Advertisement
Not a member of Pastebin yet?
Sign Up,
it unlocks many cool features!
- 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()
Advertisement
Add Comment
Please, Sign In to add comment
Advertisement