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 y completa el código de muestra.

# 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