import numpy as np
import random
import matplotlib.pyplot as plt
from scipy import stats
from pprint import pprint

#U1 = np.random.uniform(0,1)
#U2 = np.random.uniform(0,1)

#x = np.sqrt(-2*np.log(U1))*np.cos(2*np.pi*U2)
#y = np.sqrt(-2*np.log(U1))*np.sin(2*np.pi*U2)

Dane  = np.random.normal(0,1,100)


xaray = []
yaray = []


for i in range(50):
	U1 = np.random.uniform(0,1)
	U2 = np.random.uniform(0,1)

	x = np.sqrt(-2*np.log(U1))*np.cos(2*np.pi*U2)
	y = np.sqrt(-2*np.log(U1))*np.sin(2*np.pi*U2)

	xaray.append(x)
	yaray.append(y)
	i = i + 1


#pprint(xaray)
nowy = []

nowy = xaray + yaray

#nowy = xaray
#mk = nowy.append(yaray)

test_wilk = stats.shapiro(nowy)


# p value np. 0.30, większe od alfa i nie ma podstaw do odrzucenia hipotezy zerowej
# h0 mówi, że dane pochodzą z rozkładu normalnego
# jeżeli mniejsze to odrzucamy h0 na rzecz hipotezy alternatywnej (co nie znaczy, że przyjmujemy alternatywna)
# wtedy na alternatywną wykonujemy osobny test.

# t-student
# h0 - D1 = D2  czy dane pochodzą z tego samego rozkładu, czy mają porównywalne średnie
# h1 - D1 =/= D2

test = stats.ttest_ind(nowy, Dane, equal_var = False)

pprint(test)

# generator boxa mullera
# lcg --- generator rozkładu równomiernego
# Box-Muller --- normalnego
# wybrać test DieHard i zaimplementować


#szepiro wilk ma test o dużej mocy, (małe prawdopodobieństwo popełnienia błędu 2giego rodzaju.)
#


# alfa = 0.05


#count, bins, ignored = plt.hist(Dane, 20, normed=True)
#plt.plot(bins, 1/(0.5 * np.sqrt(2 * np.pi)) * np.exp( - (bins - 0)**2 / (2 * 0.5**2) ), linewidth=3, color='y')
#plt.show()