Możemy obliczać!

Podstawy bayesowskiej analizy danych w R

Rasmus Bååth

Data Scientist

Symulacja a obliczanie

  • Symulacja z funkcjami 'r', np. rbinom i rpois
  • Symulowanie 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
  • Obliczanie z funkcjami 'd', np. dbinom i dpois
  • Obliczanie P(n_visitors = 13 | prob_success = 10%)
dbinom(13, size = 100, prob = 0.1)

0.074
Podstawy bayesowskiej analizy danych w R
  • Obliczanie P(n_visitors = 13 lub n_visitors = 14 | prob_success = 10%)
dbinom(13, size = 100, prob = 0.1) + dbinom(14, size = 100, prob = 0.1)

0.126
  • Obliczanie 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 ...
Podstawy bayesowskiej analizy danych w R

Wizualizacja obliczonego rozkładu

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

Podstawy bayesowskiej analizy danych w R

Rozkłady ciągłe

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

Podstawy bayesowskiej analizy danych w R

Rozkłady ciągłe

  • Rozkład jednostajny
    • Wersja 'd' funkcji runif to dunif:
dunif(x = 0.12, min = 0.0, max = 0.2)

5
  • Gęstość prawdopodobieństwa: rodzaj prawdopodobieństwa względnego
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
Podstawy bayesowskiej analizy danych w R

Wypróbuj to!

Podstawy bayesowskiej analizy danych w R

Preparing Video For Download...