Predicción posterior de Poisson

Tu variable l_weekday refleja la tendencia del volumen en días laborables de 80 grados:

> head(poisson_chains, 2)
       a b.1.    b.2.      c l_weekend l_weekday
1 5.0198    0 -0.1222 0.0141   465.924   412.324
2 5.0186    0 -0.1218 0.0141   466.284   412.829

Ahora que ya entiendes la tendencia, ¡vamos a hacer predicciones! En concreto, vamos a predecir el volumen del sendero en el próximo día laborable de 80 grados. Para ello, debes tener en cuenta la variabilidad individual respecto a la tendencia, modelada por la verosimilitud \(Y\)_i \(\sim Pois(l\)_i).

Usando rpois(n, lambda) para el tamaño de muestra n y el parámetro de tasa lambda, simularás predicciones Poisson del volumen bajo cada valor de la tendencia posterior plausible en poisson_chains.

Este ejercicio forma parte del curso

Modelado bayesiano con RJAGS

Ver curso

Instrucciones del ejercicio

A partir de cada uno de los 10.000 valores de l_weekday en poisson_chains, usa rpois() para predecir el volumen en un día laborable de 80 grados. Guarda estos como Y_weekday en poisson_chains.
Usa ggplot() para construir un gráfico de densidad de tus predicciones Y_weekday.
Aproxima la probabilidad posterior de que el volumen en un día laborable de 80 grados sea menor que 400 usuarios.

ejercicio interactivo práctico

Prueba este ejercicio completando este código de ejemplo.

# Simulate weekday predictions under each parameter set
poisson_chains <- poisson_chains %>% 
    mutate(Y_weekday = rpois(n = ___, lambda = ___))
    
# Construct a density plot of the posterior weekday predictions
ggplot(___, aes(x = ___)) + 
    geom_density()
    
# Posterior probability that weekday volume is less 400
mean(___)

Editar y ejecutar código