Szab´alyok f¨ uggetlens´ege

Az ¨osszef¨ugg˝os´eg m´er´es´ere sz´amos mutat´osz´amot vezettek be a kutat´ok.

5.3.1. lift ´ ert´ ek

Egy szab´aly nem ´erdekes, ha a felt´etel ´es a k¨ovetkezm´enyr´eszek f¨uggetlenek egym´ast´ol.

Val´osz´ın˝us´egsz´am´ıt´asbeli ismereteinket felid´ezve : az X ´es az Y esem´enyek f¨uggetlenek egym´ast´ol, ha p(X, Y) =p(X)p(Y), azaz ha a _p(X)p(Y^p(X,Y)₎ h´anyados ´ert´eke 1. Min´el jobban elt´er a h´anyados egyt˝ol, ann´al ink´abb ¨osszef¨ugg˝ok az esem´enyek. Ez alapj´an egy szab´aly lift ´ert´ek´et, amely a f¨uggetlens´eget sz´and´ekozik megragadni, a k¨ovetkez˝ok´eppen defini´aljuk :

lift(I→I⁰) = f req(I∪I⁰) f req(I)·f req(I⁰),

ahol f req a gyakoris´agot jel¨oli. Csendben felt´etelezt¨uk, hogy a val´osz´ın˝us´eget a relat´ıv gyakor-is´aggal k¨ozel´ıthetj¨uk.

Ha ezek ut´an egy adatb´azisb´ol a rejtett ¨osszef¨ugg´eseket asszoci´aci´os szab´alyok form´aj´aban akarjuk kinyerni, akkor a t´amogatotts´agi ´es bizonyoss´agi k¨usz¨ob mellett f¨uggetlens´egi k¨usz¨ob¨ot (min lif t) is megadhatunk. P´eld´aul, ha min lif t= 1.3, akkor azok a szab´alyok ´erdekesek, amelyekre lif t(R)≥1.3 vagylif t(R)≤ _1.3¹ .

Gyakori term´ekhalmazb´ol alkotott asszoci´aci´os szab´aly lift ´ert´ek´enek meghat´aroz´as´ahoz minden adat rendelkez´es¨unkre ´all, ´ıgy k¨onnyed´en megkaphatjuk az ´ert´ek´et.

A lift ´ert´ek el˝onye, hogy k¨onny˝u ´ertelmezni, m´eg a matematika ir´ant kev´esb´e fog´ekonyak is meg´ertik. ´Irjuk ´at a lift defin´ıci´oj´at a k¨ovetkez˝o alakra : lift(I→I⁰) =

f req(I∪I0) f req(I)

f req(I⁰) . Ez azI⁰ felt´eteles relat´ıv gyakoris´ag´anak ´es azI⁰relat´ıv gyakoris´ag´anak a h´anyadosa. Ha p´eld´aul v´as´arl´oi szok´asok elemz´es´en´el a s¨or → pelenka szab´aly lift ´ert´eke 2, akkor a s¨ort v´as´arl´ok k¨or´eben a pelenk´at v´as´arl´ok ar´anya dupla annyi, mint ´ugy ´altal´aban a pelenk´at v´as´arl´ok ar´anya.

5.3.2. Empirikus kovariancia, empirikus korrel´ aci´ o

A lift ´ert´ek bevezet´es´en´el haszn´alt logika alapj´an mondhatn´ank, hogy k´et esem´eny akkor f¨uggetlen, ha a p(X, Y) ´es a p(X)p(Y) szorzat k¨ul¨onbs´ege 0. Min´el jobban elt´er a k¨ul¨onbs´eg null´at´ol, ann´al nagyobb az ¨osszef¨ugg´esX ´es Y k¨oz¨ott. Legyen teh´at a f¨uggetlens´egi mutat´onk

cov(I→I⁰) =f req(I∪I⁰)−f req(I)·f req(I⁰).

Relat´ıv gyakoris´agv´altoz´as helyett abszol´ut gyakoris´agv´altoz´ast haszn´alunk. De mi k¨oze min-dennek a c´ımben eml´ıtett empirikus kovarianci´ahoz ? Egy´altal´an, mi az az empirikus kovarian-cia ? ! ?

”Ausztr´al kutat´ok ´all´ıt´asa szerint a sok stressz elh´ız´ashoz vezet.”

Forr´as : http://www.hirtv.hu/

eletmod/?article_hid=165457 Az X ´es Y val´osz´ın˝us´egi v´altoz´ok kovarianci´aja

cov(X, Y) = E[(X−µ)(Y −ν)] = E[X·Y]−µ·ν, ahol µ

´es ν az X ´es Y v´arhat´o ´ert´ek´et jel¨oli. K¨onny˝u bel´atni, hogy a kovariancia nulla, amennyiben X ´es Y f¨uggetlenek.

Ha s˝ur˝us´egf¨uggv´enyeket nem ismerj¨uk, hanem csak megfi-gyel´esek (xi, yi)-k ´allnak rendelkez´es¨unkre, akkor empirikus kovarianci´ar´ol besz´el¨unk, amelynek defin´ıci´oja : _n¹ Pn

i=j(xj−

−x)(y¯ j−y), ahol ¯¯ x ´es ¯y a minta´atlagokat jel¨olik.

Az I ´es I⁰ val´osz´ın˝us´egi v´altoz´ok jel¨olhetik k´et term´ek megv´etel´et. Az asszoci´aci´os szab´alyokn´al bevezetett jel¨ol´eseket haszn´alva a minta´atlaga ekkor a gyakoris´aggal egyezik meg azij pedig 1, amennyiben aj-edik kos´ar tartalmazza az i term´eket. Ekkor

cov(I→I⁰) = 1

A kovariancia normaliz´al´as´ab´ol ad´odik a korrel´aci´o:corr(X, Y)=^cov(X,Y_σ ⁾

XσY . A korrel´aci´o ´ert´eke mindig -1 ´es 1 k¨oz´e esik. Sz´am´ıtsuk ki egy asszoci´aci´os szab´aly empirikus korrel´aci´oj´at. Mivel egynek ´es null´anak a n´egyzete egy ´es nulla, az´ert σ_X² =E[X²]−E²[X] =E[X]−E²[X]. Ebb˝ol

Val´oj´aban a lift mutat´o nem ragadja meg kell˝ok´eppen a k´et esem´eny (I ´es I⁰ el˝ofordul´asa) statisztikai f¨uggetlens´eg´et. Tudjuk, hogy azI,I⁰ esem´enyek f¨uggetlenek, hap(I)p(I⁰) =p(I, I⁰), amelyet ´at´ırhatunk 1 =p(I⁰|I)/p(I) alakra. A jobb oldal annyiban t´er el a f¨uggetlens´egi mu-tat´ot´ol, hogy abban a val´osz´ın˝us´egek hely´en relat´ıv gyakoris´agok szerepelnek. Puszt´an a re-lat´ıv gyakoris´agok h´anyadosa nem el´eg j´o m´ert´ek a f¨uggetlens´eg m´er´es´ere. N´ezz¨unk p´eld´aul a

k¨ovetkez˝o k´et esetet. Els˝o esetben n´egy tranzakci´o van, supp(I) = 2, c= 0.5, amib˝ol f = 1. A m´asodikban a tranzakci´ok sz´ama n´egyezer, supp(I) = 1992, c= 0.504, amib˝ol f = 1.012. Ha csak a f¨uggetlens´egi mutat´okat ismern´enk, akkor azt a t´eves k¨ovetkeztet´est vonhatn´ank le, hogy az els˝o esetben a k´et esem´eny f¨uggetlenebb, mint a m´asodik esetben. Holott ´erezz¨uk, hogy az els˝o esetben olyan kev´es a tranzakci´o, hogy abb´ol nem tudunk f¨uggetlens´egre vonatkoz´o k¨ovet-keztet´eseket levonni. Min´el t¨obb tranzakci´o alapj´an ´all´ıtjuk, hogy k´et elemhalmaz el˝ofordul´asa

¨osszef¨ugg´esben van, ann´al jobban kiz´arjuk ezen ´all´ıt´asunk v´eletlens´eg´enek (esetlegess´eg´enek) es´ely´et.

A f¨uggetlens´eg m´er´es´ere a statisztikusok ´altal alkalmazott eszk¨oz az ´un.χ² pr´obastatisztika.

Az A1, A2, . . . , Ar´es B1, B2, . . . , Bs k´et teljes esem´enyrendszer χ² pr´obastatisztik´aj´at az al´abbi bek¨ovetkez´es´enek sz´am´at jel¨oli. Min´el kisebb a pr´obastatisztika, ann´al ink´abb f¨uggetlenek az esem´enyek.

A mi eset¨unkben az egyik esem´enyrendszer az I elemhalmaz a m´asik az I⁰ elemhal-maz el˝ofordul´as´ahoz tartozik, ´es mindk´et esem´enyrendszernek k´et esem´enye van¹ (el˝ofordul az elemhalmaz az adott tranzakci´oban, vagy sem). A k¨ovetkez˝o t´abl´azat mutatja, hogy a χ² pr´obastatisztika kisz´am´ıt´as´ahoz sz¨uks´eges ´ert´ekek k¨oz¨ul melyek ´allnak rendelkez´es¨unkre t´amogatotts´ag form´aj´aban.

I nem I P

I⁰ supp(I∪I⁰) supp(I’) nem I⁰

P supp(I) |T |

A hi´anyz´o ´ert´ekeket a t´abl´azat ismert ´ert´ekei alapj´an k¨onnyen p´otolni, hiszen p´eld´aul k2,1 =

=supp(I)−supp(I∪I⁰).

A χ² pr´obastatisztika helyett haszn´alhatjuk mutat´osz´amnak a pr´oba p-´ert´ek´et. A p-´ert´ek megegyezik azzal a legnagyobb pr´obaszinttel, amely mellett a hipot´ezis¨unket (f¨uggetlens´eg) elfogadjuk.

A χ² pr´oba k¨ozel´ıt´esen alapul ez´ert akkor m˝uk¨odik j´ol, ha a kontingencia t´abl´azat elemei nagyok. K´etszer kettes t´abl´azat eset´eben az ¨ok¨olszab´aly az, hogy mind a n´egy elem nagyobb legyen 10-n´el.

Miel˝ott teljes el´egedetts´egben h´atrad˝oln´enk a karossz´ek¨unkben, mert tal´altunk egy tu-dom´anyosan megalapozott m´odszert, olvassuk el a k¨ovetkez˝oket.

5.7. ´all´ıt´as. K´etszer kettes kontingenciat´abl´ak eset´eben aχ² pr´obastatisztika ´ert´eke megegyezik az empirikus korrel´aci´o n´egyzet´enek n-szeres´evel, ahol n-nel a mint´ak sz´am´at jel¨olj¨uk.

1Amennyiben mindk´et esem´enyrendszer k´et esem´enyb˝ol ´all, akkor az eredeti k´epletet m´odos´ıtani szok´as a Yates-f´ele korrekci´os egy¨utthat´oval, azazχ²=P2

i=1

Bizony´ıt´as: ´Irjuk fel a χ² pr´obastatisztika ´ert´ek´et k´etszer kettes kontingenciat´abl´ak eset´ere :

Ha a χ²-pr´obastatisztika csak egy megbonyol´ıtott korrel´aci´o, amely pedig egy normaliz´alt kovariancia, a kovariancia pedig a lift ´ert´ek

”testv´ere”, akkor most mi´ert is mond t¨obbet a χ-pr´obastatisztika a lift ´ert´ekn´el ?

Egyr´eszr˝ol, az eredm´enyk´ent egy eloszl´asf¨uggv´enyt kapunk, nem csak egy sz´amot. Ez olyan, mint amikor megk´erdezz¨uk az ´utvonaltervez˝o programt´ol, hogy mennyi id˝obe fog telni, hogy eljussunk A pontb´ol B-be. Egy kezdetleges program egy konkr´et sz´amot adna eredm´eny¨ul. A val´os´agban azonban a helyes v´alasz egy eloszl´asf¨uggv´eny, amelynek meghat´arozhatjuk p´eld´aul a v´arhat´o ´ert´ek´et ´es a sz´or´as´at. A szor´as, amely a bizonytalans´agra utal, szint´en fontos param´eter.

M´asr´eszr˝ol, mert figyelemebe veszi az adatb´azis m´eret´et. Nem nek¨unk kell meghat´aroznunk egy j´o lift ´ert´eket, amely adatb´azisonk´ent m´as lesz, hanem csak a pr´oba szintj´et kell megadnunk

´es m´aris sz˝urhetj¨uk ki azokat a szab´alyokat, amelyek felt´etel- ´es k¨ovetkezm´enyr´esze k¨oz¨ott nincs szignifik´ans kapcsolat. Olyan, mintha a sz˝ur´esre haszn´alt k¨usz¨ob¨ot is automatikusan ´all´ıtan´ank el˝o.

5.3.4. Fisher-f´ ele egzakt pr´ oba

A χ-pr´oba ´es az ebb˝ol ad´od´o p-´ert´ek nem haszn´alhat´o, ha a 2×2-es kontingenciat´abl´azat valamely eleme kisebb, mint 10. Ilyen esetben a Fisher-f´ele tesztet haszn´alhatjuk.

Tegy¨uk fel, hogy a kontingenciat´abl´azat ´un. margin´alis ´ert´ekei (k1., k2., k.1, k.2) ´es ´ıgy a mint´ak sz´ama is adva vannak. Ez az asszoci´aci´os szab´alyokn´al azt jelenti, hogy a kosarak sz´ama, supp(I) =k1.´essupp(I⁰) =k.1 r¨ogz´ıtettek. A k´erd´es a k¨ovetkez˝o: Ha tudjuk, hogy ak1. darabI term´ek ´es a k.1 darab I⁰ term´ek egyenletes eloszl´as szerint v´eletlenszer˝uen van sz´etsz´orva az n

kos´arban, akkor mennyi az es´elye annak, hogy azI⁰-t tartalmaz´o kosarakb´olXdarabban leszI. Elvonatkoztatva a r´eszletekt˝ol ez ugyanaz a k´erd´es, mint amelyet a hipergeometrikus eloszl´as bemutat´asakor tett¨unk fel (l´asd a 2.5.1 r´esz). Ezek szerint

P(X, n, k1., k.1) =

k1.

X

_k2.

k.1−X

n k.1

.

Ez a val´osz´ın˝us´eg m´ar ¨onmag´aban egy j´o mutat´osz´am. Min´el nagyobb az ´ert´eke, ann´al f¨uggetlenebbek az I ´es az I⁰ term´ekek. Ha a χ² statisztik´ahoz hasonl´o p-´ert´eket szeretn´enk kapni, akkor ki kell sz´amolni az ¨osszes olyan X⁰-re a P(X⁰, n, k1., k.1) val´osz´ın˝us´eget, amely-re P(X⁰, n, k1., k.1) ≤P(X, n, k1., k.1). Ezeket az X⁰ ´ert´ekeket h´ıvjuk extr´emebb, azaz kisebb val´osz´ın˝us´eg˝u ´ert´ekeknek. A p-´ert´ek ezen extr´em ´ert´ekhez rendelt val´osz´ın˝us´egek ¨osszeg´enek egyt˝ol vett k¨ul¨onbs´ege. Form´alisan :

pFisher(I→I⁰) = 1− X

X⁰:P(X⁰,n,supp(I),supp(I⁰))≤P(supp(I∪I⁰),n,supp(I),supp(I⁰))

P(X⁰, n, supp(I), supp(I⁰))

A Fisher-pr´ob´at nem csak kis ´ert´ekekn´el haszn´alhatjuk, tulajdonk´eppen f¨uggetlens´eg eld¨ont´es´ere ez a m´odszer mindig a legjobb eredm´enyt adja. H´atr´anya, hogy nagy n, k_1., k_.1

´ert´ekekn´el neh´ez a val´osz´ın˝us´egeket kisz´am´ıtani. ´Igy jutunk el a χ² pr´ob´ahoz. Amennyiben k1.N, akkor a hipergeometrikus eloszl´ast k¨ozel´ıthetj¨uk az k1., k.1/n param´eter˝u binomi´alis eloszl´assal. A binomi´alis eloszl´ast pedig a norm´alis eloszl´assal k¨ozel´ıthetj¨uk. Standard norm´alis eloszl´as´u val´osz´ın˝us´egi v´altoz´ok n´egyzet´enek ¨osszege pedig olyan val´osz´ın˝us´egi v´altoz´ot ad, amelynek eloszl´asa a χ² eloszl´as. Ty˝u, a mindenit, de sz´ep ez az eg´esz !

A lift, χ-statisztika, vagy p-´ert´ek mellett m´eg sz´amos elterjedt mutat´osz´am l´etezik f¨ ugget-lens´eg m´er´es´ere. A teljess´eg ig´enye n´elk¨ul felsorolunk n´eh´anyat

n´ev jel¨ol´es k´eplet megjegyz´es

f req(I⁰)f req(I⁰) Az ´altal´anos k´eplet ´at´ır´as´ab´ol ad´odik, a fentiek mellett fel-haszn´alva, hogy I_j²=Ij.

es´elyh´anyados α ^{f req(I}_{f req(I,I}^∪I₀⁰₎^{)·f req(I,I0)}

·f req(I,I⁰) odds ratio, cross-product ratio Yule f´ele Q

conviction V f req(I)f req(I⁰) f req(I,(I⁰))

az I →I⁰ implik´aci´o logikai megfe-lel˝oje alapj´an defini´alj´ak.

5.3.5. Asszoci´ aci´ os szab´ alyok rangsora

Az asszoci´aci´os szab´alyok kinyer´es´enek feladat´aban adott bemeneti sorozat ´es k¨usz¨onsz´amok mellett c´elunk volt meghat´arozni az asszoci´aci´os szab´alyokat. Ennyi. Azt´an mindenki kezdjen a szab´alyokkal, amit akar.

A gyakorlatban ´altal´aban sok ´erv´enyes asszoci´aci´os szab´alyt tal´alunk, hasznos lenne ˝oket sorba rendezni. Ha a h´arom param´eterhez (t´amogatotts´ag/gyakoris´ag, bizonyoss´ag, f¨ ugget-lens´egi mutat´o) tudn´ank s´ulyt rendelni fontoss´aguk szerint, akkor az alapj´an sorrendet tudn´ank fel´all´ıtani. A marketinges a t´amogatotts´agot r´eszes´ıten´e el˝onyben a statisztikus a f¨uggetlens´egi mutat´ot. Elv´egre kit ´erdekel a k´et term´ekhalmaz t´amogatotts´aga, ha a k´et term´ekhalmaz f¨ ugget-len egym´ast´ol.

F¨uggetlens´eg kifejez´es´ere t¨obb mutat´osz´amot adtunk meg : lift ´ert´ek, empirikus kovarian-cia, empirikus korrel´aci´o,χ²-statisztika, p-´ert´ek. R´aad´asulχ²-statisztika helyett haszn´alhatunk hipergeometrikus (vagy binomi´alis) eloszl´as alapj´an defini´alt p-´ert´eket is. Matematikusokban azonban felmer¨ul a k´erd´es, hogy ugyanazt a sorrendet adj´ak-e az egyes f¨uggetlens´egi mutat´ok.

A χ²-statisztika ´es az ebb˝ol sz´armaztatott p-´ert´ek ugyanazt a sorrendet fogja adni, hiszen a p-´ert´ek aχ²-statisztika szigor´uan monoton f¨uggv´enye. Aχ²-statisztika ´es az empirikus korrel´aci´o k¨oz¨ott teremt szigoruan monoton kapcsolatot az 5.7 ´all´ıt´as.

Az empirikus korrel´aci´o ´es az empirikus kovariancia adhat k¨ul¨onb¨oz˝o sorrendet. A korrel´aci´o a kovariancia norm´alt v´altozata. Ha k´et asszoci´aci´os szab´aly k¨oz¨ul az els˝onek nagyobb a ko-varianci´aja, att´ol m´eg lehet kisebb a korrel´aci´oja, amennyiben az els˝o szab´alyhoz tartoz´o k´et

binomi´alis val´osz´ın˝us´egi v´altoz´o sz´or´as´as´anak szorzata, mint a m´asodik szab´alyhoz tartoz´o k´et v´altoz´o sz´or´as´anak szorzata.

A lift ´ert´ek ´es az empirikus kovariancia k¨oz¨ott nincs monoton kapcsolat, azaz a k´et mutat´o alapj´an k¨ul¨onb¨oz˝o sorrendet kaphatunk. Ehhez csak azt kell meggondolnunk, hogy a, b, c, d nulla ´es egy k¨oz¨otti sz´amokra sem igaz, hogy

a b < c

d 6⇒a−b < c−d.

Weka 3.5.7 Asszoci´aci´os szab´alyokat a weka.associations.-Apriori oszt´aly seg´ıts´eg´evel nyerhet¨unk ki. Az oszt´aly nem a klasszikus asszoci´aci´os szab´aly kinyer´es´enek feladat´at oldja meg – adott min supp, min conf, min lif t mellett hat´arozzuk meg az ´erv´enyes asszoci´aci´os szab´alyokat – hanem csak a legjobb numRules darab szab´alyt adja meg, ahol numRules a felhaszn´al´o ´altal megadott param´eter. Ehhez a min supp ´ert´eket egy kiindul´asi ´ert´ekr˝ol (upperBoundMinSupport pa-ram´eter) mindig delta ´ert´ekkel cs¨okkenti ´es ellen˝orzi, hogy van-e leg-al´abb numRules darab ´erv´enyes szab´aly. Ha van, akkor kiirja a legjobb numRulesszab´alyt, ha nincs, akkor tov´abb cs¨okkentimin supp-ot. A mi-nim´alis t´amogatotts´agi k¨usz¨ob¨ot nem cs¨okkenti annyira, hogy az kisebb legyen a lowerBoundMinSupportparam´etern´el.

A metricType param´eterrel adhatja meg a felhaszn´al´o, hogy mi alapj´an rangsorolja az asszoci´aci´os szab´alyokat a weka. Az empirikus kovarianci´at a Leveragejel¨oli. Javasoljuk, hogy a Convictionmutat´ot sose haszn´aljuk; ez tulajdonk´eppen csak egy elbalt´azott f¨uggetlens´egi mu-tat´o.

Lehet˝os´eg¨unk van egy oszt´alyattrib´utumot kijel¨olni a car param´eter igazra ´all´ıt´as´aval ´es a classIndex megad´as´aval. Ekkor csak olyan szab´alyokat fog a weka el˝o´all´ıtani, amelyek k¨ovetkezm´enyr´esz´eben csak az oszt´alyattrib´utum szerepel.

5.4. ´ Altal´ anoss´ ag, specialit´ as

A lift mutat´o gyeng´eje, hogy ha tal´alunk egy ´erdekes szab´alyt, akkor

”az m¨og´e elb´ujva” sok

´erdektelen szab´aly ´atmegy a sz˝ur´esen, azaz ´erdekesnek bizonyul. Szeml´eltet´esk´eppen n´ezz¨unk egy p´eld´at. Legyen az I1 →I2 ´erv´enyes ´es ´erdekes asszoci´aci´os szab´aly, tov´abb´a I3 egy olyan gyakori term´ekhalmaz, amely f¨uggetlenI1 ´esI2-t´ol (supp(I1∪I3) =supp(I1)·supp(I3), supp(I2∪

∪I3) = supp(I2)·supp(I3)) ´es t´amogatotts´aga olyan nagy, hogy m´eg a supp(I1∪I2∪I3) ≥

≥min supp egyenl˝otlens´eg is fenn´all. K¨onny˝u bel´atni, hogy ekkor az I1I3→I2 is ´erv´enyes ´es

´erdekes asszoci´aci´os szab´alyok, hiszen

Ezek alapj´an, egy adatb´azisb´ol kinyert ´erdekes asszoci´aci´os szab´alyok k¨oz¨ott a t¨obbs´eg ha-szontalan, amennyiben sok a nagy t´amogatotts´ag´u, m´as term´ekekt˝ol f¨uggetlen term´ek. Ha a val´os´agban n darab ´erdekes szab´alyunk van, de az adatb´azis tartalmaz c darab a fenti tulaj-dons´aggal rendelkez˝o gyakori elemet, akkor az ´erdekess´egi mutat´o alap´u sz˝ur´esen n2^c szab´aly fog ´atcs´uszni a fenti m´odon.

A fenti probl´em´at kik¨usz¨ob¨olhetj¨uk, ha a felt´etelr´esz minden elem´et megn´ezz¨uk f¨uggetlen-e a felt´etelr´esz t¨obbi elem´enek uni´oj´at´ol. Ha f¨uggetlen, akkor dobjuk ki az elemet, csak feleslege-sen bonyol´ıtja ´elet¨unket. S˝ot, az eg´esz szab´alyt kidobhatjuk. Az eredm´enyk´ent kapott szab´aly ugyanis ott kell legyen az ´erv´enyes szab´alyok k¨oz¨ott, hiszen a f¨uggetlen elem t¨orl´ese eset´en a f¨uggetlens´egi mutat´o ´es a bizonyoss´ag nem v´altozik a t´amogatotts´ag pedig n˝o.

In document Magyar nyelv˝ u irodalom (Pldal 102-109)