Обновление апостериорного распределения
Отличная работа по оценке апостериорного распределения коэффициента эффективности в предыдущем упражнении! К сожалению, из-за небольшого объёма данных это распределение довольно широкое, что указывает на высокую неопределённость относительно качества препарата. К счастью, тестирование продолжается: ещё 12 больных пациентов прошли лечение, 10 из которых выздоровели. Нам нужно обновить апостериорное распределение с учётом новых данных!
С байесовским подходом это сделать несложно. Мы просто запускаем сеточное приближение аналогично предыдущему разу, но с другим априорным распределением. В качестве нового априорного можно использовать всё, что мы знаем о коэффициенте эффективности, — то есть апостериорное распределение из предыдущего упражнения! Затем мы пересчитываем правдоподобие для новых данных и получаем новое апостериорное распределение!
DataFrame df, созданный в предыдущем упражнении, доступен в рабочей области, а binom импортирован из scipy.stats.
Это упражнение является частью курса
Байесовский анализ данных на Python
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# Assign old posterior to new prior and calculate likelihood
df["new_prior"] = ____
df["new_likelihood"] = ____(df["num_patients_cured"], ____, df["efficacy_rate"])