Distribuição preditiva a posteriori

O data frame weight_chains (no seu workspace) contém suas 100.000 previsões a posteriori, Y_180, para o peso de um adulto com 180 cm de altura:

> head(weight_chains, 2)
          a        b        s iter    m_180    Y_180
1 -113.9029 1.072505 8.772007    1 79.14803 71.65811
2 -115.0644 1.077914 8.986393    2 78.96014 75.78893

Você usará essas 100.000 previsões para aproximar a distribuição preditiva a posteriori do peso de um adulto com 180 cm de altura. Os dados bdims estão no seu workspace.

Este exercicio faz parte do curso

Modelagem Bayesiana com RJAGS

Ver curso

Instruções do exercicio

Use os 10.000 valores de Y_180 para construir um intervalo de credibilidade a posteriori de 95% para o peso de um adulto com 180 cm de altura.
Construa um gráfico de densidade das suas 100.000 previsões plausíveis a posteriori.
Construa um diagrama de dispersão de wgt vs hgt nos dados bdims.
- Use geom_abline() para sobrepor a tendência de regressão a posteriori.
- Use geom_segment() para sobrepor uma linha vertical em hgt igual a 180 que represente os limites inferior e superior (y e yend) de ci_180.

exercicio interativo prático

Tente este exercicio completando este código de exemplo.

# Construct a posterior credible interval for the prediction
ci_180 <- quantile(___, probs = c(___, ___))
ci_180

# Construct a density plot of the posterior predictions
ggplot(___, aes(x = ___)) + 
    geom_density() + 
    geom_vline(xintercept = ci_180, color = "red")

# Visualize the credible interval on a scatterplot of the data
ggplot(___, aes(x = ___, y = ___)) + 
    geom_point() + 
    geom_abline(intercept = mean(___), slope = mean(___), color = "red") + 
    geom_segment(x = 180, xend = 180, y = ___, yend = ___, color = "red")

Editar e Executar Código