Approcher la fonction de vraisemblance
Le premier sondage électoral est arrivé ! \(X\) = 6 électeurs sur 10 interrogés prévoient de voter pour vous. Vous pouvez utiliser ces données pour mieux comprendre votre soutien sous-jacent \(p\). Pour cela, vous utiliserez le data frame likelihood_sim (déjà dans votre espace de travail). Il contient les valeurs de \(X\) (poll_result) simulées à partir de 1 000 valeurs possibles de \(p\) comprises entre 0 et 1 (p_grid).
Cet exercice fait partie du cours
Modélisation bayésienne avec RJAGS
Instructions
Le ggplot() ci-dessous construit la distribution de \(p\) à partir de laquelle chaque issue possible de \(X\) a été générée. Modifiez ce code en fournissant une condition fill afin de mettre en évidence la distribution qui correspond à votre poll_result observé, \(X=6\). Cela vous aide à voir quelles valeurs de \(p\) sont les plus compatibles avec votre sondage observé !
Remarque : ne mettez pas cette condition entre parenthèses ().
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# Density plots of p_grid grouped by poll_result
ggplot(likelihood_sim, aes(x = p_grid, y = poll_result, group = poll_result, fill = ___)) +
geom_density_ridges()