Частное учреждение высшего образования

«Институт государственного администрирования»

Психолого-педагогического факультета

РЕФЕРАТ

по дисциплине: «Основы теории вероятности и математической

статистики»
на тему: «Основы теории вероятности и математической статистики».

Автор: студент курса группы

направление подготовки
форма обучения
ФИО

Москва 2022
 Оглавление
Введение...................................................................................................................3

Глава 1. Основные понятия теории вероятностей...............................................4

Глава 2. Теоремы сложения и умножения вероятностей, их следствие............7

2.1 Теорема сложения вероятностей несовместных событий.............................7

2.2 Совместные события.........................................................................................8

2.3 Противоположные события..............................................................................9

2.4 Теорема умножения вероятностей.................................................................10

2.5 Независимые события.....................................................................................11

Глава 3. Статистическое распределение выборки.............................................13

3.1 Выборка............................................................................................................13

3.2 Статистическое распределение......................................................................13

Глава 4. Статистические оценки параметров.....................................................15

Глава 5. Статистические гипотезы......................................................................17

Заключение............................................................................................................18

Список литературы...............................................................................................19

2
 Введение

Теория вероятностей находит большое число самых разнообразных

применений в различных областях. Она получила применения в: теории
измерений, теории стрельбы и бомбометании, теории боеприпасов, теории
прицелов и приборов управления огнем, аэронавигации, тактике,
метеорологии и т. д. Но невозможно применить на практике то, о чем не
имеешь ни малейшего понятия. Необходимо знать основы теории
вероятностей и математической статистики.
Прежде всего необходимо изучить закономерности в случайных
явлениях, научиться выявлять закономерности при их массовом повторении,
уметь собирать, систематизировать, обрабатывать и использовать
систематические данные. Все это нужно для получения обоснованных
выводов и принятия решения.
В данной работе будут рассмотрены основные понятия и теоремы
теории вероятностей и математической статистики. Узнаете, что в теории
вероятностей означают опыт, событие, случайные величины, частота и
вероятность, как они могут влиять на исследование, какие теоремы можно
применять и как.

3
 Глава 1. Основные понятия теории вероятностей

Как и для построения любой теоретической науки, теории вероятности

требуется некий исходный пункт, которым являются некоторые
экспериментальные факты, на их основе формируются соответствующие
абстрактные понятия. Чтобы рассмотреть эти факты подробнее, следует
ввести некоторые термины:

1) Опыт – наблюдение какого-либо явления при выполнении

некоторого комплекса условий и действий, который должен
выполняться при повторении данного опыта. Результаты опыта можно
охарактеризовать качественно и количественно.
2) Событие – это зарегистрированный факт, то есть
определение того, обладают результаты опыта каким – либо свойством
или нет. События бывают невозможными (не может произойти в
результате данного опыта), достоверными (обязательно происходит в
результате данного опыта), несовместными (если в результате этого
опыта никакие два из них не могут появиться вместе, но два события,
несовместные в одном опыте, могут оказаться совместными в другом)
и равновозможными (если есть основания считать, что ни одно из них
не является более возможным, чем другое).
3) Случайные величины – величины, которые могут принимать
в результате опыта различные значения, причем их невозможно
предугадать до того, как опыт будет проведен.
4) Частота событий. Это отношение числа его появлений к
числу всех произведенных опытов. Таким образом, если при n опытах
событие А появилось m раз, то его частота в данной серии опытов
равна m/n.
Частота любого события представляет собой неотрицательное
число, что не превосходит 1. Частота невозможного события равна 0, а

4
 достоверного – 1. Частота появления одного из несовместных событий
равна сумме их частот. Частота совместного появления двух событий
равна частоте одного из них, умноженной на условную частоту
другого.
5) Вероятность события есть численная мера степени
объективной возможности этого события [2, с. 24]. Итак, вероятность
события А определяется формулой
m
P ( A )= ,
n
где m – число благоприятствующих событию А исходов;
n – число всех равновозможных несовместных элементарных
исходов.
При непосредственном вычислении вероятностей часто
используют формулы комбинаторики. Комбинаторика изучает
количество комбинаций, подчиненных определенным условиям,
которые можно составить из элементов заданного конечного
множества [3, с. 22].
Комбинации, состоящие из одних и тех же n различных
элементов и отличающиеся только порядком их расположения,
называют перестановками. Число всех возможных перестановок
Pn=n! ,

где n !=1∙ 2 ∙3 ∙ … ∙n .
Пример 1. Сколько четырехзначных чисел можно составить из
цифр 1, 3, 5, 7, если каждая цифра входит в изображение числа только
один раз?
Решение: Искомое число четырехзначных чисел
P4 =4 !=1 ∙ 2∙ 3 ∙ 4=24.

Комбинации, составленные из n различных элементов по m

элементов, которые отличаются либо составом элементов, либо их

5
 порядком, называют размещениями. Число всех возможных
размещений
m
An =n ( n−1 )( n−2 ) … ( n−m+1 ) .
Пример 2. Сколько сигналов можно составить из 8 флажков
различного цвета, взятых по три?
Решение: Искомое число сигналов
А38 =8 ∙7 ∙ 6=336.
Комбинации, составленные из n различных элементов по m
элементов, которые отличаются хотя бы одним элементом, называются
сочетаниями. Число сочетаний
m n!
Cn = .
m! ∙ ( n−m ) !
Пример 3. Сколькими способами можно выбрать четыре детали
из ящика, содержащего 10 деталей?
Решение: Искомое число способов
4 10 !
С 10= =210 .
4!∙6!
Числа размещений, перестановок и сочетаний связаны
равенством
Amn =Pm C mn .

Рассмотренные экспериментальные характеристики случайных

величин лежат в основе соответствующих абстрактных понятий теории
вероятностей.

6
 Глава 2. Теоремы сложения и умножения вероятностей, их следствие

2.1 Теорема сложения вероятностей несовместных событий.

Суммой А+В двух событий А и В называют событие, состоящее в
появлении события А, или события В, или обоих этих событий.
В случае, если события А и В – несовместные, то А+В – событие,
состоящее в появлении одного из этих событий, безразлично какого. Но как
найти вероятность того, что наступит либо событие А, либо событие В?
Ответ на этот вопрос дает теорема сложения.
Теорема. Вероятность суммы двух несовместных событий равна 
сумме   вероятностей этих событий.
P ( A +B )=P ( A ) + P ( B ) .
Доказательство:
Введем обозначения. n – общее число возможных элементарных
исходов;
m1−число исходов , благоприятствующих событию А ;m 2−число исходов ,благоприятствующих собы
m1 m2
P ( A )= , P ( B )= .
n n
(m1 +m 2) m 1 m2
P ( A +B )= = + =P ( A ) + P ( B ) .
n n n
Следствие. Вероятность появления одного из нескольких попарно
несовместных событий равна сумме вероятностей этих событий:
P ( A 1 + A 2 +…+ A n )=P ( A1 ) + P ( A2 ) +…+ P ( A n ) .

Пример 1. Лучник стреляет по мишени, разделенной на три области.

Вероятность попадания в первую область равна 0,5, во вторую – 0,3. Найти
вероятность того, что стрелок при одном выстреле попадет либо в первую,
либо во вторую область.
Решение: Событие А – «стрелок попал в первую область», событие В –
«стрелок попал во вторую область» - несовместны.
Искомая вероятность
P ( A +B )=P ( A ) + P ( B ) =0,5+0,3=0,8.
7
 Теорема. Сумма вероятностей событий А1 , А 2 ,… , Аn ,образующих
полную группу, равна 1.
P ( A 1 ) + P ( A 2 ) +…+ P ( A n )=1.

Доказательство:
Поскольку появление одного из событий достоверно, а вероятность
достоверного события равна 1, то
P ( A 1 + A 2 +…+ A n )=1.

Любые два события полной группы несовместны, следовательно

можно применить теорему сложения

P ( A 1 + A 2 +…+ A n )=P ( A1 ) + P ( A2 ) +…+ P ( A n )=1.

2.2 Совместные события

Совместными называют два события, если появление одного из них не
исключает появления другого в одном и том же испытании.
Пусть события А и В совместны, их вероятности и вероятность их
совместного появления известны. Как же найти вероятность события А+В,
которая состоит в том, что появится одно из них? На этот вопрос дает ответ
теорема сложения вероятностей совместных событий.
Теорема. Вероятность появления одного из двух совместных событий
равна сумме вероятностей этих событий без вероятности их совместного
появления.
P ( A +B )=P ( A ) + P ( B ) −P ( AB ) .
Доказательство:
События А и В совместны, то есть событие А+В наступит, если одно из
трех несовместных событий A B , A B или AB наступит. По теореме сложения
вероятностей несовместных событий
P ( A +B )=P ( A B )+ P ( A B )+ P ( AB ) .
Событие А произойдет, если наступит одно из несовместных событий:
A Bили AB . По теореме сложения вероятностей
P ( A )=P ( A B )+ P ( AB )

8
 P ( A B ) =P ( A )−P( AB)
Аналогично для события В
P ( B )=P ( A B ) + P( AB)
P ( A B ) =P ( B )−P (AB)
Отсюда
P ( A +B )=P ( A )−P ( AB )+ P ( B )−P ( AB )+ P ( AB )=P ( A ) + P ( B ) −P ( AB ) .
Пример 2. Вероятность попадания в цель при стрельбе первого и
второго орудий соответственно равны 0,6 и 0,7. Найти вероятность
попадания при одном залпе хотя бы одним из орудий.
Решение: Событие А – попадание первого орудия, событие В –
попадание второго орудия. Эти события независимы друг от друга.
Следовательно, вероятность события АВ
P ( AB ) =P ( A ) P ( B )=0,6 ∙ 0,7=0,42.
Искомая вероятность
P ( A +B )=P ( A ) + P ( B ) −P ( AB )=0,6 +0,7−0,42=0,88.

2.3 Противоположные события

Противоположными называют два единственно возможных события,
образующих полную группу. Если одно из противоположных событий
обозначено через A , то другое через A .
Теорема. Сумма вероятностей противоположных событий равна 1.
P ( A ) + P ( A )=1.
Доказательство:
Противоположные события образуют полную группу, а сумма
вероятностей событий, образующих полную группу равна единице.
Пример 3. Вероятность того, что день будет дождливым равна 0,6.
Найти вероятность того, что день будет ясным.
Решение: События «день ясный» и «день дождливый» -
противоположные, следовательно искомая вероятность будет равна
P ( A )=1−P ( A )=1−0,6=0,4.

9
 2.4 Теорема умножения вероятностей
Произведением двух событий А и В называют событием АВ, состоящее
в совместном появлении этих событий. Но возникает вопрос. Каким образом
связаны события А и В друг с другом, как наступление одного из них влияет
на возможность наступления другого?

Для характеристики зависимости одних событий от других вводится

понятие условной вероятности.
Пусть А и В - два случайных события одного и того же испытания.
Тогда условной вероятностью события В или вероятностью события В при
P (AB )
условии, что наступило событие А, называется число P( A) .

Обозначив условную вероятность  P A ( B ) получим формулу

P( AB)
P A ( B )= ,( P ( A) ≠ 0) .
P (A )
Теперь возникает другой вопрос. А как же найти вероятность
совмещения событий А и В? Ответ на этот вопрос как раз и дает теорема
умножения.
Теорема. Вероятность совместного появления двух событий равна
произведению вероятности одного из них на условную вероятность другого,
вычисленную в предположении, что первое событие уже наступило.
P ( AB ) =P ( A ) P A ( B ) .

Доказательство:
По определению условной вероятности,
P( AB)
P A (B)=
P (A )
Откуда
P ( AB ) =P ( A ) P A ( B ) .

Следствие. Вероятность совместного появления нескольких событий

равна произведению вероятности одного из них на условные вероятности
всех остальных, при этом вероятность каждого последующего события

10
вычисляется в предположении, что все предыдущие события уже
появились.
P ( A 1 A 2 A3 … An ) =P ( A 1 ) P A 1 ( A 2 ) P A 1 A 2 ( A 3 ) … P A 1 A 2 … An−1 ( A n ) .

Пример 4. У сборщика имеется 4 конусных и 10 эллиптических

валиков. Сборщик взял один валик, а затем второй. Найти вероятность того,
что первый из взятых валиков – конусный, а второй эллиптический.
Решение: Событие А – первый валик оказался конусным. Вероятность
события А
4 2
P ( A )= =
14 7
Событие В – второй валик оказался эллиптическим. Условная
вероятность события
10
P A ( B )=
13
По теореме умножения, искомая вероятность
2 10 20
P ( AB ) =P ( A ) P A ( B )= ∙ = .
7 13 91

2.5 Независимые события

Событие В называют независимым от события А, если появление
события А не изменяет вероятности события В, то есть условная вероятность
равна его безусловной вероятности
P A ( B )=P( B).

Причем, если событие В не зависит от события А, то и событие А не

зависит от события В, следовательно, свойство независимости событий
взаимно.
Для независимых событий теорема умножения вероятностей
принимает вид
P ( AB ) =P ( A ) P ( B ) .
Следствие. Вероятность совместного появления нескольких событий
независимых в совокупности, равна произведению вероятностей этих
событий
11
 P ( A 1 A 2 … A n )=P ( A 1 ) P ( A 2 ) … P ( A n ) .

Пример 5. В первой урне находится 6 черных и 4 белых шара, во

второй- 5 черных и 7 белых шаров. Из каждой урны извлекают по одному
шару. Какова вероятность того, что оба шара окажутся белыми?
Решение: Событие А – белый шар извлекли из первой урны. Событие
В – из второй урны извлекли белый шар. Причем, события независимые.
Таким образом вероятности событий равны
4 2 7
P ( A )= = , P (B)= .
10 5 12
Искомая вероятность равна
2 7 7
P ( AB ) = ∙ = .
5 12 30

Глава 3. Статистическое распределение выборки

Чтобы лучше понять определение и необходимость статистического

распределения выборки, рассмотрим некоторые понятия, входящие в
математическую статистику.

3.1 Выборка.
Иной раз в ходе эксперимента или обследования возникает
необходимость изучить совокупность однородных объектов относительно

12
некоторого качественного или количественного признака, характеризующего
эти объекты. Для этого случайно отбирают из всей совокупности
ограниченное число объектов и подвергают их изучению.
Итак, выборочной совокупностью или выборкой называют
совокупность случайно отобранных объектов. А вот совокупность объектов,
из которых производится выборка, называют генеральной.
Выборку разделяют на повторную, при которой отобранный объект
возвращается в генеральную совокупность, и бесповторную, при которой
отобранный объект не возвращают в генеральную совокупность. Обычно на
практике пользуются бесповторным случайным отбором.
Для того чтобы по данным выборки судить об интересующем признаке
генеральной совокупности, необходимо, чтобы объекты выборки правильно
его представляли, то есть выборка должна быть репрезентативной.
В силу закона больших чисел можно утверждать, что выборка будет
репрезентативной, если ее осуществить случайно: каждый объект выборки
отобран случайно из совокупности, если все объекты имеют одинаковый
шанс попасть в выборку.

3.2 Статистическое распределение

Извлечем из генеральной совокупности выборку, причем
x 1 наблюдается n1 раз , x 2−n2 раз , x k −n k раз и ∑ ni =n−объем выборки . Наблюдаемые
значения x называют вариантами, а их последовательность, записанную в
порядке возрастания, - вариационным рядом. Частотами называют числа
наблюдений, а их отношения к объему выборки ni /n=W -- относительными
частотами.
Статистическое распределение выборки – это перечень вариантов и
соответствующих им частот и относительных частот. Его можно задать в
виде последовательности интервалов и соответствующих им частот (за нее
принимают сумму частот, попавших в интервал).
Пример. Задано распределение частот выборки объема n=20:

13
 x i 2 6 12
ni 3 107

Написать распределение относительных частот.

Решение:
Найдем относительные частоты
W 1=3/20=0,15 , W 2=10/20=0,5 , W 3 =7/20=0,35

Распределение относительных частот

x i 2 6 12
W i 0,15 0,5 0,35

Контроль: 0,15+0,5+0,35=1.

Глава 4. Статистические оценки параметров

Пусть требуется изучить количественный признак генеральной

совокупности. Предположим, что из теоретических соображений удалось
установить, какое именно распределение имеет признак. И соответственно
возникает задача оценки параметров, которыми определяется это
распределение.
Обычно у исследователя имеются лишь данные выборки, например
значения количественного признака, полученные в результате наблюдений.
Через эти данные и выражают оцениваемый параметр. Рассматривая
14
значения количественного признака как независимые случайные величины,
можно сказать, что найти статистическую оценку неизвестного параметра
распределения – значит найти функцию от наблюдаемых случайных величин,
которая и дает приближенное значение оцениваемого параметра. Например,
для оценки математического ожидания нормального распределения служит
функция
X =( X 1+ X 2 +…+ X n)/n

Для того, чтобы статистические оценки давали «хорошие»

приближения оцениваемых параметров, они должны удовлетворять
определенным требованиям.
Если использовать статистическую оценку, математическое ожидание
которой не равно оцениваемому параметру, то это приведет к
систематическим ошибкам (неслучайные ошибки, искажающие результаты
измерений в одну определенную сторону). По этой причине требовать, чтобы
математическое ожидание оценки было равно оцениваемому параметру,
вполне естественно. Конечно, соблюдение этого требования не устранит
ошибки, однако ошибки разных знаков будут встречаться одинаково часто.
Несмещенной называют статистическую оценку, математическое
ожидание которой равно оцениваемому параметру при любом объеме
выборки.
Смещенной называют оценку, математическое ожидание которой, не
равно оцениваемому параметру.
Однако несмещенная оценка не всегда дает хорошее приближение
оцениваемого параметра. По этой причине к статистической оценке
предъявляется требование эффективности.
Эффективной называют статистическую оценку, которая имеет
наименьшую возможную дисперсию.
При рассмотрении выборки большого объема к статистическим
оценкам предъявляется требование состоятельности.

15
 Состоятельной называют статистическую оценку, которая при n → ∞
стремится по вероятности к оцениваемому параметру.

Глава 5. Статистические гипотезы

Зачастую исследователям необходимо знать закон распределения

генеральной совокупности. Бывает, что закон распределения неизвестен, но
имеются предположения, что он имеет определенный вид. Таким образом, в
этой гипотезе речь идет о виде предполагаемого распределения.
Возможен случай, когда закон распределения известен, а его
параметры нет. Если есть основания предположить, что неизвестный
параметр равен определенному значению. Таким образом, в этой гипотезе
речь идет о предполагаемой величине параметра одного известного
распределения.

16
 Гипотезу о виде неизвестного распределения или о параметрах
известных распределений называют статистической.
Обычно наряду с выдвинутой гипотезой рассматривают и
противоречащую ей гипотезу. Если выдвинутая гипотеза будет отвергнута,
то имеет место противоречащая гипотеза. По этой причине эти гипотезы
целесообразно различать.
Нулевой (основной) называют выдвинутую гипотезу Н 0 .
Конкурирующей (альтернативной) называют гипотезу Н 1, которая
противоречит нулевой.
Различают гипотезы, которые содержат только одно и более одного
предположений. Гипотеза, содержащая одно предположение, называется
простой. А гипотезу, состоящую из конечного или бесконечного числа
простых гипотез, называют сложной.
Выдвинутая гипотеза может быть правильной или неправильной,
следовательно возникает необходимость ее проверки. Поскольку проверку
производят статистическими методами, ее называют статистической. В
итоге могут быть допущены ошибки двух родов: ошибка первого рода, она
состоит в том, что будет отвергнута правильная гипотеза; ошибка второго
рода, которая состоит в том, что будет принята неправильная гипотеза.

Заключение

В своей практической деятельности мы часто встречаемся с явлениями,

исход которых невозможно предсказать, результат которых зависит от
случая. В результате возникает ряд вопросов, ответ на которые нам может
дать только теория вероятностей и математической статистики.
Но ответы на эти вопросы довольно легко получить, поскольку теперь
изучили закономерности в случайных явлениях, научились их выявлять при
массовом повторении, умеем собирать, систематизировать, обрабатывать и
использовать систематические данные, знаем основные понятия,

17
определения и свойства математических объектов, формулировки
утверждений, методы их доказательства.

Список литературы

1. Балдин, К. В. Основы теории вероятностей и математической

статистики: учебник / К. В. Балдин, В. Н. Башлыков, А. В. Рукосуев; – 5-е
изд., стер. – Москва: ФЛИНТА, 2021. – 489 с.
2. Вентцель, Е. С. Теория вероятностей: учебник / Е. С. Вентцель. -
4-е изд., испр. - М.: Наука, 1964. - 576 с.: ил. - Б. ц.
3. Гмурман, В. Е. Теория вероятностей и математическая
статистика: учебник / В. Е. Гмурман. - 12-е изд. - М.: Юрайт, 2014. 

18
 4. Гусева, Е. Н. Теория вероятностей и математическая статистика:
учебное пособие: / Е. Н. Гусева. – 7-е изд., стер. – Москва: ФЛИНТА,
2021. – 220 с. 
5. Гутова, С. Г. Теория вероятностей и математическая статистика:
учебное пособие: / С. Г. Гутова, О. А. Алтемерова;– Кемерово:
Кемеровский государственный университет, 2016. – 216 с.
6. Карасев, А. И. Теория вероятностей и математическая
статистика: учебник для вузов / А. И. Карасев. - 4-е изд., стер. - М.:
Статистика, 1979. - 279 с.: ил. - Б. ц.
7. Климов, Г. П. Теория вероятностей и математическая
статистика / Г. П. Климов. - М.: Изд-во МГУ, 1983. - 328 с.: ил. - Б. ц.
8. Новосельцева, М. А. Теория вероятностей и математическая
статистика: учебное пособие / М. А. Новосельцева; Кемерово:
Кемеровский государственный университет, 2014. – 104 с.: ил.
9. Пугачев В.С. Теория вероятностей и математическая статистика:
учебник / В. С. Пугачев – М.: Наука, 1979. – 496 с.
10. Теория вероятностей и математическая статистика: учебное
пособие / Е. Г. Рудаковская [и др.]. - М.: РХТУ им. Д.И. Менделеева, 2012.
- 135 с.: ил.

19