def pruebaKS(muestra):
# Prueba de Kolmogorov-Smirnov
n = len(muestra)
muestra_ordenada = muestra.copy()
muestra_ordenada.sort()
d_esperada = (ksone.ppf((1 - 0.05 / 2), n))
# 1.36/math.sqrt(n)
d_mas = []
d_menos = []
for i in range(1, n + 1):
x = i / n - muestra_ordenada[i - 1]
d_mas.append(x)
for i in range(1, n + 1):
y = (i - 1) / n
y = muestra_ordenada[i - 1] - y
d_menos.append(y)
D = max(max(d_mas, d_menos))
print("D calculada: " + str(D) + " , D esperada : " + str(d_esperada))
if (D < d_esperada):
print("Test aprobado. Muestra uniforme")
print("")
return True
else:
print("Test desaprobado. No implica que no sea uniforme")
print("")
return False
def D_distribution_table():
alphaList = [0.2, 0.15, 0.10, 0.05, 0.01]
table = [[0] * 5 for i in range(35)]
for i in range(35):
for j in range(5):
table[i][j] = ksone.ppf(1 - alphaList[j] / 2, i + 1)
return table
def Kolmogorov_test(variation, n):
ay, by = find_borders()
emp_theor_graphics(ay, by, variation)
f_theor = [F(x) for x in variation]
max_d = max([
max(i / n - F(variation[i]),
F(variation[i]) - (i - 1) / n) for i in range(n)
])
lambda_crit = n**0.5 * max_d
print("Kolmogorov test:")
kolmogorov_function = n**0.5 * ksone.ppf(1 - 0.01 / 2, n)
if lambda_crit < kolmogorov_function:
print("True: ", lambda_crit, " < ", kolmogorov_function)
else:
print("False: ", lambda_crit, " > ", kolmogorov_function)
def Kolmogorov(numeros, alpha):
#Ordenar los numeros en forma ascendente
num_ordenados = sorted(numeros)
tamaño = len(num_ordenados)
#Calculo D+ Y D-
D_Mas = max(((i + 1) / tamaño - num_ordenados[i]) for i in range(tamaño))
D_Menos = min((num_ordenados[i] - (i - 1) / tamaño) for i in range(tamaño))
#Obtengo el mas grande
D = max(abs(D_Mas), abs(D_Menos))
#Busco el valor critico de la tabla de kolmogorov para ese nivel de significancia y lo comparo con D
#Si D es menor que el valor critico puedo decir que los datos pertenecen a una distribucion uniforme
#Para buscar los datos uso la libreria de scipy
valor_critico = (ksone.ppf((1 - alpha / 2), tamaño))
if D < valor_critico:
resultado = True
else:
resultado = False
return num_ordenados
def kolmogorov(random_numbers):
random_numbers.sort()
dPlus = []
dMinus = []
i = 1
N = len(random_numbers)
for R in random_numbers:
dPlus.append((i / N) - R)
dMinus.append(R - ((i - 1) / N))
i += 1
dPlus = max(dPlus)
dMinus = max(dMinus)
D = max(dPlus, dMinus)
DTable = ksone.ppf(1 - 0.05 / 2, N)
result = "Kolmogorov:\nCon D = " + str(D) + "\nCon DTable = " + str(DTable)
if D < DTable:
return result + "\nSí es aceptado, la prueba es uniforme"
else:
return result + "\nNo es aceptado, la prueba no es uniforme"
plt.xticks(midpoints)
plt.title('ECDF')
tcdf = theor_cdf(x_tdf, rel_scale_coeff)
plt.plot(x_tdf, tcdf, ls='dashed', color='r')
#plt.savefig('ecdf.png', dpi = 900)
ct = np.array([
x * (np.sum(hist) * bins_width)
for x in theor_pdf(midpoints, rel_scale_coeff)
])
chi2_emp = np.sum(((hist - ct)**2) / ct)
chi2_crit = st.chi2.ppf(0.99, np.size(bin_edges) - 2)
check_hip = chi2_crit > chi2_emp
print('chi2 crit: {}, chi2 emp: {}'.format(chi2_crit, chi2_emp))
data2 = np.array(read_unix_csv('9_data2.csv'))
dmin, dmax = d_stat(data1, data2)
dstat_emp = np.max([dmin, dmax])
ks_crit = ksone.ppf(0.6)
n, m = np.size(data1), np.size(data2)
print('Dm,n : {}, Kcrit: {}'.format(dstat_emp, ks_crit))
print('D * sqrt [mn / (m + n)] : {}'.format(dstat_emp * np.sqrt(m * n /
(m + n))))
dstat, pval = ks_2samp(data1, data2)
print(dstat)
print('d1 and d2 is same with prob: ', pval)
def ks_critical_value(self, n_trials, alpha):
return ksone.ppf(1 - alpha / 2, n_trials)
from scipy.stats import ksone import matplotlib.pyplot as plt fig, ax = plt.subplots(1, 1) # Calculate a few first moments: n = 1e+03 mean, var, skew, kurt = ksone.stats(n, moments='mvsk') # Display the probability density function (``pdf``): x = np.linspace(ksone.ppf(0.01, n), ksone.ppf(0.99, n), 100) ax.plot(x, ksone.pdf(x, n), 'r-', lw=5, alpha=0.6, label='ksone pdf') # Alternatively, the distribution object can be called (as a function) # to fix the shape, location and scale parameters. This returns a "frozen" # RV object holding the given parameters fixed. # Freeze the distribution and display the frozen ``pdf``: rv = ksone(n) ax.plot(x, rv.pdf(x), 'k-', lw=2, label='frozen pdf') # Check accuracy of ``cdf`` and ``ppf``: vals = ksone.ppf([0.001, 0.5, 0.999], n) np.allclose([0.001, 0.5, 0.999], ksone.cdf(vals, n)) # True # Generate random numbers:
def valor_critico(self):
if self.metodo == 'KS':
return ksone.ppf(1 - self.nivel_de_significancia / 2, self.v)
else:
return chi2.ppf(1 - self.nivel_de_significancia, self.v)
def critical_value(lev_of_sig, df):
return ksone.ppf(1 - lev_of_sig / 2, df)
from scipy.stats import chi2, ks_2samp, kstat, kstatvar, kstest, ksone, anderson_ksamp
# Devuelve el valor critico de la tabla
v = 1
alpha = 0.001
for v in range(1, 11):
print("v", v, ksone.ppf(1 - alpha / 2, v))
prob = 1 - 0.99