Можемо обчислювати!

Основи байєсівського аналізу даних у R

Rasmus Bååth

Data Scientist

Імітація vs обчислення

  • Імітація за допомогою функцій на 'r', наприклад, rbinom і rpois
  • Імітація 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
  • Обчислення за допомогою функцій на 'd', наприклад, dbinom і dpois
  • Обчислення P(n_visitors = 13 | prob_success = 10%)
dbinom(13, size = 100, prob = 0.1)

0.074
Основи байєсівського аналізу даних у R
  • Обчислення P(n_visitors = 13 або n_visitors = 14 | prob_success = 10%)
dbinom(13, size = 100, prob = 0.1) + dbinom(14, size = 100, prob = 0.1)

0.126
  • Обчислення 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 ...
Основи байєсівського аналізу даних у R

Побудова графіка обчисленого розподілу

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

Основи байєсівського аналізу даних у R

Неперервні розподіли

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

Основи байєсівського аналізу даних у R

Неперервні розподіли

  • Рівномірний розподіл
    • d-версія runif — це dunif:
dunif(x = 0.12, min = 0.0, max = 0.2)

5
  • Густина ймовірності: своєрідна відносна ймовірність
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
Основи байєсівського аналізу даних у R

Спробуйте це!

Основи байєсівського аналізу даних у R

Preparing Video For Download...