Artalan inancını güncelleme
Önceki egzersizde etkililik oranının artalan dağılımını tahmin ettiğin için tebrikler! Ne yazık ki, veri örneği küçük olduğu için bu dağılım oldukça geniş; bu da ilacın kalitesi konusunda yüksek belirsizliğe işaret ediyor. Neyse ki ilacın testleri sürüyor ve başka 12 hasta daha tedavi edildi; bunların 10'u iyileşti. Bu yeni verilerle artalan dağılımımızı güncellememiz gerekiyor!
Bayesçi yaklaşımda bunu yapmak oldukça kolay. Öncekiyle benzer şekilde ızgara yaklaşımını (grid approximation) çalıştıracağız, ancak bu kez farklı bir öncül (prior) ile. Etkililik oranına dair tüm bilgimizi (önceki egzersizde elde ettiğin artalan dağılımı) yeni bir öncül olarak kullanabiliriz! Sonra yeni veriler için olabilirliği (likelihood) yeniden hesaplayıp yeni artalanı elde ederiz!
Önceki egzersizde oluşturduğun df DataFrame'i çalışma alanında hazır ve scipy.stats içinden binom senin için içe aktarıldı.
Bu egzersiz, kursun bir parçasıdır
Python ile Bayesçi Veri Analizi
Uygulamalı etkileşimli egzersiz
Bu egzersizi bu örnek kodu tamamlayarak deneyin.
# Assign old posterior to new prior and calculate likelihood
df["new_prior"] = ____
df["new_likelihood"] = ____(df["num_patients_cured"], ____, df["efficacy_rate"])