Actualizando la creencia posterior
¡Buen trabajo estimando la distribución posterior de la tasa de eficacia en el ejercicio anterior! Por desgracia, debido al tamaño reducido de la muestra, esta distribución es bastante amplia, lo que indica mucha incertidumbre sobre la calidad del fármaco. Por suerte, las pruebas del fármaco continúan y se ha tratado a otro grupo de 12 pacientes enfermos, de los cuales 10 se curaron. ¡Necesitamos actualizar nuestra distribución posterior con estos nuevos datos!
Esto es fácil de hacer con el enfoque bayesiano. Solo tenemos que ejecutar la aproximación por rejilla igual que antes, pero con un prior diferente. ¡Podemos usar todo lo que sabemos sobre la tasa de eficacia (recogido en la distribución posterior del ejercicio anterior) como un nuevo prior! Luego, recalculamos la verosimilitud para los nuevos datos y obtenemos la nueva posterior.
El DataFrame que creaste en el ejercicio anterior, df, está disponible en el espacio de trabajo y binom se ha importado por ti desde scipy.stats.
Este ejercicio forma parte del curso
Análisis de datos bayesiano en Python
Ejercicio interactivo práctico
Prueba este ejercicio y completa el código de muestra.
# Assign old posterior to new prior and calculate likelihood
df["new_prior"] = ____
df["new_likelihood"] = ____(df["num_patients_cured"], ____, df["efficacy_rate"])