1. Nauka
    2. /
  2. Kursy
    3. /
  3. Bayesowska analiza danych w Pythonie
Connected

ćwiczenie

Aktualizacja rozkładu a posteriori

Świetna robota z estymacją rozkładu a posteriori współczynnika skuteczności w poprzednim ćwiczeniu! Niestety, ze względu na niewielką próbkę danych, rozkład ten jest dość szeroki, co świadczy o dużej niepewności co do jakości leku. Na szczęście badania trwają – kolejna grupa 12 chorych pacjentów została poddana leczeniu, z czego 10 zostało wyleczonych. Czas zaktualizować nasz rozkład a posteriori o te nowe dane!

Z podejściem bayesowskim jest to proste. Wystarczy przeprowadzić aproksymację siatką podobnie jak poprzednio, ale z innym rozkładem a priori. Całą dotychczasową wiedzę o współczynniku skuteczności – zawartą w rozkładzie a posteriori z poprzedniego ćwiczenia – możemy wykorzystać jako nowy rozkład a priori! Następnie wyznaczamy wiarygodność dla nowych danych i otrzymujemy nowy rozkład a posteriori!

DataFrame df utworzony w poprzednim ćwiczeniu jest dostępny w przestrzeni roboczej, a binom zostało zaimportowane z scipy.stats.

Instrukcje 1/4

undefined XP
    1
    2
    3
    4
  • Przypisz posterior_prob z df do nowej kolumny o nazwie new_prior.
  • Oblicz new_likelihood za pomocą binom.pmf() na podstawie nowych danych i przypisz wynik jako nową kolumnę do df.