数据分析师-数据分析师基础-概率论_概率论在工程学中的应用.docx

PAGE1

PAGE1

概率论基础

1随机事件与概率

在工程学中，随机事件的分析是概率论应用的起点。随机事件是指在一定条件下可能发生也可能不发生的事件，其结果具有不确定性。例如，在通信工程中，信号的接收可能受到噪声的干扰，这种干扰就是一种随机事件。在机械工程中，零件的寿命也可能因为材料的微小差异而具有随机性。

概率是衡量随机事件发生可能性的数值，其取值范围在0到1之间。如果一个事件的概率为0，表示该事件不可能发生；如果概率为1，表示该事件必然发生。在工程学中，我们经常使用概率来评估系统或设备的可靠性，例如，一个通信系统的误码率（即错误接收信息的概率）。

2随机变量与分布

随机变量是概率论中的一个核心概念，它将随机事件的结果映射到实数上。在工程学中，随机变量可以用来描述各种不确定性的量，如信号强度、设备寿命、网络延迟等。

随机变量的分布描述了随机变量取值的概率。例如，正态分布（也称为高斯分布）在工程学中非常常见，它描述了大量独立随机事件的和的分布。在信号处理中，噪声通常假设为正态分布，这使得我们可以使用正态分布的性质来设计滤波器，以减少噪声的影响。

2.1示例：正态分布的生成与分析

importnumpyasnp

importmatplotlib.pyplotasplt

#生成正态分布的随机变量

mu,sigma=0,0.1#均值和标准差

s=np.random.normal(mu,sigma,1000)

#绘制直方图

count,bins,ignored=plt.hist(s,30,density=True)

#绘制正态分布曲线

plt.plot(bins,1/(sigma*np.sqrt(2*np.pi))*

np.exp(-(bins-mu)**2/(2*sigma**2)),

linewidth=2,color=r)

plt.show()

在这个例子中，我们使用numpy库生成了一个均值为0，标准差为0.1的正态分布随机变量，并使用matplotlib库绘制了其直方图和理论分布曲线。通过比较直方图和理论分布曲线，我们可以直观地理解正态分布的性质。

3期望与方差

期望和方差是描述随机变量的两个重要统计量。期望是随机变量所有可能取值的加权平均，权重是每个取值的概率。方差则描述了随机变量取值的离散程度，它是随机变量取值与期望值之差的平方的期望。

在工程学中，期望和方差经常被用来评估系统的性能。例如，在通信工程中，信号的平均强度（期望）和强度的波动（方差）都是评估系统性能的重要指标。

3.1示例：计算随机变量的期望和方差

importnumpyasnp

#定义随机变量

X=np.random.normal(0,1,1000)

#计算期望

E_X=np.mean(X)

#计算方差

Var_X=np.var(X)

print(期望：,E_X)

print(方差：,Var_X)

在这个例子中，我们定义了一个均值为0，标准差为1的正态分布随机变量，并使用numpy库的mean和var函数计算了其期望和方差。

4大数定律与中心极限定理

大数定律和中心极限定理是概率论中的两个重要定理，它们在工程学中有着广泛的应用。

大数定律指出，当独立随机事件的次数足够大时，事件的平均结果将接近其期望值。在工程学中，大数定律经常被用来评估系统的长期性能。例如，在电力系统中，我们可以通过大数定律来预测系统的平均负载。

中心极限定理则指出，当独立随机事件的次数足够大时，这些事件的和将接近正态分布。在工程学中，中心极限定理经常被用来设计系统，以确保其性能在各种随机事件的影响下仍然稳定。例如，在通信工程中，我们可以假设噪声是多个独立随机事件的和，因此噪声的分布将接近正态分布。

4.1示例：验证大数定律和中心极限定理

importnumpyasnp

importmatplotlib.pyplotasplt

#定义随机变量

X=np.random.uniform(0,1,10000)

#计算前n个随机变量的平均值

E_X=np.cumsum(X)/np.arange(1,len(X)+1)

#绘制平均值的变化趋势

plt.plot(E_X)

plt.axhline(np.mean(X),color=r)

plt.show()

#定义独立随机变量的和

Y=np.cumsum(np.random.uniform(0,1,10000))

#绘制直方图

plt.hist(Y,bins=100,densit