---

figsize(12.5, 5)
# tau_samples, lambda_1_samples, lambda_2_samples은
# 해당 사후확률분포에서 얻은 표본 N개가 포함된다.
N = tau_samples.shape[0]
expected_texts_per_day = np.zeros(n_count_data) # 데이터 포인트 수
for day in range(0, n_count_data):
    # ix는’day’ 값 이전에 발생한 변환점에 해당하는 
    # 모든 tau 표본의 불(boolean) 인덱스다. 
    ix = day < tau_samples
    # 각 사후확률분포의 표본은 tau 값에 해당한다. tau 값은 변환점 이전인지(lambda_1)
    # 이후인지(lambda_2)를 가리킨다.
    # lambda_1/2의 사후확률분포 표본을 취함으로써 우리는 모든 표본을 평균하여 그날의 
    # lambda 기댓값을 얻을 수 있다.
    # 설명한 바와 같이 문자 메시지 개수 확률변수는 푸아송분포를 따른다. 
    # 그러므로 lambda(푸아송 모수)는 메시지 개수의 기댓값이다.
    expected_texts_per_day[day] = (lambda_1_samples[ix].sum() + lambda_2_samples[~ix].sum()) / N
 
plt.plot(range(n_count_data), expected_texts_per_day, lw=4, color=”#E24A33”,
         label=“수신한 문자 메시지의 기댓값”)
plt.xlim(0, n_count_data)
plt.xlabel(“일”, fontsize=13)
plt.ylabel(“문자 메시지의 개수”, fontsize=13)
plt.title(“수신한 문자 메시지의 기댓값”)
plt.ylim(0, 60)
plt.bar(np.arange(len(count_data)), count_data, color=”#348ABD”, alpha=0.65,
        label=“관측된 문자 메시지의 개수(하루당)”)
plt.legend(loc=“upper left”);
print(expected_texts_per_day)

---