文章“不断更新的可能性”提到了一个长岛渔民的故事,他的生活完全归功于贝叶斯统计局。这是简短的版本:
午夜时分,船上有两名渔民。当一个人睡着时,另一个掉入大海。整个晚上,船将继续自动驾驶,直到第一个家伙最终醒来并通知海岸警卫队。海岸警卫队使用一款名为SAROPS(搜索和救援最佳计划系统)的软件来及时找到他,因为他的体温过低并且几乎没有精力维持生存。
这是长版:海中的斑点
我想了解更多有关贝叶斯定理在此处实际应用的信息。我通过谷歌搜索发现了很多有关SAROPS软件的信息。
SAROPS模拟器
模拟器组件考虑了及时的数据,例如洋流,风等,并模拟了数千种可能的漂移路径。根据这些漂移路径,创建概率分布图。
请注意,以下图形并不涉及我上面提到的失踪渔夫的情况,而是本演示文稿中的一个玩具示例。
概率图1(红色表示最高概率;蓝色表示最低概率)
请注意是起始位置的圆圈。
概率图2-过去了更多的时间
请注意,概率图已变为多峰。这是因为在此示例中,考虑了多个方案:
- 人在水上漂浮-中上模式
- 该人处于救生筏中(受北方风的影响更大)-底部2种模式(由于“吉宾效应”而分裂)
概率图3-搜索沿红色的矩形路径进行。 此图显示了计划者(SAROPS的另一个组件)产生的最佳路径。如您所见,模拟器已搜索了这些路径,并且概率图已更新。
您可能想知道为什么搜索的区域没有减少到零概率。这是因为考虑到的可能性,搜索者有可能忽略水中的那个人,这是一个不可忽略的机会。可以理解的是,一个独居的人的失败概率要比救生筏上的一个人(容易看到)要高得多,这就是为什么顶部区域的概率没有下降太多的原因。
搜索失败的影响
这就是贝叶斯定理发挥作用的地方。进行搜索后,概率图将相应更新,因此可以最佳地计划另一个搜索。
在审查了维基百科上的贝叶斯定理并在BetterExplained.com上的文章贝叶斯定理的直观(简短)解释之后
我采用了贝叶斯方程:
并将A和X定义如下...
事件A:此人位于该区域(网格单元)
测试X:在该区域(网格单元)上搜索失败,即搜索了该区域并且没有看到任何内容
屈服
我在搜索和救援最佳规划系统中发现,SAROPS 通过考虑搜索路径和模拟漂移路径来计算搜索失败的概率。因此,为简单起见,假设我们知道是什么。
现在我们有了
贝叶斯方程是否在此处正确应用?
分母,即搜索失败的概率,将如何计算?
他们还说,在“ 搜救最佳计划系统”中
先验概率“以通常的贝叶斯方式归一化”以产生后验概率
什么是“标准化的正常贝叶斯时尚”是什么意思?
这是否意味着将所有概率除以,或只是简单地归一化以确保整个概率图加起来等于1?还是这些相同?
最后,考虑到由于尚未搜索所有区域(网格单元),所以您有一些等于和一些等于吗?
另一个简化说明-根据“ 搜索和救援最佳计划系统”,实际上是通过更新模拟漂移路径的概率,然后重新生成网格化概率图来计算后验分布。为了使此示例足够简单,我选择忽略sim路径,而专注于网格单元。