Changez tout et n'importe quoi

Fondamentaux de l'analyse bayésienne des données en R

Rasmus Bååth

Data Scientist

Prochaines raisons d'utiliser l'analyse bayésienne

1. Vous pouvez intégrer d'autres sources d'information que les données.
2. Vous pouvez comparer n'importe quels groupes ou jeux de données.
3. Vous pouvez utiliser le résultat d'une analyse bayésienne pour l'aide à la décision.
4. Vous pouvez changer le modèle statistique sous-jacent.

Remplacer complètement le modèle binomial

• Pourquoi ? Vous avez de nouvelles données…
• Une bannière publicitaire pour votre site.
• Vous ne payez pas au nombre de vues, vous payez à la journée.
• Un test a donné 19 clics en une journée
• Combien de visites quotidiennes prévoir, en moyenne, si nous payons pour cette bannière ?

Un modèle pour des décomptes par jour

• Découpez la journée en 1 440 minutes.
• Quelle part des minutes génère un clic sur la bannière ?

Un modèle pour des décomptes par jour

• Découpez la journée en 1 440 minutes.
• Quelle part des minutes génère un clic sur la bannière ?
• Découpez la journée en 86 400 secondes.
• Quelle part des secondes génère un clic sur la bannière ?

Un modèle pour des décomptes par jour

• Découpez la journée en 1 440 minutes.
• Quelle part des minutes génère un clic sur la bannière ?
• Découpez la journée en 86 400 secondes.
• Quelle part des secondes génère un clic sur la bannière ?
• Découpez la journée en 86 400 000 millisecondes.
• Quelle part des millisecondes génère un clic sur la bannière ?

Un modèle pour des décomptes par jour

• Découpez la journée en 1 440 minutes.
• Quelle part des minutes génère un clic sur la bannière ?
• Découpez la journée en 86 400 secondes.
• Quelle part des secondes génère un clic sur la bannière ?
• Découpez la journée en 86 400 000 millisecondes.
• Quelle part des millisecondes génère un clic sur la bannière ?
• Découpez la journée en une infinité de parties…
• ???

La loi de Poisson

• Un paramètre : le nombre moyen d'événements par unité de temps.
• rpois échantillonne selon la loi de Poisson.

La loi de Poisson

n_clicks <- rpois(n = 100000, lambda = 20)
hist(n_clicks)

Voyons cela dans les exercices !

Fondamentaux de l'analyse bayésienne des données en R