ReThink3e1-7a

bayes
probability
post
bayesbox
paper
Published

November 11, 2024

Aufgabe

Es soll die Posteriori-Verteilung für den Globusversuch erstellt werden. Folgende Parameter wurden verwendet: \(W=6, N = 9\). Für \(\pi\) wurden alle Werte von 0 bis 1 mit einer Auflösung von 20 Parameterwerten.

Dafür wurde folgende Syntax verwendet.

p_grid <- seq( from=0 , to=1 , length.out=20 )  # Gitterwerte

prior <- rep( 1 , 20 )  # Priori-Gewichte

likelihood <- dbinom( 6 , size=9 , prob=p_grid ) 

unstandardisierte_posterior <- likelihood * prior 

posterior <- unstandardisierte_posterior / sum(unstandardisierte_posterior)

Hier ist die resultierende Bayesbox:

bayesbox(hyps = p_grid, priors = prior, liks = likelihood)
hyps priors liks post_unstand post_std
0.0000000 1 0.0000000 0.0000000 0.0000000
0.0526316 1 0.0000015 0.0000015 0.0000008
0.1052632 1 0.0000819 0.0000819 0.0000431
0.1578947 1 0.0007773 0.0007773 0.0004091
0.2105263 1 0.0035986 0.0035986 0.0018939
0.2631579 1 0.0111609 0.0111609 0.0058739
0.3157895 1 0.0266830 0.0266830 0.0140429
0.3684211 1 0.0529211 0.0529211 0.0278517
0.4210526 1 0.0908270 0.0908270 0.0478012
0.4736842 1 0.1383413 0.1383413 0.0728074
0.5263158 1 0.1897686 0.1897686 0.0998730
0.5789474 1 0.2361147 0.2361147 0.1242643
0.6315789 1 0.2666113 0.2666113 0.1403143
0.6842105 1 0.2714006 0.2714006 0.1428349
0.7368421 1 0.2450051 0.2450051 0.1289433
0.7894737 1 0.1897686 0.1897686 0.0998730
0.8421053 1 0.1179181 0.1179181 0.0620589
0.8947368 1 0.0502667 0.0502667 0.0264548
0.9473684 1 0.0088538 0.0088538 0.0046597
1.0000000 1 0.0000000 0.0000000 0.0000000

Dann wurde die Stichproben-Posterior-Verteilung erstellt:

# um die Zufallszahlen festzulegen, damit wir alle die gleichen Zahlen bekommen zum Schnluss: 
set.seed(42) 

# Stichproben ziehen aus der Posteriori-Verteilung
samples <- 
  tibble(
    p = sample( p_grid , prob=posterior, size=1e4, replace=TRUE))

Hier ist eine Visualisierung der Posteriori-Verteilung:

Aufgaben:

Schätzen Sie die Werte zu den folgenden Aufgaben aus der Visualisierung der Post-Veteilung ab!

  1. Wie viel Wahrscheinlichkeitsmasse liegt unter \(p=0.2\)?

  2. Wie viel Wahrscheinlichkeitsmasse liegt über \(p=0.9\)?

  3. Welcher Anteil der Posteriori-Verteilung liegt zwischen \(p=0.2\) und \(p=0.9\)?

  4. Unter welchem Wasseranteil \(p\) liegen 50% der Posteriori-Verteilung?

  5. Über welchem Wasseranteil \(p\) liegen 10% der Posteriori-Verteilung?

  6. Welches schmälstes Intervall von \(p\) enthält 90% der Posteriori-Wahrscheinlichkeit? Wählen Sie das Intervall der folgenden, das am besten passt: \([.1, .9], [.5,.7], [.3,.8]\)

Quelle: McElreath, R. (2020). Statistical rethinking: A Bayesian course with examples in R and Stan (2. Aufl.). Taylor and Francis, CRC Press.











Solution

Es finden sich auch Lösungsvorschläge online, z.B. hier

  1. Wie viel Wahrscheinlichkeitsmasse liegt unter \(p=0.2\)?

Fast nix, wie man im Diagramm sieht.

Außerdem kann man nachrechnen:

samples %>% 
  count(p < 0.2)
p < 0.2 n
FALSE 9995
TRUE 5
  1. Wie viel Wahrscheinlichkeitsmasse liegt über \(p=0.9\)?

Fast nix, wie man im Diagramm sieht!

samples %>% 
  count(p > 0.9)
p > 0.9 n
FALSE 9954
TRUE 46

Naja, so gut 1%!

  1. Welcher Anteil der Posteriori-Verteilung liegt zwischen \(p=0.2\) und \(p=0.9\)?

Knapp 99%, wie man aus den vorherigen Aufgaben ableiten kann oder sich hier nocheinmal überlegen kann.

Wer nachrechnen (bzw. nachzählen) will:

samples %>% 
  count(p > 0.2 & p < 0.9)
p > 0.2 & p < 0.9 n
FALSE 51
TRUE 9949
  1. Unter welchem Wasseranteil \(p\) liegen 50% der Posteriori-Verteilung?

Puh, das geht optisch nur grob. Gefühlt so bei p = .65

Wer es genauer will: Eine Möglichkeit: Wir sortieren \(p\) der Größe nach (aufsteigend), filtern dann so, dass wir nur die ersten 20% der Zeilen behalten und schauen dann, was der größte Wert ist.

samples %>% 
  arrange(p) %>% 
  slice_head(prop = 0.5) %>% 
  summarise(quantil_20 = max(p))
quantil_20
0.6315789

Andererseits: Das, was wir gerade gemacht haben, nennt man auch ein Quantil berechnen, s. auch hier. Dafür gibt’s fertige Funktionen in R, wie quantile():

samples %>% 
  summarise(q_20 = quantile(p, 0.2))
q_20
0.5263158
  1. Über welchem Wasseranteil \(p\) liegen 10% der Posteriori-Verteilung?

Wieder ist das optisch nicht so leicht. Aber grob gesagt, so bei p = .8 vielleicht.

Hier die genaue Antwort:

samples %>% 
  summarise(quantile(p, 0.9))
quantile(p, 0.9)
0.7894737

Mit 90% Wahrscheinlichkeit ist der Wasseranteil höchstens bei 81%.

  1. Welches schmälstes Intervall von \(p\) enthält 90% der Posteriori-Wahrscheinlichkeit? Wählen Sie das Intervall der folgenden, das am besten passt: \([.1, .9], [.5,.7], [.3,.8]\)

\([.3,.8]\) passt optisch am besten.

Für Detail-Freunde:

library(easystats)
hdi(samples, ci = 0.90)
Parameter CI CI_low CI_high
p 0.9 0.4210526 0.8421053

Categories:

  • bayes
  • probability
  • post