De waarschijnlijkheidsfunctie benaderen
De eerste peiling is binnen! \(X\) = 6 van de 10 ondervraagde kiezers zijn van plan om op jou te stemmen. Je kunt deze gegevens gebruiken om inzicht te krijgen in je onderliggende steun \(p\). Hiervoor gebruik je het gegevensframe likelihood_sim (in je werkruimte). Dit bevat de waarden van \(X\) (poll_result) die zijn gesimuleerd uit elk van 1.000 mogelijke waarden van \(p\) tussen 0 en 1 (p_grid).
Deze oefening maakt deel uit van de cursus
Bayesiaans modelleren met RJAGS
Oefeninstructies
De ggplot() hieronder construeert de verdeling van \(p\) waaruit elke mogelijke uitkomst van \(X\) is gegenereerd. Pas deze code aan door een fill-voorwaarde toe te voegen om de verdeling te markeren die overeenkomt met jouw geobserveerde poll_result, \(X=6\). Dit geeft inzicht in welke waarden van \(p\) het meest compatibel zijn met je geobserveerde peilingsgegevens!
Let op: zet deze voorwaarde niet tussen ronde haakjes ().
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
# 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()