Simulando a dependência de X em p

Na sua busca por um cargo público, sua campanha entrevista 10 prováveis eleitores. Seja $X$ o número que apoia você. Claro, $X$ varia de amostra para amostra e depende de $p$, seu apoio subjacente na população em geral. Como $X$ é uma contagem de sucessos em 10 tentativas independentes, cada uma com probabilidade de sucesso $p$, você pode modelar sua dependência de $p$ pela distribuição Binomial: Bin(10, $p$).

Você vai simular o modelo Binomial usando amostras aleatórias da função rbinom(n, size, prob). Essa função é vetorizada: ela sorteia n amostras de uma distribuição Bin(size, prob). Dado um vetor de valores prob, o primeiro valor de prob será usado para o primeiro sorteio, o segundo valor será usado para o segundo sorteio e assim por diante.

Este exercicio faz parte do curso

Modelagem Bayesiana com RJAGS

Ver curso

Instruções do exercicio

Defina uma seq() com 1000 valores possíveis de $p$, variando de 0 a 1. Armazene como p_grid.
Use rbinom() para simular um resultado de pesquisa $X$ para cada um dos 1000 valores de $pempgrid. Atribua apollresult`.
O data frame likelihood_sim combina p_grid e poll_result. Use ggplot() com uma camada geom_density_ridges() para ilustrar a distribuição dos valores de p_grid (eixo x) a partir dos quais cada poll_result foi simulado (eixo y).

exercicio interativo prático

Tente este exercicio completando este código de exemplo.

# 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()

Editar e Executar Código