Aktualizace posteriorní distribuce
V předchozím cvičení se ti podařilo odhadnout posteriorní distribuci míry účinnosti – skvělá práce! Bohužel, kvůli malému vzorku dat je tato distribuce poměrně široká, což naznačuje velkou nejistotu ohledně kvality léku. Naštěstí testování pokračuje a dalších 12 nemocných pacientů bylo léčeno, přičemž 10 z nich se uzdravilo. Je čas aktualizovat naši posteriorní distribuci o tato nová data!
S bayesovským přístupem je to jednoduché. Stačí znovu spustit mřížkovou aproximaci podobně jako předtím, ale s jiným priorem. Jako nový prior můžeme využít veškeré znalosti o míře účinnosti zakódované v posteriorní distribuci z předchozího cvičení! Pak přepočítáme pravděpodobnost pro nová data a získáme nový posterior!
DataFrame df z předchozího cvičení máš k dispozici v pracovním prostředí a binom z scipy.stats je již naimportováno.
Toto cvičení je součástí kurzu
Bayesian Data Analysis in Python
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
# Assign old posterior to new prior and calculate likelihood
df["new_prior"] = ____
df["new_likelihood"] = ____(df["num_patients_cured"], ____, df["efficacy_rate"])