← Back to branch summary

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

« back to all changes in this revision

Viewing changes to python/test/t_Gumbel_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_Gumbel_std.py
8
8
try :
9
9
    # Instanciate one distribution object
10
10
    distribution = Gumbel(2.0, -0.5)
11
 
    print "Distribution " , distribution 
 
11
    print "Distribution " , distribution
12
12
 
13
13
    # Is this distribution elliptical ?
14
 
    print "Elliptical = ", distribution.isElliptical() 
 
14
    print "Elliptical = ", distribution.isElliptical()
15
15
 
16
16
    # Is this distribution continuous ?
17
 
    print "Continuous = ", distribution.isContinuous() 
 
17
    print "Continuous = ", distribution.isContinuous()
18
18
 
19
19
    # Test for realization of distribution
20
20
    oneRealization = distribution.getRealization()
21
21
    print "oneRealization=", repr(oneRealization)
22
 
    
23
 
     # Test for sampling
 
22
 
 
23
    # Test for sampling
24
24
    size = 10000
25
25
    oneSample = distribution.getNumericalSample( size )
26
26
    print "oneSample first=" , repr(oneSample[0]) , " last=" , repr(oneSample[1])
27
 
    print "mean=" , repr(oneSample.computeMean()) 
28
 
    print "covariance=" , oneSample.computeCovariance() 
 
27
    print "mean=" , repr(oneSample.computeMean())
 
28
    print "covariance=" , repr(oneSample.computeCovariance())
29
29
 
30
30
    # Define a point
31
31
    point = NumericalPoint( distribution.getDimension(), 1.0 )
36
36
    # derivative of PDF with regards its arguments
37
37
    DDF = distribution.computeDDF( point )
38
38
    print "ddf     =" , repr(DDF)
39
 
    # by the finite difference technique 
 
39
    # by the finite difference technique
40
40
    print "ddf (FD)=" , repr(NumericalPoint(1, (distribution.computePDF( point + NumericalPoint(1, eps) ) - distribution.computePDF( point  + NumericalPoint(1, -eps) )) / (2.0 * eps)))
41
41
 
42
42
    # PDF value
43
43
    PDF = distribution.computePDF( point )
44
 
    print "pdf     =%.6f" % PDF 
 
44
    print "pdf     =%.6f" % PDF
45
45
    # by the finite difference technique from CDF
46
46
    print "pdf (FD)=%.6f" % ((distribution.computeCDF( point + NumericalPoint(1, eps) ) - distribution.computeCDF( point  + NumericalPoint(1, -eps) )) / (2.0 * eps))
47
47
 
48
48
    # derivative of the PDF with regards the parameters of the distribution
49
49
    CDF = distribution.computeCDF( point )
50
 
    print "cdf=%.6f" % CDF 
 
50
    print "cdf=%.6f" % CDF
51
51
    PDFgr = distribution.computePDFGradient( point )
52
52
    print "pdf gradient     =" , repr(PDFgr)
53
53
    # by the finite difference technique
55
55
    PDFgrFD[0] = (Gumbel(distribution.getAlpha() + eps, distribution.getBeta()).computePDF(point) - Gumbel(distribution.getAlpha() - eps, distribution.getBeta()).computePDF(point)) / (2.0 * eps)
56
56
    PDFgrFD[1] = (Gumbel(distribution.getAlpha(), distribution.getBeta() + eps).computePDF(point) - Gumbel(distribution.getAlpha(), distribution.getBeta() - eps).computePDF(point)) / (2.0 * eps)
57
57
    print "pdf gradient (FD)=" , repr(PDFgrFD)
58
 
    
 
58
 
59
59
    # derivative of the PDF with regards the parameters of the distribution
60
60
    CDFgr = distribution.computeCDFGradient( point )
61
 
    print "cdf gradient     =" , repr(CDFgr) 
 
61
    print "cdf gradient     =" , repr(CDFgr)
62
62
    # by the finite difference technique
63
63
    CDFgrFD = NumericalPoint(2)
64
64
    CDFgrFD[0] = (Gumbel(distribution.getAlpha() + eps, distribution.getBeta()).computeCDF(point) - Gumbel(distribution.getAlpha() - eps, distribution.getBeta()).computeCDF(point)) / (2.0 * eps)
67
67
 
68
68
    # quantile
69
69
    quantile = distribution.computeQuantile( 0.95 )
70
 
    print "quantile=" , repr(quantile) 
71
 
    print "cdf(quantile)=%.6f" % distribution.computeCDF(quantile) 
 
70
    print "quantile=" , repr(quantile)
 
71
    print "cdf(quantile)=%.6f" % distribution.computeCDF(quantile)
72
72
    mean = distribution.getMean()
73
 
    print "mean=" , repr(mean) 
 
73
    print "mean=" , repr(mean)
74
74
    standardDeviation = distribution.getStandardDeviation()
75
 
    print "standard deviation=" , repr(standardDeviation) 
 
75
    print "standard deviation=" , repr(standardDeviation)
76
76
    skewness = distribution.getSkewness()
77
 
    print "skewness=" , repr(skewness) 
 
77
    print "skewness=" , repr(skewness)
78
78
    kurtosis = distribution.getKurtosis()
79
 
    print "kurtosis=" , repr(kurtosis) 
 
79
    print "kurtosis=" , repr(kurtosis)
80
80
    covariance = distribution.getCovariance()
81
 
    print "covariance=" , covariance 
 
81
    print "covariance=" , repr(covariance)
82
82
    parameters = distribution.getParametersCollection()
83
 
    print "parameters=" , repr(parameters) 
 
83
    print "parameters=" , repr(parameters)
84
84
 
85
85
    # Specific to this distribution
86
86
    mu = distribution.getMu()
87
 
    print "mu=%.6f" % mu 
 
87
    print "mu=%.6f" % mu
88
88
    sigma = distribution.getSigma()
89
 
    print "sigma=%.6f" % sigma 
 
89
    print "sigma=%.6f" % sigma
90
90
    newDistribution = Gumbel(mu, sigma, 1)
91
91
    print "alpha from (mu, sigma)=%.6f" % newDistribution.getAlpha()
92
92
    print "beta from (mu, sigma)=%.6f" % newDistribution.getBeta()
93
 
    
 
93
 
94
94
except :
95
 
   import sys
96
 
   print "t_Gumbel.py", sys.exc_type, sys.exc_value
97
 
 
 
95
    import sys
 
96
    print "t_Gumbel.py", sys.exc_type, sys.exc_value