Nous pouvons calculer !

Fondamentaux de l'analyse bayésienne des données en R

Rasmus Bååth

Data Scientist

Simulation vs calcul

  • Simulation avec les fonctions en « r », par exemple rbinom et rpois
  • Simuler P(n_visitors = 13 | prob_success = 10%)
n_visitors <- rbinom(n = 100000, size = 100, prob = 0.1)
sum(n_visitors == 13) / length(n_visitors)

0.074
  • Calcul avec les fonctions en « d », par exemple dbinom et dpois
  • Calculer P(n_visitors = 13 | prob_success = 10%)
dbinom(13, size = 100, prob = 0.1)

0.074
Fondamentaux de l'analyse bayésienne des données en R
  • Calculer P(n_visitors = 13 ou n_visitors = 14 | prob_success = 10%)
dbinom(13, size = 100, prob = 0.1) + dbinom(14, size = 100, prob = 0.1)

0.126
  • Calculer P(n_visitors | prop_success = 10%)
n_visitors = seq(0, 100, by = 1)
probability <- dbinom(n_visitors, size = 100, prob = 0.1)

n_visitors

0 1 2 3 4 5 6 7 ...

probability

0.000 0.000 0.002 0.006 0.016 0.034 0.060 0.089 ...
Fondamentaux de l'analyse bayésienne des données en R

Tracer une distribution calculée

plot(n_visitors, probability, type = "h")

Fondamentaux de l'analyse bayésienne des données en R

Lois continues

  • La loi uniforme
x <- runif(n = 100000, min = 0.0, max = 0.2)
hist(x)

Fondamentaux de l'analyse bayésienne des données en R

Lois continues

  • La loi uniforme
    • La version « d » de runif est dunif :
dunif(x = 0.12, min = 0.0, max = 0.2)

5
  • Densité de probabilité : une probabilité relative
x = seq(0, 0.2, by=0.01)
dunif(x, min = 0.0, max = 0.2)

5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5
Fondamentaux de l'analyse bayésienne des données en R

Essayez !

Fondamentaux de l'analyse bayésienne des données en R

Preparing Video For Download...