Memperbarui keyakinan posterior
Kerja bagus dalam mengestimasi distribusi posterior untuk laju efektivitas pada latihan sebelumnya! Sayangnya, karena sampel data yang kecil, distribusi tersebut cukup lebar, yang menandakan ketidakpastian besar terkait kualitas obat. Untungnya, pengujian obat berlanjut, dan sekelompok 12 pasien sakit lainnya telah diobati, 10 di antaranya sembuh. Kita perlu memperbarui distribusi posterior dengan data baru ini!
Ini mudah dilakukan dengan pendekatan Bayesian. Kita cukup menjalankan pendekatan grid seperti sebelumnya, tetapi dengan prior yang berbeda. Kita dapat menggunakan semua pengetahuan tentang laju efektivitas (yang diwakili oleh distribusi posterior dari latihan sebelumnya) sebagai prior baru! Lalu, kita hitung ulang likelihood untuk data baru, dan peroleh posterior yang baru!
DataFrame yang Anda buat pada latihan sebelumnya, df, tersedia di workspace dan binom telah diimpor untuk Anda dari scipy.stats.
Latihan ini merupakan bagian dari kursus
Analisis Data Bayesian dengan Python
Latihan interaktif langsung praktik
Cobalah latihan ini dengan melengkapi kode contoh ini.
# Assign old posterior to new prior and calculate likelihood
df["new_prior"] = ____
df["new_likelihood"] = ____(df["num_patients_cured"], ____, df["efficacy_rate"])