Hesaplayabiliriz!

R ile Bayesyen Veri Analizinin Temelleri

Rasmus Bååth

Data Scientist

Simülasyon vs hesaplama

  • 'r' fonksiyonlarıyla simülasyon, örn. rbinom ve rpois
  • P(n_visitors = 13 | prob_success = 10%) simülasyonu
n_visitors <- rbinom(n = 100000, size = 100, prob = 0.1)
sum(n_visitors == 13) / length(n_visitors)

0.074
  • 'd' fonksiyonlarıyla hesaplama, örn. dbinom ve dpois
  • P(n_visitors = 13 | prob_success = 10%) hesaplama
dbinom(13, size = 100, prob = 0.1)

0.074
R ile Bayesyen Veri Analizinin Temelleri
  • P(n_visitors = 13 veya n_visitors = 14 | prob_success = 10%) hesaplama
dbinom(13, size = 100, prob = 0.1) + dbinom(14, size = 100, prob = 0.1)

0.126
  • P(n_visitors | prop_success = 10%) hesaplama
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 ...
R ile Bayesyen Veri Analizinin Temelleri

Hesaplanan bir dağılımı çizmek

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

R ile Bayesyen Veri Analizinin Temelleri

Sürekli dağılımlar

  • Uniform dağılım
x <- runif(n = 100000, min = 0.0, max = 0.2)
hist(x)

R ile Bayesyen Veri Analizinin Temelleri

Sürekli dağılımlar

  • Uniform dağılım
    • runif'in d-versiyonu dunif'tir:
dunif(x = 0.12, min = 0.0, max = 0.2)

5
  • Olasılık yoğunluğu: Göreli bir olasılık türü
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
R ile Bayesyen Veri Analizinin Temelleri

Bunu dene!

R ile Bayesyen Veri Analizinin Temelleri

Preparing Video For Download...