Taxas de clique posteriores
Após um período de sucesso no Departamento de Saúde, você migra para marketing. Sua nova empresa acabou de rodar duas campanhas-piloto de publicidade: uma para tênis e outra para roupas. Seu trabalho é descobrir qual foi mais eficaz, medida pela taxa de cliques (click-through rate), e qual deve ser ampliada para um público maior.
Você decide fazer um teste A/B, modelando os dados com uma verossimilhança binomial. Você descobriu que a taxa de cliques típica dos anúncios anteriores tem ficado em torno de 15% recentemente, com resultados variando entre 5% e 30%. Com base nisso, você conclui que \(Beta(10, 50)\) seria uma boa priori para a taxa de cliques.
Os dados ads, a função simulate_beta_posterior() que você viu no vídeo e o numpy (como np) estão disponíveis no seu ambiente de trabalho.
Este exercício faz parte do curso
Análise de Dados Bayesiana em Python
Exercício interativo prático
Experimente este exercício completando este código de exemplo.
# Generate prior draws
prior_draws = ____(____, ____, 100000)
# Plot the prior
sns.kdeplot(____, shade=True, label="prior")
plt.show()