Oranlar, Sürekli Güncellenmiş makalesi , yaşamını tam anlamıyla Bayes İstatistiklerine borçlu olan bir Long Island balıkçısının hikayesinden bahsediyor. İşte kısa versiyon:
Gecenin ortasında bir teknede iki balıkçı var. Biri uyurken diğeri okyanusa düşer. Tekne, ilk adam uyanıp Sahil Güvenlik'i haberdar edene kadar gece boyunca otomatik pilot üzerinde ilerlemeye devam eder. Sahil Güvenlik , hipotermik olduğu ve ayakta kalması için hemen hemen enerjisiz olduğu için onu zamanında bulmak için SAROPS (Arama ve Kurtarma Optimal Planlama Sistemi) adlı bir yazılım kullanıyor .
İşte uzun versiyon: Denizde Bir Benek
Burada Bayes Teoreminin gerçekte nasıl uygulandığı hakkında daha fazla bilgi edinmek istedim. Sadece googling yaparak SAROPS yazılımı hakkında biraz öğrendim.
SAROPS simülatörü
Simülatör bileşeni, okyanus akımı, rüzgar vb. Gibi zamanında verileri dikkate alır ve binlerce olası sürüklenme yolunu simüle eder. Bu sürüklenme yollarından bir olasılık dağılım haritası oluşturulur.
Aşağıdaki grafiklerin yukarıda bahsettiğim eksik balıkçı örneğini ifade etmediğini, ancak bu sunumdan alınan oyuncak bir örnek olduğunu unutmayın.
Olasılık Haritası 1 (Kırmızı en yüksek olasılığı, mavi en düşük olasılığı gösterir)
Başlangıç konumu olan daireye dikkat edin.
Olasılık Haritası 2 - Daha fazla zaman geçti
Olasılık haritasının multimodal hale geldiğine dikkat edin. Çünkü bu örnekte, birden çok senaryo aşağıdakiler için açıklanmıştır:
- Kişi suda yüzüyor - üst-orta mod
- Kişi hayat salında (kuzeyden gelen rüzgârdan daha fazla etkilenir) - alt 2 mod ("jibing etkileri" nedeniyle bölünür)
Olasılık Haritası 3 - Arama kırmızı renkli dikdörtgen yollar boyunca yapılmıştır Bu resim planlayıcı (SAROPS'un başka bir bileşeni) tarafından üretilen en uygun yolları göstermektedir. Gördüğünüz gibi, bu yollar arandı ve olasılık haritası simülatör tarafından güncellendi.
Aranan alanların neden sıfır olasılığa indirgenmediğini merak ediyor olabilirsiniz. Bunun nedeni , çarpanlara ayrılmış bir olasılığı ( , yani araştırmacının sudaki kişiyi görmezden gelme olasılığı göz ardı edilemez. Anlaşılır şekilde, yalnız yaşayan bir kişi için başarısızlık olasılığı, bir yaşam salında (görülmesi daha kolay) bir kişiden çok daha yüksektir, bu yüzden üst alandaki olasılıklar çok fazla düşmemiştir.
Başarısız bir aramanın etkileri
Bayes Teoremi burada devreye giriyor. Bir arama yapıldıktan sonra, olasılık haritası buna göre güncellenir, böylece başka bir arama en uygun şekilde planlanabilir.
Teoremi Bayes inceledikten sonra wikipedia ve makalesinde Teorem Bir Sezgisel (ve Kısa) Bayes açıklaması üzerine BetterExplained.com
Bayes denklemini aldım:
Ve A ve X'i şu şekilde tanımlayın ...
Olay A: Kişi bu bölgede (ızgara hücresi)
Test X: Bu alanda (ızgara hücresi) başarısız arama yani bir alanda arama yaptı ve hiçbir şey görmedi
Akma,
Ben bulundu Arama ve Kurtarma Optimum Planlama Sistemi SAROPS başarısız bir arama, olasılığını hesaplayan dikkate arama yolları ve simüle sürüklenme yolları alarak,. Basitlik için değerinin ne olduğunu bildiğimizi varsayalım .
Şimdi var,
Burada Bayes denklemi doğru uygulanmış mı?
Başarısız bir arama olasılığı olan payda nasıl hesaplanır?
Ayrıca Arama ve Kurtarma Optimal Planlama Sisteminde ,
Posterior olasılıkları üretmek için önceki olasılıklar "olağan Bayes tarzında normalleştirilir"
"Normal Bayes tarzında normalleştirilmiş" ne anlama geliyor?
Bu, tüm olasılıkların bölündüğü veya tüm olasılık haritasının bire kadar eklenmesini sağlamak için normalleştirildiği anlamına mı geliyor ? Yoksa bunlar aynı mı?
Son olarak, başarısız bir arama için güncelledikten sonra ızgaralı olasılık haritasını normalleştirmenin doğru yolu ne olurdu, TÜM alanları (ızgara hücreleri) aramadığınız için ve bazıları eşit mi?
Yine bir başka sadeleştirme notu - Arama ve Kurtarma Optimal Planlama Sistemine göre , posterior dağılım aslında simüle edilen sürüklenme yollarının olasılıkları güncellenerek ve daha sonra ızgaralı olasılık haritasını yeniden oluşturarak hesaplanır. Bu örneği yeterince basit tutmak için, sim yollarını görmezden gelmeyi ve ızgara hücrelerine odaklanmayı seçtim.