Previsão a posteriori de Poisson

Sua variável l_weekday reflete a tendência no volume em dias úteis com 80 graus:

> 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

Agora que você entendeu a tendência, vamos fazer algumas previsões! Especificamente, vamos prever os volumes na trilha no próximo dia útil com 80 graus. Para isso, você precisa levar em conta a variabilidade individual em torno da tendência, modelada pela verossimilhança \(Y\)_i \(\sim Pois(l\)_i).

Usando rpois(n, lambda) para tamanho de amostra n e parâmetro de taxa lambda, você vai simular previsões de Poisson do volume para cada valor da tendência posterior plausível em poisson_chains.

Este exercicio faz parte do curso

Modelagem Bayesiana com RJAGS

Ver curso

Instruções do exercicio

A partir de cada um dos 10.000 valores de l_weekday em poisson_chains, use rpois() para prever o volume em um dia útil com 80 graus. Armazene-os como Y_weekday em poisson_chains.
Use ggplot() para construir um gráfico de densidade das suas previsões Y_weekday.
Aproximar a probabilidade a posteriori de que o volume em um dia útil com 80 graus seja menor que 400 usuários.

exercicio interativo prático

Tente este exercicio completando este código de exemplo.

# Simulate weekday predictions under each parameter set
poisson_chains <- poisson_chains %>% 
    mutate(Y_weekday = rpois(n = ___, lambda = ___))
    
# Construct a density plot of the posterior weekday predictions
ggplot(___, aes(x = ___)) + 
    geom_density()
    
# Posterior probability that weekday volume is less 400
mean(___)

Editar e Executar Código