import numpy as np
import matplotlib.pyplot as plt

# 1. имитация последовательного поступления данных
data = [1, 1, 0, 1, 1, 1, 0, 1, 1, 1] # 1 - рост, 0 - падение

# 2. Начальные априорные параметры (Uniform Prior)
alpha_current = 1
beta_current = 1

history = []

print(f"{'Шаг':<5} | {'Данные':<7} | {'Alpha':<6} | {'Beta':<5} | {'MAP':<6} | {'Mean (Прогноз)':<10}")
print("-" * 60)

# 3. Цикл последовательного обновления (Bayesian Updating)
for i, y in enumerate(data):
    
    # ОБНОВЛЕНИЕ: прибавляем успех или неудачу
    if y == 1:
        alpha_current += 1
    else:
        beta_current += 1
        
    # MAP (мода)
    if alpha_current + beta_current > 2:
        map_val = (alpha_current - 1) / (alpha_current + beta_current - 2)
    else:
        map_val = 0.5 # Для Uniform мода не определена 
        
    mean_val = alpha_current / (alpha_current + beta_current)
    
    history.append((alpha_current, beta_current, mean_val))
    
    print(f"{i+1:<5} | {y:<7} | {alpha_current:<6} | {beta_current:<5} | {map_val:<6.3f} | {mean_val:<10.3f}")

# 4. Визуализация процесса обучения
steps = np.arange(1, len(data) + 1)
means = [h[2] for h in history]

plt.figure(figsize=(8, 4), dpi=100)
plt.step(steps, means, where='post', color='#3498db', lw=2, label='Posterior Mean (Forecast)')
plt.axhline(0.5, color='gray', linestyle='--', alpha=0.5, label='Initial Prior (0.5)')

plt.title('Step-by-step Bayesian Updating', fontsize=12)
plt.xlabel('Observation Number (Time)', fontsize=10)
plt.ylabel('Probability of Success', fontsize=10)
plt.ylim(0, 1)
plt.grid(True, linestyle=':', alpha=0.6)
plt.legend()
plt.show()