Моделювання залежності X від p

Під час передвиборчої кампанії ви опитуєте 10 імовірних виборців. Нехай \(X\) — це кількість тих, хто підтримує вас. Звісно, \(X\) змінюється від вибірки до вибірки та залежить від \(p\) — рівня вашої підтримки у ширшій популяції. Оскільки \(X\) — це підрахунок успіхів у 10 незалежних випробуваннях із імовірністю успіху \(p\) кожного разу, його залежність від \(p\) можна змоделювати біноміальним розподілом: Bin(10, \(p\)).

Ви змоделюєте біноміальну модель, згенерувавши випадкові значення за допомогою функції rbinom(n, size, prob). Ця векторизована функція вибирає n значень із розподілу Bin(size, prob). Якщо передати вектор значень prob, перше значення prob буде використане для першої вибірки, друге — для другої тощо.

Ця вправа є частиною курсу

Баєсівське моделювання з RJAGS

Переглянути курс

Інструкції до вправи

Визначте seq() із 1000 можливих значень \(p\) у діапазоні від 0 до 1. Збережіть це як p_grid.
Використайте rbinom() щоб змоделювати по одному результату опитування \(X\) для кожного з 1000 значень \(p\) у p_grid. Присвойте їх змінній poll_result.
Датафрейм likelihood_sim поєднує p_grid і poll_result. Використайте ggplot() із шаром geom_density_ridges(), щоб показати розподіл значень p_grid (вісь x), з яких було змодельовано кожен poll_result (вісь y).

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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()

Редагувати та запускати код