1. Học hỏi
    2. /
  2. Khoa Học
    3. /
  3. Phân tích dữ liệu Bayesian với Python
Connected

Bài tập

Cập nhật niềm tin hậu nghiệm

Bạn đã ước lượng rất tốt phân phối hậu nghiệm của tỷ lệ hiệu quả ở bài trước! Tiếc là do mẫu dữ liệu nhỏ, phân phối này khá rộng, cho thấy còn nhiều bất định về chất lượng thuốc. May mắn là việc thử nghiệm vẫn tiếp tục: thêm 12 bệnh nhân nữa đã được điều trị, trong đó 10 người khỏi bệnh. Chúng ta cần cập nhật phân phối hậu nghiệm với dữ liệu mới này!

Với cách tiếp cận Bayes, việc này rất dễ. Ta chỉ cần chạy xấp xỉ lưới (grid approximation) như trước, nhưng dùng một tiên nghiệm khác. Ta có thể dùng toàn bộ hiểu biết về tỷ lệ hiệu quả (thể hiện bằng phân phối hậu nghiệm từ bài trước) làm tiên nghiệm mới! Sau đó tính lại khả năng xảy ra (likelihood) cho dữ liệu mới và nhận được hậu nghiệm mới!

DataFrame bạn đã tạo ở bài trước, df, có sẵn trong môi trường làm việc và binom đã được nhập từ scipy.stats cho bạn.

Hướng dẫn 1/4

undefined XP
    1
    2
    3
    4
  • Gán posterior_prob từ df sang một cột mới tên new_prior.
  • Tính new_likelihood bằng binom.pmf() dựa trên dữ liệu mới và gán làm một cột mới trong df.