Valoszinusegszamitas

Bevezets a valsznsgszmtsba s
alkalmazsaiba: pldkkal, szimulcikkal

Arat Mikls, Prokaj Vilmos s Zemplni Andrs
2013.05.07
Tartalomjegyzk
1. Bevezets, vletlen ksrletek 4
1.1. Bevezets . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2. A vletlen fogalma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3. Vletlen jelensgek a mindennapokban . . . . . . . . . . . . . . . . . . . 6
2. Leszmllsok, modelljeik: vges alaphalmazok 7
2.1. Szorzsi elv . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.2. Kombinatorikai alapfogalmak . . . . . . . . . . . . . . . . . . . . . . . . 8
2.2.1. Permutcik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.2.2. Kombincik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.3. Klasszikus valsznsg . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.4. Szita formula . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.5. Gyakorl feladatok . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3. A ksrletek fggetlensge, feltteles eloszlsok 22
3.1. Teljes valsznsg ttele . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.2. A fggetlensg szemlletes bevezetse . . . . . . . . . . . . . . . . . . . . 27
3.3. Bayes ttel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.4. Valsznsgi vltozk . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.5. Vgtelen ksrletsorozatok . . . . . . . . . . . . . . . . . . . . . . . . . . 40
4. A ksrletek jellemzi: kzprtkek, ingadozs, vrhat rtk, szrs 52
4.1. Kzprtkek . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
4.2. Az ingadozs mrtke s lehetsges mrszmai . . . . . . . . . . . . . . 58
5. Folytonos modellek s tulajdonsgaik 63
5.1. Valsznsgi vltozk . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
5.2. Valsznsgi vltozk vrhat rtke . . . . . . . . . . . . . . . . . . . . 79
5.3. Szrsngyzet, momentumok . . . . . . . . . . . . . . . . . . . . . . . . . 84
1
5.4. Egyenltlensgek . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
6. Egyttes viselkeds 91
6.1. Valsznsgi vltozk fggetlensge . . . . . . . . . . . . . . . . . . . . . 91
6.2. Konvolci . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
6.3. Fggetlen valsznsgi vltozk sszegnek szrsngyzete . . . . . . . . 101
6.4. Kovariancia s korrelci . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
6.5. Feltteles vrhat rtk . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
7. A ksrletek szmnak nvelse: aszimptotikus tulajdonsgok 116
7.1. Gyenge trvnyek . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
7.2. Valsznsgi vltozk konvergencii . . . . . . . . . . . . . . . . . . . . . 117
7.3. Ers trvny . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
7.4. Centrlis hatreloszlsttel . . . . . . . . . . . . . . . . . . . . . . . . . . 122
8. Nem fggetlen ksrletek: Markov lncok elemei 130
8.1. Markov lncok, alapfogalmak . . . . . . . . . . . . . . . . . . . . . . . . 130
8.1.1. Gyakorl feladatok . . . . . . . . . . . . . . . . . . . . . . . . . . 131
8.2. Tbblpses tmenetvalsznsgek, invarins eloszls . . . . . . . . . . . 133
8.3. Elnyeldsi valsznsgek . . . . . . . . . . . . . . . . . . . . . . . . . . 141
9. Vletlen bolyongs: a klasszikus eset s a grfok 145
9.1. Bolyongs tlagos hossza, a lpsszm szrsngyzete . . . . . . . . . . . 145
9.2. Elgaz folyamatok . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 152
9.3. Martinglok . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159
9.3.1. Feltteles vrhat rtk: ltalnos eset . . . . . . . . . . . . . . . 159
9.3.2. Martinglok, sszefoglal . . . . . . . . . . . . . . . . . . . . . . . 163
10.zelt a folytonos idej esetbl: a Poisson folyamat 171
2
11.Fggelk 178
11.1. Vlogats az brk ellltshoz hasznlt R programokbl . . . . . . . . 178
11.1.1. Egyszer, nem animlt brk . . . . . . . . . . . . . . . . . . . . 178
11.1.2. Interaktv animcik . . . . . . . . . . . . . . . . . . . . . . . . . 195
11.1.3. Nem interaktv animcik . . . . . . . . . . . . . . . . . . . . . . 210
11.2. Tovbbi brk . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 218
3
1. fejezet
Bevezets, vletlen ksrletek
1.1. Bevezets
Ez a jegyzet cme alapjn akr egy egyszer bevezet is lehetne a valsznsgszmts
sokak szmra csodlatos, msok elssorban a tmval mg csak ismerked dikok
szmra ijeszt vilgba. Remnyeink szerint azonban mgis kicsit mst ad, mint a sok
hasonl tmj jegyzet. Ami miatt rszntuk magunkat a megrsra az egyrszt a sok
ves oktatsi tapasztalatunk, msrszt a mra mindenki szmra knnyen hozzfrhet
szmtgpes httr. Nem titkolt clunk a sok brval, szimulcival s klnskppen
a fggelkben mellkelt szmtgpes kdokkal az, hogy kedvet csinljunk az olvasnak
az nll programrshoz is. Az brk nemcsak az olvashatsgot javtjk, hanem a sok
esetben bonyolult kpletben vgzd eredmnyt szempillants alatt rthetv, a nem
matematikus olvas szmra is felfoghatv teszik. Egy-egy bra tipikusan nemcsak az
adott plda megoldst mutatja be, hanem egyszerre rengeteg hasonl feladatt is. gy
lthatv vlik az eredmnyek fggse a klnbz paramterektl - s gy remnyeink
szerint minden sokkal rthetbb lesz.
Arra is btortjuk a szmtstechnikban legalbb alapfok jrtassggal br olvast,
hogy maga is prblja ki a mellkelt kdokat, futtassa le tetszse szerinti paramterezsre
a megadott webcmeken tallhat programokat. Ezzel kt legyet is thet egy csapsra: a
valsznsgszmtshoz is kzelebb kerlhet, hiszen a mdostshoz nyilvnvalan szk-
sges a kpletek rtelmezse, msrszt begyakorolja a gyakorlatban kivlan hasznlhat
R programnyelvet.
Sok esetben az brk nem kpleteken, hanem szimulcikon alapulnak. Ez ugyancsak
nagyon lnyeges technika: ha nem tudunk egy feladatot explicit mdon kpletekkel meg-
oldani, algoritmust akkor is gyakran fel tudunk r rni. Ekkor mr csak egy kis trelemre
van szksg, amg a kell szm ismtls lefut s mris keznkben van a krdsre egy j
kzelts. Ez ismt nagyon sok, nehznek tn gyakorlati problmnl jrhat t.
Remljk, hogy az elektronikus jegyzet elnyeit ilymdon kihasznlva mindenkinek
4
hasznos jegyzetet sikerlt ksztennk, amelynl gyeltnk arra, hogy az els fejezetek
akr kzpiskolsok szmra is rthetek, kedvcsinlk legyenek a valsznsgszmts
mlyebb eredmnyeit mr az egyetemen megszokott mdon trgyal tovbbi fejezetekhez.
A bevezets utn elszr a vletlen fogalmt ismertetjk, majd sok pldn keresztl
megismerkednk a leszmllson alapul (kombinatorikus) valsznsgszmts fogal-
maival, mdszereivel.
A fggetlensg a valsznsgszmts s a rpl tudomnygak, gy pldul a ma-
tematikai statisztika kzponti fogalma, ezrt nll fejezetet szenteltnk neki s a hozz
kapcsold tmakrknek. Mivel a ksrletek jellemz rtkei a vlaszott termszetes,
a lehet legkevesebb formalizmussal terhelt megkzelts esetn mskppen szmolha-
tk a diszkrt (legfeljebb megszmllhatan vgtelen sok rtket felvev) s a folytonos
modellek esetn, ezrt a diszkrt esetre kln is bevezetjk ezeket a fogalmakat. Itt
a gyakorlati (statisztikai) alkalmazsokba is bepillantunk, amikor a mintra szmolunk
jellemz rtkeket.
A kvetkez nagy rszt a folytonos modelleknek szenteljk. Itt mr a clkznsget
is kicsit szktjk, az egyetemi hallgatk szmra mr lnyeges lehet a ttelek formlis
bizonytsa is, ezrt ezekbl is adunk zeltt. Termszetesen nem lehetett clunk egy
terjedelmes tanknyv rszletessgvel bemutatni minden bizonytst, sokkal inkbb az
alkalmazsokra, a pldkra helyeztk itt is a hangslyt.
A fggetlensg ltalnos dencijt s az sszefggsggel kapcsolatos fogalmakat
mutatja be a kvetkez fejezet. Ezutn mr csak egy lps a modern valsznsgszm-
ts kzponti krdsnek, az aszimptotikus tulajdonsgoknak a bemutatsa. ltalban
ez az a pont, ameddig egy egy flves BSc szint valsznsgszmts ra sorn el lehet
jutni. Mivel azonban az ELTE-n szmos magasabb szint kurzus is szerepel a tansz-
knk knlatban, ezrt clunk volt, hogy egy kicsi zeltt adjunk ezekbl is. Elszr
is a Markov lncok elemei kerlnek sorra, ami fontos tovbblps a bonyolultabb szto-
chasztikus folyamatok irnyba, s szmos rdekes feladat rvn remnyeink szerint az
olvas jrtassgra tehet szert az alkalmazsaikban. A tmt specilis Markov lncokkal,
a bolyongsokkal folytatjuk.
A martinglok pedig ezek ltalnostsai, szmtalan izgalmas modern terleten al-
kalmazhatak pldul a pnzgyi matematikban ez a fejezet mr mrtkelmleti
alapokra is pt. Az eddig trgyalt sztochasztikus folyamatok mind diszkrt idejek vol-
tak, a tma lezrsaknt rvid zeltt adunk egy olyan egyszer esetbl, ahol nemcsak
diszkrt idpontokban vannak meggyelseink, ez pedig a Poisson folyamat.
Minden fejezet vgn szmos gyakorl feladatot ismertetnk, amelyek megoldsa a
tanultak elmlytst nagyban elsegti. A fggelk nagyobb rsze az brkat, szimulci-
kat elllt programok kzl ad vlogatst. Ezeknl a programoknl nem trekedtnk
a programozsi szempontbl optimlis megoldsra, inkbb az egyszer, kzismertnek
tekinthet utastsokat hasznltuk, bzva abban, hogy gy tbben fogjk tudni ezeket
rtelmezni s akr sajt tleteikkel tovbb alaktani.
Vgl az interaktv szimulcikra hvjuk fel az olvask gyelmt. Ezek a szvegben
5
megadott honlapokrl rhetk el, s mindenkinek nagyon ajnljuk a tanulmnyozsukat!
Segtsgkkel az ppen ismertetett fogalmak gyakorlati tulajdonsgai, a bemutatott pl-
dk klnbz paramterezs melletti eredmnyei gyelhetk meg. Nhny esetben a
tovbbi paramterbelltsok melletti eredmnyeket a Fggelk 2. rszben is bemutat-
juk.
A feladatok nagy rszt folyamatosan hasznljuk az oktatsban, eredetk gy legtbb-
szr homlyba vsz. Nhny specilis feladatnl megjelltk a forrst is. Az irodalom-
jegyzk nhny angol nyelv szakknyvet, pldatrat tartalmaz, amelyek a jegyzetnk
kiegsztseknt haszonnal lehet forgatni. Magyar nyelv szakirodalmat szndkosan
nem vlogattunk ki, mert rengeteg klnbz szint s megkzeltsmd anyag tall-
hat akr elektronikusan akr hagyomnyos knyv formban s nem szerettnk volna
senkit sem megbntani azzal, hogy vletlenl pont az munkjt kihagyjuk a listbl.
A tananyagunk elksztsben segtsgnkre voltak tanszknk PhD dikjai, gy k-
lnsen Martinek Lszl s Varga Lszl jegyzetei, munkjukat ksznjk!
1.2. A vletlen fogalma
Matematikai dencival nem rdemes ksrletezni, hiszen a vletlen nem az absztrakt
matematikai fogalmak kz tartozik, hanem mindannyiunk ltal tapasztalt jelensg.
Mennyi id alatt rnk be a munkba? Fog-e esni a kirnduls alatt? Ezek mind
tekinthetek a vletlen megvalsulsnak, nemcsak a klasszikus kockadobssal, illetve
lotthzssal kapcsolatos krdsek.
Kicsit formlisabban, tekinthetjk vletlennek azokat a ksrleteket, jelensgeket,
amelyek kimenetelt a rendelkezsnkre ll ismeretek alapjn nem tudjuk elre meg-
hatrozni. Ebbe a krbe illeszkednek a klasszikus vletlen ksrletek: a lotthzs, a
kockadobs.
Ehhez a vletlenhez knnyen trsthatunk valsznsget is, de ez a szubjektv, "r-
zs" alapjn hozzrendelt szm mr nem biztos, hogy meg fog felelni azoknak a kri-
triumoknak, amiket a kvetkez pontban a valsznsg matematikai dencijaknt
fogunk bevezetni. Ennek ellenre hasznos ez a megkzelts, mert gy a legtbb olvas
szmra mr ismers fogalmakrl kell beszlnnk s ez minden bizonnyal megknnyti a
megrtst.
1.3. Vletlen jelensgek a mindennapokban
A fenti pldk mellett szmtalan esetben tallkozhatunk a vletlennel, mgha ez nem is
tudatosul bennnk. Mikor szlal meg a telefonunk? Hny emailt kapunk egy napon?
Meddig tart a fnykpezgpnk akkumultora? Mind mind olyan krdsek, amik a v-
letlennel kapcsolatosak, s a ksbbiekben vizsgland modellek segtsgvel akr vlaszt
6
is kaphatunk rjuk - no nem felttlenl elrejelzst, de legalbbis becslst a kapcsold
esemnyek valsznsgre.
7
2. fejezet
Leszmllsok, modelljeik: vges
alaphalmazok
Az els rszben az elzekben emltett pldkhoz (kockadobs) hasonl egyszer, vges
sok kimenetellel lerhat ksrleteket vizsgljuk. Ez a tmakr is nagyon sok rdekes
problmt vet fel s a kevesebb technikai nehzsg miatt clszer a valsznsgszmts
tanulmnyozst itt kezdeni.
2.1. Szorzsi elv
A legtbb feladatban a lehetsgek szmt lpsrl lpsre haladva tudjuk meghatroz-
ni. Ennek a lnyege, hogy sorra vesszk a ksrleteket s megnzzk, hogy az egyes
lpsekben hny lehetsgnk van. Ha az egyes lpsek utn mindig ugyanannyi a lehe-
tsgek szma, akkor a teljes ksrletnl ezt az egyes lpsek esetszmainak szorzataknt
kaphatjuk meg.
A legegyszerbb esetet egy pldn keresztl is bevezethetjk:
2.1 Feladat Tegyk fel, hogy egy csoportban 6 s 8 lny van s hogy a keresztneveik
mind klnbzek. A szalagavat nyittncra egy prt kell kivlasztani. Hnyflekp-
pen tudjuk ezt megtenni?
Megolds. Az sszes esetek szma 6 8, mert 6 bl s 8 lnybl vlaszthatunk.
Hasonlkppen tbb csoport esetre is:
2.2 Feladat Tegyk fel, hogy egy ngy osztlyos kzpiskolban a 4 vfolyam a kvetke-
z megoszlsban deleglt tagokat a diknkormnyzat vezetsbe: 2 elss, 3 msodikos,
5 harmadikos s 3 negyedikes van a vezetsgben. Tegyk fel, hogy egy bizottsgot kell
kzlk kivlasztani, amely minden vfolyamrl pontosan egy tagot tartalmaz. Hnyf-
lekppen tehet ez meg?
8
Megolds. Az sszes esetek szma 2 3 5 3, mert az egyes osztlyokbl a megadott
szm dikbl vlaszthatunk s brki brkivel egytt bekerlhet a bizottsgba.
2.3 Feladat Hnyfle rendszmtbla kpzelhet el a mai rendszerben, ahol az els h-
rom helyen betk, a msodik hrom helyen pedig szmok llnak? (A felhasznlhat
abc 26 bett tartalmaz s az egyszersg kedvrt tegyk fel, hogy 000 is megengedett
szmsorozat.)
Megolds. Az sszes esetek szma 26
3
10
3
azaz tbb, mint 17, 5 milli, mert az egyes
helyekre a megadott lehetsgek kzl brmelyiket vlaszthatjuk.
2.2. Kombinatorikai alapfogalmak
Ahhoz, hogy az egyes feladattpusokra minl hatkonyabban talljuk meg a megoldst,
rdemes a leszmllsi (kombinatorikai) fogalmakat ttekinteni. Ha ezeket rtjk, akkor
knnyen fogjuk tudni a mdszereket alkalmazni a konkrt feladatokra is.
2.2.1. Permutcik
Hnyfle sorrendben rhet clba hrom versenyz? Az eredmny termszetesen 6, ahogy
arrl brki akr egyszer felsorolssal meggyzdhet. De termszetesen alkalmazhat a
szorzsi szably is, hiszen a gyztes 3 fle, a msodik 2 fle s vgl a harmadik mr csak
1 fle lehet. Az eredmny teht valban 3 2 1 = 6. Ugyangy megkaphat az ltalnos
eredmny is, miszerint n dolog sorbarendezseinek a szma n (n 1) 1 = n!.
2.2.2. Kombincik
Gyakori az olyan krds, amire a vlaszt bizonyos csoportok elemszmnak sszeszmo-
lsval kaphatjuk meg. Erre a kvetkez egy tipikus krds: hnyflekppen tudok egy
prt kivlasztani 5 emberbl? A vlasz az elzek alapjn mr nagyon egyszer: a pr
els tagjt 5-flekppen, a msodikat pedig a megmaradk kzl 4 flekppen vlaszt-
hatjuk ki. Viszont ez a 20 lehetsg klnbznek szmtja az AB prt a BA-tl, ami
nem felel meg a feladat szvegnek. Mivel minden egyes prra ugyanez a ktszeres szorz
vonatkozik, ezrt a vgeredmny a 20/2 = 10. Ugyanez a gondolatmenet ltalnosan is
vgigvihet: n dologbl k elemet
n (n 1) (n k + 1)
k (k 1) 1
=
_
n
k
_
(2.1)
flekppen vlaszthatunk ki.
9
2.3. Klasszikus valsznsg
A fenti leszmllsok alapjn mr valsznsget is denilhatunk: ehhez csupn arra van
szksg, hogy minden egyes kimenetelhez ugyanakkora esly tartozzon. Ekkor tetszleges
A esemny valsznsge megadhat gy, mint P(A) = |A|/|| ahol az sszes lehetsges
kimenetel sszessge, egy A halmazra pedig |A| a halmaz elemszmt jelli.
Termszetesen a ksbbiekben ennl bonyolultabb esetekkel is fogunk tallkozni, de
az alapfogalmak megrtshez ez a vges sok lehetsget tartalmaz egyszer modell is
elegend.
2.4 Feladat Tegyk fel, hogy egy szablyos kockval dobunk hromszor. Szmoljuk ki
annak a valsznsgt, hogy hrom klnbz eredmnyt kaptunk!
Megolds. Az sszes esetek szma 6
3
, mert mindhrom esetben 6 lehetsgnk van, s
ezek brmelyike kombinlhat a tbbi dobs bermelyikvel. (Megjegyzend, hogy ezzel
megklnbztetjk pldul az 123 eredmnyt a 321-tl, mert gy lesznek egyenl val-
sznsgek az esetek.) A kedvez esetek leszmllshoz azt kell szrevennnk, hogy az
els dobsnl mg brmelyik eredmny elfordulhat, azaz 6 lehetsgnk van, a mso-
diknl viszont mr csak 5 - hiszen nem dobhattuk ugyanazt, mint amit elsre kaptunk - a
harmadiknl pedig mr csak 4, hiszen sem az sem a msodik dobs eredmnye sem jhet
ki jra. A keresett esetszm teht 6 5 4 = 120. Ebbl a valsznsg 120/216 = 5/9.
A megolds mdszert knnyen ltalnosthatjuk tetszleges oldal "kockra" s dobs-
szmra. Az eredmnyeket mutatja nhny esetre a 2.1 bra.
2.5 Feladat Tegyk fel, hogy 10 emberbl vlasztunk ki vletlenszeren kettt. Ha a
10 kzl 5 n, akkor mi a valsznsge, hogy 1 n s 1 fr kerl a kivlasztottak kz?
Megolds. Az sszes lehetsgek szma az elzek rtelmben
_
10
2
_
= 45 ezek kzl
frt s nt is tartalmaz 5 5 = 25 pr. A keresett valsznsg teht 25/45 = 5/9.
Msik megoldsi lehetsg, ha a rossz eseteket szmoljuk ssze. Egynem prbl 2
_
5
2
_
=
20 van (a valsznsgszmtsban ezt a komplementer esemnynek nevezzk). A j
esetek szma teht 45-25, vagy a valsznsgszmtsban gyakran hasznlt mdon a
komplementer esemny valsznsge 1 az eredeti esemny valsznsge.
2.6 Feladat Mi a valsznsge, hogy 25 emberbl van kett, akinek az v azonos nap-
jra esik a szletsnapja?
Megolds. Az sszes lehetsgek szma: 365
25
, ebbl a kedveztlenek szma (azaz,
amikor nincs egyezs) 365 364 (365 24). A keresett valsznsg ez alapjn
-feltve, hogy brmely napon ugyanakkora a szlets valsznsge s hogy a csoport
tagjai kztt nincs kapcsolat - 1 365 364 (365 24)/365
25
= 0, 569.
10
2.1. bra. Csupa klnbz dobs valsznsge (2.4 feladat, 11.1 kd)
Az eredmny els rnzsre igencsak meglep, hiszen akr mg 50 fs csoportban
is ritknak gondolhatnnk az egybeesst, pedig ahogy ezt a 2.2 brrl leolvashatjuk,
az eredmny ebben az esetben mr meglehetsen kzel van az egyhez. A ltszlagos
paradoxon magyarzata az, hogy valjban nem a csoport ltszmt kell a 365 naphoz
viszonytani, hanem a prok szmt.
A 2.2 brbl lthat, hogy a valdi szletsi gyakorisgok (melyek kiss nagyobbak
a nyri hnapokban, mint az v tbbi napjn, s a szknap is megjelenik) alapjn
szimullt relatv gyakorisgok szinte teljesen pontosan visszadjk az elmleti rtkeket
(a szimulci-szm minden n-re 10000 volt). Animlt szimulcis bra a www.cs.elte.
hu/~zempleni/anim/szulnap cmen tallhat
Ebbl egy screenshot a 2.3 bra. Ez a 2.2 brhoz hasonl, de szimulcival addik.
2.7 Feladat Egy zskban 10 pr cip van. 4 db-ot kivlasztva mi a valsznsge, hogy
van kzttk pr, ha
1. egyformk
2. klnbzek a prok?
Megolds.
1. P(van pr)=1-P(nincs pr)=1
(
10
0
)(
10
4
)
+
(
10
4
)(
10
0
)
(
20
4
)
=
28
323
, hiszen csak akkor nem ka-
punk prt, ha vagy 4 ballbas vagy 4 jobblbas cipt hzunk.
11
2.2. bra. Egyez szletsnap valsznsge a csoport ltszmnak (n) fggvnyben
(2.6 feladat, 11.2 kd)
2.3. bra. Egyez szletsnap relatv gyakorisga a csoport ltszmnak (n) fggvny-
ben (2.6 feladat), szimullt adatokra
12
2. 1
20181614
20191817
=
99
323
a szorzsi szably rtelmben: az els cip mg akrmi lehet, de
innen kezdve mindig ki kell hagyjuk a mr kihzott cip prjt a "rossz" eseteknl.
Ltszlag mshogy okoskodtunk a kt rsznl, mert az els esetben a sorrendre nem
voltunk tekintettel, mg a msodik esetben igen, de mivel mind az sszes esetszm, mind
a kedvez esetszm szmolsnl kvetkezetesen ugyangy szmoltunk, ezrt mindkt
eredmny helyes.
2.8 Feladat gy helyeznk el n urnba n golyt. hogy brmelyik a tbbitl fggetlenl
brmelyik urnba ugyanakkora esllyel kerlhet. Mi a valsznsge, hogy
1. nem lesz res urna
2. pontosan egy res urna lesz?
Megolds. Az sszes esetszm a feladat szvegnek rtelmben n
n
.
1. Akkor nem lesz res urna, ha minden urnba pontosan egy goly kerl. Ennek
valsznsge
n!
n
n
.
2. A kvnt helyzet nyilvn csak gy llhat el, hogy egy urna res, egy urnban 2
goly van s a tbbi urnban pedig 1-1 goly. A kedvez esetszmoknl gyelembe
kell vennnk, hogy n urna maradhat resen, n1 urnba kerlhet 2 goly s ezeket
_
n
2
_
flekppen vlaszthatjuk ki. A maradk n 2 goly az n 2 urnba az elz
rsz rtelmben (n 2)! flekppen kerlhet. A vgeredmny teht
n(n 1)
_
n
2
_
(n 2)!
n
n
=
n(n 1)n!
2n
n
.
A 2.4 bra mutatja az res urnk szmnak eloszlst a 2.8 pldban, 10
6
szimulci
alapjn. Jl ltszik, hogy a feladat viszonylag knnyen szmolhat esetei igen ritkn
fordulnak el.
2.9 Feladat Mennyi a valsznsge, hogy 2 (ltalnosan n) kockadobs maximuma 5?
Megolds. A maximumra vonatkoz krdseknl tipikusan azt knny megvlaszolni,
hogy mennyi annak a valsznsge, hogy a maximum kisebb egy adott szmnl. Br
a 2 kocka esetre mg enlkl is knnyen clt rhetnk, mi mr itt is ezt a knnyen
ltalnosthat mdszert alkalmazzuk. Legyen X s Y a kt kockadobs eredmnye.
P(max(X, Y ) < 6) = 25/36, hiszen mindkt dobs legfeljebb 5 lehet. Ugyangy P(max(X, Y ) <
5) = 16/36, s mivel {max(X, Y ) < 6)} {max(X, Y ) < 5)}, ezrt a kt esemny k-
lnbsge ppen a {max(X, Y ) = 5} esemny, aminek teht a valsznsge 9/36.
13
2.4. bra. Az res urnk szmnak eloszlsa az urnk szmnak (n) fggvnyben (2.8
feladat, 11.3 kd)
Az ltalnostshoz (az n kockadobs eredmnye most legyen X
1
, ..., X
n
): P(max(X
1
, ..., X
n
) <
6) = 5
n
/6
n
, s P(max(X
1
, ..., X
n
) < 5) = 4
n
/6
n
, a keresett valsznsg teht (5
n
4
n
)/6
n
.
A 2.9 plda feladatnak ltalnos megoldst mutatja a 2.5 bra. Ezen 2, 5, 8 s
12 kocka esetre lthat a maximum eloszlsa (azaz az egyes rtkek bekvetkezsnek
valsznsge). Jl lthat, hogy a 6-os maximum valsznsge folyamatosan n, mg a
tbbi eredmny egy id utn mr egyre kevsb valszn.
2.10 Feladat Hny kockadobsnl a legnagyobb annak a valsznsge, hogy pontosan
egy hatost dobunk?
Megolds. Ez is tipikus plda: megszmllhat sorozat maximumt keressk. A so-
rozatoknl a loklis szlsrtket egyszeren az egyms utni rtkek vizsglatval meg
tudjuk tallni. Ha a szomszdos tagok klnbsgt tekintjk:
p
n
= n
1
6

5
n1
6
n1
,
teht
p
n+1
p
n
=
(n + 1)5
n
6n5
n1
6
n+1
=
5
n
n5
n1
6
n+1
,
14
2.5. bra. A legnagyobb dobott szm eloszlsa klnbz kocka-szmokra (2.9 feladat)
2.6. bra. A pontosan 1 hatos dobsnak valsznsge a dobsok s a "kocka" oldal-
szmnak (k) fggvnyben (2.10 feladat)
15
ami pontosan akkor pozitv, ha n < 5. n = 5-re 0 a klnbsg, ezutn pedig negatv.
Teht n = 5 s n = 6 adja a maximumot, ennek rtke 5
5
/6
5
= 0, 4.
A 2.6 bra mutatja a pontosan 1 hatos dobs valsznsgt nhny klnbz k
oldalszm "kocka" esetre (ekkor az 1-tl k-ig brmely szm egyformn valszn, k
6). Jl ltszik, hogy a maximum mindig az oldalszm s az oldalszm-1 kocka esetn
maximlis. rdekes, hogy a maximum csak lassan cskken az oldalszm nvekedtvel.
2.4. Szita formula
Bevezets
2.11 Feladat Mi a valsznsge, hogy egy magyar krtyacsomagbl visszatevssel kt
lapot hzva lesz kzttk piros?
Megolds. Tbb lehetsg is addik a megoldsra. Az egyik mdszer szerint a komple-
menter esemnyt vizsglhatjuk: annak valsznsge, hogy nem hztunk pirosat
2424
3232
=
9/16, azaz a keresett valsznsg 1 9/16 = 7/16.
De ms megkzeltst is vlaszthatunk. Ha gy ltunk neki a megoldsnak, hogy
brmely hzsnl 1/4 a piros hzs valsznsge, akkor ebbl els kzeltsben 1/2
addna. De persze ez nem j, mert ktszer szmoltuk azokat az eseteket, ahol mindkt
hzsra pirosat kaptunk. Ha teht ezt az 1/16 valsznsget levonjuk, akkor ppen 7/16
addik.
Ms esetekben is gyakran szembeslnk hasonl problmval, amikor korriglnunk
kell az els kzeltsben add eredmnyt a metszetek tbbszri beszmtsa miatt. For-
mlisan az elz feladatban arrl volt sz, hogy a P(A
1
A
2
) = P(A
1
) +P(A
2
) P(A
1
A
2
) kpletet alkalmaztuk. Itt A
1
az az esemny, hogy az els hzs piros, A
2
pedig az,
hogy a msodik hzs piros. Ez a kplet mg knnyen tlthat s ellenrizhet. De mi
trtnik, ha nem 2, hanem 3 esemnynk van s a krds az elzekhez hasonlan az
unijuk valsznsge?
Erre ad vlaszt az gynevezett szita-formula, melyet ms terleteken is gyakran al-
kalmaznak leszmllsi feladatok megoldsra. A valsznsgszmtsban Poincar for-
mula nven is ismert llts a kvetkez:
P(A
1
A
n
) =
n
i=1
(1)
i+1
S
(n)
i
, (2.2)
ahol S
(n)
i
az sszes i-tnyezs metszet valsznsge, formlisan
S
(n)
i
=
1k
1
<k
2
<<k
i
n
P(A
k
1
A
k
2
A
k
i
).
16
Ezzel a kplettel mr knnyen megoldhatunk olyan feladatokat, amiknl a kzvetlen,
"nyers ern" alapul szmols szinte remnytelen. Sok esetben pedig az az egyszer
tfogalmazs mg praktikusabb, ahol uni helyett metszet szerepel:
P(A
1
A
n
) =
n
i=0
(1)
i
S
(n)
i
,
ahol legyen S
(n)
0
:= 1. A kt llts ekvivalencija abbl addik, hogy a komplementerek
metszete ppen azt jelenti, hogy egyik esemny sem kvetkezik be ez pedig ppen az
uni komplementere. A jobb oldal pedig ppen 1- a (2.2) kplet jobb oldala, teht a
komplementer esemny valsznsge.
Nzznk is nhny pldt!
2.12 Feladat Mi a valsznsge, hogy egy szablyos kockval 12-szer dobva, minden
szm legalbb egyszer kijtt?
Megolds. A szita formula alkalmazsnak szksgessgre abbl lehet rjnni, hogy a
lehetsgeket szmba vve rengeteg szba jv megoszlst kellene gyelembe venni (pl. az
16 rtkek gyakorisgaira a 711111 s a 222222 is megengedett meg-
oszls). A szita formula alkalmazshoz azt kell csak szrevenni, hogy itt is esemnyek
metszetnek valsznsgt kell kiszmolnunk. Ha a A
i
={nem dobtunk i-t} vlasztssal
alkalmazzuk a formult, akkor ppen a komplementerek metszetre felrt alakot kapjuk,
s ebbl S
(n)
i
=
_
6
i
_
(
6i
6
)
n
, azaz a keresett valsznsg 1
5
i=1
(1)
i1
_
6
i
_
(
6i
6
)
12
.
A 2.7 bra a 2.12 pldban szerepl valsznsget n = 10, illetve n = 20 esetre
mutatja. Az x tengelyen azt lthatjuk, hogy a szita formulban az els i tag milyen jl
kzelti az eredmnyt. Ebbl ltszik, hogy az els 2 3 tag a dominns (az igen valsz-
ntlen, hogy az adott dobsszmok mellett maximum 3 vagy mg kevesebb klnbz
eredmnyt kapjunk).
2.13 Feladat Mi a valsznsge, hogy ha n ember bedobja a nvjegyt egy dobozba,
majd ezutn vletlenszeren mindenki ki is hz egyet, akkor nem lesz senki, aki a sajt
nvjegyt hzza?
A 2.9 brbl lthat, hogy .a valsznsg nagyon gyorsan kzelt 1/e-hez (vzszin-
tes kk vonal). Animlt szimulcis bra a www.cs.elte.hu/~zempleni/anim/nevjegy
cmen tallhat. Egy screenshot a 2.9 bra. Ebbl az lthat, hogy klnbz csoport-
mret (n) esetn a szimulcik sorn tlagosan hny egyezs volt. Lthat, hogy az
rtkek minden n-re kzel vannak 1-hez.
Megolds. Itt is a szita formula a megolds kulcsa. Ezttal is esemnyek metsze-
tnek valsznsgt kell kiszmolnunk. Legyen A
i
={az i-edik ember a sajt nvjegyt
hzta}. A keresett esemny a komplementereik metszete, S
(n)
i
=
_
n
i
_
1
n(n1)...(ni+1)
, azaz
a keresett valsznsg 1
n
i=1
(1)
i1
(
1
i!
), ami ppen 1/e-hez tart, ha n .
17
2.7. bra. Annak valsznsge, hogy 20, illetve 10 kockadobsnl minden szm kijn,
a valsznsget a szita formulban szerepl sszeg els i tagjval kzeltve (2.12 feladat,
11.5 kd)
2.8. bra. A nvjegy problma valsznsge a csoport ltszmnak (n) fggvnyben
(2.13 feladat, 11.4 kd)
18
2.9. bra. A nvjegy problmnl az egyezsek szmnak tlaga a csoport ltszmnak
(n) fggvnyben
A kvetkez, 2.10 bra azt mutatja, hogy a szita formula kpletben rendre i-ig
sszegezve mennyire j kzeltst kapunk a keresett valsznsgre,
Vegyk szre, hogy az elzekben a szita formult arra a specilis esetre alkalmaztuk,
amikor minden k tnyezs metszet valsznsge azonos. Ekkor a (2.2) kplet a kvetkez,
egyszerbb alakba is rhat:
P(A
1
A
n
) =
n
i=1
(1)
i+1
_
n
i
_
P(A
1
A
2
A
i
). (2.3)
De nem minden esetben tudunk ilymdon egyszersteni a megoldsunkon. Ezt il-
lusztrlja a kvetkez feladat.
2.14 Feladat Tegyk fel, hogy egy hzban az els emeleten 2, a msodikon 3, a har-
madikon pedig 4 laks van. Ha a fldszinten 5-en szllnak be a liftbe, akik egymstl
fggetlenl, brmely laksba ugyanolyan valsznsggel mennek, akkor mi a valszn-
sge, hogy minden emeleten megll a lift?
Megolds. Itt is azt a valsznsget knny szmolni, hogy egy (vagy nhny) emeleten
nem ll meg a lift. A szita formulban teht legyen A
i
={az i-edik emeleten nem ll meg
a lift} (i = 1, . . . , 3). A keresett esemny a komplementereik metszete. Most kln-
kln ki kell szmolni S
(3)
i
elemeit: S
(3)
1
= (
7
9
)
5
+(
6
9
)
5
+(
5
9
)
5
, S
(3)
2
= (
2
9
)
5
+(
3
9
)
5
+(
4
9
)
5
s
rtelemszeren S
(3)
3
= 0. Innen a keresett valsznsg 1-
2
i=1
(1)
i1
S
(3)
i
= 0, 553.
19
2.10. bra. A nvjegy problmnl a valsznsg kzeltse a szita formulban szerepl
sszeg els i tagjval (2.13 feladat, 11.6 kd)
Az elz pldk eredmnyeinek kiszmtsnl s az brkon is jl ltszik, hogy a
(2.2) formulban a az utols tagok (amikor teht i kzel van n-hez), nem jtszanak
jelents szerepet. Ezt pontostja a kvetkez llts egyttal a kzeltsek irnyt is
megadva:
2k
i=1
(1)
i+1
S
(n)
i
< P(A
1
A
n
) <
2k+1
i=1
(1)
i+1
S
(n)
i
, (2.4)
ahol 2k +1 n. A (2.4) egyenltlensg Bonferroni nevhez fzdik. A 2.11 s 2.10 bra
is szemlletesen mutatja gyakorlati alkalmazst.
A feladattpusnak egy fontos alkalmazsa az az eset, amikor nemcsak a konkrt ese-
mny (pl. az sszes szm elfordulsa) valsznsgt, hanem annak valsznsgt kell
kiszmolnunk, hogy az esemny pontosan az adott idpontban kvetkezett be.
2.15 Feladat Mi a valsznsge, hogy egy szablyos kockval pont 12-edikre jn ki
minden szm legalbb egyszer?
Megolds. A 2.12 feladat megoldsa szerint annak a valsznsge, hogy k dobsbl
mr minden szm megvan: P(B
k
) = 1
5
i=1
(1)
i
_
6
i
_
(
6i
6
)
k
. Innen mr csak azt kell
szrevennnk, hogy a keresett esemny ppen B
12
\ B
11
s gy az eredmny P(B
12
)
P(B
11
) = 0, 06. A 2.12 brn lthatjuk a 2.15 pldhoz kapcsoldan az eredmnyeket
20
2.11. bra. A valsznsg kiszmtsa a lift problmnl, a szita formulban szerepl
sszeget az els i tagjval kzeltve, klnbz utasszmra (2.14 feladat, 11.7 kd)
klnbz dobsszmokra. rdemes meggyelni, hogy elg gyakran akr 25-nl tbb
dobsra is szksg lehet az sszes eredmny elrshez.
2.5. Gyakorl feladatok
1. Arithmetiban az autk rendszmai hatjegy szmok 000000 s 999999 kztt. Mi
a valsznsge, hogy van 6 a jegyek kztt?
2. Ha 8 bstyt letesznk vletlenszeren egy sakktblra, mi a valsznsge, hogy
semelyik sem tud letni egy msikat?
3. Egy dobozban 9 goly van: 3 piros, 3 fehr s 3 zld. 6 golyt hzunk
(a) visszatevs nlkl
(b) visszatevssel.
Mi a valsznsge, hogy mind a hrom sznbl van a kihzottak kztt?
4. n szablyos dobkockval dobunk. Mi a valsznsge, hogy a kapott szmok ssze-
ge oszthat 6-tal?
21
2.12. bra. Az sszes szm dobsnak valsznsge klnbz dobsszmokra (2.15
feladat, 11.8 kd)
5. A spanyol labdarg vlogatott edzsnek megkezdse eltt, az edzsen rsztvev
20 meznyjtkost kt csoportba osztjk. Mi annak a valsznsge, ha tallomra
trtnik a sztoszts a kt 10-es csoportba, hogy Xavi s Raul egyms ellen jtszik?
6. Egy ttova hangya a szmegyenesen bolyong. 0-bl indul s minden lpsnl egy-
forma valsznsggel vagy jobbra, vagy balra lp. Mennyi a valsznsge, hogy
2n lps utn a hangya 0-ban (k-ban) lesz?
7. Melyik a valsznbb: az, hogy 4 kockadobsbl lesz legalbb egy 6-os, vagy hogy
24 dupla kockadobsbl lesz legalbb egy dupla 6?
8. Tegyk fel, hogy 5 fr s 5 n vizsgzik egy adott trgybl s hogy az eredm-
nyeik egyrtelmen sorbarendezhetek. Feltve, hogy brmely sorrend egyformn
valszn, adjuk meg a legjobb helyezst elrt n helyezsnek eloszlst
9. A 32 lapos krtyacsomagbl visszatevs nlkl kihzunk 7 lapot. Mennyi annak a
valsznsge, hogy a lapok kztt mind a ngy szn elfordul?
10. Egy kis "Sali baba" Kinder-gurkat gyjt. 10 fajta ilyen baba van. Mennyi a
valsznsge, hogy a 20. "Sali bab"-nl lesz meg neki mind a 10 fajta (felttelezve,
hogy mindegyikbl ugyanannyi van)?
22
3. fejezet
A ksrletek fggetlensge, feltteles
eloszlsok
Ez taln az eddigiek kzl a legfontosabb rsz, hiszen a fggetlensg kulcsfogalom a val-
sznsgszmtsban. Tulajdonkppen mr az eddigiekben is hasznltuk, mikor a keresett
kedvez s sszes esetszmokat szorzssal lltottuk el. Ahhoz, hogy a fogalmat a szem-
lletnknek megfelelen bevezethessk, elszr a feltteles valsznsg fogalmval kell
megismerkednnk. Szemlletesen ennek az a lnyege, hogy az A esemny bekvetkezst
csak a B esemny bekvetkezsnek felttelezse mellett vizsgljuk (azaz abbl indulunk
ki, hogy tudjuk: a B esemny bekvetkezett).
Az A esemny feltteles valsznsge a B esemny bekvetkezse esetn:
P(A|B) :=
P(A B)
P(B)
.
Ennek kiszmtsa trtnhet kzvetlenl, vagy a kvetezkben emltsre kerl md-
szer (Bayes ttel) segtsgvel. A gyakorlatban inkbb annak felismerse szokott prob-
lmt jelenteni, hogy egy adott feladatban valban feltteles valsznsg szmtsra
van-e szksg.
3.1 Feladat Tegyk fel, hogy kt szablyos kockval dobva kaptunk hatost. Mi a val-
sznsg e, hogy az els kockn 6-os jtt ki?
Megolds. Legyen A az az esemny, hogy az els kockn 6-os jtt ki, a B esemny
pedig az, hogy kaptunk hatost. A krds P(A|B), ami denci szerint
P(AB)
P(B)
. Mivel
P(B) = 1 25/36 (a komplementer esemny ppen az, hogy mindkt dobs sorn az
{1, 2, ..., 5} szmok valamelyike jn ki) s P(A B) = P(A) = 1/6, ezrt a keresett
valsznsg 6/11.
Hasonl jelleg a kvetkez feladat is, els rnzsre mg meglepbb eredmnnyel:
23
3.2 Feladat Tegyk fel, hogy kt szablyos kockval dobva kaptunk hatost. Mi a val-
sznsge, hogy mindkt kockn 6-os jtt ki?
Megolds. Legyen A az az esemny, hogy mindkt kockn 6-os jtt ki, a B esemny pedig
az, hogy kaptunk hatost. A krds P(A|B), ami denci szerint
P(AB)
P(B)
. P(B) = 1
25/36 az elz feladat alapjn s P(AB) = P(A) = 1/36, ezrt a keresett valsznsg
1/11.
Az eredmny azrt tnhet els pillantsra meglepnek, mert logikusnak tnik az 1/6
vlaszknt, mondvn, hogy ha az egyik hatos, akkor a msik ekkora valsznsggel lesz
szintn hatos. A baj csak ott van, hogy a feladat nem mondja meg, hogy melyik is a
hatos, s ez eredmnyezi a lnyeges klnbsget.
3.3 Feladat Hrom klnbz kockval dobunk. Mekkora a valsznsge, hogy az
egyik kockval 6-ost dobunk, feltve, hogy a dobott szmok sszege 12?
Megolds. Legyen A: egyikkel 6-ost dobunk; B: az sszeg 12.
rjuk ssze az sszes lehetsges esetet, amikor 3 kockadobs eredmnynek az sszege 12:
12 felbontsa Esetek szma Van-e 6-os
6 + 5 + 1 3! = 6 igen
6 + 4 + 2 3! = 6 igen
6 + 3 + 3
3!
2!
= 3 igen
5 + 5 + 2
3!
2!
= 3 nem
5 + 4 + 3 3! = 6 nem
4 + 4 + 4 1 nem
sszesen 25
Teht a j esetek szma: 6 + 6 + 3 = 15, az sszes eset szma pedig 25, gy a keresett
P(A|B) valsznsg 0,6.
A 3.1 bra 2 s 3 kocka esetre is az sszes lehetsges rtkre mutatja a hasonlkppen
kiszmthat valsznsgeket.
3.1. Teljes valsznsg ttele
Sok esetben segt a feladatok megoldsnl, ha rszekre bontjuk az esemnyteret s kln-
kln szmolunk. Pldul ms lehet egy betegsg elfordulsi gyakorisga a frakra,
mint a nkre. Ekkor a kt rsz: frak, illetve nk. Ezt az egyszer megkzeltst
formalizlhatjuk a kvetkezkppen:
3.1 Denci Legyenek A
1
, ..., A
n
esemnyek. Akkor mondjuk, hogy teljes esemny-
rendszert alkotnak, ha
24
3.1. bra. Annak feltteles valsznsge, hogy van 6-os dobs, klnbz sszegekre s
kockaszmra (3.3 feladat)
1. pronknt egymst kizrjk;
2. egyestsk az (biztos esemny).
Azaz a teljes esemnyrendszer a biztos esemny felbontst adja meg (az elz bekez-
dsben emltetteknek megfelelen). Ezzel a felbontssal s a teljes valsznsg ttele
segtsgvel szmos feladat megoldst megkaphatjuk. A Ttel a kvetkezkppen szl.
3.1 Ttel Legyen A
1
, ..., A
n
teljes esemnyrendszer, pozitv valsznsg esemnyekbl.
Ekkor P(B) = P(B|A
1
)P(A
1
) + ... + P(B|A
n
)P(A
n
).
Bizonyts. A jobboldal denci szerint P(BA
1
) +... +P(BA
n
) s ez a B esemny
felbontsa n diszjunkt rszre, teht a valsznsg additivitsa miatt megegyezik P(B)-
vel.
3.4 Feladat Egy betegsg a ataloknl 1%-os, a kzpkoraknl 2%-os, mg az idseknl
10%-os valsznsggel lp fel. A lakossg 30%-a atal, 50%-a kzpkor s 20% pedig
ids. Mi a valsznsge, hogy egy vletlenszeren kivlasztott szemly beteg?
Megolds. A teljes valsznsg ttele rtelmben
P(B) = P(B|A
1
)P(A
1
) + ... + P(B|A
3
)P(A
3
)
25
ahol A
1
, ..., A
3
a hrom korcsoport. Innen
P(B) =
1
100

3
10
+
2
100

5
10
+
10
100

2
10
=
33
1000
.
3.5 Feladat Mennyi annak a valsznsge, hogy 3 kockval ktszer dobva, mindkt
esetben ugyanazt az eredmnyt kapjuk?
1. Ha a kockk megklnbztethetek,
2. ha a kockk nem klnbztethetek meg.
Megolds.
1. Ebben az esetben akrmi is a dobs eredmnye, a msodik dobsnl minden koc-
kval pontosan azt kell dobjuk, mint elsre. Ennek valsznsge 1/6
3
= 1/216 =
0, 0046.
2. Itt viszont klnbz eseteket kell megklnbztetnnk.
Ha minden kockn ugyanaz jtt ki (6 eset a 216-bl), akkor a msodik do-
bsnl ezt kocknknt reproduklnunk kell, ennek valsznsge az elzhz
hasonlan 1/6
3
= 1/216.
Ha kt kockn azonos szm jtt ki s a harmadik ettl eltr (6 5 3 = 90 eset
a 216-bl), akkor a msodik dobsnl hromfle eredmny adja szmszerint
ezt (ezek csak abban klnbznek, hogy melyiken jtt ki az a szm, amibl
csak egyet dobtunk), ennek valsznsge teht 3/6
3
= 1/72.
Ha minden kockn klnbz szm jtt ki (6 5 4 = 120 eset a 216-bl), akkor
a msodik dobsnl hatfle eredmny is ugyanezeket a szmokat adja, teht
a valsznsg itt 6/6
3
= 1/36.
A teljes valsznsg ttelbl
p =
6
216

1
216
+
90
216

1
72
+
120
216

1
36
=
1 + 45 + 120
216 36
=
166
7776
= 0, 0213
ami rtelemszeren jval nagyobb, mint az elz rsznl kapott eredmny.
3.6 Feladat Iszkos Ivn a nap 2/3 rszt kocsmban tlti. Mivel a faluban 5 kocsma
van, s nem vlogats, azonos esllyel tartzkodik brmelyikben. Egyszer elindultunk,
hogy megkeressk. Ngy kocsmt mr vgigjrtunk, de nem talltuk. Mi a valsznsge
annak, hogy az tdikben ott lesz?
26
3.2. bra. Az irat megtallsnak valsznsge az utols kban klnbz ksz-
mokra s valsznsgekre (3.7 feladat, 3.2 kd)
Megolds. Legyen A: egy adott idpillanatban kocsmban van; B
i
: az i. kocsmban van
(i = 1, ..., 5). gy P(A) =
2
3
s P(B
i
|A) =
1
5
. Ebbl P(B
i
) = P(B
i
|A)P(A) =
1
5

2
3
=
2
15
.
A keresett valsznsg:
P(B
5
|(B
1
B
2
B
3
B
4
)) =
P(B
5
B
1
B
2
B
3
B
4
)
P(B
1
B
2
B
3
B
4
)
=
P(B
5
)
P(B
1
B
2
B
3
B
4
)
=
=
P(B
5
)
1 (P(B
1
) + P(B
2
) + P(B
3
) + P(B
4
))
=
2
15
1 4
2
15
=
2
7
.
3.7 Feladat Egy fontos irat egyforma esllyel lehet otthon s a munkahelynkn. Utb-
bi esetben az rasztalunk kilenc kjban ugyanakkora esllyel lehet. Mr 8 kot
tnztnk, azokban nem volt. Mekkora a valsznsge, hogy az utols kban van?
Megolds. A krds itt is egy feltteles valsznsg. Legyen A az az esemny, hogy az
utols kban van az irat, B pedig az az esemny, hogy nincs az els 8 kban.
P(A|B) =
P(A B)
P(B)
=
P(A)
P(B)
=
1/18
10/18
= 1/10.
27
A 3.2 brn a 3.7 feladat eredmnyt lthatjuk klnbz kszmokra s annak p
valsznsgre, hogy az irat a munkahelynkn van. Lthat, hogy ha kevesebb a k,
akkor nagyobb a valsznsg, s rtelemszeren a nagyobb p-hez nagyobb valsznsg
is tartozik.
3.2. A fggetlensg szemlletes bevezetse
Az eddigiekben is tbbszr alkalmaztuk a "szorzsi szablyt", amely egyms utni k-
srleteknl a lehetsges esetszmok sszeszorzdst mondja ki. A valsznsgeknl ez
azt jelenti, hogy ezek is szorzatknt llnak el, mert mind a szmllra, mind a neve-
zre vonatkozik a szorzatszably. Nzznk erre egy egyszer pldt. Ha magyarkrtya-
csomagbl hzunk 2 lapot, akkor a kvetkez eslyeket rhatjuk fel a piros lap hzsra:
legyen A
1
az az esemny, hogy az els piros, A
2
pedig az, hogy a msodik piros. Ekkor
P(A
1
) = P(A
2
) = 8/32 = 1/4.
Ha visszatevssel hzunk, akkor a kt piros hzsra vonatkoz kedvez esetszmok
8 8, az sszes esetszm pedig 32 32, azaz gy P(A
1
A
2
) = 1/16.
A visszatevs nlkli esetben is mkdik a szorzatszably, de akkor a msodik ksrlet
mr az elstl eltr krlmnyek kztt valsul meg, ezrt a kt piros hzsra vonatko-
z kedvez esetszmok 87, az sszes esetszm pedig 3231, azaz gy P(A
1
A
2
) = 7/124.
Az els esetben az addott, hogy P(A
1
A
2
) = P(A
1
) P(A
2
), mg a msodikban
P(A
1
A
2
) < P(A
1
) P(A
2
) (7/124 < 1/16 = 7/112). A visszatevses esetben az els
hzsnak semmi hatsa nincs a msodikra, teht fggetlen a kt esemny. A visszatevs
nlkli esetben viszont ez nincsen gy: ha elszr pirosat hztunk, akkor a msodik
hzsnl mr kevesebb lehetsgnk lesz ismt pirosat hzni.
Ebbl mr addik a denci: Az A s a B esemny fggetlen, ha P(A B) =
P(A) P(B), ami ppen azt jelenti, hogy P(A|B) = P(A) (ha a feltteles valsznsg
rtelmes, azaz P(A) > 0).
3.8 Feladat Egy hamistott rmvel ktszer dobunk. A fejdobs valsznsge p (0 <
p < 1). Legyen A az az esemny, hogy az els dobs eredmnye fej, B pedig az, hogy a
kt dobs eredmnye klnbz. Milyen p-re lesz az A s B esemny fggetlen?
Megolds. P(A) = p, P(B) = 2p(1 p). Az A B esemny azt jelenti, hogy az els
dobs fej, a msodik pedig rs. Teht P(A B) = p(1 p), amibl addik, hogy a
fggetlensg felttele p 2p(1 p) = p(1 p), ami (a trivilis p = 0 s p = 1 esetektl
eltekintve) pontosan a 2p = 1, azaz a p = 1/2 esetben teljesl.
A 3.3 bra mutatja, hogy 0 1-re lesz fggetlen
28
3.3. bra. Az esemnyek sszefggsgnek vizsglata (3.8 feladat)
1. az a kt esemny, hogy A: n rmedobsbl van fej s rs is, valamint B: legfeljebb
egy rs van,
2. az a kt esemny, hogy A: n rmedobsbl van fej s rs is, valamint B: az els
dobs fej.
Megolds.
1.
P(A) = P( van fej s rs is) = 1 P(csak az egyik van) =
= 1 2P(csak fej van) = 1 2
1
2
n
= 1
1
2
n1
,
P(B) = P(legfeljebb 1 rs van) = P(pontosan 0 rs van) + P(pontosan 1 rs van) =
=
1
2
n
+
_
n
1
__
1
2
_
1
_
1
2
_
n1
=
n + 1
2
n
.
P(A B) = P(pontosan 1 rs van) =
n
2
n
.
n-re megoldand a P(A B) = P(A)P(B) egyenlet, amibl n + 1 = 2
n1
lesz.
Knnyen lthat, hogy az egyenlsg csak n = 3 esetn lesz igaz.
29
2. P(A)=1
1
2
n1
, P(B) = P(az els fej) =
1
2
.
P(A B) = P(az els fej, a tbbiben van rs)
= P(az els fej) P(az els fej s a tbbiben nincs rs) =
=
1
2
(1 P(n fej) =
1
2

_
1
1
2
n
_
.
n-re megoldand a P(A B) = P(A)P(B) egyenlet, amibl
1
2
_
1
1
2
n1
_
=
_
1
1
2
n1
_
1
2
addik, ez pedig azonossg minden n > 1-re fggetlenek.
3.10 Feladat Osztozkodsi problma: hogyan osztozzon a tten kt jtkos, ha 2 : 1
llsnl flbeszakadt a 4 gyzelemig tart mrkzsk? (Tegyk fel, hogy az egyes jtkok
egymstl fggetlenek, brmelyikk 1/2 valsznsggel nyerhet az egyes jtkoknl.)
Megolds. A jtk menett gral is lehet brzolni. Piros jelli azt az llst, amikor
az els jtkos nyer, s zld, amikor a msodik. Akkor osztozkodnak "igazsgosan", ha
a tt annyiad rszt kapja az adott jtkos, amennyi a nyersi eslye.
2 : 1
1
2
ss
1
2
3 : 1
1
2
{{
1
2
2 : 2
1
2
{{
1
2
))
4 : 1 3 : 2
1
2
{{
1
2
3 : 2
1
2
{{
1
2
2 : 3
1
2
{{
1
2
##
4 : 2 3 : 3
1
2
{{
1
2
4 : 2 3 : 3
1
2
{{
1
2
3 : 3
1
2
{{
1
2
##
2 : 4
4 : 3 3 : 4 4 : 3 3 : 4 4 : 3 3 : 4
Mivel az egyes mrkzseket egymstl fggetlenl jtsszk le, ezrt a msodik jtkos
egy gon tovbbi 3 jtkbl nyer (p =
1
2
3
), 3 gon pedig tovbbi 4 jtkbl nyer (p =
3
2
4
).
Azaz P(a msodik jtkos nyer) = 1
1
8
+ 3
1
16
=
5
16
s P(a msodik jtkos nyer) =
11
16
.
Teht gy ossza fel a kt jtkos a ttet, hogy az els jtkos kapja a tt
11
16
rszt, a
msodik pedig a tt
5
16
rszt.
30
3.4. bra. A vgs gyzelem valsznsge egy 4 gyzelemig tart prosmrkzsen, az
aktulis lls fggvnyben, 3.10 pldhoz, 11.10 kd
A 3.4 bra azt mutatja meg, hogy az egyes llsokhoz milyen gyzelmi valsznsgek
tartoznak. Termszetesen az egyenl llsoknl ez 1/2. Pldul 3 : 0-nl kzel 0, 95
addott az bra alapjul szolgl 100000 szimulci alapjn.
A kvetkez feladat pedig a ksbbiekben, pldul a nagy szmok trvnynl (7.1
fejezet) fontoss vl gondolatot mutat be egyszer formban.
3.11 Feladat Hnyszor kell kt kockt feldobnunk, hogy p = 0, 99-nl nagyobb valsz-
nsggel legalbb egyszer kt hatost dobjunk?
Megolds.
0, 99 < P(n dobsbl legalbb 1-szer dobunk 66-ot) =
= 1 P(n dobsbl egyszer sem dobunk 66-ot) = 1
_
35
36
_
n
,
ezt trendezve n > 163, 47, azaz legalbb 164-szer kell feldobni a kt kockt. Az ered-
mnyt klnbz p rtkekhez a 3.5 bra mutatja.
3.3. Bayes ttel
Gyakran nem elg a teljes valsznsg ttele szerinti felbonts, mert a krds ilyenkor is
lehet feltteles valsznsg. Ekkor kombinlni kell a feltteles valsznsg dencijt
31
3.5. bra. Kockadobsok szma dupla hatoshoz, p fggvnyben, 3.11 pldhoz, 11.11
kd
s a teljes valsznsg ttelt. Az eredmny a nevezetes Bayes ttel:
3.2 Ttel Legyen A
1
, ..., A
n
teljes esemnyrendszer, pozitv valsznsg esemnyekbl
s B egy pozitv valsznsg esemny. Ekkor
P(A
1
|B) =
P(B|A
1
)P(A
1
)
P(B|A
1
)P(A
1
) + ... + P(B|A
n
)P(A
n
))
.
Bizonyts. A jobboldal szmllja denci szerint P(A
1
B), a nevez pedig a teljes
valsznsg ttele rtelmben P(B). Ez pedig ppen a bizonytand lltst adja.
3.12 Feladat Egy betegsg a ataloknl 1%-os, a kzpkoraknl 2%-os, mg az id-
seknl 10%-os valsznsggel lp fel. A lakossg 30%-a atal, 50%-a kzpkor s 20%-a
ids. Mi a valsznsge, hogy egy vletlenszeren kivlasztott beteg atal?
Megolds. A Bayes ttel rtelmben (a 3.4 feladat jellseivel)
P(A
1
|B) =
P(B|A
1
)P(A
1
)
P(B|A
1
)P(A
1
) + ... + P(B|A
3
)P(A
3
))
.
Teht
P(A
1
|B) =
1
100

3
10
1
100

3
10
+
2
100

1
2
+
1
10

1
5
=
3/1000
33/1000
= 1/11.
32
3.6. bra. A (3.12) feladat valsznsgnek fggse az idsek megbetegedsi valszn-
sgtl, az bra baloldaln lthat paramterbellts mellett, 11.22 kd
A feladathoz kszlt interaktv animci a http://hpz400.cs.elte.hu:3838/ZA_
beteg/ cmen tallhat. Itt a felhasznl bellthatja a betegsg valsznsgt a ata-
loknl s a kzpkoraknl, valamint a atalok s kzpkorak rszarnyt (ebbl rte-
lemszeren kvetkezik az idsek rszarnya: r
i
= 1 r
f
r
k
. Az idsek megbetegedsi
valsznsgnek fggvnyben megkapjuk a feladatban szerepl valsznsg rtkt. A
3.6 egy screenshot az eredmnyrl. Tovbbi brk tallhatak a Fggelkben: 11.1 s
11.2.
A 3.12 feladathoz hasonlan oldhat meg a kvetkez feladat is:
3.13 Feladat Tegyk fel, hogy n = 100 rme kzl 1 hamis, ennek mindkt oldaln fej
van. Egy rmt vletlenszeren kivlasztottunk s ezt 10-szer feldobtuk. Az eredmny
mind a 10 alkalommal fej lett. Mi a valsznsge, hogy a kivlasztott rme hamis?
Megolds. A Bayes ttel rtelmben (legyen F a 10 fej dobs, A a j, B pedig a
hamis rme vlasztsa, ez ktelem teljes esemnyrendszer)
P(B|F) =
P(F|B)P(B)
P(F|B)P(B) + P(F|A)P(A))
.
Teht a keresett valsznsg
P(B|F) =
1
1
100
1
1
100
+
1
2
1
0

99
100
= 1024/1123.
33
3.7. bra. A hamis rme vlasztsnak valsznsge az rmk s a dobott fejek
szmnak fggvnyben, a 3.13 pldhoz, 11.12 kd
A 3.7 bra a hamis rme vlasztsnak valsznsgt mutatja klnbz rme- s
dobsszmok esetn.
3.14 Feladat Egy dik a vizsgn p valsznsggel tudja a helyes vlaszt. Amennyiben
nem tudja, akkor tippel, s 1/3 a j vlasz eslye. Feltesszk, hogy a dik tudsa biztos
(azaz ha tudja a vlaszt, akkor az j is). Hatrozzuk meg p rtkt, ha 3/5 annak a
valsznsge, hogy amennyiben helyesen vlaszolt, tudta is a helyes vlaszt!
Megolds. Legyen A: helyesen vlaszolt; B
1
: tudta a vlaszt; B
2
: nem tudta a vlaszt.
P(B
1
)=p P(A|B
1
)=1
P(B
2
)=1 p P(A|B
2
)=
1
3
Alkalmazzuk a Bayes-ttelt:
3
5
= P(B
1
|A) =
P(A|B
1
)P(B
1
)
P(A|B
1
)P(B
1
) + P(A|B
2
)P(B
2
)
=
1 p
1 p +
1
3
(1 p)
=
3p
2p + 1
.
Ezt trendezve, p =
1
3
. A 3.8 bra mutatja a keresett valsznsget a p s a tipp
tallati valsznsge fggvnyben.
34
3.8. bra. A vlasz tudsnak valsznsge a tuds s a helyes tipp valsznsge
fggvnyben, a 3.14 pldhoz, 11.13 kd
3.15 Feladat Vndorlsai kzben Odsszeusz egy hrmas telgazshoz r. Az egyik
t Athnbe, a msik Sprtba, a harmadik Mknbe vezet. Az athniek keresked
npsg, szeretik mtani a ltogatkat, csak minden 3. alkalommal mondanak igazat.
A mkniek egy fokkal jobbak: k csak minden msodik alkalommal hazudnak. A
szigor sprtai neveltetsnek ksznheten a sprtaiak becsletesek, k mindig igazat
mondanak. Odsszeusznak fogalma sincs, melyik t merre vezet, gy feldob egy kockt,
egyenl eslyt adva mindegyik tnak. Megrkezve a vrosba, megkrdez egy embert,
mennyi 22, mire kzlik vele, hogy 4. Mi a valsznsge, hogy Odsszeusz Athnba
jutott?
Megolds. Legyen A: igazat mondanak; B
1
: Athnba jutott; B
2
: Sprtba jutott; B
3
:
Mknbe jutott.
P(B
1
)=
1
3
P(A|B
1
)=
1
3
P(B
2
)=
1
3
P(A|B
2
)=1
P(B
3
)=
1
3
P(A|B
3
)=
1
2
Alkalmazzuk a Bayes-ttelt:
P(B
1
|A) =
P(A|B
1
)P(B
1
)
P(A|B
1
)P(B
1
) + P(A|B
2
)P(B
2
) + P(A|B
3
)P(B
3
)
=
1
3

1
3
1
3

1
3
+ 1
1
3
+
1
2

1
3
=
2
11
.
35
3.4. Valsznsgi vltozk
Sok esetben nem maga az esemnytr, hanem valamilyen szmszer eredmny s az
ezekhez kapcsold valsznsgek az igazn rdekes krdsek. Ez a megkzelts abbl
a szempontbl is elnys, hogy gy az absztrakt esemnytr helyett a vals szmok hal-
mazn tudunk szmolni. Formlisan az X : R fggvnyt nevezzk valsznsgi
vltoznak. Vges vagy megszmllhatan vgtelen alaphalmazaink vannak, ezrt nem
is kell semmilyen felttel a fggvny tulajdonsgairl.
A legegyszerbb plda lehet egy kockadobs, ahol a kapott eredmny maga denilja
a valsznsgi vltozt. Eddig is krdeztnk olyat, hogy mi a valsznsge pl. a hatos
dobsnak, ezt most formlisan gy rhatjuk fel, hogy P(X = 6) =? Ha az elz kpletben
a 6 helyett egy tetszleges i rtket runk s i vgigfutja az sszes lehetsges rtket 1-
tl 6-ig, akkor megkapjuk az X eloszlst (mivel P(X = i) teljes esemnyrendszert
alkot, ezrt a valsznsgeik sszege 1). Ez most az {1, 2, . . . , 6} szmokon rtelmezett
egyenletes eloszls: P(X = i) = 1/6.
Az elzekben mr ltott mintavteli pldk is termszetszeren lerhatk valsz-
nsgi vltozkkal. Itt X a hzsok sorn kapott selejtesek szmt jelli. Legyen a
dobozban M selejtes s N M j termk. A hzsok szma pedig legyen n.
Ha visszatevses a mintavtel, akkor
P(X = i) =
_
n
i
_
M
i
(N M)
ni
N
n
(i = 0, ..., n). Ezt nevezzk (n, p) paramter binomilis eloszlsnak. p = M/N a
selejtarny, s gy a kplet a
P(X = i) =
_
n
i
_
p
i
(1 p)
ni
alakra hozhat. A binomilis ttel alapjn azonnal addik, hogy ez valban valszn-
sgeloszls:
1 = (p + (1 p)
n
) =
n
i=0
_
n
i
_
p
i
(1 p)
ni
.
A 3.9 bra annak a valsznsgt mutatja meg p s n fggvnyben, hogy pontosan 5
sikeres ksrletnk legyen.
A visszatevs nlkli mintavtelnl pedig
P(X = i) =
_
M
i
__
NM
ni
_
_
N
n
_
(i = 0, ..., n). Megjegyzend, hogy a minta- s a sokasg elemszmtl fggen elkp-
zelhet, hogy nem minden i rtk jhet ki pozitv valsznsggel, de ezt a kplet jl
36
3.9. bra. Pontosan 5 selejtes hzsnak valsznsge a ksrletek szmnak s a p-nek
a fggvnyben, a visszatevses mintavtelnl 11.14 kd
tkrzi, pldul i > M esetn 0 az eredmny. A kapott eloszls a hipergeometrikus,
(M, N, n) paramterekkel. Ez is valsznsgeloszls, hiszen ha i vgigfutja az sszes le-
hetsget, akkor a szmllk sszege pont kiadja az
_
N
n
_
sszes lehetsget, amit aszerint
bontottunk fel rszekre, hogy hny selejtest vlasztottunk az n elem mintba.
A 3.11 bra egyttesen mutatja a 3.9 s a 3.10 brkat. Jl ltszik, hogy a visszatevs
nlkli mintavtelnl (azaz a hipergoeometriai eloszlsnl) valamivel nagyobb a maxim-
lis valsznsgek rtke, mert ezek koncentrltabb eloszlsok - az azonos mintaelemek
ismtld kzbevtele itt nem fordulhat el s gy az egyb paramterek azonossga
esetn a vrt (tipikus) rtkek nagyobb valsznsggel fordulnak el.
3.16 Feladat Ha egy magyarkrtya-csomagbl visszatevs nlkl hzunk 3 lapot, akkor
mi annak a valsznsge, hogy
1. pontosan
2. legalbb egy piros szn lapot hzunk?
s mi a helyzet visszatevses esetben?
Megolds. Oldjuk meg a mintavteles modell segtsgvel: N = 32 (sszes lap), M = 8
(pirosak), n = 3.
Visszatevs nlkl:
37
3.10. bra. Pontosan 5 selejtes termk hzsnak valsznsge a minta elemszmnak
s a sokasgban lev selejtesek szmnak a fggvnyben, N=201, 11.15 kd
3.11. bra. A visszatevses s a visszatevs nlkli mintavtel sszehasonltsa, 11.16
kd
38
1.
_
8
1
__
24
2
_
_
32
3
_ =
8 24 23 3
32 31 30
=
69
155
= 0, 44.
2.
P(legalbb 1 piros) = 1 P(0 piros) = 1
_
8
0
__
24
3
_
_
32
3
_
= 1
242322
323130
= 1
253
620
= 0, 59.
Visszatevssel:
1. A "selejtarny"=8/32=1/4, gy a keresett valsznsg:
_
3
1
_ _
1
4
_
1
_
3
4
_
2
=
27
64
= 0, 42.
2. 1
_
3
4
_
3
= 0, 58.
Lthat, hogy a ktfle mintavteli mdszerrel kapott eredmny kztt nincs nagy eltrs,
mert a minta nagysga kicsi a teljes sokasg elemszmhoz kpest.
3.17 Feladat Jellje p
k
annak a valsznsgt, hogy egy lotthzsnl (90/5) a legna-
gyobb kihzott szm k. Szmtsuk ki a p
k
rtkeket, s mutassuk meg, hogy ez valban
valsznsgeloszls!
Megolds.
p
k
=
_
k
5
_
_
k1
5
_
_
90
5
_ =
_
k1
4
_
_
90
5
_ , k = 5, 6, . . . , 90
ugyanis ki kell vlasztanunk 5 szmot az els k-bl, viszont nem k lesz a legnagyobb,
amennyiben az els k 1- bl vlasztottuk ki ket, gy ezeket a rossz eseteket le kell
vonni. (A vgeredmny kzvetlenl is indokolhat: a k bent van a kihzott szmok
kztt, a tbbi 4 szm pedig az {1, 2, . . . , k 1} halmazbl kell, hogy kikerljn.) Ez
valsznsgeloszls, ugyanis
90
k=5
p
k
=
_
5
5
_
+ (
_
6
5
_
_
5
5
_
) + (
_
7
5
_
_
6
5
_
) + + (
_
90
5
_
_
89
5
_
)
_
90
5
_ =
_
90
5
_
_
90
5
_ = 1.
A 3.12 brn azt lthatjuk, hogy klnbz szm lotthzs esetn mi lesz az addig
kihzott legnagyobb szm eloszlsa. A k = 5-hz tartoz eset ppen a 3.17 feladat
eredmnyt mutatja.
3.18 Feladat Egy urnban K fehr s M fekete goly van. Visszatevs nlkl kihztunk
n golyt, s ebbl k lett fehr s n k fekete. Mi a valsznsge, hogy az els hzs
eredmnye fehr goly volt?
39
3.12. bra. A kihzott szmok legnagyobbiknak eloszlsa 1, 2, 3, 4, 5 lotthzs alapjn
a 3.17 pldban
Megolds. Legyenek A: az els hzs eredmnye fehr; B: n kihzott golybl k fehr.
Kiszmoland a P(A|B) valsznsg.
P(B) =
_
n
k
_
K!
(Kk)!

M!
(M(nk))!
(M+K)!
(M+Kn)!
,
P(A B) = K
_
n 1
k 1
_
(K1)!
(Kk)!

M!
(M(nk))!
(M+K)!
(M+Kn)!
,
ugyanis az els hely fehr, oda K darab golyt vlaszhatunk, s a maradk minta (n1)
elem, ebbe kell vlasztani (k 1) fehret s (n k) fekett, teht
P(A|B) =
K
(n1)!
(k1)!(nk)!

(K1)!
(Kk)!
n!
k!(nk)!

K!
(Kk)!
=
k
n
.
3.19 Feladat Egy llsra n plyz kzl szeretnnk a legjobbat kivlasztani. A p-
lyzk sorban bemutatkoznak, s a felttel az, hogy rgtn kell dntennk. Ha az a
stratgink, hogy az els k plyzt biztosan nem alkalmazzuk, majd ezutn az els
olyat kivlasztjuk, aki mindegyik elznl jobb, akkor mi a valsznsge, hogy a legjobb
40
3.13. bra. A legjobb jellt kivlasztsnak valsznsge klnbz k rtkekre a 3.19
pldban, 11.17 kd
plyzt vesszk fel? Tegyk fel, hogy egyrtelm sorrend van a plyzk kztt, s
hogy brmely sorrend egyformn valszn.
Megolds. Tegyk fel, hogy a legjobb plyz az m-edik helyen rkezik. Ha m k,
akkor nincs eslynk a legjobbat kivlasztani. Egybknt pedig azon mlik a dolog, hogy
a legjobb eltt rkezk legjobbika hnyadik helyen jn. Ha az els k-ban, akkor nyert
gynk van, viszont ha utna, akkor t fogjuk vlasztani, nem pedig a legjobbat. Ez
alapjn a keresett valsznsg
1
n
n
m=k+1
k
m1
.
Ha a fenti eredmnyt k-ban maximalizlni szeretnnk, akkor a
n
m=k+1
k
m1
log(nk)
kzeltst alkalmazva, n -re a k = n/e aszimptotikt kapjuk.
3.5. Vgtelen ksrletsorozatok
Az eddigiekben vges sok lehetsgbl kellett a kedvezeket kivlasztani, illetve vges
sokszor ismteltnk ksrleteket (esetleg klnbz krlmnyek kztt). Ugyanakkor
a gyakorlatban szmos olyan krds is felmerl, amit a legclszerbben vgtelen ese-
mnytrrel rhatunk le. A matematikai axiomatizls az gynevezett Kolmogorov-fle
41
3.14. bra. Az els sikeres ksrlet sorszmnak eloszlsa klnbz p-re, 11.18 kd
valsznsgi mezvel adhat meg. Ennek lnyege, hogy az additivits helyett az l-
talnosabb, -additivitst kveteljk meg: ha A
1
, ..., A
n
, . . . pronknt egymst kizr
esemnyek, akkor
P(
i=1
A
i
) = P(A
1
) + ... + P(A
n
) + . . . .
Ennek segtsgvel tbbek kztt a teljes valsznsg ttelt vgtelen sok esemnybl
ll teljes esemnyrendszerre is trhatjuk. Elbb azonban nzznk egy pldt. Tegyk
fel, hogy egy rmvel addig dobunk, mg elszr fejet nem kapunk. Knnyen lthat,
hogy annak a valsznsge, hogy ez pont az i-edik ksrletnl kvetkezik be,
1
2
i
. Itt va-
ljban vgtelen ksrletsorozatot kell elkpzelnnk, mert i rtke fellrl nem korltos.
A gyakorlatban azonban ez nem jelent problmt, mert a kapott valsznsgi vltoz
rtke 1 valsznsggel vges. Ez ltalban is teljesl, akkor is, ha nem szablyos rm-
vel dobunk. Jellje p a fej dobsnak valsznsgt, X pedig az els fej bekvetkezsig
szksges dobsok szmt. X eloszlsa: P(X = k) = p(1p)
k1
(k = 1, 2, ...). Itt lnye-
ges annak ellenrzse, hogy ezen valsznsgek sszege 1, mert az {X = } esemny
sem zrhat ki. Mivel

k=1
(1 p)
k1
= 1/(1 (1 p)), ezrt a vges k rtkekhez
tartoz valsznsgek sszege 1 s gy P(X = ) = 0.
A 3.14 bra mutatja, hogy klnbz p rtkek esetn mekkora rtkek elfordulsra
szmthatunk. Jl ltszik, hogy minden esetben a legkisebb rtk (az 1) a legvalsznbb.
Ha nem az els, hanem az r-edik sikeres esemny idpontjt keressk, akkor a k-
vetkez eloszlshoz jutunk: P(X = k) =
_
k1
r1
_
p
r
(1 p)
kr
(k = r, r + 1, r + 2, ...). Ezt
nevezzk r-ed rend negatv binomilis eloszlsnak.
42
Vgl tekintsk azt az esetet , amikor a "ksrletek" szma nem is hatrozhat meg
egyrtelmen. Hogyan modellezzk azt az X valsznsgi vltozt, ami azt adja meg,
hogy...
1. ...hny hurrikn tr ki egy adott idszakban?
2. ...hny hiba van egy aut fnyezsn?
3. ...hny baleset trtnik egy adott terleten egy napon?
Ezek mind olyan krdsek, amelyeknl klnbzkppen felbontva a keresett tartomnyt
(pldul az idszakot az 1. esetben) relis lehet a binomilis eloszls alkalmazsa. Itt
az n az aktulis felbonts elemszma, p pedig annak a valsznsge, hogy az adott
idszakban van hurrikn (ha elg sok rszre bontjuk fel az alaphalmazt, akkor relis
annak a felttelezse, hogy egy rszen bell nem kvetkezhet be kt esemny). A felbonts
nomtsval n s p 0. Belthat, hogy np > 0 esetn
P(X = k)

k
e
k!
(k = 0, 1, . . . ).
A kapott eloszls a paramter Poisson eloszls. Az, hogy ez valban eloszls, a
k=0
k
k!
= e
sszefggsbl addik. A 3.15 bra klnbz paramterrtkek mellett

mutatja a Poisson eloszlst. Lthat, hogy mindig kzelben van a legvalsznbb
rtk. A modell ltalnostsval a 10. rszben mg tallkozhatunk.
Ha mr bevezettnk olyan eseteket, ahol vgtelen sok ksrlettel is szmolnunk kellett,
akkor rdemes megemlteni, hogy a teljes valsznsg ttele is kiterjeszthet vgtelen sok
elem teljes esemnyrendszerre. Legyen A
1
, ..., A
n
, . . . teljes esemnyrendszer, pozitv
valsznsg esemnyekbl. Ekkor P(B) = P(B|A
1
)P(A
1
) +... +P(B|A
n
)P(A
n
) +. . .
Szmos esetben tudjuk hasznlni ezt az ltalnosabb felrst.
3.20 Feladat Annak a valsznsge, hogy egy gymlcsfn n virg van p(1 p)
n1
(n 1) ez az elzekben bevezetett, gynevezett geometriai eloszls). Minden egyes
virgbl a tbbitl fggetlenl r valsznsggel lesz gymlcs. Mi a valsznsge, hogy
1. pontosan k gymlcs lett?
2. Ha pontosan k gymlcs lett, akkor mi a valsznsge, hogy m virg volt?
Megolds. Legyen A
k
a keresett esemny (hogy pontosan k gymlcs lett), B
m
pedig
az az esemny, hogy m virg volt a fn.
1. A teljes valsznsg ttele rtelmben
P(A
k
) =
m=1
P(A
k
|B
m
)P(B
m
).
43
3.15. bra. A Poisson eloszls klnbz -ra, 11.19 kd
P(A
k
|B
m
) nyilvn 0, ha m < k, egybknt pedig a binomilis eloszls alkalmazhat
a P(A
k
|B
m
) kiszmtsra (legyen elszr k > 0):
P(A
k
) =
m=k
_
m
k
_
r
k
(1 r)
mk
p(1 p)
m1
.
Itt alkalmazhatjuk, hogy a k + 1-ed rend s (1 p)(1 r) paramter negatv
binomilis eloszls tagjainak sszege 1, teht az eredmny
p(1 p)
k1
r
k
(1 (1 r)(1 p))
k+1
.
A k = 0 esetet kln kell kezelni, mert a virgok szma legalbb 1.
P(A
0
) =
m=1
r
k
(1 r)
m
p(1 p)
m1
=
p(1 r)
(1 (1 r)(1 p))
.
2. A Bayes ttel rtelmben (m k-ra)
P(B
m
|A
k
) =
P(A
k
|B
m
)P(B
m
)
m=1
P(A
k
|B
m
)P(B
m
)
.
44
3.16. bra. A virgok szmnak szimullt eloszlsa a (3.20) feladatnl, az bra baloldaln
lthat paramter s szimulciszm esetn,11.23 kd
Teht a keresett valsznsg
P(B
m
|A
k
) =
(1 (1 r)(1 p))
k+1
_
m
k
_
r
k
(1 r)
mk
p(1 p)
m1
p(1 p)
k1
r
k
=
_
m
k
_
(1 (1 r)(1 p))
k+1
[(1 p)(1 r)]
mk
.
A feladat els rszhez kszlt interaktv animcik a http://hpz400.cs.elte.hu:
3838/ZA_jovirag_a/ s a http://hpz400.cs.elte.hu:3838/ZA_jovirag_b/ cmen ta-
llhat. Az elsben a felhasznl bellthatja a virgok szmt meghatroz geometriai
eloszls paramtert (p), a msodikban pedig annak r valsznsgt is, hogy egy virg-
bl gymlcs lesz, valamint a szimulcik szmt. Eredmnyknt egy-egy hisztogramot
kapunk: a virgok szmrl s a gymlcsk szmrl. A http://hpz400.cs.elte.hu:
3838/ZA_jovirag/ anmciban pedig egyttesen is megnzhetjk az brkat. A 3.16 s
3.17 bra egy-egy screenshot az eredmnyrl. Tovbbi (sszevont) brk tallhatak a
Fggelkben: 11.3, 11.4 s 11.5.
A feladat msodik rszhez kszlt interaktv animci pedig a http://hpz400.cs.
elte.hu:3838/ZA_jovirag2/ cmen tallhat. Itt az elzeken kvl mg azt is meg kell
adni, hogy hny gymlcs is lett. Eredmnyknt kt hisztogramot kapunk: a gymlcsk
szmrl s a kivlasztott gymlcsszmhoz tartoz virgszm-eloszlsrl. A 3.18 bra
egy screenshot az eredmnyrl.
3.21 Feladat Legyenek A, B, C, D egy szablyos tetrader cscsai. Egy lgy az A cscs-
bl indulva stl a tetrader lein, mgpedig minden cscsbl vletlenszeren vlasztva a
lehetsges hrom irny kzl. Jellje X azt a valsznsgi vltozt, hogy A-bl indulva,
hnyadikra r vissza elszr A-ba.Szmtsuk ki a P(X = n) valsznsget! Mutassuk
meg, hogy ez valban valsznsgeloszls!
45
3.17. bra. A gymlcsk szmnak szimullt eloszlsa a (3.20) feladatnl, az bra
baloldaln lthat paramterek s szimulciszm esetn,11.23 kd
3.18. bra. A gymlcsszm s a kivlasztott gymlcsszmhoz tartoz virgszm-
eloszls szimulcija a (3.20) feladatnl, az bra baloldaln lthat paramterek s szi-
mulciszm esetn 11.24 kd
46
Megolds. rjuk fel a megoldst a valsznsg klasszikus kplete alapjn:
P(X = k) =
3 2
k2
1
3
k
=
1
3
_
2
3
_
k2
(k = 2, 3, ...),
ugyanis
legalbb 2 lpsre van szksg, hogy visszarjnk A-ba
minden lpsben sszesen 3 irnyba haladhatunk, gy az sszes eset 3
k
j lpsek: elsknt 3 helyre mehetnk, utna (k 2) alkalommal 2 helyre, vgl
vissza kell lpni A-ba
Ez valsznsgeloszls, mivel
k=2
P(X = k) =
1
3
k=2
_
2
3
_
k2
=
1
3
n=0
_
2
3
_
n
=
1
3

1
1
2
3
= 1.
3.22 Feladat Aladr s Bla pingpongoznak. Minden labdamenetet egymstl fgget-
lenl, 1/3 valsznsggel Aladr, 2/3 valsznsggel Bla nyer meg. A jelenlegi lls
10 : 9 Bla javra. Mennyi annak a valsznsge, hogy a jtszmt mgis Aladr nye-
ri meg? (Az nyer, akinek sikerl legalbb kt pontos elny mellett legalbb 11 pontot
szerezni.)
Megolds. Az bra mutatja a jtk lehetsges kimeneteleit, Aladr:Bla sorrendben. A
piros kimenetek azt mutatjk, amikor Aladr nyert, a zld azt, amikor Bla.
9 : 10
1
3
yy
2
3
%%
10 : 10
1
9
yy
4
9
4
9
%%
9 : 1
12 : 10 11 : 11
1
9
yy
4
9
4
9
%%
10 : 12
13 : 11 12 : 12
1
9
yy
4
9
4
9
%%
11 : 13
14 : 12 ... 12 : 14
47
Az egyes labdamenetek egymstl fggetlenek, gy
P(Aladr nyer) =
1
3
1
9
+
1
3
4
9
1
9
+
1
3
_
4
9
_
2
1
9
+... =
1
27
k=0
_
4
9
_
k
=
1
27
1
1
4
9
=
1
15
.
Matematikailag az egyik legfontosabb krds a vletlen jelensgek aszimptotikj-
nak vizsglata, amihez vgtelen sok ksrletet is tudnunk kell vizsglni. A leggyakoribb
modell, amit hasznlunk, a fggetlen ksrletsorozat. Itt minden n-re alkalmazhat a
szorzat-szably.
3.23 Feladat Legyenek az A
1
, A
2
s A
3
egymst kizr esemnyek, melyek a P(A
1
)=p
1
,
P(A
2
)=p
2
s P(A
3
)=p
3
valsznsgekkel kvetkeznek be. Mennyi a valsznsge, hogy
n fggetlen ksrletet vgezve, a ksrletek sorn az A
2
elbb kvetkezik be, mint az
A
1
vagy az A
3
? Szmtsuk ki e valsznsg hatrrtkkt, ha a ksrletek szma a
vgtelenhez tart!
Megolds. Legyen B
i
: az i. ksrletnl A
2
bekvetkezik; C
i
: az i. ksrletnl egyik se
kvetkezik be. Ekkor P(B
i
)=p
2
s P(C
i
)=1 p
1
p
2
p
3
=: q. Fel fogjuk hasznlni,
hogy a C
i
s a B
i+1
esemnyek fggetlenek egymstl. rjuk fel a keresett esemnyt A
2
els bekvetkezse szerint:
P(A
2
elbb kvetkezik be, mint A
1
vagy A
3
) =
=P(B
1
(C
1
B
2
) (C
1
C
2
B
3
) ... (C
1
... C
n1
B
n
) ...) =
=P(B
1
) + P(C
1
)P(B
2
) + P(C
1
)P(C
2
)P(B
3
) + ... + P(C
1
) ... P(C
n1
)P(B
n
) + ... =
p
2
+ qp
2
+ q
2
p
2
+ ... + q
n1
p
2
+ ... =
p
2
1 q
=
p
2
p
1
+ p
2
+ p
3
.
A 3.19 brn azt ltjuk, hogy a 3.23 feladatnl milyen gyorsan konvergl a valsz-
nsg a hatrrtkhez. Mr 6 ksrlet esetn is igen j a kzelts.
Vgl kvetkezzk egy rdekes s nem is knny feladat az aszimptotika tmakrbl.
1
3.24 Feladat Tegyk fel, hogy egy dobozba 12 ra eltt 1/2
n
perccel beletesszk a
10(n 1) + 1, 10(n 1) + 2, . . . , 10n sorszm golykat (n = 1, 2, . . . ) s
1. ugyanekkor ki is vesszk a 10n sorszm golyt
2. ugyanekkor kivesszk az n sorszm golyt
3. ugyanekkor kivesznk egy vletlenszeren vlasztott golyt.
1
Forrs: Ross, [6]
48
3.19. bra. Az els sikeres ksrlet sorszmnak eloszlsa klnbz p-re
Mennyi goly lesz a dobozban pontban 12 rakor?
Megolds.
1. Ez mg knny, hiszen csak a 10-zel oszthat sorszm golykat vesszk ki, a tbbi
bent marad - teht dlben nyilvn vgtelen sok goly lesz a dobozban.
2. Ez pedig meglep: tekintsnk a k sorszm golyt. Mivel t kivesszk 1/2
k
perccel
dl eltt, ezrt dlben mr nem lesz a dobozban. s mivel ez az rvels tetszleges
sorszmra elmondhat, ezzel belttuk, hogy a doboz res lesz dlben.
3. Itt pedig zeltt kapunk a valsznsgszmtsban gyakori becslses mdszerbl
s egyttal bemutatjuk, hogy mikppen lehet vgtelen sok esemnnyel szmolni.
Tekintsnk egy golyt, amit a k. csoportban tettnk be a dobozba. Annak a
valsznsge, hogy ez 1/2
n
perccel dl eltt bent van a dobozban (n > k):
_
1
1
9k + 1
__
1
1
9(k + 1) + 1
_
. . .
_
1
1
9(n k + 1) + 1
_
.
Azt lltjuk, hogy ez 0-hoz tart, ha n . Ezzel ekvivalens llts, hogy a fenti
49
szorzat reciproka vgtelenhez tart.
9k + 1
9k

9(k + 1) + 1
9(k + 1)

9(n k + 1) + 1
9(n k + 1)

_
1 +
1
9k
__
1 +
1
9(k + 1)
_
. . .
_
1 +
1
9(n k + 1)
_
>
1
9k
+
1
9(k + 1)
+ +
1
9(n k + 1)
.
Ez utbbi pedig a szmok reciprokainak rszletsszegnek kilenced rsze. Mivel ez
a sor divergens, a mi sszegnk is vgtelenhez tart, ha n . Teht brmely
szm 0-hoz tart valsznsggel marad bent a dobozban. Mivel a valsznsg
folytonos, ezrt ebbl kvetkezik, hogy brmely szm 0 valsznsggel lesz dlben
a dobozban. Ebbl viszont
P(
_
az i. goly bent van dlben)
P(az i.goly bent van dlben) = 0.

1. Egy kockval (amelyik nem felttlenl szablyos) ktszer dobunk. A hatos dobs
eslyt jellje p (0 < p < 1). Legyen A az az esemny, hogy a msodik dobs hatos,
B pedig az az esemny, hogy pontosan egy hatos van a kt dobs kztt. Milyen
p-re lesz az A s a B esemny fggetlen?
2. Egy vrosban ugyanannyi fr l mint n. Minden 100 fr kzl 5 s minden
10000 n kzl 25 sznvak. Mennyi a valsznsge, hogy a sznvakokrl vezetett
nyilvntartsbl egy tallomra kivlasztott karton fr adatait tartalmazza?
3. Egy dobkockval addig dobunk, amg valamelyik korbban dobott szm jra el-
fordul. Mekkora az eslye annak, hogy hrmat dobtunk?
4. Egy szablytalan rmvel (fej valsznsge 2/3) addig dobunk, amg elszr fordul
az el, hogy a dobott fejek szma pontosan kettvel haladja meg a dobott rsok
szmt. Mennyi az eslye, hogy 6-ot kellett dobnunk?
5. Egy jtkos annyiszor lhet egy lggmbre, ahny hatost dob egyms utn egy
dobkockval. Mennyi a valsznsge, hogy sztlvi a lggmbt, ha egy lvsnl
erre 1/1000 az esly?
50
6. Szz kocka kzl 99 szablyos, egy pedig szablytalan, ennek mindegyik oldaln
6-os van. Tallomra vlasztunk egy kockt a szzbl, majd a kivlasztott kockval
hromszor dobunk. Mindhrom dobs eredmnye hatos. Mekkora az eslye, hogy
a szablytalan kockval dobtunk?
7. Kt kockadobsbl az els eredmnyt jelljk X-szel, a msodikt Y -nal. A k-
vetkez esemnyeket vizsgljuk:
(a) 2 osztja X-nek, 3 osztja Y -nak.
(b) 2 osztja Y -nak, 3 osztja X-nek.
(c) Y osztja X-nek.
(d) X osztja Y -nak,
(e) 2 osztja X + Y -nak,
(f) 3 osztja X + Y -nak.
Melyek lesznek kzlk fggetlenek?
8. 3 kockval dobunk, Y jelli a dobott szmok kzl a legnagyobbat. P(Y = 4) =?
9. Mi a valsznsge, hogy egy hatgyermekes csaldban 3 s 3 lny van? (Tegyk
fel, hogy mindig 1/2 1/2 a k, ill. a lnyok szletsi valsznsge).
10. Mi az eslye annak, hogy a 90/5-s lottnl a lottszmokat sorbarendezve a k.
szm ppen l-lel egyenl?
11. Ha visszatevssel hzunk n-szer abbl a sokasgbl, ahol a selejtarny p, akkor
mely selejtszm lesz a legvalsznbb?
12. 2 rmvel dobunk, majd mg annyi rmvel, ahny fejet az els kt rmvel kap-
tunk. Jellje X az sszesen kapott fejek szmt. P(X = k) =?
13. Kt doboz kzl az elsben k db fehr s m db piros, a msodikban m db fehr
s k db piros goly van. Visszatevssel hzunk az albbi szably szerint: ha a
kihzott goly fehr, akkor a kvetkez hzsnl az els dobozt, ha piros, akkor
pedig a msodik dobozt hasznljuk. (Az els golyt az els dobozbl hzzuk.) Mi
a valsznsge, hogy az n-edik hzsnl fehr golyt hzunk? Mihez tart ez a
valsznsg, ha n ?
14. Egy jtkos annyiszor lhet egy lggmbre, ahny 6-ost dobott egyms utn egy
dobkockval (pldul, ha elsre 6-ost, msodikra 2-est dob, akkor egyszer lhet).
Mennyi a valsznsge, hogy sztlvi a lggmbt, ha egy lvsnl 1/1000 valsz-
nsggel tall?
51
15. Jellje X, hogy egy szablytalan rmvel dobva (p a fej valsznsge), hnyadik
dobsnl lesz elszr kt egyms utni dobs azonos. Adjuk meg X eloszlst.
16. Addig dobunk kt kockval, amg ktszer el nem fordul az, hogy a kt kockn lv
szmjegyek sszege 10.
(a) Mennyi a valsznsge, hogy sszesen nyolcszor dobunk?
(b) Mennyi annak a valsznsge, hogy pontosan nyolcszor dobunk 10-nl kisebb
sszeget, mieltt a keresett esemny bekvetkezik?
17. Egy clba lvnk addig, mg el nem talljuk, de legfeljebb hromszor. Az els
lvsnk 60% esllyel tall, de utna gyesednk s, gy a msodszorra mr 70%,
harmadszorra pedig 80% a tallati valsznsgnk. Mi a valsznsge, hogy
(a) 3 lvsbl sem talljuk el a clt?
(b) a 3. lvssel talljuk el?
(c) nem talljuk el, feltve, hogy az els lvst elhibztuk?
18. Egy szablytalan rmvel dobunk (p a fej valsznsge). Jellje X az els, azono-
sakbl ll sorozat hosszt,Y pedig a msodik, azonosakbl ll sorozat hosszt.
Teht pldul, ha a dobssorozat FFIIIF, akkor X = 2 s Y = 3 (1 hossz "soro-
zat" is lehetsges.) Adjuk meg X, illetve Y eloszlst.
19. Hrom egyformn ers teniszjtkos: A, B s C jtszik mrkzseket. A s B
kezd, majd a gyztes jtszik C-vel, s gy tovbb, mindaddig, amg valaki ktszer
egyms utn nyer s gy megnyeri az egsz meccset. Tegyk fel, hogy brmely
mrkzst brmely jtkos a tbbi mrkzstl fggetlenl 1/2 valsznsggel nyer
meg. Mennyi a valsznsge, hogy A, B ill. C nyeri meg a meccset?
52
4. fejezet
A ksrletek jellemzi: kzprtkek,
ingadozs, vrhat rtk, szrs
Ksrletsorozatok eredmnyeinek sszefoglalsa gyakori feladat. Gondoljunk csak ar-
ra, hogy mennyi adat keletkezik a legklnbzbb ksrletek sorn nap-mint nap s hogy
ezek lnyegnek rgztse nlkl teljesen ttekinthetetlenek lennnek az eredmnyek. Te-
kintsk pldul a nap mint nap ltott, hallott idjrs-jelentst! Ez az adott idszakra
vrt (gyakran ppen vletlen szimulcival vizsglt) kimenetelek sszefoglalsa. Szerepel
benne a legalacsonyabb, illetve legmagasabb hmrsklet-rtk, gyakran az tlagos csapa-
dkmennyisg s szlsebessg is. Teht egyszerre az ingadozs egy lehetsges mrszma
s a kzprtkek is szerepelnek benne. Kezdjk a vizsglatainkat a kzprtkekkel.
4.1. Kzprtkek
A mrt adatok legfontosabb kzprtkei az tlag (szmtani kzp) s a medin (a nagy-
sg szerint sorbarendezett rtkek kzl a kzps. Pros sok meggyels esetn ez nem
egyrtelm, ilyenkor a kt kzps rtk tlagval szoktk denilni.)
rdemes megjegyezni, hogy br az tlag sok eloszls esetn optimlis statisztikai tu-
lajdonsg, ha kiugr rtkek is vannak az adataink kztt, megbzhatatlan mrszmm
is vlhat. Ezt gy mondjuk, hogy az tlag rzkeny a kiugr rtkekre. A medint vi-
szont nem befolysoljk ezek az rtkek, ezrt ajnlhat az alkalmazsa, ha szmtani
lehet (esetleg kevsb megbzhat) kiugr rtkekre.
Mind a kt kzprtk rendelkezik optimum-tulajdonsggal: az tlag a minimumhelye
a min
a
{
n
i=1
(x
i
a)
2
} szlsrtk-feladatnak, a medin pedig a min
a
{
n
i=1
|x
i
a|}
szlsrtk-feladatnak.
Ennek illusztrlst interaktv animci formjban a http://hpz400.cs.elte.hu:
3838/ZA_median_a/ s a http://hpz400.cs.elte.hu:3838/ZA_median_b/ weblapon
tallhatjuk. Egy-egy screenshot a 4.1 s 4.2 bra. Tovbbi brk pedig a fggelkben
53
tallhatak: 11.6, 11.7 s 11.8. Jl lthat, hogy mennyire eltr az optimumok rtke
az egyes eloszlsokra. A http://hpz400.cs.elte.hu:3838/ZA_median/ animci pedig
egy brban mutatja a ktfajta vesztesgfggvnyt s a kt optimumot.
4.1. bra. A medin optimumtulajdonsga az bra baloldaln lthat eloszlsra s
mintanagysgra
4.2. bra. Az tlag optimumtulajdonsga az bra baloldaln lthat eloszlsra s min-
tanagysgra
Ha nem adatok, hanem az eloszls alapjn szeretnnk mondani valamit a jvbeni
rtkek kzprtkrl, akkor clszer bevezetni az tlag elmleti megfeleljt, az gy-
nevezett vrhat rtket E(X). Ez a most vizsglt esetekben egyszeren a lehetsges
rtkeknek a hozzjuk tartoz valsznsggel vett slyozott sszegeknt kaphat meg:
E(X) =
i=1
x
i
P(X = x
i
),
azaz az tlag gy is felfoghat, mint a tapasztalati eloszls ez minden meggyelshez
1/n valsznsget rendel vrhat rtke. A medin elmleti rtke pedig denilhat
54
4.3. bra. Az tlag s a medin sszehasonltsa az bra baloldaln lthat eloszlsra
s szimulciszmra, 11.25 kd
gy, mint
inf{x R : P(X < x) 1/2}.
A nevezetes eloszlsok vrhat rtkt gyakorlatilag minden tanknyv levezeti, ezrt itt
csak hivatkozunk ezekre az eredmnyekre:
Az (n, p) paramter binomilis eloszls vrhat rtke np.
A paramter Poisson eloszls vrhat rtke .
A p paramter geometriai eloszls vrhat rtke 1/p.
Nhny folytonos eloszlsbl szrmaz minta tlagt s medinjt hasonlthatjuk
ssze a http://hpz400.cs.elte.hu:3838/ZA_mean/ lapon tallhat interaktv szimu-
lci segtsgvel. Itt kivlaszthatjuk az eloszlst (normlis, exponencilis vagy 2 pa-
ramter Pareto) s megadhatjuk a szimulci-szmot. (Az eloszlsok dencijt a 5.
rszben adjuk meg.) A 4.3 bra egy screenshot a szimulcibl. A folytonos eloszlsok
vrhat rtkt a 5.2 fejezetben fogjuk denilni.
Gyakran hasznlhat a vrhat rtk azon fontos tulajdonsga, hogy X = X
1
+...+X
n
esetn (ha lteznek a valsznsgi vltozk vrhat rtkei) E(X) = E(X
1
)+...+E(X
n
).
4.1 Feladat Egy betegsg a ataloknl 1%-os, a kzpkoraknl 2%-os, mg az idsek-
nl 10%-os valsznsggel lp fel. A lakossg 30%-a atal s 50%-a kzpkor. Ezer
vletlenszeren kivlasztott szemly kzl mennyi lesz a betegek szmnak vrhat r-
tke?
55
Megolds. A 3.4 feladatban lttuk, hogy egy vletlenszeren kivlasztott szemly 33/1000
valsznsggel beteg. A betegek szma X = X
1
+... +X
1000
, ahol X
i
annak az esemny-
nek az indiktora, hogy az i-edik szemly beteg (azaz X
i
ekkor 1, egybknt pedig 0).
Az elzekben ltott additivits miatt E(X) = 1000E(X
i
) s mivel E(X
i
) = P(X
i
=
1) = 33/1000, gy a vgeredmny E(X) = 33.
4.2 Feladat Egy sorsjtkon 1 darab 1 000 000Ft-os, 10 db 100 000Ft-os, s 100 db1 000Ft-
os nyeremny van. A jtkhoz 10 000 db sorsjegyet adtak ki. Mennyi a sorsjegy ra, ha
egy sorsjegyre a nyeremny vrhat rtke megegyezik a sorsjegy rval?
Megolds. Most is az additivitst hasznlhatjuk. Az sszes sorsjegyen kiosztott ssz-
nyeremny 2, 1 milli Ft. Felttelezhetjk, hogy minden sorsjegy ugyanakkora esllyel
nyer, teht az egy szelvnyre es vrhat nyeremny 210 Ft.
4.3 Feladat Tegyk fel, hogy egy dobozban van 2N krtyalap, melyek kzl kettn 1-es,
kettn 2-es szm van s gy tovbb. Vlasszunk ki vletlenszeren m lapot. Vrhatan
hny pr marad a dobozban?
Ez a feladat mg Bernoullitl szrmazik, eredetileg N prbl m halleset utn meg-
marad hzassgok szmt modellezte ezen a mdon. Megolds. Most is az additivitst
hasznlhatjuk. Legyen X
i
annak az esemnynek az indiktora, hogy az i-edik pr bent
maradt a dobozban (azaz X
i
ekkor 1, egybknt pedig 0).
E(X
i
) = P(X
i
= 1) =
_
2N2
m
_
_
2N2
m
_ =
=
(2N2)!
m!(2N2m)!
(2N)!
m!(2Nm)!
=
(2N m)(2N m1)
2N(2N 1)
.
Teht a keresett vrhat rtk
E(X) = E(X
1
+ X
2
+ + X
n
) = N
(2N m)(2N m1)
2N(2N 1)
=
(2N m)(2N m1)
2(2N 1)
.
4.4 Feladat Vrhatan hnyszor kell dobni egy szablyos kockval, hogy minden szmot
legalbb egyszer megkapjunk?
56
4.4. bra. A megmarad prok szmnak vrhat rtke klnbz N s m-re (a 4.3
feladathoz, 11.20 kd)
Megolds. Most is hasznlhatjuk az sszegrebontst, de egy kevsb trivilis mdon.
Most azt clszer szrevennnk, hogy az j szmok dobsa egyre nehezebb vlik, ahogy
mr egyre tbb szmot dobtunk. Teht X (a szksges dobsok szma) klnbz
eloszls tagokra bonthat:
X = X
1
+ X
2
+ . . . ... + X
6
,
ahol X
i
az a dobsszm ami ahhoz kell, hogy i 1 szm utn az i-edik is kijjjn.
X
1
= 1, hiszen elsre brmit dobhatunk. Ezutn X
2
annak felel meg, hogy mennyit
kell vrni egy 5/6 valsznsg esemnyre, teht X
2
geometriai eloszls, E(X
2
) = 6/5.
Ugyangy E(X
i
) = 6/(7i), mert ekkor mr i 1 rossz szm van. A vgeredmny teht
E(X) = 1 + 6/5 + 3/2 + 2 + 3 + 6 = 14, 7.
4.5 Feladat Tegyk fel, hogy egy dobozban van n fehr s m piros goly. Visszatevs
nlkl hzunk addig, mg az els fehr golyt meg nem kapjuk. Vrhatan hny hzsra
van ehhez szksg?
Megolds. Jellje X a krdses mennyisget. Ezt gy kaphatjuk meg, hogy az els
fehr eltt kihzott piros golyk szmhoz hozzadunk 1-et. Feltehetjk, hogy ezek meg
vannak sorszmozva 1-tl m-ig. Tekintsk ezeknek az indiktorait: X
i
= 1 pontosan
57
4.5. bra. Ahhoz szksges ksrletek szmnak vrhat rtke, hogy egyformn valsz-
n kimenetelek mindegyike legalbb egyszer kijjjn, a lehetsges kimenetelek szmnak
fggvnyben (a 4.4 feladathoz, 11.21 kd)
akkor, ha az i sorszm pirosat az els fehr eltt hztuk ki (klnben pedig 0). Ezekkel
a jellsekkel
E(X) = 1 + E(X
1
) + E(X
2
) + + E(X
m
),
hiszen X = 1 + X
1
+ X
2
+ + X
m
. E(X
i
) = P(X
i
= 1) =
1
n+1
, hiszen az n fehret
s az adott pirosat brmilyen sorrendben ugyanakkora valsznsggel hzhatjuk, s a
sorrendek kzl pontosan 1 olyan van, amikor a piros az els. A vgeredmny teht
E(X) = 1 +
m
n + 1
.
A teljes valsznsg ttelhez hasonl llts a vrhat rtkekre is megfogalmazhat.
4.1 Ttel Legyen A
1
, ..., A
n
teljes esemnyrendszer, pozitv valsznsg esemnyekbl.
Ekkor E(X) = E(X|A
1
)P(A
1
)+...+E(X|A
n
)P(A
n
), ahol E(X|A) az X A bekvetkezse
melletti, gynevezett feltteles vrhat rtke.
4.6 Feladat Dobjunk egy rmvel annyiszor, amennyit egy szablyos kockval dobtunk.
Jellje X a fejek szmt. E(X) =?
Megolds. A teljes esemnyrendszer most a kockadobs lehetsges eredmnynek meg-
felelen 6 elem. A teljes vrhat rtk ttel rtelmben E(X) = E(X|A
1
)P(A
1
) +... +
58
E(X|A
6
)P(A
6
) = (1/2 +1 +3/2 +2 +5/2 +3)/6 = 7/4, ami teljesen termszetes, hiszen
a kockadobs vrhat rtke 3,5 s vrhatan ezek fele lesz a fejre es rmk szma.
4.2. Az ingadozs mrtke s lehetsges mrszmai
Az ingadozsra mg tbb mrszmot vezethetnk be, mint a kzprtkekre. A leg-
gyakrabban hasznlt mrszm a szrsngyzet (D
2
, variancia), mely a vrhat rtktl
vett tlagos ngyzetes eltrs, kplettel:
D
2
(X) = E[(X E(X))
2
].
A szrsngyzetet a gyakorlatban ltalban a
D
2
(X) = E(X
2
) E
2
(X)
kplettel a legegyszerbb kiszmtani.
4.7 Feladat Legyen X p paramter indiktor vltoz. D
2
(X) =?
Megolds. E(X
2
) = p 1 + (1 p) 0 = p, teht D
2
(X) = p p
2
= p(1 p).
4.8 Feladat Legyen X paramter Poisson eloszls vltoz. D
2
(X) =?
Megolds.
E(X
2
) =
i=1
i
2
i
e
i!
=
i=1
i

i
e
(i 1)!
,
amit tovbbalaktva
E(X
2
) =
i=1
(i 1 + 1)

i
e
(i 1)!
=
i=2
i
e
(i 2)!
+
i=1
i
e
(i 1)!
=
2
+ ,
teht D
2
(X) = E(X
2
) E
2
(X) =
2
+
2
= .
Klnbz becslseknl gyakran clszer a szrsngyzet ngyzetgyknek, a szrs-
nak (D(X)) a hasznlata.
Ugyanakkor a szrsngyzetre mg inkbb igaz, amit a kiugr rtkek jelents hat-
srl a vrhat rtkkel kapcsolatosan mondtunk.
Ha nem az elmleti eloszls, hanem adatok alapjn szeretnnk mrszmokat kapni az
ingadozsra, akkor erre is tbb lehetsgnk van. Kiszmolhatjuk pldul a tapasztalati
eloszls kvantiliseit, vagy ezek szls rtkt: a minimumot s a maximumot.
59
4.6. bra. A 97, 5%-os kvantilis a 3 paramter Pareto eloszlsra 500 szimulci alapjn,
11.33 kd
Elssorban az egyszer kiszmtsa miatt volt rgebben npszer a terjedelem: R =
max(X
1
, ..., X
n
) min(X
1
, ..., X
n
), amely azonban mint elmleti mennyisg nem kl-
nsebben rdekes. Viszont vannak vltozatai, amelyek a kiugr rtkekre rzketlenek,
ezek kzl elssorban az interkvartilis terjedelmet (a fels s als kvartilisek klnbsgt
azaz annak a tartomnynak a szlessgt, amelybe a meggyelsek kzps 50%-a esik
) szoktk erre a clra a gyakorlatban hasznlni.
Klnbz paramter szimullt Pareto eloszlsok kvantiliseit vizsglhatjuk a http:
//hpz400.cs.elte.hu:3838/ZA_quantile/ lapon tallhat interaktv szimulci segt-
sgvel. Itt kivlaszthatjuk az eloszls paramtert, a kvantilist s megadhatjuk a szi-
mulci elemszmt. rdemes a szimulcit akr ugyanarra a belltsra is tbbszr
lefuttatni, ezzel is ellenrizve a kapott rtkek szrdst. Minl magasabb kvantilist s
minl kisebb paramtert vlasztunk, annl nagyobb lesz az ingadozs. A 4.6 bra egy
screenshot a szimulcibl.
A szrsngyzet legfontosabb tulajdonsga, hogy fggetlen (st: korrellatlan lsd
a 6.4 szakaszt) valsznsgi vltozkra sszeaddik. Ha mg konstans szorzt is megen-
gednk, akkor az albbi formult kapjuk:
D
2
(aX + bY ) = a
2
D
2
(X) + b
2
D
2
(Y ), (4.1)
ahol X, Y fggetlen valsznsgi vltozk, a, b R.
4.9 Feladat 5-szr dobunk egy szablyos kockval. Legyen X a 6-osok szma. D
2
(X) =?
60
4.7. bra. A dobott hatosok szmnak szrsa a dobsok szmnak fggvnyben, a
hatos dobsnak klnbz p valsznsgre (a 4.9 feladathoz)
Megolds. X = X
1
+ +X
5
, ahol X
i
akkor 1, ha az i-edik dobs hatos (klnben 0).
X
i
indiktor vltoz 1/6 paramterrel, gy D
2
(X
i
) = 1/6 1/36 = 5/36. A 4.1 kplet
alapjn D
2
(X) = 25/36, ami specilis esete a binomilis eloszlsra vonatkoz ltalnos
np(1 p) formulnak.
4.10 Feladat Legyenek X s Y fggetlen, nulla vrhat rtk valsznsgi vltozk.
E(X
2
) = 3 s E(Y
2
) = 1. Mennyi D(X Y )?
Megolds. A 4.1 kplet alapjn D
2
(X Y ) = D
2
(X) + (1)
2
D
2
(Y ). s mivel a 0
vrhat rtk miatt D
2
(X) = E(X
2
), az eredmny D
2
(X Y ) = 3 + 1 = 4, azaz
D(X Y ) = 2.
1. Egy dobozban az 1, 2, 3, 4 felirat 4 cdula van. Visszatevssel hzunk, amg 4-es
nem kerl a keznkbe. Mekkora a kihzott szmok sszegnek vrhat rtke?
2. Jellje X az tslottn kihzott lottszmoknl
(a) a prosak szmt.
61
(b) a legkisebbet. Adjuk meg X vrhat rtkt.
3. Legyenek X s Y fggetlen 0 vrhat rtk valsznsgi vltozk. Mennyi D
2
(XY ),
ha E(X
2
) = 2 s E(Y
2
) = 3?
4. Egy urnban 3 piros, 3 fehr s 3 zld goly van. Visszatevssel hzunk, mg leg-
albb egyet nem kapunk minden sznbl. Mennyi lesz a kihzott golyk szmnak
vrhat rtke?
5. Egy bnysz a bnya egy termben rekedt. A terembl hrom ajt nylik: az els
ajt 3 rnyi t vgn a szabadba vezet. A msodik ajt egy alagtba nylik, mely
5 rnyi sta utn visszavezet ugyanebbe a terembe. A harmadik ajt szintn egy
alagtba nylik, mely 7 rnyi sta utn vezet vissza ugyanebbe a terembe. A
bnysz minden alkalommal, amikor ebbe a terembe r, e hrom ajt kzl vlaszt
egyet egyenl valsznsggel, az elz vlasztsoktl fggetlenl. Legyen X a
szabadba kijutshoz szksges id. E(X) =?
6. Dobjunk egy rmvel annyiszor, amennyit egy szablyos kockval dobtunk. Jellje
X a fejek szmt. E(X) =?
7. Jellje X az tslottn kihzott lottszmoknl
(a) a prosak szmt.
(b) a legkisebbet.
Adjuk meg X vrhat rtkt.
8. Kt kockval dobunk. Egy ilyen dobst sikeresnek neveznk, ha van 6-os a kapott
szmok kztt. Vrhatan hny sikeres dobsunk lesz n prblkozsbl?
9. A zsebemben lev 5, 10, 20, 50, 100 s 200 forintos rmk szma fggetlen Poisson()
eloszls valsznsgi vltozk. Hatrozzuk meg aprpnzem rtknek vrhat
rtkt!
10. Legyen X -paramter Poisson eloszls. E(1/(X + 1)) =?
11. Hzzunk egy francia krtyacsomagbl kt lapot visszatevs nlkl. Jellje X a
krk, Y pedig az szok szmt. Adjuk meg X s Y egyttes eloszlst!
12. Tegyk fel, hogy egy adott terleten s idszakban a hurriknok szma Poisson fo-
lyamattal modellezhet. Vrhat rtkben hetente 1 hurriknra szmthatunk. Mi
a valsznsge, hogy 4 ht alatt legfeljebb 2 hurrikn lesz? Ha az egyes hurriknok
ereje p = 1/5 valsznsggel haladja meg a 2-es fokozatot, akkor vrhatan hny
ilyen hurrikn lesz egy hnap alatt?
62
13. Egy 10 emeletes hz fldszintjn 15 ember szll be a liftbe. Mindenki a tbbitl
fggetlenl 1/10 esllyel szll ki az egyes emeleteken. Vrhatan hny emeleten ll
meg a lift?
14. Tegyk fel, hogy 13-szor hzunk visszatevssel egy magyarkrtya-csomagbl. Je-
llje X azt, hogy hny klnbz rtk lapot hztunk. Adjuk meg az X vrhat
rtkt.
15. 10 ember (5 pr) vletlenszeren lel egy kerek asztalhoz. Vrhatan hny pr
tagjai kerlnek egyms mell?
16. n ember bedobja a nvjegyt egy dobozba, majd mindenki vletlenszeren hz egy
nvjegyet. Vrhatan hny ember hzza a sajt nvjegyt? (L. a 2.9 brt.)
17. 5-szr dobunk egy szablyos kockval. X a 6-osok szma. D
2
(X) =?
18. Adjuk meg az {1, 2, ..., N} szmokon egyenletes eloszls szrsngyzett.
63
5. fejezet
Folytonos modellek s tulajdonsgaik
Az elz fejezetekben mind az esemnyternk, mind a vletlen mennyisgeink rtkksz-
lete vges vagy megszmllhatan vgtelen volt. rezhet, hogy ezen modellek hasznl-
hatsga behatrolt, hiszen gyakran igen egyszer krdsekre sem tudnnk vlaszolni,
ha csak ebben a krben maradnnk. Pldul egy radioaktv rszecske bomlsnak id-
pontja, egy ember lettartama s sok ms is jobban modellezhet nem megszmllhat
rtkekkel. Ezen tlmenen nagyon sok esetben a folytonos modellek sokkal knnyebben
kezelhetk mint a diszkrtek.
Ugyanazokat az elnevezseket hasznljuk itt is, mint a korbbiakban.
5.1 Denci : biztos esemny, illetve esemnytr. : elemi esemny. A A :
esemny (nem felttlenl sszes rszhalmaza). P: valsznsg. P(A): az A esemny
valsznsge (0 P(A) 1).
Itt mr jeleztk, hogy elfordulhat, hogy nem minden rszhalmaza esemny. Szk-
sgnk lesz a kvetkez fogalomra.
5.2 Denci Az rszhalmazainak A rendszere -algebra, ha (i) A, (ii) A
n

A
A
n
A s (iii) A A A = \A A.
Mit kvetelnk meg az esemnytrtl, a valsznsgtl? ltalnosan elfogadott A.
N. Kolmogorov aximarendszere.
5.3 Denci (, A, P) Kolmogorov-fle valsznsgi mez, ha (i) A rszhal-
mazainak -algebrja, (ii) P nemnegatv fggvny A -n, (iii) P() = 1 s (iv) A
n
A
diszjunkt halmazokra P(
A
n
) =
P(A
n
).
Elszr nzznk meg egy nagyon egyszer esetet, amely nagyon hasonlt a kombina-
torikus valsznsgi mezhz!
5.4 Denci (Geometriai valsznsgi mez) Legyen R
d
s () < , ahol
-vel jelljk a d-dimenzis trfogatot. Minden A mrhet halmazra legyen P(A) =
(A)
()
.
64
5.1. bra. Pter s Juli rkezsi idpontjai
Megjegyezzk, hogy d = 3 esetn a szoksos trfogatrl, d = 2 esetn pedig terletrl
van sz.
5.1 Feladat Pter s Juli 10 s 11 ra kztt vletlenszer idpontban rkeznek egy
tallkoz sznhelyre, legfeljebb 10 percet vrva a msikra. Mekkora valsznsggel
tallkoznak?
Megolds. Pter s Juli rkezsi idpontjait egy ngyzet pontjainak feleltetjk meg s
egyb informci hinyban geometriai valsznsgi mezt feltteleznk.
Az 5.1 brn satrozssal jelltk azokat a pontokat, melyek azoknak az rkezseknek
felelnek meg, amikor Pter s Juli tallkoznak. Az brrl jl lthat, hogy a keresett
valsznsg.
P(tallkoznak) = 1 (
5
6
)
2
=
11
36
.
5.2 Feladat Egysgnyi oldal ngyzetbl tallomra vlasztunk egy pontot. Mekkora
az eslye annak, hogy a kivlasztott pont oldalaktl mrt tvolsgainak ngyzetsszege
legalbb ktszer akkora, mint a bal als saroktl mrt tvolsgnak ngyzete?
Megolds. Geometriai valsznsgrl szl a feladat, = [0, 1]
2
. Legyen A a szban
forg esemny. Ekkor
A =
_
(x, y) : x
2
+ (1 x)
2
+ y
2
+ (1 y)
2
2(x
2
+ y
2
)
_
65
Az A halmaz pontjaira vonatkoz felttelt talakthatjuk
x
2
+ (1 x)
2
+ y
2
+ (1 y)
2
2(x
2
+ y
2
)
x
2
+ 1 2x + x
2
+ y
2
+ 1 2y + y
2
2(x
2
+ y
2
)
2 2(x + y) 0
1 x + y
Azaz A a ngyzet bal als sarknl lv egysgnyi befogj derkszg hromszg. gy
P(A) = t
A
= 1/2.
5.1. Valsznsgi vltozk
Az ltalnos esetben a valsznsgi vltoz meghatrozsnl knytelenek vagyunk bi-
zonyos megktseket tenni.
5.5 Denci : R valsznsgi vltoz, ha minden x R szmra {w : (w) <
x} A.
Az elz fejezetekben vizsglt valsznsgi vltozk diszkrtek voltak.
5.6 Denci A valsznsgi vltoz diszkrt, ha rtkkszlete vges vagy meg-
szmllhat, azaz lteznek olyan x
k
vals szmok s A
k
teljes esemnyrendszer, hogy
=
k
x
k

A
k
.
A valsznsgi vltoz eloszlst hatrozza meg az eloszlsfggvny.
5.7 Denci A valsznsgi vltoz eloszlsfggvnye F
(x) = P( < x), ahol

x R.
Diszkrt esetben P( = x
k
) = F
(x
k+1
) F
(x
k
).
5.1 Ttel Az F
eloszlsfggvnyre teljeslnek az albbiak:

(i) F
monoton nv.
(ii) lim
x
F
(x) = 0 s lim
x+
F
(x) = 1
(iii) F
balrl folytonos s jobbrl ltezik a hatrrtke minden x R helyen.

Az llts megfordtsa is igaz, azaz, ha egy fgvny kielgti az lltsban szerepl
hrom tulajdonsgot, akkor ltezik olyan valsznsgi vltoz, amelynek ez a fggvny
az eloszlsfggvnye.
5.3 Feladat Tekintsk az [a, b] intervallumon a geometriai valsznsgi mezt s legyen
(w) = w. Ez megfelel annak, hogy az intervallumbl vletlenszeren s egyenletesen
vlasztunk egy pontot. Mi eloszlsfggvnye?
66
Megolds. Ekkor az eloszlsfggvny a kvetkezo alak P( < x) =
_
_
0 : x a
xa
ba
: a < x t + s | > s) = P( > t)
teljesl minden t, s > 0-ra.
5.4 Feladat (-exponencilis eloszls) Jellje egy hagyomnyos izz lettartamt.
Nyilvnval, hogy csak pozitv rtkeket vehet fel s meggyeltk azt is, hogy az izzk
lettartama rkifj tulajdonsg. Mi lehet az lettartamok eloszlsa?
Megolds. Legyen G(t) = P( > t), t > 0, gy
G(t+s)
G(s)
=
P(>t+s , >s)
P(>s)
= G(t), azaz
G(t+s) = G(t)G(s). Ebbl kvetkezik, hogy G(t) = e
t
alak. Mivel G(t) valsznsg,
ezrt > 0. Az eloszlsfggvny balrl folytonossga miatt P( < t) lim
0
P(
t ) lim
0
P( < t ) = P( < t) s ebbl P( < t) = lim
0
P( t ) =
lim
0
(1 e
(t)
) = 1 e
t
. Knnyen lthat a fordtott irny is, teht, hogy egy ilyen
eloszlsfggvny valsznsgi vltoz rkifj eloszls.
5.9 Denci Az F(t) =
_
0 : t 0
1 e
t
: 0 < t
eloszlsfggvny valsznsgi vltoz-
kat -paramter exponencilis eloszlsnak nevezzk.
5.5 Feladat Az X valsznsgi vltoz eloszlsfggvnye F. Hatrozzuk meg m+X
eloszlsfggvnyt, ahol > 0 s m rgztett konstansok!
Megolds. P(m + X < x) = P(X <
xm
) = F(
xm
).
A valsznsgi vltozk egyik legfontosabb osztlya a kvetkez.
5.10 Denci A valsznsgi vltoz abszolt folytonos eloszls, ha ltezik olyan
nemnegatv f fggvny, hogy F
(x) = P( < x) =
_
x
f(s) ds. Az f fggvnyt a

valsznsgi vltoz srsgfggvnynek nevezzk.
Ekkor F
(x) = f(x) vges sok pontot kivve, tovbb f integrlja az egsz szmegye-
nesen 1-el egyenl. Ez utbbi tulajdonsg karakterizlja a srsgfggvnyeket, azaz,
ha egy nemnegatv fggvny integrlja az egsz szmegyenesen 1, akkor ltezik olyan
valsznsgi vltoz melynek pont ez a srsgfggvnye.
67
Az [a, b] intervallumon egyenletes eloszls valsznsgi vltoz srsgfggvnye
f
(x) =
_
0 : x / [a, b]
1
ba
: x [a, b]
.
Az 5.2 s 5.3 brn lthatjuk 3 klnbz intervallumon rtelmezett egyenletes eloszls
5.2. bra. Egyenletes eloszls vltozk srsgfggvnye
5.3. bra. Egyenletes eloszls vltozk eloszlsfggvnye
valsznsgi vltoz srsg- illetve eloszlsfggvnyt.
Hasonlan knnyen hatrozhat meg a -paramter exponencilis eloszls valsz-
nsgi vltoz srsgfggvnye f
(t) =
_
0 : t 0
e
t
: 0 < t
. Az 5.4 s 5.5 brn az
exponencilis eloszls srsg-, illetve eloszlsfggvnyt brzoltuk.
68
5.4. bra. Klnbz paramter exponencilis eloszlsok srsgfggvnye
5.5. bra. Klnbz paramter exponencilis eloszlsok eloszlsfggvnye
5.6 Feladat Az X valsznsgi vltoz a [0, c] intervallumon veszi fel rtkeit s ott
srsgfggvnye x
2
. Hatrozzuk meg c rtkt s annak valsznsgt, hogy 1 < X < 3!
69
5.6. bra. Intervallumhossz klnbz kitevj srsgfggvnyek esetben
Megolds. Mivel X a [0, c] intervallumon veszi fel rtkeit, ezrt az intervallumon kvl
a srsgfggvny 0. gy mivel a srsgfggvny integrlja a szmegyenesen 1, ezrt
az
_
c
0
x
2
dx =
c
3
3
= 1 egyenlsgnek kell teljeslnie. Ebbl rgtn megkapjuk a c = 3
1/3
rtket. A keresett valsznsget mint a srsgfggvny integrljt kapjuk meg:
P(1 < X < 3) =
_
min(c,3)
1
x
2
dx = 1
1
3
3
=
2
3
Az 5.6 brn mutatjuk be, hogy amyennyiben a srsgfggvny x
, akkor az intervallum
hossza hogyan fgg az paramtertl.
Nzznk most egy geometriai valsznsgi mezn rtelmezett valsznsgi vltozt!
5.7 Feladat Vlasszunk egy pontot tallomra az egysgngyzetbl, azaz [0, 1] [0, 1]-
bl! Jellje a vlasztott pont kt koordintjnak az sszegt. Szmtsuk ki eloszls
s srsgfggvnyt!
Megolds. Az F
(t) = P( < t) rtkeket kell meghatroznunk. rtke biztosan 0 s

2 kz esik, ezrt P( < t) = 0 ha t 0 s P( < t) = 1, ha t > 2. gy rdemi szmolst
csak a t (0, 2) eset ignyel. Jellje X, Y a vlasztott pont kt koordintjt. Ha
t (0, 2), akkor P( < t) = P(X + Y < t) = P(Y < t X), azaz a szmunkra kedvez
kimenetelek az egysgngyzetnek az y = t x egyenes al es rsze. Ennek a skidomnak
a terlete adja a krdses valsznsget. t (0, 1] esetn ez egy t befogj egyenl szr
derkszg hromszg, melynek terlete t
2
/2, ahogy az az 5.7 brbl rgtn ltszik. Ha
t (1, 2] akkor a ngyzetbl egy 2t befogj derkszg hromszget kell elhagynunk (a
jobb fels saroknl, ahogy ez a 5.8 brn ltszik), gy a megmarad terlet 1(2t)
2
/2.
70
5.7. bra. 2 koordinta sszege
5.8. bra. 2 koordinta sszege
71
sszefoglalva
F
(t) = P( < t) =
_
_
0 ha t 0
t
2
2
ha 0 < t 1
1
(2t)
2
2
ha 1 < t 2
1 ha t > 2.
Ennek derivltja adja a srsgfggvnyt:
f
(t) =
_
_
0 ha t / (0, 2)
t ha t (0, 1)
2 t ha t (1, 2)
5.8 Feladat Az X valsznsgi vltoz srsgfggvnye f. Hatrozzuk meg m+X
srsgfggvnyt, ahol > 0 s m rgztett konstansok!
Megolds. Lttuk korbban, hogy P(m + X < x) = F(
xm
). Mivel
_
x
f(
sm
ds =
F(
xm
), ezrt a srsgfggvny
f(
sm
Az 5.9 brn lthatjuk exponencilis eloszls valsznsgi vltoz lineris transz-

formltjnak eloszls- illetve srsgfggvnyt. A http://hpz400.cs.elte.hu:3838/
ZA_transzf/ cmen ugyanezt az brt tovbbi paramterekre s eloszlsokra (normlis,
egyenletes) is megkaphatjuk.
A valsznsgszmtsban s az alkalmazsokban leggyakrabban hasznlt eloszls a
normlis eloszls. Azt mondjuk, hogy valsznsgi vltoz standard normlis elosz-
ls, ha srsgfggvnye f(x) =
1
2
e
x
2
2
(x R). A standard normlis eloszls
eloszlsfggvnyt -vel jelljk, (x) =
1
2

_
x
t
2
2
dt. A fggvny rtkeit tbl-
zatokbl vagy szmtgpes programokbl lehet meghatrozni. Az eloszls rvid jellse:
N(0, 1).
5.9 Feladat Mutassuk meg, hogy a fenti fggvny valban srsgfggvny!
Megolds. A kvnt integrl ngyzetrl ltjuk be, hogy 1-gyel egyenl. A szmols
sorn a polrkordints helyettestst hasznljuk.
_
_
t
2
2
dt
_
2
=
_
t
2
2
dt
_
s
2
2
ds =
_
t
2
+s
2
2
dt ds
(,r)
=
_
2
0
d
_
0
e
r
2
2

r dr = 2
_
e
r
2
2
_
0
= 2.
gy
_
2
e
t
2
2
dt = 1.
72
5.9. bra. Exponencilis eloszls lineris transzformltjnak eloszls- s srsgfggv-
nye
Korbbi pldinkbl mr lttuk, hogy > 0 s m konstansokra m + eloszls- s
srsgfggvnye P(m+ < x) = (
xm
), f
m+
(x) =
1
2
e
(xm)
2
2
2
. Az ilyen sr-
sgfggvny valsznsgi vltozkat m s
2
paramter normlis eloszlsnak nevez-
zk, jellsk: N(m,
2
). Rgtn addik, hogy, ha N(m,
2
), akkor
m
N(0, 1).
Az 5.10 s 5.11 brn a normlis eloszls srsg-, illetve eloszlsfggvnyt brzoltuk.
Jl lthat, hogy minl kisebb a paramter, annl "cscsosabb" a srsgfggvny. A
normlis srsgfggvny grakonjt haranggrbnek is szoktk nevezni.
5.10 Feladat Nagyon gyakori, hogy egy rszvny rfolyamrl felttelezik, hogy loga-
ritmusa normlis eloszls. Hatrozzuk meg srsgfggvnyt!
Megolds. Legyen az X valsznsgi vltoz logaritmusa (,
2
) paramter normlis
eloszls (ekkor (,
2
) paramter lognormlis eloszlsnak nevezzk) . Ekkor az elosz-
lsfggvny pozitv x-ekre (a tbbi x-re az eloszlsfggvny nyilvnvalan 0):
P(X < x) = P(ln(X) < ln(x)) = (
ln(x)
).
Ezt derivlva kapjuk meg X srsgfggvnyt:
f
X
(x) =
(
ln(x)
)
1
x
=
1
x
2
exp
_
1
2
_
ln x
_
2
_
, x > 0.
73
5.10. bra. Klnbz paramter normlis eloszlsok srsgfggvnye
5.11. bra. Klnbz paramter normlis eloszlsok eloszlsfggvnye
Az 5.12 s 5.13 brn a lognormlis eloszls srsg-, illetve eloszlsfggvnyt br-
zoltuk.
74
5.12. bra. Klnbz paramter lognormlis eloszlsok srsgfggvnye
5.13. bra. Klnbz paramter lognormlis eloszlsok eloszlsfggvnye
5.11 Feladat A LOM rszvny tzsdei zrrfolyama 7800 Ft volt ma este. Korbbi
tapasztalatok alapjn felttelezzk, hogy holnapi zr rfolyama a mai zrrfolyammal
osztva (0,001, 0,01) paramter lognormlis eloszls. Mennyi annak a valsznsge,
75
hogy a holnapi zrrfolyam kisebb lesz 7500 Ft-nl?
Megolds. Jelljk a holnapi zrrfolyamot Y -al. Ekkor
P(Y < 7500) = P(ln(Y/7800) < ln(7500/7800)) = (
ln(7500/7800)0,001
0,1
) = (0, 18033) =
1 (0, 18033) = 42, 84%
Biztostknl gyakran felttelezik, hogy egy-egy kr nagysgnak eloszlsa n. Pareto
eloszls. Azt mondjuk, hogy Az X valsznsgi vltoz (, ) paramter Pareto-
eloszls ( > 0, > 0), ha eloszlsfggvnye
F
X
(x) =
_
0 x 0,
1
_

+x
_
x > 0.
Az ilyen eloszls krokat "veszlyesnek" szoktk mondani, mert a nagy krok P(X >
x) valsznsge csak polinomilisan cseng le. Az 5.14 s 5.15 brn Pareto-eloszlsok
5.14. bra. Klnbz paramter Pareto-eloszlsok srsgfggvnye
srsg- s eloszlsfggvnyt brzoltuk.
5.12 Feladat A Piroska Biztost felelssgi krairl tudjk, hogy milli forintban sz-
molva (1, 2) paramter Pareto-eloszlsak. Amennyiben egy krrol tudjuk, hogy meg-
haladta az 1 milli forintot, akkor mi annak a valsznsge, hogy nem haladja meg a 3
milli forintot?
76
5.15. bra. Klnbz paramter Pareto-eloszlsok eloszlsfggvnye
Megolds. Mivel az eloszlsfggvny folytonos, ezrt a valsznsgek rtke nem vl-
tozik, ha kisebb-egyenlt runk kisebb helyett. Legyen x = 3, y = 1, = 1, = 2. A
keresett valsznsgre P(X x | X > y) =
P(yX<x)
P(Xy)
=
P(X<x)P(X<y)
1P(X<y)
=
F
X
(x)F
X
(y)
1F
X
(y)
=
(

+y
)
(

+x
)
(

+y
)
= 1
_
+y
+x
_
= 0, 4
Az 5.16 brn azt brzoltuk, hogy hogyan alakul klnbz paramter Pareto-eloszlsok
feltteles eloszlsfggvnye, akkor, ha tudjuk, hogy 1-nl nagyobb rtket vesznek fel.
Knny kapcsolatot tallni az exponencilis s Pareto-eloszls kztt.
5.13 Feladat Mutassuk meg, hogy ha az X valsznsgi vltoz (, ) paramter
Pareto-eloszls, akkor ln(1 +
X
/
) exponencilis eloszls paramterrel.

Megolds. Mivel mindkt valsznsgi vltoz pozitv, ezrt elg beltni az eloszls-
fggvny egyezsgt a pozitv flegyenesen.
P (ln(1 +
X
/
) < x) = P (X < (e
x
1)) = 1
_

+(e
x
1)
_
= 1 e
x
Az elbbi kapcsolat kt klnbz eloszls kztt nem vletlen. A kvetkez kt
plda azt mutatja, hogy brmely eloszls elollthat a (0,1) intervallumon egyenletes
eloszlsbl s ennek megfordtsa is "majdnem" igaz. Ezeket az eredmnyeket mind a
szmtgpes szimulcikban, mind statisztikai vizsglatoknl gyakran hasznljk.
77
5.16. bra. Klnbz paramter Pareto-eloszlsok feltteles eloszlsfggvnye
5.14 Feladat Szmtgpnkbe csak egy vletlen fggvny van beptve. Ennek segt-
sgvel a 0 s 1 kztt tudunk egy vletlen szmot generlni. Ezt felhasznlva, hogyan
lehet tetszlegesen elrt F eloszlsfggvny vletlen szmot ellltani?
Megolds. Jellje F
1
az F ltalnostott inverzt, azaz a
F
1
(u) = inf (t R : F(t) > u)
Vizsgljuk meg az X = F
1
(U) vltoz eloszlst, ahol U a (0, 1) intervallumon egyen-
letes eloszls. Mivel
(u : F
1
(u) < s) = (u : inf (t : F(t) > u) < s) =
(u : t < s, F(t) > u) =
(u : F(s) > u) = (, F(s)) ezrt
P(X < s) = P(F
1
(U) < s) = P(U < F(s)) = F(s)
Azaz X eloszlsfggvnye F.
5.15 Feladat X az (a, b) intervallumbl (a vgpontok lehetnek vgtelenek is) veszi fel
rtkeit s ott F eloszlsfggvnye folytonos s szigoran monoton. Mutassuk meg,
hogy ekkor X-et eloszlsfggvnybe belerva a (0,1) intervallumon egyenletes eloszls
valsznsgi vltozt kapunk!
Megolds. Legyen U = F(X) s jellje F
1
az F inverzt. Ekkor U a [0, 1] interval-
lumbl veszi fel rtkeit s 0 < x < 1-re P(U < x) = P(F(X) < x) = P(X < F
1
(x)) =
78
F (F
1
(x)) = x, azaz U a (0,1) intervallumon egyenletes eloszls valsznsgi vltoz
.
A hidrolgiban, tvkzlsben, biolgiban s ms terleteken az egyik leggyakrabban
alkalmazott eloszls a gamma eloszls. Egy valsznsgi vltoz gamma eloszls, ha
srsgfggvnye
f(x) =
_
1
()
x
1
exp(x) ha x > 0
0 egybknt
alak ahol () =
_
0
x
1
exp(x)dx. > 0 az eloszls paramtere, > 0 pedig a
rendje. Jellse
,
.
5.16 Feladat Mutassuk meg, hogy az imnt denilt fggvny valban srsgfgg-
vny!
Megolds. f nem negatv, teht csak annyit kell megmutatni, hogy az integrlja 1.
_

0
x
1
e
x
dx|
y=x
=
_

0
y
1
e
y
dy = (y).
Teht f srsgfggvny.
Az 5.17 s 5.18 brn lthatjuk nhny gamma eloszls valsznsgi vltoz eloszls-
illetve srsgfggvnyt. A http://hpz400.cs.elte.hu:3838/ZA_gamma/ cmen ugyan-
ezt az brt tovbbi paramterekre is megkaphatjuk.
5.17. bra. eloszlsok srsgfggvnye
79
5.18. bra. eloszlsok eloszlsfggvnye
5.2. Valsznsgi vltozk vrhat rtke
Korbban mr deniltuk a diszkrt valsznsgi vltozk vrhat rtkt. A kvetkezo
denci ezt ltalnostja gy, hogy a vrhat rtk tulajdonsgai ebben az ltalnos
esetben is teljeslnek.
5.11 Denci E =
_
R
x dF
(x) s Eg() =
_
R
g(x) dF
(x), ahol a dF
(x) szerinti
integrls a Lebesgue-Stieltjes-integrlst jelli, ha
_
R
|x| dF
(x) illetve
_
R
|g(x)| dF
(x)
vges.
Abszolt folytonos esetben a vrhat rtk a srsgfggvny segtsgvel hatrozhat
meg. E =
_
R
x f
(x) dx s Eg() =
_
R
g(x) f
(x) dx.
A kvetkez pldban a legnevezetesebb abszolt folytonos eloszls valsznsgi
vltozk vrhat rtkt hatrozzuk meg.
5.17 Feladat Hatrozzuk meg az egyenletes, exponencilis s normlis eloszls vrhat
rtkt!
Megolds. (1) Az egyenletes eloszls vrhat rtke E(a, b) esetn
E =
_
b
a
x
1
ba
dx =
a+b
2
.
(2) A -exponencilis eloszls vrhat rtke
E =
_
0
x e
x
dx = [x e
x
]
0
+
_
0
e
x
dx =
_
e
x
0
=
1
.
(3) A normlis eloszls vrhat rtke N(0, 1) esetn
E =
_
x
1
2
e
x
2
2
dx = 0,
hiszen a srsgfggvny szimmetrikus, gy az integrlban egy pratlan fggvny szerepel
80
(tovbb az integrl konvergens, mert elg nagy x-re x e
x
2
2
fellrl becslhet az e
x
fggvnnyel). ltalnosan pedig m+ N(m,
2
) esetn E(m+) = m+ E = m.
Bizonyos esetekben knyelmesebb az eloszlsfggvny felhasznlsa a vrhat rtk
meghatrozshoz.
5.2 Ttel E =
_
0
(1 F
(y)) dy
_
0
(y) dy. Specilisan, ha 0, akkor E =

_
0
(1 F
(y)) dy.
Az elz llts segtsgvel taln mg knnyebben hatrozhat meg az exponencilis
eloszls vrhat rtke.
5.18 Feladat Hatrozzuk meg az exponencilis eloszls vrhat rtkt az elz ttel
segtsgvel!
Megolds. Legyen -exponencilis, ekkor
E =
_
0
e
y
dy =
1
.
Eddigi pldinkban a vrhat rtk mindig ltezett (vges volt). Ez termszetesen
nem mindig teljesl.
5.19 Feladat Hatrozzuk meg a Pareto-eloszls vrhat rtkt!
Megolds. Az X valsznsgi vltoz (, ) paramter Pareto-eloszls. Ekkor vr-
hat rtke:
EX =
_
0
(1 F
X
(y)) dy =
_
0
_

+y
_
dy =

1
, ha > 1.
1 esetben az integrl + rtket vesz fel.
A Pareto-eloszlshoz kapcsoldnak kvetkez - taln egy kiss meglep - pldk is,
melyek egy korbbi pldnk folytatsa.
5.20 Feladat A Piroska Biztost felelssgi krairl tudjk, hogy milli forintban sz-
molva (1, 2) paramter Pareto-eloszlsak. Vrhatan mennyi ekkor egy kr nagysga?
Megolds. Az elz plda alapjn rgtn tudjuk a krdsre a vlaszt, hiszen az (, )
paramter Pareto-eloszls vrhat rtke

1
, gy a felelssgi krok vrhat rtke +.
Vajon hogyan fordulhat ez el? Mirt modellezhetjk ezeket a krokat olyan eloszlssal,
melynek nem vges a vrhat rtke? Bizonyos esetekben valban jogos az ilyen mo-
dellezs, mert a tapasztalt eloszls egy vgtelen vrhat rtk eloszlshoz hasonlt. Az
5.19 brn lthat 100 fggetlen (1,2) paramter Pareto eloszls vltoz generlsnak
eredmnye. Az brbl elsre egyltaln nem ltszik, hogy itt vgtelen vrhat rtkrl
van sz. A felelssgbiztostsoknl az is elfordulhat, hogy a krkizetsek nincsenek
korltozva s - klnsen szemlyi srlsekkel is jr esetekben - a biztostknak nagyon
sokat kell zetnie.
81
5.19. bra. Egy vgtelen vrhat rtk Pareto eloszls valsznsgi vltoz generlsa
5.21 Feladat A Piroska Biztost tzkrai is Pareto-eloszlsak, de (2, 1) paramterek.
Itt azonban a biztost csak az 1 milli forint feletti krokra zet s ekkor is csak a krok
1 milli forint feletti rszt. Mennyi a tzkrok illetve a biztost kizetseinek vrhat
rtke?
Megolds. A Pareto-eloszls vrhat rtkre vonatkoz formula szerint a tzkrok
vrhat rtke 1 milli forint. Az 5.20 brn lthat 100 ilyen eloszls kr rtke.
A kvetkez 5.21 brn viszont mr csak azon krok 1 milli Ft feletti rsze lthat,
melyek meghaladtk az 1 milli Ft-ot. Meglep mdon azt tapasztalhatjuk, hogy ezen
meghaladsok tlaga jval nagyobb az eredeti tlagnl. A kvetkez szmols mutatja,
hogy ez nem vletlen. A tzkr kizetsek eloszlsfggvnye az x helyen a P((X 1) <
x | X > 1) feltteles valsznsggel adhat meg. Ez a valsznsg nem pozitv x-ekre
nyilvnvalan 0, a tbbi x-re pedig knnyen szmolhat P((X 1) < x | X > 1) =
P(1X<x+1)
P(X1)
=
P(X<x+1)P(X<1)
1P(X<1)
=
F
X
(x+1)F
X
(1)
1F
X
(1)
=
(

+1
)
(

+x+1
)
(

+1
)
= 1
_
+1
+1+x
_
. Ez
azt mutatja, hogy a kizets is Pareto-eloszls, csak mr (2, 2) paramterekkel s gy
2 milli forint vrhat rtkkel. Ez azt jelenti, hogy ebben az esetben br levonunk 1
milli forintot a krokbl, mgis nagyobb vrhat rtket kapunk!
Az elz plda ltszlagos paradoxont a kvetkezvel magyarzhatjuk. A Pareto
eloszls rendelkezik az n. atalod tulajdonsggal, azaz
P(X > t + s | X > s) P(X > t).
Teht, ha tudjuk, hogy a krunk elr egy adott rtket, akkor a kr vrhatan nagyobb
lesz, mintha nem rendelkeztnk volna ezzel az informcival. A krok szimulcijt
82
5.20. bra. Egy 1 vrhat rtk Pareto eloszls valsznsgi vltoz generlsa
5.21. bra. Egy 1 vrhat rtk Pareto eloszls valsznsgi vltoz generlsbl az
1 feletti rszek
83
mutatja be a http://hpz400.cs.elte.hu:3838/ZA_bizt/ cmen tallhat interaktv
animci. A 5.22 bra egy screenshot az eredmnyekrl.
5.22. bra. A Piroska biztost szimullt kresemnyei a 5.21 feladathoz
Trjnk vissza megint egy korbbi pldnkhoz!
5.22 Feladat Vlasszunk egy pontot tallomra az egysgngyzetbl, azaz [0, 1] [0, 1]-
bl! Jellje a vlasztott pont kt koordintjnak az sszegt. Szmtsuk ki vrhat
rtkt!
Megolds. srsgfggvnyt mr korbban meghatroztuk.
f
(t) =
_
_
0 ha t / (0, 2)
t ha t (0, 1)
2 t ha t (1, 2)
Ennek alapjn a vrhat rtk
E =
_
tf
(t)dt =
_
1
0
t
2
dt +
_
2
1
t(2 t)dt =
_
t
3
3
_
1
0
+
_
t
2
t
3
3
_
2
1
=
1
3
+ 3
7
3
= 1.
Ezt az rtket azonban egyszerbben is megkaphattuk volna, mivel kt a [0, 1] inter-
vallumon egyenletes eloszls valsznsgi vltoz sszege. Mindkt vltoz
1
2
vrhat
rtk, ezrt sszegk vrhat rtke 1.
Kvetkez feladatunk is egy korbbi plda folytatsa.
84
5.23 Feladat A LOM rszvny tzsdei zrrfolyama 7800 Ft volt ma este. Korbbi
tapasztalatok alapjn felttelezzk, hogy holnapi zr rfolyama a mai zrrfolyammal
osztva (0,001, 0,01) paramter lognormlis eloszls. Mennyi a holnapi zrrfolyam
vrhat rtke?
Megolds. Jelljk a holnapi zrrfolyamot Y -al. Ekkor Y = 7800X, EY = 7800EX,
ahol X (0,001, 0,01) paramter lognormlis eloszls. Az (m,
2
) paramter lognor-
mlis eloszls vrhat rtke az albbi mdon szmolhat.
EX =
_
exp(m + x)
1
2
e
x
2
2
dx = exp(m +
2
/2)
_
2
e
(x)
2
2
dx =
exp(m +
2
/2).
Az utols integrl azrt 1, mert egy N(, 1) eloszls valsznsgi vltoz srsg-
fggvnyt integrltuk. Esetnkben m = 0, 001,
2
= 0, 01, ezrt EY = 7800exp(0, 006) =
7847.
A pldamegolds mutatta, hogy tetszleges f fggvnyre s valsznsgi vltozra
nem felttlenl teljesl az E(f()) = f(E) egyenlsg.
5.3. Szrsngyzet, momentumok
A szrsngyzetet ltalnos esetben is ugyangy deniljuk, mint diszkrt valsznsgi
vltozkra. A korbban felsorolt tulajdonsgok itt is teljeslnek.
5.12 Denci D
2
= E( E)
2
a valsznsgi vltoz szrsngyzete, ha az E
ltezik s vges. szrsa pedig a szrsngyzet ngyzetgyke, azaz D =
_
D
2
.
Gyakran jl jellemzik a valsznsgi vltoz eloszlst a klnbz momentumok
5.13 Denci E
k
a k-adik momentuma s E||
k
a k-adik abszolt momen-
tuma.
Az E( E)
k
a k-adik centrlis momentuma s E| E|
k
a k-adik abszolt
centrlis momentuma.
A denci alapjn felrhatjuk az abszolt folytonos eloszls valsznsgi vltozk
szrsngyzett s momentumait a srsgfggvnye segtsgvel.
D
2
=
_
R
(x E)
2
f
(x) dx =
_
R
x
2
f
(x) dx
__
R
x f
(x) dx
_
2
E
k
=
_
R
x
k
f
(x) dx
E||
k
=
_
R
|x|
k
f
(x) dx
E( E)
k
=
_
R
(x E)
k
f
(x) dx
E| E|
k
=
_
R
|x E|
k
f
(x) dx
A kvetkez pldkban nevezetes abszolt folytonos eloszls valsznsgi vltozk
szrsngyzett hatrozzuk meg.
85
5.24 Feladat Hatrozzuk meg az exponencilis eloszls szrsngyzett!
Megolds. Legyen -exponencilis valsznsgi vltoz melynek vrhat rtke
korbbi ismereteink alapjn E =
1
. Tovbb
E
2
=
_
0
x
2
e
x
dx =
_
x
2
(e
x
)
0
+
_
0
2x e
x
dx,
ahol az sszeg els tagja 0, az integrl pedig
2
0
x e
x
dx =
2
E,
teht E
2
=
2
2
. Ezzel a szrsngyzet
D
2
= E
2
(E)
2
=
1
2
.
5.25 Feladat Mutassuk meg, hogy a normlis eloszls vltozk szrsngyzete meg-
egyezik az eloszls msodik paramtervel!
Megolds. Legyen N(0, 1), azaz standard normlis eloszls valsznsgi vlto-
z. Mivel E = 0, ezrt
D
2
= E
2
=
_
x
2
2
e
x
2
2
dx =
1
2

_
x (e
x
2
2
)
_
+
_

2
e
x
2
2
dx
. .
=1
= 1.
ltalnosan pedig legyen m + N(m,
2
), ekkor
D
2
(m + ) =
2
D
2
=
2
.
5.26 Feladat Mivel egyenl egy egyenletes eloszls vltoz szrsngyzete?
Megolds. Legyen X egyenletes eloszls az (a, b) intervallumon. Azt mr tudjuk,
hogy EX =
a+b
2
. EX
2
=
_
b
a
x
2
1
ba
dx =
b
3
a
3
3(ba)
=
b
2
+ab+a
2
3
. Ebbl a szrsngyzet
D
2
X = EX
2
(EX)
2
=
(ba)
2
12
5.27 Feladat Hogyan hatrozhat meg egy Pareto eloszls valsznsgi vltoz sz-
rsngyzete?
Megolds. Y (, )-Pareto eloszls. Ekkor EY =

1
, ha > 1. EY
2
=
_
0
2y(1
F
Y
(y)) dy =
_
0
2y
_

+y
_
dy =
2
2
2

2
2
1
, ha > 2. 2 esetben az integrl +
rtket vesz fel. Ebbl a szrsngyzet D
2
Y = EY
2
(EY )
2
=

2
(1)
2
(2)
, > 2
5.28 Feladat Szmoljuk ki a gamma eloszls szrsngyzett!
Megolds. Z
,
eloszls. Ekkor
EZ =
_
0
x
1
()
x
1
exp(x)dx =
(+1)
()
1
0
1
(+1)
+1
x
+11
exp(x)dx =

,
EZ
2
=
_
0
x
2 1
()
x
1
exp(x)dx =
(+2)
()
1
2
_
0
1
(+2)
+2
x
+21
exp(x)dx =
86
(+1)
2
,
D
2
Z = EZ
2
(EZ)
2
=
(+1)
2

_
_
2
=

2
.
A vrhat rtk s a szrsngyzet a valsznsgi vltozk alapvet jellemzi, azon-
ban a valsznsgi vltoz eloszlst termszetesen nem hatrozzk meg. Ezt szemllteti
a kvetkez plda.
5.29 Feladat Hatrozzuk meg az m vrhat rtk s
2
szrsngyzet normlis, gam-
ma, lognormlis s Pareto eloszlsok paramtereit!
Megolds. A normlis eloszls paramterei a vrhat rtk s szrsngyzet, teht
N(m,
2
) eloszlsrl van sz.
A
,
eloszls vltoz vrhat rtke

, szrsngyzete

2
. A kett hnyadosa pont
, gy az eloszlsunk
m
2
2
,
m
2
.
A (, s
2
) paramter lognormlis eloszls vrhat rtkt mr korbban meghatroztuk:
exp( + s
2
/2)
A szrsngyzet meghatrozshoz elszr kiszmoljuk a msodik momentumot.
_
(exp( + sx))
2
2
e
x
2
2
dx = exp(2 +2s
2
)
_
2
e
(x2s)
2
2
dx = exp(2 +
2s
2
).
Ebbl rgtn addik a exp(2 + s
2
)(exp(s
2
) 1) szrsngyzet, amibl elemi szmt-
sokkal kapjuk, hogy
= ln
_
m
1+
2
/m
2
_
s s =
_
ln(1 +
2
/m
2
).
Az (, )-Pareto eloszlsnl a vrhat rtk s szrsngyzet

1
illetve

2
(1)
2
(2)
, ha
> 2. Ebbl megint elemi szmtsokkal addik, hogy
=
2
2
2
m
2
, = m
2
+m
2
2
m
2
, ha
2
> m
2
.
A kapott srsgfggvnyek klnbzsgt mutatja be az 5.23 bra, ahol m = 1, 8, =
2. A http://hpz400.cs.elte.hu:3838/ZA_2mom/ cmen ugyanezt az brt klnbz
vrhat rtkekre s szrsokra is megkaphatjuk.
Tbb alkalmazsnl szksgnk lehet a normlis eloszls momentumaira.
5.30 Feladat Legyen standard normlis eloszls valsznsgi vltoz. Szmoljuk
ki a valsznsgi vltoz E
k
k-ik momentumt minden k = 0, 1, 2, . . . , nem negatv
egsz szmra!
Megolds. srsgfggvnye (x) =
1
2
e
x
2
/2
, < x < , ezrt E
k
=
_
x
k
(x) dx
minden k = 0, 1, 2, . . . szmra. Mivel pratlan

k = 2k + 1 szmokra a fenti integrlban
szerepl x
2k+1
(x) fggvny pratlan s abszolt rtknek integrlja a szmegyenesen
vges, addik, hogy E
2k+1
= 0. Pros indexekre parcilisan integrlhatunk.
E
2k
=
_
x
2k
(x) dx =
1
2
_
x
2k1
xe
x
2
/2
dx =
87
5.23. bra. 1,8 vrhat rtk s 2 szrs vltozk srsgfggvnye
=
1
2
_
x
2k1 d
dx
_
e
x
2
/2
_
dx =
=
1
2
_
x
2k1
e
x
2
/2
_
+
1
2
_
(2k 1)x
2k2
e
x
2
/2
dx =
=
1
2
_
(2k 1)x
2k2
e
x
2
/2
= (2k 1)E
2k2
dx.
E
0
= 1 miatt a fenti azonossgbl kapjuk, hogy E
2
= 1 (ezt mr korbban is ki-
szmoltuk), E
4
= 3E
2
= 3, E
6
= 5E
4
= 5 3, s teljes indukcival E
2k
=
(2k 1) (2k 3) (2k 5) 3 1.
5.4. Egyenltlensgek
A valsznsgi vltozk vrhat rtkt s szrsngyzett a vltozk eloszlsa hatrozza
meg. Egy kiss meglep mdon az is igaz, hogy a vrhat rtk s szrsngyzet isme-
retben bizonyos kvetkeztetseket tudunk levonni a valsznsgi vltozk eloszlsrl
a kvetkez kt egyenltlensg segtsgvel.
5.3 Ttel (Markov-egyenltlensg) Legyen nemnegatv valsznsgi vltoz, amely-
nek ltezik az E vrhat rtke, tovbb legyen c pozitv szm. Ekkor P( c)
E
c
.
5.4 Ttel (Csebisev-egyenltlensg) Ha szrsngyzete vges, azaz D
2
< , va-
lamint 0 , akkor teljesl a P(| E| )
D
2
2
egyenltlensg.
A kvetkez fejezetben fogjuk bemutatni az egyenltlensgek alkalmazst, most csak
azt nzzk meg, hogy egyes esetekben mennyire les vagy nem les eredmnyeket adnak.
88
5.24. bra. 1 vrhat rtk s 3 szrs valsznsgi vltozk milyen valsznsggel
haladjk meg c-t?
5.31 Feladat Hatrozzuk meg az m vrhat rtk s
2
szrsngyzet gamma, log-
normlis s Pareto eloszlsok esetben a P( cm), c > 2 valsznsgeket, illetve
becsljk meg ket a Markov- s Csebisev-egyenltlensggel!
Megolds. A Markov-egyenltlensgbl rgtn addik a P( cm)
E
cm
=
1
c
becsls.
Mivel a valsznsgi vltoz pozitv s c > 2, ezrt P( cm) = P(|m| (c1)m)
2
(c1)
2
m
2
a Csebisev-egyenltlensg szerint.
Korbbi pldnkban meghatroztuk az m vrhat rtk s
2
szrsngyzet eloszlsok
paramtereit. Ebbl a gamma eloszlsra a kvetkez rtk addik.
P( cm) =
_
cm
1
()
x
1
exp(x)dx, =
m
2
2
, =
m
2
A lognormlis eloszlsrl tudjuk, hogy logaritmusa normlis eloszls, ezrt
P( cm) = P(
ln()
s

ln(cm)
s
) = 1
_
ln(cm)
s
_
, ahol = ln
_
m
1+
2
/m
2
_
s
s =
_
ln(1 +
2
/m
2
).
A Pareto-eloszlsnl
P( cm) =
_

+cm
_
, ahol =
2
2
2
m
2
, = m
2
+m
2
2
m
2
. Termszetesen itt szksges a
2
> m
2
felttel.
A pontos valsznsgeket mutatja be a 5.24 bra, ahol m = 1, = 3. A http:
//hpz400.cs.elte.hu:3838/ZA_meghalad/ cmen ugyanezt az brt klnbz szr-
sokra s c-kre is megkaphatjuk.
89
1. Vlasszunk egy pontot tallomra az (0, 1) (0, 1) egysgngyzetbl! Jellje
1
,
2
a vlasztott pont kt koordintjt. Szmtsuk ki = ln(
1
2
) eloszls, srsg-
fggvnyt s vrhat rtkt!
2. Kett trnk egy 1m hossz botot. Jellje X a nagyobb rsz hosszt s Y a
rvidebbt. P(X < t) =?, P(Y < t) =?
3. Egy plct tallomra vlasztott pontjnl ketttrnk, majd a hosszabbik darab-
bal ugyanezt megismteljk. Mekkora a valsznsge, hogy a hrom keletkezett
darabbl hromszg llthat ssze?
4. Egysgnyi oldalhosszsg ngyzetben tallomra vlasztunk egy pontot. Mekko-
ra annak a valsznsge, hogy az oldalaktl mrt tvolsgainak ngyzetsszege
kisebb, mint 3/2?
5. Egy krn tallomra kivlasztunk hrom pontot. Mekkora annak a valsznsge,
hogy az ltaluk meghatrozott hromszg tartalmazza a kr kzppontjt?
6. A [0, 1] intervallumot tallomra vlasztott kt pontjval hrom rszre osztjuk. Je-
llje X a legrvidebb darab hosszt! rjuk fel X eloszls- s srsgfggvnyt!
7. Eloszlsfggvnyek-e a kvetkezk?
(a) f(x) = x ha x (0, 1) f(x) = 0 ha x < 0 s f(x) = 1 ha x > 1,
(b) (0, 1)-en kvl mint elbb, ha x (0, 1) akkor f(x) = 1/ arcsin(2x1)+1/2,
(c) f(x) =
1
arctan(x) + 1/2
(d) f(x) = sin(x)
8. Vlasszunk egy szmot tallomra a (0,1) intervallumbl. A kbt jellje X. Sz-
mtsuk ki X eloszlsfggvnyt!
9. Srsgfggvny-e f, ha
(a) f(x) =
_
0 ha x < 0
x
1
exp(x) ha x 0
ahol > 0
(b) f(x) =
_
0 ha x (0, 3/2)
sin x egybknt
(c) f(x) =
1
(1 + x
2
)
90
10. Legyenek X
1
, . . . , X
n
fggetlen exponencilis eloszls valsznsgi vltozk,
1
, . . . ,
n
paramterekkel. Jellje Y = min X
i
ezek minimumt. Milyen eloszls Y ?
11. F
Y
= f
Y
az Y nem negatv valsznsgi vltoz srsg fv.-e. Fejezzk ki = 1/Y
eloszls s srsgfggvnvt az Y eloszls ill. srsgfv.-nek segtsgvel!
12. F
Y
= f
Y
az Y nem negatv valsznsgi vltoz srsg fv.-e. Fejezzk ki = Y
a
(a > 0) eloszls s srsgfggvnvt az Y eloszls ill. srsgfv.-nek segtsg-
vel!
13. f
Y
az Y nem negatv valsznsgi vltoz srsgfggvnye. Fejezzk ki =
max(Y, 1/Y ) eloszls s srsgfggvnyt Y eloszls ill. srsgfggvnynek
segtsgvel!
91
6. fejezet
Egyttes viselkeds
Nagyon sok esetben egy vletlen esemnynl nem egy, hanem tbb vltozt gyelnk
meg. A tbb vltoz eloszlst is az eloszlsfggvnnyel hatrozzuk meg.
6.1 Denci A
1
, . . . ,
n
valsznsgi vltozk egyttes eloszlsfggvnye az F
(x) :=
P(
1
< x
1
, . . . ,
n
< x
n
) fggvny.
Amennyiben a valsznsgi vltozk diszkrtek, akkor az eloszlst (eloszlsfggvnyt)
egyrtelmen meghatrozzk az egyttes P(
1
= x
1
, . . . ,
n
= x
n
) valsznsgek. Ab-
szolt folytonos esetben az egyttes srsgfggvnnyel jellemezzk az eloszlst.
6.2 Denci A (
1
, . . . ,
n
) vltozk egyttes srsgfggvnye az n-vltozs f fgg-
vny, ha egyttes eloszlsfggvnyk minden (x
1
, . . . , x
n
) pontban megegyezik
_
x
n
. . .
_
x
1
f(y
1
, . . . , y
n
)dy
1
. . . dy
n
-el.
Amennyiben ismerjk az f egyttes srsgfggvnyt, gy meg tudjuk hatrozni a va-
lsznsgi vltozk fggvnynek vrhat rtkt.
E(h(
1
, . . . ,
n
)) =
_
. . .
_
h(y
1
, . . . , y
n
)f(y
1
, . . . , y
n
)dy
1
. . . dy
n
.
6.1. Valsznsgi vltozk fggetlensge
A fejezetben elszr azzal esettel foglalkozunk, amikor a vltozk semmilyen formban
nem befolysoljk egymst. A ksrletek fggetlensgrl szl rszben mr volt sz
valsznsgi vltozk fggetlensgrl, amit most ltalnosabban is megnznk.
6.3 Denci A
1
, . . . ,
n
valsznsgi vltozk fggetlenek, ha brmely I
1
, I
2
, . . . , I
n
intervallumra P(
1
I
1
, . . . ,
n
I
n
) =
n
i=1
P(
i
I
i
).
A dencibl rgtn ltszik (hiszen a teljes szmegyenest is intervallumnak tekintjk),
hogy amennyiben
1
, . . . ,
n
fggetlenek, akkor kzlk k n-et kivlasztva szintn
92
fggetlen vltozkat kapunk. A dencit tovbb kiterjeszthetjk vgtelen sok vltoz
esetre is.
6.4 Denci A
1
,
2
, . . . valsznsgi vltozk fggetlenek, ha minden n-re
1
, . . . ,
n
fggetlenek.
Fggetlen valsznsgi vltozk fggvnyei is fggetlenek lesznek. Pldul, ha
1
,
2
,
3
fggetlenek, akkor
2
1
,
2
,
5
3
is fggetlenek, vagy
1
+
2
,
3
3
is.
A fggetlensget az eloszlsfggvny, srsgfggvny segtsgvel is meghatrozhat-
juk.
6.1 Ttel (i) A (
1
, . . . ,
n
) valsznsgi vltozk pontosan akkor fggetlenek, ha egyt-
tes eloszlsfggvnyk megegyezik eloszlsfggvnyeik szorzatval F(x) =
n
i=1
F
i
(x
i
) min-
den x-re. (ii) Legyenek
1
, . . . ,
n
diszkrtek. Ekkor pontosan akkor fggetlenek, ha
P(
1
= x
1
, . . . ,
n
= x
n
) =
n
i=1
P(
i
= x
i
) minden x
i
-re. (iii) Legyenek
1
, . . . ,
n
ab-
szolt folytonos valsznsgi vltozk. Itt a fggetlensg ekvivalens azzal, hogy egyttes
srsgfggvnyk megegyezik srsfggvnyeik szorzatval f(x) =
n
i=1
f
i
(x
i
).
6.2. Konvolci
Gyakran szksgnk van fggetlen vltozk sszegnek eloszlsra. Ez klnsen diszk-
rt esetben szmolhat ki knnyen.
6.2 Ttel (Diszkrt konvolcis formula) Legyenek s fggetlenek, rtkkszle-
tk pedig {x
k
} s {y
l
}. Ekkor P( + = z) =
x
k
+y
l
=z
P( = x
k
) P( = y
l
).
6.1 Feladat Legyenek B(n
1
, p) s B(n
2
, p) fggetlenek. Ekkor + B(n
1
+
n
2
, p).
Megolds. + rtkkszlete 0, 1, . . . , n
1
+n
2
, gy P( + = k) =
k
l=0
P( = l) P( =
k l) =
min{k,n
1
}
l=max{kn
2
,0}
_
n
1
l
_
p
l
(1 p)
n
1
l
_
n
2
kl
_
p
kl
(1 p)
n
2
k+l
=
min{k,n
1
}
l=max{kn
2
,0}
_
n
1
l
_
_
n
2
kl
_
p
k
(1 p)
n
1
+n
2
k
= p
k
(1 p)
n
1
+n
2
k
_
n
1
+n
2
k
_
, azaz + B(n
1
+ n
2
, p).
Meg kell jegyezni, hogy ugyanezt sokkal egyszerbben is kiszmthattuk volna. Tud-
juk, hogy gy kaphatunk egy n s p paramter binomilis eloszls vltozt, ha meg-
szmoljuk n fggetlen ksrletbl a sikeres ksrletek szmt (mindegyik ksrlet p va-
lsznsggel sikeres). Ez azt jelenti, hogy n fggetlen p-paramter indiktor vlto-
z sszege B(n, p) eloszls. Legyenek ekkor X
1
, X
2
, . . . fggetlen, azonos eloszls
93
p-indiktorok, ekkor X
1
+ . . . + X
n
B(n, p), X
n+1
+ . . . + X
n+m
B(m, p), s
X
1
+ . . . + X
n+m
B(n + m, p).
6.2 Feladat Legyenek -Poisson s -Poisson fggetlenek. Ekkor +
( + )-Poisson.
Megolds. P( + = k) =
k
l=0
P( = l) P( = k l) =
k
l=0
l
e
l!

kl
e
(kl)!
=
e
(+)
k!

k
l=0
_
k
l
_

l

kl
=
e
(+)
k!
( + )
k
, azaz valban ( + ) paramter Poisson-eloszlst
kapunk.
Fggetlen ksrleteket vgznk. Egy ksrlet p valsznsggel sikeres. Jelljk -vel
az r-edik sikeres ksrlet sorszmt. Ekkor lehetsges rtkei {r, r + 1, r + 2, . . . } s a
{ = k} esemny pontosan azt jelenti, hogy az els k 1 ksrletbl r 1 sikeres s k r
sikertelen, tovbb az r-edik ksrlet sikeres. gy ennek valsznsge:
P( = k) =
_
k1
r1
_
(1 p)
kr
p
r
.
6.5 Denci A P( = k) =
_
k1
r1
_
(1 p)
kr
p
r
, k = r, r + 1, r + 2, . . . eloszlst (r, p)
paramter (vagy mskppen r-edrend p-paramter) negatv binomilis eloszlsnak
nevezzk. Az r = 1 specilis esetet p-paramter Pascal vagy geometriai eloszlsnak
nevezzk (ld. 3.5 fejezet).
6.3 Feladat Legyenek p-Pascal s p-Pascal fggetlenek. Mi sszegk eloszlsa?
Megolds. Vgezznk p valsznsggel sikeres ksrleteket. Legyen X az els sikeres
ksrlet sorszma. Utna addig ksrleteznk, amg megint sikeresek nem lesznk. Ezen
jabb ksrletek szmt jelljk Y -al. Ekkor X s Y fggetlen p-Pascal eloszlsak,
gy egyrszt sszegk eloszlsa megegyezik + eloszlsval, msrszt sszegk pont
a 2. sikeres ksrlet sorszma, melynek eloszlsa msodrend p paramter negatv
binomilis.
Abszolt folytonos esetben is nagyon hasonl a konvolcis formula, csak itt sszegzs
helyett integrlni kell.
6.3 Ttel (Konvolcis formula) Legyenek s fggetlen, abszolt folytonos va-
lsznsgi vltozk. Ekkor + is abszolt folytonos eloszls, s srsgfggvnye
f
+
(x) =
+
_
(x y) f
(y) dy =
+
_
(y) f
(x y) dy.
Ezzel a formulval a legklnbzbb eloszls fggetlen valsznsgi vltozk sszegnek
eloszlst lehet meghatrozni, amit a kvetkez pldkban be is mutatunk.
94
6.4 Feladat X s Y fggetlen, egyenletes eloszls valsznsgi vltozk a [0, 1] inter-
vallumon. Mi lesz sszegk eloszlsa?
Megolds. Az X + Y valsznsgi vltoz srsgfggvnye a g(x) =
_
f(y)f(x
y) dy fggvny, ahol f(x) a [0, 1] intervallumban egyenletes eloszls srsgfggvnye.
Ezrt f(y)f(x y) = 1, ha 0 y 1, s 0 x y 1, azaz x 1 y x, s nulla
egybknt. Ez azt jelenti, hogy az X + Y sszeg g(x) srsgfggvnye az x pontban
megegyezik a [0, 1] [x 1, x] intervallum hosszval. Ha x < 0 vagy x > 2, akkor a fenti
metszet res, ezrt ebben az esetben g(x) = 0. Ha 0 x 1, akkor ez a metszet a [0, x]
intervallum, s ennek hossza x, azaz ebben az esetben g(x) = x. Ha 1 x 2, akkor
ez a metszet a [x 1, 1] intervallum amelynek hossza 2 x, azaz g(x) = 2 x ebben az
esetben.
A 6.1 s 6.2 brn lthat, hogy ennl a konvolcinl az eredeti srsgfggvnyre
6.1. bra. A [0,1] intervallumon egyenletes eloszls vltozk srsgfggvnye
egyltaln nem hasonlt srsgfggvnyt kaptunk. Meg kell jegyezni azt is, hogy ez a
plda valjban megegyezik azzal a korbban megoldott pldval, amikor az egysgngy-
zetben vletlenszeren vlasztott pont 2 koordintja sszegnek eloszlst hatroztuk
meg.
6.5 Feladat Vegynk egy olyan autbuszjratot, ahol a buszok kvetsi ideje egymstl
fggetlen, azonos -exponencilis eloszls. Jellje
1
az els busz berkezsi idejt,
2
95
6.2. bra. A [0,1] intervallumon egyenletes eloszls vltozk konvolcijnak srsg-
fggvnye
az els s a msodik busz rkezse kztti idt,
3
a msodik s harmadik busz rke-
zse kzztti idt, stb. Ekkor mi a [0, t) idintervallumban berkez buszok szmnak
eloszlsa?
Megolds. A http://www.math.elte.hu/~arato/peldatar/busz.gif animciban lt-
hatjuk a buszok rkezsi idejt s a berkez buszok szmt abban a specilis esetben,
amikor az els busz 6-kor indul s a buszok tlagosan rnknt kvetik egymst. Le-
gyenek
1
, . . . ,
n
fggetlen -exponencilis valsznsgi vltozk s S
n
=
1
+ . . . +
n
.
Azt lltjuk, hogy ekkor S
n
srsgfggvnye g
n
(x) =
_
0 x 0
x
n1
n
e
x
(n1)!
x > 0
. Ezt n-re
vonatkoz teljes indukcival ltjuk be a kvetkezkppen.
Az n = 1 esetben g
1
pont a -exponencilis eloszls srsgfggvnye. Tegyk fel, hogy
96
n-ig igaz az llts, s beltjuk (n + 1)-re:
g
n+1
(x) =f
(
1
+...+
n
+
n+1
)
(x) =
_

1
+...+
n
(x y)
. .
g
n
(xy)
f
n+1
(y)
. .
g
1
(y)
dy
=
_
x
0
(x y)
n1
n
e
(xy)
(n 1)!
e
y
dy
=
n+1
e
x
n!
_
x
0
n(x y)
n1
dy
. .
_
x
0
nz
n1
dz
=
x
n
n+1
n!
e
x
(x > 0), amivel a kvnt eredmnyt kaptuk.
Jellje N a berkezett buszok szmt. Errl az N-rl mutatjunk meg, hogy (t)-Poisson
eloszls, ugyanis:
P(N = n) = P(N n) P(N n + 1) = P(S
n
< t) P(S
n+1
< t) =
_
t
0
x
n1
n
e
x
(n 1)!
dx
_
t
0
x
n
n+1
e
x
n!
dx =

n
n!
_
_
_
t
0
nx
n1
e
x
dx
_
t
0
x
n
e
x
dx
. .
[x
n
e
x
]
t
0
_
t
0
nx
n1
e
x
dx
_
_
=
=
(t)
n
e
t
n!
,
azaz ilyen valsznsggel rkezik pontosan n busz a megllba t id alatt. Mellkesen
megkaptuk azt az eredmnyt is, hogy amennyiben a buszok kvetsi idejnek vrhat
rtke m, akkor t id alatt vrhatan
t
m
busz rkezik be a megllba.
A megolds sorn valjban azt mutattuk meg, hogy n db. fggetlen -exponencilis
eloszls vltoz (ezek eloszlsa egyben
1,
) sszege
n,
eloszls. Nzzk ezt meg
ltalnosabban!
6.6 Feladat X s Y fggetlen > 0 paramter, > 0 illetve rend gamma eloszl-
sak. Mutassuk meg, hogy X + Y > 0 paramter s + rend gamma eloszls!
Megolds. Jelljk f-el X, g-vel Y srsgfggvnyt. Mivel f is s g is csak a pozitv
flegyenesen nem 0, ezrt a konvolcis formulban csak egy vges intervallumon kell
integrlni:
f
X+Y
(t) =
+
_
f(x) g(t x) dx =
t
_
0
f(x) g(t x) dx. Ez az azonossg termszetesen
nemcsak gamma eloszls valsznsgi vltozkra, hanem tetszleges pozitv abszolt
97
folytonos eloszlsakra is igaz. A gamma eloszlsakra kapjuk, hogy
_
t
0
1
()
x
1
e
x
1
()
(t x)
1
e
(tx)
dx =
1
()()
e
t
+
_
t
0
x
1
(t x)
1
dx|
y=tx
=
1
()()
e
t
+
t
+1
_
1
0
y
1
(1 y)
1
dy
. .
(,)
A (, )-val jellt integrl nem fgg t-tl, teht a srsgfggvny az + rend,
paramter eloszls srsgfggvnyvel arnyos, s akkor az arnyossgi tnyez csak
1 lehet. Azt is megkaptuk teht, hogy
1
( + )
=
1
()()
(, )
Teht
(, ) =
()()
( + )
6.7 Feladat Legyenek s fggetlen, standard normlis eloszls valsznsgi vl-
tozk. Mutassuk meg, hogy
2
+
2
exponencilis eloszls valsznsgi vltoz =
1
2
paramterrel.
Megolds. P(
2
< x) = (
x) (
x) = 2(
x) 1, ha x 0. Ebbl a
2
valsznsgi vltoz srsgfggvnye g(x) =
(
x)
x
=
1
2x
e
x/2
, ha x 0, s
g(x) = 0, ha x < 0. rjuk fel a konvoluci segtsgvel a kvnt srsgfggvnyt.
f(x) =
_
x
0
1
2
u(xu)
e
u/2
e
(xu)/2
du =
= e
x/2
_
1
0
1
2
v(1v)
dv =
1
2
e
x/2
, ha x 0,
s f(x) = 0, ha x 0.
szrevehetjk azonban, hogy valjban ezt a pldt mr megoldottuk, hiszen
2
elosz-
lsa nem ms, mint 1
2
,
1
2
, gy
2
+
2
eloszlsa az elz plda szerint
1,
1
2
, ami pont
1
2
paramter exponencilis eloszls.
2
eloszlst
2
eloszlsnak, r darab fggetlen
2
eloszls vltoz sszegnek eloszlst
pedig r szabadsgfok
2
eloszlsnak nevezzk. Ez utbbi jellse
2
r
.
A 6.3 s 6.4 brn klnbz szabadsgfok
2
eloszlsok srsg-, illetve eloszls-
fggvnyt brzoltuk.
98
6.3. bra. Klnbz paramter
2
eloszlsok srsgfggvnye
6.4. bra. Klnbz paramter
2
eloszlsok eloszlsfggvnye
Felmerlhet a krds, hogy meg tudjuk-e hatrozni fggetlen valsznsgi vltozk
klnbsgnek srsgfggvnyt. Erre ad vlaszt a kvetkez plda.
6.8 Feladat Legyenek s fggetlen, abszolt folytonos valsznsgi vltozk. Mu-
99
tassuk meg, hogy ekkor is abszolt folytonos eloszls, s srsgfggvnye
f
(x) =
+
_
(x y) f
(y) dy =
+
_
(y) f
(y x) dy.
Megolds. A plda lltsa rgtn kvetkezik abbl, hogy s is fggetlen, abszolt
folytonos valsznsgi vltozk, tovbb srsgfggvnye f
(y) = f
(y).
Az elz plda eredmnyt rgtn alkalmazhatjuk a kvetkez feladat megoldsnl.
6.9 Feladat Legyenek X, Y fggetlen, azonos exponencilis eloszls valsznsgi vl-
tozk. Hatrozzuk meg |X Y | eloszlst!
Megolds. X srsgfggvnye
_
e
x
, x 0
0, x < 0
, -Y srsgfggvnye pedig
_
e
x
, x < 0
0, x 0
. A konvolcis formula szerint X-Y srsgfggvnye
_
f
X
(x y)f
Y
(y)dy =
_
min(x,0)
f
X
(x y)f
Y
(y)dy =
_
min(x,0)
e
(xy)
e
y
dy =
e
x
2
_
e
2y
min(x,0)
=
=
_
e
x
2
, x 0
e
x
2
, x < 0
Ebbl az abszolt rtk srsgfggvnye (ez csak a pozitv flegyenesen nem 0):
f
XY
(x) + f
XY
(x) = e
x
.
gy ugyanolyan paramter exponencilis eloszlst kaptunk.
Kvetkez pldnk azt mutatja meg, hogy fggetlen, normlis eloszls vltozk
sszege szintn normlis eloszls lesz. Ennek a tnynek igen sok alkalmazsa van.
6.10 Feladat Legyen
1
s
2
kt fggetlen normlis eloszls valsznsgi vltoz m
1
illetve m
2
vrhat rtkkel,
2
1
s
2
2
szrsngyzettel. Lssuk be, hogy az
1
+
2
sszeg
m
1
+m
2
vrhat rtk s
2
1
+
2
2
szrsngyzet normlis eloszls valsznsgi vltoz.
Megolds. Legyen elszr m
1
= m
2
= 0 s
2
1
= 1,
2
2
=
2
. Ekkor a konvolcis
formula szerint az sszeg srsgfggvnye:
_
1
2
e
u
2
/2 1
2
e
(xu)
2
/2
2
du
=
_
1
2
1
2
exp
_
(ux/(
2
+1))
2
2
2
/(
2
+1)

x
2
/(
2
+1)x
2
/(
2
+1)
2
2
2
/(
2
+1)
_
du
=
1
2
(
2
+1)
exp
_
x
2
2(
2
+1)
_
_
1
2
2
/(
2
+1)
exp
_
(ux/(
2
+1))
2
2
2
/(
2
+1)
_
du
100
=
1
2
(
2
+1)
exp
_
x
2
2(
2
+1)
_
.
Itt kihasznltuk azt, hogy
1
2
2
/(
2
+1)
exp
_
(ux/(
2
+1))
2
2
2
/(
2
+1)
_
egy N(x/(
2
+ 1), 2
2
/(
2
+ 1)) eloszls valsznsgi vltoz srsgfggvnye. Meg-
kaptuk teht, hogy az sszeg eloszlsa N(0, 1 +
2
).
Visszatrve az ltalnos esethez lthatjuk, hogy
1
+
2
= m
1
+ m
2
+
1
_
1
m
1
1
+
1
1
(
2
m
2
)
_
= m
1
+ m
2
+
1
(
1
+
2
),
ahol
1
N(0, 1) s
2
N(0,
2
2
/
2
1
) fggetlenek. A kiszmoltak szerint
1
+
2
N(0, 1 +
2
2
/
2
1
), gy
1
+
2
N(m
1
+ m
2
,
2
1
+
2
2
).
6.11 Feladat A Slytalan Kft ltal gyrtott digitlis konyhamrlegek mrsi hibja kt
fggetlen tnyezre vezethet vissza. Az egyik az elem tltttsgtl fgg, a msik a
leveg pratartalmtl. Az els hiba grammban mrve N(0, 1) eloszls, a msodik
N(0, 2
2
). Milyen eloszls a mrsi hiba? Mennyi a valsznsge, hogy egy 52 grammos
zsemlt legfeljebb 48 grammosnak mrnk?
Megolds. Mivel a hibkrl feltteleztk, hogy fggetlenek s normlis eloszlsak, ezrt
sszegk N(0, 1 + 4) = N(0, 5) eloszls. Jelljk a zsemle mrsnek eredmnyt X-el.
Ekkor X eloszlsa N(52, 5). Ebbl a keresett valsznsg P(X 48) = P(
X52
5

4852
5
) = (1, 7889) = 1 (1, 7889) = 1 0, 9632 = 0, 0368
6.12 Feladat Korbbi vizsglatok szerint Budapesten egy kbmter levegben a butin
gzmolekulk mennyisge j kzeltsben normlis eloszlsnak tekinthet. Kis szennye-
zettsg napon a paramterek 950 s 10
2
. Amennyiben egy kis szennyezettsg napon
50 fggetlen mrst vgznk, akkor mennyi a valsznsge, hogy a mrsek tlaga meg-
haladja a 960-as rtket?
Megolds. Amennyiben a (
1
, . . . ,
n
) valsznsgi vltozk fggetlenek s N(m,
2
)
eloszlsak, akkor
n
l=1
l
eloszlsa is normlis nm s n
2
paramterekkel. gy a
n
l=1
l
n
tlag eloszlsa N(m,

2
n
). Esetnkben ez azt jelenti, hogy a mrsek tlaga N(950, 2)
eloszls. Amennyiben az tlagot Y -al jelljk, gy a keresett valsznsg P(Y >
960) = P(
Y 950
2
>
960950
2
) = 1 (7, 07), ami 0-hoz nagyon kzeli rtk.
101
6.3. Fggetlen valsznsgi vltozk sszegnek szrs-
ngyzete
Korbban lttuk, hogy valsznsgi vltozk sszegnek vrhat rtke a vrhat rtkek
sszege. A szorzatnl azonban mr felttelekre is szksg van.
6.4 Ttel Legyenek s fggetlen valsznsgi vltozk vges vrhat rtkkel. Ekkor
szorzatuk vrhat rtke is ltezik s E( ) = E() E().
Ebbl a tulajdonsgbl vezethet le, hogy fggetlen valsznsgi vltozk sszegnek
szrsngyzete a szrsngyzetek sszege.
6.5 Ttel Legyenek
1
,
2
, . . . ,
n
pronknt fggetlenek s D
2
1
, . . . , D
2
n
< . Ekkor
D
2
(
1
+ . . . +
n
) =
n
i=1
D
2
i
.
A ttelbl rgtn levezethet a kvetkez tulajdonsg.
6.13 Feladat Legyenek
1
,
2
, . . . ,
n
pronknt fggetlenek s c
1
, c
2
, . . . , c
n
konstansok.
Ekkor D
2
(c
1
1
+ . . . + c
n
n
) =
n
i=1
c
2
i
D
2
i
Megolds. Mivel c
1
1
, c
2
2
, . . . , c
n
n
is pronknt fggetlenek, tovbb D
2
(c
i
) = c
2
i
D
2
i
,
ezrt az sszeg szrsngyzetre vonatkoz pldbl rgtn kvetkezik a plda lltsa.
Nagyon fontos megjegyezni, hogy fggetlen valsznsgi vltozk klnbsgnek sz-
rsngyzete megegyezik sszegk szrsngyzetvel, azaz a szrsngyzetek sszegvel.
6.14 Feladat Egy televzis jtkban a fnyeremnyt nagyon bonyolult mdon sorsol-
jk ki. 10 fggetlen ksrletet vgeznek, mindegyiknl kt fggetlen 3-paramter Poi-
son eloszls vltozt sorsolnak ki s veszik ezek szorzatt. A nyeremny ezen vletlen
szorzatok sszege milli forintban. Hatrozzuk meg a nyeremny vrhat rtkt s sz-
rsngyzett!
Megolds. Jellje X
j
s Y
j
a j-ik ksrlet sorn a kt eredmnyt, s legyen Z
j
= X
j
Y
j
,
1 j 10. Ekkor minket az =
10
j=1
Z
j
valsznsgi vltoz vrhat rtke s
szrsngyzete rdekel. Felrhatjuk, hogy E =
10
j=1
EZ
j
=
10
j=1
EX
j
EY
j
, s
D
2
=
10
j=1
D
2
Z
j
=
10
j=1
(EZ
2
j
(EZ
j
)
2
) =
10
j=1
EX
2
j
EY
2
j

10
j=1
(EX
j
EY
j
)
2
.
Tovbb, EX
j
= EY
j
= 3, s EX
2
j
= EY
2
j
= 3 + 3
2
= 12 minden 1 j 10 szmra.
Innen E = 10 3 3 = 90, s D
2
= 10 12 12 10 9
2
= 630.
102
6.5. bra. TV jtk nyeremnyeinek gyakorisga
A 6.5 brn mutatjuk be, hogy 10000 jtkot vletlenl generlva mi a nyeremnyek
gyakorisga.
6.15 Feladat Egy prt szavaztbort szeretnnk megbecslni gy, hogy legalbb 0, 95
valsznsggel legfeljebb 1%-ot tvedjnk. Hny embert kell ehhez legalbb megkrdez-
ni?
Megolds. Jellje N az sszes ember, M a krdses prtra szavazk, n pedig a meg-
krdezettek szmt, ekkor p :=
M
N
-et akarjuk jl kzelteni. Legyen tovbb X
i
rtke 1,
ha az i-edik megkrdezett az adott prtra szavaz s 0 klnben. Egyszersg kedvrt
felttelezzk, hogy X
i
-k fggetlenek. Ekkor a
P
_
X
1
+ . . . + X
n
n

M
N
0, 01
_
0, 95
egyenltlensgnek kell teljeslnie, ami pontosan akkor igaz, ha
P
_
|
X
1
+ . . . + X
n
n
p| > 0, 01
_
0, 05.
A Csebisev-egyenltlensg alapjn
P
_
|
X
1
+ . . . + X
n
n
p| > 0, 01
_
D
2
(
X
1
+...+X
n
n
)
0, 01
2
,
ahol
1
n
2
D
2
(
X
i
)
0, 01
2
=
1
n
2
n p(1 p)
0, 01
2
=
10000 p(1 p)
n

10000
1
4
n

5
100
,
103
teht n 50000 ember vlasztsa biztosan elegend.
6.16 Feladat Becsljk meg annak valsznsgt, hogy egy szablyos rme 1000-szeri
feldobsnl legalbb 600 fejet dobunk!
Megolds. Legyen Y
i
rtke 1, ha az i-edik dobs fej s 0 klnben. Mivel az rme
szablyos, ezrt Y
i
-k fggetlen
1
2
-paramter indiktor vltozk s neknk a P(
n
i=1
Y
i

600) valsznsget kell megbecslnnk.
A Markov egyenltlensg kzvetlen alkalmazsval a
P(
n
i=1
Y
i
600)
n
i=1
EY
i
600
=
500
600
=
5
6
becsls jn ki. Ez azonban lthatan nagyon gyenge becsls, hiszen a szablyossg miatt
annak valsznsge, hogy egy szablyos rme 1000-szeri feldobsnl legalbb 600 fejet
dobunk ugyanannyi, mint annak valsznsge, hogy egy szablyos rme 1000-szeri feldo-
bsnl legalbb 600 rst dobunk,gy a becslend valsznsg kisebb
1
2
-nl. A Csebisev
egyenltlensg alkalmazsnl elszr hasznljuk jbl, hogy annak valsznsge, hogy
legalbb 600 fejet dobunk ugyanannyi, mint annak, hogy legalbb 600 rst dobunk, az
rsok szma pedig 1000
n
i=1
Y
i
. Ebbl kapjuk, hogy
P(
n
i=1
Y
i
600) =
P(
n
i=1
Y
i
600)+P(
n
i=1
Y
i
400)
2
=
1
2
P(|
n
i=1
Y
i
500| 100)
D
2
(
n
i=1
Y
i
)
2100
2
=
1
80
A Markov egyenltlensget azonban megprblhatjuk egy kicsit "trkksebben" alkal-
mazni.
P(
1000
i=1
Y
i
600) = P(
_
3
2
_
1000
i=1
Y
i
)
_
3
2
_
600
E
_
_
_(
3
2
)
1000
i=1
Y
i
_
_
_
(
3
2
)
600
A E
_
_
3
2
_
1000
i=1
Y
i
_
vrhat rtk megegyezik E
_
1000
i=1
_
3
2
_
Y
i
_
=
1000
i=1
E
_
3
2
_
Y
i
=
_
5
4
_
1000
-vel,
gy a jval pontosabb
P(
1000
i=1
Y
i
600)
(
5
4
)
1000
(
3
2
)
600
= 1.799938 10
9
becslst kapjuk.
6.17 Feladat A bizin rszecskk szmt egy nagyon bonyolult mszerrel mrik. A m-
rsi hiba 100 klnbz s egymstl fggetlen N(0, 2
2
) eloszls hiba eredjbl addik.
Becsljk meg annak valsznsgt, hogy a mrt rtk az igazitl legalbb 100-al tr el!
104
Megolds. Jelljk a mrsi hibt -al. Ekkor szrsngyzete 400, gy a Csebisev-
egyenltlensgbl P(|| 100)
400
100
2
= 0, 04 becsls addik. Azonban ebben az esetben
felesleges becslst alkalmazni, mivel a hiba pontos N(0, 100 2
2
)eloszlsa is ismert. Ebbl
P(|| 100) = P(
400

100
400
) = (5) +1 (5) = 2 (1 (5)) = 5, 733031 10
7
.
6.4. Kovariancia s korrelci
A valsznsgi vltozk termszetesen nem mindig fggetlenek. sszefggsk mrt-
kre klnbz mrszmok vannak, ezek kzl taln a leggyakoribb a kvetkezkben
denilt kovariancia s korrelci.
6.6 Denci A s valsznsgi vltozk kovariancija
cov(, ) = E
_
( E)( E)
_
,
korrelcija
R(, ) = corr(, ) =
cov(, )
D D
.
s korrellatlanok, ha kovariancijuk 0.
Felsoroljuk a kovariancia s korrelci nhny fontosabb tulajdonsgt.
cov(, ) = E( ) E E.
|R(, )| 1.
|R(, )| = 1 akkor s csak akkor, ha ltezik a = 0 s b, hogy = a +b (1 valsznsg-
gel).
Amennyiben s fggetlenek, akkor R(, ) = 0.
Legyenek
1
,
2
, . . . ,
n
pronknt korrellatlanok s c
1
, c
2
, . . . , c
n
konstansok. Ekkor
D
2
(c
1
1
+ . . . + c
n
n
) =
n
i=1
c
2
i
D
2
i
.
6.18 Feladat X egyenletes eloszls a [1, 1] intervallumon. Mutassuk meg, hogy X
s X
2
korrellatlanok, de nem fggetlenek!
Megolds. Intuitve ltszik, hogy X
2
nem fggetlen X-tl, de knny ezt megmutatni
formlisan is. Mivel X E[1, 1] eloszls, ezrt P(X <
1
2
) =
1
4
s P(X
2
<
1
4
) =
P(
1
2
< X <
1
2
) =
1
2
. Ebbl kvetkezik, hogy
P(X <
1
2
, X
2
<
1
4
) = P(X <
1
2
) =
1
4
=
1
8
= P(X <
1
2
)P(X
2
<
1
4
),
ami mutatja, hogy a kt vltoz nem fggetlen egymstl.
Tudjuk, hogy EX = 0 s D
2
X = E(X
2
) =
1
3
. Rgtn ltszik az is, hogy E(X X
2
) =
105
E(X
3
) = 0. Ebbl a kovariancira cov(X, X
2
) = E(X X
2
) EXE(X
2
) = 0 addik,
teht a kt valsznsgi vltoz korrellatlan.
A plda azt mutatja, hogy a fggetlensg ersebb kvetelmny, mint a
korrellatlansg, ezrt ezt a kt tulajdonsgot soha nem szabad sszekeverni!
6.19 Feladat X s Y fggetlen standard normlis eloszlsak. Mutassuk meg, hogy
Z = XY esetn X s Z korrellatlanok, de X
2
s Z
2
mr nem!
Megolds. Tudjuk, hogy standard normlis eloszls vltozkra EX = 0, E(X
2
) =
1, E(X
4
) = 3. Ebbl kapjuk, hogy EZ = EXEY = 0, E(Z
2
) = E(X
2
)E(Y
2
) = 1,
tovbb, hogy E(XZ) = E(X
2
)EY = 0 s E(X
2
Z
2
) = E(X
4
)E(Y
2
) = 3. gy
a kovariancikra addnak a cov(X, Z) = E(XZ) EXEZ = 0 s cov(X
2
, Z
2
) =
E(X
2
Z
2
) E(X
2
)E(Z
2
) = 2 eredmnyek, ami pont a plda lltst igazolja.
Gyakran nehz kiderteni, hogy bizonyos vletlen mennyisgek fggetlenek-e, viszont
a korrelcit knnyebb szmtani. Tudjuk, hogy s fggetlensgbl kvetkezik,
hogy
k
s
k
fggetlenek s korrellatlanok minden k hatvnyra. Ezrt a fggetlensg
elvetshez elg egy hatvnyra megmutatni a korrelltsgot.
6.20 Feladat X
1
s X
2
fggetlen, egyenletes eloszlsak a [0, 1] intervallumon. Legyen
Y
1
= min(X
1
, X
2
), Y
2
= max(X
1
, X
2
). Hatrozzuk meg R(Y
1
, Y
2
)-t!
Megolds. P(Y
2
< x) = x
2
, 0 < x < 1, gy Y
2
srsgfggvnye 2x a [0, 1] intervallumon
s 0 klnben. Ebbl kapjuk, hogy
EY
2
=
_
1
0
x2xdx =
2
3
, EY
2
2
=
_
1
0
x
2
2xdx =
1
2
, D
2
Y
2
=
1
2
(
2
3
)
2
=
1
18
Mivel EY
1
+ EY
2
= E(Y
1
+ Y
2
) = E(X
1
+ X
2
) = EX
1
+ EX
2
= 1, ezrt EY
1
=
1
3
. A
szorzatnl is hasonlkppen jrhatunk el.
E(Y
1
Y
2
) = E(X
1
X
2
) = EX
1
EX
2
=
1
4
,
amibl cov(Y
1
, Y
2
) =
1
4

1
3

2
3
=
1
36
. Ennek segtsgvel meg tudjuk hatrozni Y
1
szrsngyzett.
D
2
(Y
1
) = D
2
(Y
1
+ Y
2
) D
2
Y
2
2cov(Y
1
, Y
2
) = D
2
(X
1
+ X
2
) D
2
Y
2
2cov(Y
1
, Y
2
) =
2
12

1
18

2
36
=
1
18
.
Ebbl mr rgtn addik a korrelci.
R(Y
1
, Y
2
) =
1
36
1
18
=
1
2
.
6.21 Feladat Mutassuk meg, hogy kt esemny pontosan akkor fggetlen, ha indiktor
vltozik korrellatlanok!
Megolds. Amennyiben A s B fggetlenek, gy
A
s
B
indiktoraik is fggetlenek,
gy korrellatlanok is. Amennyiben R(
A
,
B
) = 0, gy E(
A
B
)E
A
E
B
= 0. Azon-
ban E(
A
B
) = E
AB
= P(AB), E
A
= P(A), E
B
= P(B), ezrt A s B fggetlenek.
106
Nem fggetlen valsznsgi vltozk sszege szrsngyzetnek meghatrozshoz
szksgnk van a vltozk korrelcijra. Ilyen tpus pldk a kvetkezk.
6.22 Feladat 100-szor hzunk visszatevssel egy dobozbl, melyben 20 piros s 80 fehr
goly van. Tekintsk az egymst kvet piros-piros hzsprok szmt s hatrozzuk
meg ezen szm vrhat rtkt s szrsngyzett? (Major Pter pldja nyomn)
Megolds. Vezessk be a kvetkez
j
, 1 j 99, valsznsgi vltozkat:
j
= 1,
ha mind a j-edik s j + 1-ik hzsnl pirosat hzunk,
j
= 0 egybknt. Az S =
99
j=1
j
valsznsgi vltoz vrhat rtkt s szrsngyzett akarjuk meghatrozni. A
vrhat rtket knnyen meghatrozhatjuk ES = E
_
99
j=1
E
j
_
=
99
25
, mivel E
j
=
1
25
.
rdemes megjegyezni, hogy az ebben a feladatban tekintett
j
valsznsgi vltozk
nem fggetlenek, de a fggetlensgre nincs szksg a vrhat rtk additivtshaz.
A szrsngyzet kiszmtsban viszont gyelembe kell vennnk azt, hogy nem csupa
fggetlen valsznsgi vltoz sszegt vizsgljuk. Hasznljuk a szrsngyzet kiszmo-
lsnl a kvetkez formult.
D
2
S = D
2
_
99
j=1
j
_
=
99
j=1
D
2
j
+ 2
1j<k99
cov(
j
,
k
).
Tovbb cov(
j
,
k
) = 0, ha k j + 2, mert ebben az esetben
j
s
k
fggetlenek, s
cov(
j
,
j+1
) =
1
125

1
625
=
4
625
minden 1 j 98 szmra. Ugyanis E
j
j+1
=
1
125
, mivel
j+1
= 1, ha a j-edikre, j+1-ikre s j+2-ikre mind pirosat hzunk, aminek valsznsge
1
125
, s
j
j+1
= 0 egybknt. Tovbb E
j
E
j+1
=
1
625
. Ezenkvl D
2
j
=
24
625
. Innen
D
2
S = 99
24
625
+ 2 98
4
625
=
632
125
.
A korrelci jelenlte termszetesen nemcsak az sszeg szrsngyzett befolysol-
ja, hanem magt az eloszlst is. Erre a hatsra mutat pldt a http://hpz400.cs.
elte.hu:3838/ZA_konv1/ oldal animcija. Itt korrellt normlis eloszlsok ssze-
gt vizsgljuk. A 6.6 bra egy screenshot az animcibl (jl lthat, hogy a nega-
tv korrelci hatsra az sszeg eloszlsa koncentrldik a vrhat rtk krl). A
http://hpz400.cs.elte.hu:3838/ZA_konv2/ oldalon pedig sszefgg binomilis el-
oszlsokat vizsglhatunk. A 6.7 bra egy screenshot ebbl az animcibl. Itt a kor-
relcit csak bizonyos korltok kztt vltoztathatjuk, mert a binomilis eloszlsokat
gynevezett polinomilis eloszls komponenseiknt modellezzk. Az sszeg eloszlst itt
1000 szimulci hisztogramja mutatja.
6.23 Feladat Bergengciban a kirly minden alattvaljt megajndkozza a szlets-
napjn. Az alattval olyankor 10-szer hz visszatevssel egy magyar krtys paklibl
s annyi aranyat kap ahny klnbz lapot hzott. Hatrozzuk meg a kapott aranyak
szmnak vrhat rtkt s szrsngyzett? (Major Pter pldja nyomn)
107
6.6. bra. Korrellt normlis eloszlsok sszegnek eloszlsa
6.7. bra. Korrellt binomilis eloszlsok sszegnek eloszlsa
Megolds. Szmozzuk meg a krtykat 1-tl 32-ig, s vezessk be a kvetkez
j
, 1
j 32 valsznsgi vltozkat.
j
= 1, ha a j-ik krtyt kivlasztjuk,
j
= 0, ha a j-ik
krtyt nem vlasztjuk ki a 10 hzs sorn. Jellje X a kapott aranyak szmt. Ekkor
108
X =
32
j=1
j
. Ezrt EX =
32
j=1
E
j
=
32
j=1
P(
j
= 1). Annak a valsznsge, hogy
a j-edik krtyt nem hzzuk ki 10 hzs sorn (
31
32
)
10
. Innen P(
j
= 1) = 1 (
31
32
)
10
,
EX = 32
_
1 (
31
32
)
10
_
= 8, 704763.
Jellje Y a ki nem hzott krtyk szmt, s vezessk be az
j
= 1
j
, 1 j 32,
valsznsgi vltozkat, amelyekre
j
= 1, ha a j-edik krtyt nem vlasztjuk ki, s
j
= 0, ha a j-edik krtyt kivlasztjuk a 10 hzs sorn. Ekkor Y =
32
j=1
j
, s
Y = 32 X, ahonnan D
2
Y = D
2
X.
D
2
X = D
2
Y =
32
j=1
D
2
j
+ 2
1i<j32
cov(
i
,
j
). Mivel -k indiktor vltozk, ezrt
D
2
j
= P(
j
= 1) P(
j
= 1)
2
, s cov(
i
,
j
) = P(
i
= 1,
j
= 1) P(
i
= 1)P(
j
= 1),
ha i = j. Tovbb P(
i
= 1,
j
= 1) =
_
30
32
_
10
,
P(
i
= 1) = P(
j
= 1) =
_
31
32
_
10
. Innen cov(
i
,
j
) =
_
30
32
_
10
_
31
32
_
20
, s D
2
j
=
_
74
75
_
40
_
74
75
_
20
. Ezrt
D
2
X = D
2
Y = 32
_
31
32
_
10
_
1
_
31
32
_
10
_
+ 32 31
_
_
30
32
_
10
_
31
32
_
20
_
= 11, 78176.
Igen gyakori, hogy nem a meggyelt vltozra van szksgnk, hanem egy msikra. A
kvetkez plda azt mutatja meg, hogy hogyan rdemes linerisan elrejelezni. Keressk
azt az a s b rtket melyre az valsznsgi vltoz s az a+b vltoz tlagos ngyzetes
eltrse a legkisebb.
6.24 Feladat min
a,b
E( a b)
2
= E( m
1
r

1
2
( m
2
))
2
= (1 r
2
)
2
1
, ahol
m
1
= E, m
2
= E,
2
1
= D
2
,
2
2
= D
2
s r = R(, ).
Megolds. E( a b)
2
= E( m
1
a( m
2
) + m
1
am
2
b)
2
=
=
2
1
+ a
2
2
2
+ (m
1
am
2
b
..
=m
1
am
2
)
2
2a cov(, )
. .
=r
1
2
=
2
1
+ a
2
2
2
2a r
1
2
. .
(a
2
r
1
)
2
r
2
2
1
= (1
r
2
)
2
1
+ (a
2
r
1
)
2
, ami a := r

1
2
vlasztsa esetn lesz minimlis.
A pldbl kvetkezik, hogy a korrelci egy lineris sszefggsgi mrszm, hi-
szen minl kzelebb van abszolt rtkben 1-hez, annl kisebb lesz a lineris elrejelzs
hibja. Felmerl a krds, hogy milyen mdon rdemes elrejelezni, ha nemcsak lineris
elrejelzsekben gondolkodunk. Ebben segt a feltteles vrhat rtk ltalnostott fo-
galma.
109
6.5. Feltteles vrhat rtk
6.7 Denci Legyenek s diszkrt valsznsgi vltozk, melyekre P( = x
l
) >
0, P( = y
k
) > 0 s
l=1
P( = x
l
) = 1,
k=1
P( = y
k
) = 1. A feltteles valsznsget
jelljk p
|
(x
l
|y
k
) = P( = x
l
| = y
k
)-val. Feltesszk, hogy E(h()) vges. Legyen
m(y
k
) =
l=1
h(x
l
)p
|
(x
l
|y
k
). Ekkor h() feltteles vrhat rtke -ra nzve E(h()|) =
m(). Az m fggvnyt E(h()| = y
k
)-val jellik.
Hasonlan hatrozzuk meg a feltteles vrhat rtket abszolt folytonos esetben. El-
szr egyttesen abszolt folytonos eloszls vltozk feltteles srsgfggvnyt deni-
ljuk.
6.8 Denci Feltteles srsgfggvny: f
|
(x|y) =
_
f
,
(x,y)
f
(y)
, ha f
(y) > 0
0, ha f
(y) = 0
A tovbbiakban egy valsznsgi vltoz fggvnynek egy msik valsznsgi vltozra
vonatkoz feltteles vrhat rtkt fogjuk rtelmezni.
6.9 Denci s egyttesen abszolt folytonosak. Feltesszk, hogy E(h()) v-
ges. Legyen m(y) =
h(x)f
|
(x|y)dy.Ekkor h() feltteles vrhat rtke -ra nzve
E(h()|) = m(). Az m fggvnyt E(h()| = y)-val jellik.
Felsoroljuk a feltteles vrhat rtk nhny fontos tulajdonsgt.
Feltteles vrhat rtk tulajdonsgai
(1) Ha = c, akkor E(|) = c. Ha 1 valsznsggel, akkor E(|) E(|)
(specilisan E(|) E(|||)).
(2) E(a + b|) = aE(|) + bE(|).
(3) Amennyiben fggvnye, akkor E(|) = .
(4) E(E(|)) = E (teljes vrhat rtk ttel).
(5) Ha fggetlen -tl, akkor E(|) = E.
(6) Legyen fggvnye s E|| < , ekkor E(|) = E(|).
A kvetkez plda mutatja, hogy a tulajdonsgokbl kvetkezik, hogy ismeretben
-t a E(|) feltteles vrhat rtkkel tudjuk a legjobban kzelteni.
6.25 Feladat Legyen E
2
< . Ekkor a E( f())
2
ngyzetes hiba akkor a legkisebb,
ha f() = E(|).
110
Megolds. E( f())
2
= E( E(|) + E(|) f())
2
= E( E(|))
2
+
E(E(|) f())
2
+ 2 E[( E(|)) (E(|) f())]
. .
, ahol
4)
= E
_
E
_
E(|))
(E(|) f())|
_
6)
= E((E(|) f()) E[ E(|)|]
. .
) = 0, ugyanis
2)
= E(|)
E(E(|)|)
3)
= E(|)E(|) = 0. Rgtn ltjuk azt is, hogy a ngyzetes hiba legkisebb
rtke D
2
D
2
(E(|)).
6.26 Feladat s egyttes eloszlst a kvetkez tblzat adja meg:
2 3 5
2 6/18 3/18 2/18
5 3/18 3/18 1/18
Hatrozzuk meg s vrhat rtkt, szrsngyzett, kovariancijukat s korrelci-
jukat. Jelezzk elre -t linerisan s a legjobb mdon meggyelse alapjn!
Megolds. Elszr a peremeloszlsokat rjuk fel.
P( = 2) =
11
18
, P( = 5) =
7
18
s P( = 2) =
9
18
=
1
2
, P( = 3) =
6
18
=
1
3
, P( = 5) =
3
18
=
1
6
.
Ebbl a vrhat rtkek E = 2
11
18
+ 5
7
18
=
57
18
=
19
6
, E = 2
1
2
+ 3
1
3
+ 5
1
6
=
17
6
, a
msodik momentumok E
2
= 4
11
18
+ 25
7
18
=
219
18
=
73
6
, E
2
= 4
1
2
+ 9
1
3
+ 25
1
6
=
55
6
.
Ebbl a szrsngyzetek D
2
= E
2
(E)
2
=
77
36
, D
2
= E
2
(E)
2
=
41
36
. A
kovariancihoz elszr a szorzat vrhat rtkt hatrozzuk meg. E() = 4
6
18
+ 6
3
18
+ 10
_
2
18
+
3
18
_
+ 15
3
18
+ 25
1
18
=
162
18
= 9
Ebbl a kovariancia cov(, ) = E() EE =
1
36
s a korrelci R(, ) =
cov(,)
DD
= 0, 01779765.
Lthat, hogy a vltozk alig korrellnak. A lineris elrejelzs -re E + R(, )
D
D

( E) = 3, 166667 + 0, 02439024( 2, 833333).
Az elrejelzs vrhat ngyzetes hibja (1 R(, )
2
) D
2
= 2, 138211 alig kisebb, mint
2,138889 szrsngyzete.
Hatrozzuk meg ezutn a legjobb elrejelzst! E(| = j) = 2 P( = 2| = j) + 5
P( = 5| = j), ezrt E(| = 2) = E(| = 5) = 3 s E(| = 3) = 3, 5. Ebbl
E(E(|)
2
) = 3
2
(P( = 2) + P( = 5) + 3, 5
2
P( = 3) =
121
12
s D
2
(E(|)) =
E(E(|)
2
) (E)
2
=
1
18
= 2, 083333, ami kiss kisebb, mint a lineris elrejelzs hibja.
A http://hpz400.cs.elte.hu:3838/ZA_szimelore/ oldalon klnbz eloszlsok-
bl szimullt mintk esetn szmolhat ki a lineris s legjobb elrejelzs. A 6.8 bra
egy screenshot az animcibl (sajnos nem ltszik minden paramter). Tovbbi b-
rk (11.9, 11.10, 11.11) a Fggelkben tallhatak. A http://hpz400.cs.elte.hu:
111
3838/ZA_elore/ oldalon pedig ugyanilyen elmleti eloszlsokra szmoljuk ki a lineris
s legjobb elrejelzst. A 6.9 bra egy screenshot ebbl az animcibl (sajnos itt sem
ltszik minden paramter).. A ktfajta animcinl azrt eltrek a vesztesgfggvny
rtkek, mert a szimullt esetben a teljes vesztesget szmoljuk, ami a pontos szmval
egytt n, mg az elmleti esetben a vrhat rtket.
6.8. bra. A lineris s a nemlineris elrejelzs sszehasonltsa szimullt adatokon
6.27 Feladat (Buszparadoxon) Vizsgljuk meg, mennyit kell tlagosan vrnunk a
buszmegllban! Korbban mr vizsgltuk azt a feladatot, hogy feltve, hogy a buszok
rkezse kzti idk X
1
, X
2
, . . . fggetlen, azonos eloszls -exponencilis vltozk, akkor
a t idpontig vrhatan hny busz rkezik be. Most azt vizsgljuk, hogy a t idpontban
berkezve a megllba vrhatan mennyi ideig kell vrnunk a kvetkez buszra.
Megolds. A http://www.math.elte.hu/~arato/peldatar/busz2.gif animciban
lthatjuk a buszok rkezsi idejt s vrakozsi idnket abban a specilis esetben, amikor
az els busz 6-kor indul, a buszok tlagosan rnknt kvetik egymst s 12-tl kezdnk
vrni a buszra. Egy screenshot az animcibl a 6.10 bra.
Jellje
t
a vrakozsi idt, ha t-kor rkeznk. Ekkor az E
t
vrhat rtkre vagyunk
kvncsiak.
Legyen S
0
= 0 s S
k
= X
1
+ . . . + X
k
. Ekkor
t
= S
k
t, ha S
k1
< t S
k
.
Tudjuk, hogy P(
t
< x) =
k=1
P(
t
< x, S
k1
< t S
k
) = P(
t
< x, 0 < t
S
1
) +
k=2
P(S
k1
+ X
k
t < x, S
k1
< t S
k1
+ X
k
).
112
6.9. bra. A lineris s a nemlineris elrejelzs sszehasonltsa
Ekkor P(
t
< x, 0 < t S
1
) = P(X
1
t < x, t X
1
) = P(t X
1
< x + t) =
e
t
e
(x+t)
. A feltteles vrhat rtk tulajdonsgai kztt szerepelt a teljes vrhat
rtk ttel, mely szerint P(S
k1
+ X
k
t < x, S
k1
< t S
k1
+ X
k
) =
g
k1
(y)
P(S
k1
+X
k
t < x, S
k1
< t S
k1
+X
k
| S
k1
= y) dy, ahol a k 1 darab fggetlen
-exponencilis vltoz konvolcijnak srsgfggvnye g
k1
(y) =

k1
y
k2
e
y
(k2)!
, ha
0 < y, klnben pedig 0 (korbban mr meghatroztuk, hogy az sszeg ilyenkor
k1,
eloszls). gy a keresett integrl =
t
_
0
k1
y
k2
e
y
(k2)!
P(X
k
< x + t y, X
k
t y)
. .
e
(ty)
e
(x+ty)
dy =
(e
t
e
(x+t)
)

k1
(k2)!

t
k1
k1
.
Ebbl pedig P(
t
< x) = e
t
e
(x+t)
+(e
t
e
(x+t)
)
k=2
(t)
k1
(k 1)!
. .
e
t
1
= (e
t
e
(x+t)
)
e
t
= 1 e
x
. Megkaptuk teht, hogy a vrakozsi id szintn -exponencilis eloszl-
s, gy a vrakozsi id megegyezik a buszok kvetsi idejnek vrhat rtkvel. Meg
kell jegyezni, hogy ennl rosszabb eset is elfordulhat, hiszen ha a kvetsi id vrhat
113
6.10. bra. A buszok rkezsi idpontjai s a vrakozsi idk
rtke vges, de szrsa vgtelen, akkor vrhatan vgtelen sok ideig kell vrakoznunk a
kvetkez buszra. Az exponencilis eloszls esetn kapott eredmny (azaz, ha belpnk
egy exponencilis eloszls szakaszban, akkor a htralv id is exponencilis eloszls)
sszhangban van az eloszls rkifj tulajdonsgval.
6.28 Feladat X, Y egyttes srsgfggvnye
f(x, y) =
_
6xy(2 x y) ha 0 < x < 1. 0 < y < 1,
0 klnben.
Hatrozzuk meg E(X | Y )-t!
Megolds.
f
Y
(y) =
_

f(x, y)dx =
_
1
0
6xy(2 x y)dx = 6y
_
(2 y)
_
x
2
2
_
1
0
_
x
3
3
_
1
0
_
= 6y
_
1
y
2

1
3
_
= y(4 3y), 0 < y < 1,
s 0 mshol.
Ebbl a feltteles srsgfggvny:
f
X|Y
(x|y) =
_
6x(2xy)
43y
ha 0 < x < 1, 0 < y < 1,
0 klnben.
114
gy a feltteles vrhat rtk:
E(X|Y = y) =
_

xf
X|Y
(x|y)dx =
_
1
0
x
6x(2 x y)
4 3y
dx
=
6
4 3y
_
(2 y)
_
x
3
3
_
1
0
_
x
4
4
_
1
0
_
=
6
4 3y
_
(2 y)
1
3

1
4
_
=
4 2y
3
2
(4 3y)
=
5 4y
8 6y
,
E(X|Y ) =
5 4Y
8 6Y
.
E(X|Y = y) =
_
xf
X|Y
(x |y)dx =
_
1
0
x
6x(2xy)
43y
dx =
=
6
43y
_
(2 y)
_
x
3
3
_
1
0
_
x
4
4
_
1
0
_
=
6
43y
_
(2 y)
1
3

1
4
_
=
42y
3
2
(43y)
=
54y
86y
,
E(X|Y ) =
54Y
86Y
.
6.29 Feladat X, Y egyttes srsgfggvnye
f(x, y) =
_
1
_
1 +
x+y
2
_
ha x
2
+ y
2
< 1,
0 klnben.
Hatrozzuk meg E(X|Y )-t!
Megolds. Y srsgfggvnye:
f
Y
(y) =
_
1y
2
1y
2
1
_
1 +
x+y
2
_
dx =
1
_
1 +
y
2
_
2
_
1 y
2
=
1y
2
(2 + y) , |y| < 1.
Ebbl a feltteles srsgfggvny:
f
X|Y
(x|y) =
_
_
_
1+
x+y
2
(2+y)
1y
2
ha x
2
+ y
2
< 1,
0 klnben.
gy a feltteles vrhat rtk:
E(X|Y = y) =
_
1y
2
1y
2
x
(
1+
x+y
2
)
(2+y)
1y
2
dx =
_
1y
2
1y
2
x
2
2(2+y)
1y
2
dx =
1y
2
3(2+y)
E(X|Y ) =
1Y
2
3(2+Y )
115
1. Legyen X s Y fggetlen exponencilis ill. paramterekkel. Szmtsuk ki X+Y
srsgfv.-t!
2. Egy szablyos kocka oldalaira a -1,-1,0,0,1,1 szmokat rjuk fel. Hromszor dobunk
a kockval. Szmtsuk ki a dobott szmok sszegnek eloszlst!
3. Kockval n-szer dobunk. Jellje X a dobott hatosok, Y pedig a dobott pratlan
szmok szmt. E(XY ) =?
4. Egy dobozban 5 piros s 5 kk goly van. 100-szor hzunk visszatevssel. Jellje X
az els 50, Y az els 75, Z pedig az utols 30 hzsbl a pirosak szmt. Hatrozzuk
meg, az X + Z s Y korrelcis egytthatjt, azaz a
E((X + Z E(X + Z)) (Y E(Y )))
D(X + Z)D(Y )
hnyadost!
5. Legyenek X
1
, . . . , X
n
fggetlen 1-paramter exponencilis eloszls valsznsgi
vltozk. Szmtsuk ki,
Y
k
=
X
k
n
i=1
X
i
k = 1, 2, . . . , n 1 s Y =
n
i=1
X
i
egyttes srsgfggvnyt. Igaz-e, hogy Y
1
, Y
2
, . . . , Y
n1
s Y fggetlenek.
116
7. fejezet
A ksrletek szmnak nvelse:
aszimptotikus tulajdonsgok
A kznapi beszdben az egyik leggyakrabban emlegetett matematikai ttel "A nagy sz-
mok trvnye". Sajnlatos mdon ltalban hibsan interpretljk, de az azrt kiderl,
hogy sok ksrlet esetn az tlag valamihez konvergl. Elszr az gynevezett gyenge
trvnyt mondjuk ki.
7.1. Gyenge trvnyek
7.1 Ttel (A nagy szmok gyenge trvnye) Legyenek
1
,
2
, . . . pronknt korre-
llatlan, azonos vrhat rtk s szrsngyzet valsznsgi vltozk, D
2
i
=
2
<
s E
i
= m. Ekkor minden 0 < -ra
P
_
_
i=1
i
n
m

_
_
0, ha n .
A kvetkez plda mutatja, hogy nem kell felttelnl megkvetelnnk a vrhat rtkek
s szrsngyzetek egyezsgt.
7.1 Feladat Legyenek
1
,
2
, . . . pronknt korrellatlan valsznsgi vltozk, melyek-
re D
2
i
c < , E
i
= m
i
,
n
i=1
m
i
n
m, ha n . Ekkor minden 0 < -ra
P
_
_
i=1
i
n
m

_
_
0, ha n .
Megolds. Tudjuk, hogy E
_
_
n
i=1
i
n
_
_
=
n
i=1
m
i
n
. Ekkor a Csebisev-egyenltlensget fel-
hasznlva kapjuk elg nagy n-re, hogy
117
P
_
_
i=1
i
n

n
i=1
m
i
n

_
_
P
_
_
i=1
i
n
m
/2
_
_
+P
_
_
i=1
m
i
n
m
/2
_
_
D
2
_
_
_
n
i=1
i
n
_
_
_
e
2
/4
=
4
n
2
D
2
_
n
i=1
i
_
2
=
4
n
2
i=1
D
2
2

4
n

c
2
0, ha n . Itt felhasznltuk azt, hogy elg nagy
n-re P
_
_
i=1
m
i
n
m
/2
_
_
0-val egyenl.
7.2. Valsznsgi vltozk konvergencii
A nagy szmok trvnyben szerepl konvergencia csak az egyik a valsznsgi vltozk
konvergencii kzl. Az albbiakban bevezetjk a legfontosabb konvergenciafajtkat.
7.1 Denci
n
eloszlsban, ha F
n
(x)
n
F
(x) az utbbi minden folytonos-

sgi pontjban.
n
sztochasztikusan, ha P|
n
|
n
0 minden 0 < -ra.
n
majdnem mindentt, ha P (w :
n
(w) (w)) = 1. [1 valsznsg
konvergencia].
n
L
p
-ben, ha E|
n
|
p
n
0.
Az 1 valsznsg, illetve L
p
konvergencibl kvetkezik a sztochasztikus konvergencia,
mg ez utbbibl az eloszlsbeli konvergencia. Az 1 valsznsg s L
p
konvergencia
esetben nem beszlhetnk arrl, hogy valamelyik konvergencia ersebb a msiknl.
7.2 Feladat Adjunk meg olyan valsznsgi vltoz sorozatot, amely majdnem minde-
ntt konvergl, de L
p
-ben nem.
Megolds. Legyen := [0, 1] geometriai valsznsgi mez s
n
(w) =
_
e
n
: w [0,
1
n
]
0 : w / [0,
1
n
]
.
Ekkor
n
0 majdnem mindentt, viszont E|
n
|
p
=
1
n
e
np
+ (1
1
n
) 0 =
e
np
n
0.
Ahhoz, hogy pldt adjunk arra, hogy az L
p
konvergencibl sem kvetkezik az egy
valsznsg szksgnk lesz a kvetkez lemmkra.
7.2 Denci Legyen az A
n
esemnysorozatra
liminf A
l
:=
_
n=1
l=n
A
l
,
illetve
limsup A
k
:=
n=1
_
k=n
A
k
.
118
Ekkor w liminf A
l
pontosan akkor teljesl, ha w az A
n
-ek kzl csak vges soknak
eleme, illetve w limsup A
k
pontosan akkor teljesl, ha w vgtelen sok A
n
-nek eleme.
7.2 Ttel (Borel-Cantelli-lemmk)
1) Ha
n=1
P(A
n
) < , akkor az A
n
-ek kzl 1 valsznsggel csak vges sok kvet-
kezik be.
2) Ha
n=1
P(A
n
) = s az A
n
-ek fggetlenek, akkor az A
n
-ek kzl 1 valsznsggel
vgtelen sok bekvetkezik.
7.3 Feladat Adjunk meg olyan valsznsgi vltoz sorozatot, amely L
p
-ben konvergl,
de majdnem mindentt nem!
Megolds. Legyenek
n
-ek fggetlenek, P(
n
= 1) = d
n
, P(
n
= 0) = 1 d
n
. Ekkor
E|
n
|
p
= d
n
. A
n
sorozat pontosan akkor tart L
p
-ben 0-hoz, ha d
n
0. Tovbb
n
pontosan akkor tart 0-hoz majdnem mindentt, ha 1 valsznsggel vges sok
n
nem 0,
ami pedig a Borel-Cantelli-lemma szerint ekvivalens azzal, hogy
d
n
vges. gy pldul
a d
n
=
1
n
vlaszts esetn
n
0 majdnem mindentt, viszont L
p
-ben igen.
7.3. Ers trvny
Fggetlen, azonos eloszls valsznsgi vltozkra teljesl a nagy szmok ers trvnye.
7.3 Ttel (Nagy szmok Kolmogorov-fle ers trvnye) Legyenek
1
,
2
, . . . fg-
getlen, azonos eloszls vges vrhat rtk valsznsgi vltozk. Ekkor
n
k=1
k
n
E
1
majdnem mindentt s L
1
-ben.
A http://www.math.elte.hu/~arato/peldatar/nszt.gif animciban lthatjuk, hogy
0,25-paramter indiktor illetve N(0,25,1) vltozk tlaga hogyan tart a 0,25-s vrhat
rtkhez. Egy screenshot a 7.1 bra.
A http://www.math.elte.hu/~arato/peldatar/pareto.gif animciban mr eg-
szen ms kpet lthatunk, hiszen ott Pareto(5,1) vltozkat szimullunk s azok tlagt
nzzk s ezekrl tudjuk, hogy vrhat rtkk vgtelen.
7.4 Feladat (Borel) Legyen = [0, 1] s azon a geometriai valsznsgi mez. Az
elemi esemnyeket rjuk fel 2-es diadikus trt w = 0, w
1
w
2
. . . alakban. Milyen arnyban
fordulnak el a 0-k s 1-esek a szmokban?
119
7.1. bra. A nagy szmok trvnynek illusztrlsa indiktorokra s normlis eloszls
vltozkra
Megolds. Tekintsk a
n
(w) = w
n
valsznsgi vltozkat, azaz az n-edik szmjegyet.
Ekkor
_
w :
1
(w) = x
1
, . . . ,
n
(w) = x
n
_
=
_
w :
x
1
2
+
x
2
2
2
+ . . . +
x
n
2
n
w <
x
1
2
+
x
2
2
2
+ . . . +
x
n
2
n
+
1
2
n
_
.
Mivel P(
1
= x
1
, . . . ,
n
= x
n
) =
1
2
n
, ezrt P(
i
= x
i
) =
1
2
, ahol x
i
= 0 vagy 1 s fggetle-
nek. Ekkor a nagy szmok ers trvnye szerint
n
k=1
k
n
E
1
=
1
2
majdnem mindentt.
Ezek szerint a [0,1] intervallum majdnem minden szmnak diadikus trt felrsban
tlagosan ugyanannyi 0 van mint 1.
7.5 Feladat (Monte-Carlo mdszer) Legyen f : [0, 1] [0, 1] folytonos. Krds:
hogyan becslhet
_
1
0
f(x) dx vletlen szmgenerls segtsgvel?
Megolds. Legyenek
1
,
1
,
2
,
2
, . . . fggetlen E(0, 1)-eloszlsak s
i
=
_
1, ha f(
i
) >
i
0, k ul onben
.
Belthat, hogy E
i
= P (f(
i
) >
i
) =
_
1
0
f(x)dx, gy a ttel szerint
n
i=1
i
n

_
1
0
f(x) dx
majdnem mindentt.
7.6 Feladat Mihez tart n szablyos kockadobs mrtani kzepe?
120
7.2. bra. A HUNCUT rszvny eloszlsa
Megolds. Jelljk X
n
-el az n-edik dobs eredmnyt. Ekkor a mrtani kzp felrhat
a kvetkez alakban.
(X
1
X
n
)
1/n
= exp
ln X
1
++ln X
n
n
A nagy szmok ers trvnye szerint
ln X
1
++ln X
n
n

E(ln X
1
) 1 valsznsggel. Mivel E(ln X
1
) =
ln 1+ln 2+ln 3+ln 4+ln 5+ln 6
6
= ln
_
6!
1/6
_
, ezrt a
mrtani kzp 1 valsznsggel (6!)
1/6
-hoz tart.
7.7 Feladat (Gyr Lszl pldjnak alapjn) A HUNCUT rszvny ves rfo-
lyamvltozsai fggetlen, azonos eloszlsak. A rszvny rfolyama egy v alatt
1
2
val-
sznsggel 90%-al n s ugyanilyen valsznsggel 50%-al cskken. 1 rszvny most 1
Ft-ot r, n v mlva az rtkt jelljk X
n
-el. Mihez tart X
n
vrhat rtke s tart-e 1
valsznsggel valahov X
n
?
Megolds. A feladat felttelei szerint a rszvny vrhat ves hozama 20%. Jell-
jk Y
n
-el, hogy hnyszorosra vltozik a rszvny rfolyama az n-edik vben. Ekkor
X
n
= Y
1
. . . Y
n
s EX
n
= EY
1
. . . EY
n
= 1, 2
n
, azaz a vrhat rtk +-hez tart.
A http://www.math.elte.hu/~arato/peldatar/reszveny.gif cmen azonban ltha-
tunk egy tipikus HUNCUT rszvnyrvltozst, amely azt mutatja, hogy egy id utn a
rszvny nagyon keveset r. Hogy ez nem vletlen mutatja a 7.2 bra is, ahol a rszvny
rfolyamnak eloszlst lthatjuk 10 v utn. Eszerint a rszvny nagyon kis valszn-
sggel nagyon sokat fog rni s nagy valsznsggel keveset. Hasonlan az elz pldhoz
X
n
-et felrhatjuk logaritmusok segtsgvel, X
n
= exp {ln Y
1
+ + ln Y
n
}. Ekkor a nagy
121
7.3. bra. Tknk eloszlsa, ha mindig csak a felt fektetjk be a HUNCUT rszvnybe
szmok ers trvnye szerint
ln Y
1
++ln Y
n
n
E(ln Y
1
) =
1
2
ln(0, 95) < 0 1 valsznsggel.
Ebbl kvetkezik, hogy X
n
=
_
exp
_
ln Y
1
++ln Y
n
n
__
n
tart 0-hoz 1 valsznsggel.
7.8 Feladat (Elz plda folytatsa) Az elz pldbl okulva tknket mskpp
fektetjk be. Minden v vgn tknt felt a HUNCUT rszvnybe fektetjk, a m-
sik felt azonban prnnk alatt kszpnzben tartjuk. Tknk n v mlvabeli rtkt
most jelljk Z
n
-el. Mihez tart Z
n
vrhat rtke s tart-e 1 valsznsggel valahov
Z
n
?
Megolds. A feladat felttelei szerint tknk vrhat ves hozama
1
2

_
1
2
190% +
1
2
100%
_
+
1
2

_
1
2
50% +
1
2
100%
_
100% = 10%.
Jelljk U
n
-el, hogy hnyszorosra vltozik a rszvny rfolyama az n-edik vben. Ekkor
Z
n
= U
1
. . . U
n
s EZ
n
= EU
1
. . . EU
n
= 1, 1
n
, azaz a vrhat rtk most is +-
hez tart, br jval kisebb temben. A http://www.math.elte.hu/~arato/peldatar/
toke.gif cmen lthat animcibl sejthetjk, hogy j stratginkkal nagyobb val-
sznsggel lesz tbb pnznk. Ezt tmasztja al a 7.3 bra is, ahol a 10 v utni
tknk eloszlst lthatjuk. Most is logaritmusok segtsgvel rjuk fel Z
n
-et Z
n
=
exp {lnU
1
+ + lnU
n
}. Ekkor a nagy szmok ers trvnye szerint
lnU
1
++lnU
n
n

E(lnU
1
) =
1
2
ln(1, 45 0, 75) > 0 1 valsznsggel. Ebbl kvetkezik, hogy Z
n
=
exp
_
lnU
1
++lnU
n
n
_
n
1 valsznsggel szintn +-hez tart.
122
7.4. Centrlis hatreloszlsttel
Korbban mr emltettk, hogy a normlis eloszls a legfontosabb valsznsgeloszls.
Ennek oka, hogy igen ltalnos felttelek mellett fggetlen valsznsgi vltozk sszegt
normlva kzel standard normlis eloszlst kapunk.
7.4 Ttel (Centrlis hatreloszlsttel fggetlen, azonos eloszls vltozkra)
Legyenek
1
,
2
, . . . fggetlen, azonos eloszlsak, m := E
1
s 0 <
2
= D
2
i
< . Ekkor minden
x R-re
P
_
_
_
_
n
i=1
i
n m

n
< x
_
_
_
_
(x) =
x
_
2
e
t
2
2
dt
Lthat, hogy az elz ttelben a konvergencia eloszlsbeli.
7.9 Feladat Egy prt szavaztbort akarjuk megbecslni, ehhez az egyszersg ked-
vrt N embert vlasztunk visszatevssel, kzlk M szm szavazna a prtra s legyen
p =
M
N
. Ekkor vajon hny embert kell megkrdeznnk, hogy legalbb 0, 95 valsznsg-
gel legfeljebb 0, 01 legyen a tveds?
Megolds. A
P
_
_
i=1
x
i
n
p
0, 01
_
_
0, 95.
Egyenltlensget szeretnnk biztostani. A centrlis hatreloszlsttel szerint
P
_
_
_
_
n 0, 01
_
p(1 p)
i=1
x
i
np
n
_
p(1 p)
n 0, 01
_
p(1 p)
_
_
_
_

_

n 0, 01
_
p(1 p)
_
n 0, 01
_
p(1 p)
_
=
1
2
_

n 0, 01
_
p(1 p)
_
1 0, 95,
azaz
_

n0,01
p(1p)
_
0, 975 = (1, 96), teht legyen
n0,01
p(1p)
1, 96. Ezzel

n
1, 96
1
0,01

_
p(1 p), ami teljesl
2
, ha n 10000, teht ha normlis kzeltssel
dolgozunk, kb. 10 000 embert kell megkrdezni, ami jval kevesebb, mint amit korbban
a Csebisev-egyenltlensg alkalmazsval kaptunk.
1
hiszen (x) = 1 (x)
2
mivel a
_
p(1 p) nem lehet nagyobb 0, 5-nl, gy a jobb oldal fellrl becslhet 98-cal
123
Tbbszr elfordul, hogy nem valsznsgszmtsi lltsokat is lehet igazolni val-
sznsgszmtsi ismeretek segtsgvel. Ezt mutatja a kvetkez plda is.
7.10 Feladat Mihez tart e
n
n1
k=0
n
k
k!
n
?
Megolds. Ha vgtelenig sszegeznnk, nyilvn 1 lenne az sszeg, de most n 1-ig
megynk! Legyenek
i
1-Poisson fggetlenek. Mivel ez esetben teljeslnek a centrlis
hatreloszlsttel felttelei, ezrt felrhat:
P
_
_
n
i=1
i
n1
1
n
< x
_
_
(x).
Tudjuk, hogy fggetlen Poisson eloszls vltozk sszege Poisson eloszls, ezrt
n
i=1
i
eloszlsa n-Poisson. Ebbl kvetkezik, hogy P
_
n
i=1
i
< n
_
= e
n
n1
k=0
n
k
k!
. A centrlis
hatreloszlsttelt alkalmazva x = 0-ra P
_
_
n
i=1
i
n
n
< 0
_
_
(0) =
1
2
. Teht a keresett
hatrrtk pont
1
2
.
Nemcsak azonos eloszls vltozkra igaz a normlis hatreloszls.
7.5 Ttel (A centrlis hatreloszlsttel ltalnos alakja) Legyenek
1
,
2
,
3
,
4
, . . .
fggetlen valsznsgi vltozk, vrhat rtkeiket jellje m
1
, m
2
, . . ., azaz m
k
= E
k
.
Szrsngyzeteik legyenek pozitvak s vgesek, teht 0 <
2
k
= D
2
k
< , legyen tovbb
S
n
=
1
+. . .+
n
, D
2
n
=
n
k=1
2
k
s F
k
(x) = P(
k
< x). Valamint teljesljn minden 0 < -
ra az gynevezett Ljapunov-felttel:
1
D
2+
n
k=1
E|
k
m
k
|
2+
n
0 valamely 0 < -ra.
Ekkor
S
n
ES
n
D
n
eloszlsban tart a standard normlis eloszlshoz.
Termszetesen felmerl az a krds, hogy rgztett n-re mennyire pontos a normlis k-
zelts. A 7.4 brn 40 fggetlen azonos eloszls 1-exponencilis illetve 0,1-indiktor
sszege standartizltjnak eloszlsfggvnyt hasonltjuk ssze a standard normlis elosz-
ls eloszlsfggvnyvel. Lthat, hogy mennyire kzel vagyunk exponencilis esetben s
relatve milyen nagy a tvolsg az indiktorok esetben. A http://www.math.elte.hu/
~arato/peldatar/normkoz.gif animciban lthatjuk, hogy kulonboz elemszmoknl
milyen mrtk a kzelts hibja.
A kvetkez ttelek fels becslst adnak a normlis kzelts hibira..
124
7.4. bra. Normlis kzelts
7.6 Ttel (Berry-Essen) Legyenek
1
,
2
, . . . fggetlen, azonos eloszls valsznsgi
vltozk, tovbb E|
1
|
3
< s T
n
:=
n
k=1
k
nm
n
. Ekkor sup
x
|F
T
n
(x) (x)| 0, 4785
E|
1
m|
3
n
.
7.7 Ttel (Essen) Legyenek X
1
, X
2
, . . . fggetlen valsznsgi vltozk, tovbb E|
1
|
3
<
. Az m
j
= EX
j
,
2
j
= D
2
X
j
, B
n
=
n
j=1
2
j
s L
n
= B
3/2
n
n
j=1
E(|X
j
m
j
|
3
) je-
llsekkel kapjuk, hogy az F
n
(x) = P
_
_
n
j=1
(X
j
m
j
)
B
n
< x
_
_
eloszlsfggvnyre igaz, hogy
sup
x
|F
n
(x) (x)| 0, 56 L
n
.
A ttelekben szerepl konstansok Tyurin s Sevcova eredmnyei.
7.11 Feladat Hatrozzuk meg a 7.4.1 plda megoldsban szerepl normlis kzelts
hibjt, ha a kzvlemnykutatsban 10000 embert krdeztek meg!
Megolds. A
P
_
_
_
_
n 0, 01
_
p(1 p)
i=1
X
i
np
n
_
p(1 p)
n 0, 01
_
p(1 p)
_
_
_
_
125
7.5. bra. Pontos valsznsg s a normlis kzelts eredmnye p = 0.5 esetn
_

n 0, 01
_
p(1 p)
_
+
_
n 0, 01
_
p(1 p)
_
eltrs abszolt rtkt kell megbecslni, ha X
i
-k fggetlen p-indiktorok. A Berry-
Essen ttel jellseit alkalmazva
2
= p(1 p), E|X
1
EX
1
|
3
= (1 p)p
3
+p(1 p)
3
=
p(1 p)(p
2
+ (1 p)
2
) s n = 10000. Ekkor a ttel alapjn az eltrsre a fels becsls.
2 0, 4785
E|X
1
m|
3
n
= 0, 00957
p(1p)(p
2
+(1p)
2
)
(p(1p))
3/2
= 0, 00957
(p
2
+(1p)
2
)
p(1p)
.
Lthat, hogy ez a becsls kis s nagy p-kre nem ad hasznos eredmnyt, de pldul
p = 0, 4-re a fels becsls 1,02%. Az 7.5 brn mutatjuk be, hogy valjban a normlis
kzelts hibja ebben az esetben nem is olyan nagy 10000 megkrdezett esetn.
7.12 Feladat A CTF csapat kemny magja 500 ETU szurkolt bntalmazott. A korbbi
vek tapasztalata alapjn a CTF csapat vezetsge tudja, hogy a vendgcsapat szurkoli
a (0,5) intervallumon egyenletes eloszls (milli forintban) krtrtsi ignyeket fognak
nekik benyjtani egymstl fggetlenl. Becsljk meg annak a valsznsgt, hogy a
CTF csapat legalbb 500 milli forintot fog kizetni, ha a NYUGI Biztost a krok 2
milli Ft alatti rszt zeti ki, a GIC Biztost pedig a krok 4 milli forint feletti rszt!
Megolds. Jelljk az i-edik krtrtsi ignyt X
i
-vel. Ekkor az i-edik krtrtsi igny-
nl a csapat kizetse Y
i
= h(X
i
), ahol
h(x) =
_
_
0 : x 2
x 2 : 2 < x 4
2 : 4 < x
126
A momentumokat ennek segtsgvel tudjuk meghatrozni.
EY
i
=
_
h(x)f
X
i
(x)dx =
_
4
2
(x 2)
1
5
dx +
_
5
4
2
1
5
dx = 0, 8
EY
2
i
=
_
h
2
(x)f
X
i
(x)dx =
_
4
2
(x 2)
2 1
5
dx +
_
5
4
2
2 1
5
dx =
4
3
= 1, 3333, D
2
Y
i
=
44
45
=
0, 9778
E|Y
i
EY
i
|
3
=
_
|h(x)EY
i
|
3
f
X
i
(x)dx =
_
2
0
0, 8
3 1
5
dx+
_
4
2
|x2, 8|
3 1
5
dx+
_
5
4
1, 2
3 1
5
dx =
0, 67456
Teht a csapat vrhatan 400 milli forintot fog kizetni. Csebisev-egyenltlensggel a
P(
500
i=1
Y
i
500) < P(|
500
i=1
Y
i
400| 100)
D
2
(
500
i=1
Y
i
)
100
2
=
500
44
45
100
2
= 0, 04888889
becsls jn ki. A normlis kzelts a
P(
500
i=1
Y
i
500) = P
_
_
500
i=1
Y
i
400
500
44
45
500400
500
44
45
_
_
1(4, 52267) = 10, 999997 = 0, 000003
minimlis rtket adja. Azonban a kzelts hibjt csak ennl nagyobb rtkkel tudjuk
becslni, hiszen a Berry-Essen ttel szerint
|P(
500
i=1
Y
i
500) (1 (4, 52267))| 0, 4785
E|Y
1
EY
1
|
3
(DY
1
)
3
500
= 0, 03120454.
gy a valsznsgrl csak azt llthatjuk bizonyossggal, hogy kisebb 0,03120754-nl.
7.13 Feladat Az veghegyen tli Kirlysg dnt tkzetre kszl a srknyok ltal t-
zelt SMF-el. A kirly a fegyverek kltsgt bkeklcsnnel kvnja fedezni. Az 100 nemes
mindegyike 100 tyingrt jegyez bkeklcsnt, a polgrok mindegyike (400-an vannak)
1000 tyinget zet, az 500 paraszt 200 tyinget kell zessen. A kirly npszersgnek
fenntartsrt minden bkeklcsn sorsolson vesz rszt. A nemesek 5%-os esllyel 10000
tyinget s 10%-os esllyel 2000 tyinget. A parasztok s polgrok 5%-os esllyel 4000
illetve 5000 tyinget nyerhetnek. A kirlyi kincstrban a bkeklcsn jegyzse eltt 1000
tying volt. Becsljk meg annak valsznsgt, hogy nem lesz elg pnz a nyeremnyek
kizetsre, ha a nyeremnyeket fggetlenl sorsoljk ki!
Megolds. Szmoljunk 500 tyinges egysgekben s vezessk be a kvetkez jellseket!
B
1
= 0.2, B
2
= 2, B
3
= 0.4 a bkeklcsnk nagysga, B
4
= 2 a kirlyi kincstrban lv
pnz. n
1
= 100, n
2
= 400, n
3
= 500 a nemesek, polgrok illetve parasztok szma. A
sorsols megkezdse eltt a kincstrban B = n
1
B
1
+ n
2
B
2
+ n
3
B
3
+ B
4
= 1022 egysg-
nyi pnz van. Jelljk X
i
, Y
j
, Z
k
-val a nemesek, polgrok illetve parasztok nyeremnyt.
Ezek eloszlsa a kvetkez.
P(X
i
= 20) = p
1
= 5%, P(X
i
= 4) = p
2
= 10%, P(X
i
= 0) = 1 p
1
p
2
= 85%, i =
1, . . . , n
1
,
P(Y
j
= 8) = q = 5%, P(Y
j
= 0) = 1 q = 95%, j = 1, . . . , n
2
,
P(Z
k
= 10) = r = 5%, P(Z
k
= 0) = 1 r = 95%, k = 1, . . . , n
3
. Ebbl knnyen megha-
trozhatk a megfelel momentumok.
127
m
1
= EX
i
= 20 p
1
+ 4 p
2
= 20 5% + 4 10% = 1, 4, E(X
2
i
) = 400 p
1
+ 16 p
2
=
21, 6,
2
1
= D
2
X
i
= 400 p
1
+ 16 p
2
(20 p
1
+ 4 p
2
)
2
= 19, 64, u
1
= E|X
i
EX
i
|
3
=
(20 m
1
)
3
p
1
+ (4 m
1
)
3
p
2
+ m
3
1
(1 p
1
p
2
) = 325, 8328
m
2
= EY
j
= 8 q = 8 5% = 0, 4, E(Y
2
j
) = 64 q = 3, 2,
2
2
= D
2
Y
j
= 64 q (8 q)
2
=
3, 04, u
2
= E|Y
j
EY
j
|
3
= (8 m
2
)
3
q + m
3
2
(1 q) = 22, 0096
m
3
= EZ
k
= 8 r = 10 5% = 0, 5, E(Z
2
k
) = 100 r = 5,
2
3
= D
2
Z
k
= 100 r (100 r)
2
=
4, 75, u
3
= E|Z
k
EZ
k
|
3
= (10 m
3
)
3
r + m
3
3
(1 r) = 42, 9875
A nyeremnyek vrhat rtke teht n
1
m
1
+n
2
m
2
+n
3
m
3
= 550. A becslend valsz-
nsg
P
_
n
1
i=1
X
i
+
n
2
j=1
Y
j
+
n
3
k=1
Z
k
> B
_
= P
_
100
i=1
X
i
+
400
j=1
Y
j
+
500
k=1
Z
k
> 1022
_
.
Csebisev-egyenltlensggel a
P
_
100
i=1
X
i
+
400
j=1
Y
j
+
500
k=1
Z
k
> 1022
_
 472
_
D
2
_
100
i=1
X
i
+
400
j=1
Y
j
+
500
k=1
Z
k
_
472
2
=
100 19, 64 + 400 3, 04 + 500 4, 5
472
2
= 0, 02493447
becsls jn ki. A normlis kzelts a
P
_
100
i=1
X
i
+
400
j=1
Y
j
+
500
k=1
Z
k
> 1022
_
= P
_
_
_
_
100
i=1
X
i
+
400
j=1
Y
j
+
500
k=1
Z
k
550
_
D
2
_
100
i=1
X
i
+
4000
j=1
Y
j
+
500
k=1
Z
k
_
>
1022550
_
D
2
_
100
i=1
X
i
+
400
j=1
Y
j
+
500
k=1
Z
k
_
_
_
_
_
1 (6, 332861) = 1, 203281 10

10
minimlis rtket adja. Azonban a kzelts hibjt
itt is csak ennl nagyobb rtkkel tudjuk becslni, hiszen az Essen ttel szerint
|P
_
100
i=1
X
i
+
400
j=1
Y
j
+
500
k=1
Z
k
> 1022
_
(1 (6, 332861))|
0, 56
_
100
i=1
E|X
i
EX
i
|
3
+
400
j=1
E|Y
j
EY
j
|
3
+
500
k=1
E|Z
k
EZ
k
|
3
_
_
D
2
_
100
i=1
X
i
+
400
j=1
Y
j
+
500
k=1
Z
k
__
3/2
= 0, 0850512.
Ez a hiba lnyegesen meghaladja a Csebisev egyenltlensgbl add becslst, gy ebben
az esetben ezzel clszer becslni.
A http://hpz400.cs.elte.hu:3838/ZA_kolcson/ oldalon kiszmolhatk a csd va-
lsznsgeinek becslsei s a normlis kzelts hibja gy is, hogy ms paramtereket
adunk meg a feladatnak. Egy screenshot a 7.6 bra.
128
7.6. bra. A csd valsznsgnek becslse a bkeklcsnnl, 7.13 feladat
1. Legyenek X
1
, X
2
, . . . fggetlen azonos eloszls valsznsgi vltozk vges vr-
hat rtkkel s szrssal. Mit mondhatunk az
Y
n
=
X
1
+ X
2
+ + X
n
X
2
1
+ X
2
2
+ + X
2
n
sorozat konvergencijrl?
2. Kockt gurtunk addig, amg hatost nem kapunk. Ezt a ksrletet 10000-szer meg-
ismteljk. Megkzeltleg mennyi annak a valsznsge, hogy a 10000 ksrlet
sorn sszesen kevesebb mint 59800 dobst vgeztnk?
3. Legyen
n
olyan valsznsgi vltozkbl ll sorozat ami sztochasztikusan tart a
c konstanshoz, tovbb f : R R a c pontban folytonos fggvny. Mutassuk meg,
hogy az f(
n
) valsznsgi vltoz sorozat sztochasztikusan tart f(c)-hez. Mi a
helyzet, ha
n
1 valsznsggel (azaz majdnem biztosan) tart c-hez?
4. Legyen
n
valsznsgi vltoz sorozat, gy hogy ltezik K konstans amelyre
P(|
n
| < K) = 1 s
n
sztochasztikusan. Mutassuk meg, hogy ekkor
E(
n
) E().
5. Legyen f [0, 1] R folytonos fggvny. Mutassuk meg, hogy a
p
n
(x) =
n
k=0
_
n
k
_
f
_
k
n
_
x
k
(1 x)
nk
polinom sorozat minden x [0, 1] pontban az f(x) szmhoz tart.
129
6. A vletlenszmtblzatbl elhagyjuk azokat a szmokat, amelyek hrommal oszt-
hatk, mindaddig, amg 1025 ilyen szmot nem tallunk. Mennyi annak a val-
sznsge kzeltleg, hogy ehhez legalbb 2500 szmot tartalmaz tblzatra van
szksgnk?
130
8. fejezet
Nem fggetlen ksrletek: Markov
lncok elemei
8.1. Markov lncok, alapfogalmak
Szemlletesen a Markov lnc egy idben fejld vletlen folyamat, ahol a mlt csak a
jelen llapoton keresztl befolysolja a jvbeni fejldst. Kicsit formlisabban jellje
X
n
a folyamat llapott az n pillanatban. A lehetsges llapotok halmazt I-vel jelljk,
ez a feladatokban jellemzen egy vges grf cscsainak a halmaza lesz. Ekkor X
n
olyan
valsznsgi vltoz mely az I halmazbl veszi fel az rtkeit. Az, hogy a mlt csak az
aktulis llapoton keresztl befolysolja a folyamat fejldst, pl. gy rhat le, hogy
X
n+1
rtkt az X
n
llapotbl s a mlttl fggetlen vletlen hats eredjbl kapjuk
meg. Azaz
X
n+1
= f(X
n
,
n+1
), (8.1)
ahol (
n
)
n1
az X
0
kezdeti rtktl fggetlen iid sorozat.
A feladatokban legtbbszr (
n
)
n1
egy dobsorozat lesz (kockval, vagy pnzrmvel)
mg az f lekpezs azt adja meg, hogy az adott dobott rtk esetn hova lpnk a grfon.
Illusztrcikppen nzzk a tnkremensi problmt. Ebben a feladatban egy olyan
jtkot jtszunk, ahol minden lpsben vagy 1 Forinttal n a pnznk, vagy ugyanennyi-
vel cskken. Addig jtszunk, amg a pnznk el nem fogy vagy egy elre megadott rtket
el nem rnk. Ha az egyes lpsekben egymstl fggetlenl sorsoljuk ki a lehetsgeket,
pl. egy pnzrmedobs sorozat segtsgvel, akkor a vagyonunk fejldse (8.1) alakban
rhat. Valban, jellje X
n
a vagyonunkat az n. lps utn X
0
= x a kezdtknk s y a
jtk sorn elrni kvnt vagyon. Ekkor, ha (
n
)
n1
sorozat fggetlen 1 rtk sorozat,
akkor X
n+1
= X
n
+1
0<X
n
<y
n+1
. Azaz a folyamat llapottere I = {0, 1, 2, . . . , y 1, y}.
A 0 s y llapotok kivtelvel minden llapotbl az eggyel nagyobb vagy az eggyel kisebb
llapotba lphetnk. A 8.1 brn grakusan szemlltetjk azt az esetet, amikor x = 1,
y = 4.
131
0 1 2 3 4
8.1. bra. A tnkremensi problma Markov lncnak grfja
Ha a sorozat fejldse a (8.1) alak s a (
n
)
n0
sorozat fggetlen X
0
-tl, akkor teljes
indukcival knnyen ellenrizhet, hogy X
0
, . . . X
n
fggetlen
n+1
,
n+2
, . . . -tl s
P(X
n+1
= x
n+1
|X
k
= x
k
, 0 k n)
=
P(f(X
n
,
n+1
) = x
n+1
, X
k
= x
k
, 0 k n)
P(X
k
= x
k
, 0 k n)
= P(f(x
n
,
1
) = x
n+1
) . (8.2)
Itt csak annyit hasznltunk, hogy a fggetlensg miatt a szmll szorzatt bomlik.
8.1 Denci Legyen (X
n
)
n0
I rtk valsznsgi vltozk sorozata. Azt mondjuk,
hogy (X
n
)
n0
Markov lnc, ha
P(X
n+1
= x
n+1
|X
k
= x
k
, k n) = P(X
n+1
= x
n+1
|X
n
= x
n
) (8.3)
minden n-re s x
n
, x
n+1
I-re.
Mi csak olyan eseteket fogunk nzni, amikor (8.3) jobboldala nem fgg n-tl. Ezeket
homogn Markov lncnak szoks nevezni.
A Markov lnc llapottere I. Az tmenetvalsznsg-mtrixa pedig
x,y
= P(X
1
= y|X
0
= x) , x, y I.
Pldul a fenti tnkremensi problmban
i,i+1
=
i,i1
= 1/2, ha 0 < i < 4 s
0,0
=
4,4
= 1, az sszes tbbi tmenet nulla valsznsg.
Azt lttuk, hogy az (8.1) alakban adott sorozatok mindig Markov lncot adnak, az
tmenetvalsznsgek pedig (8.2) alapjn szmolhatak. Bizonyos mrtkig ennek a
megfordtsa is igaz, pl. ha I megszmllhat akkor minden I llapotter Markov lnc
fejldse felrhat (8.1) alakban.
8.1.1. Gyakorl feladatok
1. Egy vztrolnak vges h a kapacitsa. A naponta befoly vzmennyisg J
n
fg-
getlen azonos eloszls valsznsgi vltoz sorozatnak tekinthet, melynek kzs
eloszlsa g
j
= P(J
n
= j). Egysgnyi mennyisg vizet mindennap vgn kienged-
nek a trolbl feltve, hogy az nem res vagy nem csordult tl a nap folyamn. Ha
res termszetesen nem eresztenek le vizet, tlcsordulskor a kapacitsnak megfe-
lel mennyisg vz marad a trolban. Jellje X
n
az n. nap vgn a trolban lv
vzmennyisget. Szmtsuk ki az X
n
Markov-lnc tmenetvalsznsg mtrixt.
132
2. Tegyk fel, hogy egy rszecske egysgnyi idtartam alatt a tbbitl fggetlenl
p valsznsggel kerl ki egy adott trrszbl, ha ott volt. Tovbb minden id
egysg alatt j rszecskk is kerlnek a trrszbe, melyek szma Poisson eloszls
paramterrel. Jellje X
n
a trrszben lv rszecskk szmt az n. id egysg
vgn. Szmtsuk az X
n
Markov-lnc tmenetvalsznsg mtrixt.
3. Kovcsk naponta olvassk az jsgot, majd a szoba sarkban lv jsg kupac
tetejre teszik a kiolvasott pldnyt. Estnknt 1/3 valsznsggel, valamelyik
csaldtag fogja a teljes jsg kupacot s kidobja a szemtbe. Valahnyszor t
jsg gylik fel a kupacban, Kovcs r fogja magt s kidobja a kupacot (1 val-
sznsggel). Tekintsk az estnknt (teht az esetleges selejtezs utn) a kupacban
lv jsgok szmt.
Lehet-e Markov lnccal modellezni a folyamatot? Ha igen, azonostsuk a Markov
lnc llapottert s rjuk fel az tmenetvalsznsg mtrixt.
4. (Rekord idpontok) Legyenek X
1
, X
2
, . . . fggetlen, azonos s folytonos eloszl-
s, nem negatv valsznsgi vltozk. Deniljuk az R sorozatot a kvetkez
rekurzival. R
1
= 1 s R
k+1
= inf {n > R
k
: X
n
> max(X
1
, . . . , X
n1
)} .
(a) X
1
, X
2
, . . . , X
n
nagysg szerinti sorrendjt jellje
n
. Ekkor
n
n elem egy
vletlen permutcija. Milyen eloszls
n
?
(b) Markov lnc-e R
n
? Ha igen, szmtsuk ki az tmenetvalsznsgeket.
(c) Legyen T
n
= R
n+1
R
n
. P(T
3
= 1|T
1
, T
2
) vizsglata alapjn vlaszoljunk
arra a krdsre, hogy Markov lnc-e T
n
.
5. Vlasszuk a
1
,
2
, . . . rtkeket egymstl fggetlenl s tallomra, azaz egyenletes
eloszls szerint az {1, 2, . . . , N} halmazbl. Jellje X
n
a klnbz rtkek szma
1
, . . . ,
n
kztt, azaz X
n
= |{
1
, . . . ,
n
}|. Markov lncot alkot-e az (X
n
)
n1
sorozat?
6. S
n
egy szimmetrikusan bolyong rszecske helyzete az n. lps utn. Mutassuk
meg, hogy R
n
= |S
n
| Markov lnc. Mi a helyzet nem szimmetrikusan bolyong
rszecske esetn?
7. Legyen S
n
egy szimmetrikusan bolyong rszecske helyzete az n. lps utn. Mu-
tassuk meg, hogy X
n
= max
kn
S
k
nem Markov lnc.
8. Legyen (
k
)
k1
Markov-lnc I = {1, 2, 3} llapottrrel s tmenetvalsznsggel,
P(
1
= i) = 1/3. Legyen
k
= 1 ha
k
= 1 s
k
= 2 klnben. P(
4
= 1|
1
,
2
,
3
)
133
vizsglatval dntsk el, hogy Markov-lnc-e (
k
)
k1
, ha igen szmtsuk ki az t-
menetvalsznsgeit.
=
_
_
2/5 2/5 1/5
2/5 1/5 2/5
1/5 2/5 2/5
_
_
8.2. Tbblpses tmenetvalsznsgek, invarins el-
oszls
Legyen (X
n
)
n0
Markov lnc tmenetvalsznsgmtrixszal. A teljes valsznsg
ttel szerint:
P(X
i
= x
i
, i n) = P(X
i
= x
i
, i n 1) P(X
n
= x
n
|X
i
= x
i
, i n 1)
= P(X
i
= x
i
, i < n)
x
n1
,x
n
Ezt az sszefggst iterlva az X
k
= x
k
, k n t valsznsgt
P(X
i
= x
i
, i n) = P(X
i
= x
i
, i < n)
x
n1
,x
n
= P(X
i
= x
i
, i n 2)
x
n2
,x
n1
x
n1
,x
n
= =
= P(X
0
= x
0
)
x
0
,x
1

x
n2
,x
n1
x
n1
,x
n
=
= P(X
0
= x
0
)
n
k=1
x
k1
,x
k
.
(8.4)
Ha most sszegznk az sszes lehetsges tra, ami n lps alatt az x
0
llapotbl az x
n
llapotba vezet, akkor azt kapjuk, hogy
P(X
0
= x
0
, X
n
= x
n
) = P(X
0
= x
0
)
x
1
,x
2
...,x
n1
I
n
k=1
x
k1
,x
k
= P(X
0
= x
0
) (
n
)
x
0
,x
n
Azaz a
n
mtrix (
n
)
x,y
eleme, annak a valsznsgt adja meg, hogy a lnc az n.
lps utn az y llapotban van, feltve, hogy x-bl indult, azaz X
0
= x. Ezrt
n
-et
n-lpses tmenetvalsznsgmtrixnak nevezzk.
Egy msik olvasata a 8.4 formulnak az, hogy a folyamat eloszlst az X
0
eloszlsa
(kezdeti eloszls) s egyttesen meghatrozza. Ha a kezdeti eloszlst sorvektorknt
rjuk, p
0
(x) = P(X
0
= x), akkor
p
n
(x) = P(X
n
= x) =
y
P(X
0
= y) P(X
n
= x|X
0
= x) = (p
0
n
)(x). (8.5)
Azaz, X
n
eloszlst a p
0
kezdeti eloszls s a tmenetvalsznsgmtrix n. hatv-
nynak szorzata adja. Ha p
0
= p
0
, akkor X
n
eloszlsa minden n-re ugyanaz. Az ilyen
kezdeti eloszlst invarins vagy stacionrius eloszlsnak hvjuk.
134
Szeretnnk megrteni, mi trtnik hossz tvon, azaz milyen eloszls lesz X
n
, ha n
nagy. A 8.5 alapjn ez egy lineris algebrai krds. Szerencss esetben p
0
felrhat
sajtvektorainak lineris kombincijaknt. Ha n nagy akkor a legalbb 1 abszoltrtk
sajtrtkekhez tartoz komponensek fognak dominlni a tbbi komponens geometriai
sebessggel nullhoz tart. Ennek a gondolatnak az illusztrlsra nzzk a kt llapot
Markov lncot, melynek tmenetvalsznsgeit a
=
_
1 p p
q 1 q
_
mtrix adja, ahol p, q (0, 1). Ez a Markov lnc 1 p valsznsggel marad az egyes
llapotban s p valsznsggel lp t a kettes llapotba, ha az egyes llapotban van s
1 q ill. q valsznsggel marad helyben ill. vlt, ha a kettes llapotban van. Grakus
brzolst a 8.2 bra mutatja.
1 2
1 p
p
1 q
q
8.2. bra.
sajtrtkeit a karakterisztikus polinom gykei adjk
(1 p )(1 q ) pq = 0,
1
= 1,
2
= 1 (p + q).
A hozzjuk tartoz baloldali sajtvektorok v
1
= (q, p) s v
T
2
= (1, 1) Ezekkel a jell-
sekkel
=
_
q p
1 1
_
1
_
1 0
0
2
__
q p
1 1
_
s
n
=
_
q p
1 1
_
1
_
1 0
0
n
2
__
q p
1 1
_
Azaz X
n
eloszlsa
p
0
n
= c
1
(q, p) + c
2
n
2
(1, 1)
ahol c = (c
1
, c
2
) a c
1
(q, p) + c
2
(1, 1) = p
0
megoldsa. Mivel p
0
valsznsg eloszlsa,
ezrt a koordintinak sszege 1. A koordintk sszege a bal oldalon c
1
(p + q), ezrt
c
1
= 1/(p + q) > 0. Mivel |
2
| < 1, ezrt nagy n-re
P(X
n
= 1) = (p
0
n
)(1) = c
1
q + c
2
n
2
c
1
q =
q
p + q
,
P(X
n
= 2) = (p
0
n
)(2) = c
1
p c
2
n
2
c
1
p =
p
p + q
.
135
sszefoglalva, azt kaptuk, hogy
lim
n
P(X
n
= 1) =
q
p + q
, lim
n
P(X
n
= 2) =
p
p + q
.
Ez azt jelenti, hogy nagy n esetn X
n
eloszlsra a kezdeti eloszlsnak alig van hatsa,
azt lnyegben az tmenetvalsznsgmtrix hatrozza meg. Vegyk szre azt is, hogy
a limesz eloszls s a tmenetvalsznsgmtrix egy sajtrtkhez tartoz baloldali
sajtvektora, azaz a lnc invarins eloszlsa.
A kt llapot Markovlnc esetben az tmenetvalsznsgmtrix sajtrtk fel-
bontst knnyen ki tudtuk szmolni, de valjban csak annyit hasznltunk, hogy az 1
sajtrtk, azaz van invarins eloszls s minden ms sajtrtk abszoltrtkben egynl
kisebb. A szmolst az is egyszerstette, hogy az 1 egyszeres sajtrtk volt.
Vegyk szre, hogy a vizsglt kt llapot Markov lnc esetben teljeslt a kvetkez
kt tulajdonsg.
(i) Brmely llapotbl, brmely msik llapotba el lehet jutni pozitv valsznsggel,
azaz a lnc irreducibilis. A 4 gyakorl feladat (b) pontja azt vizsglja, mi trtnik,
ha ez a felttel nem teljesl.
(ii) Nincs periodicits, azaz a lnc aperiodikus. A 4 gyakorl feladat (c) pontja azt
vizsglja, mi trtnik, ha ez a felttel nem teljesl.
8.2 Denci Legyen I megszmllhat.
Ha minden x, y I prra ltezik olyan n, hogy P(X
n
= y|X
0
= x) > 0 akkor azt
mondjuk, hogy a lnc irreducibilis.
Az x I pont peridusa a {n > 0 : P(X
n
= x|X
0
= x) > 0} szmhalmaz legna-
gyobb kzs osztja. Meggondolhat, hogy irreducibilis lnc esetn minden pont peri-
dusa azonos. Egy irreducibilis Markov lnc aperiodikus, ha a kzs peridus egy.
8.3 Ttel Legyen (X
n
) Markov lnc vges llapottrrel s tmenetvalsznsggel.
(i) Ha a lnc irreducibilis, akkor pontosan egy invarins eloszls ltezik.
(ii) Ha a lnc emellett mg aperiodikus is, akkor
lim
n
P(X
n
= x) = (x),
ahol a lnc invarins eloszlsa.
Az llts azt mondja, hogy a kezdeti eloszlst elfelejti a folyamat, azaz hossz id utn
rnzve kzel az invarins eloszlst ltjuk. Ebbl persze az is addik, hogy egy adott
136
llapot megltogatsnak relatv gyakorisga az els n lps sorn konvergl az albbi
rtelemben
E
_
1
n
n
k=1
1
X
k
=x
_
=
1
n
n
k=1
P(X
k
= x) (x), (8.6)
ahol 1
X
k
=x
az X
k
= x esemny indiktora.
A (8.6) formulban a konvergencia vrhat rtk nlkl is fennll, azaz igaz a kvet-
kez ttel
8.4 Ttel Ha (X
n
) irreducibilis, vges llapotter Markov lnc, invarins eloszlssal,
akkor
1
n
n
k=1
1
X
k
=x
(x), egy valsznsggel minden x I-re.
8.1 Feladat Tegyk fel, hogy az idjrs alakulsra az albbi egyszer szablyok iga-
zak: Ha ma s tegnap napos id volt, akkor holnap 0,8 esllyel lesz ismt napos id, ha
ma napos, de tegnap borult id volt akkor 0,6, ha ma volt bors id s tegnap napos
akkor 0,4, ha az elz kt nap bors volt akkor 0,1 valsznsggel lesz holnap napos id.
Adjuk meg a megfelel Markov lncot, s szmtsuk ki, hogy a napok tlagosan hny
szzalka lesz napos?
Megolds. A feladat felttelezse szerint az idjrsi helyzetet a mai s a tegnapi id-
jrs rja le. A lehetsges llapotok NN, NB, BN, BB, ahol az N a napos a B pedig a
bors idt jelli az els bet a tegnapi a msodik pedig a mai idjrst adja meg, lsd
a 8.3 brt.
BB
BN
NB
NN 0.9
0.1
0.4
0.6
0.4
0.6 0.2
0.8
8.3. bra. A 8.1 feladat egyszer idjrs modelljnek grfja
137
Ez a Markov lnc aperiodikus s irreducibilis, gy a feladat msodik fele tulajdon-
kppen azt krdezi, hogy a stacionrius eloszls mellett mekkora az eslye, hogy az NN
vagy a BN llapotban vagyunk.
A stacionrius eloszlst a kvetkez egyenletrendszer megoldsa szolgltatja:
p
NN
= 0.8p
NN
+ 0.6p
BN
p
NB
= 0.2p
NN
+ 0.4p
BN
p
BN
= 0.1p
BB
+ 0.4p
NB
p
BB
= 0.9p
BB
+ 0.6p
NB
1 = p
NN
+ p
NB
+ p
BN
+ p
BB
Ennek a megoldsa p
NB
= p
BN
=
1
11
, p
NN
=
3
11
, p
BB
=
6
11
. Azaz a napstses napok
arnya hossz tvon kzel
4
11
.
8.2 Feladat Egy lgitrsasg helyfoglalsi rendszerben kt szmtgpet alkalmaznak.
Egy szmtgp ltja el a feladatokat, a msik, ha mkdkpes akkor tartalkknt
szolgl. A szmtgp zemeltetse sorn egy nap alatt p valsznsggel romlik el s a
javtsa kt napba telik. A javtst egyszerre csak egy gpen tudjk vgezni. Modellezzk
az elbbi rendszert Markov lnc segtsgvel. Mennyi annak a valsznsge, hogy hossz
zemeltets utn egy adott napon a rendszer mkdskptelen?
Megolds. A rendszer lehetsges llapotai {(i, j) : i, j = 0, 1, 2} , ahol az (i, j) llapot
azt jelenti, hogy az els szmtgp i nap mlva, a msodik szmtgp j nap mlva
zemkpes. Nem minden kombinci fordulhat el, s a kt szmtgp szimmetrikus
szerepe miatt az (i, j) llapot nyilvn ugyanaz mint a (j, i) llapot. Az gy kapott Markov
lnc grfja a 8.4 brn lthat.
Jellje X
n
azt, hogy az n. nap vgn a rendszer melyik llapotban van. Az X
n
Markov
lnc stacionrius eloszlst a kvetkez egyenletrendszer megoldsa adja:
0,0
= (1 p)
0,0
+ (1 p)
1,0
2,0
= p
0,0
+ p
1,0
+ 1
1,2
1,0
= (1 p)
2,0
1,2
= p
2,0
Ennek megoldsa
0,0
=
(1p)
2
1+p
2
,
1,0
=
p(1p)
1+p
2
,
2,0
=
p
1+p
2
,
1,2
=
p
2
1+p
2
. A rendszer
mkdskptelen, ha az (1, 2) llapotban van, ennek eslye hossz zemeltets utn j
kzeltssel a stacionrius eloszls megfelel tagja, azaz
P(a rendszer mkdskptelen)
p
2
1 + p
2
.
138
(1, 2) (2, 0)
(0, 0)
(1, 0)
1
p
1 p
p
1 p
p
1 p
8.4. bra. A 8.2 feladat Markov lnca
8.3 Feladat Szablyos pnzrmt doblunk. Fejfutamnak nevezzk a dobssorozat
azon rszt, amikor csupa fejet dobunk egyms utn. Jellje M 256 dobsbl a leg-
hosszabb fejfutam hosszt. Szimulcival becsljk meg M eloszlst, azaz pl. 1000
ksrletbl hatrozzuk meg az (M = k), k = 0, 1, 2, . . . , 10, s (M > 10) esemnyek
relatv gyakorisgt. Szmtsuk ki a pontos valsznsgeket is.
Megolds. A pontos rtkek meghatrozsa pl. gy trtnhet, hogy minden k rtkre
tekintjk azt az (X
n
)
n0
Markov lncot, ahol
P(X
n+1
= l + 1|X
n
= l) = P(X
n+1
= 0|X
n
= l) = 1/2, ha l = 0, . . . , k 1,
P(X
n+1
= k|X
n
= k) = 1.
Ekkor P(X
256
= k|X
0
= 0) = P(M k). X
256
eloszlst pedig az tmenetvalsznsg
mtrix hatvnyozsval kaphatjuk.
pfutam<-function(k,n=8){
Pi<-matrix(0,k+1,k+1)
ind<-1:k
Pi[cbind(ind,ind+1)]<-1/2
Pi[cbind(ind,1)]<-1/2
Pi[k+1,k+1]<-1
for(i in seq_len(n)) Pi<-Pi%*%Pi
Pi[1,k+1]
}
139
rfutam<-function(n=1,nsteps){
sapply(seq_len(n),function(...){
B<-rbinom(nsteps,1,0.5)
max(sapply(split(B,cumsum(B)),length))-1
})
}
rf<-rfutam(1000,nsteps=256)
p.emp<-tabulate(rf+1,nbins=21)/length(rf)
p<-rbind(diff(-c(1.0,sapply(1:21,pfutam,n=8))),p.emp)
colnames(p)<-0:20
rownames(p)<-c("egzakt","rel.gyak.")
barplot(p,legend.text=T,beside=T)
0 1 2 3 4 5 6 7 8 9 10 12 14 16 18 20
egzakt
rel.gyak.
0
.
0
0
0
.
1
0
0
.
2
0
8.5. bra. Leghosszabb futam eloszlsa 256 hossz dobssorozatban
Az eredmny rdekessge, hogy az esetek dnt tbbsgben legalbb 6 egyms utni
fejet fogunk ltni egy viszonylag rvid dobssorozatban. Ennl tbb is igaz, ha n nagy
akkor a maximlis futam vrhat hossza krlbell log
(2)
n.
140
1. A szociolgusok gyakorta felttelezik, hogy egy csaldon bell az egymst kvet
genercik trsadalmi helyzett Markov lncnak lehet tekinteni, azaz a foglalko-
zsa kzvetlenl az apja foglalkozstl fgg, de a nagyapjtl mr nem. Tegyk
fel, hogy ez a modell megfelel s az tmenetvalsznsgmtrix , ahol az 1,2,3
indexek az als- kzp- s fels osztlynak felelnek meg. Az emberek hny sz-
zalka kzposztlybeli egy olyan trsadalomban, ahol a fenti modell hossz idre
visszatekintve helyesen rja le a trsadalmi folyamatokat.
=
_
_
0.4 0.5 0.1
0.05 0.7 0.25
0.05 0.5 0.45
_
_
2. Legyen X megszmllhat llapotter Markov lnc tmenetvalsznsgmtrixszal.
Azt mondjuk, hogy a Markov lnc reverzibilis a eloszlsra nzve, ha
i
i,j
=
j,i
minden i, j-re. Mutassuk meg, hogy ha a lnc reverzibilis -re, akkor a
lnc stacionrius eloszlsa, azaz = .
3. Krtyt kevernk oly mdon, hogy a 32 lapbl tallomra vlasztunk egyet, majd
azt a pakli tetejre helyezzk. Mutassuk meg, hogy ezt az eljrst sokszor ismtelve
a pakli lapjai megkzeltleg vletlenszer sorrendben lesznek, azaz a lapok brmely
sorrendje kzel azonos valsznsg lesz.
4. Ellenrizzk a kvetkezket:
(a) A lpsenknt egyet jobbra determinisztikus mozgs a termszetes szmok
halmazn egy olyan homogn Markov lnc, amelynek nincs invarins valsz-
nsg eloszlsa.
(b) A statikus fejlds azaz identits mtrix tmenetvalsznsg 2 llapot
Markov lncnak tbb invarins eloszlsa is van.
(c) Kt llapot determinisztikus s ciklikus vltakozsa olyan Markov lnc,
melynek egyetlen invarins eloszlsa van, de csak P(X
0
= i) = (i) kez-
deti eloszls esetn teljesl lim
n
P(X
n
= i) = (i).
5. Egy embernek r db esernyje van, amelyeket munkba menet s onnan jvet hasznl
szksg, azaz es esetn (gy csak akkor visz magval ernyt, ha ahonnan indul ott
tallhat erny s ppen esik az es). Tegyk fel, hogy egy ess reggel, dlutn
valsznsge, fggetlenl a mlttl s jvtl, mindig p (0, 1).
(a) Szmtsuk ki annak a valsznsgt (kzeltleg), hogy embernk elzik ha
elg rgta kveti a fenti mdszert.
141
(b) Milyen nagyra kell r-et vlasztani ahhoz, hogy legalbb (0, 1) valszn-
sggel ne zzon el az embernk, brmekkora is p?
6. Tekintsnk egy futszalagot, amelyrl kikerl munkadarabok p valsznsggel
hibsak. Tegyk fel, hogy az egyes munkadarabok llapota (hibs, vagy hibtlan
voltuk) nem fgg a tbbi munkadarab llapottl. A kvetkez mintavtelezsi
eljrst hasznljuk: Kezdetben minden munkadarabot ellenrznk egszen addig,
amg egyms utn i db. hibtlan kvetkezik. Ezek utn minden r darabbl egyet
vlasztunk tallomra, s csak azt ellenrizzk, egszen addig, amg hibs darabot
nem tallunk. Ekkor visszatrnk a kezdetben alkalmazott eljrshoz teht min-
dent ellenrznk addig, amg i db hibtlan munkadarabot nem tallunk. s gy
tovbb.
Modellezzk az eljrst Markov lnccal. Szmtsuk ki
(a) az tmenetvalsznsgeket,
(b) a stacionrius eloszlst,
(c) a megvizsglt alkatrszek arnyt (hossz tvon),
(d) a mdszer tlagos hibaszzalkt (hossz tvon).
8.3. Elnyeldsi valsznsgek
8.4 Feladat Szerencsejtkot jtszunk, melyben a ttet 1/2 valsznsggel megduplz-
zuk, 1/2 valsznsggel elvesztjk. 1 petkkal kezdjk a jtkot s addig folytatjuk,
amg t petkunk nem lesz vagy el nem fogy a pnznk. Mennyi az eslye annak, hogy
5 petkkal fejezzk be a jtkot, ha vatos stratgival jtszunk, azaz mindig csak 1
petkot kockztatunk.
Megolds. A nyeresgnk minden jtkkal vagy egy petkkal cskken vagy egy pe-
tkkal n. Ez teht a bevezetben mr emltett tnkremensi problma melynek grfja
a 8.6 brn lthat.
0 1 2 3 4 5
1/2
1/2
1/2
1/2
1/2
1/2
1/2
1/2
8.6. bra. A 8.4 feladat Markov lnca
Az 1-es llapotbl indulunk s az egyes nyilakon a megjellt valsznsgek szerint
haladunk tovbb. A krdsnk az, hogy mennyi az eslye annak, hogy a bolyongs az
142
5-s llapotban fejezdik be s nem a 0-sban. Jellje p
i
ennek az eslyt, feltve, hogy
a bolyongs az i. llapotbl indul. A teljes valsznsg ttel alapjn p
i
-kre az albbi
egyenletrendszer rhat fel:
p
0
= 0
p
1
=
1
2
p
0
+
1
2
p
2
p
2
=
1
2
p
1
+
1
2
p
3
p
3
=
1
2
p
2
+
1
2
p
4
p
4
=
1
2
p
3
+
1
2
p
5
p
5
= 1
aminek a megoldsa p
i
= i/5, azaz a krdses valsznsg 1/5.
8.5 Feladat Anna s Pl egy pnzrmt dobl. Anna az FFI, Pl pedig az FII minta
korbbi megjelensre fogadott. Jellje X az FFI, Y az FII minta els megjelensig
szksges dobsszmot. Mutassuk meg, hogy X s Y azonos eloszls, de Anna s Pl
nyersi eslyei nem egyenlk.
Megolds. Azokat a sorozatokat, melyek vgn az az FFI minta van a kvetkez grf
segtsgvel lehet generlni:
F FF FFI I
F
I
F
F
I
8.7. bra. Az FFI minthoz tartoz grf
Minden olyan vges sorozatnak, aminek csak a vgn van FFI minta megfelel egy
FFI t a grfon. mindig azon az len haladunk tovbb aminek a cmkje a kvetkez
dobs rtkvel egyenl. s megfordtva ha vesznk egy utat ami -bl FFI-be vezet,
akkor az lek cmkit egyms mell rva egy olyan sorozatot kapunk, aminek csak a vgn
fordul el az FFI minta.
Az FII minthoz tartoz grf hasonl megfontolssal:
143
F FI FII I
F
I
F
F
I
8.8. bra. Az FII minthoz tartoz grf
Az, hogy X s Y azonos eloszls abbl addik, hogy ugyanannyi n hosszsg t
vezet az els grfon a kezd pontbl a vgpontba, mint a msodikon. A megfeleltets
pldul az lehet, hogy adott egy t az els grfon, akkor az FF els elrse utni darabot
vgjuk le a vgrl cserljk fel az I s F szerept s rjuk az t eleje el. gy egy
ugyanolyan hossz utat kapunk a msodik grfon. A megfeleltets nyilvn klcsnsen
egyrtelm.
Ha Anna s Pl egyms ellen fogadnak, akkor minden lehetsges dobssorozatnak
megfeleltethet a fenti mdszerrel egy t a kvetkez grfon:
0
1
F
2
FF
3
FI
4
FFI
5
FII
I
F
I
F
F
I
F I
8.9. bra. Az FFI s FII mintk els elfordulshoz tartoz Markov lnc
Jellje p
i
annak az eslyt, hogy a grfon i-vel jellt cscsbl indulva egy szablyos
rmt hasznlva az t kisorsolsra az FFI (4) cscsba jutunk. A p
i
valsznsgekre a
144
kvetkez egyenleteket rhatjuk fel:
p
0
=
1
2
p
0
+
1
2
p
1
azaz p
0
= p
1
p
1
=
1
2
p
2
+
1
2
p
3
p
2
=
1
2
p
2
+
1
2
p
4
azaz p
2
= p
4
= 1
p
3
=
1
2
p
1
+
1
2
p
5
azaz p
3
=
1
2
p
1
p
4
= 1
p
5
= 0
Az egyenletrendszer megoldsa: p
0
= p
1
= 2/3, p
2
= p
4
= 1, p
3
= 1/3, p
5
= 0. Anna
nyersi eslye teht 2/3, mg Pl 1/3.
1. A 8.4 feladatban hogyan vltozik a tnkremens valsznsge ha a moh stratgit
kvetjk, azaz a pnznkbl mindig annyit kockztatunk, hogy nyers esetn a
tknk nagysga a lehet legjobban megkzeltse az 5 petkot.
2. Antal s Bla egy pnzdarabot doblnak, melynl a fejdobs valsznsge p. Antal
az FFI, Bla az II sorozat els megjelensre vr. Mekkora a valsznsge, hogy
Antal sorozata kvetkezik be elbb? Szimmetrikus rmre ez 1/2, mirt? Nem
szimmetrikus rmre?
3. Kt fej-rs sorozat kzl azt nevezzk jobbnak, amelyiknl 1/2-nl nagyobb a
valsznsge, hogy egy szablyos rmt doblva elbb kvetkezik be, mint a msik.
Mutassuk meg, hogy FFI jobb FII-nl, FII jobb IIF-nl, IIF jobb IFF-nl, s
IFF jobb FFI-nl, azaz ezek a sorozatok krbeverik egymst, ms szval a fenti
rendezs nem tranzitv.
4. Fej-rs jtkban nyernk egy forintot, ha a dobs eredmnye fej, vesztnk egyet,
ha rs. n forinttal kezdjk a jtkot s addig jtszunk, amg 2n forintunk lesz,
vagy elfogy a pnznk. Mi az esly arra, hogy jtk kzben elfordul n hossz
nyer szria, azaz n kzvetlenl egyms utni fej dobs?
145
9. fejezet
Vletlen bolyongs: a klasszikus eset s
a grfok
9.1. Bolyongs tlagos hossza, a lpsszm szrsngy-
zete
9.1 Feladat tlagosan mennyit kell dobni egy szablyos kockval, amg kt szomszdos
hatos megjelenik?
Megolds. A krdst tfogalmazhatjuk egy grfon val bolyongsrl szl krdss.
Tekintsk ugyanis a 9.1 brn lv grfot:
0
1
6
2
66
{1, 2, 3, 4, 5}
6
{1, 2, 3, 4, 5}
6
9.1. bra. A 66 mintra vrakozs Markov lnca
Ha adott egy dobssorozat melynek a vgn kt szomszdos hatos ll, akkor a grfon
az cscsbl indulva s mindig a dobsnak megfelel len tovbbhaladva a bolyongs
vge a 66 cscs. Megfordtva ha vesznk egy n hossz bolyongst a grfon ami az
cscsbl a 66 cscsba vezet, abbl az sszes n hossz dobssorozat elllthat aminl
elszr a vgn tallhat kt szomszdos hatos. gy a krds valjban az, hogy a fenti
grfon tlagosan hny lps alatt lehet eljutni a 0 cscsbl a 2 cscsba.
Jellje m
i
a szksges lpsszm vrhat rtkt, ha az i cscsbl indulunk. Az m
i
mennyisgek kztt az els lps szerint sztbontva az eseteket a kvetkez sszefggsek
146
addnak:
m
0
= (1 + m
0
)
5
6
+ (1 + m
1
)
1
6
m
0
= m
1
+ 6.
m
1
= (1 + m
0
)
5
6
+ (1 + m
2
)
1
6
6m
1
= 6 + 5m
0
m
2
= 0
aminek a megoldsa m
1
= 36 s m
0
= 42. Azaz az tlagosan szksges dobsszm 42.
9.2 Feladat Egy pnzrmedobs sorozatban tlagosan mennyi ideig kell vrni az FFF
vagy FIF mintk valamelyiknek az els megjelensre? Mennyi a szksges dobsszm
szrsngyzete?
Megolds. Grfon val bolyongsra vezetjk vissza a krdst. Tekintsk a 9.2 brn
szerepl grfot.
0
1
F
2
FF
3
FI
4
FF
I
F
F
I
I
F
I
I
9.2. bra. Az F F mintra vrakozs Markov lnca
Az i pontbl indul bolyongs esetn az elnyeldsig szksges X
i
lpsszm vrhat
rtkt m
i
, a lpsszm ngyzetnek vrhat rtkt d
i
jelli. Az els lps szerint
sztbontva az eseteket s a teljes vrhat rtk ttelt alkalmazva a kvetkez egyenletek
147
addnak:
m
0
=
1
2
(m
0
+ 1) +
1
2
(m
1
+ 1)
m
1
=
1
2
(m
2
+ 1) +
1
2
(m
3
+ 1)
m
2
=
1
2
(m
3
+ 1) +
1
2
(m
4
+ 1)
m
3
=
1
2
(m
0
+ 1) +
1
2
(m
4
+ 1)
m
4
= 0
A ngyzet vrhat rtkre pedig az E((1 + X)
2
) = 1 + 2E(X) + E(X
2
) sszefggs
alapjn
d
0
=
1
2
(d
0
+ 2m
0
+ 1) +
1
2
(d
1
+ 2m
1
+ 1)
d
1
=
1
2
(d
2
+ 2m
2
+ 1) +
1
2
(d
3
+ 2m
3
+ 1)
d
2
=
1
2
(d
3
+ 2m
3
+ 1) +
1
2
(d
4
+ 2m
4
+ 1)
d
3
=
1
2
(d
0
+ 2m
0
+ 1) +
1
2
(d
4
+ 2m
4
+ 1)
d
4
= 0
Az m-ekre felrt egyenletrendszer megoldsa: m
0
= 34/5, m
1
= 24/5, m
2
= 16/5,
m
3
= 22/5. Azaz a d-re vonatkoz egyenletrendszer:
d
0
= d
1
+ 2(m
0
+ m
1
+ 1) = d
1
+
126
5
d
1
=
1
2
d
2
+
1
2
d
3
+ (m
2
+ m
3
+ 1) =
1
2
d
2
+
1
2
d
3
+
43
5
d
2
=
1
2
d
3
+ m
3
+ 1 =
1
2
d
3
+
27
5
d
3
=
1
2
d
0
+ m
0
+ 1 =
1
2
d
0
+
39
5
Ennek megoldsa d
0
=
3388
50
= 67.76, d
1
=
2128
50
= 42.56 d
2
=
1312
50
= 26.24, d
3
=
2084
50
=
41.68. Vgl a szksges dobsszm szrsngyzete:
d
0
m
2
0
=
3388
50

_
34
5
_
2
=
3388 2312
50
=
1076
50
= 21.56.
148
9.3 Feladat Egy szablyos rmt doblunk, X jelli az FFF, Y az IFI minta els
megjelensig szksges dobsszmot. Szmtsuk ki az E(X|X < Y ) feltteles vrhat
rtket.
Megolds. Ha nem a feltteles vrhat rtk volna a krds, akkor a megolds egy
lineris egyenletrendszer megoldsa volna. Ez az egyenletrendszer
m
i
=
_
j

i,j
(m
j
+ 1) ha i nem vgllapot
0 ha i vgllapot
alak, ahol
i,j
egy alkalmas grfon trtn bolyongs tmenetvalsznsg mtrixa. A
konkrt feladathoz tartoz grf a 9.3 brn lthat.
0
1
F
4
I
2
FF
3
FFF
5
IF
6
IFI
1
2
1
2
1
2
1
2
1
2
1
2
1
1
2
1
2
1
2
1
2
1
9.3. bra.
Ezt a mdszert szeretnnk alkalmazni, az ltalunk keresett feltteles vrhat rtk
kiszmtsra is. Ehhez els lpsknt azt mutatjuk meg, hogy a Q(A) = P(A|X < Y )
feltteles eloszls szerint is Markov lncot kapunk, azonban az tmenetvalsznsgek
megvltoznak.
Jellje Z
n
azt, hogy az n. lps utn a fenti grfon melyik llapotban vagyunk. Els
lpsknt azt mutatjuk meg, hogy Z
n
a Q valsznsggel elltott valsznsgi mezn is
Markov lnc, azaz
Q(Z
n+1
= k
n+1
|Z
0
= k
0
, . . . , Z
n
= k
n
) = Q(Z
n+1
= k
n+1
|Z
n
= k
n
)
minden olyan k
0
, k
1
, . . . , k
n
sorozatra, amire a baloldalon a felttel pozitv valsznsg.
149
Q(A|B) =
Q(A B)
Q(B)
=
P(A B|(X < Y ))
P(B|(X < Y ))
=
P(A B|(X < Y )) P(X < Y )
P(B|(X < Y )) P(X < Y )
= P(A|B (X < Y )) .
alapjn
Q(Z
n+1
= k
n+1
|Z
0
= k
0
, . . . , Z
n
= k
n
)
= P(Z
n+1
= k
n+1
|Z
0
= k
0
, . . . , Z
n
= k
n
, X < Y )
=
P(Z
0
= k
0
, . . . , Z
n+1
= k
n+1
, X < Y )
P(Z
0
= k
0
, . . . , Z
n
= k
n
, X < Y )
.
Legyen p
i
= P(X < Y |Z
0
= i) . Mivel homogn Markov lncrl van sz,
P(Z
0
= k
0
, . . . , Z
n
= k
n
, X < Y )
= P(X < Y |Z
0
= k
0
, . . . , Z
n
= k
n
) P(Z
0
= k
0
, . . . , Z
n
= k
n
)
= P(X < Y |Z
n
= k
n
) P(Z
0
= k
0
, . . . , Z
n
= k
n
) = p
k
n
P(Z
0
= k
0
, . . . , Z
n
= k
n
) .
gy aztn
Q(Z
n+1
= k
n+1
|Z
0
= k
0
, . . . , Z
n
= k
n
)
=
p
k
n+1
P(Z
0
= k
0
, . . . , Z
n
= k
n
, Z
n+1
= k
n+1
)
p
k
n
P(Z
0
= k
0
, . . . , Z
n
= k
n
)
=
p
k
n+1
P(Z
n+1
= k
n+1
|Z
i
= k
i
, i n) P(Z
0
= k
0
, . . . , Z
n
= k
n
)
p
k
n
P(Z
0
= k
0
, . . . , Z
n
= k
n
)
=
p
k
n+1
k
n
,k
n+1
p
k
n
.
Azt kaptuk, hogy a Q(Z
n+1
= k
n+1
|Z
0
= k
0
, . . . , Z
n
= k
n
) feltteles valsznsg csak Z
n
rtktl fgg, azaz Z a Qmrtk szerint is Markov lnc, tovbb az tmenetvalsznsg
mtrix
i,j
=
p
j
i,j
p
i
.
A mi konkrt Markov lncunkra a p
i
rtkeket a kvetkez egyenletrendszer megol-
150
dsa adja:
p
0
=
1
2
p
1
+
1
2
p
4
p
1
=
1
2
p
2
+
1
2
p
4
p
2
=
1
2
p
3
+
1
2
p
4
p
3
= 1
p
4
=
1
2
p
4
+
1
2
p
5
p
5
=
1
2
p
2
+
1
2
p
6
p
6
= 0.
Ennek az egyenletrendszernek a megoldsa p
0
=
5
12
, p
1
=
1
2
, p
2
=
2
3
, p
4
= p
5
=
1
3
,
p
3
= 1, p
6
= 0. Azaz a Q mrtkkel elltott valsznsgi mezn, a Z Markov lnc
tmenetvalsznsgei megvltoznak, az eredmnyt a 9.4 brn lthatjuk. Az egyes
cscsoknl a hozzjuk tartoz p
i
rtket is feltntettk.
p
0
=
5
12
p
1
=
1
2
F
p
4
=
1
3
I
p
2
=
2
3
FF
p
3
=1
FFF
p
5
=
1
3
IF
p
6
=0
IFI
3
5
2
5
2
3
1
3
1
4
3
4
1
1
2
1
2
1
0
1
9.4. bra.
151
Innen a vrhat rtk kiszmtsra szolgl egyenletrendszer
m
0
=
3
5
m
1
+
2
5
m
4
+ 1
m
1
=
2
3
m
2
+
1
3
m
4
+ 1
m
2
=
3
4
m
3
+
1
4
m
4
+ 1
m
3
= 0
m
4
=
1
2
m
4
+
1
2
m
5
+ 1
m
5
= m
2
+ 1
Aminek a megoldsa m
4
= m
5
+2 = m
2
+3 =
16
3
, m
1
=
13
3
, m
0
=
86
15
. A feladat megoldsa
teht
E(X|X < Y ) =
86
15
.
1. Szmtsuk ki a 8.4 feladatban a jtk tlagos hosszt.
2. t ember ll egy szablyos tszg t cscsban s korongokat doblnak egymsnak
gy, hogy minden fordulban minden egyes korongot a tbbitl fggetlenl mind-
kt lehetsges szomszdnak 1/21/2 valsznsggel dobjk tovbb a jtkosok.
Ha valamelyik jtkosnak egyszerre kt korongot kellene elkapnia a jtk megll.
Kezdetben kt korong van kt szomszdos jtkosnl.
(a) Szmtsuk ki annak a valsznsgt, hogy a jtk legalbb 100 fordulbl ll.
(b) Hatrozzuk meg a fordulk tlagos szmt s szrsngyzett.
3. Hrom tank prbajt vv, a rvidsg kedvrt jelljk ket A, B, C-vel. A 2/3,
B 1/2, C 1/3 valsznsggel tall clba. Minden fordulban egyszerre tzelnek,
mindenki a mg ki nem ltt legersebb ellenflre cloz. Szmtsuk ki a prbaj
tlagos hosszt. Mekkork az eslyek a gyzelemre?
4. Egy szablyos rme esetn melyik hrom hossz sorozat megjelensre kell tlago-
san a legrvidebb ideig vrni?
5. Ketten a kvetkez jtkot jtsszk: az els jtkos hz visszatevs nlkl 3 cdult
egy olyan urnbl, amelyikben az 1, 2, 3, 4, 5 felirat cdulk vannak. A nla lv
152
3 Ft-bl annyit ad t trsnak, ahny pratlan szm van a kihzottak kztt.
Ezutn a msodik jtkos hz annyiszor, ahny Ft van nla s gy tovbb. Az nyeri
a jtkot, akinl elszr lesz 3 Ft (a kezdstl eltekintve). Mennyi a valsznsge,
hogy a kezd jtkos nyer? Vrhatan hny hzsbl ll a jtk?
9.2. Elgaz folyamatok
Ebben a szakaszban nem negatv egsz rtk valsznsgi vltozkkal fogunk dolgozni.
Ebben az esetben a vltoz eloszlst genertorfggvny segtsgvel is megadhatjuk. Az
X vltoz G
X
genertor fggvnyt egy hatvnysor denilja, melyben z
n
egytthatja
az eloszls n. tagja P(X = n), azaz
G
X
(z) =
n=0
z
n
P(X = n) = E
_
z
X
_
.
Mivel az egytthatkra 0 P(X = n) 1 teljesl, ezrt a a genertor fggvny konver-
gens a (1, 1) intervallumban. G
X
-bl a nulla krli Taylor-sornak egytthati, vagyis
az X eloszlsnak tagjai derivlssal megkaphatak: P(X = n) =
1
n!
G
(n)
X
(0), ahol G
(n)
X
az n. derivltat jelli.
Ha X 0, de nem felttlenl egsz rtk, akkor az eloszlst megadhatjuk X Laplace
transzformltjnak L
X
-nek a segtsgvel is: L
X
() = E
_
e
X
_
, 0. Mi csak annyit
fogunk kihasznlni, hogy az L
X
Laplace transzformlt egyrtelmen meghatrozza X
eloszlst.
A cmben szerepl elgaz folyamat alatt a kvetkez fogjuk rteni.
9.1 Denci (S
n
)
n0
elgaz folyamat, ha
S
n+1
=
S
n
=1
X
n,
,
ahol {X
n,
: n 0, 1 n} azonos eloszls, fggetlen, nem negatv egsz rtk
valsznsgi vltozk. Az res sszeg rtke 0.
S
n
-re gy gondolunk, hogy az az n. generci llekszma, mg X
n,k
az n. generci k.
egyednek utdszma. Azt mondjuk, hogy a folyamat kihal, ha valamelyik n-re S
n
= 0.
Vegyk szre, hogy egy elgaz folyamat egyben Markov lnc is, ugyanis a fejldse
knnyen felrhat (8.1) alakban. A 9.5 brn a folyamat nhny realizcijt lthatjuk,
klnbz tlagos utdszm mellett.
9.4 Feladat Legyen (S
n
)
n0
elgaz folyamat s tegyk fel, hogy S
0
= 1.
153
n
0
1
0
2
0
3
0
0 10 20 30 40 50
mu = 0.95
0
1
0
2
0
3
0
4
0
5
0
0 10 20 30 40 50
mu = 1
0
5
0
1
0
0
1
5
0
0 10 20 30 40 50
mu = 1.05
9.5. bra. Elgaz folyamat nhny realizcija Poisson utdszm eloszls mellett. az
tlagos utdszm.
(a) rjuk fel az S
n
genertor fggvnyt az X-ek kzs genertorfggvnynek a segt-
sgvel.
(b) Szmtsuk ki a kihals valsznsgt!
Megolds.
(a) S
n
egy vletlen tagszm sszeg, amelyben a tagok szma s az sszeadandk
fggetlenek, gy
G
S
n
(z) = E
_
z
S
n
_
=
k=0
E
_
z
S
n
|S
n1
= k
_
P(S
n1
= k)
=
k=0
E
_
k
=1
z
X
n1
,
|S
n1
= k
_
P(S
n1
= k)
=
k=0
G
k
X
(z)P(S
n1
= k) = G
S
n1
(G
X
(z))
Iterlva
G
S
n
(z) = G
X
G
X
G
X
. .
n darab
(z)
addik, azaz S
n
genertorfggvnye az utdszm G
X
genertorfggvnynek n-
szeres iterltja.
154
(b) Annak az eslye, hogy az n. generci llekszma nulla
P(S
n
= 0) = G
S
n
(0).
Mivel (S
n
= 0) (S
n+1
= 0), ezrt
P(a populci kihal) = P(
n
(S
n
= 0)) = lim
n
P(S
n
= 0) = lim
n
G
S
n
(0).
Legyen x
n
= G
S
n
(0) = P(S
n
= 0). Az (x
n
) sorozat monoton s korltos, ezrt
konvergens. Mivel x
n+1
= G
X
(x
n
) s G
X
folytonos, ezrt a limesz biztosan eleget
tesz az x = G
X
(x) sszefggsnek. Megmutatjuk, hogy a minket rdekl megolds
a legkisebb nem negatv gyk. Legyen teht x
0
= min {x 0 : x = G
X
(x)} .
Ha x < x
0
, akkor G(x) x
0
. Valban egy genertor fggvny tetszleges rend
derivltja nem negatv, ezrt x < x
0
esetn ltezik x
(x, x
0
), amivel
G(x) G(x
0
)
x x
0
= G
(x
) 0
Vagyis x < x
0
miatt G(x) G(x
0
) kvetkezik.
Mivel 0 x
0
ezrt x
n
x
0
is fennll minden n 1-re, de akkor lim
n
x
n
x
0
is
igaz. Msfell a limesz eleme annak a halmaznak aminek minimlis eleme x
0
, gy
csak x
0
= lim
n
x
n
lehetsges. Azt kaptuk teht, hogy a kihals valsznsge az
P(a populci kihal) = min {x 0 : x = G
X
(x)}
ahol G
X
az utdszm genertor fggvnye.
9.5 Feladat Legyen X
n
olyan elgaz folyamat, melynl X
0
= 1 s az utdszm gene-
rtorfggvnye
G(s) =
1 (b + c)
1 c
+
bs
1 cs
,
ahol b, c > 0 s b + c < 1.
(a) Szmtsuk ki a kihals valsznsgt!
(b) Hatrozzuk meg a
lim
n
P(X
n
= k|X
n
> 0) k = 1, 2 . . .
feltteles hatreloszlst. (tmut.: szmtsuk ki a feltteles eloszls genertor fgg-
vnyt!)
155
(c) Az 1bc = c(1c) felttel mellett szmtsuk ki P(X
n
> 0) rtkt s X
n
/n-nak
az (X
n
> 0) esemnyre vonatkoz feltteles eloszlsnak Laplace transzformltjt.
(d) Tegyk fel, hogy a kihals valsznsge egynl kisebb. Szmtsuk ki, erre az
esetre X
n
/E(X
1
)
n
Laplace transzformltjt s ennek segtsgvel szmtsuk ki az
X
n
/E(X
1
)
n
vltoz (X
n
> 0) esemnyre vonatkoz feltteles eloszlsnak a lime-
szt.
Megolds. Az utdszm genertor fggvnye:
G(s) =
1 (b + c)
1 c
+
bs
1 cs
=
1 (b + c)
1 c
+
k=1
bc
k1
s
k
Azaz annak a valsznsge, hogy k > 0 utd lesz bc
k1
.
(a) A G(x) = x egyenlet legkisebb nem negatv megoldst keressk. Tudjuk, hogy
x = 1 megolds s legfeljebb kt megolds lehet, ezrt elegend a msik gykt
megkapni. p(x) = (1 cx)(G(x) x) msodfok polinom s G(x) = x valamely
x [0, 1]-re pontosan akkor teljesl, ha p(x) = 0. Ezrt elegend p(x)/(x 1)-et
kiszmolni, amihez p els s msodfok tagjnak egytthatjt kell ismerni.
p(x) = (1 cx)
_
1
b
1 c
_
+ bx x(1 cx)
= cx(x 1) + x
_
_
_
_
_
bc
1 c
+ b 1
. .
=
1bc
1c
_
_
_
_
_
+ konstans = (x 1)
_
cx
1 b c
1 c
_
amibl p msik gyke
1bc
c(1c)
. Azaz,
lim
n
P(X
n
= 0) = min
_
1 b c
c(1 c)
, 1
_
.
Ez pontosan akkor kisebb egynl, ha 1 b c < c(1 c) azaz b > 1 c c(1
c) = (1 c)
2
. Vegyk mg szre, hogy az tlagos utdszm G
(1) =
b
(1c)
2
. Azaz
ha az tlagos utdszm nagyobb mint 1, akkor pozitv valsznsggel nem hal
ki a populci. Ha az tlagos utdszm legfeljebb egy, akkor a populci egy
valsznsggel kihal.
(b) Jellje
G
[n]
= G G
. .
n darab
156
a G genertor fggvny n. kompozci hatvnyt. Ez az X
n
genertor fggvnye.
Ezrt
G
X
n
|X
n
>0
(z) = E(z
X
n
|X
n
> 0) =
k1
z
k
P(X
n
= k|X
n
> 0)
=
k1
z
k
P(X
n
= k)
P(X
n
> 0)
=
G
[n]
(z) G
[n]
(0)
1 G
[n]
(0)
= 1
1 G
[n]
(z)
1 G
[n]
(0)
.
Ezrt clszer 1G
[n]
(1x)-et kifejezni. Vegyk szre, hogy ha H(x) = 1G(1x),
akkor H
[n]
(x) = 1 G
[n]
(1 x). Ezt n szerinti indukcival rdemes vgiggondolni.
Mivel
G(s) =
1 (b + c)
1 c
+
bs
1 cs
= 1
b
1 c
+
bs
1 cs
=
1
b(1 cs) bs(1 c)
(1 c)(1 cs)
= 1
b(1 s)
(1 c)
2
+ (1 c)c(1 s)
Ezrt
H(x) = 1 G(1 x) =
bx
(1 c)
2
+ (1 c)cx
=
1
(1c)c
b
+
(1c)
2
b
1
x
azaz H(x) = 1/h(1/x) alak, ahol
h(u) =
(1 c)c
b
. .
+
(1 c)
2
b
. .
u
lineris fggvny s = 1/E(X
1
) . Ugyancsak indukcival rdemes vgiggondolni,
hogy H
[n]
(x) = 1/h
[n]
(1/x). Mivel h lineris a kompozci hatvnyok egyszeren
szmolhatak:
h(u) = + u
h
[2]
(u) = + +
2
u
h
[3]
(u) = + +
2
+
3
u
.
.
.
h
[n]
(u) = (1 + + +
n1
) +
n
u
llapodjunk meg abban, hogy
1
n
1
jelentse n, ha = 1. Ezzel a megllapodssal
1 G
[n]
(z) = H
[n]
(1 z) =
1
h
[n]
_
1
1z
_ =
1
n
1
1z
+
1
n
1
=
1 z
n
+
1
n
1
(1 z)
157
s
1
1 G
[n]
(z)
1 G
[n]
(0)
= 1
(1 z)
_
n
+
1
n
1
_
n
+
1
n
1
(1 z)
=
n
+
1
n
1
z
1

1
n
1
n
+
1
n
1
z
Ez azt jelenti, hogy X
n
-nek az (X
n
> 0) esemnyre vonatkoz feltteles eloszlsa
geometriai p
n
=

n
n
+
1
n
1
paramterrel. n esetn hrom fle viselkeds
lehetsges:
(i) Ha < 1, azaz az tlagos utdszm egynl nagyobb, akkor a felttel val-
sznsgnek nem nulla limesze van s p
n
0 s G
X
n
|X
n
>0
(z) 0. Ez azt
jelenti, hogy a feltteles eloszls limesze nem eloszls. Az ok az, hogy az X
n
valsznsgi vltoz a (inf X
n
> 0) esemnyen vgtelenhez tart.
(ii) Ha = 1 akkor p
n
= 1/(1 + n). s G
X
n
|X
n
>0
(z) 0.
(iii) Ha > 1, akkor p
n
p = 1/(1 + /( 1)) (0, 1) s a hatreloszls
geometriai p paramterrel.
(c) A rszfeladatban megfogalmazott eset = 1-et jelent. gy
P(X
n
> 0) = 1 G
[n]
(0) =
1
n
+
1
n
1
=
1
1 + n
.
= 1 mellett a feltteles genertor fggvny:
G
X
n
|X
n
>0
(z) = 1
1 G
[n]
(z)
1 G
[n]
(0)
=
z
1 + n(1 z)
.
Ebbl a feltteles Laplace transzformlt is kifejezhet:
L
(X
n
1)/n|X
n
>0
(t) = E
_
e
t(X
n
1)/n
|X
n
> 0
_
=
e
t/n
G
X
n
|X
n
>0
(e
t/n
) = e
t/n
e
t/n
1 + n(1 e
t/n
)
=
1
1 + n(1 e
t/n
)
.
Ha n , akkor
L
(X
n
1)/n|X
n
>0
(t)
1
1 + t
=
_

0
e
tx
1
exp
_
_
dx
Azaz (X
n
1)/n X
n
> 0 melletti feltteles eloszlsnak van limesze s az vrhat
rtk exponencilis eloszls. Mivel itt 1/n 0 ezrt X
n
/n feltteles eloszlsnak
is ugyanez a limesze.
158
(d) A kihals valsznsge akkor kisebb mint egy, azaz az tlagos utdszm egynl
nagyobb, vagyis = 1/E(X
1
) < 1. Ekkor
G
X
n
|X
n
>0
(z) = 1
(1 z)
_
n
+
1
n
1
_
n
+
1
n
1
(1 z)
A feltteles Laplace transzformlt:
L
n
X
n
(t) = E(exp {t(
n
X
n
)} |X
n
> 0) =
G
X
n
|X
n
>0
(e
t
n
) = 1
(1 z)
_
n
+
1
n
1
_
n
+
1
n
1
(1 z)
|
z=e
t
n
Kihasznljuk, hogy
1e
t
n
t
n
1 ha n . gy
lim
n
L
n
X
n
(t) = lim
n
1
n
t
_
n
+
1
n
1
_
n
+
1
n
1

n
t
= 1
t

1
1 +

1
t
=
1
1 +

1
t
Az addott, hogy a feltteles eloszls limesze exponencilis melynek vrhat rtke
/(1 ).
1. Legyen X
n
elgaz folyamat, X
0
= 1. Tetszleges rgztett k pozitv egsz szmra
deniljuk az Y
r
= X
rk
sorozatot. Mutassuk meg, hogy Y
r
, r = 0, 1, 2, . . . szintn
elgaz folyamat. Fejezzk ki az utdszmok genertorfggvnyeinek kapcsolatt
a kt folyamatban.
2. Legyen f(s) = 1 p(1 s)
(p, (0, 1)) genertor fggvny. Szmoljuk ki az

iterltakat.
3. Mutassuk meg, hogy
f(s) =
s
(m(m1)s
k
)
1/k
genertor fggvny s szmtsuk ki az n-ik iterltjt.
4. A 0 pillanatban egy vrtenyszetben legyen jelen egyetlen vrs vrtest. Az els
perc vgn a vrs vrtest elhal, s a kvetkez kombincik lehetsgesek: 2 vrs
vrtest keletkezik 1/4 valsznsggel, 1 vrs vrtest s 1 fehr vrsejt keletkezik
159
2/3 valsznsggel, 2 fehr vrsejt keletkezik 1/12 valsznsggel. Minden egyes
vrs vrtest egy percig l, s az svrtesthez hasonlan hoz ltre utdokat. Mind-
egyik fehr vrsejt egy percig l, s azutn elhal anlkl, hogy utdokat hozna ltre.
Az egyes sejtek egymstl fggetlenl viselkednek.
(a) Mi a valsznsge annak, hogy a tenyszet a kezdettl szmtott n + 1/2
perc mlva mg egyetlen fehr vrsejt sem jelenik meg?
(b) Mekkora a tenyszet kihalsnak a valsznsge?
5. Legyen az utdszm genertor fggvnye f(s) = as
2
+bs +c. Mutassuk meg, hogy
a kihals valsznsge min(c/a, 1).
6. Jellje X
n
egy elgaz folyamatban az n. generci llekszmt s legyen X
0
= 1.
Igazoljuk, hogy
P
_
max
k
X
k
> L|X
m
= 0
_
P(X
m
= 0)
L
.
7. Jellje X
n
egy elgaz folyamatban az n. generci llekszmt s legyen X
0
= 1.
Tegyk fel, hogy az utdszm vrhat rtke E(X
1
) = m < 1. Szmtsuk ki, az
sszes leszrmazottak tlagos szmt, azaz E(
n=1
X
n
)-et.
9.3. Martinglok
9.3.1. Feltteles vrhat rtk: ltalnos eset
Most a 6.5 fejezetben bevezetett fogalmakat ltalnostjuk. L
1
(, A, P) jelli az A mr-
het integrlhat valsznsgi vltozk csaldjt.
9.2 Denci Ha X L
1
(, A, P) s F A rsz -algebra, akkor azt az Fmrhet
Y valsznsgi vltozt, amire tetszleges A F esetn E(1
A
X) = E(1
A
Y ) az X F-re
vonatkoz feltteles vrhat rtknek nevezzk s E(X|F)-fel jelljk.
Az Y vltozval kapcsolatban megfogalmazhat esemnyek -algebrjt, (Y )-nal
fogjuk jellni. (Y ) elemei az (Y H) alak esemnyek, ahol H a szmegyenes Borel
rszhalmaza. Abban az esetben, ha F = (Y ) az E(X|(Y )) jells mellett az E(X|Y )
jellst is hasznljuk majd.
9.3 Ttel Legyen X L
1
(, A, P) s F A. Ekkor E(X|F) ltezik, s brmely kt
vltozata legfeljebb egy nulla valsznsg esemnyen klnbzhet.
Alaptulajdonsgok.
160
(i) E(X + Y |F) = E(X|F)+E(Y |F) feltve, hogy mindegyik feltteles vrhat rtk
ltezik.
(ii) Ha X F mrhet, valamint Y s XY integrlhat, akkor E(XY |F) = XE(Y |F).
(iii) Beppo Lvi ttel. Ha X
n+1
X
n
0, akkor
lim
n
E(X
n
|F) = E
_
lim
n
X
n
|F
_
(iv) Fatou lemma. Ha X
n
0, akkor
E
_
liminf
n
X
n
|F
_
liminf
n
E(X
n
|F)
(v) Lebesgue (dominlt konvergencia) ttel. Ha X
n
X egy valsznsggel, |X
n
| Z
s E(Z) < , akkor E(X|F) = lim
n
E(X
n
|F).
A feltteles vrhat rtk kiszmtsa nhny specilis esetben igen egyszer.
9.4 Denci Azt mondjuk, hogy az F -algebra atomos, ha megadhat egy E =
{A
n
: n 0} teljes esemnyrendszer gy, hogy F = (E). Azaz
F =
_
_
BB
B : B E
_
E elemeit az F atomjainak nevezzk.
9.5 Lemma Ha F atomos -algebra, akkor E(X|F) =
AE
1
A
E(X|A). (Itt E(X|A)
a pozitv valsznsg A esemnyre vonatkoz feltteles vrhat rtk.)
Bizonyts. Legyen B F, akkor B =
B valamely B E rsszel. A teljes vrhat

rtk rtk elemi vltozatt hasznlva
E
_
AE
1
A
E(X|A) 1
B
_
=
AE
P(A B) E(X|A) =
AB
P(A) E(X|A) =
AE
P(A) E(X1
B
|A) = E(X1
B
) .
9.6 Kvetkezmny Ha X, Y egyttes eloszlsa diszkrt, akkor
E(X|Y ) =
y
1
Y =y
E(X|Y = y) =
x
xP(X = x|Y = y)
y=Y
161
9.7 Lemma Legyen F = (Y ) valamely Y valsznsgi vltozval, s h : R R olyan
fggvny, amire tetszleges y
0
R esetn
_
y
0
h(y)F
Y
(dy) = E(1
Y <y
0
X) .
Ekkor E(X|F) = h(Y ).
Bizonyts. Ha a felttel teljesl, akkor tetszleges a < b esetn az
E(h(Y )1
aY <b
) =
_
[a,b)
h(y)F
Y
(dy) = E(1
aY <b
X)
azonossg is fennll. Ekkor viszont a kvetkez kt eljeles mrtk
A E(h(Y )1
A
)
A E(X1
A
)
megegyezik az A = (Y
i
[a
i
, b
i
)) alak esemnyeken, a
i
< b
i
, i = 1, . . . , n. Mrtkel-
mletbl ismert, hogy ez mr elg ahhoz, hogy (Y )-on is megegyeznek, vagyis h(Y ) a
feltteles vrhat rtk.
9.8 Lemma Ha X, Y egyttes eloszlsa abszolt folytonos, akkor
E(g(X)|Y ) =
_
g(x)f
X|Y
(x|y)dx
y=Y
ahol
f
X|Y
(x|y) =
_
f
X,Y
(x,y)
f
Y
(y)
ha f
Y
(y) > 0
0 klnben
.
az X valsznsgi vltoz Y -ra vonatkoz feltteles srsgfggvnye.
Bizonyts. A 9.7 lemma felttelt ellenrizzk.
_
y
0
h(y)F
Y
(dy) =
_
y
0
h(y)f
Y
(y)dy =
_
y
0
_
g(x)
f
X,Y
(x, y)
f
Y
(y)
dxf
Y
(y)dy =
_
1
y<y
0
g(x)f
X,Y
(x, y)dxdy = E(1
Y <y
0
g(X))
162
9.9 Ttel Legyen X, Y valsznsgi vltoz s g : R
2
R olyan mrhet fggvny,
hogy E(|g(X, Y )|) < . Ha X fggetlen Y -tl, akkor
E(g(X, Y )|Y ) = E(g(X, y))|
y=Y
Bizonyts. Mivel X, Y fggetlen, ezrt F
X,Y
(x, y) = F
X
(x)F
Y
(y). Legyen
h(y) = E(g(X, y)) =
_
g(x, y)F
X
(dx)
s ellenrizzk a 9.7 lemma felttelt.
_
(,y
0
)
h(y)F
Y
(dy) =
_
1
y<y
0
g(x, y)F
X
(dx)F
Y
(dy) =
_
1
y<y
0
g(x, y)F
X,Y
(dx, dy) = E(1
Y <y
0
g(X, Y )) .
Az elz llts ltalnosabb felttelek mellett is igaz.
9.10 Ttel Legyen F, G kt fggetlen -algebra s g : R F G mrhet. Ha
Z() = g(, ) integrlhat, akkor
E(Z|G) =
_
g(
1
, )P(d
1
)
Bizonyts. A bizonyts formailag ugyanaz, mint az elz ttelben. Legyen (X, Y ) :
(, A) (, F) (, G) a kvetkez X() = s Y () = . Szmtsuk ki (X, Y )
eloszlst. Ha A F, s B G, akkor
P((X, Y ) A B) = P((X A) (Y B)) = P(A B) = P(A) P(B) .
Utols lpsben azt hasznltuk, hogy F s G fggetlenek. Ez azt jelenti, hogy (X, Y )
eloszlsa P|
F
P|
G
. Ezrt aztn
E(g(X, Y )1
Y A
) =
_
g(
1
,
2
)1
2
A
P(d
1
) P(d
2
) =
_
A
_
g(
1
,
2
)P(d
1
)
. .
U(
2
)
P(d
2
) = E(U1
A
)
Azaz E(Z|F) = U =
_
g(
1
, .)P(d
1
).
9.11 Kvetkezmny (Fggetlensgi lemma) Ha X fggetlen G-tl, Y mrhet G-re
nzve, s g(X, Y ) integrlhat, akkor
E(g(X, Y )|G) = E(g(X, y))|
y=Y
163
Bizonyts. Legyen F = (X) s g
(
1
,
2
) = g(X(
1
), Y (
2
)) Ekkor g
F G mrhet
s Z() = g
(, ) = g(X(), Y ()). Az elz ttel szerint

E(g(X, Y )|G) () = E(Z|G) () =
_
(
1
, )P(d
1
) =
_
g(X(
1
), Y ())P(d
1
) = E(g(X, y))
y=Y ()
.
Ezt rviden gy rhatjuk, hogy E(g(X, Y )|G) = E(g(X, y))|
y=Y
.
9.3.2. Martinglok, sszefoglal
9.12 Denci Az (X
n
, F
n
)
n0
sorozatot martinglnak nevezzk, ha minden n 0-ra
(i) F
n
-algebra s az X
n
valsznsgi vltoz F
n
mrhet.
(ii) F
n
F
n+1
. (Ezt gy is szoks mondani, hogy {F
n
: n N} egy ltrci).
(iii) E(|X
n
|) < , azaz X
n
integrlhat
(iv) E(X
n+1
|F
n
) = X
n
.
Ha a (iv) tulajdonsg helyett a
E(X
n+1
|F
n
) X
n
, (E(X
n+1
|F
n
) X
n
)
tulajdonsgot szerepeltetjk a denciban, akkor szubmartinglrl (szupermartinglrl)
beszlnk.
A legegyszerbb plda martinglra, fggetlen, nulla vrhat rtk valsznsgi vl-
tozk rszletsszegeibl ll sorozat. Ilyen a szimmetrikus bolyongs. A Jensen egyen-
ltlensg miatt, ha X martingl s f konvex, f(X
n
) L
1
(), minden n-re, akkor f(X)
szubmartingl, ha pedig f konkv, akkor f(X) szupermartingl.
9.6 Feladat Jellje S
n
a szmegyenes egsz koordintj pontjain szimmetrikusan moz-
g pont helyzett az n. lps utn, S
0
= 0. Mutassuk meg, hogy S
n
, martingl, S
2
n
, e
S
n
szubmartingl, tovbb S
2
n
n s e
tS
n
/ ch(t)
n
martingl.
Megolds. Legyen X
n
= S
n
S
n1
, ha n > 0. Az X
n
sorozat fggetlen azonos eloszls
vltozkbl ll, P(X
n
= 1) = 1/2.
Mindegyik esetben az E(Y
n+1
|F
Y
n
) feltteles vrhat rtket kell kiszmtani valamely
S-bl kpzett Y folyamatra, ahol F
Y
n
= (Y
0
, Y
1
, . . . , Y
n
). Ehelyett elszr egy nomabb
algebrt, F
S
n
= (S
0
, . . . , S
n
)-et hasznlunk majd.
164
(a)
E(S
n+1
|F
S
n
) = E(S
n
+ X
n+1
|F
S
n
) = S
n
+ E(X
n+1
|F
S
n
)
. .
E(X
n+1
)=0
= S
n
.
(b) Legyen Y
n
= S
2
n
n, ekkor F
Y
n
F
S
n
s
E(Y
n+1
|F
S
n
) = E(S
2
n+1
(n + 1)|F
S
n
) = E((S
n
+ X
n+1
)
2
n 1|F
S
n
) =
E(S
2
n
+ 2S
n
X
n+1
+ X
2
n+1
n 1|F
S
n
) =
S
2
n
n + 2S
n
E(X
n+1
|F
S
n
)
. .
=E(X
n+1
)=0
+E(X
2
n+1
. .
=1
|F
S
n
) 1
. .
=0
= S
2
n
n = Y
n
.
vagyis
E(Y
n+1
|F
Y
n
) = E(E(Y
n+1
|F
S
n
)
. .
=Y
n
|F
Y
n
) = E(Y
n
|F
Y
n
) = Y
n
s Y valban martingl.
(c) Legyen t R rgztett s Y
n
= exp {tS
n
nln ch t} , ekkor F
Y
n
F
S
n
s
E(exp {tS
n+1
} |F
S
n
) = E(exp {t(S
n
+ X
n+1
)} |F
S
n
) =
exp tS
n
E(exp {tX
n+1
} |F
S
n
)
. .
=
1
2
(e
t
e
t
)=ch(t)
= exp {tS
n
} ch(t) = Y
n
ch(t)
n+1
.
vagyis
E(Y
n+1
|F
Y
n
) =ch(t)
(n+1)
E(E(exp {tS
n+1
} |F
S
n
)|F
Y
n
) =
ch(t)
(n+1)
E(Y
n
ch(t)
n+1
|F
Y
n
) = Y
n
.
s Y valban martingl.
Nevezetes egyenltlensgek.
A tovbbiakban X
n
= max
kn
X
k
a maximumok sorozat.
9.13 Denci Legyen X
n
valsznsgi vltoz sorozat s
0
= 0
2n+1
= inf {n >
2n
: X
n
a}
2n+2
= inf {n >
2n+1
: X
n
b}
U(n, a, b) = min {k :
2k+2
> n}
U(n, a, b) az (X
n
) sorozat tmetszsi szma.
165
9.14 Ttel Legyen X szubmartingl, ekkor
(i) tetszleges > 0 esetn
P(X
n
> ) E
_
X
n
1
X
n
>
_
specilisan, ha X
k
0, k = 1, 2, . . . akkor P(X
n
> ) E(X
n
).
(ii) Ha X nem-negatv s 1 < p < , akkor
E(X
n
p
)
_
p
p 1
_
p
E(X
p
n
) .
(iii) Ha U(n, a, b) az [a, b] intervallum tmetszsi szma az els n lps sorn, akkor
E(U(n, a, b))
E
_
|X
n
a|
+
_
b a
9.15 Kvetkezmny Ha (X
n
) szubmartingl s sup
n
E
_
|X
n
|
+
_
< , akkor (X
n
) egy
valsznsggel konvergens.
n
) nem-negatv szupermartingl (vagy specilisan martin-
gl), akkor egy valsznsggel konvergens.
n
) martingl, 1 < p < s sup
n
E(|X
n
|
p
) < , akkor
(X
n
) egy valsznsggel konvergens.
Meg lehet azonban adni olyan martinglt is, amely sztochasztikusan konvergl, de
egy valsznsggel divergens.
Megllsi id.
9.18 Denci A : N{} valsznsgi vltozt megllsi idnek (szablynak)
nevezzk az F ltrcira nzve, ha
( n) F
n
, n N
9.19 Ttel Ha (X
n
, F
n
) szubmartingl, megllsi id, akkor (X
n
, F
n
) szintn szub-
martingl. (X
n
neve meglltott szubmartingl.)
n
, F
n
) martingl, megllsi id, akkor (X
n
, F
n
) szintn
martingl. (X
n
neve meglltott martingl.)
166
Ezt az sszefggst gyakran alkalmazzuk E(X
) kiszmtsra, azon a mdon, hogy

ha egy valsznsggel vges, akkor X
n
X
, mert elg nagy (-tl fgg) n-re mr

egyenlsg van s gy
E(X
0
) = E(X
n
) E(X
)
feltve, hogy a vrhat rtk kpzs s a limeszels felcserlhet. Ezt biztosthatja a
dominlt konvergencia ttel, vagy a Beppo Lvi ttel. Azt, hogy ezen integlhatsgi
felttelek ellenrzse nem felesleges, a kvetkez egyszer plda mutatja.
Legyen S a szimmetrikus bolyongs s = inf {n : S
n
= 1}. Tudjuk, hogy a szim-
metrikus bolyongs minden rcspontot egy valsznsggel megltogat, ezrt egy val-
sznsggel vges. Mivel S
n
martingl, ezrt
0 = E(S
0
) = E(S
n
) 1 = E( S
..
= 1 egy valsznsggel
).
Itt az integrlst s a vrhat rtk kpzst azrt nem lehetett felcserlni, mert
P(inf {S
n
: n 0}
. .
=M
k) =
1
1 + k
, k = 1, 2, . . .
miatt
E(M) =
k=1
P(M k) =
k=1
1
1 + k
= .
9.7 Feladat A 9.6 feladat segtsgvel, szmtsuk ki jra a a 8.4 tnkremensi feladatban
a jtk vrhat lpsszmt.
Megolds. Az A jtkos kezdtkje legyen x a B jtkos y. A 8.4 feladat az x = 1
s y = 4 esetnek felel meg. Jellje X
n
az A tkjt az n. jtk utn. Ekkor X
0
= x s
X
n
= x + S
n
, ahol S
n
szimmetrikus bolyongs. Azaz a krds az, hogy tlagosan hny
lps alatt ri el a szimmetrikusan bolyong rszecske a x vagy y szintek valamelyikt.
Legyen az ehhez szksges id, azaz
= min {k : S
k
= x vagy S
k
= y}
Tudjuk, hogy egy valsznsggel vges megllsi id s S
2
n
n martingl. A meglltott
martingl S
2
n
n is martingl, teht vrhat rtke nulla. Ha n , akkor
E(S
2
n
) E(S
2
) a dominlt konvergencia ttel miatt s E(n ) E() a Beppo

Levi ttel miatt. Teht E() = ES
2
.
dencija miatt S
= x vagy y. S
eloszlst az S
n
meglltott martingl
vizsglatbl szmthatjuk ki. Ugyanis 0 = E(S
n
) E(S
). Azaz
0 = xP(S
= x) + yP(S
= y) .
167
Amibl
P(S
= x) =
y
x + y
s P(S
= y) =
x
x + y
.
Teht
E() = E
_
S
2
_
= x
2
y
x + y
+ y
2
x
x + y
= xy.
A 8.4 feladat megoldst az x = 1, y = 4 vlasztssal kapjuk vissza.
9.8 Feladat S
n
szimmetrikus bolyongs s = min {k : S
k
= 1, vagy S
k
= 3} jelli az
els olyan idpont, amikor a bolyongs a -1 vagy +3 rtk valamelyikt elri. Szmtsuk
ki az E(|S
) feltteles vrhat rtket.

Megolds. A krdses feltteles vrhat rtket tbb mdszerrel is kiszmtjuk.
1. megolds. Tudjuk, hogy S
n
, S
2
n
n martingl. Az is ellenrizhet, hogy S
3
n
3nS
n
is az. Mindhrom martinglt megllthatjuk -val, gy ismt martinglokhoz jutunk.
Ezrt
E(S
n
) = E(S
0
) = 0
E
_
S
2
n
(n )
_
= E
_
S
2
0
_
= 0
E
_
S
3
n
3(n )S
n
_
= E
_
S
3
0
_
= 0
Ebbl
E
_
S
2
n
_
= E(n ) (9.1)
E
_
S
3
n
_
= 3E((n )S
n
) (9.2)
kvetkezik. egy valsznsggel vges megllsi id ezrt, ha most n , akkor
|S
n
| 3 miatt E(S
) = 0 (dominlt konvergencia ttel). A (9.1) azonossg balol-

daln a dominlt konvergencia ttel, jobb oldaln a Beppo Lvi ttel miatt cserlhet
fel a vrhat rtk kpzs s a hatrtmenet, vagyis E(S
2
) = E(). Mivel S
korltos
ebbl E() < is addik. Ezek utn a (9.2) azonossg mindkt oldaln a dominlt
konvergencia ttelre hivatkozhatunk, vagyis E(S
3
) = 3E(S
).
E(S
) = 0 ill. a P(S
{1, 3}) = 1 sszefggsbl

3P(S
= 3) P(S
= 1) = 0.
Ebbl P(S
= 1) = 1 P(S
= 3) = 3/4 kvetkezik. Ekkor viszont E(S

2
) = 1
2 3
4
+
3
2 1
4
=
12
4
= 3. Valamint E(S
3
) = (1)
3 3
4
+ 3
3 1
4
=
24
4
= 6. Ugyanezeket a mennyisgeket
a teljes vrhat rtk ttel segtsgvel felrva:
3 = E
_
S
2
_
= E() = E(E(|S
)) = E(|S
= 1)
3
4
+E(|S
= 1)
1
4
168
s
6 = E
_
S
3
_
= 3E(S
) = 3E(S
E(|S
)) =
(3)E(|S
= 1)
3
4
+ 9E(|S
= 1)
1
4
Ennek az egyenletrendszernek a megoldsa E(|S
= 1) =
7
3
s E(|S
= 3) = 5.
2. megolds. Vgl az E(1
S
=3
) vrhat rtket mg egy mdszerrel is kiszmt-
juk. A teljes vrhat rtk ttel szerint
E(1
S
=3
) =
1
2
E(1
S
=3
|S
1
= 1) +
1
2
E(1
S
=3
|S
1
= 1) .
Itt az els feltteles vrhat rtk nulla, mert ha S
1
= 1, akkor = 1 s S
= 3, azaz
az (S
1
= 1) esemnyen 1
S
=3
nulla. Az S
1
= 1 felttel mellett, szimmetria miatt
P(S
= 1|S
1
= 1) = P(S
= 3|S
1
= 1)
s pozitv egsz k szmokra
P(1
S
=3
= k|S
1
= 1) = P(1
S
=1
= k|S
1
= 1)
Azaz
E(1
S
=3
|S
1
= 1) = E(1
S
=1
|S
1
= 1)
=
1
2
E(|S
1
= 1) =
1
2
(E(|S
0
= 1) + 1) =
1
2
(4 + 1) =
5
2
.
amibl E(1
S
=3
) =
5
4
s
E(|S
= 3) =
E(1
S
=3
)
P(S
= 3)
=
5
4
1
4
= 5
s
E(1
S
=1
) = E() E(1
S
=3
) = 3
5
4
=
7
4
,
valamint
E(|S
= 1) =
E(1
S
=1
)
P(S
= 1)
=
7
4
3
4
=
7
3
.
9.9 Feladat Vlasszunk vletlenszeren szmokat a [0, 1] intervallumbl. A kivlasztott
szmokat jellje X
1
, X
2
, . . . s legyen S
n
= X
1
+ X
n
valamint = inf {n : S
n
> 1}.
Szmtsuk ki az S
valsznsgi vltoz vrhat rtkt.

169
Megolds. Legyen
k
=
_
x [0, )
k
:
x
i
< 1
_
.
P( > k) = P(X
1
+ + X
k
< 1) = |
k
| =
1
k!
Ezrt
E() =
k=1
P( k) =
k
1
(k 1)!
= e
Mivel M
n
= S
n
nE(X
1
) martingl, a megllsi idvel kapott sorozat is martingl.
M
0
= 0 miatt E(S
n
(n )E(X
1
)) = 0 vagyis a Beppo-Lvy ttelt hasznlva
E(S
) = lim
n
E(S
n
) = lim
n
1
2
E((n )) =
1
2
E()
s E(S
) = e/2.
1. Jellje S
n
szimmetrikusan bolyong pont helyzett az n. lps utn. Keressnk
minl tbb olyan p ktvltozs polinomot, amire p(S
n
, n) martingl.
2. Oldjuk meg a 9.8 feladatot a 9.3 feladat mdszervel is.
3. Legyen (M
n
)
n0
martingl, s tegyk fel, hogy E(M
2
n
) vges minden n-re s M
0
=
0. Jellje X
n
az M
n
martingl dierenciit, azaz X
n
= M
n
M
n1
. Mutassuk meg,
hogy D
2
(M
n
) =
n
k=1
D
2
(X
k
).
4. Legyen (S
n
)
n0
szimmetrikus bolyongs, a Z, m N |a| < m rgztett s
m
= min {k : |S
k
| = m}.
(a) Mutassuk meg, hogy M
n
= |S
n
a| |{k < n : S
k
= a}| martingl. Az S
n
bolyongs tlagosan hnyszor ltogatja meg az a szintet
m
eltt?
(b) Az S
n
bolyongs tlagosan hnyszor ltogatja meg az a szintet
m
eltt, ha
tudjuk, hogy S
m
= m?
5. Legyen X Markov lnc, I vges llapottrrel s tmenetvalsznsgmtrixszal.
f : I R fggvny esetn legyen f
: I R a kvetkez f
(i) =
jI
(f(j)
f(i))
i,j
, tovbb
M
n
= f(X
n
)
n1
k=0
f
(X
k
), n = 1, 2 . . .
Mutassuk meg, hogy (M
n
, (X
0
, . . . , X
n
)) martingl sorozat.
170
6. Legyen (S
n
)
n0
elgaz folyamat, lsd a 9.2 szakaszt, s tegyk fel, hogy a 0.
generci egyetlen egyedbl ll, azaz S
0
= 1. Jellje az utd eloszls vrhat
rtkt,
2
pedig a szrsngyzett, s tegyk fel, hogy > 1 (szuperkritikus eset).
(a) Mutassuk meg, hogy W
n
=
n
S
n
martingl, amely 1 valsznsggel konver-
gens, s ha
2
< , akkor L
2
-ben is. Jellje a hatrrtkt W
.
(b) Jellje p a kihals valsznsgt. Igazoljuk, hogy
_
p
S
n
_
martingl.
(c) Mutassuk meg, hogy P(W
= 0) = p. Ez azt jelenti, hogy azon az esemnyen,

ahol a folyamat nem hal ki, W
> 0 s (a) alapjn ezen az esemnyen az S

n
sorozat exponencilis gyorsasggal n.
7. Szablyos pnzrmt doblunk. Ha az eredmny fej a tt ktszerst kapjuk vissza,
ha rs elvesztjk a ttet. Kezdetben kt forintunk van s addig jtszunk, amg el
nem vesztjk a pnznket, vagy amg ssze nem gyjtnk 5 Ft-ot. Moh stratgit
kvetnk, azaz mindig akkora ttet tesznk fel, amivel szerencss esetben a lehet
legjobban meg tudjuk kzelteni az 5 Ft-ot. Jellje a jtk hosszt s M
n
= M
n
az n. jtk utn a pnznket, tovbb legyen f : {1, 2, 3, 4, 5} R, f(0) = f(1) =
0, f(2) = 2, f(3) = 4, f(4) = 6, f(5) = 10.
Mutassuk meg, hogy M
n
illetve Y
n
= f(M
n
) n martingl s szmtsuk a
jtk tlagos hosszt, azaz E()-t.
8. Egy urnban n fehr s n fekete goly van. Visszatevs nlkl sorra kihzzuk ket.
Fekete goly hzsakor 1 forintot zetnk, fehr goly esetn 1-et kapunk. Jellje
X
i
a pnznket i. goly kihzsa utn (X
0
= 0). Legyen
Y
i
=
X
i
2n i
, 1 i 2n 1
s mutassuk meg, hogy (Y
i
) martingl.
9. Egy szablytalan pnzrmt doblunk, a fej dobs valsznsge p (0, 1/2). Je-
llje S
n
a fej s rsok szmnak a klnbsgt az els n dobs kztt. Milyen c-re
lesz M
n
= exp {S
n
cn} martingl?
171
10. fejezet
zelt a folytonos idej esetbl: a
Poisson folyamat
Motivciknt nzzk az albbi feladatot.
10.1 Feladat Egy telefonkzpontban az egyms utni hvsok kztt eltelt idtartamok
paramter exponencilis eloszls, fggetlen valsznsgi vltozk. tlagosan hny
hvs fut be egy T hosszsg idintervallumban?
Megolds. Kihasznljuk, hogy azonos paramter, fggetlen exponencilisok sszege
Gamma eloszls, melynek rendje a tagok szma, paramtere pedig az exponencilisak
kzs paramtere (ld. 6.10 feladat). Az egyes hvsok kzti idtartamokat jellje X
i
i = 1, 2, . . . , a k. hvs idpontjt S
k
=
k
i=1
X
i
. Ha N(t) jelli a (0, t) intervallumban
berkezett hvsok szmt, akkor
N(t) = min {n : S
n+1
> t}
Elszr szmtsuk ki N(t) eloszlst. A (0, t) intervallumban pontosan akkor rkezik
legalbb k darab hvs, ha a k. hvs idpontja t eltt van, azaz
P(N(t) n) = P(S
n
< t) =
_
t
0
1
(n 1)!
n
x
n1
e
x
dx.
Emiatt ha n 1, akkor
P(N(t) = n) = P(N(t) n) P(N(t) n + 1)
=
_
t
0
1
n!
n
_
nx
n1
x
n
_
e
x
dx =

n
n!
_
x
n
e
x
x=t
x=0
=
(t)
n
n!
e
t
.
Ha n = 0, akkor
P(N(t) = 0) = P(N(t) 0) P(N(t) 1) = 1
_
t
0
e
x
dx
= 1
_
e
x
x=t
x=0
= e
t
.
172
gy N(t) eloszlsa Poisson t paramterrel.
Kvetkez lpsknt kiszmtjuk X
1
, X
2
, . . . , X
n
egyttes eloszlst feltve, hogy N(t) =
n. Vilgos, hogy az (N(t) = n) esemnyen S
n
< t, azaz ha
n
(t) =
_
x (0, t)
n
:
x
i
< t
_
akkor tetszleges H R
n
Borel halmazra
P((X
1
, . . . , X
n
) H|N(t) = n) = P((X
1
, . . . , X
n
) H
n
(t)|N(t) = n) .
Emiatt elegend H
n
(t) halmazokra kiszmtani a feltteles valsznsget. Legyen
teht H
n
(t), ekkor
P((X
1
, . . . , X
n
) H|N(t) = n) =
P(((X
1
, . . . , X
n
) H) (N(t) = n))
P(N(t) = n)
.
P(((X
1
, . . . , X
n
) H) (N(t) = n)) = P
_
((X
1
, . . . , X
n
) H)
_
n+1
i=1
X
i
> t
__
=
_
xH
_

t(x
1
++x
n
)
n+1
e
(x
1
++x
n
+x
n+1
)
dx
n+1
dx
n
. . . dx
1
=
_
(x
1
,x
2
,...,x
n
)H
n
e
t
dx
n
. . . dx
1
=
n
e
t
|H| .
Azaz
P((X
1
, . . . , X
n
) H|N(t) = n) =

n
e
t
|H|
(t)
n
n!
e
t
= |H|
n!
t
n
.
gy a feltteles eloszls egyenletes a
n
(t) szimplexen. Legyen
n
(t) = {s (0, t)
n
: s
1
< s
2
< < s
n
< t}
Az N(t) = n felttel mellett (S
1
, S
2
, . . . , S
n
)
n
. Legyen :
n

n
, (s) =
(s
1
, s
2
s
1
, . . . , s
n
s
n1
). trfogattart (Jacobi determinns 1), ezrt H
n
esetn
P((S
1
, . . . , S
n
) H|N(t) = n) = P((X
1
, . . . , X
n
) (H)|N(t) = n) = |H|
n!
t
n
.
Ez azt jelenti, hogy S
1
, S
2
, . . . , S
n
eloszlsa az N(t) = n felttelre vonatkozan ugyan-
az, mint egy (0, t)-n egyenletesbl szrmaz Z
1
, . . . , Z
n
rendezett minta eloszlsa. Ez
173
alapjn, ha t
0
= 0 < t
1
< t
2
< < t
n
= t s

k
i
= n, akkor
P
_
n
i=1
(N(t
i
) N(t
i1
) = k
i
)
_
= P
_
n
i=1
(|{j : S
j
(t
i1
, t
i
]}| = k
i
)|N(t) = n
_
P(N(t) = n)
= P
_
n
i=1
(|{j : Z
j
(t
i1
, t
i
]}| = k
i
)
_
P(N(t) = n)
=
_
n!
k
i
!
_
t
i
t
i1
t
_
k
i
_
(t)
n
n!
e
t
=
n
i=1
((t
i
t
i1
))
k
i
k
i
!
e
(t
i
t
i1
)
Az addott, hogy az N(t
i
)N(t
i1
) nvekmnyek egymstl fggetlenek s Poisson elosz-
lsak (t
i
t
i1
) paramterrel. Ezrt tetszleges rgztett T hosszsg intervallumban
tlagosan T hvst kapunk.
sszefoglalva, ha az N(t) a [0, t]-ben bekvetkezett esemnyek, pl. telefonhvsok,
szmt adja meg (azaz N(t) szmll folyamat), s az esemnyek kztt fggetlen azo-
nos paramter exponencilis eloszls idtartamok telnek el, akkor N nvekmnyei fg-
getlenek s Poisson eloszlsak. Az ilyen folyamatokat Poisson folyamatnak nevezzk.
10.1 Denci (N(t))
t0
Poisson folyamat, ha
(i) N szmll folyamat, azaz N(0) = 0 s a t N(t) vletlen fggvny ugrsai
egysgnyiek, az ugrsok kztt pedig konstans.
(ii) t
0
= 0 < t
1
< t
n
esetn az
N(t
1
) N(t
0
), . . . , N(t
n
) N(t
n1
)
nvekmnyek fggetlenek.
(iii) ha s t, akkor N(t) N(s) Poisson eloszls (t s) vrhat rtkkel.
-t a folyamat intenzitsnak hvjuk.
Klnbz intenzitsok mellett a folyamat egy-egy realizcijt mutatja a 10.1 bra.
A 10.2 brn N(t) t-t brzoltuk. Ha az intenzits nagy akkor a kapott folyamat em-
lkeztet egy szimmetrikus bolyongs tipikus trajektrijra. Ez nem vletlen egybeess,
alkalmas normalizls utn mindkt folyamatnak ugyanaz az eloszlsbeli limesze.
174
t
N
(
t
)
0
.
0
0
.
5
1
.
0
1
.
5
2
.
0
2
.
5
3
.
0
0.0 0.2 0.4 0.6 0.8 1.0
lambda = 5
0
1
0
2
0
3
0
4
0
0.0 0.2 0.4 0.6 0.8 1.0
lambda = 50
0
1
0
0
2
0
0
3
0
0
4
0
0
5
0
0
0.0 0.2 0.4 0.6 0.8 1.0
lambda = 500
10.1. bra. Poisson folyamat trajektrii klnbz intenzitsok mellett
10.2 Feladat Egy sztrda melletti benzinktnl dolgozunk. Az autplyn az autk
tlagosan 5 percenknt kvetik egymst, a kvetsi idkzkrl tegyk fel hogy exponen-
cilis eloszlsak s fggetlenek. Minden auts a tbbitl fggetlenl 1/5 valsznsggel
ll meg a ktnl.
Szmtsuk a nyolc rs mszak alatt a kthoz betr autk szmnak eloszlst. tla-
gosan mennyi borravalt kapunk, ha az autsok egymstl fggetlenl adnak borravalt.
Tegyk fel, hogy a borraval eloszlsa
100,1
.
Megolds. Jellje N(t) a t idpontig elhaladt autsok szmt. Errl tudjuk, hogy
Poisson folyamat, azaz s < t esetn N(t) N(s) Poisson eloszls melynek paramtere
(t s) ahol a kvetsi idkz eloszlsnak paramtere, vagyis ha az idt rban
mrjk, akkor 12. gy nyolc ra alatt a benzinkt mellett elhalad autsok szmnak
eloszlsa Poisson 12 8 = 96 paramterrel. Minden auts 1/5 valsznsggel ll meg
a ktnl, vagyis ha X jelli az egy mszak alatt a kthoz betrk, Y a kt mellett
elhaladk szmt, akkor
P(X = k) =
n=k
P(X = k|Y = n) P(Y = n) =
n=k
_
n
k
_
1
5
k
_
4
5
_
nk
96
n
n!
e
96
=
96/5
k
k!
e
96/5
.
Azaz a betr autsok szma Poisson eloszls 96/5 paramterrel.
Az autsoktl kapott borraval sszege:
Z =
1kX
Z
k
175
t
N
(
t
)
-
l
a
m
b
d
a
t
-
1
0
1
2
0.0 0.2 0.4 0.6 0.8 1.0
lambda = 5
-
1
0
-
8
-
6
-
4
-
2
0
0.0 0.2 0.4 0.6 0.8 1.0
lambda = 50
-
2
0
-
1
0
0
1
0
0.0 0.2 0.4 0.6 0.8 1.0
lambda = 500
10.2. bra. Kompenzlt Poisson folyamat trajektrii klnbz intenzitsok mellett
ahol a Z
k
-k fggetlen, adott eloszls vltozk. Ennek vrhat rtke E(Z) =
E(X) E(Z
1
) = 100 96/5 = 1920.
A kvetkez feladat megoldshoz clszer a Poisson folyamat fogalmt kiss ltal-
nostani.
10.2 Denci {N(A) : A B(R
2
)} Poisson pontfolyamat a skon intenzits mr-
tkkel, ha
(i) A N(A) vletlen mrtk.
(ii) Ha (A) vges, akkor N(A) Poisson eloszls (A) vrhat rtkkel.
(iii) Ha A
1
, . . . , A
n
diszjunktak, akkor N(A
1
), . . . , N(A
n
) fggetlenek.
Poisson pontfolyamatra szolgltat pldt a kvetkez llts.
10.3 llts Legyen X
1
< X
2
< . . . , az N Poisson folyamat ugrs helyeinek sorozata s
Y
1
, Y
2
, . . . fggetlen azonos eloszls sorozat, amely az N folyamattl is fggetlen. Ekkor
M(A) = |{k : (X
k
, Y
k
) A}|
Poisson pontfolyamatot alkot, melynek intenzits mrtke
(A) =
_
A
dxdF
Y
1
(dy).
176
Bizonyts. A 10.1 feladatban kiszmoltuk, hogy N(t) = n felttel mellett X
1
, . . . , X
n
ugyanolyan eloszls, mint U
1
, . . . , U
n
, ahol U
1
, . . . , U
n
egyenletes [0, t]-en. Ha U
1
, . . . , U
n
fggetlen az Y sorozattl, akkor
(X
1
, Y
1
), . . . , (X
n
, Y
n
) s (U
1
, Y
1
), . . . , (U
n
, Y
n
)
eloszlsa az N(t) = n felttel mellett azonos. Legyen A
0
, A
1
, . . . , A
k
a [0, t] R egy par-
tcija. Az N(t) = n felttel mellett N(A
0
), . . . , N(A
k
) egyttes eloszlsa polinomilis,
hiszen az (U
i
, Y
i
) i = 1, . . . , n pontokat osztjuk szt az A
0
, . . . , A
k
halmazokba egyms-
tl fggetlenl. Minden i, j-re P((U
i
, Y
i
) A
j
) = (A
j
)/(t). Ez alapjn az egyttes
eloszls
P(N(A
i
) = n
i
, i = 0, . . . , k) = P(N(A
i
) = n
i
, i = 0, . . . , k|N(t) = n) P(N(t) = n)
=
n!
n
i
!
_
(A
i
)
t
_
n
i
(t)
n
n!
exp t
=
i
((A
i
))
n
i
n
i
!
exp {(A
i
)} ,
ahol n = n
0
+ +n
k
. Azt kaptuk, hogy ha A
1
, . . . , A
k
diszjunktak s valamennyien rszei
a [0, t] R svnak, akkor N(A
1
), . . . , N(A
k
) vltozk fggetlenek s Poisson eloszlsak.
Az ltalnos esethez, legyen A
i,T
= A
i
[0, T] R s T-vel tartsunk vgtelenhez.
10.3 Feladat Tekintsk a kvetkez egyszer modellt. A t idpontig felbocstott m-
holdak N(t) szma intenzits Poisson folyamat. A mholdak lettartama N-tl
fggetlen, azonos eloszls, fggetlen vltozk sorozatnak tekinthet, kzs G elosz-
lsfggvnnyel. Mi annak az eslye, hogy a T idpontban mkd mholdak mindegyike
az s < T idpont utn kerlt kilvsre?
Megolds. Legyen
k
a k mhold kilvsnek az idpontja s
k
az lettartama. A
feladat szvege szerint {(
k
,
k
) : k 0} Poisson pontfolyamat (0, )(0, )-n melynek
intenzits mrtke = dx dG. A krds az, hogy mekkora esllyel nem esik a
A =
_
(x, y) (0, )
2
: 0 x s, x + y > T
_
halmazba pont. Az A halmazba es pontok szma Poisson
A
=
_
A
dx dG =
_
s
0
_

Tx
dG(y)dx =
_
s
0
(1 G(T x))dx
paramterrel, azaz a vlasz exp (
A
)
177
1. Legyen N Poisson eloszls valsznsgi vltoz. X jelli a fejek, Y az rsok
szmt egy dobssorozat els N szm dobsa kztt. Fggetlen-e X s Y ?
2. A fnkt egy adott napon telefonon keresk szma paramter Poisson eloszls
valsznsgi vltoz. A titkrn minden hvst a tbbitl fggetlenl p valszn-
sggel kapcsol be. Milyen eloszls a bekapcsolt hvsok szma?
3. Tegyk fel, hogy a fnkhz Poisson folyamat szerint rkeznek a hvsok s a tit-
krn minden egyes hvst a tbbitl fggetlenl p valsznsggel kapcsol be. Mu-
tassuk meg, hogy a bekapcsolt hvsok szma is Poisson folyamatot alkot. Mit
kapunk akkor, ha p az idponttl is fgg.
4. Legyen M Poisson pontfolyamat [0, ) [0, )-n melynek intenzits mrtke a
Lebesgue mrtk s Y M-tl fggetlen
,
eloszls vltoz. Milyen eloszls az
N(t) = M([0, t] [0, Z]) folyamat? Igaz-e, hogy N fggetlen nvekmny? Igaz-e,
hogy stacionrius nvekmny?
5. Legyen N(t) azon baleseti helyzetek szma, amibe egy auts a [0, t] intervallumon
kerl. A 0 idpont a jogostvny megszerzsnek idpontja s feltesszk, hogy N
Poisson folyamat intenzitssal. Kezdetben minden baleseti helyzetbl p valsz-
nsggel lesz baleset. Az els baleset utn a vezet vatosabb vlik, ezrt ettl
kezdve q < p valsznsggel vlik a baleseti helyzet balesett. Szmtsuk ki, hogy
tlagosan hny balesetet szenved egy auts az els kt vben.
178
11. fejezet
Fggelk
11.1. Vlogats az brk ellltshoz hasznlt R prog-
ramokbl
11.1.1. Egyszer, nem animlt brk
11.1 Kd 2.1 bra (2.4 plda)
n <- 12 #eddig megyunk
k <- 3 #ennyi fele
s <- c(6, 9, 12)
p <- matrix(0, k, n)
for (i in 1:n) {
for (j in 1:k) {
if (s[j] > i - 1)
p[j, i] <- prod(s[j]:(s[j] - i + 1))/s[j]î
}
}
plot(p[1, ], type = "l", main = "Csupa klnbz eredmny vszge",
xlab = "Dobsszm", ylab = "p")
for (i in 2:k) lines(p[i, ], col = i)
legend("topright",
c("12 oldal kocka", "9 oldal kocka", "6 oldal kocka"),
lty = c(1, 1, 1), col = c(1, 2, 3))
11.2 Kd 2.2 bra (2.6 plda)
par(mfrow = c(1, 1))
179
i <- 1
j <- 60
n <- c(i:j)
prob <- rep(0, times = length(n))
for (ii in i:j) {
k <- c(1:ii)
prob[ii - i + 1] <- 1 - prod(366 - k)/(365îi)
}
plot(n, prob, type = "l", main = "Azonos szl.napok valsznsge",
ylab = "p")
dat <- read.table("E:\\OKTATAS\\valszam_peldatar\\szul_nap.dat",
header = T)
nn <- 10^5
su <- sum(dat[, 2])
vec <- rep(0, times = nn)
na <- c(1:366)
nap <- 0
for (ii in 1:366) nap <- c(nap, rep(ii, times = dat[ii, 2]))
nap <- nap[2:(length(nap))]
su <- length(nap)
ered <- rep(0, times = (j - i + 1))
for (ii in i:j) {
for (jj in 1:nn) {
vec[jj] <- length(unique(nap[sample(su, ii, replace = T)]))
}
ered[ii - i + 1] <- sum(vec < ii)/nn
print(ii)
}
write.table(ered, "E:\\OKTATAS\\valszam_peldatar\\szul_nap_szimul.dat",
quote = F)
lines(ered, col = 2)
abline(h = 0.5)
abline(v = 23, col = 4)
legend("topleft", c("elmleti", "szimullt"),
lty = c(1, 1), col = c(1, 2))
11.3 Kd 2.4 bra (2.8 plda)
180
#####urna ures
n <- 1e+06 #ismetlesek
k <- 20 #urnak es golyok szama
ered <- rep(0, times = k)
for (i in 1:n) {
ur <- rep(0, times = k)
for (j in 1:k) {
r <- runif(1)
ur[trunc(k * r) + 1] <- ur[trunc(k * r) + 1] + 1
}
ered[k - sum(ur > 0) + 1] <- ered[k - sum(ur > 0) + 1] + 1
}
ered <- ered[, 1]
plot(c(0:19), ered/n, type = "l", main = "res urnk szma",
ylim = c(0, 0.36), xlab = "res urnk szma",
ylab = "valsznsg")
points(c(0:19), ered/n)
k <- 10 #urnak es golyok szama
ered <- rep(0, times = k)
for (i in 1:n) {
ur <- rep(0, times = k)
for (j in 1:k) {
r <- runif(1)
ur[trunc(k * r) + 1] <- ur[trunc(k * r) + 1] + 1
}
ered[k - sum(ur > 0) + 1] <- ered[k - sum(ur > 0) + 1] + 1
}
ered <- ered[, 1]
lines(c(0:9), ered/n, col = 2)
points(c(0:9), ered/n, col = 2)
legend("topright", c("n=20", "n=10"), lty = c(1, 1), col = c(1, 2))
11.4 Kd 2.8 bra (2.13 plda)
#nevjegy
n <- 10
181
p <- rep(0, times = n)
for (i in 2:n) p[i] <- p[i - 1] + (-1)^(i)/prod(1:i)
plot(p, type = "l",
main = "Annak a valsznsge, hogy nincs egyez nvjegy",
ylab = "p", xlab = "n")
abline(h = 1/2.71828, col = 4)
11.5 Kd 2.7 bra (2.12 plda)
k <- 10
p <- rep(1, times = 6)
q <- rep(1, times = 7)
for (i in 1:6) {
p[i] <- (-1)î * prod(c(6:(6 - i + 1)))/prod(c(1:i)) * ((6 - i)^k)/(6^k)
q[i + 1] <- q[i] + p[i]
}
plot(c(0:6), q, type = "l", main = "A szita formula a gyakorlatban",
xlab = "i", ylab = "valsznsg")
k <- 20
for (i in 1:6) {
p[i] <- (-1)^{
i
} * prod(c(6:(6 - i + 1)))/prod(c(1:i)) * ((6 - i)^k)/(6^k)
q[i + 1] <- q[i] + p[i]
}
lines(c(0:6), q, col = 2)
legend(x = c(4.4, 6.2), y = c(0.44, 0.6),
c("20 dobs", "10 dobs"), lty = c(1, 1), col = c(2, 1))
11.6 Kd (2.10 bra 2.13 plda)
#### nevjegy2
k <- 10
182
for (i in 1:6) {
p[i] <- (-1)î/prod(c(1:i))
q[i + 1] <- q[i] + p[i]
}
plot(c(0:6), q, type = "l",
main = "A szita formula a nvjegyproblmra",
xlab = "i", ylab = "valsznsg")
abline(h = 1/2.71, lty = 2, col = 2)
11.7 Kd (2.11 bra, 2.14 plda)
#### lift
{
p[1] <- (-1) * ((7/9)^5 + (6/9)^5 + (5/9)^5)
p[2] <- (2/9)^5 + (3/9)^5 + (4/9)^5
}
q[2] <- q[1] + p[1]
q[3] <- q[2] + p[2]
plot(c(0:2), q[1:3], ylim = c(0, 1), axes = FALSE, type = "l",
main = "A szita formula a lift-problmra", xlab = "i",
ylab = "valsznsg")
abline(h = q[3], lty = 2, col = 1)
axis(1, 0:2, c(0:2))
axis(2)
box()
{
p[1] <- (-1) * ((7/9)^4 + (6/9)^4 + (5/9)^4)
p[2] <- (2/9)^4 + (3/9)^4 + (4/9)^4
}
q[2] <- q[1] + p[1]
q[3] <- q[2] + p[2]
lines(c(0:2), q[1:3], col = 2)
183
{
p[1] <- (-1) * ((7/9)^3 + (6/9)^3 + (5/9)^3)
p[2] <- (2/9)^3 + (3/9)^3 + (4/9)^3
}
q[2] <- q[1] + p[1]
q[3] <- q[2] + p[2]
lines(c(0:2), q[1:3], col = 4)
legend("topright", c("n=5", "n=4", "n=3"), lty = c(1, 1,
1), col = c(1, 2, 4))
11.8 Kd (2.12 bra, 2.15 plda)
####kocka 2
k1 <- 6
k2 <- 35
r <- rep(0, times = k2 - k1 + 1)
for (j in 1:(k2 - k1 + 1)) {
for (i in 1:6) {
p[i] <- (-1)î * prod(c(6:(6 - i + 1)))/prod(c(1:i)) * ((6 -
i)^j)/(6^j)
q[i + 1] <- q[i] + p[i]
}
r[j] <- q[7]
}
plot(c(k1:k2), r, type = "l",
main = "Az sszes szm dobsnak valsznsge",
xlab = "n", ylab = "valsznsg")
lines(c((k1 + 1):k2), diff(r), col = 2)
legend("topleft",
c("P(mind megvan n-bl)", "P(pont n-bl jn ki az utols)"),
lty = c(1, 1), col = c(1, 2))
184
11.9 Kd (3.2 bra, 3.7 plda)
#####irat
p <- c(0.25, 0.5, 0.75, 0.95) #vszg
n <- c(2:20) #fiokok
ered <- matrix(0, length(p), length(n))
for (i in 1:length(p)) {
for (j in 1:length(n)) {
ered[i, j] <- p[i] * 1/n[j]/(1 - p[i] + p[i] * 1/n[j])
}
}
plot(n, ered[1, ], ylim = c(0, 0.95), type = "l",
main = "Az irat megtallsnak valsznsge",
xlab = "fikok szma", ylab = "valsznsg")
points(n, ered[1, ])
for (i in 2:4) {
lines(n, ered[i, ], col = i)
points(n, ered[i, ], col = i)
}
legend("topright", c("p=0,95", "p=0,75", "p=0,5", "p=0,25"),
lty = c(1, 1, 1, 1), col = c(4, 3, 2, 1))
11.10 Kd (3.4 bra, 3.10 plda)
#7b abra (\ref{oszt} plda)
#####osztozkodas
n <- 1e+05 #ismetlesek
k <- 4 #szukseges gyozelmek szama
ered <- matrix(0, k, k)
for (l in 0:(k - 1)) {
for (m in 0:(k - 1)) {
for (i in 1:n) {
ll <- l
mm <- m
while (max(ll, mm) < k) {
r <- runif(1)
if (r < 0.5)
ll <- ll + 1
185
if (r > 0.5)
mm <- mm + 1
}
if (ll == k)
ered[l + 1, m + 1] <- ered[l + 1, m + 1] +
1
}
}
}
ered <- ered/n
for (i in 1:4) ered[i, i] <- 0.5
plot(c(0:3), ered[4, ], type = "l", axes = FALSE,
main = "Gyzelem valsznsge",
ylim = c(0.5, 1), xlab = "vesztett meccsek szma",
ylab = "valsznsg")
points(c(0:3), ered[4, ])
axis(1, 0:3, c(0:3))
axis(2)
box()
lines(c(0:2), ered[3, 1:3], col = 2)
points(c(0:2), ered[3, 1:3], col = 2)
points(0, ered[2, 1], col = 3)
legend("topright",
c("3 gyztes meccs", "2 gyztes meccs", "1 gyztes meccs"),
lty = c(1, 1, 1), col = c(1, 2, 3))
11.11 Kd (3.5 bra, 3.11 plda)
##### dupla hatos
p <- c(1:100)/101
ered <- rep(0, times = 100)
for (i in 1:100) {
ered[i] <- log(1 - p[i])/log(35/36)
}
plot(p, ered, type = "l", main = "A dupla hatos dobs",
ylab = "szksges dobsok szma", xlab = "valsznsg")
11.12 Kd (3.7 bra, 3.13 plda)
186
#hamis erme
n <- c(1:200)
d <- c(2, 5, 10, 20)
ered <- matrix(0, length(n), length(d))
for (i in 1:length(d)) {
for (j in n) ered[j, i] <- (1/j)/(1/j + (j - 1)/(j * 2^d[i]))
}
plot(ered[, 1], type = "l", main = "A hamis rme valsznsge",
xlab = "n", ylab = "valsznsg")
for (i in 2:4) lines(ered[, i], col = i)
legend(x = c(155, 205), y = c(0.38, 0.62),
c("20 fej", "10 fej", "5 fej", "2 fej"),
lty = c(1, 1, 1, 1), col = c(4, 3, 2, 1))
11.13 Kd (3.8 bra, 3.14 plda)
####diak tud
n <- c(1:200)
d <- c(1/2, 1/3, 1/4, 1/6)
for (j in n) ered[j, i] <- (1/j)/(1/j + d[i] * (j - 1)/(j))
}
plot(1/n, ered[, 1], type = "l", main = "A tuds valsznsge",
xlab = "p", ylab = "valsznsg")
for (i in 2:4) lines(1/n, ered[, i], col = i)
legend("bottomright", c("tipp vszg: 1/6", "tipp vszg: 1/4",
"tipp vszg: 1/3", "tipp vszg: 1/2"),
lty = c(1, 1, 1, 1), col = c(4, 3, 2, 1))
11.14 Kd (3.9 bra)
###binom
187
n <- c(1:200) #p=1-n/201
d <- c(5, 10, 20, 40) #n
for (j in n) ered[j, i] <- prod(c(d[i]:(d[i] - 4)))/prod(c(1:5)) *
(1 - j/201)^5 * (j/201)^(d[i] - 5)
}
plot(1 - n/201, ered[, 1], type = "l",
main = "Pontosan 5 sikeres kimenetel valsznsge",
xlab = "p", ylab = "valsznsg")
for (i in 2:4) lines(1 - n/201, ered[, i], col = i)
legend("topleft",
c("5 ksrlet", "10 ksrlet", "20 ksrlet", "40 ksrlet"),
lty = c(1, 1, 1, 1), col = c(1, 2, 3, 4))
11.15 Kd (3.10 bra)
#hipgeo
n <- c(1:200) #selejtesek
N <- 201
d <- c(5, 10, 20, 40) #n
for (j in c(n[5]:n[200])) {
ered[j, i] <- prod(c(j:(j - 4)))/prod(c(1:5))/(prod(c(N:(N -
d[i] + 1)))/prod(c(1:(d[i]))))
if (d[i] > 5) {
for (k in 0:(d[i] - 6)) ered[j, i] <- ered[j,
i] * (N - j - k)/(k + 1)
}
}
}
plot(n/N, ered[, 1], type = "l",
188
main = "5 selejtes valsznsge",
xlab = "selejtarny", ylab = "valsznsg")
for (i in 2:4) lines(n/N, ered[, i], col = i)
legend("topleft", c("5 elem minta", "10 elem minta",
"20 elem minta", "40 elem minta"),
lty = c(1, 1, 1, 1), col = c(1, 2, 3, 4))
11.16 Kd (3.11 bra)
#mintavetelek
n <- c(1:200) #p=1-n/201
d <- c(5, 10, 20, 40) #n
for (j in n) ered[j, i] <- prod(c(d[i]:(d[i] - 4)))/prod(c(1:5)) *
(1 - j/201)^5 * (j/201)^(d[i] - 5)
}
plot(1 - n/201, ered[, 1], type = "l",
main = "5 sikeres kimenetel valsznsge",
xlab = "p", ylab = "valsznsg", lty = 2)
for (i in 2:4) lines(1 - n/201, ered[, i], col = i, lty = 2)
legend("topleft",
c("5 ksrlet", "10 ksrlet", "20 ksrlet", "40 ksrlet"),
lty = c(1, 1, 1, 1, 1, 2), col = c(1, 2, 3, 4, 1, 1))
n <- c(1:200) #selejtesek
N <- 201
d <- c(5, 10, 20, 40) #n
for (j in c(n[5]:n[200])) {
ered[j, i] <- prod(c(j:(j - 4)))/prod(c(1:5))/(prod(c(N:(N -
d[i] + 1)))/prod(c(1:(d[i]))))
if (d[i] > 5) {
for (k in 0:(d[i] - 6)) ered[j, i] <- ered[j,
i] * (N - j - k)/(k + 1)
189
}
}
}
lines(n/N, ered[, 1], type = "l")
for (i in 2:4) lines(n/N, ered[, i], col = i)
legend(x = c(0, 0.3), y = c(0.45, 0.6), c("hip.geo", "binomilis "),
lty = c(1, 2), col = c(1, 1))
11.17 Kd (3.13 bra, 3.19 plda)
####szindbad
n <- 20
ered <- rep(1/n, times = n)
for (k in 1:(n - 1)) {
tor <- k/c(k:(n - 1))
ered[k + 1] <- sum(tor)/n
}
plot(c(0:(n - 1)), ered, type = "l", sub = "n=20",
main = "A legjobb jellt\nkivlasztsnak valsznsge",
xlab = "k", ylab = "valsznsg")
points(c(0:(n - 1)), ered)
11.18 Kd (3.14 bra))
####geom
n <- c(1:80)
d <- c(1/2, 1/4, 1/8, 1/16) #p
for (j in n) ered[j, i] <- d[i] * (1 - d[i])^j
}
plot(n, ered[, 1], type = "l",
main = "Az els sikeres ksrlet idpontja",
xlab = "ksrlet", ylab = "valsznsg")
for (i in 2:4) lines(n, ered[, i], col = i)
legend("topright", c("p=1/2", "p=1/4", "p=1/8", "p=1/16"),
lty = c(1, 1, 1, 1), col = c(1, 2, 3, 4))
190
11.19 Kd (3.15 bra)
####poisson
n <- c(0:15)
d <- c(1, 2.5, 4, 5.5) #p
for (j in n) ered[j + 1, i] <- dpois(j, d[i])
}
plot(n, ered[, 1], type = "l", main = "A Poisson eloszls",
xlab = "esemnyek szma", ylab = "valsznsg")
points(n, ered[, 1])
for (i in 2:4) {
lines(n, ered[, i], col = i)
points(n, ered[, i], col = i)
}
legend("topright", c("\u03bb=5,5", "\u03bb=4", "\u03bb=2,5",
"\u03bb=1"), lty = c(1, 1, 1, 1),
col = c(4, 3, 2, 1))
11.20 Kd (4.4 bra, 4.3 plda)
##### parok
n <- c(1:30) #m
d <- c(15, 20, 25) #N
for (j in n) ered[j, i] <- (2 * d[i] - j) * (2 * d[i] -
j - 1)/(2 * (2 * d[i] - 1))
}
plot(n, ered[, 1], type = "l", ylim = c(0, 24),
main = "A megmarad prok szma",
xlab = "kihzott lapok szma", ylab = "vrhat rtk")
points(n, ered[, 1])
for (i in 2:3) {
191
lines(n, ered[, i], col = i)
points(n, ered[, i], col = i)
}
legend("topright", c("N=25", "N=20", "N=15"),
lty = c(1, 1, 1), col = c(3, 2, 1))
11.21 Kd (4.5 bra, 4.4 plda)
##### minden eredmeny
n <- c(2:20) #oldalszam
ered <- rep(0, times = length(n))
for (i in 1:length(n)) {
ered[i] <- sum(n[i]/c(1:n[i]))
}
plot(n, ered, type = "l",
main = "Az sszes eredmnyhez vrhatan szksges ksrletszm",
xlab = "lehetsgek szma", ylab = "vrhat rtk")
points(n, ered)
#m1:egyenletes eloszls
x <- c(1:2000)
x <- (x - 800)/500
y <- rep(0, times = length(x))
a <- 0
b <- 1
y[x a] <- 1/(b - a)
plot(x, y, xlab = "", ylab = "", type = "l", ylim = c(0,
2), main = "srsgfggvny")
a <- -1/2
b <- 3/2
y[x a] <- 1/(b - a)
lines(x, y, col = 2)
a <- 0.25
b <- 0.75
y[x a] <- 1/(b - a)
192
legend("topleft", cex = 0.5, c("[1/4;3/4]", "[0;1]", "[-1/2;3/2]"),
lty = c(1, 1, 1), col = c(4, 1, 2))
a <- 0
b <- 1
z <- (x - a)/(b - a)
y[x a] <- z[x a]
y[x >= b] <- 1
plot(x, y, xlab = "", ylab = "", type = "l", main = "eloszlsfggvny")
a <- -1/2
b <- 3/2
z <- (x - a)/(b - a)
y[x a] <- z[x a]
y[x >= b] <- 1
a <- 0.25
b <- 0.75
z <- (x - a)/(b - a)
y[x a] <- z[x a]
y[x >= b] <- 1
legend("topleft", cex = 0.5, c("[1/4;3/4]", "[0;1]", "[-1/2;3/2]"),
lty = c(1, 1, 1), col = c(4, 1, 2))
#########
#1.05 pl. c m2
#########
alpha <- c(1:100)/20
plot(alpha, xlab = expression(alpha), ylab = "Intervallum vgpontja",
main = "Intervallumhossz a kitev fggvnyben",
((alpha + 1))^(1/(alpha + 1)), type = "l")
###########
#1.021 lognorm m3
193
############
x <- c(1:1000)
x <- 0.5 + x/1000
m <- 0.001
sig <- 0.01
plot(x, xlab = "", main = "s\u171r\u171sgfggvny",
ylab = "", dnorm((log(x) - m)/sig)/(x * sig), type = "l")
m <- 0.001
sig <- 0.03
lines(x, dnorm((log(x) - m)/sig)/(x * sig), col = 2)
m <- 0.001
sig <- 0.1
m <- 0.05
sig <- 0.03
legend("topleft", cex = 0.5, c(expression(paste(mu, "=0.001, ",
sigma, "=0.01")), expression(paste(mu, "=0.001, ", sigma,
"=0.03")), expression(paste(mu, "=0.001, ", sigma, "=0.1")),
expression(paste(mu, "=0.05, ", sigma, "=0.03"))),
lty = c(1, 1, 1, 1), col = c(1, 2, 4, 3))
m <- 0.001
sig <- 0.01
plot(x, xlab = "", main = "eloszlsfggvny", ylab = "",
pnorm((log(x) - m)/sig), type = "l")
m <- 0.001
sig <- 0.03
lines(x, pnorm((log(x) - m)/sig), col = 2)
m <- 0.001
sig <- 0.1
m <- 0.05
sig <- 0.03
legend("topleft", cex = 0.5, c(expression(paste(mu, "=0.001, ",
sigma, "=0.01")), expression(paste(mu, "=0.001, ", sigma,
"=0.03")), expression(paste(mu, "=0.001, ", sigma, "=0.1")),
expression(paste(mu, "=0.05, ", sigma, "=0.03"))),
lty = c(1, 1, 1, 1), col = c(1, 2, 4, 3))
194
###########
#chi-squared m4
############
x <- c(1:10000)
x <- x/1000
plot(x, dchisq(x, df = 1), ylim = c(0, 2), xlab = "",
main = "srsgfggvny",
ylab = "", type = "l")
lines(x, dchisq(x, df = 2), col = 2)
legend("topright", c("sz.f.=1", "sz.f.=2", "sz.f.=3", "sz.f.=5"),
lty = c(1, 1, 1, 1), col = c(1, 2, 4, 3))
plot(x, pchisq(x, df = 1), ylim = c(0, 1), xlab = "",
main = "eloszlsfggvny", ylab = "", type = "l")
lines(x, pchisq(x, df = 2), col = 2)
legend("bottomright", c("sz.f.=1", "sz.f.=2", "sz.f.=3",
"sz.f.=5"), lty = c(1, 1, 1, 1), col = c(1, 2, 4, 3))
#################
#Poisson szorzatsszeg szim m5
##################
n <- 10
lam <- 3
N <- 10000
ered <- rep(0, times = N)
for (i in 1:N) {
s <- 0
for (j in 1:n) {
s <- s + rpois(1, 3) * rpois(1, 3)
ered[i] <- s
}
}
195
hist(ered, main = "A nyeremny eloszlsa", xlab = "Milli Ft",
ylab = "Gyakorisg")
###########
##prt becsls binom kvant+norm m6
###########
p <- 0.5
n <- c(1:10000)
er <- n
ern <- er
for (i in 1:length(n)) {
er[i] <- 2 * (1 - pbinom(n[i] * (p + 0.01), n[i], p))
ern[i] <- 2 * (1 - pnorm(n[i] * (p + 0.01), n[i] * p,
sqrt(n[i] * p * (1 - p))))
}
plot(n, er, type = "l",
main = "Az 1%-nl nagyobb eltrs valsznsge",
xlab = "n", ylab = "Valsznsg")
lines(n, ern, col = 2)
abline(h = 0.05)
legend("topright", c("normlis kzelts", "pontos valsznsg"),
lty = c(1, 1), col = c(2, 1))
11.1.2. Interaktv animcik
Az interaktv szimulcik az R shiny csomagjnak segtsgvel kszltek. Nhny pld-
nl az adatbeolvas ui (user interface) le-t is megadjuk. de az animcik tbbsgnl a
helykmls rdekben csak a lnyegesebb server le-t kzljk.
11.22 Kd (3.6 bra 3.12 plda)
####
#beteg
####
shinyUI(pageWithSidebar(
# Application title
headerPanel("Betegs"),
196
sidebarPanel(
sliderInput("param1",
"Adja meg a p paramtert (betegs v fiatalok):",
value = 0.01, min = 0.001, max = 0.9),
sliderInput("param2", "k:",
value = 0.02, min = 0.001, max = 0.9),
sliderInput("fiat", "Fiatalok r:",
value = 0.2, min = 0.001, max = 0.49),
sliderInput("kozep", "Kok r.:",
value = 0.2, min = .001, max = 0.49)
),
# abrak
mainPanel(plotOutput("betPlot"))
)
)
shinyServer(function(input, output) {
data <- reactive({
p <- c(1:99)/100
b <- as.numeric(input$param1) * as.numeric(input$fiat)/(as.numeric(input$param1) *
as.numeric(input$fiat) + as.numeric(input$param2) *
as.numeric(input$kozep) + p * (1 - as.numeric(input$kozep) -
as.numeric(input$fiat)))
y <- cbind(p, b)
y
})
output$betPlot <- renderPlot({
plot(data()[, 1], data()[, 2], main = "Fiatalok ",
xlab = "Idsek betegsgnek vszge", ylab = "p",
type = "l")
})
})
11.23 Kd (3.17 bra 3.20 plda)
#####
#virg
#####
197
library(shiny)
# Application title
headerPanel("Gymlcsk"),
sidebarPanel(
"Adja meg a p paramtert (virgok szmnak eloszlsa):",
value = 0.2, min = 0.001, max = 0.9),
"Adja meg az r paramtert (gymlcs valsznsge):",
value = 0.5, min = 0.01, max = 0.99),
sliderInput("szimu", "Szimulcik szma:",
value = 100, min = 10, max = 2000)
),
# abrak
mainPanel(plotOutput("viragPlot"), plotOutput("gyumPlot"))
)
)
data <- reactive(function() {
n <- as.numeric(input$szimu)
p <- as.numeric(input$param1)
q <- as.numeric(input$param2)
x <- rgeom(n, p) + 1
g <- rbinom(n, x, q)
cbind(x, g)
})
output$viragPlot <- reactivePlot(function() {
hist(data()[, 1], main = "Virgok szma", xlab = "Virgok szma",
ylab = "Gyakorisg", col = "red",
breaks = c((min(data()[, 1]) - 1.5):(max(data()[, 1]) + 0.5)))
})
output$gyumPlot <- reactivePlot(function() {
hist(data()[, 2], main = "Gymlcsk szma",
xlab = "Gymlcsk szma", ylab = "Gyakorisg", col = "red",
198
breaks = c((min(data()[, 1]) - 1.5):(max(data()[, 1]) + 0.5)))
})
})
11.24 Kd (3.18 bra 3.20 plda)
####
#virg2
####
# Application title
headerPanel("Gymlcsk->virgok"),
sidebarPanel(
sliderInput("param1", "Adja meg a p paramtert (virgok szmnak eloszlsa):",
value = 0.2,
min = 0.01, step=0.01,
max = 0.9),
sliderInput("param2", "Adja meg az r paramtert (gymlcs valsznsge):",
value = 0.5,
min = 0.01, step=0.01,
max = 0.99),
sliderInput("szimu",
"Szimulcik szma:",
value = 100,
min = 20,
max = 2000),
sliderInput("gyum",
"Gymlcsk szma:",
value = 1,
min = 0,
max = 20)
),
# abrak
mainPanel(
plotOutput("gyumPlot"),
plotOutput("feltPlot"))
)
)
199
data <- reactive({
x=rgeom(as.numeric(input$szimu),as.numeric(input$param1))+1
g=rep(0,times= as.numeric(input$szimu))
for (i in 1:as.numeric(input$szimu))
{
g[i]= rbinom(1,x[i],as.numeric(input$param2))
}
y=cbind(x,g)
y
})
output$gyumPlot <- renderPlot({
hist(data()[,2], main= "Gymlcsk szma",xlab="Gymlcsk szma",ylab="Gyakorisg",
breaks=c((min(data()[,1])-1.5): (max(data()[,1])+0.5)))
})
output$feltPlot <- renderPlot({
virk=data()[data()[,2]==as.numeric(input$gyum),1]
hist(virk,breaks=c(min(virk-0.5):(max(virk)+0.5)),
main= paste("Virgok szma, ha a gymlcsk szma",
as.numeric(input$gyum)),xlab="Virgok szma",ylab="Gyakorisg")
})
})
11.25 Kd (4.3 bra 4.1 alfejezet)
####
#tlag
####
# Application title
headerPanel("tlag es medin"),
sidebarPanel(
selectInput("dist", "Vlasszon egy eloszlst:",
choices = c("normlis", "exponencilis", "Pareto(2)")),
sliderInput("megf", "Megfigyelsek szma:",
200
value = 10, min = 1, max = 1000)
),
mainPanel(plotOutput("eloPlot"))
))
rpareto <- function(n) {
1/(1 - runif(n))
}
output$eloPlot <- renderPlot({
dist1 <- switch(input$dist, normalis = rnorm, exponencialis = rexp,
Pareto(2) = rpareto)
n <- input$megf
x <- dist1(as.numeric(n))
plot(x,
main = paste("r", input$dist, "(", "n=", n, ")", sep = ""),
xlab = "", ylab = "")
abline(h = mean(x), col = 4)
abline(h = median(x), col = 2)
legend("topright", lty = c(1, 1), col = c(4, 2), c("tlag", "Medin"))
})
})
####
#Kvantilis
####
# Application title
headerPanel("Pareto kvantilisek"),
sidebarPanel(
201
sliderInput("param", "Vlassza ki a paramtert:",
value = 3, min = 0.5, max = 10),
sliderInput("megf", "Megfigyelsek szma:",
value = 10, min = 1, max = 1000),
sliderInput("kvant", "Kvantilis:",
value = 0.95, min = 0.001, max = 0.9999)
),
mainPanel(plotOutput("eloPlot"))
))
output$eloPlot <- renderPlot({
x <- 1/(1 - runif(as.numeric(input$megf)))^(1/as.numeric(input$param))
plot(x, main = paste("Pareto (", input$param, ") eloszls (",
"n=", input$megf, ")", sep = ""), xlab = "", ylab = "")
abline(h = quantile(x, as.numeric(input$kvant)), col = 4)
legend("topright", lty = c(1), col = c(4),
c(paste(round(as.numeric(input$kvant), 3), "kvantilis")))
})
})
#######
###2 momentum
#######
output$sfv_comPlot <- renderPlot({
m <- input$mu
s <- input$sig
x <- c(0:1000)/100
202
b <- sqrt(log(s^2/m^2 + 1))
a <- log(m) - b^2/2
r <- m^2/s^2
l <- m/s^2
if (s^2 > m^2) {
aa <- 2 * s^2/(s^2 - m^2)
bb <- (aa - 1) * m
}
plot(x, dgamma(x, r, l), col = 4, type = "l",
main = "Azonos vrhat rtk s szrs srsgfggvnyek",
xlab = "", ylab = "", lwd = 2)
lines(x, dlnorm(x, a, b), lwd = 2)
if (s^2 > m^2)
lines(x, ((x + bb)/bb)^(-aa - 1) * aa/bb, col = 2, lwd = 2)
legend("topright", c("gamma", "lognormlis", "Pareto"),
lty = c(1, 1, 1), col = c(1, 4, 2))
})
})
######
#bizt
######
output$karPlot <- renderPlot({
beta <- 1
alpha <- 2
n <- input$megf
xf <- beta * (1/runif(n))^(1/alpha) - beta
beta <- 2
alpha <- 1
n <- input$megf
xt <- beta * (1/runif(n))^(1/alpha) - beta
nt <- rbinom(1, n, input$aran/100)
hist(xt[1:nt], main = paste("Tzkrok"), xlab = "Milli Ft",
203
ylab = "", col = "red")
hist(xf[1:(n - nt)],
breaks = c(0:(trunc(max(xf[1:(n -
nt)])) + 1)), main = paste("Felelssgi krok"),
xlab = "Milli Ft", ylab = "", col = "blue")
abline(v = 1, lwd = 2)
})
})
###### elore
output$eloszl <- reactivePrint(function() {
p <- matrix(0, 2, 3)
p[1, 1] <- input$p11/100
p[2, 1] <- input$p21/100
p[1, 3] <- input$p13/100
p[1, 2] <- input$p12/100
p[2, 2] <- input$p22/100
p[2, 3] <- 1 - sum(p)
if (p[2, 3] < 0)
print("Tl nagyok a valsznsgek")
if (p[2, 3] >= 0) {
kszi <- c(input$e1, input$e2) #1. vltoz lehetsges rtkei
eta <- c(input$f1, input$f2, input$f3) #2. vltoz lehetsges rtkei
# kzs valsznsgeloszls
val <- p
# 1. vltoz eloszlsa
pkszi <- kszi
pkszi[1] <- sum(val[1, ])
pkszi[2] <- sum(val[2, ])
# 2. vltoz eloszlsa
peta <- eta
peta[1] <- sum(val[, 1])
# vltozk vrhat rtkei
204
Ekszi <- sum(kszi * pkszi)
Eeta <- sum(eta * peta)
# vltozk msodik momentumai
Ekszinegyzet <- sum(kszi^2 * pkszi)
Eetanegyzet <- sum(eta^2 * peta)
# vltozk szrsngyzetei
D2kszi <- Ekszinegyzet - Ekszi^2
D2eta <- Eetanegyzet - (Eeta)^2
# kovariancia
Ekszieta <- 0
for (i in 1:2) {
for (j in 1:3) {
Ekszieta <- Ekszieta + kszi[i] * eta[j] *
val[i, j]
}
}
kovariancia <- Ekszieta - Ekszi * Eeta
print(paste("Kovariancia=", round(kovariancia, 3)), sep = "")
# korrelci
correl <- (Ekszieta - Ekszi * Eeta)/(D2kszi * D2eta)^0.5
print(paste("Korrelci=", round(correl, 3)), sep = "")
# lineris elrejelzs
konstans <- Ekszi - correl * (D2kszi/D2eta)^0.5 * Eeta #konstans tag
beh <- correl * (D2kszi/D2eta)^0.5 #eta szorzja
nhibalin <- (1 - correl^2) * D2kszi #negyzetes hiba
print(paste("A lineris elrejelzs:",
round(beh, 3), "*X+", round(konstans), sep = ""))
# elrejelzs vrhat rtkkel
Ekszifelt <- rep(0, 3)
for (j in 1:3) {
Ekszifelt[j] <- sum(kszi * val[, j])/peta[j]
}
print(paste("Elrejelzs a vrhat rtk alapjn X els rtke esetn:",
round(Ekszifelt[1], 3)), sep = "")
print(paste("Elrejelzs a vrhat rtk alapjn X msodik rtke esetn:",
205
print(paste("Elrejelzs a vrhat rtk alapjn X harmadik rtke esetn:",
D2kszifelt <- sum(Ekszifelt^2 * peta) - Ekszi^2 #feltteles
# vrhat rtk szrsngyzete
nhiba <- D2kszi - D2kszifelt
}
xx <- matrix(0, 1, 2)
colnames(xx) <- c("Lineris", "Vrhat rtkes")
xx[1, 2] <- round(D2kszifelt, 3)
xx[1, 1] <- round(nhibalin, 3)
print(paste("A lineris elrejelzs ngyzetes hibja:", xx[1, 1]))
print(paste("A vrhat rtkes elrejelzs ngyzetes hibja:", xx[1, 2]))
})
})
######
#gamma
######
output$gelofvPlot <- renderPlot({
s <- input$sig
r <- input$r
x <- c(0:200)/10
plot(x, pgamma(x/s, r, 1), type = "l", ylim = c(0, 1),
main = paste("Gamma eloszlsfv. (r=", r,
", lambda=", round(1/s, 3), ")", sep = ""),
xlab = "", ylab = "")
})
output$gsfvPlot <- renderPlot({
s <- input$sig
206
r <- input$r
x <- c(1:2000)/100
plot(x, dgamma(x/s, r, 1), type = "l", ylim = c(0, max(1, dgamma(x/s, r, 1))),
main = paste("Gamma srsgfv. (r=", r,
", lambda=", round(1/s, 3), ")", sep = ""),
xlab = "", ylab = "")
})
})
11.31 Kd (4.6 bra 4.2 plda)
######
#kolcson
######
output$vszg <- reactivePrint(function() {
n <- c(input$n1, input$n2, input$n3) #nemesek, polgrok s parasztok szma
B <- c(input$b1, input$b2, input$b3)
B <- B/500 #bkeklcsnk nagysga
K <- sum(n * B) + 2 #kincstrban lv pnz
C <- rep(0, 9) #nyeremnyek nagysga
dim(C) <- c(3, 3) #valsznsgek
P <- C
C[1, 1] <- input$c11
C[1, 2] <- input$c12
C[2, 1] <- input$c2
C[3, 1] <- input$c3
C <- C/500
P[1, 1] <- as.numeric(input$p1)/100
P[1, 2] <- as.numeric(input$p2)/100
P[2, 1] <- input$p1/100
P[2, 2] <- 1 - input$p1/100
P[3, 1] <- input$p1/100
P[3, 2] <- 1 - input$p1/100
P[1, 3] <- 1 - P[1, 1] - P[1, 2]
P[2, 3] <- 1 - P[2, 1] - P[2, 2]
207
P[3, 3] <- 1 - P[3, 1] - P[3, 2]
m <- rep(0, 3) #nemesek, polgrok s parasztok vrhat nyeremnye
for (i in 1:3) {
m[i] <- sum(P[i, ] * C[i, ])
}
m2 <- m #msodik momentum
for (i in 1:3) {
m2[i] <- sum(P[i, ] * C[i, ]^2)
}
d2 <- m2 - m^2 #szrsngyzet
u <- m #3. centrlis momentum
for (i in 1:3) {
u[i] <- sum(P[i, ] * (abs(C[i, ] - m[i]))^3)
}
osszm <- sum(n * m) #vrhat ssznyeremny
if (K > osszm)
cc <- sum(n * d2)/(K - osszm)^2 #csd valsznsgnek becslse: Csebisev
if (K <= osszm)
cc <- 1
cn <- 1 - pnorm((K - osszm)/(sum(n * d2))^0.5) #normlis kzelts
ce <- 0.56 * sum(n * u)/(sum(n * d2))^1.5 #normlis kzelts Essen szerinti hibja
cs <- ce + cn
cs <- min(cs, 1)
cc <- min(cc, 1)
print(paste("csd valsznsgnek becslse Csebisev-egyenltlensggel:",
round(cc, 6), sep = ""))
print(paste("csd valsznsgnek becslse normlis kzeltssel:",
round(cn, 6), sep = ""))
print(paste("csd valsznsgnek Essen szerinti kzeltse:",
round(cs, 6), sep = ""))
})
})
#######
#Meghalad
#######
208
output$meghalad_valPlot <- renderPlot({
c <- c(10:100)/10
s <- input$sig
m <- 1
r <- 1/s^2
l <- m/s^2
if (s^2 > 1) {
aa <- 2 * s^2/(s^2 - 1)
bb <- (aa - 1) * m
}
plot(c, 1 - pgamma(c * m, r, rate = r/m),
ylim = c(0, max(1 - plnorm(c * m, log(m/(1 + s^2))),
1 - pgamma(c * m, r, rate = r/m), ((c * m + bb)/bb)^(-aa))),
col = 4, type = "l",
main = paste("c meghaladsnak valsznsge (m=1)", sep = ""),
xlab = "c", ylab = "valsznsg", lwd = 2)
lines(c, 1 - plnorm(c * m, log(m/(1 + s^2)), sqrt(log(1 + s^2))),
lwd = 2)
if (s > 1)
lines(c, ((c * m + bb)/bb)^(-aa), col = 2, lwd = 2)
legend("topright", c("gamma", "Pareto", "lognormlis"),
lty = c(1, 1, 1), col = c(4, 2, 1))
})
})
#######
#Szimelore
#######
output$regr <- renderPlot({
209
p <- matrix(0, 2, 3)
p[1, 1] <- input$p11/100
p[2, 1] <- input$p21/100
p[1, 3] <- input$p13/100
p[1, 2] <- input$p12/100
p[2, 2] <- input$p22/100
p[2, 3] <- 1 - sum(p)
if (p[2, 3] < 0)
print("Tl nagyok a valsznsgek")
if (p[2, 3] >= 0) {
pvec <- c(p[1, ], p[2, ])
nn <- 0
while (nn < 6) {
x <- rmultinom(n = 1, size = input$simu,
prob = pvec)
nn <- sum(x > 0)
}
obs <- matrix(0, input$simu, 2)
obs[, 1] <- c(rep(input$e1, times = sum(x[1:3])),
rep(input$e2, times = sum(x[4:6]))) #1. vltoz rtkei
obs[, 2] <- c(rep(input$f1, times = x[1]), rep(input$f2,
times = x[2]), rep(input$f3, times = x[3]),
rep(input$f1, times = x[4]), rep(input$f2,
times = x[5]), rep(input$f3, times = x[6])) #2. vltoz rtkei
lme <- lm(obs[, 1] ~ obs[, 2])$coef
nemlin <- rep(0, times = 3)
dl <- sum((obs[, 2] * lme[2] + lme[1] - obs[,1])^2)
dnl <- nemlin
for (i in 1:3) nemlin[i] <- mean(obs[obs[, 2] ==
unique(obs[, 2])[i], 1])
for (i in 1:3) dnl <- dnl + sum((nemlin[i] -
obs[obs[, 2] == unique(obs[, 2])[i], 1])^2)
plot(obs[, 2], obs[, 1], main = "Y kzeltse X segtsgvel",
xlab = "x", ylab = "y",
sub = paste("A krk terlete arnyos az adott pont gyakorisgval.",
paste(" Ngyzetes vesztesg:", "lineris:",
round(dl, 2), "nemlineris:", round(dnl, 2))))
t <- table(obs[, 1], obs[, 2])
for (i in 1:3) {
for (j in 1:2) {
210
points(unique(obs[, 2])[i], unique(obs[, 1])[j],
cex = sqrt(t[j, i]), pch = 21,
bg = "red")
}
}
lines(c(min(obs):max(obs)),
lme[1] + c(min(obs):max(obs)) * lme[2], lwd = 2)
lines(unique(obs[, 2]), nemlin, col = 4, lwd = 2)
legend(x = (3 * (obs[1, 2] + obs[2, 2])/4),
y = max(obs[, 1]), c("lineris", "vrhat rtkes"),
lty = c(1, 1), col = c(1, 4))
}
})
})
11.1.3. Nem interaktv animcik
#####
#buszok
#####
library(graphics)
library(animation)
library(plotrix)
#6-kor indulnak a buszok, tlagosan 1 rs intervallumokkal,
12-ig berkez buszok szmt nzzk
saveGIF({
ani.options(nmax = 200)
for (n in 1:ani.options("nmax")) {
x <- c(1:40)
y <- c(6:6)
for (i in 1:100) {
if (y[length(y)] < 12) {
a <- rep(0, (length(y) + 1))
a[1:length(y)] <- y[1:length(y)]
a[length(y) + 1] <- y[length(y)] + rgamma(1, 1, 1)
211
y <- a
}
}
plot(x[1:length(y)], y, pch = 8,
main = "6 s 12 ra kztt berkez buszok",
xlab = "busz sorszma", ylab = "busz rkezsi ideje")
z <- rep(12, length(y))
lines(x[1:length(y)], z, type = "l", col = 4)
legend("bottomright", paste("12 ra eltt berkez buszok szma: ",
(length(y) - 1)))
legend("topleft", paste("ksrlet sorszma: ", n))
ani.pause()
}
}, interval = 0.5, movie.name = "busz.gif", ani.width = 600,
ani.height = 600)
#6-kor indulnak a buszok, tlagosan 1 rs intervallumokkal, 12-kor
#rkeznk a megllba, mennyit kell vrnunk a buszra
saveGIF({
pr <- rep(0, ani.options("nmax"))
x <- c(1:40)
y <- c(6:6)
for (i in 1:100) {
if (y[length(y)] < 12) {
a <- rep(0, (length(y) + 1))
a[1:length(y)] <- y[1:length(y)]
a[length(y) + 1] <- y[length(y)] + rgamma(1, 1, 1)
y <- a
}
}
plot(x[1:length(y)], y, pch = 8,
main = "6 s 12 ra kztt berkez buszok\ns a 12 utni els busz",
xlab = "busz sorszma", ylab = "busz rkezsi ideje")
z <- rep(12, length(y))
lines(x[1:length(y)], z, type = "l", col = 4)
legend("bottomright", paste("Vrakozsi id a 12 ra utni els buszra: ",
(y[length(y)] - 12)))
legend("topleft", paste("ksrlet sorszma: ", n))
212
pr[n] <- y[length(y)] - 12
barp(pr[1:n], main = "vrakozsi idk")
legend("top", paste("ksrletek szma: ", n))
ani.pause()
}
}, interval = 0.5, movie.name = "busz2.gif", ani.width = 1200,
ani.height = 600)
###########
#galtonwatson
###########
library(animation)
## 100-bl indul Galton-Watson folyamat szimullsa
saveGIF({
e <- rep(0, ani.options("nmax"))
e[1] <- 100
x <- c(1:ani.options("nmax"))
if (e[n - 1] > 0) {
e[n] <- sum(sample(c(0, 1, 2, 3), e[n - 1],
replace = TRUE, prob = c(0.3, 0.5, 1/10, 1/10)))
}
plot(x[1:n], e[1:n], type = "l", col = 2, main = "Elgaz folyamat",
xlab = "Generci", ylab = "egyedek szma")
ani.pause()
}
}, interval = 0.5, movie.name = "galtonwatson.gif", ani.width = 600,
ani.height = 600)
########
#gyorfipelda
########
library(animation)
##eredeti befektets szerint a tke eloszlsa n v utn
n <- 10
x <- c(0:n)
213
a <- 1.9^x * 0.5^(n - x)
plot(a, dbinom(x, n, 0.5), main = "Tke eloszlsa 10 v utn",
ylab = "valsznsg", xlab = "tke")
##vatosabb befektets szerint a tke eloszlsa n v utn
n <- 10
x <- c(0:n)
a <- 1.45^x * 0.75^(n - x)
plot(a, dbinom(x, n, 0.5),
main = "Tke eloszlsa 10 v utn (vatosabb befektetsi politikval)",
ylab = "valsznsg", xlab = "tke")
##Tkehelyzet bemutatsa
saveGIF({
oopt <- ani.options(interval = 0.5, nmax = 100)
aelozo <- c(0:0)
aelozo[1] <- 1
x <- c(0:100)
a <- c(0:n)
a[1:n] <- aelozo[1:n]
c <- rbinom(1, 1, 0.5)
a[n + 1] <- a[n] * 1.9^c * 0.5^(1 - c)
aelozo <- a
plot(x[1:(n + 1)], a, type = "l", col = 2,
main = "Rszvny rtke", xlab = "", ylab = "")
legend("topright", paste("eltelt vek szma: ", n))
ani.pause() ## pause for a while (interval)
}
}, interval = 0.5, movie.name = "reszveny.gif", ani.width = 600,
ani.height = 600)
##Tkehelyzet bemutatsa vatosabb befektetssel
saveGIF({
oopt <- ani.options(interval = 0.5, nmax = 100)
aelozo <- c(0:0)
aelozo[1] <- 1
belozo <- aelozo
x <- c(0:100)
214
a <- c(0:n)
b <- a
b[1:n] <- belozo[1:n]
c <- rbinom(1, 1, 0.5)
a[n + 1] <- a[n] * 1.9^c * 0.5^(1 - c)
b[n + 1] <- b[n] * 1.45^c * 0.75^(1 - c)
aelozo <- a
belozo <- b
main = "Rszvny s tke rtke",
xlab = "", ylab = "")
lines(x[1:(n + 1)], b, lty = 4, cex = 0.2, col = 4)
legend("topright", paste("eltelt vek szma: ", n))
legend("topleft", c("eredeti", "vatosabb"), lty = c(1, 4),
col = c(2, 4))
}
}, interval = 0.5, movie.name = "toke.gif", ani.width = 1000,
ani.height = 1000)
############
#normkozelites
############
#n indiktor s exponencilis normlis kzeltse
n <- 40
p <- 0.1
x <- c(0:400)/40 - 5
plot(x, pnorm(x), type = "l", col = 2,
main = "Fggetlenek sszege standartizltjnakeloszlsfggvnye",
xlab = "", ylab = "")
lines(x, pbinom((n * p * (1 - p))^0.5 * x + n * p, n, p),
lty = 4, cex = 0.2, col = 4)
lines(x, pgamma((n^0.5 * x + n), scale = 1, shape = n),
lty = 2, cex = 0.2, col = 1)
legend("bottomright", paste("n=", n))
legend("topleft", c("Normlis", "1-exponencilis", "0,1-indiktor"),
lty = c(1, 4, 2), col = c(2, 4, 1))
library(animation)
215
saveGIF({
p <- 0.1
x <- c(0:400)/40 - 5
plot(x, pnorm(x), type = "l", col = 2,
main = "Fggetlenek sszege standartizltjnak eloszlsfggvnye",
xlab = "", ylab = "")
lines(x, pbinom((n * p * (1 - p))^0.5 * x + n * p, n, p),
lty = 4, cex = 0.2, col = 4)
lines(x, pgamma((n^0.5 * x + n), scale = 1, shape = n),
lty = 2, cex = 0.2, col = 1)
legend("bottomright", paste("n=", n))
legend("topleft", c("Normlis", "1-exponencilis",
"0,1-indiktor"), lty = c(1, 4, 2), col = c(2, 4, 1))
}
}, interval = 0.5, movie.name = "normkoz.gif", ani.width = 600,
ani.height = 600)
########
#nszt
########
library(graphics)
library(animation)
library(plotrix)
saveGIF({
pr <- rep(0.25, ani.options("nmax"))
pr2 <- pr
npr <- pr
npr2 <- pr
pr3 <- pr
pr[n] <- rbinom(1, 1, 0.25)
pr2[n] <- mean(pr[1:n])
216
npr[n] <- rnorm(1, 0.25, 1)
npr2[n] <- mean(npr[1:n])
barp(pr[1:n], main = "0,25-indiktorok szimullsa s tlagaik")
lines(x[1:n], pr2[1:n], type = "l", col = 4)
barp(npr[1:n], main = "N(0,25,1)szimullsa s tlagaik")
lines(x[1:n], npr2[1:n], type = "l", col = 4)
ani.pause()
}
}, interval = 0.5, movie.name = "nszt.gif", ani.width = 1200,
ani.height = 600)
##########
#szimboly
#########
library(animation)
## szimmetrikus bolyongs
saveGIF({
p <- 0.5
aelozo <- c(0:0)
aelozo[1] <- 0
a <- c(0:n)
c <- rbinom(1, 1, p)
a[n + 1] <- a[n] + (1^c * (-1)^(1 - c))
aelozo <- a
main = "Vletlen bolyongs a szmegyenesen",
xlab = "", ylab = "")
legend("topright", paste("jobbra lps valsznsge: ", p))
legend("bottomright", paste("lpsek szma: ", n))
ani.pause()
}
}, interval = 0.5, movie.name = "szimboly.gif", ani.width = 600,
ani.height = 600)
217
saveGIF({
p <- 0.55
aelozo <- c(0:0)
aelozo[1] <- 0
a <- c(0:n)
c <- rbinom(1, 1, p)
a[n + 1] <- a[n] + (1^c * (-1)^(1 - c))
aelozo <- a
main = "Vletlen bolyongs a szmegyenesen",
xlab = "", ylab = "")
legend("topright", paste("jobbra lps valsznsge: ", p))
legend("bottomright", paste("lpsek szma: ", n))
ani.pause()
}
}, interval = 0.5, movie.name = "nemszimboly.gif", ani.width = 600,
ani.height = 600)
218
11.1. bra. A (3.12) plda valsznsgnek fggse az idsek megbetegedsi valszn-
11.2. Tovbbi brk
Az albbiakban az interaktv szimulcik legrdekesebb eredmnyeibl vlogatunk, azzal
a clzattal, hogy ezzel is segtsk hasznlatukat, illetve hogy a jegyzet segtsgvel adott
esetben oine (papr) alapon is meg lehessen rteni pldul a klnbz paramterezsek
lnyegt. Az brknl megadjuk, hogy melyik feladathoz is tartoznak, gy knnyen utna
lehet nzni a rszleteknek.
219
11.2. bra. A (3.12) plda valsznsgnek fggse az idsek megbetegedsi valszn-
11.3. bra. A virgok s a gymlcsk szmnak szimullt eloszlsa a (3.20) pldnl,
az bra baloldaln lthat paramterek s szimulciszm esetn,11.23 kd
220
221
11.6. bra. Az tlag s a medin optimumtulajdonsga a normlis eloszlsra 80 elem
mintra
11.7. bra. Az tlag s a medin optimumtulajdonsga az exponencilis eloszlsra 80
elem mintra
222
11.8. bra. Az tlag s a medin optimumtulajdonsga a Pareto(2) eloszlsra 80 elem
mintra
11.9. bra. A lineris s a nemlineris elrejelzs sszehasonltsa: jelents eltrs
223
11.10. bra. A lineris s a nemlineris elrejelzs sszehasonltsa: y szrsnak nve-
lse nvelte a hibt
11.11. bra. A lineris s a nemlineris elrejelzs sszehasonltsa: kicsi az eltrs
224
Irodalomjegyzk
[1] William Feller. An introduction to probability theory and its applications. Vol. I.
Third edition. John Wiley & Sons Inc., New York, 1968.
[2] William Feller. An introduction to probability theory and its applications. Vol. II.
Second edition. John Wiley & Sons Inc., New York, 1971.
[3] Ronald L. Graham, Donald E. Knuth, and Oren Patashnik. Concrete mathematics.
Addison-Wesley Publishing Company Advanced Book Program, Reading, MA, 1989.
A foundation for computer science.
[4] Georey R. Grimmett and David R. Stirzaker. One Thousand Exercises in Probabi-
lity. Oxford University Press, 2001.
[5] Samuel Karlin and Howard M. Taylor. A rst course in stochastic processes. Academic
Press [A subsidiary of Harcourt Brace Jovanovich, Publishers], New York-London,
second edition, 1975.
[6] Sheldon M. Ross A First Course In Probability. Pearson Education, 6th edition,
2002.
225

Valoszinusegszamitas

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Valoszinusegszamitas

Uploaded by

Copyright:

Available Formats

Bevezets a valsznsgszmtsba s

alkalmazsaiba: pldkkal, szimulcikkal

sszefggsbl addik. A 3.15 bra klnbz paramterrtkek mellett

P(az i.goly bent van dlben) = 0.

(x) = P( < x), ahol

eloszlsfggvnyre teljeslnek az albbiak:

balrl folytonos s jobbrl ltezik a hatrrtke minden x R helyen.

f(s) ds. Az f fggvnyt a

(t) = P( < t) rtkeket kell meghatroznunk. rtke biztosan 0 s

Az 5.9 brn lthatjuk exponencilis eloszls valsznsgi vltoz lineris transz-

) exponencilis eloszls paramterrel.

(y) dy. Specilisan, ha 0, akkor E =

(x) az utbbi minden folytonos-

1 (6, 332861) = 1, 203281 10

(p, (0, 1)) genertor fggvny. Szmoljuk ki az

B valamely B E rsszel. A teljes vrhat

(, ) = g(X(), Y ()). Az elz ttel szerint

) kiszmtsra, azon a mdon, hogy

, mert elg nagy (-tl fgg) n-re mr

) a dominlt konvergencia ttel miatt s E(n ) E() a Beppo

) feltteles vrhat rtket.

) = 0 (dominlt konvergencia ttel). A (9.1) azonossg balol-

{1, 3}) = 1 sszefggsbl

= 3) = 3/4 kvetkezik. Ekkor viszont E(S

valsznsgi vltoz vrhat rtkt.

= 0) = p. Ez azt jelenti, hogy azon az esemnyen,

> 0 s (a) alapjn ezen az esemnyen az S

You might also like