Vi kan beräkna!

Grunderna i bayesiansk dataanalys i R

Rasmus Bååth

Data Scientist

Simulering vs beräkning

  • Simulering med 'r'-funktioner, till exempel rbinom och rpois
  • Simulerar 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
  • Beräkning med 'd'-funktioner, till exempel dbinom och dpois
  • Beräknar P(n_visitors = 13 | prob_success = 10%)
dbinom(13, size = 100, prob = 0.1)

0.074
Grunderna i bayesiansk dataanalys i R
  • Beräknar P(n_visitors = 13 eller n_visitors = 14 | prob_success = 10%)
dbinom(13, size = 100, prob = 0.1) + dbinom(14, size = 100, prob = 0.1)

0.126
  • Beräknar 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 ...
Grunderna i bayesiansk dataanalys i R

Rita upp en beräknad fördelning

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

Grunderna i bayesiansk dataanalys i R

Kontinuerliga fördelningar

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

Grunderna i bayesiansk dataanalys i R

Kontinuerliga fördelningar

  • Likformig fördelning
    • d-versionen av runif är dunif:
dunif(x = 0.12, min = 0.0, max = 0.2)

5
  • Sannolikhetstäthet: en slags relativ sannolikhet
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
Grunderna i bayesiansk dataanalys i R

Nu kör vi en övning!

Grunderna i bayesiansk dataanalys i R

Preparing Video For Download...