Actualizarea credinței posterioare
Felicitări pentru estimarea distribuției posterioare a ratei de eficacitate în exercițiul anterior! Din păcate, din cauza unui eșantion mic de date, această distribuție este destul de largă, ceea ce indică o incertitudine ridicată privind calitatea medicamentului. Din fericire, testarea medicamentului continuă, iar un grup de alți 12 pacienți bolnavi au fost tratați, dintre care 10 s-au vindecat. Trebuie să actualizăm distribuția noastră posterioară cu aceste date noi!
Cu abordarea bayesiană, acest lucru este simplu de realizat. Trebuie doar să rulăm aproximarea pe grilă similar ca înainte, dar cu un prior diferit. Putem folosi toate cunoștințele noastre despre rata de eficacitate (întruchipate de distribuția posterioară din exercițiul anterior) ca nou prior! Apoi, recalculăm funcția de verosimilitate pentru noile date și obținem noul posterior!
DataFrame-ul creat în exercițiul anterior, df, este disponibil în spațiul de lucru, iar binom a fost importat pentru tine din scipy.stats.
Acest exercițiu face parte din cursul
Analiza bayesiană a datelor în Python
Exercițiu interactiv practic
Încearcă acest exercițiu completând acest cod de exemplu.
# Assign old posterior to new prior and calculate likelihood
df["new_prior"] = ____
df["new_likelihood"] = ____(df["num_patients_cured"], ____, df["efficacy_rate"])