Atualizando a crença a posteriori
Parabéns por estimar a distribuição a posteriori da taxa de eficácia no exercício anterior! Infelizmente, por causa do tamanho pequeno da amostra, essa distribuição ficou bem ampla, indicando muita incerteza sobre a qualidade do medicamento. Por sorte, os testes continuam e mais 12 pacientes doentes foram tratados, dos quais 10 foram curados. Precisamos atualizar nossa distribuição a posteriori com esses novos dados!
Isso é fácil de fazer com a abordagem bayesiana. Basta executar a aproximação por grade como antes, mas com um prior diferente. Podemos usar todo o nosso conhecimento sobre a taxa de eficácia (representado pela distribuição a posteriori do exercício anterior) como um novo prior! Em seguida, recomputamos a verossimilhança para os novos dados e obtemos a nova posteriori!
O DataFrame que você criou no exercício anterior, df, está disponível no workspace e binom já foi importado para você de scipy.stats.
Este exercício faz parte do curso
Análise de Dados Bayesiana em Python
Exercício interativo prático
Experimente este exercício completando este código de exemplo.
# Assign old posterior to new prior and calculate likelihood
df["new_prior"] = ____
df["new_likelihood"] = ____(df["num_patients_cured"], ____, df["efficacy_rate"])