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

ćwiczenie

Predykcja a posteriori dla modelu Poissona

Zmienna l_weekday odzwierciedla trend natężenia ruchu w dni powszednie, gdy temperatura wynosi 80 stopni:

> 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

Skoro rozumiesz już trend, czas na predykcje! Konkretnie – przewidźmy natężenie ruchu na szlaku w następny dzień powszedni z temperaturą 80 stopni. Aby to zrobić, trzeba uwzględnić indywidualną zmienność wokół trendu, modelowaną przez rozkład prawdopodobieństwa \(Y\)i \(\sim Pois(l\)i).

Korzystając z funkcji rpois(n, lambda), gdzie n to liczebność próby, a lambda to parametr intensywności, zasymuluj predykcje Poissona dla natężenia ruchu – osobno dla każdej wartości trendu a posteriori zapisanej w poisson_chains.

Instrukcje

100 XP
  • Dla każdej z 10 000 wartości l_weekday w poisson_chains użyj funkcji rpois(), aby przewidzieć natężenie ruchu w dzień powszedni z temperaturą 80 stopni. Zapisz wyniki jako Y_weekday w poisson_chains.
  • Użyj ggplot(), aby stworzyć wykres gęstości dla predykcji Y_weekday.
  • Wyznacz przybliżone prawdopodobieństwo a posteriori, że natężenie ruchu w dzień powszedni z temperaturą 80 stopni wyniesie mniej niż 400 użytkowników.