Tpicos em Engenharia: Robtica Probabilstica

Data: 23/01/2016
Aluno: Lucas Silva Lopes
Matrcula: 11/0129482

Trabalho 1

Exerccio 1

Questo 1) Quanto mais amostras so obtidas, mais o histograma normalizado se

aproxima da funo densidade de probabilidade.

Questo 2) Aumentar o tamanho de cada intervalo do histograma tem um efeito

semelhante ao de um filtro passa-baixas na PDF estimada. Quanto maior o tamanho de
cada intervalo do histograma, menos ruidosa a PDF estimada e mais ela se aproxima
da PDF real. Contudo, se o tamanho de cada intervalo for feito grande demais, mais a
PDF estimada se parece com uma distribuio uniforme (como se o filtro passa baixas
deixasse passar s o valor DC, ou o offset).

Questo 3) A obteno das amostras um processo aleatrio, ento pode-se considerar

que a mdia e a varincia amostrais so tambm variveis aleatrias. Seus valores
esperados so a mdia e varincia reais, por se tratarem de estimadores no-enviesados,
mas os valores obtidos vo variar em torno dos valores reais. Por isso a diferena entre
os valores obtidos para a mdia e a varincia amostral de cada simulao.

Exerccios 2

Questo 1) A Gaussiana padro N(0,1) obtida de uma gaussiana qualquer pela frmula
Z = (X-)/ onde X a varivel aleatria com distribuio gaussiana, a mdia da
gaussiana, o desvio padro da gaussiana. Z uma nova varivel aleatria de
distribuio gaussiana padro N(0,1), ou seja, de mdia zero e varincia unitria. Sendo
assim, para se obter uma gaussiana de mdia e varincia determinadas, a partir de uma
gaussiana padro, basta fazer X = Z +, onde Z uma v. a. de distribuio gaussiana
padro N(0,1). X uma nova v. a. com distribuio gaussiana de mdia e desvio
padro .

Questo 2) Digamos que a v. a. X tenha distribuio U(-1,1). A v. a. Y de distribuio

U(0,1) obtida de X por Y = X/2 + 1. A v. a. Z de distribuio U(-2,+4) obtida de X
por Z = 3X + 1. Sendo assim,

E(Y) = E(X/2 + 1) = E(X)/2 + 1

E(Z) = E(3X + 1) = 3E(X) + 1
Usando as propriedades Var(cX) = c2Var(X) e Var(X+c) = Var(X),

Var(X/2 +1) = Var(X/2) = (1/4)Var(X)

Var(3X + 1) = Var(3X) = 9Var(X)

Usando os valores obtidos nas simulaes para a mdia e a varincia amostrais da

varivel aleatria uniforme U(-1,1), ou seja, amostral = -0.0013942 e amostral = 0.33238,

E(Y) = 0.9993029
E(Z) = 0.9958174
Var(Y) = 0.083095
Var(Z) = 2.99142

Questo 3) V = W + X + Y + Z onde W ~ U(-1,1), X ~ U(-1,1), Y ~ U(-1,1) e Z ~ U(-

1,1) no uniforme, pelo Teorema do Limite Central. Se aumentssemos o ndice do
somatrio a distribuio se pareceria cada vez mais com uma normal.

E(V) = E(W+X+Y+Z) = E(W)+E(X)+E(Y)+E(Z) = 4E(X)

Usando a propriedade Var(X+Y) = Var(X) + Var(Y) + 2Cov(X,Y) e como h

independncia:

Var(V) = Var(W)+Var(X)+Var(Y)+Var(Z) = 4Var(X)

Se X ~ U(-1,1) ento

E(X) = (1/2)(-1+1) = 0
Var(X) = (1/12)(1-(-1))2 = (1/12)4 = 1/3

Assim

E(V) = 4E(X) = 0
Var(V)= 4Var(X) = 4/3

Exerccio 3

Questo 1) Foram utilizados os cdigos fornecidos com o roteiro, alterando-se apenas a

varincia e a mdia do rudo de odometria (rudo 1: N(0,0.22); rudo 2: N(0.004,0.012);
rudo 3: N(-0.001,0.52)). Foi anexado, para cada distribuio de rudo, uma figura
correspondente ao pior resultado aps terem sido feitas 3 simulaes. Verde a
trajetria estimada dada pela odometria. Vermelho a trajetria real. Aumentar a
varincia tem um efeito mais oscilatrio na trajetria estimada do rob, como pode ser
visto nas Figuras 1 e 3. As oscilaes nas Figuras 1 e 3 no so observadas com a
mesma intensidade na Figura 2, que tem uma varincia menor. Aumentar o valor
esperado tem um efeito mais no erro da direo da trajetria estimada do rob. Como
pode ser visto na Figura 2, que tem um valor esperado positivo, o rob erra a direo da
trajetria para a esquerda. J na Figura 3, que tem um valor esperado negativo, o rob
erra a direo da trajetria para a direita.

Questo 2)

y[k+1]=y[k]+R*uy[k]
y[1]=y[0]+R*uy[0]
y[2]=y[1]+R*uy[1] = y[0]+R*uy[0]+R*uy[1]
y[3]=y[2]+R*uy[2] = y[0]+R*uy[0]+R*uy[1]+R*uy[2]
.
.
.
y[k] = y[0] +R*uy[0]+R*uy[1]+...+R*uy[k-1]
= y[0]+(R*ux[0]+R*ux[1]+...+R*ux[k-1])+(R*w[0]+R*w[1]+...+R*w[k-1])
= y[0]+(histrico de entradas)+(histrico de rudos)
= y[0]+(histrico de entradas)+(rudo me y[k])

Questo 3)

Rudo---------------------> Rudo em y[k]

N(0,0.22) ----------------> N(0,k(0.22))
N(0.004,0.012) ---------> N(k(0.004),k(0.012))
N(-0.001,0.52) ----------> N(k(-0.001),k(0.52))

Questo 4) Quando k tende a infinito: as varincias de todos os rudos tendem a infinito;

a esperana do primeiro rudo permanece constante igual a zero; a esperana do
segundo rudo tende a ; a esperana do terceiro rudo tende a -.
Figura 1 - rudo 1: N(0,0.22). Pior trajetria estimada de 3 simulaes.
Figura 2 - rudo 2: N(0.004,0.012). Pior trajetria estimada de 3 simulaes.
Figura 3 - rudo 3: N(-0.001,0.52). Pior trajetria estimada de 3 simulaes.