smzn

#P(B | S) セキュリティ会社に連絡がいったとき、泥棒が入った確率
from pgmpy.inference import VariableElimination

# 推論エンジンの作成
infer = VariableElimination(model)

# P(B | S)を求める
result = infer.query(variables=['B'], evidence={'S': 1})

probability_b_given_s = result.values[1]  # B = 1の確率を取得

smzn

from pgmpy.models import BayesianNetwork
from pgmpy.factors.discrete import TabularCPD

# ベイジアンネットワークのモデルを作成
model = BayesianNetwork()

# ノードを追加
model.add_nodes_from(['B', 'E', 'A', 'P', 'S'])

# エッジを追加

smzn

import networkx as nx
import matplotlib.pyplot as plt

# ベイジアンネットワークの有向グラフを作成
G2 = nx.DiGraph()

# ノードを追加
G2.add_node("B")
G2.add_node("E")
G2.add_node("A")

smzn

#P99 確率的推論(事後確率) P(W = 1 | G = 1) 芝が濡れているとき、晴れである確率は？
# P(W = 1 | G = 1)を求める
result = infer.query(variables=['W'], evidence={'G': 1})

probability_w_given_g_1 = result.values[1]  # W = 1の確率を取得

print("P(W = 1 | G = 1):", probability_w_given_g_1)

smzn

#P101 (1) P(G = 1 | W = 1)を計算：天気が晴れという条件のもとで、芝が濡れている確率
from pgmpy.inference import VariableElimination

# 推論エンジンの作成
infer = VariableElimination(model)

# P(G = 1 | W = 1)を求める
result = infer.query(variables=['G'], evidence={'W': 1})
print(result)
probability_g_given_w_1 = result.values[1]  # G = 1の確率を取得

smzn

from pgmpy.models import BayesianNetwork
from pgmpy.factors.discrete import TabularCPD

# ベイジアンネットワークのモデルを作成
model = BayesianNetwork()

# ノードを追加
model.add_nodes_from(['W', 'S', 'R', 'G'])

# エッジを追加

smzn

import networkx as nx
import matplotlib.pyplot as plt

# ベイジアンネットワークの有向グラフを作成
G = nx.DiGraph()

# ノードを追加
G.add_node("W")
G.add_node("S")
G.add_node("R")

smzn

import pymc as pm
import arviz as az
import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import gamma


# 観測データ
x = daily_sales.values  # 観測データの例

smzn

from scipy.stats import nbinom


# 新しいデータ点 x_new が取り得る値の範囲
x_new_values = range(0, daily_sales.max())

# 事後予測分布を計算（負の二項分布を使用）
p_pred = [nbinom.pmf(k=x_new, n=alpha_posterior, p=beta_posterior/(1+beta_posterior)) for x_new in x_new_values]

# 結果をプロット

smzn

# Calculate the mode (MAP estimate) of the posterior gamma distribution
if alpha_posterior > 1:
    lambda_map_estimate = (alpha_posterior - 1) / beta_posterior
else:
    lambda_map_estimate = 0

lambda_map_estimate