Mulai sekarangMulai gratis

Mensimulasikan ketergantungan X pada p

Dalam upaya Anda untuk terpilih sebagai pejabat publik, tim kampanye Anda menjajaki 10 calon pemilih. Misalkan \(X\) adalah jumlah yang mendukung Anda. Tentu saja, \(X\) bervariasi dari sampel ke sampel dan bergantung pada \(p\), tingkat dukungan Anda di populasi yang lebih luas. Karena \(X\) adalah hitungan keberhasilan dalam 10 percobaan independen, masing-masing dengan peluang keberhasilan \(p\), Anda dapat memodelkan ketergantungannya pada \(p\) dengan distribusi Binomial: Bin(10, \(p\)).

Anda akan mensimulasikan model Binomial menggunakan sampel acak dari fungsi rbinom(n, size, prob). Fungsi yang bersifat tervektorisasi ini mengambil n sampel dari distribusi Bin(size, prob). Jika diberikan sebuah vektor prob, nilai prob pertama akan digunakan untuk pengambilan pertama, nilai kedua untuk pengambilan kedua, dan seterusnya.

Latihan ini merupakan bagian dari kursus

Pemodelan Bayesian dengan RJAGS

Lihat Kursus

Instruksi latihan

  • Definisikan seq() berisi 1000 kemungkinan nilai \(p\) yang berkisar dari 0 hingga 1. Simpan sebagai p_grid.
  • Gunakan rbinom() untuk mensimulasikan satu hasil jajak pendapat \(X\) untuk masing-masing dari 1000 \(p\) dalam p_grid. Simpan sebagai poll_result.
  • Data frame likelihood_sim menggabungkan p_grid dan poll_result. Gunakan ggplot() dengan lapisan geom_density_ridges() untuk menggambarkan sebaran nilai p_grid (sumbu x) yang menjadi asal simulasi tiap poll_result (sumbu y).

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

# 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()
Edit dan Jalankan Kode