166 lines
4.6 KiB
Python
166 lines
4.6 KiB
Python
from dataclasses import dataclass
|
|
import numpy as np
|
|
from scipy import stats
|
|
from scipy.stats import norm
|
|
import pandas as pd
|
|
|
|
@dataclass
|
|
class Zuverlaessigkeit:
|
|
|
|
def gesamtredundanz(n, u):
|
|
r = n - u
|
|
return r
|
|
|
|
|
|
def berechne_R(Q_vv, P):
|
|
R = Q_vv @ P
|
|
return R #Redundanzmatrix
|
|
|
|
|
|
def berechne_ri(R):
|
|
ri = np.diag(R)
|
|
EVi = 100.0 * ri
|
|
return ri, EVi #Redundanzanteile
|
|
|
|
|
|
def klassifiziere_ri(ri): #Klassifizierung der Redundanzanteile
|
|
if ri < 0.01:
|
|
return "nicht kontrollierbar"
|
|
elif ri < 0.10:
|
|
return "schlecht kontrollierbar"
|
|
elif ri < 0.30:
|
|
return "ausreichend kontrollierbar"
|
|
elif ri < 0.70:
|
|
return "gut kontrollierbar"
|
|
else:
|
|
return "nahezu vollständig redundant"
|
|
|
|
|
|
def globaltest(r_gesamt, sigma0_apost, sigma0_apriori, alpha):
|
|
T_G = (sigma0_apost ** 2) / (sigma0_apriori ** 2)
|
|
F_krit = stats.f.ppf(1 - alpha, r_gesamt, 10 ** 9)
|
|
H0 = T_G <= F_krit
|
|
|
|
if H0:
|
|
interpretation = (
|
|
"Nullhypothese H₀ angenommen.\n"
|
|
)
|
|
else:
|
|
interpretation = (
|
|
"Nullhypothese H₀ verworfen!\n"
|
|
"Dies kann folgende Gründe haben:\n"
|
|
"→ Es befinden sich grobe Fehler im Datenmaterial.\n"
|
|
"→ Das funktionale Modell ist fehlerhaft.\n"
|
|
"→ Das stochastische Modell ist zu optimistisch."
|
|
)
|
|
|
|
return {
|
|
"r_gesamt": r_gesamt,
|
|
"sigma0_apost": sigma0_apost,
|
|
"sigma0_apriori": sigma0_apriori,
|
|
"alpha": alpha,
|
|
"T_G": T_G,
|
|
"F_krit": F_krit,
|
|
"H0_angenommen": H0,
|
|
"Interpretation": interpretation,
|
|
}
|
|
|
|
|
|
def lokaltest_innere_Zuverlaessigkeit(v, Q_vv, ri, labels, s0_apost, alpha, beta):
|
|
v = np.asarray(v, float).reshape(-1)
|
|
Q_vv = np.asarray(Q_vv, float)
|
|
ri = np.asarray(ri, float).reshape(-1)
|
|
labels = list(labels)
|
|
|
|
# Standardabweichungen der Residuen
|
|
qv = np.diag(Q_vv).astype(float)
|
|
s_vi = float(s0_apost) * np.sqrt(qv)
|
|
|
|
# Quantile k und kA (zweiseitig),
|
|
k = float(norm.ppf(1 - alpha / 2))
|
|
kA = float(norm.ppf(1 - beta)) # (Testmacht 1-β)
|
|
|
|
# Nichtzentralitätsparameter δ0
|
|
nzp = k + kA
|
|
|
|
# Normierte Verbesserung NV
|
|
NV = np.abs(v) / s_vi
|
|
|
|
# Grenzen für v_i
|
|
v_grenz = k * s_vi
|
|
v_min = -v_grenz
|
|
v_max = v_grenz
|
|
|
|
# Grobfehlerabschätzung:
|
|
ri_safe = np.where(ri == 0, np.nan, ri)
|
|
GF = -v / ri_safe
|
|
|
|
# Grenzwert für die Aufdeckbarkeit eines GF (GRZW)
|
|
GRZW_i = (s_vi / ri_safe) * k
|
|
|
|
auffaellig = NV > k
|
|
|
|
Lokaltest_innere_Zuv = pd.DataFrame({
|
|
"Beobachtung": labels,
|
|
"v_i": v,
|
|
"r_i": ri,
|
|
"s_vi": s_vi,
|
|
"k": k,
|
|
"NV_i": NV,
|
|
"auffaellig": auffaellig,
|
|
"v_min": v_min,
|
|
"v_max": v_max,
|
|
"GF_i": GF,
|
|
"GRZW_v": v_grenz, # = k*s_vi
|
|
"GRZW_i": GRZW_i, # = (s_vi/r_i)*k
|
|
"alpha": alpha,
|
|
"beta": beta,
|
|
"kA": kA,
|
|
"δ0": nzp,
|
|
})
|
|
return Lokaltest_innere_Zuv
|
|
|
|
|
|
def EinflussPunktlage(df_lokaltest):
|
|
df = df_lokaltest.copy()
|
|
|
|
r = df["r_i"].astype(float).to_numpy()
|
|
GF = df["GF_i"].astype(float).to_numpy()
|
|
nzp = df["δ0"].astype(float).to_numpy()
|
|
|
|
EF = np.sqrt((1 - r) / r) * nzp
|
|
EP = (1 - r) * GF
|
|
|
|
df["δ0"] = nzp
|
|
df["EF_i"] = EF
|
|
df["EP_i"] = EP
|
|
|
|
EinflussPunktlage = df[["Beobachtung", "r_i", "GF_i", "EF_i", "EP_i", "δ0", "alpha", "beta"]]
|
|
return EinflussPunktlage
|
|
|
|
|
|
def aeussere_zuverlaessigkeit_EF(Qxx, A, P, s0_apost, GRZW, labels):
|
|
Qxx = np.asarray(Qxx, float)
|
|
A = np.asarray(A, float)
|
|
P = np.asarray(P, float)
|
|
GRZW = np.asarray(GRZW, float).reshape(-1)
|
|
labels = list(labels)
|
|
|
|
B = Qxx @ (A.T @ P)
|
|
|
|
EF = np.empty_like(GRZW, dtype=float)
|
|
|
|
# Für jede Beobachtung i: ∇x_i = B[:,i] * GRZW_i
|
|
# EF_i^2 = (GRZW_i^2 * B_i^T Qxx^{-1} B_i) / s0^2
|
|
for i in range(len(GRZW)):
|
|
bi = B[:, i] # (u,)
|
|
y = np.linalg.solve(Qxx, bi) # = Qxx^{-1} bi
|
|
EF2 = (GRZW[i] ** 2) * float(bi @ y) / (float(s0_apost) ** 2)
|
|
EF[i] = np.sqrt(EF2)
|
|
|
|
df = pd.DataFrame({
|
|
"Beobachtung": labels,
|
|
"GRZW_i": GRZW,
|
|
"EF_i": EF
|
|
})
|
|
return df |