Мы умеем считать!

Основы байесовского анализа данных в R

Rasmus Bååth

Data Scientist

Симуляция vs вычисление

  • Симуляция с помощью «r»-функций, например rbinom и rpois
  • Симуляция 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
  • Вычисление с помощью «d»-функций, например dbinom и dpois
  • Вычисление P(n_visitors = 13 | prob_success = 10%)
dbinom(13, size = 100, prob = 0.1)

0.074
Основы байесовского анализа данных в R
  • Вычисление P(n_visitors = 13 или n_visitors = 14 | prob_success = 10%)
dbinom(13, size = 100, prob = 0.1) + dbinom(14, size = 100, prob = 0.1)

0.126
  • Вычисление 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 ...
Основы байесовского анализа данных в R

Построение вычисленного распределения

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

Основы байесовского анализа данных в R

Непрерывные распределения

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

Основы байесовского анализа данных в R

Непрерывные распределения

  • Равномерное распределение
    • d-версия функции runif — это dunif:
dunif(x = 0.12, min = 0.0, max = 0.2)

5
  • Плотность вероятности: своего рода относительная вероятность
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
Основы байесовского анализа данных в R

Давайте потренируемся!

Основы байесовского анализа данных в R

Preparing Video For Download...