Schlussfolgerungen zum Aufkommen nach Wochentag
Die RJAGS-Simulation mit 10.000 Iterationen, rail_sim_1, befindet sich zusammen mit einem Data Frame der Markov-Chain-Ausgabe in deinem Workspace:
> head(rail_chains_1, 2)
a b.1. b.2. s
1 420.6966 0 -54.30783 118.2328
2 399.5823 0 -52.02570 119.9499
Diese Chains liefern 10.000 eindeutige Wertekombinationen für a, das typische Streckenaufkommen an Wochenenden, und b.2., den Kontrast zwischen typischem Wochentags- und Wochenendaufkommen. Zum Beispiel zeigt der erste Parametersatz, dass es an Wochenenden typischerweise 420.6966 Fahrgäste gibt und an Wochentagen 54.30783 weniger. Damit gibt es an Wochentagen typischerweise 420.6966 - 54.30783 = 366.3888 Fahrgäste. Du nutzt diese Simulationsdaten, um Schlussfolgerungen über das Wochentagsaufkommen auf der Strecke zu ziehen.
Diese Übung ist Teil des Kurses
<Kurs>Bayesianisches Modellieren mit RJAGS</Kurs>Übungsanweisungen
- Kombiniere die Chain-Werte von
aundb.2.zu einer Chain mit 10.000 Werten für das typische Streckenaufkommen an Wochentagen. Speichere diese alsweekday_meaninrail_chains_1. - Verwende
ggplot(), um ein Dichte-Diagramm derweekday_mean-Chain-Werte zu erstellen. - Erstelle ein 95-%-glaubwürdiges Intervall für das typische Wochentagsaufkommen.
Interaktive praktische Übung
Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.
# Construct a chain of values for the typical weekday volume
rail_chains_1 <- rail_chains_1 %>%
mutate(weekday_mean = ___)
# Construct a density plot of the weekday chain
ggplot(___, aes(x = ___)) +
geom_density()
# 95% credible interval for typical weekday volume