El artículo Las probabilidades, continuamente actualizadas menciona la historia de un pescador de Long Island que literalmente debe su vida a las estadísticas bayesianas. Aquí está la versión corta:
Hay dos pescadores en un barco en medio de la noche. Mientras que uno es dormido, el otro cae en el océano. El barco sigue trolando en piloto automático durante toda la noche hasta que el primer tipo finalmente se despierta y notifica a la Guardia Costera. La Guardia Costera usa una pieza de un software llamado SAROPS (Planificación óptima de búsqueda y rescate Sistema) para encontrarlo justo a tiempo, ya que estaba hipotérmico y casi sin energía para mantenerse a flote.
Aquí está la versión larga: Una mancha en el mar
Quería saber más sobre cómo el Teorema de Bayes se aplica realmente aquí. Descubrí bastante sobre el software de SAROPS con sólo buscar en Google.
El simulador de SAROPS
El componente del simulador tiene en cuenta datos oportunos como las corrientes oceánicas, el viento, etc. y simula miles de posibles trayectorias de deriva. A partir de esas trayectorias de deriva, se crea un mapa de distribución de probabilidad.
_Tenga en cuenta que los siguientes gráficos no se refieren al caso del pescador desaparecido que mencioné anteriormente, sino que son un ejemplo de juguete tomado de esta presentación_
Mapa de probabilidad 1 (El rojo indica la probabilidad más alta; el azul la más baja)
Fíjate en el círculo que es el punto de partida.
Mapa de probabilidad 2 - Ha pasado más tiempo
Obsérvese que el mapa de probabilidad se ha convertido en multimodal. Esto se debe a que en este ejemplo, se tienen en cuenta múltiples escenarios:
- La persona está flotando en el agua - modo superior-medio
- La persona está en una balsa salvavidas (más afectada por el viento del Norte) - 2 modos de fondo (dividido debido a los "efectos del foque")
Mapa de probabilidad 3 - La búsqueda se ha realizado a lo largo de los caminos rectangulares en rojo Esta imagen muestra los caminos óptimos producidos por el planificador (otro componente de SAROPS). Como pueden ver, esos caminos fueron buscados y el mapa de probabilidad ha sido actualizado por el simulador.
Tal vez se pregunte por qué las áreas que se han buscado no se han reducido a una probabilidad cero. Eso es porque hay una probabilidad de fracaso, $p( \text {fail})$ y si se tiene en cuenta que hay una posibilidad nada despreciable de que el buscador pase por alto a la persona que está en el agua Es comprensible que la probabilidad de fracaso sea mucho mayor para una persona sola a flote que para una persona en una balsa salvavidas (más fácil de ver), por lo que las probabilidades en la zona superior no bajaron mucho.
Efectos de una búsqueda infructuosa
Aquí es donde el Teorema de Bayes entra en juego. Una vez que se realiza una búsqueda, el mapa de probabilidad se actualiza en consecuencia para que otra búsqueda pueda ser planificada de manera óptima.
Después de revisar el Teorema de Bayes en wikipedia y en el artículo Una intuitiva (y corta) explicación del teorema de Bayes en Mejor Explicado.com
Tomé la ecuación de Bayes:
$$ P( \text {A} \mid\text {X}) = \frac {P( \text {X} \mid\text {A}) \times P( \text {A})}{P( \text {X})} $$
Y definió a A y X de la siguiente manera...
-
Evento A: La persona está en esta área (célula de la cuadrícula)
-
Prueba X: Búsqueda infructuosa en esa área (celda de la cuadrícula), es decir, buscó en esa área y no vio nada.
Cediendo,
$$ P( \text {person there} \mid\text {unsuccessful}) = \frac {P( \text {unsuccessful} \mid\text {person there}) \times P( \text {person there})}{P( \text {unsuccessful})} $$
Encontré en Sistema de Planificación Óptima de Búsqueda y Rescate que SAROPS calcula la probabilidad de una búsqueda fallida, $P( \text {fail})$ teniendo en cuenta las rutas de búsqueda y las rutas de deriva simuladas. Así que para simplificar, asumamos que sabemos cuál es el valor de $P( \text {fail})$ es.
Así que ahora lo hemos hecho,
$$ P( \text {person there} \mid\text {unsuccessful}) = \frac {P( \text {fail}) \times P( \text {person there})}{P( \text {unsuccessful})} $$
-
¿Se aplica correctamente la ecuación de Bayes aquí?
-
¿Cómo se calcularía el denominador, la probabilidad de una búsqueda infructuosa?
También en Sistema de Planificación Óptima de Búsqueda y Rescate dicen
Las probabilidades previas son "normalizado en la forma habitual Bayesiana" para producir las probabilidades posteriores
-
¿Qué es lo que "normalizado en la forma normal Bayesiana" ¿maldito?
¿Significa que todas las probabilidades se dividen por $P( \text {unsuccessful})$ o simplemente normalizado para asegurar que todo el mapa de probabilidad suma uno? O, ¿son estos uno y lo mismo?
-
Por último, ¿cuál sería la forma correcta de normalizar el mapa de probabilidades de la cuadrícula después de haber actualizado para una búsqueda infructuosa, considerando que como no ha buscado en TODAS las áreas (celdas de la cuadrícula) tendría algunas celdas iguales a $P( \text {person there})$ y algunos iguales a $P( \text {person there} \mid\text {unsuccessful})$ ?
Otra nota de simplificación, según Sistema de Planificación Óptima de Búsqueda y Rescate la distribución posterior se calcula realmente actualizando las probabilidades de las trayectorias de deriva simuladas, y luego volviendo a generar el mapa de probabilidad cuadriculado. Para mantener este ejemplo lo suficientemente simple, elegí ignorar las trayectorias simuladas y centrarme en las celdas de la cuadrícula.