В статье «Постоянно обновляемые шансы» упоминается история рыбака из Лонг-Айленда, который буквально обязан своей жизнью Байесовской статистике. Вот короткая версия:
Посреди ночи на лодке два рыбака. Пока один спит, другой падает в океан. Лодка продолжает троллить на автопилоте всю ночь, пока первый парень, наконец, не проснется и не оповестит береговую охрану. Береговая охрана использует программное обеспечение под названием SAROPS (Система оптимального планирования поиска и спасания), чтобы найти его как раз вовремя, так как он был гипотермичен и почти не имел сил оставаться на плаву.
Вот длинная версия: пятнышко в море
Я хотел узнать больше о том, как на самом деле применяется теорема Байеса. Я довольно много узнал о программном обеспечении SAROPS, просто погуглив.
Симулятор SAROPS
Компонент симулятора учитывает своевременные данные, такие как океанское течение, ветер и т. Д., И моделирует тысячи возможных путей дрейфа. Из этих дрейфовых дорожек создается карта распределения вероятностей.
Обратите внимание, что следующие рисунки не относятся к случаю пропавшего рыбака, о котором я упоминал выше, но являются игрушечным примером из этой презентации.
Карта вероятностей 1 (красный цвет обозначает наибольшую вероятность, синий - самую низкую)
Обратите внимание на круг, который является начальной точкой.
Карта вероятностей 2 - прошло больше времени
Обратите внимание, что карта вероятностей стала мультимодальной. Это связано с тем, что в этом примере учитывается несколько сценариев:
- Человек плавает в воде - топ-средний режим
- Человек находится на спасательном плоту (больше подвержен влиянию ветра с севера) - два нижних режима (разделены из-за "эффекта джибинга")
Карта вероятностей 3 - Поиск был проведен по прямоугольным путям, выделенным красным На этом изображении показаны оптимальные пути, созданные планировщиком (еще один компонент SAROPS). Как вы можете видеть, эти пути были найдены, и карта вероятности была обновлена симулятором.
Вы можете быть удивлены, почему области, которые искали, не были уменьшены до нулевой вероятности. Это связано с тем, что существует вероятность сбоя, , то есть вероятность, что искатель пропустит человека в воде. Понятно, что вероятность неудачи намного выше для одинокого человека на плаву, чем для человека на спасательном плоту (это легче увидеть), поэтому вероятности в верхней части не сильно снизились.
Последствия неудачного поиска
Вот где в игру вступает теорема Байеса. После проведения поиска карта вероятностей соответствующим образом обновляется, поэтому оптимальный поиск может быть спланирован.
После рассмотрения теоремы Байеса о википедии и в статье «Интуитивное (и краткое) объяснение теоремы Байеса на BetterExplained.com»
Я взял уравнение Байеса:
И определил A и X следующим образом ...
Событие A: человек находится в этой области (ячейка сетки)
Тест X: Неудачный поиск по этой области (ячейка сетки), т.е. искал эту область и ничего не видел
Уступая,
В Системе оптимального планирования поиска и спасения я обнаружил, что SAROPS вычисляет вероятность неудачного поиска, , с учетом путей поиска и имитированных путей дрейфа. Итак, для простоты предположим, что мы знаем, каково значение .P ( ошибка )
Итак, теперь у нас есть,
Правильно ли здесь применено уравнение Байеса?
Как рассчитать знаменатель, вероятность неудачного поиска?
Также в поисково-спасательной системе оптимального планирования , говорят они
Априорные вероятности «нормированы обычным байесовским способом» для получения апостериорных вероятностей
Что означает «нормализованный в нормальной байесовской манере» ?
Наконец, каков был бы правильный способ нормализации карты вероятности с сеткой после того, как вы обновили результаты неудачного поиска, учитывая, что, поскольку вы не искали ВСЕ области (ячейки сетки), у вас было бы несколько ячеек, равных и некоторые равны ?
Еще одно примечание по упрощению - согласно Системе оптимального планирования поиска и спасения апостериорное распределение фактически рассчитывается путем обновления вероятностей смоделированных путей дрейфа, а затем воссоздания сетки вероятностных карт. Чтобы сделать этот пример достаточно простым, я решил игнорировать пути симов и сосредоточиться на ячейках сетки.