Оновлення апостеріорного переконання
Чудово впоралися з оцінюванням апостеріорного розподілу для частки ефективності у попередній вправі! На жаль, через малий обсяг даних цей розподіл досить широкий — це означає велику невизначеність щодо якості препарату. На щастя, випробування препарату тривають: проліковано ще 12 пацієнтів, із них 10 одужали. Потрібно оновити наш апостеріорний розподіл з урахуванням цих нових даних!
У баєсівському підході це зробити легко. Потрібно знову виконати ґраткове наближення (grid approximation), як і раніше, але з іншим апріорним розподілом. Уся наша попередня інформація про частку ефективності (зафіксована в апостеріорному розподілі з попередньої вправи) може слугувати новим апріорним розподілом! Далі переобчислюємо правдоподібність для нових даних і отримуємо новий апостеріорний розподіл!
Створений вами у попередній вправі датафрейм df доступний у робочому середовищі, а binom уже імпортовано для вас із scipy.stats.
Ця вправа є частиною курсу
Баєсівський аналіз даних у Python
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
# Assign old posterior to new prior and calculate likelihood
df["new_prior"] = ____
df["new_likelihood"] = ____(df["num_patients_cured"], ____, df["efficacy_rate"])