Encore une partie

Principes fondamentaux de l'analyse de données bayésienne en R

Rasmus Bååth

Data Scientist

Modèle bayésien rbinom 2

n_samples <- 100000
n_ads_shown <- 100
proportion_clicks <- 0.1
n_visitors <- rbinom(n_samples, size = n_ads_shown, 
                     prob = proportion_clicks)

runif — Échantillons uniformes aléatoires

proportion_clicks <- runif(n = 6, min = 0.0, max = 1.0)

proportion_clicks

0.05  0.58  0.21  0.61  0.69  0.39

runif — Échantillons uniformes aléatoires

proportion_clicks <- runif(n = 6, min = 0.0, max = 1.0)
n_clicks <- rbinom(n = 6, size = 100, proportion_clicks)

proportion_clicks

0.05  0.58  0.21  0.61  0.69  0.39

runif — Échantillons uniformes aléatoires

proportion_clicks <- runif(n = 6, min = 0.0, max = 1.0)
n_clicks <- rbinom(n = 6, size = 100, proportion_clicks)

proportion_clicks

0.05  0.58  0.21  0.61  0.69  0.39

n_clicks

7     59    13    63    67    29

Passons à la pratique !

Principes fondamentaux de l'analyse de données bayésienne en R