Aproximando a função de verossimilhança
Saiu a primeira pesquisa eleitoral! \(X\) = 6 de 10 eleitores entrevistados planejam votar em você. Você pode usar esses dados para obter insights sobre seu apoio subjacente \(p\). Para isso, você vai usar o data frame likelihood_sim (no seu workspace). Ele contém os valores de \(X\) (poll_result) simulados a partir de cada um dos 1.000 valores possíveis de \(p\) entre 0 e 1 (p_grid).
Este exercicio faz parte do curso
Modelagem Bayesiana com RJAGS
Instruções do exercicio
O ggplot() aqui constrói a distribuição de \(p\) a partir da qual cada possível resultado de \(X\) foi gerado. Modifique este código, fornecendo uma condição de fill para destacar a distribuição que corresponde ao seu poll_result observado, \(X=6\). Isso ajuda a entender quais valores de \(p\) são os mais compatíveis com seus dados observados da pesquisa!
Observação: não envolva essa condição em parênteses ().
exercicio interativo prático
Tente este exercicio completando este código de exemplo.
# 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()