Justement, l'idée c'est de ne pas voir les mesures comme des grandeurs soit correcte, soit incorrecte, mais comme des indices sur valeur de la chose mesurée. C'est ce qu'on fait quand on calcule une moyenne sur un capteur bruité. On sait que la plupart des valeurs mesurées sont que très approximatives, mais en supposant qu'elles ont autant de chance d'être "trop haute" que d’être "trop basse", en calculant la moyenne on retrouve la valeur avec une grande précision, même si le capteur ne l'a jamais mesuré.
Par exemple, si on a deux mesure distincte pour l’accélération, en connaissant les caractéristiques des capteurs, leur marge d'erreur, on peut en déduire une distribution possible de la chose mesurée. On se demande "quelle est la probabilité que l'accélération soit de "a" sachant que le premier capteur a mesuré "a1", ce qui représente une erreur de a1-a, qui a une probabilité p1 d'arriver, et idem pour a2, on trouve que la valeur "a" est correcte avec une probabilité p×ばつp2. Et on fait ça pour toutes les valeurs de a possible.
On peut aussi injecter d'autres informations là dedans, par exemple l'accélération juste avant, le coût énergétique.
En faisant plus de google, j'ai trouvé le "filtre de kalman", si j'ai bien compris c'est une restriction de mon problème dans le cas linéaire, et avec des probabilité d'erreur gaussienne. Je vais fouiller ça, j'ai pas encore pu faire le lien avec les chaines de markov cachées.
[^] # Re: statistiques sur tes erreurs, puis correlation intelligente des indicateurs
Posté par foobarbazz . En réponse au message Les mesures et la chose mesurée. Évalué à 2.
Salut,
Justement, l'idée c'est de ne pas voir les mesures comme des grandeurs soit correcte, soit incorrecte, mais comme des indices sur valeur de la chose mesurée. C'est ce qu'on fait quand on calcule une moyenne sur un capteur bruité. On sait que la plupart des valeurs mesurées sont que très approximatives, mais en supposant qu'elles ont autant de chance d'être "trop haute" que d’être "trop basse", en calculant la moyenne on retrouve la valeur avec une grande précision, même si le capteur ne l'a jamais mesuré.
Par exemple, si on a deux mesure distincte pour l’accélération, en connaissant les caractéristiques des capteurs, leur marge d'erreur, on peut en déduire une distribution possible de la chose mesurée. On se demande "quelle est la probabilité que l'accélération soit de "a" sachant que le premier capteur a mesuré "a1", ce qui représente une erreur de a1-a, qui a une probabilité p1 d'arriver, et idem pour a2, on trouve que la valeur "a" est correcte avec une probabilité p×ばつp2. Et on fait ça pour toutes les valeurs de a possible.
On peut aussi injecter d'autres informations là dedans, par exemple l'accélération juste avant, le coût énergétique.
En faisant plus de google, j'ai trouvé le "filtre de kalman", si j'ai bien compris c'est une restriction de mon problème dans le cas linéaire, et avec des probabilité d'erreur gaussienne. Je vais fouiller ça, j'ai pas encore pu faire le lien avec les chaines de markov cachées.