Thuis
Contacten

    Hoofdpagina


Docent: drs. Rob Flohr

Dovnload 2 Mb.

Docent: drs. Rob Flohr



Pagina22/25
Datum05.12.2018
Grootte2 Mb.

Dovnload 2 Mb.
1   ...   17   18   19   20   21   22   23   24   25

node mean sd MC error 2.5% median 97.5% start sample

alpha 0.4824 0.2356 0.005038 0.1425 0.445 1.031 1 5000

beta 1.817 1.418 0.02771 0.09549 1.473 5.351 1 5000

predict[1] 6.287 3.524 0.04715 1.0 6.0 14.0 1 5000

predict[2] 4.368 3.005 0.04308 0.0 4.0 12.0 1 5000

predict[3] 3.355 2.559 0.0354 0.0 3.0 9.0 1 5000

predict[4] 10.35 4.615 0.0702 3.0 10.0 21.0 1 5000

predict[5] 3.354 2.556 0.0439 0.0 3.0 10.0 1 5000

theta[1] 0.07851 0.03098 3.924E-4 0.03039 0.07404 0.1514 1 5000

theta[2] 0.08728 0.04213 6.018E-4 0.02518 0.08054 0.1885 1 5000

theta[3] 0.05176 0.02807 4.488E-4 0.01232 0.0468 0.1185 1 5000

theta[4] 0.07973 0.02483 3.762E-4 0.03895 0.077 0.1355 1 5000

theta[5] 0.08338 0.0448 6.992E-4 0.01904 0.07605 0.1884 1 5000
#aantal ziektegevallen x[i] per tijdseenheid per regiovoor vijf regio's met bevolkingsomvang y[i].

------------------------------------------------------------------------------------------------------------------------------

Voorbeeld: aantal geslaagde eindexamenkandidaten
-
Open bijgaand odc-bestand in WinBUGS en pas het aan om het volgende vraagstuk te analyseren:

Op vijf scholen voor middelbaar onderwijs zijn de aantallen eindexamenkandidaten in 2014:


300 250 450 200 400

Daarvan hebben in 2014 hun diploma behaald:


220 200 300 180 240

(a) Voer een statistische analyse ('statistical inference') uit om zowel de posterior kansverdeling voor de verwachtingswaarde voor het aantal geslaagde leerlingen per school als de posterior predictive kansverdeling voor het aantal geslaagde leerlingen per school af te leiden.

(b) Waarom is de spreiding van de posterior predictive kansverdeling groter dan de spreiding van de posterior kansverdeling?

list(t = c(300.0, 250.0, 450.0, 200.0, 400.0),

x = c( 220, 200, 300, 180, 240), N = 5)
model

{

for (i in 1 : N) {



theta[i] ~ dgamma(0.01, 0.01)

lambda[i] <- theta[i] * t[i]

x[i] ~ dpois(lambda[i])

predict[i]~dpois(lambda[i])

}

}


list(t = c(300.0, 250.0, 450.0, 200.0, 400.0),

x = c( 220, 200, 300, 180, 240), N = 5)


model is syntactically correct

data loaded

model compiled



initial values generated, model initialized





































Node statistics


1   ...   17   18   19   20   21   22   23   24   25


Dovnload 2 Mb.