Probabilités et statistiques Travaux pratiques avec Matlab
Matlab correspondantest stocké dansunfichier dont lenom se terminepar m Pour mean, il s’agit de mean m Pour ajouter de nouvelles fonctions à Matlab, il nous suffit d’écrire de nouveaux fichiers de ce type Vous aurez compris qu’un fichier m necontientqu’uneseulefonction,quialemêmenomquelefichier,au suffixe m près
Vecteursgaussiens
On déduit de ces intervalles de con ance les tests de taille fi de „ = „0 conte „ 6= „0 et de ¾2 = ¾2 0 contre¾2 < ¾2 0 Remarquonsquel'onobtientunerégiondecon ancedeniveaudecon ance1¡2fi pourl'estimation deµ = („;¾2) enconsidérantI n;¾ £Jn;¾ 6
Lois de probabilité à densité Loi normale
On contourne cette difficulté en associant à la variable X un intervalle de R et en définissant une densité de probabilité 1 2 Densité de probabilité et espérance mathématique Définition 1 : On appelle densité de probabilité d’une variable aléatoire continue X, toute fonction f continue et positive sur un intervalle I ([a;b
VECTEURS GAUSSIENS - Institut de Mathématiques de Bordeaux
2 Vecteurs aléatoires gaussiens 7 2 Vecteursaléatoiresgaussiens Définition 6 Un vecteur aléatoire de Rd est un vecteur aléatoire gaussien si et seulement si toute
Simulation de variables al´eatoires
Simulation de variables al´eatoires instrumentale est une marche al´eatoire gaussienne Partant de x t, Densité 0 0 0 2 0 4 0 6 0 8 1 0
Localisation et navigation de robots - UPJV
Densité de probabilité conjointe La pdf conjointe de deux variables aléatoires X et Y est donnée par Elle décrit la probabilité que la v a X prend la valeur et que Y prend la valeur Si les v a X et Y sont indépendantes, nous avons que: p(x,y) p(x,y)=p(x)p(y) Densité de probabilité conditionnelle
Localisation et navigation de robots - UPJV
Densité de probabilité conjointe La pdf conjointe de deux variables aléatoires X et Y est donnée par Elle décrit la probabilité que la v a X prend la valeur et que Y prend la valeur Si les v a X et Y sont indépendantes, nous avons: p(x,y) p(x,y)=p(x)p(y) Densité de probabilité conditionnelle
Cours MO102 - Utilisation de fonctions aléatoires
Dire que la variable aléatoire réelle X a une densité de probabilité signifie qu’il existe une de l’aléatoire en Matlab de taille N suivant une loi
[PDF] densité de probabilité loi normale PDF Cours,Exercices ,Examens
[PDF] densité de probabilité loi uniforme PDF Cours,Exercices ,Examens
[PDF] densité définition PDF Cours,Exercices ,Examens
[PDF] densité des matériaux PDF Cours,Exercices ,Examens
[PDF] densité des métaux PDF Cours,Exercices ,Examens
[PDF] densité du cyclohexane par rapport a l'eau PDF Cours,Exercices ,Examens
[PDF] densité du diiode PDF Cours,Exercices ,Examens
[PDF] densité eau kg/m3 PDF Cours,Exercices ,Examens
[PDF] densité et masse volumique seconde PDF Cours,Exercices ,Examens
[PDF] Densité et position 2nde Physique
[PDF] densité lithosphère océanique PDF Cours,Exercices ,Examens
[PDF] densité marginale x y PDF Cours,Exercices ,Examens
[PDF] DENSITE MASSE VOLUMIQUE 2nde Physique
[PDF] densité matérielle ses PDF Cours,Exercices ,Examens
Localisation et navigation
de robotsUPJV, Département EEA
M2 3EA, EC32, parcours RoVA
Fabio MORBIDI
Laboratoire MIS
Équipe Perception Robotique
E-mail: fabio.morbidi@u-picardie.fr Année Universitaire 2019-2020Mardi 9h00-12h30, salle CURI 305, CM & TD
Mercredi 14h00-17h00, salle TP204, TP
Localisation et navigation
de robotsUPJV, Département EEA
M2 3EA, EC32, parcours RoVA
Fabio MORBIDI
Laboratoire MIS
Équipe Perception Robotique
E-mail: fabio.morbidi@u-picardie.fr Année Universitaire 2019-2020Mardi 9h00-12h30, salle CURI 305, CM & TD
Mercredi 14h00-17h00, salle TP204, TP
3Plan du cours
Chapitre
1 : LocalisationChapitre
2 : Navigation 1.1 Introduction et défis2.1 Stratégies de navigation
2.2 Architectures de contrôle
2.3 Navigation vers un but 1.3 Localisation par filtre de Kalman
1.2 Odométrie
1.4 Autres techniques de localisation
2.4 Evitement d'obstacles
Plan du chapitre
Introduction et défis
•Odométrie •Localisation par filtre de Kalman •Autres techniques de localisation 4Partie 2 Partie 3
Partie 1
Partie 4
Partie 3 :
Localisation par filtre de Kalman
5 • Notions de base de théorie des probabilités • Généralités sur le filtre de Kalman • Classification des problèmes de localisation • Filtre de Kalman étendu (EKF)Notions de base de théorie des probabilités Soit une variable aléatoire (v.a.) et une valeur spécifique (ou réalisation)
qu'elle peut prendre. : probabilité que la variable aléatoire prenne la valeur X x X xExemples:
1.Le résultat d'un lancé de dé est caractérisé par (6 valeurs possibles):
6Pr(X=1)=Pr(X=2)=...= Pr(X=6)=1
6Pr(X=x)
2.Pièce de monnaie équilibrée lancée en l'air (2 valeurs possibles,
pile» ou "
face »):Pr(X="pile")=Pr(X= "face") =1
2 Dans un espace continu, les v.a. peuvent prendre un continuum de valeurs Dans ce cas, on introduit la notion de fonction de densité de probabilité (abréviation "pdf», probability density function). Une v.a. continue a une pdf si: 7 On peut obtenir la pdf d'une v.a. continue en calculant la dérivée de la fonction de répartition de la v.a. (abréviation " cdf», cumulative
distribution function), à savoir:Notions de base de théorie des probabilités
b a p(x)dx X p(x) p(x)=p X (x) P X p(x)=d dxP(x) 8 Notions de base de théorie des probabilités Exemple (loi exponentielle): • Support: • Paramètre: (intensité) p(x)=?λe -λx six≥00six<0P(x)=?1-e
-λx six≥00six<0
λ>0
[0,+∞)Densité de probabilité
Fonction de répartition
x x =0.5λ=1
λ=1.5
1.Nous avons que:
p(x)dx=1à savoir, l'aire sous une pdf est 1
p(x) x 9Propriétés d'une pdf:
Notions de base de théorie des probabilités 2.Les pdf sont des fonctions non négatives, c'est-à-dire:
p(x)≥0,?x?R • L'espérance de la v.a. : 10E[X]=μ??
xp(x)dx • La variance de la v.a. XXE[(X-μ)
2 ]=var[X]?? (x-μ) 2 p(x)dxNotions de base de théorie des probabilités Étant donnée un v.a. avec une pdf , on peut définir les deux
quantités suivantes: X p(x)Exemple:
Soit une v.a. qui suit la loi exponentielle. Alors, nous avons que: XE[X]=1
λ,Var[X]=1
2 (moment centré d'ordre 2) • L'espérance de la v.a. : 11Variables aléatoires multivariées
Cette pdf est une fonction scalaire d'une variable vectorielle et elle a la propriété: • La pdf d'une v.a. vectorielle
-dimensionnelle est une pdf conjointe deséléments:
p(x)dx=? p(x 1 ,x 2 ,...,x m )dx 1 dx 2···dx
m =1 p(x)=p(x 1 ,x 2 ,...,x m XE[X]=μ??
xp(x)dx=? ???E[X 1 E[X 2 E[X m X=[X 1 ,X 2 ,...,X m TNotions de base de théorie des probabilités
m m• La matrice est symétrique ( ) et semi-définie positive 12
• La matrice de covariance de la v.a. XRemarques:
• La matrice contient les variances de sur la diagonale principale et les covariances croisées de et sur les éléments hors diagonaleΣ?R
m×m X i X i T X j ,i?=jNotions de base de théorie des probabilités
Σ=E[(X-μ)(X-μ)
T ]=Var[X]?? (x-μ)(x-μ) T p(x)dxExemple
?E[(X 1 1 2 ]E[(X 1 1 )(X 2 2 )]E[(X 1 1 )(X 3 3 E[(X 2 2 )(X 1 1 )]E[(X 2 2 2 ]E[(X 3 3 )(X 1 1 E[(X 3 3 )(X 1 1 )]E[(X 3 3 )(X 2 2 )]E[(X 3 3 23×3
Notions de base de théorie des probabilités 1) La loi gaussienne (ou normale) est est l'une des lois de probabilité les plus
adaptées pour modéliser des phénomènes naturels issus de plusieurs événements aléatoires. Sa pdf dépend de deux paramètres, son espérance, un nombre réel noté , et son écart type, un nombre réel positif, noté : p(x)=12πexp?
-(x-μ) 2 2σ 2Lorsque une v.a. suit la loi gaussienne,
il est habituel d'utiliser la notation suivante: moyenne variance p(x) la loi gaussienne est appelée standard (ou centrée réduite) Si et ,μ=0
σ=1
Remarque: 13
XX≂N(μ, σ
2 xμ=E[X]
Si la v.a. est -dimensionnelle, la loi gaussienne multivariée est caractérisée par la pdf : où p(x)=1 (2π) m det(Σ)exp? -12(x-μ)
T -1 (x-μ)? : moyenne : matrice de covarianceCommande Matlab:
retourne une matrice qui contient des valeurs pseudo-aléatoires tirées d'une loi gaussienne standard p(x) randn(m,n)Gaussienne
bivariée x 1 x 2 14Notions de base de théorie des probabilités
μ?R
mΣ?R
m×mOn écrira alors:
X≂N(μ,Σ)
m×n X m2) Pdf uniforme
La densité de probabilité est une fonction
porte sur l'intervalle :Commande Matlab:
rand(m,n) [a, b] p(x)=? ?1 b-apourx?[a, b]0sinon
Si est une v.a. uniforme, on écrit
3) Delta de Dirac
1 b-aδ(x)dx=1
avec la contrainte: 0 15XX≂U(a, b)
δ(x)=?+∞,x=0
0,x?=0
x p(x) xNotions de base de théorie des probabilités
a b Pdf unimodale: un seul mode ou "un seul maximum» Exemples: loi gaussienne, de Laplace, de Cauchy, de Student, exponentielle, duPdf multimodale : "plusieurs maxima »
Exemple: mélange de gaussiennes,
Pdf unimodale Pdf bimodale
16αN(μ
1 21)+(1-α)N(μ 2 22
),α?[0,1] 2