jars/icu4j-4_2_1-src/src/com/ibm/icu/dev/test/perf/Dataset.pm

   1 #/**\r
   2 # *******************************************************************************\r
   3 # * Copyright (C) 2002-2004, International Business Machines Corporation and    *\r
   4 # * others. All Rights Reserved.                                                *\r
   5 # *******************************************************************************\r
   6 # */\r
   7 package Dataset;\r
   8 use Statistics::Descriptive;\r
   9 use Statistics::Distributions;\r
  10 use strict;\r
  11 \r
  12 # Create a new Dataset with the given data.\r
  13 sub new {\r
  14     my ($class) = shift;\r
  15     my $self = bless {\r
  16         _data => \@_,\r
  17         _scale => 1.0,\r
  18         _mean => 0.0,\r
  19         _error => 0.0,\r
  20     }, $class;\r
  21 \r
  22     my $n = @_;\r
  23     \r
  24     if ($n >= 1) {\r
  25         my $stats = Statistics::Descriptive::Full->new();\r
  26         $stats->add_data(@{$self->{_data}});\r
  27         $self->{_mean} = $stats->mean();\r
  28 \r
  29         if ($n >= 2) {\r
  30             # Use a t distribution rather than Gaussian because (a) we\r
  31             # assume an underlying normal dist, (b) we do not know the\r
  32             # standard deviation -- we estimate it from the data, and (c)\r
  33             # we MAY have a small sample size (also works for large n).\r
  34             my $t = Statistics::Distributions::tdistr($n-1, 0.005);\r
  35             $self->{_error} = $t * $stats->standard_deviation();\r
  36         }\r
  37     }\r
  38 \r
  39     $self;\r
  40 }\r
  41 \r
  42 # Set a scaling factor for all data; 1.0 means no scaling.\r
  43 # Scale must be > 0.\r
  44 sub setScale {\r
  45     my ($self, $scale) = @_;\r
  46     $self->{_scale} = $scale;\r
  47 }\r
  48 \r
  49 # Multiply the scaling factor by a value.\r
  50 sub scaleBy {\r
  51     my ($self, $a) = @_;\r
  52     $self->{_scale} *= $a;\r
  53 }\r
  54 \r
  55 # Return the mean.\r
  56 sub getMean {\r
  57     my $self = shift;\r
  58     return $self->{_mean} * $self->{_scale};\r
  59 }\r
  60 \r
  61 # Return a 99% error based on the t distribution.  The dataset\r
  62 # is desribed as getMean() +/- getError().\r
  63 sub getError {\r
  64     my $self = shift;\r
  65     return $self->{_error} * $self->{_scale};\r
  66 }\r
  67 \r
  68 # Divide two Datasets and return a new one, maintaining the\r
  69 # mean+/-error.  The new Dataset has no data points.\r
  70 sub divide {\r
  71     my $self = shift;\r
  72     my $rhs = shift;\r
  73     \r
  74     my $minratio = ($self->{_mean} - $self->{_error}) /\r
  75                    ($rhs->{_mean} + $rhs->{_error});\r
  76     my $maxratio = ($self->{_mean} + $self->{_error}) /\r
  77                    ($rhs->{_mean} - $rhs->{_error});\r
  78 \r
  79     my $result = Dataset->new();\r
  80     $result->{_mean} = ($minratio + $maxratio) / 2;\r
  81     $result->{_error} = $result->{_mean} - $minratio;\r
  82     $result->{_scale} = $self->{_scale} / $rhs->{_scale};\r
  83     $result;\r
  84 }\r
  85 \r
  86 1;\r