Aktualisierung der Posterior-Überzeugung
Gut gemacht bei der Schätzung der Posteriorverteilung der Wirksamkeitsrate in der vorherigen Übung! Leider ist diese Verteilung aufgrund der kleinen Stichprobe ziemlich breit, was viel Unsicherheit über die Qualität des Medikaments anzeigt. Zum Glück laufen die Tests weiter: Eine weitere Gruppe von 12 erkrankten Patient:innen wurde behandelt, von denen 10 geheilt wurden. Wir müssen unsere Posteriorverteilung mit diesen neuen Daten aktualisieren!
Mit dem bayesianischen Ansatz ist das ganz einfach. Wir führen die Grid-Approximation ähnlich wie zuvor aus, aber mit einer anderen Prior. Wir können all unser Wissen über die Wirksamkeitsrate (verkörpert durch die Posteriorverteilung aus der vorherigen Übung) als neue Prior verwenden! Dann berechnen wir die Likelihood für die neuen Daten neu und erhalten den neuen Posterior!
Der DataFrame, den du in der vorherigen Übung erstellt hast, df, ist im Workspace verfügbar, und binom wurde für dich aus scipy.stats importiert.
Diese Übung ist Teil des Kurses
Bayesianische Datenanalyse in Python
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# Assign old posterior to new prior and calculate likelihood
df["new_prior"] = ____
df["new_likelihood"] = ____(df["num_patients_cured"], ____, df["efficacy_rate"])