Commit 7c169c8c authored by adrian.canosa's avatar adrian.canosa

Poniendo excepciones en los test de SciPy por si acaso.

parent b67ac2ef
......@@ -164,11 +164,14 @@ def shapiro(id_fichero, alpha=0.05):
p_valores = []
resultados = []
for i in range(len(datos["matriz_datos"][0])):
resultado_shapiro = st.shapiro([conjunto[i] for conjunto in datos["matriz_datos"]])
estadisticos_w.append(resultado_shapiro[0])
p_valores.append(resultado_shapiro[1])
#Si p_valor < alpha, se rechaza la hipótesis "True" de que la muestra provenga de una distribución normal.
resultados.append(resultado_shapiro[1]<alpha)
try:
resultado_shapiro = st.shapiro([conjunto[i] for conjunto in datos["matriz_datos"]])
estadisticos_w.append(resultado_shapiro[0])
p_valores.append(resultado_shapiro[1])
#Si p_valor < alpha, se rechaza la hipótesis "True" de que la muestra provenga de una distribución normal.
resultados.append(resultado_shapiro[1]<alpha)
except Exception, fallo:
return {"fallo" : str(fallo)}
return json.dumps({"resultado" : resultados, "estadisticos_w" : estadisticos_w, "p_valores" : p_valores})
......@@ -186,11 +189,14 @@ def kolmogorov(id_fichero, alpha=0.05):
p_valores = []
resultados = []
for i in range(len(datos["matriz_datos"][0])):
resultado_kolmogorov = st.kstest([conjunto[i] for conjunto in datos["matriz_datos"]],'norm')
estadisticos_d.append(resultado_kolmogorov[0])
p_valores.append(resultado_kolmogorov[1])
#Si p_valor < alpha, se rechaza la hipótesis "True" de que la muestra provenga de una distribución normal.
resultados.append(np.asscalar(resultado_kolmogorov[1]<alpha))
try:
resultado_kolmogorov = st.kstest([conjunto[i] for conjunto in datos["matriz_datos"]],'norm')
estadisticos_d.append(resultado_kolmogorov[0])
p_valores.append(resultado_kolmogorov[1])
#Si p_valor < alpha, se rechaza la hipótesis "True" de que la muestra provenga de una distribución normal.
resultados.append(np.asscalar(resultado_kolmogorov[1]<alpha))
except Exception, fallo:
return {"fallo" : str(fallo)}
return json.dumps({"resultado" : resultados, "estadisticos_d" : estadisticos_d, "p_valores" : p_valores})
......@@ -204,9 +210,12 @@ def agostino(id_fichero, alpha=0.05):
datos = lista_ficheros[id_fichero]
except Exception:
return {"fallo" : "There is no file with that key."}
estadisticos_k2, p_valores = st.normaltest(datos["matriz_datos"],axis=0)
#Si p_valor < alpha, se rechaza la hipótesis "True" de que la muestra provenga de una distribución normal.
resultados = [np.asscalar(p_valores[i]<alpha) for i in range(len(p_valores))]
try:
estadisticos_k2, p_valores = st.normaltest(datos["matriz_datos"],axis=0)
#Si p_valor < alpha, se rechaza la hipótesis "True" de que la muestra provenga de una distribución normal.
resultados = [np.asscalar(p_valores[i]<alpha) for i in range(len(p_valores))]
except Exception, fallo:
return {"fallo" : str(fallo)}
return json.dumps({"resultado" : resultados, "estadisticos_k2" : estadisticos_k2.tolist(), "p_valores" : p_valores.tolist()})
......@@ -223,10 +232,13 @@ def levene(id_fichero, alpha=0.05):
argumentos = ()
for i in range(len(datos["matriz_datos"][0])):
argumentos = argumentos + ([conjunto[i] for conjunto in datos["matriz_datos"]],)
estadistico_w, p_valor = st.levene(*argumentos)
#Si p_valor < alpha, se rechaza la hipótesis "True" de que las muestras de entrada provengan de poblaciones con
#varianzas similares.
resultado = np.asscalar(p_valor<alpha)
try:
estadistico_w, p_valor = st.levene(*argumentos)
#Si p_valor < alpha, se rechaza la hipótesis "True" de que las muestras de entrada provengan de poblaciones con
#varianzas similares.
resultado = np.asscalar(p_valor<alpha)
except Exception, fallo:
return {"fallo" : str(fallo)}
return json.dumps({"resultado" : resultado, "estadistico_w" : estadistico_w, "p_valor" : p_valor})
......@@ -246,10 +258,13 @@ def ttest(id_fichero, alpha=0.05):
argumentos = ()
for i in range(len(datos["matriz_datos"][0])):
argumentos = argumentos + ([conjunto[i] for conjunto in datos["matriz_datos"]],)
estadistico_t, p_valor = st.ttest_rel(*argumentos)
#Si p_valor < alpha, se rechaza la hipótesis "True" de que las 2 muestras relacionadas o repetidas
#tienen idénticos valores promedio (esperados).
resultado = np.asscalar(p_valor<alpha)
try:
estadistico_t, p_valor = st.ttest_rel(*argumentos)
#Si p_valor < alpha, se rechaza la hipótesis "True" de que las 2 muestras relacionadas o repetidas
#tienen idénticos valores promedio (esperados).
resultado = np.asscalar(p_valor<alpha)
except Exception, fallo:
return {"fallo" : str(fallo)}
return json.dumps({"resultado" : resultado, "estadistico_t" : estadistico_t.tolist(), "p_valor" : p_valor})
......@@ -272,3 +287,4 @@ def anova(id_fichero, alpha=0.05):
if __name__ == '__main__':
run(reloader=True, host='localhost', port=8080, quiet=True)
......@@ -35,7 +35,10 @@ $(document).on('ready', function() {
$("#alerta_fichero_homocedasticidad").hide();
if(data.fallo){
$("#alerta_fichero_homocedasticidad").show();
if(data.fallo.indexOf("fichero") > -1)
$("#alerta_fichero_homocedasticidad").show();
else
$("#fallo_test_homocedasticidad").html(data.fallo).show();
}
else{
salida = salida + generar_tabla_levene(data);
......@@ -82,7 +85,10 @@ $(document).on('ready', function() {
$("#alerta_fichero").hide();
if(data.fallo){
$("#alerta_fichero").show();
if(data.fallo.indexOf("fichero") > -1)
$("#alerta_fichero").show();
else
$("#fallo_test").html(data.fallo).show();
}
else{
salida = salida + generar_tabla_normalidad(data,test);
......
Markdown is supported
0% or
You are about to add 0 people to the discussion. Proceed with caution.
Finish editing this message first!
Please register or to comment