Uppdatera posteriori-fördelningen
Bra jobbat med att skatta posteriori-fördelningen för effektivitetsgraden i föregående övning! Tyvärr är denna fördelning ganska bred på grund av det lilla dataurvalet, vilket tyder på stor osäkerhet kring läkemedlets kvalitet. Men testningen fortsätter – ytterligare 12 sjuka patienter har behandlats, varav 10 tillfrisknade. Nu behöver vi uppdatera vår posteriori-fördelning med dessa nya data!
Med den bayesianska metoden är detta enkelt. Vi kör helt enkelt rutnätsapproximationen på liknande sätt som tidigare, men med ett nytt prior. All vår kunskap om effektivitetsgraden – representerad av posteriori-fördelningen från föregående övning – kan användas som nytt prior! Därefter beräknar vi sannolikheten för de nya data och får en ny posteriori-fördelning.
DataFrame:en du skapade i föregående övning, df, finns tillgänglig i workspace:t och binom har importerats åt dig från scipy.stats.
Den här övningen är en del av kursen
Bayesiansk dataanalys i Python
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Assign old posterior to new prior and calculate likelihood
df["new_prior"] = ____
df["new_likelihood"] = ____(df["num_patients_cured"], ____, df["efficacy_rate"])