Posterior bijwerken
Goed gedaan met het schatten van de posteriorverdeling van het werkzaamheidspercentage in de vorige oefening! Door de kleine steekproef is deze verdeling helaas vrij breed, wat duidt op veel onzekerheid over de kwaliteit van het middel. Gelukkig loopt het onderzoek door: er is nog een groep van 12 zieke patiënten behandeld, van wie er 10 genezen zijn. We moeten onze posteriorverdeling bijwerken met deze nieuwe data!
Met de Bayesiaanse aanpak is dat gemakkelijk. We voeren de roosterbenadering opnieuw uit, maar dan met een andere prior. We kunnen al onze kennis over het werkzaamheidspercentage (weergegeven door de posterior uit de vorige oefening) gebruiken als nieuwe prior! Daarna herberekenen we de likelihood voor de nieuwe data en krijgen we de nieuwe posterior!
De DataFrame die je in de vorige oefening hebt gemaakt, df, is beschikbaar in de werkruimte en binom is voor je geïmporteerd uit scipy.stats.
Deze oefening maakt deel uit van de cursus
Bayesian Data Analysis in Python
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
# Assign old posterior to new prior and calculate likelihood
df["new_prior"] = ____
df["new_likelihood"] = ____(df["num_patients_cured"], ____, df["efficacy_rate"])