专栏⑰·第7篇：概率论实战——贝叶斯 × 诊断故障推理 / 数据有效性判断
原始 Flomo：https://v.flomoapp.com/mine/?memo_id=MjUwNzczOTg1
专栏⑰·第7篇：概率论实战——贝叶斯 × 诊断故障推理 / 数据有效性判断
📎 第5篇：极限与导数实战 → https://v.flomoapp.com/mine/?memo_id=MjUwNzczOTgz
数学三问其一提到概率论在嵌入式里”用得不多”——但那是就日常开发而言。 在诊断（UDS/DTC）和传感器数据处理里，概率论恰恰是核心工具。这篇把贝叶斯公式和假设检验跟汽车电子诊断拉直。
一、DTC 判定——“这个故障是真的吗”本质是假设检验
一个传感器信号异常，报 DTC 前要”确认”——AUTOSAR DEM 里的防抖（debounce）机制就是假设检验的工程化：
-
原假设 H₀：传感器正常（只是偶发噪声）
-
备择假设 H₁：传感器真坏了
-
检验统计量：连续 N 次采样中异常次数
-
判定规则：异常次数 ≥ 阈值 → 拒绝 H₀，报 DTC
跟假设检验的对应：
-
第一类错误（弃真）：传感器正常但报了 DTC——车没病进修理厂（α，误报率）
-
第二类错误（取伪）：传感器坏了但没报 DTC——真故障被放过（β，漏报率）
为什么 DEM 防抖要”连续 N 次”而不是”一次就报”——因为单次异常可能是噪声（H₀ 成立），连续 N 次异常的联合概率极低（若 H₀ 真，连续 5 次异常的概率 = p^5，p 是单次误报率）——这就是”降低 α”的工程做法。
二、贝叶斯公式——“DTC 报了，真的坏了吗”
课本定义： P(H|E) = P(E|H)·P(H) / P(E)。已知证据 E（DTC 报了），反推假设 H（传感器真坏）的概率。
工程场景： 假设：
-
传感器坏的概率 P(H) = 0.1%（先验——平时几乎不坏）
-
传感器坏时报 DTC 的概率 P(E|H) = 99%（真坏了基本会报）
-
传感器好时误报的概率 P(E|¬H) = 1%（噪声触发）
代入贝叶斯： P(H|E) = 0.99 × 0.001 / (0.99 × 0.001 + 0.01 × 0.999) ≈ 9%。
反直觉结论： DTC 报了，传感器真坏的概率只有 9%——因为先验太低（平时几乎不坏），误报率虽小但基数大。这就是为什么”报了 DTC 不能直接下结论”——要用证据累积（多次确认、关联其他信号）来提高后验。
工程含义： 诊断逻辑里”交叉验证”（DTC 报警 + 关联信号异常 + 上电自检失败）本质就是”累积证据、提升后验”——每一条证据都在更新 P(H|E)。
三、数据有效性——“这个采样值可信吗”是置信区间问题
课本定义： 95% 置信区间 = “重复抽样 100 次，约 95 次的区间包含真值”。
工程场景： 一个温度传感器连续采 10 个值：25.1, 25.3, 25.0, 24.8, 25.2, 25.1, 25.0, 25.2, 25.1, 25.2。平均值 25.1，但 离散度 多大？标准差 σ≈0.14。如果采到：25.1, 27.8, 24.2, 25.3, 23.9, 26.4, 25.0, 24.7, 25.2, 25.1——标准差 σ≈1.1——这个信号可疑。
工程判断： 数据有效性检查（plausibility check）本质是看”当前值是否落在期望分布的置信区间内”。超区间 → 标记无效、用上一有效值、或进故障处理（DEM）。
四、泊松分布——“单位时间内的随机事件数”
工程场景： CAN 错误帧计数。单位时间（比如 1 秒）内错误帧的数量服从泊松分布 P(λ)——λ 是平均错误率。如果观察到错误帧数突然从 λ=0.1 飙到 λ=5——这不是正常波动（泊松分布的尾巴衰减很快）——链路质量恶化，应该报警。
一条总结： 概率论在汽车电子诊断里的应用是一套完整的”证据链”——DTC 防抖是假设检验（降误报）、DTC 交叉验证是贝叶斯更新（提后验）、数据有效性是置信区间判断、错误帧统计是泊松分布—— 考研概率论不是纸面功夫，诊断栈的每一层都在用。
📎 第6篇：线性代数实战 → https://v.flomoapp.com/mine/?memo_id=MjUwNzczOTg0
📎 专栏②诊断栈导航 → https://v.flomoapp.com/mine/?memo_id=MjQzNjA4NzIy
📎 导航分卷：概率论 1000 问 → https://v.flomoapp.com/mine/?memo_id=MjQ3MzMwNjE5
📎 专栏⑰导航 → https://v.flomoapp.com/mine/?memo_id=MjQ2Mzc0OTc2
专栏⑰进度：7/10篇