9 9 49 49 50 50 50
A „fej” dobás relatív gyakorisága
n
0,50 0,47 0,50 0,47 0,44 0,47 0,45 0,51 0,51 0,51 0,51 0,50
A 18. században ilyen kísérletsorozatokat vizsgált két matematikus, Buffon és Pearson is. Buffon 4040-szer dobott és a „fej” dobások gyakoriságát 2048-nak találta, míg Pearson 24 000 dobás közül 12 012-szer kapott fejet. így a relatív gyakoriság Buffonnál 0,5069, Pearsonnél 0,5005.
A „fej” dobás relatív gyakoriságának ingadozását a 3.1. ábra szemlélteti (1, 52. o.).
51
T r |Q j'5 2'0 95 l60 n
3 .1. ábra
Ha az előbbiekben vázolt kísérletsorozatot ismételten végrehajtjuk, akkor a „fej” és „írás” dobások sorrendje más és más lehet, de a kísérletsorozat általános., képe mindig az előbbihez hasonló lesz, Á relatív gyakoriság mindig a 0,5 körül ingadozik.
Az a megfigyelés, tapasztalati törvényszerűség, hogy vannak olyan véletlen események, amelyek relatív gyakorisága bizonyos stabilitást mutat, azaz a relatív gyakoriság valamely meghatározott érték körül ingadozik, és az ingadozások általában annál kisebbek lesznek, minél több kísérletet hajtunk végre, képezi a valószínűség- számítás tapasztalati hátterét. A relatív gyakoriság és a valószínűség rokon fogalmak, olyannyira, hogy gyakran empirikusan (tapasztalati úton) a relatív gyakoriságokon keresztül becsüljük magukat a valószínűségeket. A gyakorlatban nagyon sokszor, ha nagyszámú kísérleti eredménnyel rendelkezünk, a valószínűségeket egyszerűen a relatív gyakorisággal helyettesítjük,
A valószínűséget azonban formailag élesen meg kell különböztetni a relatív gyakoriságtól: a valószínűség rögzített szám, míg a relatív gyakoriság a véletlentől függően más és más lehet.
Egy esemény valószínűsége tehát a megfigyelőtől függetlenül létező mértékszám, amely megadja, hogy egy hosszú kísérletsorozatban körülbelül mekkora hányadban következik be a szóban forgó esemény.
A valószínűségnek tapasztalati úton történő pontos meghatározása csak nagyon korlátozott körülmények között valósítható meg, általában végtelen sok kísérletet igényelne. Mindezek elkerülésére szükséges matematikai precizitású alaptörvények lefektetése és alkalmazása.
A továbbiakban azoknak a valószínűségszámítási törvényeknek a tárgyalásával foglalkozunk, amelyek azt is lehetővé teszik, hogy egyszerű események valószínűségének ismeretében bonyolultabb események valószínűségét számíthassuk ki.
52
3.2. A valószínűség axiómái, tételek
Jelöljenek A , B , C , ,,, egy H eseménytérhez tartozó eseményeket. A valószí- niíségszámitás kiindulópontja az, hogy minden egyes eseményhez hozzárendelünk egy valós számot, amelyet az esemény valószínűségének nevezünk. Ezt természetesen csak úgy érdemes elvégeznünk, hogy az előző pontban adott empirikus definícióval összhangban legyen.
A következőkben a latin probabilitas (valószínűség) kezdőbetűjét fogjuk használni a valószínűség jelölésére, így ezentúl az A , B , C, ... esemény valószínűségét P{A), P(B) , P(C) , ... jelöli.
Próbáljuk meg a relatív gyakoriság tulajdonságaiból „kiolvasni”, hogy milyen feltevéseket célszerű tenni az eseményekhez rendelt valószínűségre.
Végezzünk el egy kísérletet n-szer. Ha ebben az n kísérletből álló kísérletsorozatban az A esemény kA -szór következett be, akkor 0 ^ k A <n , amiből viszont
következik, hogy 0 < — < 1. Tehát egy esemény relatív gyakorisága a [0 ; l]n
intervallumba eső szám lehet.Meggondolva, hogy ez a mennyiség az illető esemény valószínűsége körül in
gadozik, továbbá, hogy a valószínűség a véletlen eseménynek az a jellemzője, amely megmutatja, hogy nagyszámú kísérletet végezve azok mekkora hányadában várhatjuk bekövetkezését, kimondhatjuk, hogy bármely esemény valószínűségének [0 ; l] intervallumbeli számnak kell lennie. Minthogy pedig a biztos esemény relatív gyakorisága 1 , a biztos esemény valószínűsége is 1 kell, hogy legyen.
Láttuk, hogy egy kísérlettel kapcsolatos események között bizonyos összefüggések érvényesek, éppen ezért az események valószínűségét sem írhatjuk elő tetszőlegesen. Egy ilyen összefüggés az, hogy két egymást kizáró esemény összegének valószínűsége megegyezik a két esemény valószínűségének összegével Ha ugyanis A és B egy adott eseménytérhez tartozó két egymást kizáró esemény, azaz A r \B - 0 , és az n kísérletből álló kísérletsorozatban az A esemény kA- szor, a B esemény pedig kB -szer következett be, akkor a két esemény összegének, azaz annak az eseménynek, hogy az A vagy B következik be, gyakorisága nyilvánvalóan
k AuB = k A +kB>
így relatív gyakorisága
k-A B _. k A k Bn n n ’
53
tehát a relatív gyakoriságok Összeadódnak. így két egymást kizáró A és B eseményre fenn kell állnia a
P { A u B) = P(A)+P(B)
összefüggésnek.
A valószíníiségszámitás axiómarendszerének megalkotásához több tapasztalati alapra nincs is szükségünk.
Foglaljuk össze eddigi megállapításainkat, amelyek egyúttal a valószínűségszámítás matematikai elméletének alapfeltevései, más szóval axiómái, amelyek Kol mogorovtól származnak.
I. AXIÓMA: Legyen adott egy véletlen kísérlethez tartozó H eseménytér. Minden A <zH eseményhez hozzárendelünk egy P{A) nemnegatív valós számot, az A esemény valószínűségét.
n . AXIÓMA: A biztos esemény valószínűsége 1, azaz
Hl. AXIÓMA: Ha A d H és B czH egymást kizáró események, azaz A n B = 0 , akkor
P { A u B ) = P{Á) + P{B).
Megjegyzés:A III. axiómát a valószínűség additív tulajdonságának nevezzük. Egy-egy újabb esemény hozzávételével igazolható, hogy több (de véges számú), egymást páronként kizáró eseményre is fennáll, hogy
P(A i u A2 k j ,.,<u Aii) = P(Ai) + P(A2) + . . . + P ( A ii) . (3.1)
Ez a go □ dől átmenet azonban nem alkalmazható akkor, ha a tekintett események száma megszám- lálhatóan végtelen. Ezért erre az esetre külön is megfogalmazzuk a Ill.-tiak megfelelő axiómái.
[[I*. a xióm a : H a A,. Aj, ... egym ást páronként kizáró események, azaz
A, n A j = 0 ([ * ; , í , y = l , 2 , . . . ) ,
akkor
P(A, U A } 'u ...) = P(A l ) + P (A1) + ... j = I , 2 , ...)■
Ezt az utóbbi axiómát a valószínűség teljes add itiv itásínak nevezzük.
Úgy is fogalmazhatunk, hogy a H eseménytérhez tartozó eseményeken értelmezhetünk egy P függvényt, a valószínűséget, amelynek képhalmaza R, és a
54
p{A) függvényérték az A t z H esemény valószínűsége. E függvénynek az axiómákban előírt tulajdonságokkal kell rendelkeznie.
DEFINÍCIÓ. Ha egy H esemény tér eseményeinek a halmazán értelmeztünk valószínűséget, akkor ezt a halmazt valószínűségi mezőnek nevezzük. A továbbiakban ÍV-vei jelöljük.
Szokás a (H , W) jelölés is. Az események a H eseménytér részhalmazai. A W-nek viszont ezek a részhalmazok az elemei, és mindegyikhez tartozik egy valószínűség.
Axiómarendszerünkből kiindulva néhány olyan tételt ismerünk meg, amelyek lehetővé teszik, hogy adott valószínűségű események alapján, velük valamilyen módon összefüggő események valószínűségét meghatározhassuk.
Tegyük fel, hogy A és B a H-hoz tartozó események, illetve a W valószínűségi mező elemei.
3.1. T étel. Ha az A esemény valószínűsége P(A), akkor az A ellentétes ese
mény valószínűsége P(A) = 1 - P(A).
Bizonyítás. Minthogy A u A = H és A n A - 0 , a III. axióma szerint P ( A kj A ) -
= P{A) + P{A) és a II. axióma szerint P{H) = 1 . A bizonyítandó állítás ebből már következik.
A tétel fontos következménye, hogy a lehetetlen esemény valószínűsége zérus, azaz
P (0 ) = 0.
Minthogy a lehetetlen esemény a biztos esemény ellentétes eseménye, így
p<0) = p (H ),
amiből
P ( 0 ) = 1 - P ( H ) = O.
Az az állítás, hogy a lehetetlen esemény valószínűsége zérus, nem megfordítható; azaz abból, hogy egy esemény valószínűsége zérus, nem következik, hogy az lehetetlen esemény. Hasonlóképpen abból, hogy P(A) = 1, nem következik, hogy az A biztos esemény,
55
3.2. TÉTEL. Ha az Alt Á^, An események teljes eseményrendszert alkotnak,akkor
P(A]) + P{A2)+ , . . + P K ) = l.
Bizonyítás. Feltevésünk, szerint
és Aj r \ A J = 0 , ha i ^ j (i, j =1, 2, ..., ji),
továbbá a II. axióma szerint P(H) - 1, így (3.1) alapján
P(H) = P ( A , u A l u . . . u A n) = P(A ,) + P{A2) + . . . + • P{Am),
ebből
P(A]) + P(A2) + . . . +P(A. ) = 1.
3 .3 . TÉTEL. Ha A és B két tetszőleges esemény, akkor annak a valószínűsége,hogy közülük legalább az egyik bekövetkezik,
P(A u S ) = P(Á) + P(B) - P(A n B).
Bizonyítás. Az A u B esemény előállítható két egymást kizáró esemény összegeként, azaz (3.2. ábra)
A u B = A u ( A n B )
es
A n ( Á n B ) = 0 .
Ezért a III. axióma szerint
P(A u B ) = P(A) + P(Á n B). (3.2)
A B esemény is előállítható két egymást kizáró esemény összegeként, azaz (3.3. ábra)
B = ( A n B ) u ( Á n B )
es
( A n B ) n ( A n B ) = 0 .
Ismét a III. axióma alapján
P(B) = P(A n í ) + P(A n B).
56
Innen
/>Ő4 r \ B ) = P (5 ) - n B).
Ez utóbbit a (3.2) összefüggésbe helyettesítve
P(A u B ) = P(A) + P(B) - P(A n B ).
3,4. TÉTEL, / /a az A esemény maga után vonja a B eseményt, azaz A d B fennáll, akkor
P(B \ A) = P(B) - P{A) .
Bizonyítás. Ha ^ c f i , altkor
B = A u ( B n l ) ^ A u ( B \ A )
és/ 4 n ( 5 \ / í ) = 0 (14. ábra).
Ezért a III. axióma szerint:
P ( B ) ^ P ( A ) + P ( B \ A )
ésP(B\A) = P ( B ) - P ( A ) .
Megjegyzések;1. A tétel következményeként adódik:
Ha az A esemény maga után vonja a B eseményt, azaz A ez B, akkor
P(A)<P(B) .
Ezt az állítást az I. axióma alapján felírható
P(B \ A) = P(B) - P(A) £ 0
egyenlőtlenségből kapjuk.Mivel minden A eseményre A a H , így P(Á) < P( H) - I. Ezért volt szük
ségtelen, hogy az I. axióma a P(A) < 1 állítást tartalmazza.2, Könnyen belátható, hogy tetszőleges A és B eseményekre a következő össze
függés igaz:
P ( B \ A ) = P ( B ) - P ( B n A ) .
57
3.3. Klasszikus valószínűségi mező
DEFINÍCIÓ. Abban az esetben, amikor egy W valószínűségi mező elemi eseményeinek száma véges, és azok valószínűsége egyenlő, klasszikus valószínű-* ségi mezőről beszélünk.
3.5. T é te l , Legyen W egy klasszikus valószínűségi mező. Elemi eseményeinek száma legyen n. Ha egy A ^ W esemény pontosan k elemi esemény összegeként írható fel, akkor
P(A ) = - n
A szakirodalomban szokásos az A eseményt előállító elemi eseményeket - az A bekövetkezése szempontjából - kedvező elemi eseményeknek nevezni. Ennek megfelelően a tétel alábbi megfogalmazása is használatos:
________ kedvező elemi események száma_______lehetséges (vagy összes) elemi események száma
Ez a tétel képezte az ún. klasszikus valószmöségszámítás alapját. A közölt képletet klasszikus képletnek is szokás nevezni. A valószínűségszámítás története folyamán, hosszú időn keresztül csak olyan eseménytereket használtak, amelyelméi véges számú elemi esemény fordul elő és ezek mindegyike egyenlően valószínű. Ez érthető is, hiszen a szerencsejátékoknál (pénzfeldobás, kockadobás, golyók húzása urnából, mlett-, kártya- és sorsjátékok stb.) - amelyek a valószínűségszámítás kiindulási problémáit alkották - valóban elvégezhető ily módon a valószínűségek meghatározása. Távolról sem állíthatjuk azonban, hogy a klasszikus valószínűségszámítási módszereknek csupán történelmi jelentősége és érdekessége lenne. Nagyon sok jelentős fizikai, technikai, gazdasági és más, az életben fellépő problémát lehet eredményesen modellezni az említett szerencsejátékokkal, azaz a klasszikus, valószínűségszámítás feltevéseivel. A matematikai statisztika sem nélkülözheti a klasszikus valószínűségelméleti módszereket. Ezért a valószínűségek klasszikus kiszámítási módszereivel a következőkben részletesebben foglalkozunk.
Ezután térjünk rá a 3,5. tétel bizonyítására.
Bizonyítás. Legyen az eseménytér elemi eseményeinek száma n. Az egyszerűbb tárgyalásmód érdekében a ' H eseménytér elemi eseményeit a következőképpen jelöljük:
E\> E2, ... , En.
58
A tétel állítása szerint ezek az elemi események egyenlően valószínűek, azaz
P{Ex) ^ P ( E 2)= ... = P(E, ) .
síivel azonban
E t u E 2 u ,.. u E n = H ,
és a II. axióma szerint P{H) — i , ezért
P (E l u £ 2 u . . . u £ „ ) = L
AIII. axiómánál említett (3,1) összefüggés szerint
P (£ , u E i v j . . . u E ii) ^ P ( E 1) + P(E2)+ ... + P (E n) ,
igy
P(Et) = - (i = l, 2, n).n
Tekintsük ezután a W valószínűségi mező egy tetszőleges A eseményét, amelyet k darab elemi esemény összegeként állíthatunk elő.
Az elemi események sorszámozását végezzük úgy, hogy az A eseményt az első k darab elemi esemény összege adja:
A = E l k j E 2 u , , , u E k ,
ígyP(A) = P( Et u £ 2 u . . . u £ J = P( E{) + P(E2) + . . . + P(Ek) =
- & J_ ~ ! ín n
3.1. Példa.Egy kockát kétszer egymás után feldobunk. Mekkora annak a valószínűsége, hogya) mindkét dobásnál azonos pontszámot kapunk;b) különböző pontszámot kapunk;c) a pontszámok összege 9;d) a pontszámok összege 10;e) a pontszámok összege legfeljebb 10?
MEGOLDÁS, Az elemi események az 1, 2, 3, 4, 5, ó számokból alkotott rendezett számpárok:
59
H = {( 1 ; 1), (1 ; 2 ), . . . . (1 ; 6 ), ( 2 ; 1), (6 : 6 ) } ,
ahol pl. a (2 ; 3) azt jelenti, hogy elsőre 2-t és másodikra 3-at dobtunk. Az elemi események száma: 6 ■ 6 = 36.a) Jelöljük .4-val azt az eseményt, hogy mindkét dobásnál azonos pontszámot
kapunk, azaz
^ = {<1;1), (2 ; 2), (3; 3), (4 ; 4), (5 ; 5), (6 ; 6 )}.
így
36 6
b) A szóban forgó esemény nem más, mint az A esemény ellentétes eseménye,így
P(A) = l - P ( A ) = \ - ^ = l .o 6
c) Jelöljük C-vel azt az eseményt, hogy a pontszámok összege 9, azaz
C = {(3;6) , (6 ; 3), (4 ; 5), (5 ; 4) }.
A C esemény tehát 4 elemi eseményt tartalmaz és így
4P(C) = — .
36
d) Jelöljük D-vel azt az eseményt, hogy a pontszámok összege 10, azaz
D = {(4;6), ( 6 ; 4), (5 ; 5)}.
A D esemény 3 elemi eseményt tartalmaz és így
P{ D ) = — .36
<e) Jelöljük F-fel azt az eseményt, hogy a pontszámok összege legfeljebb 10. Célszerű először az ellentétes esemény valószínűségét kiszámítani. Mivel ez azt jelenti, hogy a pontszámok összege nagyobb, mint 1 0 , azaz
F = í ( 5 ; 6 ) , (6 ; 5), (6 ; 6 )},
így
— 3 1 p ( F ) = - = - 36 12
60
amiből
w = 1_ J — Li.12 12
A klasszikus képlet széles köri! alkalmazási lehetőségei tárulnak fel az ún. mintavételes feladatokban.
Egy halmazból találomra kihúzott elemek összességét véletlen m in tának nevezzük. A „találomra” történő húzáson azt értjük, hogy bármely minta kiválasztása egyforma valószínűséggel történik.
Azt az eljárást, amelynek eredményeképpen a véletlen mintát kapjuk, véletlen mintavételnek; nevezzük. Két alapvető típusát különböztetjük meg, a visszatevéses és a visszatevés nélküli mintavételt.
VISSZATEVÉSES MINTAVÉTEL
Tegyük fel, hogy egy N elemű halmazban, pl. egy N golyót tartalmazó urnában M fekete és N - M piros golyó van. Húzzunk ki egymás után találomra n számú golyót úgy, hogy a kihúzott golyót, miután a színét feljegyeztük, visszadobjuk az urnába. Határozzuk meg annak a valószínűségét, hogy egy ilyen n húzásból álló sorozatban a fekete golyók száma k (a többi n - k pedig nyilvánvalóan piros).
Jelöljük a szóban forgó eseményt, hogy ti. a kihúzott n golyó között k fekete van, Ak-val.
Ha valamilyen módon megkülönböztetjük a golyókat (pl. számozással), altkor minden húzás Afféleképpen történhet, így a kísérlet lehetséges kimenetelének (az elemi eseményeknek) a száma
N " . (3.3)
Az n kísérletből annak a k db kísérletnek a sorszámát, amelyeknél fekete golyót húzunk,
\ k J(3.4)
-féleképpen választhatjuk ki. Ha rögzítünk egy ilyen sorrendet, akkor minden olyan kísérletnél, amikor fekete golyó kerül kiválasztásra, a választás M-féleképpen történhet. Ilyen kísérlet k db van, ezért a lehetséges esetek száma M k . Hasonlóképpen, piros golyót egy kísérletnél (//-A /)-féleképpen húzhatok. Az ilyen kísérletek száma n - k, így a lehetséges esetek száma
( N - M ) n -k
61
Ezért egy rögzített fekete-piros sorrendnél a kedvező elemi események száma:
M*
Ha figyelembe vesszük a lehetséges sorrendek (3.4) alatti számát, a kedvező elemi események száma
\ k ;M k( N - M )H-ft
így (3.3) alapján
P(At ) =V*/ AT
(3.5)
(Itt azt tettük fel, hogy mindegyik n elemű visszatevéses minta kiválasztása egyformán valószínű.)
Vezessük be a
M , N ~ Mp = — es a g=- --------
N N
jelöléseket, ahol p egy fekete golyó, illetve q egy piros golyó húzásának valószínűsége. Ekkor (3.5) a következő alakban írható:
\ k Jp kqa~k (A = 0 , 1 , 2 , n ). (3.6)
A P(Ak) helyett sokszor csak a Pk szimbólumot használjuk.
A (3.6)-ban közölt képlet általános érvényű minden olyan esetben, amikor az N elemű halmaz (alapsokaság) valamilyen tulajdonság szerint két diszjunkt részhalmazra bontható. Pl. áruátvételnél az áru minősége (selejtes-hibátlan); statisztikai adatszolgáltatásnál a nem (férfi-nő); stb.
3.2. Példa.100 termékből, amelyeknek 10%-a selejtes, visszatevéses módszerrel 5 elemű mintát veszünk. Mekkora annak a valószínűsége, hogy a mintába 2 selejtes keriil?
MEGOLDÁS. A (3.6)-os összefüggést alkalmazzuk. Példánkban p = 0,1, q = 0,9, n = 5 , k = 2 , tehát
Pz =' 5 '
0,13 0,93 = 0,07 29.
62
MINTAVÉTEL VÍSSZATEVÉS NÉLKÜL
Tekintsünk ismét egy IV elemű halmazt, pl, egy N golyót tartalmazó urnát, amelyben M fekete és N — M piros golyó van. Vegyünk ki most is találomra n számú golyót az urnából, de úgy, hogy egyetlen golyó sem kerülhet többször kiválasztásra. Ezt ketféle módon valósíthatjuk meg. Az egyik szerint az n golyót egyszerre emeljük ki az urnából, a másik szerint a golyókat egymás után húzzuk la, de egyiket sem tesszük vissza a húzás után. Mindkét eljárást visszatevés nélküli mintavételnek nevezik.
Határozzuk meg annak a valószínűségét, hogy az n golyó között a fekete golyók száma k (a többi n - k pedig nyilvánvalóan piros)!
Jelöljük a szóban forgó eseményt Ak -val.Mivel a fent említett módszerek elvileg különböznek egymástól, vizsgáljuk azt
az esetet, amikor az n golyó kivétele egyszerre történik, Ekkor az elemi események száma
f N \(3.7)
A kérdezett Ai esemény akkor következik be, ha az n golyó között k számú
(fekete és n - k számú piros golyó van. A k számú feketét , az n - k számú
Kk )r N - M"'
pirosatÍv — Mn - k I -féleképpen lehet kiválasztani, így az At esemény Összesen
' M '
, k j
módon valósulhat meg.A keresett valószínűség, figyelembe véve a (3.7)-et és (3.8)-at:
P ( A ) = '\ n ~ k j
'aO
(3.8)
(3.9)
k = 0, 1, . . . , n, rt< min(jW, N - M ) ,A P(Ak) helyett a P, szimbólum is használatos.
63
(Itt azt tettük fel, hogy minden n elemű vissza te vés nélküli minta kiválasztása egyformán valószínű.)
Belátható, hogy ugyanezt a valószínűséget kapjuk akkor is, ha az n golyó kivétele egymás utáni húzásokkal történik, visszatevés nélkül. (Nem részletezzük.)
Ha az M és az N értéke nagy az n-hez képest, akkor a Pk értékek a gyakorlat számára kielégítő pontossággal közelíthetők a visszatevéses mintavételnél megismert valószíniíségértékekkel, azaz
'A i)*N j
\ & A n - kN
\ n J
N(3.10)
Ez abból a megfontolásból is adódik, hogy ilyenkor a kivett minta nem befolyásolja lényegesen az összetételt.
3.3. Példa.Egy főiskola elsőéves hallgatóinak a száma 600. Ebből 250 fő fiú és 350 lány.a) Az elsőévesek között, mivel tanulmányi átlaguk még nincs, sorsolás alapján
osztanak szét 20 tandíjmentességet. Mennyi a valószínűsége, hogy közöttük 8 fiú lesz?
b) Az elsőévesek gólyabálján 20 ajándéktárgyat sorsolnak ki úgy, hogy minden húzásnál az összes név közül választanak. Mennyi a valószínűsége, hogy 8 tárgyat fiú nyer, a többit lány?
M egoldás.Az a) kérdés esetében a (3.9) képletbe megfelelően behelyettesítve kapjuk:
^250^ ^SO ''
8 12■ = 0 ,1 8 0 6 .
'óOO'',2 0
A b) kérdés esetében a (3.6 ) képletet használva:
^ 2 ° Y 2 5 0 Y / 3 5 0 V2 ^UooJ UooJ
-0 ,1777 .
Tehát, ha a minta elemszáma nagyságrenddel kisebb az alapsokaság elemszámánál, akkor a kétféleképpen kiszámított eredmény jól közelíti egymást.
64
3.4, Példa,Tekintsük a 3.2. példát azzal az eltéréssel, hogy most a 100 termékből, amelyek között 10% selejtes, visszatevés nélkül veszünk 5 elemű mintát. Kérdés, mekkora a valószínűsége annak, hogy a véletlenszerűen kivett darabok között2 selejtes lesz?
MEGOLDÁS: Példánkban M =10; N - M = 9 0 ; k = 2 és n - k = 3 , íígy10 90
v 3 .0 , 0 7 0 2 -
3.5. Példa.Valamilyen termék átvételekor minőség-ellenőrzést végzünk. Mintavételi tervet készítünk:
Minden 100-as tetelbcíl választunk egy 10 elemű veletlen mintát (visszatevés nélkül), és a 1 0 0 -as tételt átvesszük, ha a mintában legfeljebb egy selejteset találunk. Egyébként visszautasítjuk.
Felmerülhet a kérdés, hogy ezen átvételi terv szigorúsága hogyan függ a selejtaránytól?
M eg o ld á s . Megválaszolásához az átvétel valószínűsége szükséges. Ehhez viszont ismernünk kellene a tételben levő selejtes darabok arányát, amit jelöljünk p-vel. Az átvétel valószínűsége nyilván a p függvénye.
P : P ( p ) =
' m q ' '
, 10 > /' l 0 0 ''
10J
100/7'100?>
100
10
q = \ - p (3,5. ábra).
Az átvétel valószínűsége:/? = 0,01 esetén 0,996, jt> = 0 , 0 2 esetén 0,984,
77 — 0,05 esetén már csak 0,914.
A számításokat a (3.10)-ben ismertetett közelítéssel végeztük.
65
3.4, Feltételes valószínűség, szorzási szabály
A továbbiakban azt vizsgáljuk, hogy valamely véletlen kísérletnél, megfigyelésnél egy esemény bekövetkezése milyen mértékben befolyásolja egy másik esemény bekövetkezését. Valószínűbb-e egy A esemény bekövetkezése, ha a B esemény már bekövetkezett?
A vizsgált eseményt - az A eseménytől megkülönböztetve - A \ B („A vonás 5 ”)-vel, valószínűségét pedig P( A \ B) -vei fogjuk jelölni,
3.6. Példa.Egy vállalatnál 50 férfi és 30 nő dolgozik. A férfiak között a szakképzettek száma 45, a nők között 21. Ezek szerint 5 férfi és 9 nö nem rendelkezik szakképzettséggel. Foglaljuk táblázatba adatainkat.
A (férfi) A (nö)B (szakképzett) 45 21 66
B (nem szakképzett) 5 9 1450 30 80
A vállalat 80 dolgozójáról külsőleg teljesen azonosnak tűnő karton lapokat készítünk. A kartotékokat összekeverjük és közülük egyet véletlenszerűen kiválasztunk. Jelentse az A esemény azt, hogy férfi, a B esemény azt, hogy szakképzett dolgozó kartonját választottuk, feltéve, hogy bármelyik karton választása egyenlően valószínű.
Ekkor annak a valószínűsége, hogy egy találomra kiválasztott kartotékon egy
férfi neve van, P(A) = — = 0,625 ; az pedig, hogy egy szakképzett dolgozó80
neve szerepel, P(B) = — = 0,825 .80
Hasonló módon nyerjük a következő valószínűséget:
P( A n B ) =— = 0,5625.80
Az A n B szimbólum nyilvánvalóan azt ez eseményt jelenti, hogy a kihúzott kartoték egy szakképzett férfié.
Ha tudjuk a kihúzott kartotékról, hogy azon a „szakképzett” jelzés található, vagyis B bekövetkezett, kérdezhetjük: mekkora lesz annak a valószínűsége,
66
hogy azon férfi neve szerepel. A 6 6 szakképzett között 45 a férfi, ezért ez a valószínűség
P( A \ B) = ^ = 0,682.66
A P(A | B ) valószínűség felírható a következőképpen is:
45
P ( A \ B ) = ^ r = P ( A n B ) =66 P (B )80
A P(A | B) valószínűséget ily módon visszavezettük a P ( A n B ) és a P(B) valószínűségek meghatározására.
Hasonlóan lehet értelmezni a P(B \ A) valószínűséget is. Ha azt tudjuk,hogy a kihúzott kartonon férfi neve szerepel, akkor annak a valószínűsége, hogy azon „szakképzett” jelzés is található:
80
A P ( B \ Á) valószínűséget most a P ( A n B ) és a P(Á) valószínűségek meghatározására vezettük vissza.
Ez általában is érvényes, amit a relatív gyakoriságokkal is beláthatunk.
Legyen A és B a H eseménytérhez tartozó két tetszőleges esemény, és P(B)*0. Végezzünk n megfigyelést! Jelöíje k A, k g, k AB az A, B és A n B események gyakoriságát. Az A \ B esemény relatív gyakorisága a
hányados. Ha a kísérletek száma elég nagy, akkor
^ x P ( A n B ) és ^*-*P(B) , ~ P(A IB ) ,n n kB
67
(A pb jel itt azt jelenti, hogy a relatív gyakoriság az adott valószínűség körül inga. dozik.)
Ez indokolja az alábbi definíció bevezetését;
DEFINÍCIÓ. Ha az A és B a H eseménytérhez tartozó két esemény, és P(B) 0 , akkor a
P(A | B) = (3 ,1]}.i p(B)
hányadost az A eseménynek a B eseményre vonatkoztatott feltételes, valószínűségének nevezzük.
A definíció alapján egyszerűen belátható, hogy a P(A | B ) feltételes valószínűségre is érvényesek a valószínűség axiómái, azaz valóban valószínűséget definiáltunk a H eseménytérben.
I. 0 < P(Á | 5 ) < 1;
II. P( B\ B)=1;III. Ha Áyi A 2, . . . , véges vagy megszámlálhatóan végtelen sok, egymást pá
ronként kizáró, H-hoz tartozó esemény, akkor
P(Ai u A l u . . . \ B ) = P(Al \B) + P(Aí \B)+ ... .
így mindazok a tételek, amelyeket a 3.2-ben igazoltunk, a feltételes valószínűségre is érvényesek.
3.7. Példa.Egy urnában 10 fehér és 15 fekete golyó van. Találomra kihúzunk egymás után két golyót visszatevés nélkül. Mekkora a valószínűsége annak, hogy a m ásodik alkalommal fehér golyót húzunk (A2 esemény), feltéve, hogy az első alkalommal is fehéret húztunk (Al esemény)?
Keressük a P(Á2 1 A,) valószínűséget!
MEGOLDÁS, A (3.11) definíció értelmében
P(a 2 1 4 ) = ^ . 4 .D A2)P(AX)
Mivel P ( 4 n 4 ) - ^ | - és P(As) = — = ^ í j25-24 25 25*24
így
Áz eredmény előre várható volt; ugyanis a második hűzásra már csak 24 golyó van az urnában és ezek között 9 a fehér, mivel egy fehér golyót az első
I húzásnál már kihúztunk.
Gyakran előfordul, hogy a feltételes valószínűséget vizsgáljuk, és annak segítségével számíthatjuk ki a A n B esemény valószínűségét,
Szorozzuk meg ugyanis a (3.11) formula mindkét oldalát P (B )-v e l A
P ( A n B ) = P(A\B)P(B)
összefüggéshez jutunk. Ezt nevezzük a valószínűségek szorzási szabályának,amelyet az alábbi tételben fogalmazunk meg:
3,6. T é te l. Ha A és B a H eseménytérhez tartozó két esemény és P ( B) # 0 , akkor együttes bekövetkezésük valószínűsége megegyezik az A eseményB eseményre vonatkozó feltételes valószínűségének és a B esemény valószínűségének szorzatával, azaz
P ( A n B ) = P(A\B)P(B), P ( B ) * 0 . (3.12)
Ha az A és B szerepet cserél és P(A) * 0, akkor a
P{B\ Á) = - ^ ~ ~ yP(A)
alapján
P { A n B ) = P{B\A)P(A). (3,13)
3.8. Példa.Egy áruszállítmány 96%-a megfelel a minőségi előírásoknak, és ezek 60%-aI osztályú, 40%-a pedig II, osztályú. Válasszunk ki találomra egyet az egész
69
szállítmányból. Mennyi a valószínűsége, hogya) I. osztályút választunk (A} esemény);b) II. osztályút választunk (A2 esemény)?
Megoldás. Egyszerű okoskodással is azonnal látható, hogy az I. osztályú választásának valószínűsége 0,96 ■ 0,6 = 0,576, a II. osztályú választásának valószínűsége pedig 0,96 • 0,4 = 0,384 .
Gondoljuk csak meg, hogy itt tulajdonképpen a szorzási szabályt alkalmaztuk mindkét esetben. Jelölje ugyanis B azt az eseményt, hogy a kiválasztott darab minőségileg megfelelő. így az a) esetben
P(B n A ,) = P (A , | B)P(B) = 0,6 ■ 0,96 = 0,576,
a b) esetben
P ( B n A 2) = P(A, | B)P(B) = 0,4-0,96 = 0,384 .
A valószínűségek szorzási szabálya n > 2 eseményre is kiterjeszthető. Ezt mondja ki a következő tétel, amelyet a valószínűségek általános szorzási szabályának neveznek.
3.7. TÉTEL. Legyenek Ai, A1, ..., An a H eseménytérhez tartozó tetszőleges események és P{At n ^ , n ... n A ) ^ 0. Ekkor
P ( A , n A i n . . . n A J = P(Al)P(A2 \At)P(A1 lAi n A 2)... . . . P ( Aw\Al n A l r \ . . . n A l_l).
A tétel bizonyítására, amely a 3.6. tétel többszöri alkalmazásán alapul, nem térünk lei.
3.5. A teljes valószínűség tétele, a Bayes-tétel, valószínűségi fa
3.8. TÉTEL. Ha a H esemény térhez tartozó Bt, B2, ..., Bn események teljes eseményrendszert alkotnak és P{Bk) >0 (k = 1,2.......n), akkor bármely,a H-hoz tartozó A esemény valószínűsége:
P(A) = f i P ( A \ B t )P(Bí ). (3.14)
70
A tételt azért nevezik a teljes valószínűség tételének, mert egy A esemény valószínűségét (teljes valószínűségét) feltételes valószínűségekből (részvalószínü- ségekből) határozza meg.
Bizonyítás. Az, hogy a Bk (k =1, 2, . . . , n) események teljes rendszert alkotnak, a z t jelenti, hogy egymást páronként kizárják és összegük a biztos esemény. Az A tetszőleges esemény előállítható egymást kizáró események összegeként az alábbi módon:
A - A c \H = A c \ ( B y k j B 2 u ... u B n) == { A c \ B ^ ) u { A r \ B z) ' u . . .
és ezért
P{A) = Y JP { A n B k). k-\
Alkalmazva a (3.12) képletet (a valószínűségek szorzási szabályát) az egyes P( An Bk) valószínűségekre, a bizonyítandó állítást kapjuk.
3.9. Példa.Három urnába helyezzünk el fehér és fekete golyókat, mégpedig az elsőbe 2 fehér és 3 fekete, a másodikba 4 fehér és 1 fekete, a harmadikba pedig 3 fehér és 7 fekete golyót. A kísérlet abban áll, hogy 1/2 valószínűséggel az első, 1/3 valószínűséggel a második és 1 / 6 valószínűséggel a harmadik urnát választva, a választott urnából kiveszünk egy golyót. A kérdés az, mennyi a valószínűsége annak, hogy valamelyik urnából találomra kihúzva egy golyót, az fehér lesz.
MEGOLDÁS, a fehér golyó húzása három egymást kizáró módon jöhet létre. Jelölje B x, B , , B3 az első, a második, illetve a harmadik urna választásának eseményét. Ekkor a teljes valószínűség tételét alkalmazva
P{A) = P{A | B,)P(B]) + P(A | B2)P(B2) + P{A | B,)P(B, ) ,
s minthogy
J T O = i / W = i2 3 6
és az első urnából 2/5, a másodikból 4/5, a harmadikból 3/10 valószínűséggel húzhatunk fehér golyót, azaz
P ( A \ B )) = 1 , P ( A \ B , ) = ~ , P i A l B , ) ^ ^ ,
71
a kérdezett valószínűség tehát
/>(^) = 1 . 1 + 1 . 1 + J L I = * i * 0,517,5 2 5 3 10 6 60
3.10. Példa.Egy műhelyben három műszakban készítik ugyanazt a2 alkatrészt. Egy napon az összesen gyártott alkatrészek 40%-a készült az első műszakban, és 30 - 30%-a a második, illetve a harmadik műszakban. Az első műszakban elkészült alkatrészek 5%-a, a másodikban gyártottak 7%-a, a harmadikban gyártottak 10%-a selejtes. A három műszakban előállított alkatrészek teljes mennyiségéből a minőségi ellenőr találomra kiválaszt egyet és megvizsgálja. Mekkora a valószínűsége annak, hogy ez hibátlan?
MEGOLDÁS. Jelölje A a hibátlan alkatrész kiválasztásának eseményét, Bt, B2> B} pedig azt, hogy az első, második, harmadik műszakban készült a kihúzott darab. Alkalmazva a teljes valószínűség tételét:
3
P(A) = £ P ( A | Bk )P{Bk) - 0,95 ■ 0,4 f- 0,93 ■ 0,3 + 0,9 ■ 0,3 = 0,929.*=i
Előfordul, hogy a P(Bk \ A) (1 < k < n ) valószínűségre van szükségünk.
3.9.TÉTEL. (Bayes-tétel.) Ha a H eseménytérhez tartozó Bv B2, .... Bn események teljes eseményrendszert alkotnak és P(Bk) > 0 (k = 1, 2....... n),akkor bármely, a H-hoz tartozó, pozitív valószínűségű A eseményre igaz, hogy
P(Bk | A) = (A = 1.2....... »). (3.15)f iP ( A \ B l)P(Bi) í=i
Bizonyítás. A valószínűségek szorzási szabálya értelmében a (3.12) és (3.13) összefüggéseket jelen esetre alkalmazva kapjuk, hogy
P(Bk \A)P{A) = P{ A \ Bk)P(Bk).
Innen pedig
1 P(A)
12
A teljes valószínűség tétele szerint azonban
I
amit az előző tört nevezőjébe helyettesítve a bizonyítandó tételhez jutunk.
Ez a tétel azt jelenti, hogy ha ismeijük az A esemény feltételes valószínűségét a Bl, B 1 , . . , , B n teljes eseményrendszer eseményeire vonatkozóan, továbbá ismertek a Bk események valószínűségei, akkor a Bk (k = \, 2, n) eseményeknek az A feltételre vonatkozó feltételes valószínűségét ki tudjuk számítani.
Szokás a P(Bk \ A) valószínűségeket „a posteriori” valószínűségeknek, a P ( B , ) valószínűségeket pedig „a priori” valószínűségeknek is nevezni. Amennyiben ez utóbbiak eleve (a priori) ismeretesek, a tétel sok nevezetes probléma megoldására használható (1. a 3.9. pontot).
3.11. Példa.Tekintsük ismét a 3.9. példát, és fordítsuk meg a problémát. Azt kérdezzük, hogy mennyi a valószínűsége annak, hogy a húzás az első urnából történt, ha a húzás eredménye fehér golyó volt,
MEGOLDÁS, Helyettesítsük be a 3.9. példában kapott értékeket a (3.15) képletbe. Ekkor azt kapjuk, hogy
2 15 ? _ j j
P(A) M 3 f 60
Tehát 12/31 a valószínűsége annak, hogy ha fehér golyót húztunk, akkor a húzás az első urnából történt.
Hasonló módon kaphatjuk meg a
P(B2 \ A ) = 1 és a P(£} \A) = ^
valószínűségeket, amelyekből leolvashatjuk, hogy ha fehér golyót húztunk, akkor 16/31 a valószínűsége, hogy a húzás a második, és 3/31 a valószínűsége, hogy a harmadik urnából történt.
Vegyük észre, hogy 5, w B7 u Bt = H , tehát
P(B t | A) + P{Bt | A) + P(B3 | A) = P{BX u B 2 u B 3 \A) == P ( H\ A ) = t .
73
Ha egy kísérlet egymás után elvégzett véletlenszerű lépések sorozatára bontható fel, akkor a lehetséges végkimenetelek egy fastruktúra ágainak felel telhetők meg. Egy ilyen kísérlet jól megjeleníthető egy gráf segítségével, amelynek az ágaira felvehetjük a lehetséges elemi eseményeket és á hozzájuk tartozó valószínűségeket. A kezdőpontból kiindulva ágak sorozatán keresztül juthatunk el valamely végponthoz, amelynek során a feladat egy lehetséges megoldását olvashatjuk ki. A tekintett megoldás valószínűségét pedig a szorzási szabály segítségével kapjuk meg.
A 3.6. ábrán ábrázoltuk a 3.9. példa valószínűségi fa struktúráját és az elemi események valószínűségeit.
S : í. urna
7 ( 5 4 "
B ; 3, urna
^ ) = i
A : fehér
A : fekete
^ ) - l A :fehér_
A : fekete
A : fehér
A : fekete
i v 1 2 2p ( b . ^ a ) = ----- = —
v ' 2 5 10
í 1 3 3P Í B , n ,^ ) = ----- = —
2 5 10
/ \ 1 4 4P { B , n A } = ------------
v J 3 5 15
( - v i l iW ő 7 r w ) = ----------- ----
V ' 3 5 15
v ' 6 10 60
, 1 7 7P ( S . n , A ) = --------- —
6 10 60
3.6. ábra
3.6. Események függetlensége
Két esemény függetlenségén a köznapi szóhasználatban azt értjük, hogy az egyik bekövetkezése nem befolyásolja a másik bekövetkezését.
Egyrészt nehéz azonban eldönteni csupán a szemlélet alapján, hogy ez valóban igaz-e? Másrészt a2 is pontosabb körülírást igényelne, hogy mivel mérjük a két esemény egymásra hatásának tényét. Szubjektív tényezőktől mentes, egyértelműen kezelhető matematikai definíciót kell kialakítanunk.
A feltételes valószínűség fogalmának bevezetésekor egy konkrét példát vizsgáltunk. Azt találtuk, hogy /4-val jelölve egy sokaságban a férfiakat, 5-vel pedig a
74
szakképzetteket, annak valószínűsége, hogy a szakképzettek kartotékjai közül egyet találomra kiválasztva, azon férfi neve szerepel, más, mint amikor a húzás az összes kartoték közül történik, azaz
P(A | B) * P (A ) .
Azt mondhatjuk, hogy az adott esetben a nem és a szakképzettség egymástól nem független tulajdonságok.
Más azonban a helyzet, ha a kérdéses 80 dolgozó adatai történetesen így alakulnak:
A (férfi) A (no)B (szakképzett) 45 27 72
B {nem szakképzett) 5 3 850 30 80
Most ugyanis
0,625 ■
és
= 0,625,
tehát
P(A | B) = P ( A ) .
A férfi dolgozók előfordulásának valószínűsége ezek szerint jelen esetben ugyanakkora a szakképzettek között, mint az összes dolgozók között.
Kézenfekvő tehát arra következtetnünk, hogy ha két eseményre, az A -ra és 5-re P(A | B) - P(A) , akkor a B esemény semmilyen befolyással nincs az A eseményre. Ez esetben azt mondjuk, hogy A független 5-töl. A feltételes valószínűség (3.11) definíciójából, illetve a (3.12) szorzási szabályból következik, hogy ekkor
P ( A n S ) = P(A | B)P{B) = P( A) P{B) . (3. 16)
írjuk fel a P(B \ A) feltételes valószínűség definícióját a (3.16) figyelembevételével.
75
P(A) P(Á)
feltéve, hogy P(A) > 0 , azaz
P(B | A) = P(B) ,
ami éppen azt jelenti, hogy a B esemény is független az A eseménytől. Tehát
P(A | B ) = P(A) » P(B | A) = P (5 ) o P</í n í ) = .
A függetlenség tehát szimmetrikus fogalom, célszerű definíciójául a2 ekvivalens egyenlőségek közül az alábbit elfogadni.
DEFINÍCIÓ. Legyen A és B a U eseménytérhez tartozó két esemény. Az A és B esernényeJcet egymástól függetlennek (vagy sztochasztikusan függetlennek) nevezzük, ha
P ( A n B ) = P{A)P(B). (3.17)
3.12. Példa.Egy ládában
25 darab I. osztályú x típusú,25 darab L osztályú y típusú,25 darab II. osztályú x típusú,25 darab II. osztályú y típusú
termék van. Jelentse A az I. osztályú termék választásának az eseményét és B az x típusú tennék választásáét.Ekkor
w a us 2 5 1 días 5 0 1 ' D /m 5 0 1 P ( A r \ B ) - ---- ■ = —, P(A) = -----= — es P(B) = -— = —.100 4 100 2 100 2
így P ( A n B ) = P{Á)P(B) , azaz az A és a B események függetlenek egymástól, ami előre várható volt.
Megjegyzés:Ha P{A) = 0 vagy P(A) - 1, akkor az A esemény minden más eseménytől független.
3.10. TÉTEL. Ha az A és B események függetlenek, akkor az A és B , A és B, A és B események is függetlenek.
76
Bizonyítás. Bizonyítsuk be pl. azt, hogy az A és B függetlenek Mivel A - ( A r < B ) ^ J { A n B ) és (A n B ) n ( A r \ B ) = 0 , így
P( A) = P ( A n B ) + P ( A n B ) .
Ebb&P ( A n B ) = P { A ) - P ( A n B ) .
Ha azonban az A és B függetlenek, akkor P ( A n ő ) = P{ A) P{ B ), tehát
P ( A n í ) = P( A) - P{ A) P{ B) = P( ,4) [!-/></!)] = P ( A) P( B) .
Hasonló módon igazolható a többi állítás is.
A függetlenség fogalmát terjesszük ki ezután három eseményre, yí-ra, B -re és C-re. Tegyük fel, hogy ezek páronként függetlenek, azaz P(A n B ) - P{A)P{B) , p ( Ar \ C) = P(Á)P(C) és P ( B n C ) = P(B)P(C). Kérdés, hogy fennáll-e a P ( A r \ B r \ C ) = P(A)P(B)P{C) összefüggés. A páronként! függetlenségből ez általában még nem következik, amint a következő példa is mutatja.
3.13. Példa.Legyen kísérletünk az, hogy két kockával dobunk, melyek közül az egyik piros, a másik fekete. Jelentse az A esemény azt, hogy a pirossal páratlan számot, B azt, hogy a feketével páratlan számot dobunk, C pedig legyen az, hogy a két dobás összege páratlan.
Vizsgáljuk A , B, C függetlenségét!
MEGOLDÁS. Mint könnyen meggyőződhetünk róla, bármelyik két esemény független egymástól. Ugyanis
| O 1P(A) = P(B) = P ( C ) = { - = ±
36 2
és
P ( A n B ) = P ( A n C ) = P ( B n C ) = ^ = ~ .
Ezzel szemben a három esemény egyidejűleg nem következhet be, így
P ( A n B r \ Q = 0.
77
3.14. Példa.Az előző példában szereplő két kockával kapcsolatos kísérletünkben legyen most az A, B és C esem ény a következő:
A esemény: a piros kockával legfeljebb 3-ast dobunk,B esemény: a fekete kockával legalább 5 -öst dobunk,C esemény: a pontszámok összege 4, 5, 6 vagy 7.
Vizsgáljuk itt is a függetlenségeket!
M e g o l d á s .
™ = Í K - ^ 1 4P{A n B n C) = ~ ± = P{A)P{B)P(C) .
36 12
Nézzük a páronkénti függetlenséget!
P { A n B ) = — = ~ = P{A)P{B),36 o
P { A r > 0 = % = \ * P { A ) P { C ) ,36 3
p( ^ c ) 4 4 í W ( C ) '3 6 12
Látható, hogy sem az A, sem a B nem független a C-töl.
A P { A n B r \ C ) = P(A)P(B)P(C) egyenlőség teljesüléséből tehát általában nem
következik a páronkénti függetlenség.
DEFINÍCIÓ. Egy H eseménytérhez tartozó A, B és C eseményt függetleneknek nevezzük ha a következő összefüggések mindegyike teljesül:
P ( A n B ) ^ P { A ) P ( B ) ,P ( A n C ) = P(A)P(C),P ( B n C ) = P(B)P(C),P(A n B r \ C ) = P(A)P(B)P{C) .
Ekkor a három eseményt teljesen függetlennek is szokás nevezni, megkülönböztetvén a páronkénti függetlenségtől.
78
3.7. Bernoulli-kísérletsorozat
A függetlenséget eddig olyan eseményekre definiáltuk, amelyek mindegyike ugyanazon eseménytérhez tartozott, más szóval olyan eseményekre, amelyek mindegyike ugyanazon kísérlettel volt kapcsolatos.
Most egy új, az eddigieknél általánosabb fogalmat, a független kísérletek fogalmát vezetjük be.
Ha egy kísérletet ugyanolyan körülmények között többször megismétlőnk (is- metélt kísérletek), akkor a megismételt kísérletek kimenetelei nem befolyásolják egymást. Ha tehát az első kísérlet eredménye egy A esemény, akkor ettől független az, hogy ismétléskor mi következik be. Pl. a többször ismételt kockadobás, érme- dobás stb.
Ugyancsak független kísérletekről beszélhetünk akkor is, ha több kísérletet végzünk egyszerre (többszörös kísérletek), és az egyes kísérletek kimenetelei nincsenek egymásra semmiféle befolyással. Pl. egy játékkockát és egy pénzdarabot dobunk fei egyszerre.
Amikor tehát egymástól függetlenül végrehajtott kíséri etekről beszélünk, akkor ezzel arra utalunk, hogy a kísérletek között semmiféle kapcsolat nincs. Ez nem matematikai fogalom, de gyakorlati szempontból mégis félreérthetetlen jelentése van.
Tekintsünk két, egymástól függetlenül végrehajtott kísérletet. Legyen Ax az első, A, pedig a második kísérlettel kapcsolatos esemény. Az első kísérlettel kapcsolatos eseményteret H x, a másodikkal kapcsolatos eseményteret H z szimbólummal jelölve, nyilvánvaló, hogy az első kísérletnél bekövetkező A, esemény a H l, míg a másodiknál bekövetkező esemény a H l eseménytér részhalmaza, azaz
At c H, é s A2 c H l .
A két kísérletet egyesítsük egy olyan kísérletté, amelynek lehetséges kimenetelei a H, és H 7 elemeiből alkotott rendezett párok.
így már tudjuk vizsgálni az At és A2 események együttes bekövetkezésének valószínűségét, vagyis meghatározhatjuk a P(A, illetve azt, hogy aP(Aj r \A^) = Pi A^Pi Af ] egyenlőség fennáll-e.
3.15. Példa.Dobjunk fel egy játékkockát és egy pénzdarabot egyszerre.a) írjuk fel a kísérlethez tartozó eseménytér pontjait!b) Legyen Al az az esemény, hogy a játékkockán páros pontszám, A2 pedig az,
79
hogy a pénzdarabon írás kerül felülre. Állítsuk elő az A, r í Az eseményt!c) Számítsuk ki a P(Axr \ A 1) valószínűséget!
MEGOLDÁS, Most arról van szó, hogy egyidejűleg két kísérletet hajtunk végre. A kockadobáshoz a //, = {1, 2, 3, 4, 5, 6 } eseménytér, a pénzdobáshoz a
H 2 = {í ; / } esemény tér tartozik.a) A két kísérletet egyszerre végrehajtva az un. egyesített kísérlet eseménytere
a H, x H 2 Descartes-szorzat iesz.
f f , x / / a = { ( l ; / ) , (2 ; / ) , (6 ; / ) , (1 ; / ) , (2 ; / ) , .... (6 ; / )} .
Az egyesített kísérletnek 12 kimenetele van.b) Mivel Al ={2, 4, 6 } és Ai = { i } > így
Ai r \ A 2 = {(2 ; i), (4 ; í), ( 6 ; / )}.
c) Tegyük fel, hogy minden pár bekövetkezése egyformán valószínű. Mivel az A, c\ Al esemény szempontjából a kedvező elemi események száma 3 és a
összes elemi eseményének száma 1 2 , így
P(At n A 2) = - = - = = P(Ay)P(A2).12 4 6 2
Hasonló összefüggés igazolható H ,, illetve H 2 tetszőleges eseményére. Ezek után, ha bármely A, cr H, és A2 ez / / , eseményre
P(Al n A 7) = P(Al)P(A2),
akkor joggal mondhatjuk azt, hogy a H t eseménytérhez tartozó kísérlet és a H 2
esemény térhez tartozó kísérlet független egymástól.
E példa következtetései az alábbi definícióban általánosíthatók.
DEFINÍCIÓ. Tekintsünk n számú kísérletet. Ha az első kísérletnél egy tetszőleges A| esemény előfordulásának valószínűsége P(A t), a második kísérletnél egy tetszőleges A? esemény előfordulásának valószínűsége P{Al ) , . . . , az n-edik kísérletnél egy tetszőleges An esemény előfordulásának valószínűsége P(A it), és annak a valószínűsége, hogy az
80
elsőnél az A,, a másodiknál az ...... az n-edi lenéi az An eseménykövetkezik be, egyenlő az egyes valószínűségek szorzatával, azaz
P(Al n A 2 n . . . n A J = P(A,)P(A,) ... P ( A J (3.18)
minden A,, Al , An esetén, akkor a kísérleteket független kísérleteknek nevezzük.
A 3.3. részben már tárgyaltunk olyan példákat, amelyek valójában független kísérletek együttes végrehajtásából álltak, de ezeket kénytelenek voltunk egy kísérletnek tekinteni, mert még nem ismertük a független kísérlet fogalmát.
3.16. Példa.Független kísérletsorozat esetén mekkora a valószínűsége annak, hogy egy kockát rc-szer feldobva, valamennyi dobás 6 -os?
MEGOLDÁS, A (3.18) képlet alapján ez a valószínűség — . A 3.3. részbení í -
ezt úgy oldottuk meg, hogy meghatároztuk az összes lehetséges elemi események számát, mégpedig az n egymás utáni dobást egy kísérletnek tekintve. Ez hat elem íi-edosztályú variációinak száma, 6 ", és közülük csak egy olyan van, ahol minden dobás 6 -os.
A független kísérletek vizsgálata során, kiemelt fontossága miatt részletesen kitérünk az ún. Bemoulli-kísérletsorozatokra,
Függetlenül megismételt kísérletek sorozatát Bernoulli-kísérlet sorozatnak nevezzük, ha az egyes kísérleteknek két lehetséges kimenetelét vizsgáljuk, valamely A eseményt, illetve annak komplementerét ( A ) . Az A és az A valószínűsége a kíséri etsorozat során változatlan marad.
Tekintsünk egy kísérletet, amelyben egy A esemény bekövetkezésének valószínűsége p, be nem következésének valószínűsége nyilvánvalóan l ~ p = q . Végezzük el a kísérletet azonos körülmények között egymástól függetlenül n-szer egymás után. Ekkor annak a valószínűsége, hogy az első k kísérletben az A esemény, valamennyi további n - k kísérletben pedig az A esemény következik be, a független kísérletekre vonatkozó (3.18) összefüggés értelmében
P ( A r > A n . . . n A n A r ) A n . . . n A ) =* " ' 7 ~k 1
= P(A)PiA) ... P(A)P(A)P(A) . ..P(A) = p kq"-k .'----------- ■,----------- ' ' -----------v-----------'k tt-k
81
Nyilvánvaló azonban, hogy ugyanezt az eredményt kapjuk, ha azt kérdezzük, hogy a fenti kísérletsorozat valamely másik k kísérletében az A esemény, a többiben pedig az A esemény következik-e be. Mivel az n hosszúságú kísérletsoro
zatban a k számú A esemény
következő tételt:\ k J
-féleképpen helyezkedhet el, kimondhatjuk a
3 .1 1 . TÉTEL. Annak a valószínűsége, hogy függetlenül megismételt kísérletek n hosszúságú sorozatában az A esemény pontosan k-szor következik be.
\ k y
jt II ~kP <? - (3.19)
ahol
p = P(A) és q = \ - p = P(A) .
A 3.3. részben tárgyalt visszatevéses mintavételi modellnél ugyanerre az eredményre jutottunk, hiszen a kivett mintát visszatéve a kísérletek egymástól függetlennek tekinthetők.
3.17. Példa.Egy kockát feldobunk «-szer. Legyen az A esemény az, hogy egy dobásnál 4-nél nagyobb pontszámot kapunk. Mennyi a valószínűsége annak, hogy az n dobás között pontosan k-szór kapunk 4-nél nagyobb pontszámot?
MEGOLDÁS. Azonnal látható, hogy BemouIIi-kísérletsorozatról van szó. A kérdéses valószínűség tehát a (3.19) képlet szerint
O Y 2
3 ; UV f a V f ' 4 '
n - k
— — —
U J ^ 6 , o k j
mivel
P ( A ) = ~ .6
82
3.8. Geometriai valószínűség
Sok valószínűségszámítási probléma megoldásánál a valószínűség meghatározását geometriai alakzatok mértékeinek meghatározására vezetjük vissza. Az eseményte- ret egy geometriai alakzattal reprezentáljuk, pl. szakasz, görbeív, síkidom stb.
M értéken a geometriai alakzat hosszát, ívhosszát, területét stb. értjük. Az elemi események a szóban forgó alakzat pontjai. Például egy pontszerű objektumnak egy R sugarú, körlap alakú lemezre történő becsapódásaitól' a kísérlet kimeneteleként a körlap egy pontja tekinthető.
DEFINÍCIÓ. Ha feltehető, hogy egy geometriai alakzattal megadott H eseménytérben annak valószínűsége, hogy egy véletlen pont az A c # résztartományba esik, arányos az A tartomány mértékével (amennyiben ez létezik), geometriai valószínűségről beszélünk.
3.18. Példa.Az R sugarú céltáblára lövéseket adunk le. Tekintsük biztos eseménynek azt, hogy a céltáblát eltaláljuk. Jelöljük A-val azt az eseményt, hogy a középpont körül egy r < R sugarú körön belül esik találatunk. Tegyük fel, hogy geometriai valószínűségről van szó, azaz
P(A) = A r 17r (r < R ),
ahol X egy arányossági tényező. Ez a következőképpen határozható meg: Jelöljük H-val a teljes céltáblára esés eseményét, azaz a biztos eseményt.
Ekkor
\ = P ( H ) = X R Jn,
ahonnan
R 2n
és így
P(A) =Li
r 'f f | rR 2x I R
Az elmondottak általában is érvényesek:Annak valószínűsége, hogy egy H tartományba eső pont egyúttal az A rész
tartományba esik, megegyezik e két tartomány területének hányadosával, feltéve,
83
hogy az egyes tartományokra esés valószínűsége arányos az illető tartomány területével, azaz
az A tartomány területe a H tartomány területe
Meggondolásaink nemcsak síkbeli, hanem egyenes- és térbeli tartományokra is érvényesek. így például annak a valószínűsége, hogy egy egységnyi hosszúságú szakaszt 1 0 egyenlő részre osztva egy véletlenszerűen ráhelyezett pont az egyik 1 / 1 0 hosszúságú szakaszra esik, geometriai valószínűséget feltételezve 1/ 1 0 .
3,9. Szubjektív valószínűség
A valószínűség, a korábbi értelmezés szerint, az a szám, amely körül a relatív gyakoriság statisztikai ingadozást végez, a relatív gyakoriságok sztochasztikus határértéke, amennyiben feltételezzük a kísérlet tetszőleges számú megismételhetőségét.
Mit tehetünk azonban az olyan köznyelvben használt ítéletekkel, hogy 80% a valószínűsége annak, hogy holnap esni fog az eső, vagy valószínűleg Kati keresett. A gazdasági életben is nagyon sokszor kell feltennünk a következő vagy hasonló kérdéseket: Mennyire valószínű, hogy egy új termék elér egy adott piaci részesedést? A várható kereslet gyenge, közepes vagy erős lesz egy új termék esetén? Ezek a kérdések olyan eseményekre vonatkoznak, amelyek nem rendelkeznek az akárhányszor ismételhetőség tulajdonságával így a korábban értelmezett valószínűség-fogalom nem használható. Ebben a pontban megismerkedünk a bizonytalanság körülményei közötti gazdasági döntésekben alkalmazható új valószínűség- fogalommal, az úgynevezett szubjektív valószínűséggel, majd vizsgáljuk a bizonytalanság, a szubjektív valószínűség és a Bayes-tétel kapcsolódását.
A SZUBJEKTÍV VALÓSZÍNŰSÉG ÉRTELMEZÉSE
Objektívnek tekintünk valamit, ha az a tudatunktól függetlenül létezik. Ilyen értelemben az objektivitás a külvilág attribútuma. Az eddigiekben értelmezett valószínűség is a külvilág, egy kísérlet tudatunktól függetlenül létező tulajdonsága, ezért kapta az objektív valószínűség elnevezést.
A valószínűség szubjektív értelmezése először F. P. Ramsey (1926), majd B. de Finetti (1937) munkásságában jelenik meg egy esemény bekövetkezésébe vetett hit fokának a mértékeként. Ok ezt a valószínűségi mértéket egy fogadási helyzettel definiálják. A fogadási helyzet során a játékos, akinek egy esemény bekövetkezésére vonatkozó hitét méljük, fogad a „játékvezetővel” . A fogadási helyzet a következő:
84
A játékos mond egy arányt, ami az ő fogadási hányadosa, q. A játékvezető enn e k ismeretében tesz egy tétet: S. A játékos qS összeget fizet azért, hogy játszhasson az esemény kimenetétől függetlenül. Míg ha az esemény tényegesen bekövetkezik, akkor a játékvezető S összeget fizet a játékosnak.
Az előző értelmezés illusztrálására tekintsük a következő egyszerű példát.
3.19. Példa.Vizsgáljuk meg, hogy mit jelent a következő kijelentés: szerintem 70% annak a valószínűsége, hogy holnap esni fog.
MEGOLDÁS. Ebben az esetben 0,7 a hit foka arra vonatkozóan, hogy holnap esni fog, vagyis a fogadási hányados # = 0,7. A játékvezető ennek ismeretébenS = 100 Ft tétet tesz fel. így én 70 Ft-ot vagyok hajlandó fizetni azért a játékért, hogy nyerek 100 Ft-ot, ha tényleg esni fog és elveszítem a 70 Ft-ot, ha nem esik.
Ramsey és de Finetti tehát az egyén hiteinek mérését azzal a racionális fogadással kapcsolja össze, amibe az egyén hajlandó belemenni, így az esély, aminél hajlandófogadni az egyén, határozza meg a valószínűséget.
Megjegyzés:A valószínűség szubjektív értelmezésében de Finetti odáig megy, hogy azi állítja, hogy az olyan események valószínűsége, mint a pénzfeldobás sem lehetnek az egyének hiteitől független létezők, így szerinte a valószínűséget objektívnek tekinteni téves felfogás. Ez az értelmezés komoly vitákat váltott ki. De Finetti felfogásában főleg az objektív valószínűség létezésének megkérdőjelezését kifogásolták. A valószínűség körüli vitákat még ma sem lekinthetjük lezártnak. Mi azonban arra a napjainkban legelfogadottabb álláspontra helyezkedünk, amelyik a valószínűség kétféle értelmezését (szubjektív, objektív) együtt használja.
Tekintsük a már említett „valószínűleg Kati keresett” példát. Ebben az esetben nem egy esemény valószínűségéről van szó, hanem egy tényállást, egy helyzetet értékelünk a megérzéseink alapján. A tényállást, helyzetet, amelyről tudni akarjuk, hogy igaz vagy hamis, állapotnak nevezzük a továbbiakban. Ha vizsgáljuk a szóba jöhető telefonálók halmazát, akkor az a tényállás, hogy „Kati telefonált” egy lehetséges állapot a szóba jöhetők közül. Az /-edik állapotot a jövőben 9, szimbólummal jelöljük. A P{9t) egy lehetséges állapot valószínűsége, ami azt fejezi ki, hogy az ítéletet mondó mennyire bizonyos, illetve bizonytalan abban, hogy Kati volt a telefonáló.
Ezekben az esetekben a valószínűség nem a véletlen kísérlettel függ össze, hanem a bizonytalanság egy kifejezéseként használjuk. Amikor nem tudjuk megállapítani, hogy egy esemény (állapot) igaz vagy hamis, akkor csak annyit mondunk, hogy lehetséges vagy valószínű. A különböző állapotoknak különböző valószínű
85
ségi szintje lehet, ami attól függ, hogy mi azt gondoljuk, hogy az a valószínűbb, hogy igaz, vagy az, hogy nem.
Az 1 valószínűség azt jelenti, hogy abszolút biztosak vagyunk, hogy igaz. A 0 valószínűség esetén is abszolút biztosak vagyunk, de abban, hogy nem igaz a tényállás. A 0,5 valószínűség jelenti azt, hogy abszolút bizonytalanok vagyunk, hogy fennáll-e az állapot, vagy nem.
A szubjektív valószínűség D. Wickmann (1990) által megfogalmazott értelme- zése a következő: A szubjektív valószínűség a szubjektumnak egy adott állapot megítélésére vonatkozó bizonyossági foka.
A bizonyossági szintet az „igazságos fogadás paradigmájával" kapcsoljuk Össze. Korábban láttuk, hogy már Ramsey és de Finetti is összekapcsolták a hit foká
nak mérését a fogadási hajlandósággal. Az igazságos fogadás a következőképpen történik:
3.20. Példa.
Legyen 0i egy bizonyos állapot. D személy azt mondja, hogy P{9,) = ^
(pl. 0,9), ű , f i e N , a + b ^ 0 mértékig biztos abban, hogy a 9. állapot fennáll.
Ha A és B egy bizonyos H összegre fogadnak, amelyből H ■ (0,9H)a + b
az A személytől, H ■ - (0,1//) pedig a B személytől származik, akkor a a + b
fogadási arány a:b (9:1) az A szempontjából. Az A fogad é? -re, B pedig 0j tagadására, és a nyertesé lesz az egész Összeg. A z igazságosság azt jelenti,
hogy D szempontjából mind a kettőjüknek egyenlők a nyerési esélyeik ,----- - -ű ■+■ ö
ve) azt fejezi ld, hogy egyaránt kész A vagy B helyett belépni.
3.21. Példa.Vizsgáljuk, hogy mit jelent az igazságos fogadás szempontjából a következő kijelentés: „70%-ig biztos vagyok abban, hogy Kati telefonált”, állítja D.
7M e g o ld á s . Az állapot a következő: 6; = „Kati telefonált”. PW,) = y - - ^ = 0,7 .
A és B 10 000 Ft összegre fogadnak úgy, hogy 7000 A-tó\7 3000 pedig 8 -tői származik. A fogadási arány tehát 7 : 3. Az A arra fogad, hogy Kati telefonált, B pedig arra, hogy nem Kati volt a telefonáló.
86
A fenti értelmezések a szubjektív valószínűség operatív definícióját adják. A szak- irodalomban ez a megközelítés nem egyedi. Például a fizikában az elektromos mezőt is hasonlóképpen definiálják.
A valószínüségszámítás axiomatikus felépítése Kolmogorov nevéhez fűződik, amelynek alapján a valószínűség formális definíciója alatt azt a valós számot értjük, amely a valószínűségi axiómáknak eleget tesz.
Az ún. koherencia feltételezésével az is kimutatható, hogy a fent értelmezett szubjektív valószínűségek eleget tesznek a valószínűség axiómáinak (C, Howson, P. Urbach, 1989 és D. Gillies, 2000). A koherenciafeltételek azt jelentik, hogy lehetetlen létrehozni olyan fogadássorozatot azzal a személlyel szemben, aki követi a koherencia feltételeit, hogy ez a személy biztosan veszítsen, függetlenül attól, hogy mire fogadott.
Az így definiált bizonyosság! szintek tehát joggal nevezhetők valószínűségeknek.
A BIZONYOSSÁG) SZINT SZÁMSZERŰSÍTÉSÉ
A szubjektív valószínűségeket általában nehéz mérni. Azoknak az eseményeknek, illetve állapotoknak a valószínűsége, amelyek nagyon ritkán fordulnak elő, vagy szinte biztos, hogy előfordulnak, azonban könnyen számszerűsíthető. Például, ha annak az eseménynek a bizonyosság! szintjét kell megadni, hogy „holnap felkel a Nap”, a valószínűség 1 lesz. Ha pedig annak az állapotnak a bizonyossági szintjéről beszélünk, hogy „sajtból van a ílold”, akkor a valószínűség közelít 0 -hoz. Mit tudunk azonban mondani annak az állapotnak a bizonyossági szintjéről, hogy „fehér karácsonyunk lesz”?
A számszerűsítéssel szembeni elvárások a következők:
> a bizonyossági szinteknek összehasonlíthatóknak kell lenniük,> bizonyossági szinteket egy skálán kell elhelyezni,> a skálának nemcsak ordinálísnak kell lennie, hanem arányskálának is.
Ha mérhetővé akatjuk tenni a bizonytalanságot, meg kell adni egy etalont (standardot), amihez viszonyítunk. Például a hosszúság mérésére a Párizs mellett elhelyezett I méter hosszú rúd a viszonyítási alap. A szubjektív valószínűség mérésénél a standard egy úgynevezett kalibrációs kísérlethez kötődik. Ez egy egyszerű kísérlet, amelynél a kimenetek valószínűségei nagyon könnyen meghatározhatók és ráadásul ezek a valószínűségek objektívek.
Az általunk alkalmazandó kalibrációs kísérlet egy umás kísérlet. Egy urnában bizonyos számú piros és fehér golyó van. Véletlenszerűen kiveszünk belőle egy golyót. A valószínűség standard mértéke legyen az urnában levő piros golyók aránya. Ez a valószínűség függ az urnában levő golyók számától. Például, ha az umá-
87
bán 8 piros és 2 fehér golyó van, akkor 1 piros golyó kiválasztásának a valószínűsége 0 ,8 , ha csak pirosak vannak az urnában, a valószínűség 1 , és ha csak fehérek, akkor a valószínűség 0 .
Téljünk vissza a „fehér karácsonyunk lesz” állapot valószínűségének számszerűsítéséhez. A valószínűség meghatározásához a következő két fogadást hasonlítjuk össze:
1. 10 000 Ft-ot kapsz, ha fehér karácsony lesz, egyébként semmit.2. 10 000 Ft-ot kapsz, ha a kihúzott golyó piros, ha az urnában 5 piros és 5 fe
hér golyó van, egyébként semmit.
Ha az első fogadást részesíted előnyben, akkor szerinted annak a valószínűsége, hogy fehér karácsony lesz, nagyobb, mint 0,5, ha a második fogadást preferálod, akkor pedig kisebb 0,5-nél ez a valószínűség,
Tegyük fel, hogy az első fogadást választottad, akkor a „fehér karácsony lesz valószínűsége” 0,5 és 1 közé esik. Tekintsük a következő két fogadást:
1. 10 000 Ft-ot kapsz, ha fehér karácsony lesz, egyébként semmit.2. 10 000 Ft kapsz, ha a kihúzott golyó piros, ha az urnában 6 piros és 4 fehér
golyó van, egyébként semmit.
Tételezzük fel, hogy most a második fogadást részesíted előnyben, ez azt jelenti, hogy annak a valószínűsége, hogy fehér karácsony lesz, kisebb, mint 0 ,6 . így a szubjektív valószínűség 0,5 és 0,6 közé esik. Ha pontosabb becslést akarunk, akkor újabb fogadásokat kell összehasonlítani.
SZUBJEKTÍV VALÓSZÍNŰSÉG ÉS A BAYES-TÉTEL
Legtöbbször a szubjektív valószínűség mögött is bizonyos előzetes tapasztalatok húzódnak meg, a múltbeli adatokat azonban nem tudjuk vagy nem akarjuk elérni. Ennek a bizonytalanságnak, információhiánynak a kifejezésére használjuk a szubjektív valószínűséget. Már de Finetti is kapcsolatba hozta a szubjektív valószínűséget a Bayes-tétellel. A következő gondolatmenet mutatja a bizonytalanság, a szubjektív valószínűség és a Bayes-tétel összekapcsolódását.
Egy új termék piacra vitele előtt nem tudjuk, hogy mekkora kereslet várható. Ilyenkor csak azt tudjuk mondani, hogy szerintünk pl. 0,4 annak a valószínűsége, hogy a kereslet közepes lesz. Ez a valószínűség azonban módosulhat, ha új információhoz jutunk. Például, ha kikérjük egy piackutató cég véleményét, vagy próba- vásárlást végzünk. Módosítani a kezdeti valószínűségeket, amikor új információhoz jutunk, ez a Bayes-í gondolkodás fő motívuma. A Bayes-tétel éppen azt fogalmazza meg, hogy a racionálisan gondolkodó személy hogyan módosíthatja hipotézisét,
ha új információ birtokába jut. A korábbi jelölések felhasználásával ez a következőképpen fogalmazható meg:
Tekintsük a {6 , 02 , . . . , 0u} lehetséges állapotok halmazát, amelyek a 0 állapotteret alkotják. P(0j) az a szubjektív valószínűség, amivel egy adott személy
bizonyos abban, hogy a /-edik állapot fennáll. A P{9}) -k által alkotott valószínű-
ségeloszlás a <9 állapottér adott személy általi becslését adja. A 0 minél jobb becslése érdekében az adott személy mintaadatokat szerez (x) és így átalakítja eredeti becslését. így kétféle valószínűségeloszlásról beszélhetünk, egy minta előtti vagy a priori és egy minta utáni vagy a posteriori valószínüségeloszlásról. Az a posteriori eloszlás meghatározása az a priori eloszlásból és a mintavétel adataiból a Bayes-tétel segítségével történik, amit szemléletesen a 5 .7. ábra tartalmaz.
Minta-a priori információ
Pfa) F {.}&,)
' i r — — 1
BAYES-TETEL
a posteriori />((?»
3.7. ábra
A Bayes-tétel az új jelölésekkel a következőképpen fogalmazható meg:
Y lP i x \ e i ) - n f f l )i=i
x : a mintainformáció,: a /-edik állapot,
^ (^ j) : a ./-edik állapotra vonatkozó szubjektív valószínűség,
-v): a mintavétel utáni posteriori valószínűség,
P ( x j Oj) : a mintavételi statisztikából jól ismert megbízhatóság.
89
Előzetes ismereteinket, amelyek bizonytalanság esetén szubjektív feltételezésekből, megérzésekből származnak, matematikailag egy valószínűségi eloszlás megadásával fogalmazzuk meg.
Alkalmazzuk a leírtakat a következő példán keresztül.
3.22. Példa.Egy húsipari cég a piaci részesedésének növelése érdekében egy új ízesítésű, új megjelenésű szalámit fejlesztett ki. A vállalat egy valaha sikeres, de közben csődbe jutó cég felvásárlása után 2 éve alakult új névvel, így a menedzsment számára kiemelkedően fontos, hogy ez az új tennék sikeres legyen. Ezért hajlandók áldozni piackutatásra is.
A szakértőkből és menedzserekből álló team véleménye szerint kétfajta piaci részesedés, 8 % (í?t) és 2% (#,) várható a termék piacra vitele esetén. A team hosszas mérlegelés és a vélemények aggregálása után a 8 %-os piaci részesedés bekövetkezésének 60% esélyt, a 2%-os piaci részesedésnek 40% esélyt fogalmazott meg, vagyis:
/>(£,) = 0,60, P(&2) = 0,40.
Ezek az a priori szubjektív valószínűségek.A jobb döntés érdekében két piackutató céget is megkérdeztek. Mind a két
piackutató ugyanúgy két kategóriába sorolta az elérhető piaci részesedést, mint a vállalat vezetősége. Az I. piackutató kategóriái a következők: 4% vagy annál nagyobb (a,) , és 4%-nál kevesebb (x2) piaci részesedés, a IL számúé pedig 3% vagy annál nagyobb, és 3%-náI kevesebb piaci részesedés. A piackutatók által közölt megbízhatósági adatokat az alábbi táblázatok tartalmazzák.Az I. számú piackutató megbízhatósági szintjei:
p ( * M ) PiXiW) Együtt
$ 0,70 0,30 1,00
0,20 0,80 1,00
ahol a P(xt \ 9]) megbízhatóság azt jelenti, hogy P(xl j ) — 0,7 annak a valószínűsége, hogy x, előrejelzést kapunk, ha 0l bekövetkezik, vagyis az információ mennyire megbízható,
A II, számú piackutató megbízhatósági szintjei:
P(x} \Öt) P (x2 16>) Együtt
fii 0,70 0,30 1,00
0,40 0,60 1,00
90
Hogyan módosulnak az a priori valószínűségek a piackutatóktól szerzett új információk hatására?
MEGOLDÁS. A piackutatókkal történt előzetes tárgyalás után, a kapott megbiz- hatóságí információk alapján az a priori valószínűségek változását a Bayes-tétel alkalmazásával határozzuk meg.
A P(6 t a',) és P {&2 | a,) a posteriori valószínűségeket és a meghatározásuk menetét az alábbi táblázat tartalmazza:
A priori valószínűségek
Feltételesvalószínűség
Együttes valószín üs égek
A posteriori valószínűségek
4 H°<)P(X]n $ t) =
= P(9,-) P(x, \0 , )P( X] r ^ )
m )ö, 0,60 0,70 0,42 0,84
0,40 0,20 0,08 0,16
A P{8y | x2) és a PfÖj | a',) a posteriori valószínűségek kiszámítása hasonlóan történik, így csak az eredményt közöljük. A táblázat az I. számú piackutató esetén az a posteriori valószínűségek és az a priori valószínűségek együttes táblázata.
4 m \ * > )0,60 0,84 0,360,40 0,16 0,64
£ 1,00 1,00 1,00
Az előző utat követve a II. számú piackutató esetén az a posteriori és a priori valószínűségek együttes táblázata a következő:
3 m ) m i * , )
ö, 0,60 0,64 0,530,40 0,36 0,47
£ 1,00 1,00 1,00
A megbízhatósági szintek különbözősége^ miatt a két piackutató esetén különböző a posteriori valószínűségek születtek. Újabb információk szerzésével, a kapott
91
I a posteriori valószínűségeket a priori valószínűségként kezelve és alkalmazva a Bayes-tétel t még pontosabb a posterion valószínűségeket kaphatunk.
Befejezésül a téma iránt érdeklődő hallgatók számára álljon itt néhány alapvető mü, hiszen a szubjektív valószínűség és a Bayes-tétel alkalmazása sok olyan problémát felvet, amely túlmutat a könyv keretein.
De Finetti (1964); Foresight: its Local Laws, its Subjective Sources. Studies in Subjective Probability. Kyburg, Smolder, New York.
French, S. (1986): Decision Theory. Eli is Horword, Chichester.
Gil, J-W aiker, L. D. (2005): Elicited Priors fór Bayesian Mód cl Specifications. G hat ham ’& HaJl, New York.
Gillies, D. (2000): Philosöpliical Theories of Probability. Routledge. pp. 223 + xiv.
Howsofi, C., Urbach, P. (1989): The Bayesian Approach. Open Court Publishing Company,
Ramsey, F- P. (1963): Tiuth and Probability. Studies in Subjective Probability. John Wiley and Sons, New York.
Shafer, G.-Gitett. P R.-Sherl, R. B. (2003): Subjective Probability and Lower and Upper Precision: A New Undefstanding. Internationa! Journal o f Approximate Reasoning.
Wickmann, D. (1998): Bayes-statisztika. ELTE Eötvös Kiadó, Budapest.
92
4. VALÓSZÍNŰSÉGI VÁLTOZÓ
4.1, A valószínűségi változó fogalma
Az eddigiekben annak valószínűségét vizsgáltuk, hogy egy esemény bekövetkezik-e, vagy sem. Az esetek jelentős részében az eseményhez egy vagy több szám kapcsolható, Ha például egy szabályos dobókockát dobunk fel, az egyes kimenetelekhez (elemi eseményekhez) az 1, 2, ... , 6 számokat rendelhetjük. Azt az összetett eseményt, hogy páros számot dobunk, megfogalmazhatjuk úgy is, hogy az eredmény a {2 ; 4 ; 6 } halmaz valamelyik eleme. Természetesen a kocka oldalait különböző színekkel is jelölhetjük, de ekkor azonnal tapasztalhatjuk, hogy csak körülményesebben tudunk az eseményekről beszélni. Ezért ilyenkor is célszerű az egyes színekhez különböző számokat rendelni. Dobjunk fel egy pénzérmét! A dobás eredménye „fej” vagy „írás” lehet. Ekkor is megtehetjük, hogy az egyes elemi eseményekhez számokat rendelünk, például a „fej’’-hez a 0 -t, az „írás”-hoz az 1-et.
Egy kísérlet kimeneteleihez többféleképpen is rendelhetünk számot. Ennek a megválasztását gyakran a vizsgálat szempontjai határozzák meg. Például a magyar háztartásokhoz hozzárendelhetjük az adott háztartásban élők számát, a nettó összjövedelmet, az egy főre eső jövedelmet, az előfizetett mobiltelefonok számát, a havonta ruhavásárlásra fordított összeget stb.
Ebben a fejezetben azzal az esettel foglalkozunk, amikor egy kísérlet lehetséges kimeneteleinek mindegyikéhez pontosan egy számot rendelünk hozzá. Ekkor lényegében a lehetséges kimenetelek (elemi események) halmazán egy valós értékű függvényt értelmezünk.
DEFINÍCIÓ. Legyen adott egy véletlen kísérlet és az ehhez tartozó H eseménytér, A H eseménytéren értelmezett £ valós értékűföggvényi valószínűségi változónak nevezzük.
A valószínűségi változókat általában görög kisbetűkkel, 4 (kszí), rj (éta), C (zéta) stb. jelöljük.
A valószínűségi változó tehát a kísérlet minden h kimeneteléhez egy %(h) valós számot rendel.
Definíciónkat három fontos megjegyzéssel egészítjük ki.
93
Megjegyzések:1. Valószínűségi változót csak olyan eseménytéren definiálunk, amelyhez tartozó
eseményekhez már rendeltünk valószínűségeket, vagyis valószínűségi mezőt alkotnak. így £ a ^ valószínűségi mező elemi eseményeinek halmazán értelme- zett függvény,
2. A továbbiakban £ < x jelöli azon h kimenetelek halmazát, melyekre £ (/;)< * teljesül.
3. Véges valószínűségi mezőben az eseménytér tetszőleges A c: H részhalmazának (eseménynek) valószínűségét meghatározhatjuk az A halmazt alkotó elemek (elemi események) valószínűségei összegeként. Végtelen sok elemet tartalmazó H eseménytérből kiindulva (mint a 2. fejezetben említettük) még az sem biztos, hogy egy kiválasztott végtelen részhalmaznak, azaz eseménynek van valószínűsége, A továbbiakban viszont mindig feltételezzük, hogy bármely valós x esetén a
m < *
egyenlőtlenségnek eleget tevő halmaznak létezik a
P ( t < x )
valószínűsége.
A W elemi eseményeinek halmazán végtelen sok különböző függvényt, tehát végtelen sok valószínűségi változót lehet értelmezni. Ezek közül a szokásjog vagy az ésszerűség időnként bizonyos megoldásokat kitüntet. Például a szabályos játékkocka lapjait szinte mindig az 1 , 2 , 6 számokkal jelöljük annak ellenére, hogy erre használhatnánk akár irracionális számokat is. Annál a kísérletnél, amikor egy magyar háztartást választunk ki véletlenszerűen, a valószínűségi változó lehet pl,, mint említettük, a háztartásban élők száma, a nettó összjövedelem, az egy főre eső jövedelem, a mobiltelefon-előfizetések száma stb., a vizsgálat szempontjai szerint.
Ha egy véletlen kísérletet elvégzünk, a valószínűségi változó által felvett érték mindig attól függ, hogy a kísérlet lehetséges kimenetelei közül melyik következik be, Ezért a valószínűségi változó értéke lényegében egy véletlentől függő számadat.
Lássuk most az elmondottakat egy konkrét példa kapcsán.
4.1. Példa.Feldobunk két szabályos dobókockát. A kísérlet lehetséges kimeneteleit rendezett számpárokkal jellemezzük (a két kockát megkülönböztetjük). így egy 36 elemi eseményt tartalmazó klasszikus valószínűségi mezőhöz jutunk. Jelölje a
94
£ valószínűségi változó a dobott számok összegét. Ekkor a £ lehetséges értékei. 2, 3, 4, . 1 2 . Az elemi eseményeket, a valószínűségi változó értékeit és azok valószínűségeit az alábbi táblázat tartalmazza:
Dobott számpár (elemi események)A 4
valószínűségi változó értékei
A £ értékeihez tartozó
valószínűségek(l; l) 2 1/36(1;2), (2; 1) 3 2/36(1;3), (2; 2), (3; 1) 4 3/3 ó0 ; 4), (2; 3), (3; 2), (4; 1) 5 4/36
11; 5). (2; 4), (3; 3), (4; 2), (5; 1) 6 5/3611; 6), (2; 5), (3; 4), (4, 3), (5 ;2),{6;1) 7 6/36(2; 6), (3; 5), (4; 4), (5; 3). (6; 2} 8 5/36(3; 6), (4; 5), (5; 4), (6; 3) 9 4/36(4; 6), (5; 5), (6; 4) 10 3/36(5; 6), (6; 5) 11 2/36(6; 6) 12 1/36
Táblázatunkból kiolvasható például, hogy
/ > ( 2 £ £ < 5 ) = />(é = 2 ) + .P(£ = 3) + />(£ = 4) = ^ + - I + -L = I36 36 36 6 '
Itt az elemi események és a £ lehetséges értékei közötti kapcsolat nem kölcsönösen egyértelmű. A £ = 5 érték például négy különböző elemi eseményhez is hozzá van rendelve. A függvényfogalom szerint bármelyik elemi eseményhez £ -nek pontosan egy értéke tartozik, A % lehetséges értékeit és az azokhoz tartozó valószínűségeket a 4.1. ábrán nyíldiagrammal szemléltettük.
DEFINÍCIÓ. Ha a 4 valószínűségi változó lehetséges értékeinek a száma véges vagy megszámlálhatom végtelen (sorozatba rendezhető), akkor diszkrét vagy diszkrét eloszlású valószínűségi változónak nevezzük.
DEFINÍCIÓ. Ha a diszkrét eloszlású % valószínűségi változó lehetséges értékei xi , x 2. x J ....... akkora P(% = x x), P(4 = x 2) , P{4 = x i ), ... valószínűségeket a 4 valószínűségi változó eloszlásának vagy valószínűség- eloszlásának nevezzük.
Könnyű belátni, hogy ekkor
i
ahol az összegzést az összes lehetséges i értékre elvégezzük, és így egy véges vagy végtelen összeget kapunk. A valószínüségeloszlás tehát az 1 valószínűséget osztja el a 4 lehetséges értékei között. Vannak azonban olyan eseményterek is, melyeknek elemei a megszánni álhatóan végtelennél bővebb halmazt alkotnak. Akkor viszont lehet olyan valószínűségi változót is értelmezni, melynek értékei nem megszámlálható halmazt alkotnak.
Következő példánkban egy nem diszkrét eloszlású valószínűségi változót értelmezünk.
4.2. Példa.Az A és B településeket összekötő 10 km hosszú villanyvezeték egy erős vihar következtében egyetlen pontban megsérült. Jelöljük 4 -vei a sérülés helyének az A településen levő végponttól való távolságát. Ekkor 4 a [0 ; 10] intervallum bármelyik pontja lehet: 0 á 4 ^ 10. A változó tehát most kontinuum sok értéket felvehet, nem diszkrét eloszlású. Ha a hiba helyének elhelyezkedésére bármit szeretnénk mondani, bizonyos feltételezésekkel kel) élnünk. Ha feltesszük, hogy a meghibásodás szempontjából egyetlen rész sincs kitüntetve, akkor abból indulunk ki, hogy bármely intervallumban a hiba valószínűsége arányos az intervallum hosszával (geometriai valószínűség). Ekkor pl. annak valószínűsége, hogy a hiba 3 km-nél messzebb, de 5 km-nél közelebb van A
2településhez, j°(3 < 4 < 5) = — . Annak a valószínűsége, hogy a hiba A -hoz kö
zelebb van, mint 5 km, P(4 < ■ Annak valószínűsége pedig, hogy a hiba
éppen félúton van, P(4 = 5) = — = 0.
96
4.2. Az eloszlásfüggvény és tulajdonságai
DEFINÍCIÓ. Legyen 4 egy valószínűségi változó. Az
F 'F { x ) = P ^ < x) , x e R
függvényt a £ valószínűségi változó eloszlásfüggvényének nevezzük.
A valószínűségi változó definícióját követő második megjegyzésünk szerint a 4 függvényt csak úgy értelmezhetjük az elemi események halmazán, hogy a
ValÓSZÍníÍ£ég m i n d e i 1 x valós szám esetén létezzen. Ezért bármely valószínűségi változónak van eloszlásfüggvénye, és az minden R esetén értelmezett.
4.3. Példa.írjuk fel a 4.2. példában szereplő 4 valószínűségi változó eloszlásfüggvényét!
M e g o ld á s . A 4 értéke egy távolságot jelöl, ezért negatív értéket nem vehet fel. Akkor pedig
P ( 4 < x ) = 0 , ha * < 0 .
Másrészről, az egy biztos esemény, hogy 4 £ 1 0 , tehát
P ( 4 < x ) = 1 , ha jc > 1 0 .
A körülmények alapján abból indultunk ki, hogy geometriai valószínűséggel számolunk, ezert 6 6
ha 0 < x < 1 0 .
Ezeket összefoglalva, az F{x) = P(£ < x ) -re adódik:
0 , ha j c s IO
^Qc) = /■(£< *) = <-?!, ha 0 < jc < 10
[ 1 , ha 1 0 < jc.
A z F eloszlásfüggvény grafikonja a 4.2. ábrán látható. Az eloszlásfüggvény most az egész számegyenesen folytonos.
97
A folytonos eloszlású valószínűségi változó értelmezését az analízis tanulmányaink során megismert határozott integrálra, a Riemann-integrálra alapozzuk.
DEFINÍCIÓ. A 4 valószínűségi változót folytonosnak vagy folytonos eloszlásúnak nevezzük, ha létezik olyan véges sok pont kivételével folytonos f függvény, melyre
x
F(x)= \ f ( t ) d t , * e R .
Ezt figyelembe véve, a 4.2. példában szereplő £ valószínűségi változó folyto
nos eloszlású, mert az
/ : / « =
0 , ha x < 0
— , ha O c x c l O100 , ha 1 0 < *
függvényre és a változó F eloszlásfüggvényére (melyet a 4.3. példában határoztunk meg) teljesül az
egyenlőség.
4.4. Példa.Egy szerencsekereket 1000 forint befizetése után lehet megforgatni, es a kimenetelek 25%-ában nyer a játékos. Négy darab 1000 forintosunk van és addig játszunk, amíg nem nyerünk, illetve ameddig a pénzünk el nem fogy. A £ valószínűségi változó jelentse a játékra befizetett 1000 forintosok számát. Adjuk meg és ábrázoljuk a £ eloszlását és eloszlásfüggvényét!
MEGOLDÁS. A változó lehetséges értékei: £ - 1 ; 2 ; 3 ; 4 .
Az eloszlás: P{£ = ^ =
A negyedik játék után, annak kimenetelétől függetlenül befejezzük a játékot, azért lesz
Ha £ < x és x < 1, akkor £ < 1. Azonban a lehetséges értékeit figyelembe véve, a £ < 1 lehetetlen esemény, tehát ha x <, 1 , akkor
F(x) = P(Z <x) = 0 ,
Ha 1 < x < 2 , akkor az -T-nél kisebb £ érték csakis a í - 1 lehet. (Még ha x = 2 , akkor is a £ < x = 2 feltételnek a változó lehetséges értékei közül csakis a £ = 1 felel meg.) Tehát ha 1 < x < 2 , akkor
F(x) = P( Z<x ) = P ( ^ l) = i .4
Gondolatmenetünket folytatva, ha 2 < jc < 3 , akkor
F(x) = P ( Z < x ) = P{ t = \) + P(Z = 2 ) = l ~ 2; . l = l - .4 4 4 16
Ha 3 < x £ 4 , akkor
FW = P(í<^)=sP(í = l) + P(í=2) + />(í = 3)=i + j 4 + Í74 4 4 I^4J
Végül, ha 4 < x , akkor £ < x biztos esemény, ezért ha 4 < x , akkor
F(x) = 1.
Összefoglalva
I - 1 Z4 ^ 6 4 ’
F(x) = P(£ <x) =
0 , x < 1
4 ’7_16 37 641 , 4< x.
\ < x < 2
2 < x < 3
3 < x £ 4
99
Az eloszlás a 4.3,, az eloszlásfüggvény a 4,4. ábrán látható. Az eloszlásfüggvény „ugrása” a szakadási helyeken mindig ugyanakkora, mint az eloszlás aktuális tagja.
y
0,4-
0,2-
F(x)>
4.3. ábra 4.4. ábra
Míg a folytonos eloszlású valószínűségi változó eloszlásfüggvénye mindig folytonos függvény (mert integrálfüggvény), addig a diszkrét eloszlású valószínűségi változó eloszlásfüggvénye úgynevezett lépcsős függvény (pl. 4,4. ábra). Létezik úgynevezett kevert eloszlás is, amely nem is folytonos, nem is diszkrét. Mi ezekkel nem foglalkozunk.
Áz eloszlásfüggvény egyik legfontosabb gyakorlati alkalmazását biztosítja az alábbi tétel:
4.1. TÉTEL. Ha a £, valószínűségi változó eloszlásfüggvénye F, akkor tetszőlegesa <b valósszámolcra
P { a < 4 < b ) = F{ b ) - F { a ) .
Bizonyítás. Az A - ( % <a) , B <b) és C, =(a<% <b) eseményekre fennállnak a következő összefüggések:
C = B \ A és A d B .
A 3.4. tétel szerint
P ( a < 4 < b ) = P(C) = P(B) ~ P(A) = P(% < b ) - P(% < a) == F ( b ) - F ( a ) .
4.2. TÉTEL. Ha az F függvény valamely £, valószínűségi változó eloszlásfüggvénye, akkora) F monoton növeJcedő,b) lim F(x) = 0 és lim /r (;e) = 1,~oo *c) P minden pontban balról folytonos, azaz
lím F(x) = F(a) .ff—0
100
Bizonyítás. Csupán az a) esetet bizonyítjuk. Azt kell megmutatnunk, hogy tetszőleges jc, <jc2 esetén F ( x t) < F{xf ) , vagyis F{x l ) - F ( x l) > 0 . Az előző tétel alapján, felhasználva, hogy egyetlen esemény valószínűsége sem lehet negatív,
P ( x 2) - F ( x , ) = P (xi < ^ < j c 2) > 0
adódik.
4.3. T é t e l . Ha valamely F függvény eleget tesz a 4.2. tételben felsorolt tulajdonságoknak, akkor van olyan £ valószínűségi változó, melynek eloszlás- függvénye éppen F.
Nem bizonyítjuk.
4.4. T é t e l . Ha a £ valószínűségi változó F eloszlásfüggvénye folytonos az xQpontban, akkor
P(Z = x(í) = Q.
Bizonyítás. Legyen ( x j egy olyan x0 -hoz tartó sorozat, melyre x0 < * n teljesül. Ekkor
0 <P(g = x 0)< P(x0 < £ < x n) = F (xn ) - F i x , ) . (4 .1)
Feltetelemk szerint F folytonos az x0 helyen, ezért F( x a) -> F( x0) . De ekkorF ( x . ) - F ( x 0) -> 0 . így a „rendőrelv” szerint a (4.1) egyenlőtlenségekből a^ (# = *0) = 0 következik, mert konstans sorozat csak akkor tart a nullához, ha a konstans nulla.
Következmény: Ha a f valószínűségi változó folytonos eloszlású, akkor
P(a < 4 <b) = P(a < £ <b) = P(a < | <b) = P(a < £ < b ) .
Például az első egyenlőség belátásához vegyük figyelembe, hogy
P(a £b ) = P(a < £ <b) + P(£ = a) .
A folytonos eloszlású valószínűségi változó eloszlásfüggvénye minden pontban, az jK = a pontban is folytonos, ezért előző tételünk értelmében:
P(£ = á) = Q.
A többi egyenlőség hasonlóan egyszerűen igazolható.
101
4.5. Példa.Legyen
F(x)0 , ha x < l
\nx, ha 1 < x <e1 , ha e < x .
Lehet-e F eloszlásfüggvény? Ha igen, számoljuk ki a P(£ < 2); P(% = 2); P(2 <,^ < 3) és a F(2 < £ ) valószínűségeket!
MEGOLDÁS. Az F valamely £ változó eloszlásfüggvénye, mert
- monoton növekedő (4.5, ábra),- l i mF = 0 és l i m F - 1 ,
-co co
- minden pontban folytonos, ezért balról folytonos.
P (£ < 2) = F(2) = In 2 .P{£ - 2 ) - Q y mert F folytonos az x0 =2 pontban.A 4.1. tételnek megfelelően
P(2 < 4 < 3) = F ( 3) - F ( 2) - 1 - In 2 .
Felhasználva az ellentett esemény valószínűségére vonatkozó tételt, valamint a fentebb kiszámolt P(% = 2 ) = 0 valószínűséget:
F(2 < £ ) = ! - />(£ < 2) = 1 - (F(2) + P{% = 2)) = 1 - In 2 .
102
4.3. A sűrűségfüggvény és tulajdonságai
A folytonos valószínűségi változó vizsgálatára használjuk a sűrűségfüggvényt Majdlátni fogjuk, hogy azoknak a paramétereknek a kiszámításakor, melyekhez diszkrétváltozó esetén az eloszlásra van szükség, folytonos esetben a sűrűségfüggvény alkalmas.
DEFINÍCIÓ. Ha a % folytonos valószínűségi változó eloszlásfüggvénye F, akkor az
f : f ( x ) = F'(x)
függvényt a % sűrűségfüggvényének vagy valószínííségsüríiség-fiigg- vényének nevezzük
Megjegyzések:1. A folytonos valószínűségi változó definíciójából következik, hogy eloszlásfügg
vénye véges sok pont kivételével deriválható. A sűrűségfüggvény véges sok pont kivételével értelmezve van.
2. A sűrűségfüggvényt kizárólag folytonos eloszlású valószínűségi változó esetén értelmezzük. A 4.4. példában szereplő diszkrét eloszlású változó eloszlásfüggvénye is differenciálható négy pont kivételével, de deriváltját nem nevezzük sűrűségfüggvénynek. Ezt a véges sok pont kivételével nulla értéket felvevő függvényt nem tudnánk használni olyan számításokhoz, mint a folytonos változó sűrűségfüggvényét.
3. A sűrűségfüggvény értelmezését gyakran ki szoktuk terjeszteni az egész számegyenesre. Ahol az F nem differenciálható, a sűrűségfüggvénynek gyakran a nulla értéket adjuk. Máskor ezekben a pontokban olyan értéket adunk /-nek, hogy balról vagy jobbról folytonos függvényt kapjunk. Ezt azért tehetjük meg, mert a sűrűségfüggvényből a paramétereket integrálással fogjuk számolni, ezért az / véges sok pontbeli megváltoztatása eredményeinket nem fogja befolyásolni. A következő tételben éppen azért nem foglalkozunk azzal, hogy /-e t a definíciója esetleg nem minden pontban értelmezi, mert az elmondottak szerint kiterjeszthetjük a számegyenesre.
4. A sűrűségfüggvény elnevezést a következő megfontolás indokolja:Annak a valószínűsége, hogy £ az [x0 ; x] intervallumba esik,
F ( x ) - F ( x 0).
A lekor az intervallum egységnyi részéhez tartozó valószínűség,
F ( x ) ~ F ( x 0)(4.2)
tekinthető ezen az intervallumon az átlagos valószínűségi sűrűségnek. Az f ( x ) - F' (x) nem
más, mint a (4.2) határértéke * ->■ x t) esetén, az xQ pontbeli sűrűséget adja.
103
4,5. TÉTEL, Ha valamely I folytonos valószínűségi változónak f a sűrűségfüggvénye, akkora) f ( x ) > 0, x e D f ,
0ö
b) J*/(jc) dx = 1,-íű
Ac) \ f ( t ) d t = F ( x ) , x e R,
~«ob
d) J / ( x )dx = P{a <% <b).tt
Bizonyítás. Célszerűen a d) pont bizonyításával kezdünk,d) Á folytonos eloszlás definíciója és a 4.1. tétel alapján
\ f ( x ) d x = J f { x ) d x - | f ( x ) d x = F ( b ) - F ( a ) = P(a < g< b ),ff -<n -m
amit bizonyítani akartunk,c) Az előző pontban felhasználókon kívül alkalmazzuk az improprius integrállal
kapcsolatos ismereteinket, valamint a 4.2, tételből ismert lim F(x) = 0 össze-- 0O
függést:X X
f f ( í ) d í = lim \ f ( t ) d t = Hm ( F( x ) - F(a)) = F( x ) - 0 = F(x).- ío rí
b) A c) pont alatti gondolatmenet szerintoo bf f ( x ) d x = lim í f ( x )d x = lim (F(b) - F(a)) = 1 - 0 = 1.
■» et-i-oQ « (?-*- oo«-> — ^ fi—»- e©£-*00 ii
a) Mint minden eloszlásfüggvény, F monoton növekedő. A növekedő függvény deriváltja pedig nem lehet negatív: f ( x ) > 0 , xe . Df .
4.6. TÉTEL. Ha valamely f legfeljebb véges számú hely kivételével folytonos függvényre
a) / (jc) > 0, x e D f
és
b) ] f ( x ) d x = l,
104
akkor van olyan 4, folytonos eloszlású valószínűségi változó, melynek sűrűségfüggvénye f .
.5
Bizonyítás. A tétel feltételei mellett létezik az j f ( t ) d t integrál. Az-ta
x
F( x ) = l f ( t ) d í , x e R (4-3)
rendelkezik a 4,2. tételben megfogalmazott tulajdonságokkal, ezért alkalmazható a4.3. tétel. Annak a változónak viszont, melynek (4,3) az eloszlásfüggvénye, éppen f a sűrűségfüggvénye.
4.6, Példa.A 4.5. példában
0 , ha x <1
F(x) = Inx, ha \ < x < e
1 , ha e < x
volt a i; valószínűségi változó eloszlásfüggvénye. Ekkor a £ sűrűségfüggvénye;
0 , ha x < 1
f ( x ) = ha \ < x < e
0 , ha e < x .
A sűrűségfüggvényt a 4.6. ábrán láthatjuk. Az / függvény az x ~ \ és x = e pontokban nincs értelmezve, mert ezeken a helyeken F nem differenciálható (töréspontja van). A 4.6. ábráról leolvashatjuk, hogy a ^ nem vehet fel pozitív valószínűséggel sem 1-nél kisebb, sem e-nél nagyobb értékeket. Ha az ] l ; e [ intervallumot felosztjuk egyenlő Á x hosszúságú részintervallumokra, akkor annak a legnagyobb a valószínűsége, hogy £, az ] 1; 1 + A x [ intervallumba esik. Itt veszi fel a sűrűségfüggvény a legnagyobb értékeket. Az ábráról leolvasott és felsorolt tulajdonságok azonnal következnek a 4.5, tételből. A fentebb megadott / sűrűségfüggvény helyett leggyakrabban az
4.6. ábra
105
ha í < x < e
0, máshol
függvényt szoktuk használni, de bizonyos vizsgálatoknál pl, az
/ 2W =—, ha l <x<, ex ;0, máshol
—, ha l < x < ex0, máshol
függvények is szóba jöhetnek. Ezek bármelyikét nevezhetjük a £ változó sűrűségfüggvényének.
4,7. Példa. Legyen
m = -Ö , ha x < 0
2e~Zx, ha 0 < x
a) Mutassuk meg, hogy / valamely £ valószínűségi változónak a sűrűség- függvénye!
ti) írjuk fel az eloszlásfüggvényt!c) P(ln 2 < < 2) = ?
Megoldás,á) Világos {4.7.a) ábra), hogy az / függvény az i = Ö pont kivételével folyto
nos, sehol nem negatív függvény: f ( x ) > 0 , i g R .
Kiszámoljuk a függvény görbéje alatti területet.
106
00 ö CQ b £J / = Jo<&+ ^2e~2ídx = lim j2e~lxdx = lim [-e '2t ] =
-co -co ö 0 °
= lim(-e~2b - ( - e 0)) = 0 + 1=1.6-kc
A 4,6. tétel alapján tehát / lehet sűrűségfüggvény.
b) Most írjuk fel az eloszlásfüggvényt.Ha x < 0 , akkor
x *
F( x ) = \ f { t ) d t = jbrf/ = 0.- w -co
Ha -0 < x , akkor
x 0 . x
F(x) = J / ( 0 * = Jb<* + \ 2 e 2,di = [~e2,l = -e~2x + 1.0
Az F eloszlásfüggvény tehát
í 0 , ha x < 0F ( x) =
| l - e ”lr, ha 0 < x .
Grafikonja a 4 .7.b) ábrán látható.
c) Végül számoljuk ki a P(ln2 < £ < 2) valószínűséget!Az eloszlásfüggvény egyik legfontosabb alkalmazása, a P(a<% <b) = = F (p’) - F ( a ) összefüggés alapján, a valószínűség meghatározása. Mivel £; folytonos eloszlású valószínűségi változó, P (£ - In 2) = 0 és így
P(ln 2 < ^ < 2) = P(ln 2 < ^ < 2) = F(2) - F(ln 2) =
= 1 - e~4 - { l - e m i ) = ~ e A+ {é~)niy = - - - V = 0.232.4 e
107
4.8, Példa,Határozzuk meg az A konstans értékét, ha tudjuk, hogy a 4 folytonos eloszlású valószínűségi változó sűrűségfüggvénye
m = &0 máshol.
P(3 < | < 5) = ?
M egoldás. A 4.5. tétel szerint
Ebből
<£, y <sj
1 = j f (x )d x = jo + jA ■ x~uldx + JO =Á
A = — ,és ekkor f ( x ) > 0 is teljesül.
jci /2
1/2= 2A{49 - 4Á ) = 2 A .
A kérdéses valószínűséget legegyszerűbben a 4.5. tétel alapján kaphatjuk meg:
5 4 5 -t IPP ( 3 < 4 <5) = j f ( x ) d x = Jo + J— j= dx= « J x \ 4 = 4 s ~ 2 ,
i 3 4 2 v X
4.7. TÉTEL. Legyen a £, folytonos eloszlású valószínűségi változó eloszlásfüggvénye F, sűrűségfüggvénye f. Ha a > 0 , 6 e R , akkor r j - a ^ + b szintén folytonos eloszlású valószínűségi változó és eloszlásfüggvénye
G : G(x) = F
sűrűségfüggvénye
g : g ( x ) = - fa
Bizonyítás, Az eloszlásfüggvény:
x - b '
x - b
G(x) - P(tj <x) = P(a4 + b < x ) = P 4 <x - b
= Fx - b
108
Képezzük a G függvény deriváltját:
g(x) = G'(x) =x - b
a - M —a \ a
Mivel G(x)= ^g{t)dt teljesül, ezért rj valóban folytonos eloszlású és g a sűrű
ségfüggvénye.
4.4. A valószínűségi változó néhány jellemzője
Ha ismerjük a valószínűségi változó eloszlásfüggvényét, akkor tulajdonságait meghatározhatjuk. Ha folytonos esetben a sűrűségfüggvényt, diszkrét esetben az eloszlást ismerjük, szintén célhoz érhetünk, hiszen ezekből az eloszlásfüggvény előállítható. Gyakran előfordul azonban - foként az alkalmazásoknál hogy a változóról egyetlen vagy néhány számadattal akarunk fontos információkat közölni. A jellemzés így kevésbé lesz árnyalt, de kétségkívül könnyebben áttekinthető. Az sem ritka, hogy a valószínűségi változót nem ismerjük pontosan, statisztikai adatok feldolgozásával próbálunk közelítő képet nyerni róla. Ilyenkor a nevezetes paraméterek közelítéséhez jutunk el először. Most ezekből a paraméterekből mutatunk be néhányat.
DEFINÍCIÓ. A 4 valószínűségi változó mediánja az a med (4) -vei jelölt valós szám,melyre
P(4 < med (4)) és < med(4)) £: —, ha 4 disz/erét
és
P ( 4 < med{4)) — F(med(4)) = —■, ha 4 folytonos.
Ha két kockával dobunk és £ a dobott számok összege (4.1. példa), akkor a médián értéke 7. Erről a 4.1. példa adatainak a médián definíciójában szereplő egyenlőtlenségrendszerbe való behelyettesítésével, közvetlenül meggyőződhetünk. Ha viszont egyetlen szabályos dobókockát dobunk fel, és a változó a dobott számot jelenti, akkor a médián definíciójának bármely, a [3 ; 4] intervallumban elhelyezkedő szám eleget tesz. Állapodjunk meg abban, hogy az egyértelműség kedvéért ilyenkor mindig az intervallum felezőpontja legyen a médián. Folytonos esetben
109
többször fogunk, olyan változóval találkozni, melynek sűrűségfüggvénye valamely x = c egyenesre szimmetrikus. Ilyenkor: med(%) = c .
4.9. Példa.Határozzuk meg a 4.7. példában szereplő £ folytonos valószínűségi változómediánját!
Az eloszlásfüggvény, mint kiszámoltuk:
f 0 , ha í < 0^ (* ) =
[l - e , ha 0 <*.
Az
_ J.2
egyenletet kell megoldanunk:
“ 2 ’
és így
med(£) = “ ' 1J1 2 .
DEFINÍCIÓ. Ha a £ diszkrét valószínűségi változó lehetséges értékei között van olyan, melyet nagyobb valószínűséggel vesz fel, mint a többit, akkor ezt az értéket a £ móduszának nevezzük és m od(^)-vel jelöljük. Folytonos valószínűségi változó móduszának a sűrűségfüggvény szigorít abszolút maximumhelyét nevezzük, ha létezik.
Folytonos változónál előfordulhat, hogy a sűrűségfüggvénynek azért nincs maximumhelye, mert a szakadási pontokban nem értelmeztük a függvényt, vagy a bal és jobb oldali határértékek közül a kisebbiket adtuk értékként.
Már említettük, hogy a változó lényeges tulajdonságai nem változnak, ha ezekben a pontokban tetszőleges nemnegatív értékeket adunk a sűrűségfüggvénynek. Minden egyes szakadási pontban válasszuk függvényértéknek a bal és jobb oldali határértékek közül a nagyobbat. (A gyakorlatban előforduló feladatoknál ezek a határértékek léteznek és nem egyenlők.) Ha az így módosított sűrűségfüggvénynek van szigorú maximumhelye, akkor azt a változó móduszának nevezzük. Mind diszk
110
rét, mind folytonos esetben szoktunk kétmóduszú eloszlásról is beszélni. Diszkrét esetben akkor, ha két olyan lehetséges értéke van a változónak, melyeket egyenlő valószínűséggel vesz fel úgy, hogy ezek minden más érték valószínűségénél nagyobbak. Ha a folytonos változó sűrűségfüggvénye két pontban egyenlő értéket vesz fel, úgy, hogy ezek minden más függvényértéknél nagyobbak, kétmóduszú változónak nevezzük.
Ha az előző szempontok szerint kettőnél több érték jön szóba, akkor azt mondjuk, hogy a változónak nincs módusza.
A 4.1. példában bevezetett változó módusza: mod(£) - 7 .A 4,7. példában bevezetett £ folytonos eloszlású valószínűségi változó sűrű
ségfüggvénye:
, 0 , ha * < 0
= U 2, , (4.4)\ 2 e ha 0 < x.
Ennek a függvénynek nincs maximumhelye. Változtassuk meg az értékét az x0 = 0 pontban a jobb oldali határértékre:
f 0 , ha jr < 0
f M = U ~ . o í , . ( 4 ' 5 >
így már beszélhetünk maximumhelyről, mely az jcö = 0 pontban található.A £ változó sűrűségfüggvényének a (4.4) és a (4.5) alatti függvények bál-me
lyikét választhatjuk, tehát: mod(£) = 0 .
Gyakran előfordul, hogy nem tudjuk figyelembe venni £ összes lehetséges értékét. Ilyenkor keresünk egy olyan intervallumot, melyen kívül £ már csak egy általunk előírt, aránylag kicsiny valószínűséggel fordulhat elő.
DEFINÍCIÓ. Legyen $ < q < \ . A % valószínűségi változó q-kvanlilisének nevezzük azt az xq számot, amelyre
P{% < \ ) í <] és P{£, < x ti) > q , ha % diszkrét,P (4 < x f/) = Fixf ) = q, ha ^ folytonos.
Ha a ^-kvantilis definíciójának egy intervallum minden pontja megfelel, akkor általában az intervallum felezőpontját tekintjük x -nak. A fentiek alapján a médián nem más, m inta 0,5-kvantilis: med(£) = xos.
111
Vannak egyéb olyan xri értékek is, melyeket külön névvel látunk el:
jcfl3S alsó kvartilis
x0, alsó decilis
x0i01 alsó centilis
xU6 alsó sextilis
xQll felső kvartilis
jcoí, felső decilis
xu M felső centilis
xsií felső sextilis.
4.10. Példa.Legyen a £ valószínűségi változó sűrűségfüggvénye:
— e* , ha x < 0 2
— e~\ ha 0 < x . . 2
A sűrűségfüggvényt a 4.8. ábrán láthatjuk. A mod(£) = 0 a grafikonról azonnal leolvasható. Mivel a sűrűségfüggvény grafikonja az y tengelyre szimmetrikus, ezért med(£) - 0. Határozzuk meg az alsó és felső decilis értékét!
0 ,1 = í —e'£Í£=l im f — = lim J 2 B-+-* J 2 *->-«
1
2 J 2
j;0l = In 0 , 2 - -1,61.
1 X—e2
= — é 2
ír.» ®Az x^, értékét az J f = 0,9, vagy az J/ = 0,1 egyenletből egyaránt megbatá-
rózhatjuk. Ez utóbbinál szimmetriái meggondolások szerint *0.9 = - * 0,1 = - 1110, 2 = 1,61.
112
4.5. Várható érték
A következőkben a valószínűségi változó két leggyakrabban használt paraméterét, a várható értéket és a szórást vezetjük be. A definíció megfogalmazása előtt egy példát mutatunk be.
4.11. Példa.Kétjátékos, A és B a kővetkező szerencsejátékot játsszák: Az A játékosnak legfeljebb három kísérlete van arra, hogy egy pénzérmével írást dobjon. Az A játékos nyerési lehetőségei:
- ha az első dobás írás, 4 forintot nyer;- ha elsőre nem, de másodikra írást dob, 8 forintot nyer;- h a csak harmadikra sikerül írást dobnia, 16 forintot nyer;- ha a három kísérlet egyike sem írás, akkor 40 forintot veszít (B nyer).
A játék mind a négy esetben újrakezdődik. Jelölje £ az A játékosnak az éppen induló játékban a nyereményét. A £ valószínűségi változó lehetséges értékei:
4; 8 ; 16; - 4 0 .
A £ eloszlása:
P(4 = 4 ) = \ , P ( í = 8 ) = ± />(í = 1 6 ) = i P(4 = - 4 0 )= -! .I 4 ö ö
Felmerül a kérdés, hogy a játék egyenlő nyerési esélyeket biztosít-e az egyes játékosoknak, azaz a játék igazságos-e? Ennek eldöntéséhez tegyük fel, hogy n játék után az egyes esetek bekövetkezésének gyakorisága sorrendben k], k 2, ki , kA, ahol ks+k l + /c3 + k4 = n .
Ekkor A nyereménye:
/í = Jfc,-4 + A1 - 8 + jfcJ -16 + t ,( -4 0 ) .
Az egy játékra jutó átlagos nyereménye
— = — '4 + — - 8 + — -16+ — (-40) . n n n n n
Tudjuk, hogy a relatív gyakoriság az esemény valószínűsége körül ingadozik. A későbbiekben majd azt is látjuk, hogy a kísérletek számának növelésével1-hez közeledik annak valószínűsége, hogy a relatív gyakoriság a valószínűséget adott hibahatáron belül megközelíti. Elég sok játék után j ogosak a
113
k „ Pf£ = 4) ; * W ( £ = 8 ) ; ^ * P ( 4 = 16) és ^ ^ = -40) n n « rt
közelítések.
így nagyszámú játék után az várható, hogy az /í játékos egy játékra jutó —
nyereménye közel esik aP (4 = 4) - 4 + />{£ = 8 ) *8 + P (4 = 16 ) ■ 16 + = -4 0 ) -( -4 0 ) =
= 1 . 4 + 1 . 8 + --1 6 + - ( - 4 0 ) = l2 4 8 8
értekhez. Ez azt jelenti, hogy a játék A számára kedvező, mert hosszú távon A játékos egy játékra eső nyereményének átlaga 1 forinthoz közeli érték. A következő definíció alapján úgy fogunk fogalmazni, hogy A játékos egy játékra eső nyereményének, azaz 4 'ne!í a várható értéke 1 forint.
DEFINÍCIÓ. Ha a 4 diszkrét valószínűségi változó lehetséges értékei
-£| j x 2, ,
akkor a 4 várható értékének az
M(É) = £ P ( É =*,)■ *,= !>,-/>, (4-6)i »
Összeget nevezzük, ha ^ | x \p , konvergens.I
Ha a 4 folytonos valószínűségi változó sűrűségfüggvénye f akkor a 4 várható értéke:
coM (£) - \ x - f ( x ) d x , M
u
ha J | x | f ( x ) dx létezik.-fitr
Megjegyzés: A
Z W ^ <0°í
feltételt csak akkor szükséges vizsgálni, ha 4 végtelen sok értéket vehet fel. Erre és az
J V i / o ) ^ 00
feltételre a várható érték egyértelműsége érdekében van szükség, ennek okait nem részletezzük.
114
4.12. Példa.Két szabályos játékkockát feldobunk. Legyen a 4 valószínűségi változó értéke a dobott számok Összege (4.1. példa). Ekkor
A/(£) = 2- — + 3- — + 4 — + 5 — + 6 - — + 7 ™ + 8 - — + h 36 36 36 36 36 36 36
4 3 2 1+ 9 ---- +10 + ------f i i ---- + 12-'— = 7 .36 36 36 36
Most a várható érték egyenlő a mediánnal, illetve a módusszal. Ennek az az oka, hogy szimmetrikus eloszlásról van szó, és a szimmetriapontnak legnagyobb a valószínűsége.
4.13. Példa.A 4 valószínűségi változó lehetséges értékei legyenek
2, 4, 8 , 16, . . . . 2*. ....
a hozzájuk tartozó valószínűségek pedig rendre
1 1 1 _L _L2 ’ 4 ’ 8 ’ 1 6 ’ 2k " "
Ez valóban egy valószínüségeloszlás, mert
* 1
t=l *
Ekkor
A í(í) = 2 - ! + 4 - ! + 8 - ! + lG- — + ... =1 + 1+ 1 + 1+2 4 8 16
tehát a várható érték nem létezik.
4.14. Példa.Számoljuk ki a 4.5. példában adott 4 valószínűségi változó várható értékét!
MEGOLDÁS. Adott az eloszlásfüggvény
0 , ha jc í 1
F(;c) = *Mn j; , ha l< j ;< e
1 , ha e < i .
115
» jo e a c
M (4 ) = Ja'- f ( x ) d x ~ Jjc*(In*)'ífe = Jjc— dx = Jó* =-CO -30 ] | ^ ]
= [ * ] ' = e - l .
4.Í5. Példa.Legyen a £ folytonos valószínűségi változó sűrűségfüggvénye
' 3f ( x ) =
. . ha 1 < í x*0 máshol.
Határozzuk meg a várható értéket!
MEGOLDÁS.05 * h
A/(£) = \xf{>t)dx = ^ x —j d x ^ l - hm Ja:-3 dx -
— 3 ■ lim á l-2
4.8. TÉTEL. Ha a c tetszőleges valós szám, akkor M(c) = c.
Ha A/(£) létezik, akkor M(c%) is létezik és
M(c£) = c Mt f ) .
Bizonyítás. A tétel első fele könnyen bizonyítható. Ha ugyanis a £ csak a c értéket veheti fel, akkor P{% = c) = 1 ; és így
M(c) = M(£) = c-[ = c.
A tétel második fele c - 0 esetén triviális. Ha c ^ 0 , különválasztjuk a diszkrét és a folytonos esetet.
a) Legyen £ diszkrét valószínűségi változó
JC| , Xr^ f X J J . . . ,
lehetséges értékekkel és a rendre hozzájuk tartozó
P> Pi> Pi>
valószínűségekkel.
116
A C'4 valószínűségi változó lehetséges értékei
CX\ , c x l t c x 31
míg a valószínűségek változatlanok. így
w (c% ) = Y , c x i ■ Pi = c' L x'Pt = c 'M (& ■t i
b) Folytonos esetben a 4.7. tételben láttuk, hogy c > 0 esetén a £ változó / sűrűségfüggvényét a c ■ £ változó g sűrűségfüggvényével a
g ( x ) = - f ( -c l e
egyenlőség kapcsolja össze. így aztán
M( c £ ) = ^xg{x)dx = J- f
= c j t - f ( t ) d t = c M ( % ) .
dx =
dxx = ct ; — ~ c
dtx —» oo => / - j . 0 0
X - > - o o t —> -oo
1Ha c < 0 , hasonlóan járunk ei. Az ekkor érvényes g(x) - — /c
— a 4.7. tétel- \ c )
ben alkalmazott módszerekkel könnyen igazolható. Nem részletezzük.
4.9. TÉTEL. Legyen n pozitív egész szám. Ha a % diszkrét valószínűségi változó lehetséges értékei x]f x2, xs ....... akkor
t í
(ha létezik).
Ha £ folytonos valószínűségi változó f sűrűségfüggvénnyel, akkor
j v •/(*)<&
(ha létezik).Az M (£") számot a ^ n-edik momentumának nevezzük.
117
Bizonyítói, Legyen S, diszkrét eloszlású változó
-V x2, ■■■
lehetséges értékekkel és a rendre hozzájuk tartozó
Pi > P i > Pj 1 •■ ■
valószínűségekkel.
A í " változó lehetséges értékei az előző valószí Hőségek mellett
n » u Xt , jcs , JCj . . . . .
Ezért
f
A folytonos esetben eJöször tegyük fel, hogy n páratlan pozitív egész. Ekkor x 1—> x" , x e R
szigorúan monoton növekvő függvény és a változó G eloszlásfüggvénye
o„ co = n s" < 0 = n z < <Tn = ),
ahol F a £ változó eloszlásfüggvénye, így a sűrűségfüggvény
1 = 1W(í") - í t S Á t ) d t = - f i " =
í - x t -» -OO => X —> -00
dt „_t— = n x / —* 00 =* x —* <x> dx
- — l x f ( x ) n x " Adx - | x " f ( x ) d x ,fj _ n _{Ei
amint állítottuk. Ha >1 páros, az x < 0 és az * > 0 eseteket meg kell különböztetnünk, egyébként hasonlóan járunk el. Nem részletezzük.
Megjegyzés:Fontos tény, hogy ha a £ valószínűségi változó n-edik momentuma, M (£") létezik («> 2 ), akkor az első, második, ..., ( « - l)-edikmomentuma is létezik.
4 .1 0 . TÉTEL. Legyen P„{x ) - + ■■ ■ + ^ x + aü tetszőleges n-edfokú po-linom. Ha M(£") létezik, akkor M ( P t(£;)) is létezik, és
M{Pn m = a „ M ( n + a„.,M (<T1) + . . .+ (£) + «„.
118
Bizon y í t á s . A tétel a 4.8. tétel egyszerű következménye, ha figyelembe vesszük a tétel előtti megjegyzést és az 5.3. tételt, mely szerint összeg várható értékét tagonként vehetjük.
4.16. Példa.Legyen £ egy géppark elromlott gépeinek javítási ideje (napokban számolva). Tegyük fel, hogy ismert a £ eloszlásfüggvénye:
fc * Hx
3
ha x<, 0
ha 0 < x < l
1 ------ha 1 <^.3x3
Ha a gép javítási költsége és a gép kiesése miatt fellépő járulékos veszteségek együttes összege a £ javítási időből a K = 90£2 +15 (e Ft) formulával számolható, mennyi lesz egy gép elromlásából származó kiadás várható értéke?
MEGOLDÁS. Mindenekelőtt határozzuk meg a sűrűségfüggvényt!
/ ( * ) =
0 , ha ,c< 0
1 , ha 0 < x< 1 3
2 u 1— , ha 1 < í .* 4
M (9 0£* + 15) = 90M(42) +15 = 15 + 90 • j x 2f (x) dx =
= 15 + 901 y1 * 9[— f&+ fje2 -—-ebe J 3 J
, 2x 4
= 205.
Vegyük észre, hogy példánkban és általában sem lehet az A /(£2) helyett az
M 1(< ) értéket használni, mert ezek különböznek egymástól.
119
4.6. Szórás
A várható érték a valószínűségi változó „átlagáról” ad felvilágosítást. Az előzőek alapján is nyilvánvaló, hogy a legkülönbözőbb eloszlású változóknak lehet azonos a várható értéke. Vannak olyan esetek, amikor a változó által felvett értékek közvetlenül a várható érték körül „tömörülnek'”, máskor attól „egészen nagy távolságokra” szétszóródnak. A változó ilyen jellegű vizsgálatára és jellemzésére alkalmas a szórás. Ha a konkrét értékek várható érték körüli „szétszóródását” szeretnénk jellemezni, természetesnek tűnik a f) átlagára, várható értékére gondolni.Csakhogy a várható értéktől való pozitív és negatív eltérések éppen kompenzálják egymást: M (£ -A f(^ )) = Ö, nem alkalmas a feladatra. Ha nem az eltéréseket, hanem azok nagyságát tekintjük, akkor egy használható, de az abszolút érték miatt matematikailag kényelmetlen d(^) = - M (<^)\) paraméterhez jutunk. Ezeket figyelembe véve alakították ki a szórás definícióját.
DEFINÍCIÓ, Ha a £ - M ( g ) valószínűségi változó négyzetének létezik a várható értéke, akkor ezt a % szórásnégyzetének nevezzük:
d 2( £ ) = m ( 1 4 - m (£)Y) .
Ennek négyzetgyöke
a £ valószínűségi változó szórása.
Egy valószínűségi változó szórásét kiszámolhatjuk az azt definiáló képlettel is, de az első- és másodrendű momentumok segítségével is, az alábbi tétel felhasználásával.
4.1 L. TÉTEL. Ha a % valószínűségi változó négyzetének létezik a várható értéke, akkor létezik a szórása is, és
Bizonyítás. Fel fogjuk használni, hogy ha egy változó négyzetének létezik a várható értéke, akkor a változónak is van várható értéke. A definíció szerint:
D \ $ ) = A / ( [ í - M ( í ) f ) = M ( f - 2M(£) ■ # + M 2(£)).
120
Alkalmazzuk a 4.10. tételt, figyelembe véve, hogy M ( |) és M 2(£) konstansok:
D 2( f ) = M ( f 2) - 2 M ( f ) - M ( 4 ) + M 2( f ) = M ( 4 2) - M 2(4).
,4.12. TÉTEL. Ha a £ valószínűségi változónak létezik a szórása, akkor tetszőleges a és b valós számok esetén az j ]=a^ + b változónak is létezik a szórása és
D(a% + b) = \a \D{%).
:Bizonyítás. Alkalmazzuk az előző tételt;
D 1 (ö<f + h) = M (\a í;+ b f ) - [M(a% + b ) f =
= M ( a 1£ 2 +2ab£ + b2) - [ aM( Z) + b]2 =
= a1M ( ^ ) + 2abM (^) + b1- a 2M 1( 4 ) - 2 a b M ^ ) - b 2 = ^ a 2[ M( í 2) - M 2(t)} = a*D2( t ) .
Felhasználva, hogy a szórás nem negatív, ebből
D (a^ + b) = \a\D(%)
következik.
121
5. TÖBBDIMENZIÓS DISZKRÉT ELOSZLÁSOK
Statisztikai vizsgálatoknál és a gyakorlat más területein legtöbbször a jelenség nem írható le egyetlen valószínűségi változóval. Sőt sokszor éppen ezen változók közötti kapcsolat a vizsgálat tárgya. Ebben a fejezetben az ilyen típusú kísérletekkel foglalkozunk azokra az esetekre szorítkozva, amikor a valószínűségi változók diszkrét eloszlásúak, de a definíciókat és a tételeket, ha lehet, általános formában fogalmazzuk meg.
5.1. Együttes eloszlás, peremeloszlások
5.1. Példa.Egy cégnél 29-en dolgoznak. A diplomák, illetve a nyelvvizsgák száma szerinti megoszlás a következő:
Diploma
N yelvvizsga''"-^0 1 2 Összesen
0 9 3 2 Í41 4 1 0 1 52 0 6 4 10
Összesen 13 Í0 6 29
Véletlenszerűen kiválasztunk egyet közülük. Jelölje £ az illető nyelvvizsgáinak számál és rj a diplomáinak számát. Ekkor a £ valószínűségi változó lehetséges értékei:
= 0 , x2 - 1 , xs - 2 ;
eloszlása:
« - < » - £ . w - i > 4 .
122
Az r} lehetséges értékei:
> i = 0 , y 2 =l ,
eloszlása:
13P(7? = 0) = — ,
29P(n = i ) = — .
29P(t] —2) = — .
29
Ha azt kérdezzük, hogy mekkora a valószínűsége, hogy a kiválasztott dolgozónak két nyelvvizsgája van és csak egy diplomája, akkor a £ - 2 és az r j - \ események együttes bekövetkezéseinek a valószínűségére vagyunk kíváncsiak. Ezt a valószínűséget a következő módon jelöljük:
P ( Í = 2 , t] = \).
Ez a valószínűség , mivel a 29-ből 6 munkavállalónak van 2 nyelvvizsgája
és 1 diplomája.Hasonlóan
P(Z = 0 - v = 0) = — , P(£ = 0 ; *7 — 1) — — ■ stb.29
Foglaljuk ezeket a valószínűségeket táblázatba az (5.1) alatti megoszlási táblázatnak megfelelően;
X 0 1 2
09 3 2 1429 29 29 29
14 1
05
29 29 29
9 06 4 10
29 29 2913 10 6
I29 29 29
(5.2)
Ezeket a valószínűségeket is megfelelő hosszúságú nyilakkal szemléltethetjük egy háromdimenziós koordináta-rendszerben, az x tengelyre a £ és az y tengelyre az t} lehetséges értékeit felmérve (5.1. ábra, 124. o.).
123
0,5-
5.J. ábra
Most nézzük az általános esetet! Legyen £ és rj valamely W valószínűségi mező elemi eseményein értelmezett diszkrét valószínűségi változó,
£ lehetséges értékei x t , x2, xn; rj lehetséges értékei y ], y z , ..., y m.
Az egyszerűbb írásmód érdekében vezessük be a következő jelöléseket:
P (£ = x ,) = p l (i' = l, 2, n ) ,
P(r? = y j ) = qJ Cy — 1 > 2, m ),
P í í = ;c, ; rj = y j ) ^ p 0 (i = 1, 2 f ..., n ; ; = 1, 2 , .... m).
Ekkor az (5.2) alatti táblázatnak megfeleld elrendezést készíthetünk:
V'S\ 77 4 \ * ^2
A,i
Pu P\m Pt
P22 P l , P*m P i*
x< Pn P a Ptj Pw, P ,
I ;
Piti P„2 P ' ■■■r jji Pim< P„
?i 92 ? / <7,, 1
Az (5.2) alatti táblázatot szemlélve, ha az 7 = 0, 1, 2-höz tartozó valószínűségeket minden sorban összeadjuk, a jobb oldali oszlopbeli valószínűségeket kapjuk:
124
J L J _ _ ! - Ü29 + 29 + 29 ~~ 29 ’
4 1 n - 5 --- H------- 1- 0 —----,29 29 29 . 6 4 _ 100 H----- -1------—---- *
29 29 29
Hasonló jelenség figyelhető meg az oszlopoknál, pl.
9 4 13-----]------ h 0 — '29 29 29
Megmutatjuk, hogy ez általában is igaz.
5.1. TÉTEL. Az (5.3) táblázat jelöléseit használvam
í',=1- 2- ■■■' "5j=1
£5
2 ........«)■ í5-4)i-l
Bizonyítás. Elég az egyik egyenlőséget bizonyítani, a másiké hasonlóan történhet. Mivel T] lehetséges értékei y t, y,, y„,, a
Bx -'n = y i , BH :r } =y m
események teljes eseményrendszert alkotnak. Ha A jelöli & £ = x, eseményt, akkor
£ /> „ =P(£ = x í \ 7} = y i) + P{g = x i ' ,Tj=yi )+ . . .+ j=i+ P(4 = x, ; t] = y„,) = ^ 5 , ) + P ( ^ ) +.. . + P(ABm) =
= P(A(Bl +B 2 + ... + £ J ) = JD(/iH ) = / ^ ) = ^ (£ = *í) = / ’, -
Következmény: Mivel a p ( (í = l, 2, n) valószínűségek a í valószínűség- eloszlását alkotják, összegük egy, ezért (5.4)-ből következik, hogy
h ( m ^
I 2 > . = 2 > < = !■ít]
Ez azt jelenti, hogy nincs akadálya a következő definíció megfogalmazásának.
125
DEFINÍCIÓ. Az (5.3) táblázatbeli
Pj, = P i^ = x, -,rj = y i ) (/ = 1, 2, . . . t n ; j = 1, 2 ,..., m)
valószínűségek a % és rj valószínűségi változók együttes eloszlását alkotják A illetve 77 eloszlását peremeloszlásnak nevezzük.
Megjegyzések:1. A £ vagy Tj, vagy mindkettő lehetséges értékei megszámlálhatóan végtelen
számosságnak is lehetnek, ekkor az (5.3) táblázat a megfelelő irányban a végtelenbe nyúlik. Röviden úgy is mondhatjuk, hogy n vagy m, vagy mindkettő lehet 00 is.
2. Ha egy kísérlethez kettőnél több valószínűségi változó tartozik, akkor táblázatunk is kettőnél több dimenziójú. Mivel egyrészt ezek kezelése bonyolult, másrészt a kétváltozós eredmények általában könnyen általánosíthatók, a továbbiakban, ha tehetjük, a kétváltozós esetet tárgyaljuk.
5.2. Példa.Egy 32 lapos kártyacsomagból visszatevés nélkül kiveszünk 2 lapot.Legyen £ a kivett pirosak, 7 a kivett királyok száma. írjuk fel a £ és 7/ együttes eloszlását és a peremeloszlásokat!
MEGOLDÁS. A z összes elemi esem ények száma:
/ 32>l= 496.
Most számítsuk ki „cellánként” a kedvező elemi események számát!
kedvező elemi események száma
0 0 2 1 lap nem király és nem piros, így = 2 1 0 .I 2 j
1 0 Egyik lap piros, de nem király, a másik nem király és nem piros:
= 147,'2 P
, 1 .
2 0 Mindkét lap piros, de nem király:s 7\
= 21 .
126
0 1 Egyik nem király és nem piros, a másik király, de nem piros:
= 63.' 2 1 ^ í 3]L
1 1 Két eset lehet: ott a piros király, akkor a másik csak nem király és nem ' 2 0
= 21; ha nincs ott a piros király, akkor a királyt 3-ból,piros lehet:
pirosat 7-ből kell választani: = 21. összesen: 42.
2 1 Az egyik csak a piros király lehet, a másik pirosat 7-ből kell választani:
c ; = 7 .
0 2 Három nem piros királyból kell kettőt választani:
1 2 Egyik a piros király, a másik király, de nem piros:
2 2 Két király két piros nem lehet: 0 .
V2/= 3.
= 3.
n$ \
0 1 2
02 1 0 63 3 276496 496 496 496
1147 42 3 192496 496 496 496
221
4967
4960
28496
378 112 61
496 496 496
(5.5)
A peremeloszlásokat vagy a sorok, illetve oszlopok összeadásával, vagy közvetlenül határozzuk meg. Célszerű ellenőrzés céljából mindkettőt megtenni:
'24>
K Z = 0 )= -276
496 496 ’ÍZ —
f24]W l 1 J 192
496 496
127
Hasonlóan járhatunk el az utolsó sorban.
5.2. Együttes eloszlásfüggvény
Ha £ és t] valószínűségi változók, akkor mindkettőnek van eloszlásfüggvénye.
Jelölje ezeket illetve F2, azaz
P{£ <x) = Fi{x) ( í e R ) és P{rj < y ) ~ F2(>■) ( y e R ) .
Ha - mint láttuk - beszélhetünk együttes eloszlásról, akkor együttes eloszlásfüggvény is létezik, amelynek definíciója analóg az egyváltozós esettel.
DEFINÍCIÓ. Legyenek éj és rj a W valószínűségi mező elemi eseményein értelmezett valószínűségi változók. A éj és rj együttes eloszlásfüggvényének azt az F kétváltozós fiigg\>ényt nevezzük, amely az (x ; y ) számpárhoz a éj < x és f] < y események együttes bekövetkezésének valószínűségéi rendeli:
F : F ( x - , y ) = P ( í < x - r j < y ) ( x ; y ) e R 2
Ekkor a t, valószínűségi változó Fx eloszlásfüggvényét és az rj valószínűségi változó F2 eloszlásfüggvényét perem-eloszlásfüggvénynek nevezzük.
Az F (x ; v) annak a valószínűsége, hogy a (g ;rj) az 5.2. ábrán látható síknegyedbe esik. A síknegyed nem tartalmazza a határpontjait (nyílt halmaz).
Megjegyzés:A továbbiakban, ha két valószínűségi változóról beszélünk, mindig feltételezzük, hogy ugyanazon valószínűségi mező elemi eseményem vannak értelmezve, akkor is, ha ezt külön nem hangsúlyozzuk.
128
hV
5.3. Példa.Legyen £ és rj együttes és peremeloszlása a következő:
í \1 2
12 3 5
19 19 194 3 719 19 19
32 5 7
19 19 198 11
119 19
írjuk fel az együttes és a perem-eloszlásfüggvényeket!
M e g o l d á s . A z 5.3, ábrán láthatók azok a pontok, amelyeknek koordinátái {éj ; rj) lehetséges értékei, feltüntetve a megfelelő valószínűségeket is.
5.3. ábra
Ha (* ;. y) az jc<1 vagy >><1 félsíkon van (az 5.3. ábrán ilyen az (jc, ; ;y,) pont), akkor az általa meghatározott síknegyedben nincs (£ ; 77) -nak lehetséges értéke, így itt F{x ; y ) = 0. Ha 1 < x < 2 és 1 c y < 2, vagyis (jc ; y) a bal alsó egységnégyzetbe esik (az J.3. ábrán ilyen az (x2 ; y 7) pont), akkor az általa meghatározott síknegyedbe a lehetséges pontok közül csak az (1 ; 1) pont esik,
így
129
F (x ; y ) = P{4 < x ; 7 < y) = = 1 ; V = 1) = — •
Ezt a valószínűséget beírjuk az j.J. megfelelő négyzetébe. Hasonlóan, ha (a ; y) a 2 < ,v < 3; 1 < >■ < 2 egységnégyzetbe esik, akkor már két pont esik a síknegyedébe; (1; 1) és (2 ; 1), így itt
F i x ; *) = />(£ = ! ;i? = l) + n £ = 2 ; 7 = l) = — .
Folytatva az eljárást, megkapjuk az F függvény értékét az egész síkon:
0 , ha * < 1 vagy >><1 .2
— , ha 1 < jc< 2 és l < y < 2 .19
— , ha 2 < x á ‘i és 1 < y - í 2 .19 g
F( x ; y) = <j — , ha 3 < j; és l < y < 2 .
— , h a l < x < 2 é s 2 < v .1912— , ha 2 < * < 3 és 2 <y.191 , ha 3 < x és 2 < y .
A z F függvényt az 5,4. ábrán szemléltetjük. A £ és az rj eloszlásfüggvénye az (5.6) alatti peremeloszlások alapján:
0 , ha * < 1 ,
— „ ha l < x £ 2 ,1912— ■, ha 2 < jr< 3 ,191 , ha 3 <*■
0 , ha y < 1 ,
ha y ~ 2 ,
1 , ha 2 <y.
Fi(x) =
130
1 2 3 X
5.4. ábra
Azonnal látható, ha > 3 rögzített érték, akkor
Fix* i y ) = F1 iy);
ha y 0 > 2 , akkor
F ( x \ y , ) = FlW .
Ha jr-et vagy y-t növeljük, az F értéke (nem csökken) állandó, vagy növekedik, vagyis mindkét változó szerint monoton növekedő.
Most ismerkedjünk meg azokkal a tulajdonságokkal, amelyek minden együttes eloszlásfüggvényre jellemzők. Mielőtt a tételt kimondanánk, megjegyezzük, hogy kétváltozós esetben az intervallum szerepét az a < x < b - c < y < d téglalap veszi át.
5.2. TÉTEL. Ha F á t , és 7] valószínűségi változók együttes eloszlásfüggvénye, valamim Fx a és F2 az j] perem-ehszlásföggvénye, akkor az F
1 . mindkét változója szerint monoton növekedő, és2 . mindkét változója szerint balról folytonos.3. I i m f ( j r ; ^ = lim F (* ; 7 ) = 0.
_v'—►—ío
4. lim /^ jc ; y) = 1 .
131
5. lim fC* ; y) = Ft {y).y—xp j' cű6 , P(a < £ <b ; c < r j < d ) = F(b ; d ) - F{a \ d) -
- F { b ; c) + F(a ; c).
Bizonyítás. Az 1. és a 2. állítást nem bizonyítjuk, csupán megjegyezzük, hogy az 1. a 6 . tulajdonságból az egyváltozós esethez hasonlóan adódik.A 3 -5 . állítás az alábbi egyváltozós esetben látott határértékekből következik::
lim P{% < x) = hmP(7j < _y) = 1,
ekkor
limP(£<A- ; r j<y) = P(r}<y) ,X "> »
lim P(£<Jc ; tj < y) = P (£ < x ) ,y-mlim P(^<Jc ; ? ] <y ) - \ ^J-HMy—>03
ami a 4., illetve az 5. állítást igazolja. A 3. állítás is a
Hm P{% <x ) = lim P(rj < y) = 0
határértékből következik.A 6 . állítást a következőképpen lehet belátni. Az F(a ; rf) = < a \ r j < d ) ,
illetve / r (Z> ; c) = /*(£ < 6 ; 7 < c) annak valószínűségei, hogy a (£ ; ;/) pont az 5.5. ábrán a megfelelő vonalkázott részekre esik. Az F(a ;c) = P(<f < a ; rj < c) annak a valószínűsége, hogy a kétszeresen vonalkázott részre esik a (£ ; 77) pont. így az
F ( a ; d ) + F ( b ; c ) - F ( a ; c )
annak a valószínűsége, hogy a (£ ; 77) pont a sík valamilyen módon vonalkázott részére esik. Ezt kell kivonni az F(b ; d ) - = P{£ <b ;rj <d) valószínűségből, hogy a téglalapra esés valószínűségét megkapjuk.Ezzel állításunkat igazoltuk.
5.5. ábraMegjegyzes:Ha egy kétváltozós függvény rendelkezik az 1-4. tulajdonsággal, akkor valamely £ és Tj valószínűségi változó együttes eloszlásfüggvénye.
132
5.3. Kovariancia és korrelációs együttható
Ebben a pontban két valószínűségi változó kapcsolatát, illetve annak mérőszámát vizsgáljuk. Előtte azonban a várható érték egy fontos tulajdonságával ismerkedünk meg.
5.4. Példa.Egy cégnél a hónap végén bérfizetéskor jutalmat is osztanak. A munkavállalók bér és jutalom szerinti megoszlása a következő ( 1 0 ezer forintos egységekben számolva):
k iu ta lo mbér 5 10 15
10 2 5 415 4 3 2
2 0 6 5 6
Véletlenszerűen kiválasztunk egy alkalmazottat, £ legyen a bére, rj a jutalma.a) írjuk fel £ és rj együttes eloszlását és a peremeloszlásokat!b) Határozzuk meg M(E,) és M (?]) értékét!c) Mekkora M(J; + t}) és
Megoldás. a)
K 5 10 15
102 5 4 11
37 37 37 37
154 3 2 937 37 37 37
2 06 5 6 1737 37 37 3712 13 12
137 37 37
»> * ( 0 . 1 0 . ”37 37 37 37
. . . , e 12 . . 13 12 370 . .MO7) = 5 ---- + 10----- + 1 5 ----- --------=10.
37 37 37 37Azonnal látható, hogy az M (£) az átlagbér és M (rj) a jutalom átlaga.
133
2c) Ha £ = 10 és í; = 5, akkor £ + 77=10 + 5 , és ennek valószínűsége — .
Hasonlóan járunk el a többi nyolc esetben:
M (£ + 77 ) = (10 + 5 ) - A + (1 0 + 1 0 )-A + (i 0 + 1 5 ) .A +
+ (15 + 5)- — +(]5 + 10)- — + (15 + 15)' — +37 37 37
r í / Ar í*+ (20 + 5) • — + (20 +10) • — + (20 + 15) • — = — .
37 37 37 37
Vegyük észre, hogy M (4 + rj) - M(£) + M(r j ) .A szorzat várható értékének kiszámításánál hasonlóan járhatunk el:
M ( t -77) = 10-5 — +10 10 — + 10 -15 - — + 15 -5- — +15-10- — +37 37 37 37 37
+ 15-Í5- — +20-5- — + 20-10- — + 20-I5- — = .5700 37 37 37 37 37
Azonnal látszik, hogy
, 5700 5850 ,
Most megmutatjuk, a példánkban szereplő azon észrevétel, hogy összegnek tagonként számíthatjuk a várható értékét, általában is igaz.
5.3. TÉTEL. Ha a £ és rj valószínűségi változók várható értéke létezik, akkor léiszik a £ + Tj valószínűségi változó várható értéke is, és
M (£ + 77)=M (£) + M (t7).
Bizonyítás. Alkalmazzuk az 5.1. tételt, és használjuk az 5.3. táblázat jelöléseit:ii ti m >i m
M(4+Tí) = Y JY j (Xl+ y j ) p ii + ' E ' L y Jp« =t J i J ■' í
n tg r» ti tt itt
= T j x<1l P ‘i + Z ^ X ^ + Z■>'W/= M ^ ) + M (?7)■' > j ' ’ i
Két valószínűségi változó között akkor a legszorosabb a kapcsolat, ha egyiknek az értéke pontosan meghatározza a másiknak az értékét. Ez az eset állt volna elő az 5.4. példában, ha pl. ajutalom mindig a bér valahány százaléka lenne. Az ennél
134
lazább kapcsolat szorosságát is mérnünk kellene. Maradjunk az 5.4. példánál. Tegyük fel, hogy az átlagosnál magasabb bér az esetek többségében az átlagosnál magasabb jutalmat jelent és az átlagosnál alacsonyabb bér alacsonyabb jutalmat (azonos irányú kapcsolat). Ekkor a és az r j -M(r j ) különbségek többnyire azonos előjelűek. Azaz szorzatuk pozitív. Ha az átlagosnál magasabb bér többnyire átlagosnál kisebb jutalmat jelent és fordítva (ellenkező irányú kapcsolat), akkor az előbbi szorzat az esetek többségében negatív. Ebből is úgy tűnik, a
- M ( 4 ) \ \ j j - M (ij)\ szorzat várható értéke a kapcsolat szorosságának mérő- száma lehet.
DEFINÍCIÓ. Ha létezik a és 77 valószínűségi változók várható értéke, továbbá létezik a \ ^ ~ M ( ^ ) \ \ i ] - M ( r } ) \ várható értéke, akkor ezt a 4 és 77
kovarianciájának nevezzük;cov(£ ; 77) = M f á - M g ) ] - [17-A /fa ) ]).
Megjegyzések:1. Definíciónkban elegendő feltételezni, hogy M (£ 5) és M(rj1) létezik.2. A definíció alapján eov(^ ; 77) = cov(t7 ; £ ),
A kovariancia kiszámításánál nem kell feltétlenül a definícióban szereplő formához ragaszkodni, ebben segít a következő tétel.
5.4. TÉTEL. Ha cov(^ ; 77) létezik, akkor
cov(£ ;77) = M (£/7)-M (£)M (77).
Bizonyítás. Felhasználva az 5.3. és a 4.S. tételt:
cov(£ ; 77) = M ( t . 77 - M i n ) ' £ - M(Z) ■ t] + M(4)M(rj ) ) == M ( 4 ■ Jj ) -M(t]) ■ M(£) - M(£)M(rj ) + M(£)M(rj ) == M ( f y ) - M ( O M ( 7 j ) .
Az 5.4. példában azt kaptuk, hogy M ( £ r j ) - , míg M ( 4 ) M ( t]) - .
Ebből
. 5700 5850 -150cov(í ; 77) = -----------------= --------b -4,05 ,
37 37 37
Arra, hogy ez nagyon szoros kapcsolatot jelent-e, nem tudunk válaszolni, ugyanis ha példánkban ezer forintos egységekben számoltunk volna, a kovariancia 1 0 0 -szor
135
ekkorának adódna, azaz függ a mértékegységtől (dimenziótól). Ezért célszerűbb a kapcsolat szorosságának mérésére az alábbi dimenzió nélküli számot használni.
DEFINÍCIÓ. Ha a 4 és 7 valószínűségi változóknak létezik a szórásuk, és az nem nulla, akkor az
0(í)£)(>7)
számot a 4 és 7] korrelációs együtthatójának nevezzük.
Meg lehet mutatni, hogy
| c o v ( £ ;?7) | < ! > ( £ ) ■ £ > ( ? ) ,
így
- 1 < Í ( Í Í 7 ) < 1 .
Ha rj - a 4 (a állandó), vagyis a két valószínűségi változó között a kapcsolat (lineáris) függvény szerű, akkor
= és D(ij) = \ a \D(4) .
így az
R ( * . n) M i W - M i f t M t n ) _ a [ M ( 4 l ) - M \ 4 ) ] _ a _ D{4)D{?j) \ a \ D2{£) |a |
f 1 , ha <z>0 ,
[ - 1 , ha a< 0 .
Ugyanez igazolható, ha az 77 = a£ + b összefüggés áll fenn.Az eddigi megfontolásainknak megfelelően a sztochasztikus kapcsolat két való
színűségi változó között annál szorosabb, minél közelebb van az \R(4 ; q)\ az 1-hez.
DEFINÍCIÓ. Ha a 4 SS -rj korrelációs együtthatója létezik és
R { 4 ; tj) = 0 ,
akkor azt mondjuk, hogy a 4 és i] valószínűségi változók korrelálat- lanok.
136
5.5. Példa.Az 5.4. példabeli valószínűségi változónak számítsuk ki a korrelációs együtthatóját!
585MEGOLDÁS, a kovariancia és a várható értékek már ismertek: M (£) ------ -
37M{tj) = 10 ; cov(£ ;77) = -4,05 . Csak a szórásokat kell kiszámítani.
U 9 17 9925M ( í ) = 100-—- + 225 - — + 400 ■ — =
37 37 37 37^ 9925 5 8 5 1 ^ 2 5 0 0 0 ^
37 37 37w / ^ oc 12 13 12 4300 M. (j] ) — 25 ■ *—“ + 1001 — + 225 ■ — — ■
3 7 3 7 3 7 3 7
. 1 , , 4300D (7) = - j j ~ -100 « 16,22 ; D{rj) « 4,03.
- 4 05R(4 ;?/) = -----— = -0 ,24 .
4,27 '4,03
Ennek alapján ellenkező irányú gyenge kapcsolat van a bérek és a jutalmak között.
Megjegyzés:Az 5.4. tétel után említettük, hogy a korrelációs együttható dimenzió nélküli szám. Ennél egy kicsivel több is igaz. Egyszerű számolással megmutatható, ha R(4 ; rj) létezik, akkor a > 0 és c > 0 esetén
R(a4 + b;c?j + d) = R(4;?7) ,
vagyis a lineáris transzformáció nem befolyásolja a korrelációs együtthatót.
Az 5.3. tételben láttuk, hogy két valószínűségi változó összegének várható értéke a várható értékeik összege. A szórásra az ennek megfelelő állítás nem igaz. Erre vonatkozik a következő tétel.
5,5. TÉTEL. Ha 4 és rj szórása létezik, akkor létezik 4 + T) szórása is, és
D \ 4 + 7 ) = D \ 4 ) + D \ i j ) + 2cov(£ ; n ) .
137
Bizonyítás.
D 2 (£ + 77) = M ([#+ ??]2) - M 2 (£ + rj) =
= M ( £ 2 + 2 ^ /7 + ?;2) - [M(£) + M(?7) ] 2 =
= A /(£ 2) + 2M{%rf) + M(rj2) - M 2(^)~- 2 M(Í;)M (77) - M 2 (77) =
- M ( í 2) - M 2 (|) + M(?72) ~ M 2 (?/) + 2[AT (# 7) - M(£)M(rj ) ] =
= D 2 (£) + Z)2{77) + 2 cov(£ ; 77) .
Következmény; Ha ^ és rj korrelálatlanok és létezik a szórásuk, akkor
D 1(Z + 7J) = D 2(Z) + D 2(?]).
5.4. Valószínűségi változók függetlensége
Az előző pontban két valószínűségi változó sztochasztikus kapcsolatáról beszéltünk. Azt mondtuk, hogy az R(i; ;rj) = 0 esetén a leglazább a kapcsolat. Kérdés, azt jelenti-e ez, hogy a két valószínűségi változó független egymástól?
Kézenfekvő, hogy £ és rj függetlensége alatt azt értsük, hogy a £ < x és az 77 < y események minden (x ; y) számpár esetén függetlenek, azaz
P( í; < x ; i j < y ) = P(<J < x) ■ P(rj < y ) , (x ; j f ) e R ! ,
A bal oldalon az együttes eloszlásfüggvény, a jobb oldalon a perem-eloszlásfüggvények szorzata áll. A definíciót ezek segítségével mondjuk tó.
DEFINÍCIÓ, A 4 és rj valószínűségi változókat egymástól függetleneknek nevezzük, ha együttes eloszlásfüggvényük egyenlő a perem-eloszlásfüggvények szorzatával. Képletben:
F ( x ; y ) ^ F í(x)F1(y) ((x ; j ; ) e R !),
Most nézzük meg, hogy az együttes eloszlás és a peremeloszlások ismeretében az eloszlásfüggvények felírása nélkül hogyan lehet dönteni a függetlenségi kérdésekben. Ehhez szükségünk lesz a következő tételre.
5,6. TÉTEL, Ha £ és tj függetlenek, akkor tetszés szerinti a <b, c < d számpárok esetén
P(a<% <b\ c <r j <d ) = P(a < £ < b)P(c <tj <d) . (5,7)
138
Bizonyítás. Az 5,2. tétel 6 . pontja és a függetlenség definíciója alapján
P(a < 4 <b ; c < r f < d ) = F(b ; d) - F(a ; d) - F(b ; c) ++ F(a ; c) = Fl (b)Ft (d) - Ft (a)Ft (d ) - Ft (b)F2 (c) + Fl {a)Fl (c) == [Ft (b) - F{ (a) }[F2 (d) - F2 (c) ] = P(a < £ < b)P(c <tj <d ) .
5.7. TÉTEL. A % és rj diszkrét valószínűségi változók akkor és csak akkor függetlenek, ha minden lehetséges (xi ; >>; ) érté!q>árra
P (^ = X í ;t] = y . ) = P ( | = x()P(t] = y }).
Vagy a szokásos jelölésekkel;
Ps = P 3 , (* = l. » : J = 1’ m )- (5.8)
y*
yj*\d-
y/C ■
y, - i
(xM;yJ+1) (xí,yj*d C* i+ Jí y/+ i)
(xí.yj)
(*W;V 1) C v i^ i)
Bizonyítás. Először tegyük fel, hogy £ és tj függetlenek. Válasszunk a illetve 77 lehetséges értékei közül egy-egy tetszőlegeset, legyenek ezek x, és yr Van
olyan [a ;b] és [c ; <af] intervallum, hogy [a ; £>]-be lehetséges értékei közül csak az xí esik és [ c ; rf]-be az rj lehetséges értékei közül csak az y . (5.6. ábra). így
az a < x < , b , c < y < d téglalapba egyetlen lehetséges pont esik: az (x; ; y f ) ,
Ezért
P(a <, 4 < b) = P (£ = x .) — p , , P{c<7] < d ) = P{r} = y j ) = q} ,
P(a <,%<b ; c < t j < d ) = P(£ = x t ; rj = y j ) = p n .
Az (5.7)-ből azonnal adódik állításunk.Most tegyük fel, hogy az (5,8) egyenlőség igaz, akkor
F ( x - , y ) = Y , ' E P ( 4 = x r > v = y j ' ) = ' E l L p ^ = xJ p (Ti = y ^ =Xj<x y j< y x f< xy j< y
= p (4 = x,) P(j] =y j ) = F{{x)FÁy).j; ,<x yj<y
Ezzel beláttuk az állítás helyességét.
139
Most válaszoljunk a bevezetőben feltett kérdésre: mi a kapcsolat a korrelálatlan- ság és a függetlenség között. Ehhez nyújt segítséget a következő tétel.
5.8. TÉTEL, Ha a 4 és 7} valószínűségi változókfüggetlenek, akkor
AÍ(£.í7) = AÍ(£)Ar07),
amennyiben ezek a várható értékek léteznek.
Bizonyítás. Ha 4 lehetséges éltékei x]r x2, xn és rj lehetséges értékei y,, y ,, y m, akkor a függetlenség miatt
M (& ) = = ; n = y /) = Y Í L w A t = xt)p{v = JO) =i=\ M >=í
= Y iXíP ( í = x l) f jy j P(n = y j ) = M(4)M(?7) ./-I M
Következmény: Ha 4 És ?j függetlenek, akkor korrelálatlanok is, hiszen ekkor
M (4 ‘i7) ~ M ( 4 )M(?]) = cov( 4 ;tj) = 0 , azaz R ( 4 t r}) = 0 .
5.6. Példa.Tekintsük az 5.2. példában szereplő eloszlást:
> < 0 1 2
0220 63 3 276
496 496 496 496
1147 42 3 192
496 496 496 496
02] 7 0 28
496 496 496 496378 112 6
1496 496 496
a) Számítsuk ki a korrelációs együtthatót!b) 4 és 77 fuggetlenek-e?
140
M e g o l d á s .
a) M { 4 ) - \ ------ + 2 ------- = —,496 496 2
. . . . . 112 . 6 1 M ( r j ) - \ ■—— + 2 --— - =496 496 4
42 3 7 1M Í4 7?) = 1 ■ I ' —— +1 ■ 2 ■ —— + 2*1- —— = —.
496 496 496 8
Ebből cov(4 ; íj) = R{4 ; íj) = 0 , azaz 4 és 7 korrelálatlanok.b) Nem függetlenek, mert például:
« f = 2)./> to = 2 ) - ^ . _ U o = P ( i = 2 : | , = 2 ) .
Az 5.6, példa mutatja, hogy a korrelálailanságból nem következik a függetlenség. Ebből és az 5.S. tétel következményéből az következik, hogy a függetlenség „erősebb” követelmény, mint a korrelálatlanság. Ezek után az 5,5. tétel következményét úgy is fogalmazhatjuk, ha 4 és 77 függetlenek, akkor
D \ 4 + 7J) = D í (€) + D 2{77).
Mielőtt még ezt a függetlenséggel foglalkozó pontot lezárnánk, bizonyítás nélkül megemlítjük, hogy ha 4 és rj független, akkor 42 és t)2 is az.
5.5. Feltételes eloszlás, feltételes várható érték, regressziós függvény
A 3. fejezetben valamely A esemény B eseményre vonatkozó feltételes valószínűségét a
P { A \ B ) = ? ^ ± (P (£ )* 0 ) (5.9)
formulával definiáltuk. Ha 4 lehetséges értékei x ,, x2> xn és 77 lehetséges értékei y t, y 2, ..., y m, akkor lehet beszélni a 4 ~ x , esemény í j = y / eseményre
vonatkozó feltételes valószínűségéről, amely (5.9) alapján
P(Z = x, ] V = y>) = P^ p ~ V ) . P{r }=y j ) * 0 . (5.10) p w = y j )
141
Vagy ennek megfelelően
P t o - y A í = <5->»P(Z=X, )(i = 1, 2, ..., n; j - 1 ,2 , ..., m ) .
Most megmutatjuk, ha (5.10)-ben j értékét, illetve (5.11 )-ben i értékét rögzítjük, akkor ezek a feltételes valószínűségek valószínűségeloszlást alkothatnak. Az5.1. tétel alapján:
]> > (£ = *, ■,jj=yJ) = P(Tj=yJ).M
így
I s ' t ' P té = Xl>Tl = y j ) , ^p(r !=yj ) --------1 0 - 1 , 2 .........■ ).
vagyis valószínüségeloszlásról van szó.
DEFINÍCIÓ. Legyenek ^ és rj diszkrét valószínűségi változók xt , x2, ..., xtt és y }, y 2 .......y m lehetséges értékekkel. A
rw f' I •, p i £ = x f \ jl = yi ) Jp(^ = xi v = y i ) = — öt P(rj = y j )
( P t y = y j ) * o ) . 0 = 1 .2 ........«)valószínűségek a c, valószínűségi változó íj = y . feltételre vonatkozó
feltételes valószínűségeloszlását alkotják ( j = 1, 2, .... ni).
Hasonlóan lehet definiálni az rj valószínűségi változó ^ - x. feltételre vonatkozó feltételes valószínüségeloszlását. Ekkor már beszélhetünk ezen valószínűségeloszlások várható értékéről is.
DEFINÍCIÓ. A g diszkrét valószínűségi változó T]=yj feltétel melletti várható ér
tékén az
M ( 4 \ T f = y j ) = m \ y j ) = Í , x A í = xt \ v = y , ) (5-12)1
összeget értjük, ha P(rj = y j ) * 0.
142
Ennek alapján könnyen felírhatjuk rj -nak a ^ - xt feltétel melletti várható értékét is:
M ( tj \ £ = xl ) = M ( i i \ x j ) = Y j y jP(?] = y J | £ = * ,). ( 5 . 1 3 )
5.7. Példa.Tekintsük az 5.4. példában szereplő eloszlásokat;
5 10 15
10 2 5 4 1137 37 37 37
154 3 2 937 37 37 37
20 6 5 6 1737 37 37 3712 13 12
137 37 37
ahol £ a kiválasztott munkavállaló bére, rj a jutalma (10 ezer Ft-ban).a) írjuk fel £ és ij feltételes eloszlásait!b) Számítsuk ki a feltételes várható értékeket, és ábrázoljuk ezeket egy-egy ko
ordináta-rendszerben!
M eg o ld á s .a) Alkalmazzuk a definícióban szereplő formulát:
p (4 = 10 | 7 = 5) = — ; Pi4 = i s \ >7 = 5) = — ;
P ( ^ 2 0 \ 7 = 5 ) = - ^ .
P(Z = ia\ TJ = 10) = — 1 P(4 = 15| 17 = 1 0 ) = - ;
P(4 = 20 | 17 = 10)= -^ -.
p (€ ~ 10 | 77 = 15) = ; P(4 = 15 | ? = 1 5 ) = - ^ ;
/>(£ “ 2 0 | 77 = 15) = — .
143
P(rj = 5\ £ = 1 0 ) = - ; p (r j= i o | í = i o ) = y j ;
^ = 151 £ = 1 0 ) = - .
P(77 = 5 | £ - 1 5 ) = - ; P{71 = 101 £ = 15) = — ;7
P(tj = 15] £ = 15) = - .
P(rj = 5 | £ = 20) = y y ; P(77 = 10 £ = 20) =17
P07 = 15 | £ - 2 0 ) =17
b) Az (5,12) és (5.13) alapján
« .n 2 k 4 ™ 6 200 50M (£ 77 = 5) = 10 — + 15 — + 20 — = ----- = ■—■.1 12 12 12 12 3
C 'l <C 1QCM (£ 1 »7 = 10) = ]0- — + 1 5 -— + 20- — = — = 15.
^ 1 13 13 13 13i 4 2 6 190
M (£ 7j = 15) = 10- — + !5*— + 20- — = — .1 12 12 12 12
(5.14)
A £ feltételes várható értéket mint rj lehetséges értékeinek függvényét az5.7. ábrán szemléltetjük.
= y;) = nh(y)
20 -
10-
5 10 15 y
5.7. ábra
Most nézzük meg az rj feltételes várható értékeit!
144
, 2 5 - . 4 120M in £ = 10) = 5- — + 10----- h 15 - -— = -----.
' 1 * 1 1 1 1 1 1 1 1
* 4 , l í < 4 m 3 2 8 0M in £ = 15) = 5 ' — + 10 • — +15 ■ — = — ■. w i ^ ' 9 9 9 9
M ( jj I £ = 20) = 5* — +10 — + 15- — = — = 10.1 17 17 17 17
A z T] feltételes várható értékeit mint a £ tehetséges értékeinek függvényét az 5.5. ábra szemléleti. i0i
(5.15)
M(rj\Z = x,) = m,{x)
10 15 20 JC
5.8. ábra
Mint látjuk, a £ valószínűségi változó 7 -ra vonatkozó feltételes várható értékét Tj lehetséges értékeinek függvényeként kezelhet]tik, hasonlóan r/ feltételes várható értéke a £ lehetséges értékeinek függvénye.
D e f i n í c i ó . Az : m 2 ( y ) = M ( £ [ rj = y) ( y = , y 2 .......y m) függvényt a £valószínűségi változó rj -ni vonatkozó (elsőfajú) regressziós függvé
nyének, az (x) ~M{rj \ £ = .i) (x = , jt2 , . . xn) függvényt az rj valószínűségi változó £ -re vonatkozó (elsőfajú) regressziós függvényének nevezzük.
Hangsúlyozzuk, hogy ezek a függvények rj, illetve £ azon lehetséges értékeinek halmazán vannak értelmezve, amely értekeket a valószínűségi változó pozitív valószínűséggel vesz fel.
Az 5.7. példabeli eloszlásnál (5.14), illetve (5.15) alapján
50
15 , ha y - 1 0
192 V— , ha y = 15
ha x = 1012011 '
80 i,— , ha x = 159
1 0 , ha x = 2 0
(lásd az 5.7., illetve 5,8. ábrát).
145
Ezek a diszkrét pontokból álló grafikonok szemléltetik ugyan a két valószínűségi változó közti kapcsolat milyenségét, de felmerül az igénye annak, hogy egyetlen görbével, vagyis valamilyen képlettel adott g függvénnyel közelítsük az elsőfajú regressziós fiiggvényt. Itt azonnal adódik a kérdés, hogy mit értsünk jó közelítésen és milyen függvénytípust válasszunk. Mi példaként egy lineáris függvénnyel közelítünk, más függvényekkel való közelítések is hasonló elven működnek, ezekkel részletesen a statisztika tárgyon belül foglalkozunk.
Azt mondjuk, hogy az mt függvényt az a g t(x) = ax + b függvény közelíti a legjobban, amelyre az
M([a£ + b - 7]Y )
várható érték a minimális. Itt az a és b paramétereket kell meghatározni, azaz meg kell vizsgálni, hogy a
H( a ■, b) = M{[a% + b-T]Y)
kétváltozós függvénynek hol van minimuma.
H( a ; b) - M ( a 2^ 2 + 2ab% + b 2 - 2a^t] - 2b?] + tj2) -
= a 2M ( £ 1 ) + 2 abM( Z) +b 2 - 2 a M ( & ) -
-2bM(T]) + M( i j 2).
Szélsőérték ott lehet, ahol a parciális deriváltak zérussal egyenlők:
/ / ; ( £ ; 7 ) = 2aM(42) + 2 b M ( 0 - 2 M ^ r f ) = 0 ,K i Z ; 77) = 2űM (í) + 2i>-2M(T7) = 0 . (5.16)
Ebből
7) cov(<f ; 7 )
Hasonlóan adódik, hogy az m2 függvényt az a gj i y ) ~c y + d függvény közelíti a legjobban, ahol
g = CQn v ;f és d = M { g ) - ^ f ^ M { 7 1). (5.18)D (17) D (7 )
Az így kapott g ] (jc) = ax + b és g 2 (>') = cy + d függvényt másodfajú regresz- sziós függvénynek nevezzük.
146
Közvetlenül is beláthatjuk, de (5.17)-ből és (5.18)-ból is következik, hogy függetlenség esetén (ekkor cov(£ ; 7 ) = 0 ) a regressziós függvény állandó:
= ( í e ^ ) ,
m2iy) = M( 4 ) ( y e D ^ ) .
Az 5.7. példabeli eloszlás szükséges paramétereit már meghatároztuk (5.4., illetve 5.5. példa):
:Oc0 ?) = ~ ~ » = 1 0 , 18,26, D ; (7 ) *=1 6 ,2 2 ,
cov(£ ; 7 ) 0 -4,05 .
így
g ,W = -0,22* + 13,51,g ,0 0 = -0 ,2 5 r + 18,31.
Ezeket az egyeneseket is az 5,8., illetve az 5.7. ábrán vázoltuk.
Megjegyzés:Ugyanezt az egyenest kaptuk volna, ha az mt és m2 függvényt a legkisebb négyzetek módszerével közelítettük volna egyenesekkel.
5.8. Példa.Legyen a £ és 7 független valószínűségi változók eloszlása:
/>(£ = 1) = 1 />(£ = 2) = 4 , P ( f = 3 ) = i 4 4 4
^ = 0) = j , P(r? = 1 ) = | , P(rj = 2 ) ^ | .
ű) írjuk fel az együttes eloszlást!b) Számítsuk ki M (£) és A /(7 ) értékét!c) Határozzuk meg az ml (jt) és m2(y) függvényeket!
147
Megoldás.a) Függetlenség esetén pfJ = p tqp ezért
\ V í \
0 3 2
1í 2 2 1
20 20 20 4
9 2 4 4 220 20 20 4
1 1 2 2 120 20 20 42 2 2
15 5 5
b) M (£) = i - I + 2 - ^ + 3 - i = 2,4 4 4 5
c) M ( tj | £ = ] ) = !■ j + 2 - | = | ,
M(77| 5 = 2) = l - | + 2 - | = | ,
M(?7 [ £ = 3) = 1- — + 2- — = —.1 5 5 5
íg y /« ,( j:)=-j = Aí C7?)j ha jt = 1, 2, 3.
Hasonlóan
mt ( y ) = 2 t ha y = 0, 1, 2.
Ez összhangban van azzal a megjegyzésünkkel, hogy függetlenség esetén az elsőfajú regressziós függvények a konstans függvények.
148
6. TÖBBDIMENZIÓS FOLYTONOS ELOSZLÁSOK*
Ebben a fejezetben - mint a címe is mutatja - csak folytonos valószínűségi váltó- zókkal foglalkozunk. Gyakran hivatkozunk az előző fejezetre, ugyanis az ott általánosan kimondott definíciókat, illetve tételeket itt nem ismételjük meg szó szerint, csupán folytonos példákkal illusztráljuk, illetve megmutatjuk, hogy folytonos eloszlásokra is igaz.
6.1. Együttes sűrüségfüggvény
A £ és t] valamely W valószínűségi mező elemi eseményein értelmezett valószínűségi változók együttes eloszlásfüggvényét az előző fejezetben már definiáltuk. Az eloszlásfüggvény tulajdonságait az 5.2. tételben részleteztük. Most nézzünk egy példát.
6.1. Példa. yi.Tekintsük a koordinátás! kon a 0 < x < I ; ^0 < _y < 1 egységnégyzetet {6,1. ábra). Válasszuk ki véletlenszerűen egy pontját, f legyen e pont abszcisszája és r; az ordinátája.Geometriai valószínűséget feltételezve íijuk fel az együttes eloszlásfüggvényt és a perem-eloszlásfüggvényeket !
6.1. ábra
M e g o ld á s , Mivel £ és tj lehetséges értékei a [o ; l] intervallumon vannak, x < 0 , illetve y < 0 esetben £ < x , illetve rj < y lehetetlen események, így
F ( x ; y ) = P ( 4 < x ; Tj<y) = 0 , ha * < 0 vagy y<,0 . (6.1)
Ha 0 < x í 1 és 0 < y < 1, azaz ( a: ; y) az egységnégyzetbe esik, akkor az
F ( x ; y ) = P ( 4 < x ; rj < y)
annak a valószínűsége, hogy a pont az egységnégyzet 6 .2 . ábrán látható vonalkázott részére esik.
Ennek a területe xy, mivel geometriai valószínűséget feltételeztünk,
F ( x i y ) = ^ = x y *
0 < x < 1, 0 < ^ < 1 .(6 .2)
Ha 1 < x és 0 < y < 1, akkor az
F ( x ; y ) = P ( £ < x ; r j <y )
annak a valószínűsége, hogy ( x ; y) a 6.3. ábrán látható vonalkázott részre esik, amelynek területe y • 1.
így
F { x ; y ) = y >
1 < j t , 0 <y < 1.(6.3)
Hasonlóan
F{x \ y ) = x ,
0 < x í 1, l < y .(6.4)
Ha l <x és 1 < y > akkor a teljes négyzet beleesik az (x ;y) pont által meghatározott síknegyedbe, így a % <x és ?] < y események biztosan bekövetkeznek, azaz
■F(x;j0 = 1, 1<jc, \ < y . (6.5)
150
A (6.1)-(6.5) alatti eseteket összefoglalva:
0 , ha ^ < 0 vagy y<, 0
xy.,
yF( x - , y ) =
ha 0 < x í 1 és 0 < y < 1
lia 1 < x és 0 < y < 1
x , ha 0 < x < I és 1 < j ;
1, ha 1 < x és 1 < y,
A 6.4. ábrán F értékeit írtuk az egyes síkrészekbe. Ha y a > 1, akkor
Hasonlóan, ha x0 > 1, akkor
F(x0 ; y) = F1 (y) =
0, ha x < 0
x , ha O c x ^ l
1, ha l< x .
0, ha y< 0
y , ha 0 < > , <1
1, ha Ic^y. 6.4. ábra
A példánkban kapott eloszlásfüggvényhez találunk olyan R^-en értelmezett / függvényt, amelyre
Ezt mutatja be a következő példa.
6.2. Példa.Tekintsük azt az / kétváltozós függvényt, amely a 6.1. ábrán látható egység- négyzeten 1, máshol nulla, azaz
A x - , y ) =fl, ha O á x á l és 0 < ^ < 1
lo egyébként.
151
Számítsuk tó az
F : F ( x ; y ) = J j f ( t ; s ) d s d t (6 .6)—50-50
függvény értékét az xy sík minden pontjában!
M eg o ld á s . H a x < 0 vagy ^ á O , akkor f ( x ; y) = 0, így
x yF ( x ; y ) - \ \ f ( f , s ) d s d t = 0 .
-3 0 —03
Ha 0 < x < l és 0 <_y <1, akkor /-e t csak a 6.2. ábrán látható vonalkázott téglalapon kell integrálni (ettől negatív irányokban / nulla):
x y x y x x
F (x ; y )= j j ' / O ' ; s)dsd t = J jlö fs^ = = >> J]<// = _>>x.0 0 0 0 0 0
Ha 1 < x és 0 < _ y < l, akkor a 6.3. ábrán látható vonalkázott téglalapon elegendő integrálni:
i r iF (x ; y ) = Jjlífcűfr = y j d t = y .
0 0 c
Hasonlóan, ha 0 < x < 1 és 1 < y , akkor
x !
F( x ; _y) = j^ ld sd í = x ,0 0
Ha 1 < x és 1 < y , akkor a teljes négyzeten kell integrálni:
1 3F (x ; y) = JJW írfí = 1.
Azt kaptuk, hogy az F a 6.1. példabeli eloszlásfüggvény. Vagyis az F eloszlás- függvényhez találtunk olyan / neranegatív függvényt, amelynek a (6 .6 ) alatti integrálfüggvénye F.
DEFINÍCIÓ. Legyen a g és rj valószínűségi változók együttes eloszlásfüggvénye F. Ha létezik olyan nemnegaíív, kétváltozós f függvény, amelyre
F {x ; y )= | J / ( í ;s)dsd t, {x\y)<a R z (6.7)
152
fennáll, akkor a £ és rj együttes eloszlását folytonosnak nevezzük és f az együttes sűrűségfüggvény ü t
6.1. T é te l, Ha a g és tj valószínűségi változók együttes eloszlása folytonos és együttes sűrűségfüggvényük f akkor
1, f ( x ; y ) > 0, ( jc ;j;)6 R 2,
2 - [ \ f { x \ y ) d x d y = \,
3. a <b és c < d eseténh j
P(a <%<b ; c <? j <d) = j j f ( x ; y ) d y d x ,II c
® oo
4. \ f { x - , y ) d y ^ f ( x ) ; j f ( x ; y)d x = f 2( y ) ,-<» -aj
ahol f y a £, és f 2 az rj sűrűségfüggvénye.
Mielőtt a bizonyításhoz kezdenénk, megjegyezzük, hogy a tételből következik, ha az együttes eloszlás folytonos, akkor külön a £ és külön az rj eloszlása is folytonos. Ezeket itt is perem eloszlásoknak, és az f , f 2 függvényeket pereni- sűrűségfüggvényeknek nevezzük.
Bizonyítás.1. A definícióból következik.2. A (6.7) alapján:
<*> 00 y x
\ \ f { x ; y ) d x d y = lim [ \ f { t ;s)d td$= \\m F (x ; y ) = 1.
3. Az 5.2. tétel 6 . állításából következik (nem részletezzük). Megjegyezzük, hogy a bal oldalon a < és < jelek bárhol felcserélhetők.
4. Az 5.2. tétel és (6.7) alapján
Fs(x) - l im F (x ; y) = lim J J f ( t ;s)dsdt = J / (/ , s ) d s \d t .
Ugyanakkor
F, (x) = j / i < 0 d t , így j f (t) d í = j f j f ( í ; s) * 1 d t .V-
153
Ez minden x-re csak úgy állhat fenn, ha tű
f t ( ( )= \ f ( l ; s ) d s , í e R .
Az f 1 esete ugyanígy tárgyalható.
6.2. T é t e l . Ha f a £ és rj valószínűségi változók együttes sűrűségfüggvénye és F az együttes eloszlásfüggvény, akkor minden olyan pontban, ahol f folytonos:
(Nem bizonyítjuk.)
6.3. Példa.Legyen £ és rj együttes eloszlásfüggvénye
n * i y ) =0
1 + -
x + y \ + x l + _y
ha x < \ vagy y s l
ha l< * és l<;y.
a) írjuk fel a perem-eloszlásfüggvényeket!b) Számítsuk ki az együttes sűrűségfüggvényt!c) Határozzuk meg a perem-sőrüségfügg vényeket!d) P (0 < £ < 3 ; 1£ t7< 2 ) = ?
M e g o l d á s .ö) Az 5.2. tétel alapján, ha x > 1,
/^(jcJ^ lím Ffjc; _y) = Umy—n*' Y-*<&
1 + -x + y 1 + x 1 + y
= 1 —1 + JC
így
0 , ha jc£ lFi(x)=<
I —1+ JC
, ha 1 < jc.
154
Hasonlóan, ha y > 1, akkor
x + y l + jc 1 + y i + y
F A y) =
0 f ha y < \
1 - —^ - , ha 1<>.1 + y
b) A 6.2. tétel szerint:
f { x ' , y ) = F £ ( x ; y ) =0 , ha í < 1 vagy y
4
. ( x+y)j , ha 1 < x és 1 < y
c) f , ( x ) = F,Xx) =
A ( y ) = F2(y) =
0 , ha x ^ 0
2 ha 1 < í ,( U * ) :
0 , ha j > < 0
2 , ha l< y .IQ+y)
Ezt az eredményt kaptuk volna az<6 »
J' f ( x ; y ) d y és t y { x \ y ) d x—ta -A
integrálok kiszámításával is.d) Az 5.2. tétel alapján
P( 0 < £ < 3 ; 1 < 77 < 2) - ^ (l < £ < 3 ; 1< t?< 2) = = / ^ ( 3 ; 2 ) - F ( l ; 2 ) - F ( 3 ; l ) + ^ ( l ; l ) = :
+ 5 4 3 _ 30
6.2. Várható érték, korrelációs együttható
Könnyen belátható, ha £ és rj a W valószínűségi mező elemi eseményein értelmezeti valószínűségi változók, akkor £ + n és £ • 77 is valószínűségi változó W-n.
Ha £ és 77 valószínűségi változók és együttes sűrűségfüggvényük f akkor meg lehet mutatni (nem részletezzük), hogy
CÜ CD
^ ( £ + 7 ) = J \(x + y ) f { x \ y ) d x d y ,—CO “ *43 n
M( Z ' V ) = \ \ x y f { x ‘, y ) d x d y-űQ-nJ
minden olyan esetben, amikor azW ifi B o
J J | j c + > '|/ ( jc :> ’)í&<ty es \ \ \ x y \ f ( , x - t y ) d x d y
itnproprius integrálok konvergensek.
Folytonos esetben is igaz az 5.3. tétel az ott megfogalmazott feltételek mellett:
+ 77) = M (4) + M (j7) . (6 .8 )
Bizonyítás, Induljunk ki a definícióból és használjuk fel a 6.1. tétel 4 . állítását és azt, hogy az integrálás bármely sorrendben végezhető:
re n o
M{% + r})~ J J(* + y ) f ( x ; y ) d x d y = J J* f ( x ; y )d x dy +.-ec-tc -rn-io
^ ^ d o u tg
+ J [ y f { x ; y)d x d y = J* J / f * ; y ) d y d x + J / ( * ; y )d x d y =■ iU
a j CO
= /* /!(* )< & + J ^ / 2 (J^) rfy = AZ (^ ) + yV/ (7/ ) .-J i - d
Ezzel állításunkat igazoltuk.
156
6.4. Példa.Legyen a £ és 77 valószínűségi változók együttes sűrűségfüggvénye;
■jíx + y), ha 0 < jc< 1 és 0 < y < 2
0 egyébként.
Számítsuk ki az M ( ^ ) , M ( 77) , M f^ + í?) és az M (£77) várható értékeket!
MEGOLDÁS. Szükségünk van a perem-sürűségfüggvények nullától különböző értékére. Ha 0 c x < I , akkor
/ , ( * ) = “ í(Jc + > ')rfv=7 xy + £3 0 3 L 2
r + 2 2 r ! 2M (£)= Ja— — í& = - J ( : c =
2x + 2
£ Í + £ l 3 + 2
59
x— + xy
2
Ha 0 < j/ < 2 , akkor
/(■k + .íO ^ t 0 ^
M (t7)= J ^ + ^ j <6 ' =
A definíció szerint
M ( 4 + 77) = ~ J J (* + y )J dx dy = | J
12
1 1= —+ - y .
6 3
” 9 ’
0 02
U + y ) 3
(i + y ) '
dy -
119
Természetesen ez utóbbi integrálástól megkímélhettük volna magunkat, hiszen(6 .8 ) miatt
W (í + 7) = A f(í) + AÍ(í7) = | + j = y -
157
Szintén a definíció szerint
2 !
3M(£Tj) = - J \xy (x + j-O^öíy = - J Jí 2
— y + — y 3 2
1 2 1 J- y + - y 6 6
dy =a
23 '
Amint látjuk,
M (£-J7)*A f(£)A f(j?).
Az előző fejezetben a kovariancia és a korreláció definíciójában, sőt az 5.4. tételben sem szorítkoztunk diszkrét valószínűségi változókra, így ezek az összefüggések itt is érvényesek. Nézzünk rájuk egy példát.
6.5. Példa.A 6.4. példában szereplő valószínűségi változóknak számítsuk ki a kovarianciáját, a korrelációs együtthatóját és a 4 + TJ szórásnégyzetét!
MEGOLDÁS. Használjuk a 6.4. példabeli eredményeket:
c o v íí; í;) = W (í -í7) - M ( í )Aí C^) = | ~ | - ^ = - 1 .
A korrelációs együtthatóhoz szükségünk van a szórásokra, azaz a négyzetek várható értékére.
1 r 1M ( ^ ) = - \ x 2(2 x + 2) d x = - i l 2x 1
2 + 3
25
** ( ? 2) \ y \ \ + y \ dy
18 81 1621
6 4 -iO
18
]69
81 .13 23
1 6 2 ’ 81
V299* - 0 ,0 8 .
158
Látjuk, hogy nagyon gyenge ellenkező irányú kapcsolat van a két változó között. Az 5.5. tétel alapján
♦ , ) - / > * « ) ♦ * ( , ) ♦ 2cov(í ; „ . J i ♦ 2 - 2 . J | .
6.3. Valószínűségi változók függetlensége
Az 5.4. pontban definiáltuk két valószínűségi változó függetlenségét. Megmutatjuk, hogy a sűrűségfüggvények segítségével is dönthetünk a függetlenség kérdésében.
6.3. TÉTEL. Legyen % és 7j együttes sűrűségfüggvénye f és a perem-sűrüség- Jiiggvények f , illetve / , . A £ és az 77 akkor és csak akkor függetlenek, ha
/ ( * ; y ) = f f c ) - f i ( y ) . ( j c ^ j e R 1.
Bizonyítás. Tegyük fel, hogy £ és r) független, ekkor a definíció szerint:
F(x-í y ) = Fl(x)F2(y) , ( x ^ ) e R ' .
Differenciáljuk mindkét oldalt x, majd y szerint:
K ( x ; y) = F;(x) ■ F ,0 0 ; F^(x- , y) = FXx)F‘{ y ) .
Mivel F ^ ( x ; y ) = f ( x ; y ) , Fl'(x)=f>(x) és F^(y) = f 2( y ) , az állítást egyik
irányban bebizonyítottuk.Most tegyük fel, hogy
f ( x ; y ) = f , ( x ) f 2(y).
Integráljuk mindkét oldalt - 0 0 -tői x-ig, majd v-ig:
\ \ f { f , s ) d t d s = \ l f { t ) f 2{s)dtds.-<4—5O -W-flO
A bal oldalon F ( x ; >0 áll, a jobb oldalon f 2 nem függ /-tői, ezért kiemelhető a belső integráljel elé:
F i x ; y) = f / 2 (s) | | / i (0 dt) ds = \ f (/) dt | / 3 ( 5 ) * ( A ) f 2 ()0 .— ca 1^-a J —so -aj
159
így a definíció szerint £ és rj függetlenek.Folytonos esetben szintén érvényes az 5.8. tétel is, nevezetesen ha az M (£),
M(?7) és M(£r}) várható értékek léteznek, valamint % és rj függetlenek, altkor
Bizonyítás. Felhasználjuk a 6.3. tételt:ÍQ (0 '*> ^
A í(# 7)= J J W ú ; y ) d x d y ~ J Jxy f ( x ) f ( y ) d x d y .><v<0 -gfrnO
Mivel y f 2(y) nem függ .í-töl, kivihető a belső integrál elé:
v í » »
M ( £ ’ij)= J ^ ( y ) \ x f ( x ) d x dy = \ y f 2{y) M{£;)dy =-00 C0 ) - »
cO
- M (£) \ y ■ f 2 (y)dy = M(£) - M (77) ,- te
amit bizonyítani akartunk.
Következmény: A függetlenségből folytonos esetben is következik a korrelálatlanság.
Ezért a 6.4., illetve a 6.5. példában szereplő valószínűségi változók nem lehetnek függetlenek, hiszen nem nulla a korrelációs együtthatójuk. De erről a 6.3. tétel alapján is meggyőződhetünk: az
/ ( * ; * ) =” (* + >0. ha 0 < ^ < 1 és 0<>><2
egyébként
függvény nem szorzata az
'2
m =: (;t + l), ha 0 < * < 1
0 egyébként,A( y ) =
+ |» ha 0 < y < 2
0 egyébként
függvényeknek.Viszont könnyen belátható, hogy a 6.1. példabeli valószínűségi változók függet
lenek, hiszen
F ( x ; y ) = Fl(x)FJ(y) .
160
Lehet konstruálni olyan folytonos együttes eloszlást, ahol a valószínűségi változók korrelálatlanok, de nem függetlenek. így a korrelálatlanságból folytonos esetben sem következik a függetlenség.
6.4. Feltételes sűrűségfüggvény, regressziós függvény
Definíció. Ha £ és íj együttes sűrűségfüggvénye f és f , illetve j \ aperem - sűrűségfüggvény, akkor a £ valószínűségi változó Tj—y feltételre vonatkozó feltételes sűrűségfüggvényén az
M y > * T r r ’ haJi{y)
függvényt értjük. Az rj -nak a f = x feltételre vonatkozó feltételes sűrűségfüggvénye
ha / ; « * o .f {>0
Ezek valóban sűrűségfüggvények, hiszen nemnegatívok és - mint arról könnyen meggyőződhetünk - az értelmezési tartományon vett integráljuk 1.
A feltételes sűrűségfüggvény ismeretében már számolható a feltételes várható érték is:
es
M(% | Ti = y ) = M {4 \ y ) ~ ^ x f { x \ y ) d x
M { ti \% = x) = M{ ti \ x) = \ y f { y \ x)dy
Megjegyzés:Természetesen az integrálást mindig a feltételes sürűségftiggvény értelmezési tartományán kell elvégezni.
161
6.6. Példa.Tekintsük a 6.4. példában szereplő valószínűségi változókat, amelyeknek együttes sűrűségfüggvénye
K * ; y ) =[ 0 egyébként
és a perem-sűrűségfüggvények
/,(* ) =y(jc +1), ha 0 < x < \
0 egyébként,f i ( y ) = 3
ha 0 < y < 2
egyébként.
Számítsuk ki az Aí(£ | y) és az M{t}\ x) feltételes várható értékeket!
M eg o ld á s , a definíció alapján:
f ( x \ y ) = ^ , f ( y \ x) = l ^ ° <JC<1, 0 < -y < 2 '
így
| rj) = \ x ^ - ^ - d x =
(0 < y < 2 ).
x x— + y —3 2
1y + - 7 2
2jc+ 2
_ 2 ^ 1 -
J +
2x + -;____ 12x + 2
(0 < x < 1) -
Amint példánkból is látszik, a feltételes várható értékek függvények, amelyeket folytonos esetben is (elsőfajú) regressziós függvényeknek nevezünk:
m1 (y) = M { £ \ y ) , A O ) = °K
■h{x) = M(T] \ jc) , x e R \ { j c | / ( x ) = o}.m,
162
7. VALÓSZÍNŰSÉGELOSZLÁSOK
A 4, fejezetben láttuk, hogy bármelyik valószínűségi mezőben sokféleképpen értelmezhetünk valószínűségi változót. Mind diszkrét, mind folytonos valószínűségi változókból végtelen sok különféle létezik. A gyakorlati felhasználás szempontjából viszont csak néhány típus játszik jelentős szerepet. Most ezek közül tekintjük át a számunkra legfontosabbakat, melyeket mi is fogunk használni.
Ha egy diszkrét eloszlású valószínűségi változó viszonylag sok értéket vehet fel, akkor pl. az
I
várható érték kiszámolása hosszadalmas, számolásigényes feladat. Folytonos eloszlású változónál a paraméter minden apró változása estén újra és újra integrálhatunk, ha a várható értékre vagy a szórásra szükségünk van, A tárgyalt eloszlásoknál le fogjuk vezetni a várható értéket és a szórást egyaránt. Ha egy kísérlet kapcsán bevezetett változó típusát felismeijük, igen sok számolástól menekülhetünk meg.
A gyakorlati problémák megoldása során az is szembeötlő lehet, hogy különféle eloszlásokkal számolva időnként nagyon közeli értékeket kapunk a valószínűségekre vagy a várható értékre, esetleg a szórásra. A továbbiakban ennek feltételeit is áttekintjük. Először a diszkrét eloszlások kerülnek sóira.
D isz k r é t e l o sz l á so k
Mint ismeretes, a £, valószínűségi változót akkor nevezzük diszkrét eloszlásúnak, ha lehetséges értékeinek halmaza véges vagy megszámlálhatóan végtelen halmaz. A lehetséges értékekhez tartozó valószínűségeket nevezzük a diszkrét változó eloszlásának, Ennek megadásával tudjuk az eloszlásokat definiálni.
163
7.1. Karakterisztikus eloszlás
Először egy nagyon egyszerű esettel foglalkozunk, ennek eredményét a későbbiekben használni fogjuk.
DEFINÍCIÓ. A £ valószínűségi változót karakterisztikus eloszlásúnak nevezzük, ha lehetséges értékei az 1 és a 0 , az ezekhez tartozó valószínűségek pedig:
P t f = \) = p & / ^ = 0 ) = 1 - /> = ? . ahol 0 < p < 1 .
Ez nyilván eloszlás, mert = p + q = 1.i
7.1. Példa.Legyen a kísérlet az, hogy egy szabályos játékkockát feldobunk, Válasszuk a kimeneteleket a szokásos módon: Et =k = a dobott szám értéke (k = 1 ,2 , . . . , 6 ). Mind a hat elemi esemény valószínűsége 1/6, így egy W klasszikus valószínűségi mezőhöz jutunk.
A z A esemény legyen az, hogy 3 -nál kisebbet dobunk: A = {£,; £ 2} - { l ; 2 }.
Legyen továbbá £ (£ ,) = £ (£ ,) = 1 és í ( £ J) = í ( £ 4) = f ( £ i ) = í ( £ e) = 0 . A £
egy karakterisztikus eloszlású valószínűségi változó, melyre p = /*(£ = l) = i
és ? = P ( Í = 0 ) = | .
A karakterisztikus valószínűségi változót szoktuk índikátorváltozónak is nevezni, mert egy bizonyos esemény bekövetkezését jellemzi. Előző példánkban az a szóban forgó esemény, hogy 3-nál kisebbet dobunk.
7.1. TÉTEL. Ha £ karakterisztikus eloszlású valószínűségi változó és P(£ = 1) = p , akkor
M (£) = /> és D(£) = y[p^q.
Bizonyítás.M M = b p + Q-q = p ,D \ 4 ) = (l*p + 0 ^ ) - (p f = p - p 1 = p{\ - p) = pq ,
£>(£) = -Ím ■
164
7.2. Binomiális eloszlás
DEFINÍCIÓ. A £ valószínűségi változót binomiális eloszlásúnak nevezzük, ha £ lehetséges értékei 0, 1, 2, ..., n és
P{$ = k) =
ahol 0 < p < I, 9 = 1 - / ? és t = 0 , 1, 2 , «.
(7.1)
Mindenekelőtt megmutatjuk, hogy ez valóban eloszlás, az 1 valószínűséget osztja el a változó tehetséges értékein.
A (7.1) minden tagja pozitív szám, jelölhet valószínűséget. Meg kell még mu-ti
tatnunk, hogy P (£ - k) - 1 . Ehhez a binomiális tételt használjuk fel. Alkalmaz-
zuk most a binomiális tételt a (q + p )“ hatvány kifejtésére.
(<? + />)" = qn- ' -p + . . .+VV k--0
így tehát
A=ö *=0\ k jA ^ = ( ? + P ) '= r = i -
Ezzel beláttuk, hogy ez valóban eloszlás. Most kiszámoljuk a várható értéket és a szórást.
7.2. T é te l . Ha a ^ valószínűségi változó binomiális eloszlású, akkor várható értéke
M(£) = np.
szorosa
npq.
Bizonyítás. Tekintsünk egy olyan Bemoulh-féle kísérletsorozatot, melyben a megfigyelt esemény valószínűsége p. Jelölje az 77 valószínűségi változó a kísérlet- sorozatban az A esemény bekövetkezéseinek a számát. Ekkor, mint a Bemoulli- kísérletsorozatoknál láttuk,
165
p ( n = k ) =/ \ n
y?Y '-\ jfc=0, 1, 2, n.
A z ?} változónak és a £ változónak azonos az eloszlása, ezért várható értékük és szórásuk is azonos. Legyen ijt az í-edik kísérletben az A esemény karakterisztikus valószínű ségi változója, és képezzük az
T]y +TJ2 + . . . + 7J'
összeget.Az összegben szereplő tagok között pontosan azoknak 1 az értéke, melyekhez
tartozó kísérletben A bekövetkezett, a többi nulla. Tehát ez az összeg azt mutatja meg, hányszor következett be az A esemény a Bemoulli-sorozatban, vagyis
7 = 77, +Tj2 + ... + ti„.
A karakterisztikus változó eloszlásánál láttuk, hogy = p és
D 1 {*!,) = PQ (;=1, 2 , ..., n).
Az 5.3. tétel szerint, összeg várható értéke a várható értékek összege, ezért
M{ij) (?,) + + ... + M( r j J = p + p -¥. . .+ p = np .
A szórásra egy kissé bonyolultabb összefüggés igaz (5.5. tétel). Mivel a Bemoulli- sorozatban független kísérletek szerepelnek, ezért alkalmazhatjuk az 5.5. tétel következményében foglaltakat (ami kettőnél több tagra is érvényes):
D 1 ( n ) = D 1 (rj , ) + D * (t/2 ) + . . . + D 2 (77,,) =
= pq + p q + . . . + p<l = npq.
Az rj változó szórása tehát
&(V) = 4nP9 ■
Mivel M (£) = M{r}) és D(g ) = D(rj), a tételt bizonyítottuk.
A binomiális eloszlás szórásának nagyságára felső határt szabhatunk. A számtani és mértani középre vonatkozó ismert összefüggés szerint
166
Elekor viszont
A binomiális eloszlást leggyakrabban a független kísérletsorozatok, például a visszatevéses mintavétel leírására használjuk. Régebben a binomiális eloszlásokat különböző p és n értékekhez táblázatokban adták meg. Ezek az elektronikus kalkulátorok elterjedésével jelentőségüket vesztették.
A 7.1. ábrán az n = 20-hoz /? = 0,1 -dél, /7 = 0,3-del és p = 0,5-del megrajzoltuk a binomiális eloszlás grafikonját- Hogy a különböző _p-khez tartozó értékeket el tudjuk különíteni, nem használtunk nyíldiagramot, hanem az egyes grafikonok pontjait vékony vonalakkal kapcsoltuk egymáshoz, (A grafikont természetesen csak a vastagon rajzolt diszkrét pontok jelentik.) Az eloszlás csak p = 0,5 esetén szimmetrikus.
7.2. Példa.Megfigyelések szerint az ország iskoláiban 100 gyermek közül 4 nem éri el a továbbhaladáshoz szükséges szintet. Mekkora annak a valószínűsége, hogy egy 400 fős iskolában 13-nál többen, de 17-nél kevesebben nem érik el a továbbhaladáshoz szükséges szintet? Mennyi ebben az iskolában a továbbhaladási szintet nem elérő gyermekek számának várható értéke és szórása?
MEGOLDÁS. Jelölje £ a tekintett iskolában a szintet el nem érő gyermekek számát. ^ lehetséges értékei: 0, 1, 2, ..., 400. Egy véletlenszerűen kiválasztott
4gyerek esetében p = -----= 0,04 a valószínűsége, hogy a gyerek a továbbhala-
167
dáshoz szükséges szintet nem éri el. A vizsgálatot egy 400 kísérletből álló, független kísérletek sorozatának tekintjük. A £ binomiális eloszlású:
*>(£ = *) =Í400'
0,04* -0,96* A =0, 1, 2, 400.
400n i 3 < í < i 7 ) = v
í=mI A0,04* - 0 ,9 6 " _‘ = 0,2965 .
Az M (£) 0,04* ■ O^ö11011 * egy 401 tagú összeg. Ennek kiszámo-*=o \ "■ )
lásától megmenekülünk, mert a binomiális eloszlású valószínűségi változó várható értéke M (£) = 400p =400 ■ 0,04 = 16 és szórása D(^) = y]npq =3,92 a 7.2. tétel szerint egyszerűen adódik.
7.3. Hipergeometriai eloszlás
DEFINÍCIÓ. A £ valószínűségi változói hipergeometriai eloszlásúnak nevezzük, ha
f M \ ( N - M \
n - k/>(£ = *)
( NA k = 0, 1, 2....... n (7.2)
és az n, M , N pozitív egész számokra érvényes: n < M < N és n < N - M .
A hipergeometriai eloszlást gyakorlatilag a visszatevés nélküli mintavétel leírására használjuk.
Megmutaíjuk, hogy (7.2) eloszlást értelmez, A tagok: pozitívak, ezéri csak a = A) = 1 ösz-*=o
szefüggést kell Igazolnunk. Állításunk tehát
Mivel a nevező ft-tól független konstans, ezt
"
ir-0/ M^ f N - m ' V
K k JV n ~ k j v n )(7.3)
alakba írhatjuk. írjuk fel a (7.3)-at részletezve:
^WV
J \ 0 J\
N - M
n
N - M
0
\N - M
)i-lM N - M
n - 2
\
(7.4)
Azt, hogy a (7.4) valóban érvényes, egy mintavételi modell felhasználásával igazoljuk. Tekintsünk egy N elemű halmazt, melyben M darab kitüntetett elem van. Legyen n S W é s
n < N - M . Válasszunk ki a halmazból « elemet visszatevés nélkül. Az üss2es lehetőségek száma
V. Ezt találhatjuk (7.4) bal oldalán. A (7.4) egyenlőség jobb oldalán lévő számok viszont a konk
rét kiválasztási lehetőségek számait adják:A /Y N - M N
1A », azon lehetőségek száma, hogy nulla db
kitüntetettet és u db nem kitüntetettet választunk. AzM N - M
n - 1azon lehetőségek száma, hogy
I db kitüntetettet és n - 1 nem kitüntetettet választunk ki. Ha így haladunk tovább, az összes konkrét lehetőséget összeszámláljuk és így a jobb oldalon is az összes lehetőségek száma adódik.
A (7.3) összefüggést Cauchy-féle tulajdonságnak nevezzük, melynek ismeretes a faktor iá li sokra alapozott bizonyítása is.
A binomiális eloszlással való összehasonlítás kedvéért a 7.2. ábrán « = 20-hoz A /,= 3 0 , =100 (p — 0,3), továbbá Aí3= 5 0 , ^ = 1 0 0 (p = 0,5) értékekkel megrajzoltuk a hípergeo- metriai eloszlás grafikonját. A vékony vonalak most sem tartoznak a grafikonhoz, csak az egyes paraméterekhez tartozó pontok együvé tartozását jelzik.
169
7.3. TÉTEL. Ha £ hipergeometriai eloszlású, akkor várható értéke
M (4 ) = n -p (iahol p= — ), N
szórásnég)>ze(e q = \ - p jelöléssel
N — }iD 2t f ) = npq
N - 1
Nem bizonyítjuk.Vegyük észre, hogy a binomiális és a hipergeometriai eloszlás várható értéke
azonos. A gyakorlatban rendszerint teljesülő n « N esetén (n „kicsiny” jV-hez képest) a szórások is közel esnek egymáshoz. Ezért a hipergeometriai eloszlást gyakran szoktuk a könnyebben kezelhető binomiális eloszlássá! helyettesíteni. Érmek elméleti megalapozását a következő tételben találjuk.
M7.4. TÉTEL. Ha N és M úgy tartanak végtelenbe, hogy hányadosuk — = p állan
dó marad, továbbá n és k rögzített számok ( k<n) , akkor
limA/ —
(M' \ ( N - M \
UJ' < n ~ k jN Kk /
Pk { \ - P)lí“# (7 .5)
A tétel bizonyításához ki kell írni a binomiális együtthatók faktoriális alakjait, majd egyszerűsítés után tényezőnként kell a határértéket képezni. Nem részletezzük.
7.3. Példa.Egy farsangi mulatságon 30 tárgynyereményt sorsolnak ki az eladott 500 tombola vásárlói között. Ha 10 tombolát vettünk, akkor mi a valószínűsége, hogy nyereménnyel távozhatunk a bálról? Számoljuk ki a nyereményeink számának várható értékét és szórását is!
MEGOLDÁS. Az N = 500 tombolából M - 30 kitüntetett van. A tombolavásár- iás pillanatában még nem ismeretes, melyek lesznek a kitüntetett elemek. A 10 tombola megvásárlásakor egy n = 10 elemű mintát veszünk, visszatevés nélkül. A nyereményeink száma a 10 elemű mintában lévő kitüntetett elemek száma, hipergeometriai eloszlású valószínűségi változó. Ezért
170
' 3 0 v 4 7 0 '
P ( £ 2 l ) = l - P ( £ = 0 ) = l -0 A i o , _'500^
. 10 J
= 0,4645,
M{E) = np = n— = 10- — = 0,6 N 500
es
30 470 500-10 500' 500 500-1
= 0,7442.
Nézzük meg, milyen közelítő értékeket kapunk az előzőekre, ha binomiális eloszlással közelítünk!
P ( £ a l ) = l - P ( £ = 0 ) » l -
A/(^) = ííp = 10- — = 0,6 , 500
rio''í 3 0 T iI s o o J l
= 0 ,4 6 1 4 .
m ) ■yfipq =JÍÖ-30 470
5 0 0 ’ 500= 0,751.
Látható, hogy a valószínűségek első két tizedesjegye megegyezik, a valószínűségek eltérése 0,7%-os. A várható értékek azonosak, míg a közelítő szórás 0,9%-kal nagyobb a pontos értéknél.
7.4, Poisson-eloszlás
Az eddig tárgyalt eloszlásokban a változónak mindig véges sok lehetséges értéke volt. Most egy olyan diszkrét eloszlással ismerkedünk meg, melyben a változó megszámláthatóan végtelen sok értéket vehet fel.
DEFINÍCIÓ, a 4 valószínűségi változót Poisson-eloszlásúnak nevezzük, ha lehetséges értékei: 0, 1, 2, 3, ... és
p k = P i 4 = k ) = ^ - e \ (7.6)k\
ahol A > 0 rögzített és /c e N .
171
Mindenekelőtt megmutatjuk, hogy a (7.6) alatti pozitív számok eloszlást alkot
nak, tehát = 1 teljesül rájuk. Most egy végtelen sort kell összegeznünk, k
melyhez felhasználjuk az e hatványsorát, melyet analízisbeli tanulmányainkból ismerünk:
V3 k
<7-7>
Ebből az x = X helyettesítésseloá 1 k
k-0 K ■eA
adódik.A valószínűségek összege pedig:
rt oo jk ® >\k
*=Ö fr=0 A-í Jt-o
7.5. TÉTEL. Ha % Poisson-eloszlású, ükkor várható értéke
M(Z) = A.
Bizonyítás. Felhasználjuk eA hatványsorát, valamint azt, hogy konstans a 2 elé kiemelhető:
k\ t i k\ £ í ( * - l ) !- e Á -
7.6. TÉTEL. Ha < P o m on-eloszlású, űA'/cör szórása
Ű(£) = V I .
Bizonyítás. Számoljuk ki az M (i;2) második momentumot.j k <n j i <c nk
A _* v k 11 A „ j \ \ . AM ( n = E i I ^ = z * ’ ^ = Z / c
it=0 10. t í k\ t í (* -1 )!-é~l —
172
(* -! )! = /l2 + X .
= Xlé-JO 3 *-2 <c
f — ----- + Xe~i y — ----- <Ü ( k ~ 2 ) \ é í ( A - I ) !
A levezetéshez ismét felhasználtuk eÁ hatványsorát (7.8), valamint, hogy az Összegből a nulla szorzóval rendelkező tagok elhagyhatók. Most már könnyen meghatározhatjuk a szórásnégyzetet.
es így
D \ 4 ) = M (£2) - M \ 4 ) = ( l 2 + X ) - X 2 - X ,
D{£) = 4 1 .
A Poisson-eloszlás az egyik leggyakrabban alkalmazott diszkrét eloszlás. Például véletlenszerű időpontokban bekövetkező események száma egy adott időintervallumban Poisson-eloszlással jól közelíthető. Hasonlóan Poisson-eloszlást alkalmazunk, ha egy tartományba eső pontok számát vizsgáljuk, és a tartományba esés valószínűsége csak a tartomány méretétől függ. Pl. egy üzletbe adott időintervallumban érkező vevők száma, adott hosszúságú útszakaszon található kátyúk száma, egy könyv véletlenszerűen kiválasztott, adott számú oldalán a nyomdahibák száma, egy őserdőben az egy hektáron található fák száma, egy gombóc puncsfagylaltban a mazsolák száma stb.
A 7.3. ábrán X, = 2 , X1 = 6 és /L, =10 paraméterekkel, közös koordináta-rendszerben Poisson-el oszlásokat ábrázoltunk.
173
Most pontosabban is megfogalmazzuk az előzőeket. Jelöljük £(-vel egy l hosszúságú időintervallumban valamely ,4 esemény bekövetkezéseinek a számát. Ekkor % lehetséges értékei 0, 1, 2, 3, ... . Tegyük fel, hogy teljesül az alábbi három feltétel:
1. A P(4f = k) valószínűségek (k = 0, 1 ,2 ,. . .) csak az időintervallum hosszától függnek, attól nem, hogy az időt mikor kezdtük el mérni.
2. lim ^ — - = X (ahol X állandó). t-> 0 /
Ezt úgy is fogalmazhatjuk, hogy ha / elég kicsi, akkor a P(g - I) közelítőleg aranyos í-veL
3. l i m f f ^ = 0) + P(£t = ] ) ] = ] f->oL ' 1 J
vagyis eiég kicsiny idő alatt az A esemény gyakorlatilag vagy egyszer sem, vagy egyszer követ-kezík be.
Ekkor
D/í I \ ~U= *) = --------- ek\
Nem bizonyítjuk.
Az előzőekben leírtakat Poissoii-folyam atnak nevez2ük.Általában rögzíteni szoktuk f értékét, és X t ~ Á \ jelöléssel
X *Ai _ jP t fm k ) — - e 1
*!adódik. Ha más hosszúságú időintervallumot választunk, másik Á adódik.
7,4. Példa.Egy derült augusztusi estén negyedóránként átlag 6 csillaghullás észlelhető. Mennyi a valószínűsége, hogy
a) 10 perc alatt 3-nál több;b) 5 perc alatt 1
csillaghullás figyelhető meg?
MEGOLDÁS.a) Legyen £ a 10 perc alatt bekövetkező csillaghullások száma. Ha 15 perc
alatt 6 , akkor 1 perc alatt 6/15, ezért 10 perc alatt 60/15 a csillaghullások átlaga: M (£) = 60/15 = 4 .Másrészt M{£,) — X, ezért X - A .
n í > 3 ) = i - p ( í < 3 ) = i -
= l - | l + 4 + 8 + — 6
4° _4 4' 41 _4 43— e + — e + -— e +— e 0! 1! 2! 3!
713
64^ , 4 71 . e - 1 ----- e
174
b) Jelöljük 77-val az 5 perc alatt bekövetkező csiliaghuliások számát. Az új időintervallumhoz másik X tartozik:
M (77) = 5- 6/15 = 2 = A,,2 ' 2
' > = - ^ = 7 "
A Poisson-eloszlást gyakran használjuk a binomiális eloszlás közelítésére. Ennek alapját az alábbi tétel adja.
7.7, TÉTEL, / /a esetén p -> 0 úgy, hogy leözben az n -p sorozat állandómarad, np - X > 0, akkor q = 1 — p jelöléssel
limn—►«*>
3*nPH = - - e
* k\
XBizonyítás. A tétel feltételei szerint p - — . írjuk ezt be a bal oldalon található bino-
nmiális eloszlás képletébe, majd végezzünk el néhány átalakítást.
u .
\ Vp kr k =
J Kk J n ) \ n ) k \ {n~k) \ n , ' - 7 j H . 1 *
n ( n - l ) . . . ( » - * + !) Xk í 1 X T 1! I n jnk k \ { n ) f ^ X ' *
Vizsgáljuk meg a négy tényező határértékét külön-külön, ha n -» 03 .
r t ( n - l ) ... (n -A + 1) n w- 1 n - k + 1 .hm — 1 ^ 1 = hm ----------- . . . --------------- 1 ,
n n-w n n n
mert a k tényező mindegyike 1-hez tart.
X* Xklim— = — , mert a kifejtésben nem szerepel az n, konstansként visel- k\ k\
kedik.
limf 1—— | - limf 1 + — \=-ez , mint a sorozatnál tanultuk analízisből.
175
limA K
1-----=1 = 1, mert a kitevő rögzített.n
Ezeket felhasználva
limn—mo \ k j
2 k 2 *„ ( ■ i i -k 1 71 t ^ - Jo q = 1----- e -I = — e .ki ki
7.5. Példa.Magyarországon a forgalomban lévő gépjármüvek 10%-a olasz gyártmányú. Mennyi a valószínűsége, hogy véletlenszerűen kiválasztva egy forgalomirányító lámpát és időpontot, a következő piros jelzésnél megálló első 10 jármű között2 olasz gyártmányú lesz?
MEGOLDÁS. Legyen f a kiválasztott 10 jármű között az olasz gyártmányúak szama. A < hipergeometriai eloszlású is, de mivel N értékét nem ismerjük, közelítő megoldást alkalmazunk. A zN „elég nagy”, ezért a 7.4. tétellel „elég jó” közelítést kapunk.
n í - 2 ) ;''lO''
v 2 ,0 ,lz -0,9a =0,I937.
Hogy a közelítésünk pontosságáról képet kapjunk, kiszámoljuk a
8- -n - . 1 .//
10v
értékét különböző N értékekre. Egy ilyen valószínűséget ugyan nincs értelme3-4 tizedesnél pontosabban meghatározni, de most az eltérések értékelhetősége okán kivételt teszünk. Ha
N = 4 millió, N = 3 millió, N - 2 mülíó,
P(4 = 2) = 0,19371043 , P(4 = 2) - 0,19371049, P(£ = 2) = 0,1937106.
Mindegyik érték 6 tízedesjegyig egyezik a binomiális közelítés 0,19371024 -es értékével. Most a már eleve közelítésként alkalmazott binomiális eloszlást a7.7. tétel felhasználásával Poisson-eloszlással közelítjük. A X - n p = 10- 0,1 = i paraméterértékkel
176
*>(£ = 2) = = V =0,1839 21 2
adódik, ami a probléma szempontjából még mindig jónak mondható.
7.5. Geometriai eloszlás
DEFINÍCIÓ, A £ valószínűségi változót geometriai eloszlásának nevezzük, ha lehetséges értékei I, 2, 3, ... és
P t =P{S = k) = qk-l -P ,
ahol 0 < p < 1, q = 1 - p és k = 0, 1, 2, 3........
Megmutatjuk, hogy ez a végtelen sok pozitív szám valóban eloszlást alkot, teháta ^ pk =1 összefüggés teljesül.
kta
Ismeretes, hogy a ^ a - q" geometriai sor konvergens, ha | c/1 < 1 és összegen=0
S = a —-— . Ezt alkalmazva1 - q
CO « 1 1
í-i 4=1 n=o i q p
Geometriai eloszlású valószínűségi változóval találkozhatunk például a következő esetben.
Tekintsünk egy véletlen kísérletet és egy azzal kapcsolatos A eseményt, melyre P(A) = p , Végezzük el a kísérletet újra meg újra, egymástól függetlenül mindaddig, amíg az A esemény be nem következik. Jelölje a ^ valószínűségi változó azt a számot, ahányadikra az A esemény bekövetkezett. Ekkor £ geometriai eloszlású, ugyanis lehetséges értékei 1, 2, 3, ... és a függetlenség miatt annak valószínű
sége, hogy az első k - \ kísérletben A nem következik be, qkA , hogy a hadikban A bekövetkezik, p. így aztán
P t f = k) = q“ - p .
Most térjünk rá a várható értékre és a szórásra.
177
7.8. TÉTEL. Ha a % valószínűségi változó geom etriai eloszlású, akkor várhatóértéke és szórása
P
Bizonyítás. A várható érték az
£»(£) =t i
(7.9)
végtelen sor összegeként adódik. Azt, hogy (7.9) egyáltalán konvergens, a hányadoskritérium segítségéve] látjuk be.
(n + \)q"p n + 1 . ,, ,= ------q -> q < 1 (ha «->«> ).
nq p n
Ez pedig azt jelenti, hogy alkalmas n0 -nál nagyobb index esetén az
értékei #-nak a 7.4. ábrán megrajzolt környezetébe esnek.
n +1
q 1 + 92
De ekkor n > n0 esetén
7.4. ábra
* + 9 i< íi =■~ i r < ] -
Kiszámoljuk a (7.9) sor összegét, vagyis a várható értéket.
S = p{1 + 2q + 3q2 +4q* +S -q — p(q + 2 q l + 3 q 1 + 4q* + . . . ) .
(7.10)(7.11)
A (7.11) egyenlőséget a (7.10)-nek q-vs\ való szorzásával kaptuk. Most kivonjuk(7.10)-böl (7.1 l)-et.
S — Sq — p(\ + q + q* + q + q + . . . ) .
A jobb oldali mértani sort összegezve:
S Q - g ) ^ p - ^ - = p - - = i .P
178
ahonnan a várható érték: S --------= — .1 - q p
A szórást hasonló eszközökkel számolhatjuk ki.Nem részletezzük.
A 7.5. ábrán p - 0,3 és p - 0,5 paraméterekkel elkészítettük a geometriai eloszlás pontdiagramját.
7.6. Példa.Megfigyelték, hogy egy gyártósorról lekerülő halogén izzók között a hibásak relatív gyakorisága 0,01. Jelölje a £ azt a számot, ahányadikra a minőségi ellenőr az első hibás terméket megtalálja. Tekintsük a valószínűséget és a relatív gyakoriságot egyenlőnek. Adjuk meg a £ eloszlását, várható értékét, szórását és annak valószínűségét, hogy az első 10 termék között nem találunk hibásat!
M egoldás. A változó geometriai eloszlású, ezért
P{£ = *) = 0,99**' ■ 0,01, t = l, 2, 3, 4, ....
A várható érték
w « > - - = 7 7 7 = 100-p 0,01
Tehát, ha sok napon keresztül figyeljük az ellenőr tevékenyégét és átlagoljuk a naponta először megtalált hibás termékekhez tartozó számot (hányadikra találta), akkor egy 100-hoz közeli érték adódik. A konkrét értékek ettől gyakran messze is lehetnek, mert
179
p 0,01
VégezetülLQ
P{£ > 10) = 1 - P{4 < 10) = 1 - £ 0 ,9 9 * -’ ■ 0,01 = 0,904 .
A megismert egydimenziós diszkrét valószínűségi eloszlások több irányban is általánosíthatók, illetve kapcsolhatók más eloszlásokhoz, melyek speciális területeken nagyon fontosak lehetnek. Vannak olyanok, melyeket szakemberek részére írt könyvekben általánosabban tárgyalnak. Mi a diszkrét eloszlásokkal ennél részletesebben nem foglalkozunk, áttérünk a folytonos eloszlásokra.
Folytonos eloszlások
Ha a 4 valószínűségi változó folytonos eloszlású, akkor bármely xD e R értéket nulla valószínűséggel vesz fel (4.4. tétel):
P ( Z = x 0) = 0 .
Ezért a diszkrét eloszlásoknál felhasznált valószínüségeloszlás szerepét itt a sűrűségfüggvény veszi át, de az eloszlásfüggvényt is sokkal hangsúlyosabban fogjuk alkalmazni, mint a diszkrét esetben tettük. Folytonos eloszlásból is végtelen sok van, melyekből csak néhány játszik igazán fontos szerepet. Ebben a fejezetben az egyenletes és az exponenciális eloszlásokkal ismerkedünk meg. A közgazdasági gyakorlatban és egyéb területeken is kiemelkedően fontos normális eloszlást és az abból származtatott eloszlásokat egy külön fejezetben tárgyaljuk.
7.6. Egyenletes eloszlás
DEFINÍCIÓ. Akkor mondjuk, hogy a g valószínűségi változó az ]g ; b\ intervallumban egyenletes eloszlású, ha sűrűségfüggvénye
—-— . ha a < x < b f : f ( x ) = \ b - a (7.12)
0 máshol.
180
A z így definiált / valóban valamely folytonos valószínűségi változónak a sűrűségfüggvénye, mert a < b miatt / ( * ) ^ 0 , l e R és
\ f { x ) d x = J —1— dr = ]* = | _ £ = l4, * b - a b - a " b - a
Az eloszlásfüggvényt könnyen előállíthatjuk.Jt X
Ha x <, a , akkor / (x) = j f = Jorfí = 0.- t f —in
Ha a < x < b , akkor
F(*)= ( / = f0 * + M — dt = —! _ [ / ] ' =J J > b - a b ~ a L J" b - a—oT>
Ha b < x , akkor F(x) = J / = Jo dt + J—-— dt + JoJí = 1 .-«■ -« n ^ ^ b
Ezeket összefoglaljuk egy képletbe:
F : F ( x ) =
0 , ha x < a
x - a , ,------ , ha a < x £ bb - a
1 , ha x <b .
(7.13)
Az egyenletes eloszlás sűrűségfüggvényének és eloszlásfüggvényének grafikonját a 7.6. ábrán láthatjuk.
7.6. ábra
A várható érték és a szórás a folytonos változóknál ugyanolyan fontos szerepet játszik, mint diszkrét esetben.
181
7.9. TÉTEL. Ha a 4 valószínűségi változó az ] a ; /; [ intervallumon egyenleteseloszlású, akkor várható értéke és szórása:
M (& =a + b
D ( 4 ) =b - a
2 ' 2 S '
Bizonyítás. A várható érték:
00 6 1 1M (£ ,)- \ x f ( x ) d x - \ x -------dx = —
J J h — n h —
1 b2
b - a
a + b
b - a
b - a 2
A második momentum:
^ ( £ 2) ~ I' x 2f ( x ) d x - íx 2—-— d x - J J h — rtb - a b - a
(b - a)(b2 + ab + a2) b2 + ab + a
bl - a % 3 ( b - a )
3 ( b - a ) 3
A szórásnégyzet:
D \ t ) = M ( ? ) - M 2(4 ) =b2 + ab + a 2 a + \2 ( b - a ) 2
12
így
£>(£) =b - a
2-V3 '
7.7. Példa.Egy villamos 10 percenként indul a végállomásról. Véletlenszerűen érkezünk ebbe a megállóba (pl. közvetlenül egy fogorvosi kezelés után). Jelölje £ a villamos indulásáig várakozással eltöltendő időnket. Adjuk meg a £ sűrűség- és eloszlásfüggvényét, valamint annak valószínűségét, hogy várakozási időnk a várható értéktől kevésbé tér el, mint a szórás fele!
M EGOLDÁS. Ha véletlenszerűen érkezünk, egyetlen időintervallum sincs kitüntetve, akkor £ egyenletes eloszlású, a - 0 és 6 = 10 paraméterekkel.
182
/ ( * ) =
1 ha O c x c lO100 máshol
F(X)-
0 , ha x < 0
— , ha 0 < x < 10 101 , ha 10 < x.
0 + 10 c ^ 1 0 - 0 5
2 ’ C ( í ) = i v r v r(
5 +
2^35
2 ^ r F [ 5 + 2s r F 2 V3 ,
2 V3 2 V3
1 0 10 2 V3= 0,289.
1.1. Exponenciális eloszlás
D e f in íc ió . £ valószínűségi változót expon en ciá lis e lo szlá sú n ak nevezzük, ha s űrűségfüggvénye
\X-e~ÁI, ha x > 0 / : / ( * ) = 7 ' 14
[ 0 , ha x < 0 ( x e R )
ahol X > 0 . A X pozitív valós számot az eloszlás paraméterének nevezzük.
Megmutatjuk, hogy (7.14) valóban egy eloszlást határoz meg, vagyis (7.14) valamely £ valószínűségi változónak a sűrűségfüggvénye. Az / (x) > 0 (x e R) nyilván teljesül, mert X ■ e~ix > 0 bármely X > 0 esetén. Megmutatjuk még, hogy a függvény görbéje alatti terület 1.
00 C m hj f ( x ) d x = jo dx+ jXe~Ax dx = Jim j X e ^ dx = lim[- e_/Lí Jo =
= lim| — ~ + e°
0
= 0 + 1 = 1 .
183
Ki fogjuk számolni az eloszlásfüggvényt. Ezt az
F(x) = \ f ( t ) d t _0ü
formulából, integrálással tudjuk megtenni.jf
Ha * < 0 , F{ic)= j0 r f /= 0 ,-go
0 x Ha 0< jc , F(x) = J0rfí+ +e° = .
Az eloszlásfüggvény tehát:
F : F ( x ) = <0 ha x < 0
l - e -At, ha 0 < x (jceR ).
Az exponenciális eloszlás sűrűség-, illetve eloszlásfüggvényének grafikonjátX —1 és X - 2 paraméterekkel a 7.7., illetve a 7.8. ábrán rajzoltuk meg. A sűrűségfüggvény grafikonja szembeötlő hasonlóságot mutat a geometriai eloszlás pontjainak grafikonon való elhelyezkedésével, ha azokat összekötjük szakaszokkal (7.5. ábra).
7.7. ábra 7.8. ábra
7.10. TÉTEL. Ha a 4 valószínűségi változó exponenciális eloszlású, akkor várható értéke és szórása:
M{ 4 ) = D(4) = \ .A
184
Bizonyítás. A várható érték kiszámításához szükséges primitív függvényt a parciális integrálás módszerével meghatározhatjuk, így
n U n
M (4 ) = \ x f ( x ) dx =\ üdx +\ x X£- **dx =
= HmA—KO
~lh, , -jLc 1 -Ál— x e ---- e
A határérték kiszámításához felhasználtuk azt az analízisből ismert tényt, hogy
lim— = 0.a, g1
A szórás meghatározásához szükségünk lesz a második momentumra. Ezt kétszeri parciális integrálás segítségéve] nyeljük.
tv y m
M ( 4 1) = J V /(*)<& = J0í& + f x 2Xe~*dx =
= lim - x 2e~kx + 2 x e '?J> -X2
_2_X2
így aztán
D \ 4 ) = M { ? ) - M \ 4 ) = ~ - \ ~ \
illetve
d (^ - t
A gyakorlatban elég sok olyan jelenség van, amit exponenciális eloszlással tudunk leírni. Jelölje a 4 valószínűségi változó valamely A esemény bekövetkezéséig eltelt idő hosszát. Ha az esemény bekövetkezésének a valószínűsége csak az időintervallum hosszától függ, de független attól, hogy az időt mikor kezdjük el mérni, akkor a 4 exponenciális eloszlású. Ezt a tulajdonságot „örökifjú” tulajdonságnak nevezzük. Ezzel a tulajdonsággal rendelkeznek például a radioaktív atomok. Az, hogy egy radioaktív atom elbomlik-e vagy sem, egy egyórás időintervallumban, független attól, hogy az időt mikor kezdjük el mérni, ha addig még nem bomlott el. Jó közelítéssel „örökifjúnak” tekinthető egy nagy élelmiszer-áruház pénztári sora is. Ha ugyanis a sor „nem termelődik újra”, az üzletet előbb-utóbb bezárják. Az az idő, amit a pénztárnál sorunkra várva töltünk, szintén exponenciális eloszlású.
185
Ha egy intervallumba eső pontok száma Poisson-eloszlású, akkor a szomszédos pontok távolsága exponenciális eloszlású és viszont, ha a szomszédos pontok távolságáról ismert, hogy exponenciális eloszlású, akkor egy intervallumba eső pontok száma Poisson-eloszlású.
Jelöljük a 4 eloszlásfüggvényéi F-feí. Akkor a G(jt) = l - F(x) ( x í Q ) annak a valószínűsége, hogy A az x idő alatt nem következik be. Ekkor nyilván G monoton csökkenő és C (0 )= I. A feltételezett „örökifjú" tulajdonságból a feltételes valószínűség definíciója szerint
P { 4 > y ) = P ( S * x + y \ e > x ) =
P ( ( 4 Z x + y ) ( 4 * x ) ) _ P t f Z x + y )
~ P{4 s jc) P(4 * *)
adódik, mén + c (^ > x).Tehát
™ , CÍJc + J')G(j0 = ~ r T ~ T 'C{ x)
Megmutatható, hogy ennek a függvény egyenletnek a folytonos függvények közül csak a
G(x) = e~í ' ( x Z Q , / l > 0 )
függvény tesz eleget. így
F (x ) = \ - e ~ Xl / L>0)
következik, lehál az „örökifjú” tulajdonsággal rendelkező változó exponenciális elosztású.
7.8. Példa.Egy önkormányzati hivatal egyik osztályára szerdai napokon 11’° és 1200 óra között átlag 4 ügyfél érkezik. Mennyi a valószínűsége, hogy a szerda 1 l40-korérkező ügyfél utána) legalább 10 percet;b) pontosan 10 percet kell várni a következő ügyfél érkezéséig?c) a tizedik percben érkezik a következő ügyfél?
MEGOLDÁS, Jelöljük f -vei azt az időt, amennyit a 1 l40-kor érkező ügyfél után várni kell, a következő ügyfél érkezéséig. A 4 exponenciális eloszlású. Két ügy
fél érkezése között átlag — perc telik el, ezért — - M (4) = — •4 a 4
á) p ( í > i o ) = i - í > ( í < i o ) = i - F a o ) - i - ( i - e - í lo)=
-— 10 in- 0 30 = - I= e 30 - e =0,264.b) P ( 4 = 10) = 0, mert 4 folytonos eloszlású (4.4. tétel).
186
c) A tizedik perc a kilencedik végén kezdődik, így
P(9 < 4 < 10) = F (10) - F (9 ) = l - e)6 _40
= e '30 - e 30 =0,038,
-i-io10 - ( 1 —* 30 ) =
7.9. Példa.Az egyik budapesti útszakaszon egy tavaszi napon 100 méterenként átlag 2 ká tyút regisztráltak. A szomszédos kátyúk távolsága exponenciális eloszlást követ Mennyi a valószínűsége, hogy
a) induJási pontunkat követően 150 méteren belül találhatunk kátyút?b) ha az első 50 méteren belül nincs kátyú, 50 és 200 méter között lesz?c) az első 200 méteren legalább 3 kátyú lesz?
M eg o ld á s . Jelölje 4 az első kátyúnak az indulási pontunktól mért távolságát
A 4 változó exponenciális eloszlású, — = M(4) = 50 .A
-— 150 ,a) < 150) = /^(150) = 1 —e 50 = \ - e =0,95.í>) Az „örökifjú" tulajdonság miatt ugyanannyi, mint az előző. Ha ez esetleg el
kerülné a figyelmünket, egyszerű számolással adódik:
P(5Q < £ < 2 0 0 és 4 >50)P(4 > 50) "
P(50 £ 4 < 200) f (200) - F(50)
7^(50 <4 < 200 [ 4 > 50) = -
p ( 4 >50)-— 200
1 - e í0
l - f ( 5 0 )-— 50
l - e 50\
-1 -4e - e= I - e-3 = 0,95.
1 -v.
ít)Nl1 - e soJ
-1
c) Legyen 7; a [0; 200] intervallumon található kátyúk száma. Mivel 4 expo nencíális, ezért rj Poisson-eloszlású. Ha 100 méteren átlag 2, akkor 200 méteren átlag 4 = M(r}) = \ kátyú van.
P(rf > 3) = 1 - F(i} < 3) = 1 -
= l -1 3 -e H =0,7652.
— e — e —■ e 0! 1! 2!
181
8. NORMÁLIS ELOSZLÁS, NORMÁLISBÓL SZÁRMAZTATOTT ELOSZLÁSOK
Ebben a fejezetben egy, a valószínűségszámításban és a statisztikában fontos, mondhatjuk központi szerepet játszó eloszlással ismerkedünk meg.
8.1. Normális eloszlás
Tekintsük ai
függvényt (8.1. ábra). Az exponenciális függvény mindig pozitív, így <p is. Meg lehet mutatni, hogy
«> 1 ®\(p(x)dx = .— \e 1 d x - 1, (8-1)
_* V2ff
így a <p sűrűségfüggvény.
y>0A
/ 0,3-
/ 0,2-
o,i-
- 2 -1i i *
) l 2 x
188
Ennek az integrálnak a kiszámítása általunk nem ismert apparátust igényel, ugyanis az integrandusnak nincs az elemi függvények és véges számú alapműveletek segítségével felírható primitív függvénye. Ezért (8.1) igazolását nem részletezzük.
DEFINÍCIÓ. Ha az rj valószínűségi változó sűrűségfüggvénye <p, aldcor azt mondjuk, hogy t] S tandard norm ális eloszlású.
8 .1 . TÉTEL, Ha rj standard normális eloszlású, akkor létezik a várható értéke és a szórása, érlékük:
M(rj) = 0 , D(i}) = \ .
Bizonyítás.
- e
J otz i,hlim e 7 - e 2 = 0 .
A várható érték 0 volta abból is következik, hogy az origóra szimmetrikus eloszlásról van szó (8 .1 . ábra).
Most néz2iik a szórást!
I ^ rl . J
A/(j/2) = - = = í v2e” dx = — = = \ x ( - x ) e ~ dx = v2vr j l t t .i
/(*) = *. /'(*) = 1 jl _J‘
U 'to = (-*>«". =
-If i i t
lim[ Jl[b
" j 1*b r -- 1 f A 1 _í' ^ 1 ? -1'- J e 1 dx ,— lim
\l2ir * b-- be 1 + ae 1
\+ f e 1 dx.
V 2jt _£
hz. első tag ű, a második (8.1) alapján 1. így
D\r}) = M(7}2) -M\ t ) ) ^ 1-0’ = ].
Az rj standard normális eloszlású valószínűségi változó eloszlásfüggvénye:
0 (x) =•J lx
Értékeit, mint említettük, nem tudjuk a Newton-Leibniz-formulával kiszámítani, csak numerikus módszerekkel. Ezeket táblázatba foglalják, megfelelő pontossággal. Mivel (p páros függvény, x > 0 esetén felhasználva (8.1)-et (8.2. ábra):
189
■JlK i , V2?T ;
— i = fe 2 d x = l - 0 (x). y}27T
Ebből az alábbiakra következtethetünk (8.3. ábra)\
L <£<0) =0,5.2. <í> a (0 ; 0,5) pontra szimmetrikus.3. Elegendő a 0 táblázatát pozitív x-ekre elkészíteni.
190
8.1. Példa.Egy automata 150 mm-es csavarokat gyárt. Jelöljük 77-val egy véletlenszerűen kiválasztott csavar méretének a 150 mm-től való eltérését. Ha 77 standard normális eloszlású és maximum 2 mm-es eltérés fogadható el, hány % a selejt (0 (2 ) -0 ,9 7 7 2 )?
MEGOLDÁS. Annak valószínűsége, hogy selejteset választunk:
P( \ t j \ >2 ) = \ - P { - 2 <?]<2 ) = \ - [ ® ( 2 ) - ® { - 2 )\ =
-1 - [0(2) - (I - 0(2))} = 2 - 20(2) = 0,046.
így a selejtarány: 4,6%-os.
Ha a 8 .1. példabeli esetben a kiválasztott csavarnak nem a hibáját, hanem a méretét választjuk valószínűségi változónak és 4 -vei jelöljük, akkor
£ = 7 7 + 150.
Ha azt is feltesszük, hogy bizonyos idő után az automata elhasználódása miatt a méretek eloszlásának típusa maradt, de a szórás 2 mm-re növekedett, akkor
£ = 2?7 + 150. (8 .2 )
Ekkor a 4,7. tétel alapján a 4 sűrűségfüggvénye és eloszlásfüggvénye:
. 1 í.r-150^1 . J x - 150A x ) = - t f — ~ — , F(x) = 0 —
2 \ 2 J V 2 .(8.3)
Azt is mondhatjuk, ha a valószínűségi változót (8.2) alatti módon transzformáljuk, akkor a sűrűségfüggvény és az eloszlásfüggvény a (8.3) alatti módon transzformálódik. (2-szeres nyújtás az x tengely mentén és 150-nel való eltolás.) A 4 eloszlását is normálisnak hívjuk, csak a standard jelzőt hagyjuk el.
DEFINÍCIÓ. Ha tj standard normális eloszlású valószínűségi változó, akkor a belőle a
4 = oi] + m (a > 0) (8.4)
lineáris transzformációval kapott 4 valószínűségi változót normális eloszlásúnak nevezzük.
A 4 sűrűségfüggvénye a 4,7, tétel szerint
1 ( x - n A 1f : f ( x ) = -< p \------- k - J z = e 2ff' (8.4. ábra), (8.5)
<y \ <j ) <j\1 2 k
191
eloszlásfüggvénye
F : F M = J ^ i
Ezt az eloszlást röviden N(m ; a) -val szokták jelölni.
8,4. ábra
Megjegyzés:Ügy is eljárhattunk volna, hogy a normális eloszlást a (8.5) sűrűségfüggvénnyel definiáljuk, és az m = 0, cr -1 speciális esetet nevezzük el standard normális eloszlásúnak. Könnyű látnij hogy a2 N(m , a ) eloszlásból a standard normális, azaz az yV(0 ; 1) eloszlás a (8.4) transzformáció inverzével, az
a
transzformációval adódik. Ezt az eljárást standardizálásnak hívják.
8.2. TÉTEL. Ha a 4 sűrűségfüggvénye a (8.5) alatti függvény (azaz N(m ; cr) eloszlású), akkor
M(4) = m és D(£) = v .
Bizonyítás. A 8.1. tételt felhasználva a 4.8. tétel alapján
M ( 4 ) = M { ot) + m) = oM (77) + m =m .
Most a 4.12. tételt hívjuk segítségül:
D(4) = D( u ■ i] + m) = J a | D(rj) = a .
(8.6)
192
8.2. Példa.A tejeszacskóba névlegesen 1 liter tejet tölt az automata. A zacskóban levő tej mennyisége normális eloszlású.
a) Mekkora a valószínűsége, hogy az általunk vásárolt zacskónál 0,5 dl-nél kisebb az l litertől való eltérés, ha a szórás 0,2 dl?
ti) A felmérések szerint a zacskók 95%-ánál l dl-nél kisebb eltérést észlelnek. Mekkora a szórás?
M EGOLDÁS, a (8.6) összefüggést felhasználva (m = 10 , a - 0,2 ):
a) ^(9 15 < í< 1 0 15) = F(lO(5 )-F (9 ,5 ) = t í > ^ ^ ^ j - t f > ^ ^ ^ N
- 0 (2 , 5) - 0 ( - 2 ,5) = 2 0 (2 ,5) -1 ®^ 2- 0,9938-1 = 0,9876.
Tehát a keresett valószínűség: 0,9876 .
b) 0,95 = P(9 < 4 <U ) = F ( l l ) - F ( 9 ) = 0''11-10'S * ( 9 - 1 0
- -<P
= 2 < P | i - h l .
Ebből
A 0 táblázatában azl találjuk, hogy <5(1,96) = 0 ,975 , így
— = 1,96, azaz cr = 0151dl. a
8.2. A centrális határeloszlás-tétel
Gyakran előfordul, hogy egy mérést többször megismételnek lehetőleg egymástól függetlenül, és a mért értékek számtani átlagát fogadják el helyes értéknek. Ha az egyes mérések eredményei a f 2, valószínűségi változók, akkor a fenti feltételek mellett ezek azonos eloszlásúak és függetlenek. Akkor mondhatjuk, hogy a
£ + £ + . ■ ■ + £ n
193
számtani átlag várhatóan pontosabb, mint egy mérés eredménye, ha ennek kisebb a szórása. Erre vonatkozik a következő tétel.
8.3. T étel . Ha £ , £ , ..., £ , független valószínűségi változók és == ( /= 1, 2....... n), akkor
6 + & + ■■• + & (8.7)/I
várható értéke m és szórása ~ .ain
Bizonyítás, A várható értékre vonatkozó állítás nyilvánvaló, nézzük a szórást. Láttuk, hogy D 1 (a 4) = a D 1 (£) f ezért a függetlenség miatt
D :Í 5 + & + + £l1_ a íÍ Í l! H. JD *fA .'|+ í-i + Jp > í ^« J L Bn
^ ^r2<T CTn 2 «
Innen gyökvonással adódik állításunk.
Most azt vizsgáljuk, hogy a (8.7) alatti valószínűségi változó eloszlása mutat-e valamilyen törvényszerűséget, ha w-net növeljük.
Ha a 8.3. tétel feltételei teljesülnek, akkor
iW ( £ + £ + . . . + £ ) = "m > és
£>«, + í , + ... + í , ) - = «rf n .
Legyen
g1+ g J + - + g .-w w tt„ - f
ctV«
Mivel a (j‘ = 1, 2, n) valószínűségi változók eloszlását nem ismerjük, az ?/„ eloszlásáról is csak annyi információnk van, hogy M (i?„) = 0 , Ű(//„) = 1, Ezért van nagy jelentősége a következő tételnek.
8,4.T é te l . (Centrális határé!oszlás-tétel.) Ha .... f„, ... azontweloszlású független valószínűségi változók, M (£,) = m ; £>(£■) = cr (í = 1, 2, ...) , akkor az
194
„ £, + ... + £ -n m* ? » ------------ 1=------ ~ (8-»)
a-yjnvalószínűségi változók eloszlásfüggvényei olyan sorozatot alkotnak, amely minden x e R pontban a standard normális eloszlás eloszlás- fuggvényéhez tart:
lim />(?/„ < x) = 0 (x).
(Nem bizonyítjuk.)
8.3. Példa.Egy vidámparkban a következő játékot ajánlják: 100 Ft-ért lehet dobni egy já tékkockával, ha hatost dobunk, 440 Ft a nyeremény. Mekkora a valószínűsége, hogy 100 dobás után legalább 3000 Ft a nyereményünk?
MEGOLDÁS. Legyen £m az egyes dobásoknál a nyeremény. Ekkorezek a valószínűségi változók függetlenek és azonos eloszlásúak.
AÍ(£,) = ( - 1 0 0 ) - + 4 4 0 - = -1 0 = m,6 6
M ( Í 2) = 10 0 0 0 - +193 6 0 0 - = 40 600,6 6
Z>2( £ ) = 40 500, £ > (£ )-2 0 1 ,4 9 = ct (/ = 1, 2, ..., 100).
Annak a valószínűségét keressük, hogy
6 + 6 + . . . + 6 * * 3 0 0 0 .
Ekkor (8.8) miatt
i w - w - i - i a j wVTÖÖ - 201,49 2014,9
Ennek valószínűsége:
P(rjm > 1,9852) = 1 - P(r]m < 1,9852) «1 - tf>(l,9852)*, 0,024.
Úgy is gondolkodhattunk volna, hogy legalább 24 db 6-os dobás szükséges a legalább 3000 Ft-os nyereményhez. Annak valószínűsége, hogy A-szor dobunk6-ost;
100
k m i
195
így a keresett valószínűség
w í [ k J U J U y
Megjegyzés:Láttuk az előző fejezetben, hogy ha £ binomiális eloszlású valószínűségi változó, akkor független karakterisztikus valószínűségi változók összege. így az «-et növelve a binomiális eloszlás is a fenti módon a normális eloszláshoz tart.
Az eddigiekből is kitűnik, hogy a normális eloszlásnak a valószínűségszámításban és a statisztikában kitüntetett szerepe van.
8.3. Normálisból származtatott eloszlások
A matematikai statisztikában gyakran van szükségünk olyan eloszlásokra, amelyek standard normális eloszlású valószínűségi változókból alkotott algebrai kifejezések. A gyakorlatban ezeknek csupán az eloszlásfüggvényeit használjuk egy meglehetősen szűk tartományban. Mivel az eloszlásfüggvények integrál nélküli felírása ugyanúgy nehézségekbe ütközik, mint a normális eloszlásnál és a sűrűségfüggvények sem egyszerűek, ezek felírását mellőzzük. Az eloszlásfüggvények szükséges értékeit táblázatok tartalmazzák.
A KH ÍN ÉGYZ ET-E LOSZLÁS
DEFINÍCIÓ. Ha 4,, 42> ■■■> f ö s s e t e n > S ta n d a r d n o r m á l i s e lo s z l á s ú v a ló s z ín ű
ségi v á l to z ó k , akkor a
v a ló s z ín ű s é g i v á l to z ó t n szabadságfokú %z-eloszlásúnak n e v e z z ü k .
A sűrűségfüggvényeket az n = 2, 4, 20 értékeknél a 8.5. á b r á n szemléltetjük. Mivel a x l azonos eloszlású független valószínűségi változók összege, a centrális határeloszlás-tctel miatt nagy n-ekre közelít a normális eloszláshoz. Ez a 8,5. á b r á n
is nyomon követhető.
196
0 5 10 15 20 25 30 35 40
8,5. ábra
A 8.1. pontban láttuk, ha standard normális eloszlású, akkor
= \ (i = l, 2, .... n ).
így
Parciális integrálással megmutatható, hogy
£>*(£) = 2 (í = l, 2, ..., n ),
így
D l i x l ) = 2n.
Mint már említettük, az eloszlásfüggvény értékeit a legtöbbször előforduló tartományban táblázat tartalmazza.
Természetesen egy nemnegatív valószínűségi változó négyzetgyöke is valószínűségi változó. A
*.=Vfí+í.‘ + ■■■+#,'valószínűségi változót n szabadságfokú ^-eloszlásúnak nevezzük.
8.4. Példa.Egy szabályos játékkockát n-szer feldobunk. Legyen az l-es, 2-es, . . . , 6-os dobás gyakorisága rendre a v , , v 2, v 6 valószínűségi változó. Mutassuk meg, hogy a
197
/V S - " - 6
* » . I . I6 6
* * t t 2 f i valószínűségi változó elég nagy «-re tekinthető x -eloszlásúnak.
MEGOLDÁS. A v) , v l t . . . , v6 valószínűségi változók binomiális eloszlásúak:
M(v , ) = n ± 0 > i) = ff- I ' 7 <i = 1' 2 ’ ’ 6>' ö o 6
igya
1vi ~ n ■ —
5 = ,---------- C<=1. 2, .... 6)I 2 . 5
V *6 6
valószínűségi változók várható értéke 0 és szórása 1.Említettük, hogy nagy n esetén a binomiális eloszlás közelíthető normálissal,
azaz a ^ valószínűségi változók közelítőleg (aszimptotikusan) standard normális eloszlásúak. Ezért a definíció szerint
# + £ + ... + £2 ,
aszimptotikusan^ -eloszlású, amit bizonyítani akartunk.Megjegyezzük, hogy + v 1 + . . . + v6 = n lehet csak, így a 4 \ + ^ l +
+ í s = 0 egyenlőségnek is fenn kell állni. Ez nemcsak a függetlenségbe zavar be
egy kicsit, hanem azt is jelenti, hogy a ^ + 41 szabadságfoka eggyelkevesebb: 5.
A 8.4. példában bemutatott gondolaton alapul a ^-p róbával történő illeszkedésvizsgálat, amelyre a statisztika tárgy keretében térünk ki részletesen.
A Student-féle t-eloszlás
Gyakran előfordul (pl. a matematikai statisztikában), hogy egy standard normális és egy ^-eloszlású valószínűségi változó hányadosának eloszlását kell vizsgálni.
198
DEFINÍCIÓ. Ha ?]. 42........független, Standard normális eloszlású valószínűségi változók, akkor a
valószínűségi változót n szabadságfokú Síudent- vagy t-eloszlásúnak nevezzük.
A t2, /B és ílü sűrűségfüggvénye a 8 .6 . ábrán látható. Ezen az ábrán vázoltuk a í30 szórásával azonos szórású normális eloszlás sűrűségfüggvényét is. Ebből is jól látszik, hogy nagy n-ek esetén a /„-eloszlás jól közelíthető normális eloszlással. Eloszlásfüggvényeinek értékeit a szükséges tartományban szintén táblázat tartalmazza.
A tH-eloszlás várható értéke csak n > 2 esetén létezik. Az n - 1-nél (Caucby-eloszlás) a sűrűségfüggvény
1 171 1 + \ + x 2
ahol az improprms íntegi ál nem konvergens. Ha n> 2 , akkor = 0 . A szóráscsak n> 3 esetén létezik, ekkor
n - 2
199
AZ F-ÉS A Z-ELOSZLÁS
DEFINÍCIÓ. Ha a & ......... £ . é i az 7,, V i........ *1. független, S ta n d a r d
normális eloszlású valószínűségi változók, akkor az
n m
valószínűségi változó eloszlását m, ti szubadsagfoku F-eloszlásnak nevezzük. A
z = \n -ÍFvalószínűségi változó eloszlását Fischer-féle z-eloszlásnak nevezzük.
8.4. Kétváltozós normális eloszlás*
DEFINÍCIÓ. A u és v valószínűségi változók együttes eloszlása standard normális, ha együttes sűrűségfüggvényük
1 ----— [.r-lfíT+i'2]‘ I ( l - r 3) L J<p:<p(x\y) =
ahol - l < r < l .2 W l - í
(8.9)
Azt, hogy ez valóban sűrűségfüggvény, nem 'bizonyítjuk. ^Az jogosít fel bennünket a standard normális jelzőre, hogy a peremeloszlások
standard normálisak. Például
1 j e dy =
-rriy-n)1
= tV T 7 _y = y j \ - r 2 t + rx
á ------d y =
—rft
1 4 1y~rx -> 1 í — 1 r — 1—i ,= —= £ 2 __ ,----- =• \e 1 - J l - r dt
200
Egyszerűsítés után figyelembe véve (8.1)-et adódik, hogy
1 -- 9 ,(x) = - r - e 2 .
2?r
Ugyanígy lehet kiszámítani, hogyee 90
j j x y < p ( x \ y ) d x d y - r .
Az imént beláttuk, hogy 11 és v standard normális eloszlású, így M {u)=M (i/)=0 és D({i) = D(v) = 1. Ebből az következik, hogy
R( p ; v) = r .
Ha a (8.9)-ben r = 0 , akkor
1 _í :_z '(p{x\y) = — e 2 z =(py{x)(pz(y) (8.10)
Ln
(<px = <p2, hiszen mindkettő standard normális eloszlás sűrűségfüggvénye). A (8.10) azt jelenti, hogy ebben az esetben a korrdálatlanságból következik a függetlenség (mint tudjuk, ez általában nem igaz).
DEFINÍCIÓ. Legyenek cr, > 0 , a 2 > 0 , m, és m2 valós számok, valamint {4 és vegyüttes eloszlása standard normális. Ekkor a
4 = o - ^ + m u r ] = a 1v + m 7 ( 8 . 11)
valószínűségi változók együttes eloszlását normális eloszlásnak (vagy kétváltozós normális eloszlásnak) nevezzük.
A 4 és r} együttes sűrűségfüggvénye; (8.9)-ből
: r [t-wii) (y -u h ) | { y - n h f
f ( x i y ) = --------- ^ ----- r e 2ÍW)2^crlí7IVl - r
A perem-sürííségfüggvények:
nr~7TO~2
201
A paraméterek: .
M (£) = m,, M (77) = m2 , £>(£) = <7,, D(ij)-=ct2> R( f ; r j ) = r,
ugyanis a korrelációs együttható a (S.l 1) transzformációnál nem változik (lásd az5.5, példa utáni megjegyzést).
Még bizonyítás nélkül azt jegyezzük meg, hogy a kétváltozós normális eloszlás elsőfajú regressziós függvényei lineárisak:
9. BECSLŐ FORMULÁK
9.1. Markov- és Csebisev-egyenlőtlenség
Az előzőekben láttuk, hogy a várható érték körüli ingadozás egyik fontos mérőszáma a szórás. A Csebisev-egyenlÖtlenség gyakorlati jelentősége abban van, hogy segítségével a várható értéktől való eltérések valószínűségét a2 eloszlás ismerete nélkül, csupán a várható érték és a szórás ismeretének a birtokában megbecsülhetjük. A Csebisev-egyentötlenség a Markov-egyenlőtlenség segítségével igazolható, ezért először a Markov-egyenlŐtlenséget tárgyaljuk, amelyet szintén használhatunk valószínűségek becslésére,
9.1. T é te l . (Markov-egyenlőtlenség.) Legyen i] olyan nemnegativ valószínűségi változó, amelynek létezik várható ér télié (M (77) > 0), és legyen t > 1 tetszőleges valós szám. Ekkor
y. (9.1)
Az a ~ t M( r j ) jelölést bevezetve a tétel más, ezzel ekvivalens alakban is felírható:
P ( r j > a ) < ^ ^ - . (9.2)a
Bizonyítás. Ha 77 diszkrét valószínűségi változó és lehetséges értékei 0< y: <y2 < akkor
M (?) = ^ y , p 0? = y<) = Y ,y A v = w + £ y f i v = y ,) ^tel y, <a y, irt
=x) * E apfo=yJ =yJ= a P - a)•y ,2 a y , in
Ebből azonnal adódik a (9.2).I la rj folytonos g sűrűségfüggvénnyel, akkor a feltétel szerint g(y) = 0, hay < 0,
így
203
flO u CO 00
M(r}) = Jyg(y )dy = j yg( y )dy + \y g (y )d y > j y g ( y ) dy >0 0 a a
ÚD
> a ^ g ( y ) d y = aP(T]>á) .
Innen már egyszerűen adódik állításunk.
9.1. Példa.Legyen 7] pozitív valószínűségi változó, amelynek a várható értéke M{if) - 8. Számítsuk ki, hogy legfeljebb milyen valószínűséggel veszi fel az r/ a 4S vagy annál nagyobb értéket!
MEGOLDÁS. A probléma megoldására alkalmazhatjuk a Markov-egyenlőtlensé- get, mível az rj valószínűségi változóról kikötöttük, hogy csak pozitív értékeket vehet fel.
A Markov-egyenlŐtlenségbe helyettesítve a példa adatait íM ( t}) = 48 , ahonnan / = 6 , a következő összefüggést kapj uk:
/> (/7 > 6 '8 )< -U o ,1 6 6 7 .6
Tehát az rj valószínűségi változó a 48 vagy annál nagyobb értékeket legfeljebb 0,167 valószínűséggel veheti fel.
A Markov-egyenlőtlenségből levezethető a Csebisev-egyenlőtlenség, amelyet a következő tételben fogalmazunk meg.
9.2. TÉTEL. (Csebisev-egyenlőtlenség.) Legyen £ olyan valószínűségi változó, amelynek létezik a szórása. Ha D(%) > 0, akkor tetszőleges í > 1 esetén
P ( \ Z - M { $ ) \ > t D { S ) ) < j . (9.3)
Bizonyítás. Ha £ valószínűségi változó, akkor az // = ( £ - M (£))s is az. Mivel
?7 > 0 és feltevésünk szerint létezik M(t]) = m ( [ £ ^ - D 2(4 ) , alkalmazhatjuk a Markov-egyenlőtlenséget:
/>(í7^íM (77)) = ? ( ( í - M ( 6 ) ) ^ / M ( [ í - M ( í ) f ) ) -
= P ( ( 4 - M ( £ ) y z t D 2( t ) ) ^ . (9.4)
204
Mivel a 1 > b1 akkor és csak akkor áll fenn, ha |a | i>| b \ , a (9.4) alatti egyenlőtlenség ekvivalens a
p [ \ t - M ( £ ) \> J tD ( o ) < X-
egyenlőtlenséggel.Ha itt a / > 1 paramétert í s-re cseréljük, adódik a2 állításunk.
A tétel szerint tehát annak valószínűsége, hogy a valószínűségi változó a várható értéktől a szórás /-szeresénél nagyobb mértékben tér el, a t növekedésével egyre csökken.
A tétel segítségével a várható értéktől való eltérésnek a valószínűségét akkor is meg tudjuk becsülni, mint már említettük, ha az eloszlás jellemzői közül csupán a szórás ismeretes. Ezt szemlélteti a 9.1. ábra.
legfeljebb -j?
annak a valószínűsége, hogy a £ megfigyeli értéke a jelölt intervallumok valamelyikébe esik
9.1. ábra
Ha pl. t = 2 , akkor a fenti valószínűség legfeljebb —, ha t = 3 , akkor már csak4
legfeljebb ~ .
Igen sokszor nem a (9.3) alakot, hanem a {jf - M(4) j > t D(£) j esemény komplementerével megfogalmazott
p ( \ Z - M t f ) \ < t D ( Z ) ) > l - ± - (9.5)
egyenlőtlenséget használjuk. Ez az [A /(£)-;£> (£ ) ; M{%) + tD{%)] intervallumba esés valószínűségére ad becslést (9 .2 . ábra).
205
legalább 1 - -jf
annak a valószínűsége, hogy a £, megfigyelt értéke ebbe az intervallumba esik
------------- í i ~ [--------------M(í)-tD{í) M{Q M(Q + íD(0
9.2. ábra
9.2. Példa.Tegyük fel, hogy tapasztalati adatokból ismetjük a £ valószínűségi változó várható értékét és szórását, és ezek M(g) = 3,2 , D(%) = 1,6 . Adjunk becslést a P(0,8 < £ < 5,6) valószínűségre!
MEGOLDÁS. Mivel a [0,8;5,6] intervallum felírható a [3 ,2 -2 ,4 ; 3,2 + 2,4] alakban, így
2,4 = 7 £>(£) = 1,6/, amiből t = ^ ~ = 1,5.1,6
Ennek megfelelően
P(Q,% < £ < 5,6) £ 1 - ~ = 1 - ~ 0,56.t 1,5
Legalább 0,56 tehát annak a valószínűsége, hogy a t, megfigyelt értéke a
[0,8 ; 5,6] intervallumba esik. Úgy is mondhatjuk, az várható, hogy pl. 100 független kísérlet közül átlagosan legalább 56 esetben lesz a £ megfigyelt értéke a
[0,8 ; 5,6] intervallumban, ha nagyon sok százas független kísérletsorozatot hajtunk végre.
A Csebisev-egyenlőtlenség általános érvényű. Minden olyan valószínűségeloszlásra érvényes, amelynek létezik a szórása. Éppen ezért adott nagyságú eltérés valószínűségének becslésére vonatkozóan nagy pontosság nem is várható el tőle. A ^ eloszlásának ismeretében - mint láttuk - az intervallumba esés valószínűsége pontosan számítható.
206
9.3. Példa.Tapasztalati adatokból ismert a £ valószínűségi változó várható értéke és szórása, amelyek M{4) = 12 és D{£,) = 2.
a) Nem ismert a £ valószínűségi változó eloszlása. Becsüljük meg a P (8 < ^< 1 5 ) valószínűséget! .
b) Mekkora a P(8 < ^ <15) valószínűség, ha t, binom iáis eloszlású?c) Mekkora a P (8 < | <15) valószínűség, ha £ folytonos egyenletes eloszlású?
M e g o l d á s .a) Becsüljük meg (9.5) segítségével a keresett valószínűséget az ismeretlen el
oszlású £ valószinűségi változó esetére! A (9.5)-ben a várható értékre szim m etrikus intervallum szerepel, és a valószínűségre alsó becslést végzünk, ezért a ]8 ; 15 [ intervallum helyett a kisebb ]9 ; 15 [ intervallumot vesszük, amely már szimmetrikus a várható értékre.
p ( 8 < £ < i 5 ) > / í( 9 < £ < 1 5 ) > p f l 2 - | 2 < £ < 1 2 + | 2 l >
> 1 ----- 1— >0,56.3
Tehát annak a valószínűsége, hogy az ismeretlen eloszlású £ valószínűségi
változó a ] 8 ; 15 [ intervallumba esik, 0,56-nál nagyobb.
Megjegyzés:Ha a ] 8 ; 15 [ intervallumon kívülre esés valószínűségét becsültük volna (9.3) segítségével felülről, akkor a ] 8 ; 16 [ várható értékre szimmetrikus intervallumra kellett volna áttérni.
b) Ha £, binomiális eloszlású valószínűségi változó, a várható értéke M(^) =
= n p ~ 12, a szórásnégyzete D 2 (%) = npq = 4. Az np értékét az npq = 4
1 2 egyenletbe helyettesítve <7 = —, és így /? = —, « = 18 .
Az n, p, q ismeretében alkalmazzuk a binomiális eloszlásnál megismertképletet a keresett valószínűség meghatározásához;
P ( 8 < £ < 1 5 ) = ]T14 M 8 Y 2 Y Í 1
k J>0,84.
207
Ez a valószínűség számottevően nagyobb az a) pontban meghatározottnál,
c) Ha £ folytonos egyenletes eloszlású valószínűségi változó, akkor a várha
tó értéke M ( £ ) = - 1 2 , ahonnan a + b = 24 , a = 2 4 -í> ; a szórása
ö ( í ) = ^ J 2 = 2. Az a = 24 - A helyettesítést alkalmazva ^ .3^ = 2 , 2V3 2V3
6 - 1 2 = 2>/3 .
Meghatározható az intervallum felső és alsó határa, azaz 6 = 12 + 2-73,
a = 1 2 - 2 ^ 1 .A £ valószínűségi változó sűrűségfüggvénye
/ ( * ) =-5-7=, ha 1 2 - 2 ^ < JC < 12 + 2^34-V3
0 egyébként.
A keresett valószínűség, mivel 12 - 2-n/J > 8,
P ( 8 < £ < 1 5 ) = P ( 1 2 ~ 2 V3 < £ < 1 5 ) = ^ ] = =
3 + 2V3 V 3 + 2 rtíV1 ------- = ---------------ás 0,93 .
4V3 4
9.2. A nagy számok törvénye
A nagy számok törvényei a relatív gyakoriság és a valószínűség viszonyát vizsgálják, A klasszikus valószínűség fogalmának bevezetése azon a megfigyelésen alapult, hogy nagyszámú véletlen kísérletet végezve egy esemény relatív gyakorisága véletlen ingadozást mutat egy szám, az adott esemény valószínűsége körül. Mi a valószínűség fogalmát a Kolmogorov-axiómák alapján vezettük be. A nagy számok törvénye arra világít rá, hogy a relatív gyakoriságnak e valószínűség körüli ingadozása milyen törvényszerűségeket mutat. A nagy számok törvényének Bemoulli-féle alakját fogalmazzuk meg.
208
9.3. Tétel. (BemouHi-tétel.) Tekintsünk egy> kísérletei, ahol valamely A esemény bekövetkezésének valószínűsége p. Végezzük el a kísérletet n-szer egymástól függetlenül és jelölje ebben a kísérletsorozatban c„ az A esemény gyakoriságát, £ pedig egy tetszőlegesen kicsi pozitív valós szám. Ekkor
L - pn
illetve
£~ P
> E
< S
pqs 1n
> 1-pqs 2n
(9.6)
(9.7)
Bizonyítás. Vegyük észre, hogy Bemoulli-féle kísérletsorozatról van szó, így a
binomiális eloszlású valószínűségi változó, np várható értékkel és ^jnpq szórás
sal. Alkalmazzuk ezután a p([£ - M {£)\>t D(£)) < Csebisev-egyenlötlenséget
a valószínűségi változóra. Eszerint tetszőleges / > 1 -re fennáll, hogy
Ha a |<£r - np\ > t-jnpq egyenlőtlenségben n-nel osztunk, az előzővel ekvivalens
egyenlőtlenséghez jutunk. íijuk be t helyett a — e kifejezést, elekor egyszerű-\P 9
sítés után a fenti egyenlőtlenség a következő alakot ölti:
>€ <pq_
s 2n
amit bizonyítani akartunk.
209
Megjegyzés:A Bemoulli-tétel a következő alakban is felírható tetszőleges e > 0 , 8 > 0 esetén:
í 1 1 ~ ^ - p > s < ő , illetve Pl — ~ p <e > l - S , n ) \ n
mivel tetszőleges £ > 0 és 5 > 0 esetén van olyan >i0 , hogy n > n 0 esetén
P<1 n s 2
< S .
A nagy számok törvénye csak azt állítja, hogy egy hosszú kísérletsorozat után a relatív gyakoriságnak a vizsgált A esemény P(A) valószínűségétől akármilyen kis korlátnál nagyobb eltérése nagyon valószínűtlen. Ugyanis a relatív gyakoriság a kísérletsorozatban az n-nel együtt változik, ezért elképzelhető, hogy bármely rögzített r;-nél a relatív gyakoriság eltérése a P(A) valószínőségtől nagyobb lesz a megadott korlátnál. Ennek bekövetkezése azonban tetszőleges kis valószínűségű lehet, ha az n megfelelően nagy.
9.4. Példa.Egy szabályos kockával dobunk egymás után ji-szer. Az A esemény jelölje a páros szám dobását. Az A esemény bekövetkezésének valószínűségét ismerjük, P(A) = 0,5. Hány független kísérletet kell végeznünk ahhoz, hogy az A esemény bekövetkezésének relatív gyakorisága és valószínűsége közötti eltérés legalább 98%-os valószínűséggel legyen kisebb a 0,01 értéknél?
MEGOLDÁS. Alkalmazzuk a nagy számok törvényének (9.7) alakját!Mivel jEJ = 0,5; q - 0,5; £- = 0,01 és az
1 - ” ->0,98 £ n
egyenlőtlenséget kell felírni, ebből n > 125 000.
Tehát legalább 125 000 kísérletet kell elvégeznünk. Ha például 100 alkalommal végeznénk el egy-egy 125 000 kísérletből álló kísérletsorozatot, akkor várhatóan 98-szor találnánk, hogy a relatív gyakoriság a ]0 ,5 -0 ,0 1 ; 0,5 + 0,0l[ ,
azaz a ] 0,49; 0,51 [ intervallumba esik, illetve kétszer azt, hogy azon kívül van.
210
9.5. Példa.Megfigyelésekből tudjuk, hogy annak a valószínűsége, hogy egy izzólámpa 1200 óránál tovább ég, p - 0,70. Ha 100 db izzólámpát veszünk, akkor 0,90 valószínűséggel milyen korlátok közé esik az 1200 óránál nagyobb élettartamú izzók száma?
Megoldás, a
P/
L\
— ~ P < £\ n J
£ 1 —pq£%n
egyenlőtlenséget alkalmazzuk, ahol « = 100, p - 0 , 1 és jelenti az 1200 óránál nagyobb élettartamú villanykörték számát. Behelyettesítve:
Í i m _ 0j7100
< £ 0,9.Í 3100
Ebből £ = tJq,021 ~ 0,141. Azt kaptuk, hogy 0,9 valószínűséggel érvényes a
>0,9,
>0,9, azaz P ( 56< £ <84)>0,9 .
fP £oo 0 7
\<0,14
\ 100 J
amit úgy is írhatunk, hogy
Pl - 0 ,1 4 < ^ - 0 ,7 < 0 ,1 41 100
Tehát a 100 elemű mintában várhatóan az 1200 óránál nagyobb élettartamú izzók száma 90%-os valószínűséggel 56 cs 84 darab közé esik.
A gyakorlati problémáknál azonban a p és q értékek általában nem ismertek, hiszen sokszor éppen abból a célból végzünk kísérleteket, hogy egy véletlen esemény ismeretlen valószínűségére a relatív gyakoriságok alapján becslést nyerjünk. Ekkor a (9.6) helyett annak ún. gyengébb változatát, a
/l - p IV
\ n J
1Ae2n
(9.8)
egyenlőtlenséget tudjuk csak alkalmazni. Ez a (9.6)-ból igen egyszerűen adódik. Azt kell csak észrevennünk, hogy — mivel a p és a q ismeretlen — olyan össze-
211
függést kell kialakítanunk, amely bármely rögzített s és n esetén a pq szorzat legnagyobb értéke mellett is érvényes. Mivel a
\ 2pq = p(\ - p ) = p - p * = - - \ p~
1
kifejezés akkor maximális, ha p = — > és a maximum —, így bármely p esetén2 4
pq <£ n 4s n
A megfelelő komplementer eseményre áttérve, a (9.7) helyett a
i \- - p <£n
> 1 - -
4 s 2n(9.9)
összefüggéshez jutunk. Nézzünk erre is példákat.
9.6. Példa.Önkormányzati választáson valamely településen egy huszonéves fiatal is szerepel ajelöltek között. A választás eredményének előrejelzésére szakszerűen végrehajtott közvélemény-kutatás során - véletlen számbavételt alkalmazva - a közvélemény-kutató szakemberek 10 0 0 0 lakost kérdeznek meg.
a) Legalább mekkora valószínűséggel állíthatják, hogy a 10 000 megkérdezés alapján számított relatív gyakoriság a fiatal jelölt megválasztásának valószínűségét 0,01 -nál kisebb hibával közelíti meg?
b) Legalább 85%-os biztonsággal a 10 000 megkérdezés alapján milyen hibahatár számítható?
MEGOLDÁS. f
a) P 0 000
10 000 - P < 0,01 £1- - = 1 -0 ,25 = 0,75.4 0 , 0 l 2 -10000
így tehát legalább 75% valószínűséggel állíthatjuk, hogy 10 000 független kísérlet végezve, a fiatal jelölt megválasztásának a relatív gyakorisága 0 ,Ólnál kisebb hibával közelíti meg az esemény ismeretlen valószínűségét.
b) Pf
‘210 000p < £
V 10 0 0 0 )> 1- = 0,85, s = 0,0129.
A keresett hibahatár 0,013, amely 3 ezreddel nagyobb, mint az előző kérdésnél kapott e.
212
9.7, Példa,Legalább hány kísérletet kell végeznünk ahhoz, hogy e-nál kisebb hibával és 0,999-nél nagyobb biztonsággal (valószínűséggel) megállapítsuk egy esemény bekövetkezésének ismeretlen p valószínűségét?
M e g o l d á s . Az s -nál nagyobb hiba valószínűsége kisebb kell hogy legyen1 -0 ,999 = 0,001-nél, azaz meghatározandó, hogy milyen n-ekre áll fenn a
>s <0,001
egyenlőtlenség. A nagy számok törvénye szerint ez teljesül, ha < 0,001.n s “
i .. d -1 t. pq pqInnen következik, hogy n > — .0,00 U 2 s
Ha például s = 0,001, altkor a p valószínűség adott pontossággal való meghatározásához szükséges kísérletek minimális száma 107/?(1- p ) . Legnagyobb
számú kísérletre P = ~ esetén van szükség;
n > 10 0 0 2 = 250 = 2 500000.4-0,01 0,001*
Legalább 2 500 000 kísérletet kell végeznünk, hogy £ -nál kisebb hibával és 0,999-nél nagyobb biztonsággal (valószínűséggel) megállapítsuk egy esemény bekövetkezésének ismeretlen p valószínűségét.
213
TÁRGYMUTATÓ
Bayes-tétel 72 Bemoulli-kísérletsorozat 81Bemoulli-tétel 209 binomiális együttható 27binomiális eloszlás 165 binomiális tétel 26 biztos esemény 37 Boole-algebra 45
centrális határeíoszlás-tétel 194 Csebisev-egyenlőtlenség 204
diszkrét valószínűségi változó 96
egyenletes eloszlás 180 egymást kizáró események 43 együttes eloszlás 126 együttes eloszlásfüggvény 128együttes sűrűségfüggvény 153 elemi esemény 33, 37 ellentétes esemény 40 eloszlásfüggvény 97 esemény 36események függetlensége 76 eseménytér 33 exponenciális eloszlás 183
F-eloszlás 200feltételes eloszlás 142 feltételes sűrűségfüggvény 16! feltételes valószínűség 68 Fischer-féle z-eloszlás 200 folytonos eloszlás 98, 153
független kísérletek 81független valószínűségi változók 138
geometriai eloszlás 177 geometriai valószínűség 83
hipergeometriai eloszlás 168
karakterisztikus eloszlás 164 kétváltozós normális eloszlás 200 klasszikus valószínűségi mező 58 kombináció 21, 25 korrelációs együttható 136 kovariancia 135 kvantílis 111
lehetetlen esemény 37
Markov-egyenlőtlenség 203 médián 109 mintavétel 61 módusz 110 momentum 117
normális eloszlás 191
összetett esemény 48
Pascal-féle háromszög 29 perem-eloszlásfüggvény 128peremeloszlás 126 perem-sűrűségfüggvény 153 permutáció 13, 15
214
Poisson-eloszlás 171 Poisson-folyamat 174
regressziós függvény 145 relatív gyakoriság 50
standardízálás 192 standard normális eloszlás 189 Student-eloszlás 199sűrűségfüggvény 103
szórás 120 szorzási szabály 69 szubjektív valószínűség 84
teljesen független események 78 teljes eseményrendszer 46teljes valószínűség tétele 70
valószínűség axiómái 54 valőszínüségeloszlás 96valószínűségi fa 74valószínűségi mező 55 valószínűségi változó 93 várható érték 114 variáció 17, 19
X -eloszlás 197X I -eloszlás 196