1. Nauka
    2. /
  2. Kursy
    3. /
  3. Modelowanie bayesowskie z RJAGS
Connected

ćwiczenie

Zdefiniuj, skompiluj i zasymuluj

W swojej kampanii wyborczej niech \(p\) oznacza udział głosujących w populacji, którzy cię popierają. Na podstawie wcześniejszych sondaży i danych wyborczych twój model a priori parametru \(p\) to Beta(\(a\),\(b\)) z parametrami kształtu \(a = 45\) i \(b = 55\). Aby lepiej zrozumieć \(p\), przeprowadziłeś ankietę wśród \(n\) potencjalnych wyborców. Zależność \(X\) – liczby ankietowanych popierających cię – od \(p\) jest modelowana rozkładem Bin(\(n\),\(p\)).

W przeprowadzonej ankiecie \(X = 6\) spośród \(n = 10\) wyborców wyraziło swoje poparcie. Kolejnym krokiem jest aktualizacja modelu \(p\) w świetle zebranych danych! W tym celu skorzystasz z pakietu rjags, aby przybliżyć model a posteriori parametru \(p\). Ćwiczenie podzielone jest na 3 kroki odpowiadające etapom pracy z rjags: define, compile, simulate.

Instrukcje 1/3

undefined XP
    1
    2
    3

Zdefiniuj model bayesowski:

  • Określ, że model wiarygodności \(X\) to Bin(\(n\),\(p\)), a rozkład a priori \(p\) to Beta(\(a\),\(b\)). W składni rjags zapisuje się je odpowiednio jako dbin(p, n) i dbeta(a, b).
  • Zapisz ten łańcuch modelu jako vote_model.