← Back to branch summary

~ubuntu-branches/ubuntu/maverick/openturns/maverick

« back to all changes in this revision

Viewing changes to python/test/t_FittingTest_std.py

  • Committer: Bazaar Package Importer
  • Author(s): Fabrice Coutadeur
  • Date: 2010-05-10 17:27:55 UTC
  • mfrom: (1.1.4 upstream) (5.1.5 sid)
  • Revision ID: james.westby@ubuntu.com-20100510172755-cb5ynskknqqi5rhp
Tags: 0.13.2-2ubuntu1
* Merge with Debian testing. No changes left.
* ubuntu_fix-python-2.6.patch: fix detection of python 2.6 libs, to not use
  LOCALMODLIBS. This pulls a dependency on SSL and makes the package FTBFS.

Show diffs side-by-side

added added

removed removed

Lines of Context:
python/test/t_FittingTest_std.py
7
7
RandomGenerator().SetSeed(0)
8
8
 
9
9
try :
10
 
    
 
10
 
11
11
  continuousDistributionCollection = DistributionCollection()
12
12
  discreteDistributionCollection = DistributionCollection()
13
13
  distributionCollection = DistributionCollection()
14
14
 
15
 
  beta = Beta(2.,3.,0.,1.)
 
15
  beta = Beta(2.0, 3.0, 0.0, 1.0)
16
16
  distributionCollection.add(Distribution(beta))
17
17
  continuousDistributionCollection.add(Distribution(beta))
18
18
 
19
 
  gamma = Gamma(1.,2.,3.)
 
19
  gamma = Gamma(1.0, 2.0, 3.0)
20
20
  distributionCollection.add(Distribution(gamma))
21
21
  continuousDistributionCollection.add(Distribution(gamma))
22
22
 
23
 
  gumbel = Gumbel(1.,2.)
 
23
  gumbel = Gumbel(1.0, 2.0)
24
24
  distributionCollection.add(Distribution(gumbel))
25
25
  continuousDistributionCollection.add(Distribution(gumbel))
26
26
 
27
 
  lognormal = LogNormal(1.,1.,2.)
 
27
  lognormal = LogNormal(1.0, 1.0, 2.0)
28
28
  distributionCollection.add(Distribution(lognormal))
29
29
  continuousDistributionCollection.add(Distribution(lognormal))
30
30
 
31
 
  logistic = Logistic(1.,1.)
 
31
  logistic = Logistic(1.0, 1.0)
32
32
  distributionCollection.add(Distribution(logistic))
33
33
  continuousDistributionCollection.add(Distribution(logistic))
34
34
 
35
 
  normal = Normal(1.,2.)
 
35
  normal = Normal(1.0, 2.0)
36
36
  distributionCollection.add(Distribution(normal))
37
37
  continuousDistributionCollection.add(Distribution(normal))
38
38
 
39
 
  truncatednormal = TruncatedNormal(1.,1.,0.,3.)
 
39
  truncatednormal = TruncatedNormal(1.0, 1.0, 0.0, 3.0)
40
40
  distributionCollection.add(Distribution(truncatednormal))
41
41
  continuousDistributionCollection.add(Distribution(truncatednormal))
42
42
 
43
 
  student = Student(10.,10.)
 
43
  student = Student(10.0, 10.0)
44
44
  distributionCollection.add(Distribution(student))
45
45
  continuousDistributionCollection.add(Distribution(student))
46
46
 
47
 
  triangular = Triangular(-1.,2.,4.)
 
47
  triangular = Triangular(-1.0, 2.0, 4.0)
48
48
  distributionCollection.add(Distribution(triangular))
49
49
  continuousDistributionCollection.add(Distribution(triangular))
50
50
 
51
 
  uniform = Uniform(1.,2.)
 
51
  uniform = Uniform(1.0, 2.0)
52
52
  distributionCollection.add(Distribution(uniform))
53
53
  continuousDistributionCollection.add(Distribution(uniform))
54
54
 
55
 
  weibull = Weibull(1., 1., 2.)
 
55
  weibull = Weibull(1.0, 1.0, 2.0)
56
56
  distributionCollection.add(Distribution(weibull))
57
57
  continuousDistributionCollection.add(Distribution(weibull))
58
58
 
59
 
  geometric = Geometric(.5)
 
59
  geometric = Geometric(0.5)
60
60
  distributionCollection.add(Distribution(geometric))
61
61
  discreteDistributionCollection.add(Distribution(geometric))
62
62
 
63
 
  poisson = Poisson(2.)
 
63
  poisson = Poisson(2.0)
64
64
  distributionCollection.add(Distribution(poisson))
65
65
  discreteDistributionCollection.add(Distribution(poisson))
66
66
 
87
87
  distributionNumber = continuousDistributionNumber + discreteDistributionNumber
88
88
 
89
89
  # We create a collection of NumericalSample of size "size" and of dimension 1 (scalar values) : the collection has distributionNumber NumericalSamples
90
 
  
 
90
 
91
91
  sampleCollection = [NumericalSample(size, 1) for i in range(distributionNumber)]
92
92
  # We create a collection of NumericalSample of size "size" and of dimension 1 (scalar values) : the collection has continuousDistributionNumber NumericalSamples
93
93
  continuousSampleCollection = [NumericalSample(size, 1) for i in range(continuousDistributionNumber)]
94
94
  # We create a collection of NumericalSample of size "size" and of dimension 1 (scalar values) : the collection has discreteDistributionNumber NumericalSamples
95
95
  discreteSampleCollection = [NumericalSample(size, 1) for i in range(discreteDistributionNumber)]
96
 
  
 
96
 
97
97
  for i in range(continuousDistributionNumber) :
98
 
      continuousSampleCollection[i] = continuousDistributionCollection[i].getNumericalSample(size)
99
 
      continuousSampleCollection[i].setName(continuousDistributionCollection[i].getName())
100
 
      sampleCollection[i] = continuousSampleCollection[i]
 
98
    continuousSampleCollection[i] = continuousDistributionCollection[i].getNumericalSample(size)
 
99
    continuousSampleCollection[i].setName(continuousDistributionCollection[i].getName())
 
100
    sampleCollection[i] = continuousSampleCollection[i]
101
101
  for i in range(discreteDistributionNumber) :
102
 
      discreteSampleCollection[i] = discreteDistributionCollection[i].getNumericalSample(size)
103
 
      discreteSampleCollection[i].setName(discreteDistributionCollection[i].getName())
104
 
      sampleCollection[continuousDistributionNumber + i] = discreteSampleCollection[i]
 
102
    discreteSampleCollection[i] = discreteDistributionCollection[i].getNumericalSample(size)
 
103
    discreteSampleCollection[i].setName(discreteDistributionCollection[i].getName())
 
104
    sampleCollection[continuousDistributionNumber + i] = discreteSampleCollection[i]
105
105
 
106
 
  factoryCollection = FactoryCollection(3)
 
106
  factoryCollection = DistributionFactoryCollection(3)
107
107
  factoryCollection[0] = DistributionFactory(UniformFactory())
108
108
  factoryCollection[1] = DistributionFactory(BetaFactory())
109
109
  factoryCollection[2] = DistributionFactory(NormalFactory())
114
114
  # BIC ranking
115
115
  resultBIC = SquareMatrix(distributionNumber)
116
116
  for i in range(distributionNumber) :
117
 
        for j in range(distributionNumber) :
118
 
          value = FittingTest().BIC(sampleCollection[i], distributionCollection[j], 0)
119
 
          resultBIC[i, j] = value
120
 
  print "resultBIC=" , resultBIC 
 
117
    for j in range(distributionNumber) :
 
118
      value = FittingTest().BIC(sampleCollection[i], distributionCollection[j], 0)
 
119
      resultBIC[i, j] = value
 
120
  print "resultBIC=" , repr(resultBIC)
121
121
 
122
122
  # Kolmogorov ranking
123
123
  resultKolmogorov = SquareMatrix(continuousDistributionNumber)
127
127
      if (fabs(value) < 1.0e-6):
128
128
        value = 0.0
129
129
      resultKolmogorov[i, j] =  value
130
 
  print "resultKolmogorov=" , resultKolmogorov 
 
130
  print "resultKolmogorov=" , repr(resultKolmogorov)
131
131
 
132
132
  # ChiSquared ranking
133
133
  resultChiSquared = SquareMatrix(discreteDistributionNumber - 1)
137
137
      if (fabs(value) < 1.0e-6):
138
138
        value = 0.0
139
139
      resultChiSquared[i, j] = value
140
 
  print "resultChiSquared=" , resultChiSquared
 
140
  print "resultChiSquared=" , repr(resultChiSquared)
141
141
 
142
142
 
143
143
except  :
144
 
    import sys
145
 
    print "t_FittingTest_std.py", sys.exc_type, sys.exc_value
 
144
  import sys
 
145
  print "t_FittingTest_std.py", sys.exc_type, sys.exc_value