Posterior धारणा को अपडेट करना
पिछले अभ्यास में efficacy rate की posterior distribution का अनुमान लगाने पर बढ़िया काम! लेकिन, छोटे डेटा सैंपल के कारण यह distribution काफ़ी चौड़ी है, जो दवा की गुणवत्ता को लेकर उच्च अनिश्चितता दर्शाती है। अच्छी खबर यह है कि दवा का परीक्षण जारी है, और 12 और बीमार मरीजों के समूह का इलाज किया गया, जिनमें से 10 ठीक हो गए। अब हमें इन नए डेटा से अपनी posterior distribution को अपडेट करना है!
Bayesian तरीके से यह आसान है। आपको पहले की तरह ही grid approximation चलानी है, लेकिन एक अलग prior के साथ। आप efficacy rate के बारे में अपनी सारी जानकारी (जो पिछले अभ्यास की posterior distribution में समाहित है) को एक नए prior की तरह इस्तेमाल कर सकते हैं! फिर, नए डेटा के लिए likelihood दोबारा compute करें, और नई posterior प्राप्त करें!
पिछले अभ्यास में आपने जो DataFrame बनाया था, df, वह workspace में उपलब्ध है और scipy.stats से binom आपके लिए इम्पोर्ट किया जा चुका है।
यह अभ्यास पाठ्यक्रम का हिस्सा है
Python में Bayesian डेटा विश्लेषण
इंटरैक्टिव व्यावहारिक अभ्यास
इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।
# Assign old posterior to new prior and calculate likelihood
df["new_prior"] = ____
df["new_likelihood"] = ____(df["num_patients_cured"], ____, df["efficacy_rate"])