Simulace závislosti X na p

Ve své kandidatuře do veřejné funkce nechává tvůj volební tým provést průzkum mezi 10 pravděpodobnými voliči. Označme \(X\) počet těch, kteří tě podporují. Hodnota \(X\) se přirozeně liší vzorek od vzorku a závisí na \(p\) — tvé skutečné podpoře v širší populaci. Protože \(X\) je počet úspěchů v 10 nezávislých pokusech, každý s pravděpodobností úspěchu \(p\), můžeš závislost \(X\) na \(p\) modelovat binomickým rozdělením: Bin(10, \(p\)).

Binomický model budeš simulovat pomocí náhodných vzorků z funkce rbinom(n, size, prob). Tato vektorizovaná funkce generuje n vzorků z rozdělení Bin(size, prob). Pokud zadáš vektor hodnot prob, první hodnota prob se použije pro první tah, druhá pro druhý atd.

Toto cvičení je součástí kurzu

Bayesovské modelování s RJAGS

Zobrazit kurz

Pokyny k cvičení

Definuj pomocí seq() 1000 možných hodnot \(p\) v rozsahu od 0 do 1. Ulož je jako p_grid.
Pomocí rbinom() simuluj jeden výsledek průzkumu \(X\) pro každou z 1000 hodnot \(p\) v p_grid. Výsledky ulož do poll_result.
Datový rámec likelihood_sim kombinuje p_grid a poll_result. Pomocí ggplot() a vrstvy geom_density_ridges() znázorni rozdělení hodnot p_grid (osa x), ze kterých byl každý výsledek poll_result simulován (osa y).

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Define a vector of 1000 p values    
p_grid <- seq(from = ___, to = ___, length.out = ___)

# Simulate 1 poll result for each p in p_grid   


# Create likelihood_sim data frame
likelihood_sim <- data.frame(p_grid, poll_result)    

# Density plots of p_grid grouped by poll_result
ggplot(likelihood_sim, aes(x = ___, y = ___, group = poll_result)) + 
    geom_density_ridges()

Upravit a spustit kód