src/daComposant/daDiagnostics/CompareVarianceFisher.py

   1 #-*-coding:iso-8859-1-*-
   2 #
   3 #  Copyright (C) 2008-2009  EDF R&D
   4 #
   5 #  This library is free software; you can redistribute it and/or
   6 #  modify it under the terms of the GNU Lesser General Public
   7 #  License as published by the Free Software Foundation; either
   8 #  version 2.1 of the License.
   9 #
  10 #  This library is distributed in the hope that it will be useful,
  11 #  but WITHOUT ANY WARRANTY; without even the implied warranty of
  12 #  MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.  See the GNU
  13 #  Lesser General Public License for more details.
  14 #
  15 #  You should have received a copy of the GNU Lesser General Public
  16 #  License along with this library; if not, write to the Free Software
  17 #  Foundation, Inc., 59 Temple Place, Suite 330, Boston, MA  02111-1307 USA
  18 #
  19 #  See http://www.salome-platform.org/ or email : webmaster.salome@opencascade.com
  20 #
  21 __doc__ = """
  22     Diagnostic qui compare les variances de 2 vecteurs au sens de Fisher à
  23     l'aide du calcul de la p-value pour le test de Fisher.
  24         - entrée : la tolérance (tolerance) sous forme de paramètres dans le
  25           dictionnaire Par, et les deux vecteurs d'échantillons.
  26         - sortie : le résultat du diagnostic est une réponse booléenne au test :
  27           True si l'égalite des variances est valide au sens du test de Fisher,
  28           False dans le cas contraire
  29 """
  30 __author__ = "Sophie RICCI - Juillet 2008"
  31
  32 import sys ; sys.path.insert(0, "../daCore")
  33
  34 import numpy
  35 import Persistence
  36 from BasicObjects import Diagnostic
  37 from ComputeFisher import ComputeFisher
  38 import logging
  39
  40 # ==============================================================================
  41 class ElementaryDiagnostic(Diagnostic,Persistence.OneScalar):
  42     """
  43     Diagnostic qui compare les variances de 2 vecteurs au sens de Fisher à
  44     l'aide du calcul de la p-value pour le test de Fisher.
  45         - entrée : la tolérance (tolerance) sous forme de paramètres dans le
  46           dictionnaire Par, et les deux vecteurs d'échantillons.
  47         - sortie : le résultat du diagnostic est une réponse booléenne au test :
  48           True si l'égalite des variances est valide au sens du test de Fisher,
  49           False dans le cas contraire
  50     """
  51     def __init__(self, name="", unit="", basetype = None, parameters = {} ):
  52         Diagnostic.__init__(self, name, parameters)
  53         Persistence.OneScalar.__init__( self, name, unit, basetype = bool)
  54         if not self.parameters.has_key("tolerance"):
  55             raise ValueError("A parameter named \"tolerance\" is required.")
  56
  57     def formula(self, V1, V2):
  58         """
  59         Effectue le test de Fisher avec la p-value pour 2 vecteurs
  60         """
  61         [aire, f, reponse, message] = ComputeFisher(
  62             vector1 = V1,
  63             vector2 = V2,
  64             tolerance = self.parameters["tolerance"],
  65             )
  66         answerKhisquareTest = False
  67         if (aire < (100.*self.parameters["tolerance"])) :
  68             answerKhisquareTest = False
  69         else:
  70             answerKhisquareTest = True
  71         logging.info( message )
  72         #
  73         return answerKhisquareTest
  74
  75     def calculate(self, vector1 = None, vector2 = None,  step = None):
  76         """
  77         Active la formule de calcul
  78         """
  79         if (vector1 is None) or (vector2 is None) :
  80             raise ValueError("Two vectors must be given to calculate the Fisher p-value")
  81         V1 = numpy.array(vector1)
  82         V2 = numpy.array(vector2)
  83         if (V1.size < 1) or (V2.size < 1):
  84             raise ValueError("The given vectors must not be empty")
  85         if V1.size != V2.size:
  86             raise ValueError("The two given vectors must have the same size, or the vector types are incompatible")
  87         #
  88         value = self.formula( V1, V2 )
  89         #
  90         self.store( value = value, step = step)
  91
  92 # ==============================================================================
  93 if __name__ == "__main__":
  94     print '\n AUTODIAGNOSTIC \n'
  95
  96     print " Test d'égalite des variances pour deux vecteurs de taille 10"
  97     print
  98     #
  99     # Initialisation des inputs et appel du diagnostic
 100     # --------------------------------------------------------------------
 101     tolerance = 0.05
 102     D = ElementaryDiagnostic("CompareVarianceFisher", parameters = {
 103                  "tolerance":tolerance,
 104                  })
 105     #
 106     # Tirage de l'echantillon aleatoire
 107     # --------------------------------------------------------------------
 108     x1 = numpy.array(([-0.23262176, 1.36065207,  0.32988102, 0.24400551, -0.66765848, -0.19088483, -0.31082575,  0.56849814,  1.21453443,  0.99657516]))
 109     x2 = numpy.array(([-0.23, 1.36,  0.32, 0.24, -0.66, -0.19, -0.31,  0.56,  1.21,  0.99]))
 110     #
 111     # Calcul
 112     # --------------------------------------------------------------------
 113     D.calculate(x1, x2)
 114     #
 115     if D.valueserie(0) :
 116             print " L'hypothèse d'égalité des deux variances est correcte."
 117             print
 118     else :
 119             raise ValueError("L'hypothèse d'égalité des deux variances est fausse.")