f5cf85b8537d495406937b57cf67e38d7eca10fd
[u/mrichter/AliRoot.git] / STAT / TStatToolkit.cxx
1 /**************************************************************************
2  * Copyright(c) 1998-1999, ALICE Experiment at CERN, All rights reserved. *
3  *                                                                        *
4  * Author: The ALICE Off-line Project.                                    *
5  * Contributors are mentioned in the code where appropriate.              *
6  *                                                                        *
7  * Permission to use, copy, modify and distribute this software and its   *
8  * documentation strictly for non-commercial purposes is hereby granted   *
9  * without fee, provided that the above copyright notice appears in all   *
10  * copies and that both the copyright notice and this permission notice   *
11  * appear in the supporting documentation. The authors make no claims     *
12  * about the suitability of this software for any purpose. It is          *
13  * provided "as is" without express or implied warranty.                  *
14  **************************************************************************/
15
16
17 ///////////////////////////////////////////////////////////////////////////
18 // Class TStatToolkit
19 // 
20 // Subset of  matheamtical functions  not included in the TMath
21 //
22
23 ///////////////////////////////////////////////////////////////////////////
24 #include "TMath.h"
25 #include "Riostream.h"
26 #include "TH1F.h"
27 #include "TH3.h"
28 #include "TF1.h"
29 #include "TTree.h"
30 #include "TChain.h"
31 #include "TObjString.h"
32 #include "TLinearFitter.h"
33 #include "TGraph2D.h"
34 #include "TGraph.h"
35 #include "TGraphErrors.h"
36
37 //
38 // includes neccessary for test functions
39 //
40 #include "TSystem.h"
41 #include "TRandom.h"
42 #include "TStopwatch.h"
43 #include "TTreeStream.h"
44
45 #include "TStatToolkit.h"
46
47  
48 ClassImp(TStatToolkit) // Class implementation to enable ROOT I/O
49  
50 TStatToolkit::TStatToolkit() : TObject()
51 {
52   //
53   // Default constructor
54   //
55 }
56 ///////////////////////////////////////////////////////////////////////////
57 TStatToolkit::~TStatToolkit()
58 {
59   //
60   // Destructor
61   //
62 }
63
64
65 //_____________________________________________________________________________
66 void TStatToolkit::EvaluateUni(Int_t nvectors, Double_t *data, Double_t &mean
67                            , Double_t &sigma, Int_t hh)
68 {
69   //
70   // Robust estimator in 1D case MI version - (faster than ROOT version)
71   //
72   // For the univariate case
73   // estimates of location and scatter are returned in mean and sigma parameters
74   // the algorithm works on the same principle as in multivariate case -
75   // it finds a subset of size hh with smallest sigma, and then returns mean and
76   // sigma of this subset
77   //
78
79   if (hh==0)
80     hh=(nvectors+2)/2;
81   Double_t faclts[]={2.6477,2.5092,2.3826,2.2662,2.1587,2.0589,1.9660,1.879,1.7973,1.7203,1.6473};
82   Int_t *index=new Int_t[nvectors];
83   TMath::Sort(nvectors, data, index, kFALSE);
84   
85   Int_t    nquant = TMath::Min(Int_t(Double_t(((hh*1./nvectors)-0.5)*40))+1, 11);
86   Double_t factor = faclts[TMath::Max(0,nquant-1)];
87   
88   Double_t sumx  =0;
89   Double_t sumx2 =0;
90   Int_t    bestindex = -1;
91   Double_t bestmean  = 0; 
92   Double_t bestsigma = (data[index[nvectors-1]]-data[index[0]]+1.);   // maximal possible sigma
93   bestsigma *=bestsigma;
94
95   for (Int_t i=0; i<hh; i++){
96     sumx  += data[index[i]];
97     sumx2 += data[index[i]]*data[index[i]];
98   }
99   
100   Double_t norm = 1./Double_t(hh);
101   Double_t norm2 = (hh-1)>0 ? 1./Double_t(hh-1):1;
102   for (Int_t i=hh; i<nvectors; i++){
103     Double_t cmean  = sumx*norm;
104     Double_t csigma = (sumx2 - hh*cmean*cmean)*norm2;
105     if (csigma<bestsigma){
106       bestmean  = cmean;
107       bestsigma = csigma;
108       bestindex = i-hh;
109     }
110     
111     sumx  += data[index[i]]-data[index[i-hh]];
112     sumx2 += data[index[i]]*data[index[i]]-data[index[i-hh]]*data[index[i-hh]];
113   }
114   
115   Double_t bstd=factor*TMath::Sqrt(TMath::Abs(bestsigma));
116   mean  = bestmean;
117   sigma = bstd;
118   delete [] index;
119
120 }
121
122
123
124 void TStatToolkit::EvaluateUniExternal(Int_t nvectors, Double_t *data, Double_t &mean, Double_t &sigma, Int_t hh,  Float_t externalfactor)
125 {
126   // Modified version of ROOT robust EvaluateUni
127   // robust estimator in 1D case MI version
128   // added external factor to include precision of external measurement
129   // 
130
131   if (hh==0)
132     hh=(nvectors+2)/2;
133   Double_t faclts[]={2.6477,2.5092,2.3826,2.2662,2.1587,2.0589,1.9660,1.879,1.7973,1.7203,1.6473};
134   Int_t *index=new Int_t[nvectors];
135   TMath::Sort(nvectors, data, index, kFALSE);
136   //
137   Int_t    nquant = TMath::Min(Int_t(Double_t(((hh*1./nvectors)-0.5)*40))+1, 11);
138   Double_t factor = faclts[0];
139   if (nquant>0){
140     // fix proper normalization - Anja
141     factor = faclts[nquant-1];
142   }
143
144   //
145   //
146   Double_t sumx  =0;
147   Double_t sumx2 =0;
148   Int_t    bestindex = -1;
149   Double_t bestmean  = 0; 
150   Double_t bestsigma = -1;
151   for (Int_t i=0; i<hh; i++){
152     sumx  += data[index[i]];
153     sumx2 += data[index[i]]*data[index[i]];
154   }
155   //   
156   Double_t kfactor = 2.*externalfactor - externalfactor*externalfactor;
157   Double_t norm = 1./Double_t(hh);
158   for (Int_t i=hh; i<nvectors; i++){
159     Double_t cmean  = sumx*norm;
160     Double_t csigma = (sumx2*norm - cmean*cmean*kfactor);
161     if (csigma<bestsigma ||  bestsigma<0){
162       bestmean  = cmean;
163       bestsigma = csigma;
164       bestindex = i-hh;
165     }
166     //
167     //
168     sumx  += data[index[i]]-data[index[i-hh]];
169     sumx2 += data[index[i]]*data[index[i]]-data[index[i-hh]]*data[index[i-hh]];
170   }
171   
172   Double_t bstd=factor*TMath::Sqrt(TMath::Abs(bestsigma));
173   mean  = bestmean;
174   sigma = bstd;
175   delete [] index;
176 }
177
178
179 //_____________________________________________________________________________
180 Int_t TStatToolkit::Freq(Int_t n, const Int_t *inlist
181                         , Int_t *outlist, Bool_t down)
182 {    
183   //
184   //  Sort eleements according occurancy 
185   //  The size of output array has is 2*n 
186   //
187
188   Int_t * sindexS = new Int_t[n];     // temp array for sorting
189   Int_t * sindexF = new Int_t[2*n];   
190   for (Int_t i=0;i<n;i++) sindexS[i]=0;
191   for (Int_t i=0;i<2*n;i++) sindexF[i]=0;
192   //
193   TMath::Sort(n,inlist, sindexS, down);  
194   Int_t last      = inlist[sindexS[0]];
195   Int_t val       = last;
196   sindexF[0]      = 1;
197   sindexF[0+n]    = last;
198   Int_t countPos  = 0;
199   //
200   //  find frequency
201   for(Int_t i=1;i<n; i++){
202     val = inlist[sindexS[i]];
203     if (last == val)   sindexF[countPos]++;
204     else{      
205       countPos++;
206       sindexF[countPos+n] = val;
207       sindexF[countPos]++;
208       last =val;
209     }
210   }
211   if (last==val) countPos++;
212   // sort according frequency
213   TMath::Sort(countPos, sindexF, sindexS, kTRUE);
214   for (Int_t i=0;i<countPos;i++){
215     outlist[2*i  ] = sindexF[sindexS[i]+n];
216     outlist[2*i+1] = sindexF[sindexS[i]];
217   }
218   delete [] sindexS;
219   delete [] sindexF;
220   
221   return countPos;
222
223 }
224
225 //___TStatToolkit__________________________________________________________________________
226 void TStatToolkit::TruncatedMean(const TH1 * his, TVectorD *param, Float_t down, Float_t up, Bool_t verbose){
227   //
228   //
229   //
230   Int_t nbins    = his->GetNbinsX();
231   Float_t nentries = his->GetEntries();
232   Float_t sum      =0;
233   Float_t mean   = 0;
234   Float_t sigma2 = 0;
235   Float_t ncumul=0;  
236   for (Int_t ibin=1;ibin<nbins; ibin++){
237     ncumul+= his->GetBinContent(ibin);
238     Float_t fraction = Float_t(ncumul)/Float_t(nentries);
239     if (fraction>down && fraction<up){
240       sum+=his->GetBinContent(ibin);
241       mean+=his->GetBinCenter(ibin)*his->GetBinContent(ibin);
242       sigma2+=his->GetBinCenter(ibin)*his->GetBinCenter(ibin)*his->GetBinContent(ibin);      
243     }
244   }
245   mean/=sum;
246   sigma2= TMath::Sqrt(TMath::Abs(sigma2/sum-mean*mean));
247   if (param){
248     (*param)[0] = his->GetMaximum();
249     (*param)[1] = mean;
250     (*param)[2] = sigma2;
251     
252   }
253   if (verbose)  printf("Mean\t%f\t Sigma2\t%f\n", mean,sigma2);
254 }
255
256 void TStatToolkit::LTM(TH1F * his, TVectorD *param , Float_t fraction,  Bool_t verbose){
257   //
258   // LTM
259   //
260   Int_t nbins    = his->GetNbinsX();
261   Int_t nentries = (Int_t)his->GetEntries();
262   Double_t *data  = new Double_t[nentries];
263   Int_t npoints=0;
264   for (Int_t ibin=1;ibin<nbins; ibin++){
265     Float_t entriesI = his->GetBinContent(ibin);
266     Float_t xcenter= his->GetBinCenter(ibin);
267     for (Int_t ic=0; ic<entriesI; ic++){
268       if (npoints<nentries){
269         data[npoints]= xcenter;
270         npoints++;
271       }
272     }
273   }
274   Double_t mean, sigma;
275   Int_t npoints2=TMath::Min(Int_t(fraction*Float_t(npoints)),npoints-1);
276   npoints2=TMath::Max(Int_t(0.5*Float_t(npoints)),npoints2);
277   TStatToolkit::EvaluateUni(npoints, data, mean,sigma,npoints2);
278   delete [] data;
279   if (verbose)  printf("Mean\t%f\t Sigma2\t%f\n", mean,sigma);if (param){
280     (*param)[0] = his->GetMaximum();
281     (*param)[1] = mean;
282     (*param)[2] = sigma;    
283   }
284 }
285
286 Double_t  TStatToolkit::FitGaus(TH1* his, TVectorD *param, TMatrixD */*matrix*/, Float_t xmin, Float_t xmax, Bool_t verbose){
287   //
288   //  Fit histogram with gaussian function
289   //  
290   //  Prameters:
291   //       return value- chi2 - if negative ( not enough points)
292   //       his        -  input histogram
293   //       param      -  vector with parameters 
294   //       xmin, xmax -  range to fit - if xmin=xmax=0 - the full histogram range used
295   //  Fitting:
296   //  1. Step - make logarithm
297   //  2. Linear  fit (parabola) - more robust - always converge
298   //  3. In case of small statistic bins are averaged
299   //  
300   static TLinearFitter fitter(3,"pol2");
301   TVectorD  par(3);
302   TVectorD  sigma(3);
303   TMatrixD mat(3,3);
304   if (his->GetMaximum()<4) return -1;  
305   if (his->GetEntries()<12) return -1;  
306   if (his->GetRMS()<mat.GetTol()) return -1;
307   Float_t maxEstimate   = his->GetEntries()*his->GetBinWidth(1)/TMath::Sqrt((TMath::TwoPi()*his->GetRMS()));
308   Int_t dsmooth = TMath::Nint(6./TMath::Sqrt(maxEstimate));
309
310   if (maxEstimate<1) return -1;
311   Int_t nbins    = his->GetNbinsX();
312   Int_t npoints=0;
313   //
314
315
316   if (xmin>=xmax){
317     xmin = his->GetXaxis()->GetXmin();
318     xmax = his->GetXaxis()->GetXmax();
319   }
320   for (Int_t iter=0; iter<2; iter++){
321     fitter.ClearPoints();
322     npoints=0;
323     for (Int_t ibin=1;ibin<nbins+1; ibin++){
324       Int_t countB=1;
325       Float_t entriesI =  his->GetBinContent(ibin);
326       for (Int_t delta = -dsmooth; delta<=dsmooth; delta++){
327         if (ibin+delta>1 &&ibin+delta<nbins-1){
328           entriesI +=  his->GetBinContent(ibin+delta);
329           countB++;
330         }
331       }
332       entriesI/=countB;
333       Double_t xcenter= his->GetBinCenter(ibin);
334       if (xcenter<xmin || xcenter>xmax) continue;
335       Double_t error=1./TMath::Sqrt(countB);
336       Float_t   cont=2;
337       if (iter>0){
338         if (par[0]+par[1]*xcenter+par[2]*xcenter*xcenter>20) return 0;
339         cont = TMath::Exp(par[0]+par[1]*xcenter+par[2]*xcenter*xcenter);
340         if (cont>1.) error = 1./TMath::Sqrt(cont*Float_t(countB));
341       }
342       if (entriesI>1&&cont>1){
343         fitter.AddPoint(&xcenter,TMath::Log(Float_t(entriesI)),error);
344         npoints++;
345       }
346     }  
347     if (npoints>3){
348       fitter.Eval();
349       fitter.GetParameters(par);
350     }else{
351       break;
352     }
353   }
354   if (npoints<=3){
355     return -1;
356   }
357   fitter.GetParameters(par);
358   fitter.GetCovarianceMatrix(mat);
359   if (TMath::Abs(par[1])<mat.GetTol()) return -1;
360   if (TMath::Abs(par[2])<mat.GetTol()) return -1;
361   Double_t chi2 = fitter.GetChisquare()/Float_t(npoints);
362   //fitter.GetParameters();
363   if (!param)  param  = new TVectorD(3);
364   // if (!matrix) matrix = new TMatrixD(3,3); // Covariance matrix to be implemented
365   (*param)[1] = par[1]/(-2.*par[2]);
366   (*param)[2] = 1./TMath::Sqrt(TMath::Abs(-2.*par[2]));
367   (*param)[0] = TMath::Exp(par[0]+ par[1]* (*param)[1] +  par[2]*(*param)[1]*(*param)[1]);
368   if (verbose){
369     par.Print();
370     mat.Print();
371     param->Print();
372     printf("Chi2=%f\n",chi2);
373     TF1 * f1= new TF1("f1","[0]*exp(-(x-[1])^2/(2*[2]*[2]))",his->GetXaxis()->GetXmin(),his->GetXaxis()->GetXmax());
374     f1->SetParameter(0, (*param)[0]);
375     f1->SetParameter(1, (*param)[1]);
376     f1->SetParameter(2, (*param)[2]);    
377     f1->Draw("same");
378   }
379   return chi2;
380 }
381
382 Double_t  TStatToolkit::FitGaus(Float_t *arr, Int_t nBins, Float_t xMin, Float_t xMax, TVectorD *param, TMatrixD */*matrix*/, Bool_t verbose){
383   //
384   //  Fit histogram with gaussian function
385   //  
386   //  Prameters:
387   //     nbins: size of the array and number of histogram bins
388   //     xMin, xMax: histogram range
389   //     param: paramters of the fit (0-Constant, 1-Mean, 2-Sigma)
390   //     matrix: covariance matrix -- not implemented yet, pass dummy matrix!!!
391   //
392   //  Return values:
393   //    >0: the chi2 returned by TLinearFitter
394   //    -3: only three points have been used for the calculation - no fitter was used
395   //    -2: only two points have been used for the calculation - center of gravity was uesed for calculation
396   //    -1: only one point has been used for the calculation - center of gravity was uesed for calculation
397   //    -4: invalid result!!
398   //
399   //  Fitting:
400   //  1. Step - make logarithm
401   //  2. Linear  fit (parabola) - more robust - always converge
402   //  
403   static TLinearFitter fitter(3,"pol2");
404   static TMatrixD mat(3,3);
405   static Double_t kTol = mat.GetTol();
406   fitter.StoreData(kFALSE);
407   fitter.ClearPoints();
408   TVectorD  par(3);
409   TVectorD  sigma(3);
410   TMatrixD matA(3,3);
411   TMatrixD b(3,1);
412   Float_t rms = TMath::RMS(nBins,arr);
413   Float_t max = TMath::MaxElement(nBins,arr);
414   Float_t binWidth = (xMax-xMin)/(Float_t)nBins;
415
416   Float_t meanCOG = 0;
417   Float_t rms2COG = 0;
418   Float_t sumCOG  = 0;
419
420   Float_t entries = 0;
421   Int_t nfilled=0;
422
423   for (Int_t i=0; i<nBins; i++){
424       entries+=arr[i];
425       if (arr[i]>0) nfilled++;
426   }
427
428   if (max<4) return -4;
429   if (entries<12) return -4;
430   if (rms<kTol) return -4;
431
432   Int_t npoints=0;
433   //
434
435   //
436   for (Int_t ibin=0;ibin<nBins; ibin++){
437       Float_t entriesI = arr[ibin];
438     if (entriesI>1){
439       Double_t xcenter = xMin+(ibin+0.5)*binWidth;
440       
441       Float_t error    = 1./TMath::Sqrt(entriesI);
442       Float_t val = TMath::Log(Float_t(entriesI));
443       fitter.AddPoint(&xcenter,val,error);
444       if (npoints<3){
445           matA(npoints,0)=1;
446           matA(npoints,1)=xcenter;
447           matA(npoints,2)=xcenter*xcenter;
448           b(npoints,0)=val;
449           meanCOG+=xcenter*entriesI;
450           rms2COG +=xcenter*entriesI*xcenter;
451           sumCOG +=entriesI;
452       }
453       npoints++;
454     }
455   }
456
457   
458   Double_t chi2 = 0;
459   if (npoints>=3){
460       if ( npoints == 3 ){
461           //analytic calculation of the parameters for three points
462           matA.Invert();
463           TMatrixD res(1,3);
464           res.Mult(matA,b);
465           par[0]=res(0,0);
466           par[1]=res(0,1);
467           par[2]=res(0,2);
468           chi2 = -3.;
469       } else {
470           // use fitter for more than three points
471           fitter.Eval();
472           fitter.GetParameters(par);
473           fitter.GetCovarianceMatrix(mat);
474           chi2 = fitter.GetChisquare()/Float_t(npoints);
475       }
476       if (TMath::Abs(par[1])<kTol) return -4;
477       if (TMath::Abs(par[2])<kTol) return -4;
478
479       if (!param)  param  = new TVectorD(3);
480       //if (!matrix) matrix = new TMatrixD(3,3);  // !!!!might be a memory leek. use dummy matrix pointer to call this function! // Covariance matrix to be implemented
481
482       (*param)[1] = par[1]/(-2.*par[2]);
483       (*param)[2] = 1./TMath::Sqrt(TMath::Abs(-2.*par[2]));
484       Double_t lnparam0 = par[0]+ par[1]* (*param)[1] +  par[2]*(*param)[1]*(*param)[1];
485       if ( lnparam0>307 ) return -4;
486       (*param)[0] = TMath::Exp(lnparam0);
487       if (verbose){
488           par.Print();
489           mat.Print();
490           param->Print();
491           printf("Chi2=%f\n",chi2);
492           TF1 * f1= new TF1("f1","[0]*exp(-(x-[1])^2/(2*[2]*[2]))",xMin,xMax);
493           f1->SetParameter(0, (*param)[0]);
494           f1->SetParameter(1, (*param)[1]);
495           f1->SetParameter(2, (*param)[2]);
496           f1->Draw("same");
497       }
498       return chi2;
499   }
500
501   if (npoints == 2){
502       //use center of gravity for 2 points
503       meanCOG/=sumCOG;
504       rms2COG /=sumCOG;
505       (*param)[0] = max;
506       (*param)[1] = meanCOG;
507       (*param)[2] = TMath::Sqrt(TMath::Abs(meanCOG*meanCOG-rms2COG));
508       chi2=-2.;
509   }
510   if ( npoints == 1 ){
511       meanCOG/=sumCOG;
512       (*param)[0] = max;
513       (*param)[1] = meanCOG;
514       (*param)[2] = binWidth/TMath::Sqrt(12);
515       chi2=-1.;
516   }
517   return chi2;
518
519 }
520
521
522 Float_t TStatToolkit::GetCOG(const Short_t *arr, Int_t nBins, Float_t xMin, Float_t xMax, Float_t *rms, Float_t *sum)
523 {
524     //
525     //  calculate center of gravity rms and sum for array 'arr' with nBins an a x range xMin to xMax
526     //  return COG; in case of failure return xMin
527     //
528     Float_t meanCOG = 0;
529     Float_t rms2COG = 0;
530     Float_t sumCOG  = 0;
531     Int_t npoints   = 0;
532
533     Float_t binWidth = (xMax-xMin)/(Float_t)nBins;
534
535     for (Int_t ibin=0; ibin<nBins; ibin++){
536         Float_t entriesI = (Float_t)arr[ibin];
537         Double_t xcenter = xMin+(ibin+0.5)*binWidth;
538         if ( entriesI>0 ){
539             meanCOG += xcenter*entriesI;
540             rms2COG += xcenter*entriesI*xcenter;
541             sumCOG  += entriesI;
542             npoints++;
543         }
544     }
545     if ( sumCOG == 0 ) return xMin;
546     meanCOG/=sumCOG;
547
548     if ( rms ){
549         rms2COG /=sumCOG;
550         (*rms) = TMath::Sqrt(TMath::Abs(meanCOG*meanCOG-rms2COG));
551         if ( npoints == 1 ) (*rms) = binWidth/TMath::Sqrt(12);
552     }
553
554     if ( sum )
555         (*sum) = sumCOG;
556
557     return meanCOG;
558 }
559
560
561
562 ///////////////////////////////////////////////////////////////
563 //////////////         TEST functions /////////////////////////
564 ///////////////////////////////////////////////////////////////
565
566
567
568
569
570 void TStatToolkit::TestGausFit(Int_t nhistos){
571   //
572   // Test performance of the parabolic - gaussian fit - compare it with 
573   // ROOT gauss fit
574   //  nhistos - number of histograms to be used for test
575   //
576   TTreeSRedirector *pcstream = new TTreeSRedirector("fitdebug.root");
577   
578   Float_t  *xTrue = new Float_t[nhistos];
579   Float_t  *sTrue = new Float_t[nhistos];
580   TVectorD **par1  = new TVectorD*[nhistos];
581   TVectorD **par2  = new TVectorD*[nhistos];
582   TMatrixD dummy(3,3);
583   
584   
585   TH1F **h1f = new TH1F*[nhistos];
586   TF1  *myg = new TF1("myg","gaus");
587   TF1  *fit = new TF1("fit","gaus");
588   gRandom->SetSeed(0);
589   
590   //init
591   for (Int_t i=0;i<nhistos; i++){
592     par1[i] = new TVectorD(3);
593     par2[i] = new TVectorD(3);
594     h1f[i]  = new TH1F(Form("h1f%d",i),Form("h1f%d",i),20,-10,10);
595     xTrue[i]= gRandom->Rndm();
596     gSystem->Sleep(2);
597     sTrue[i]= .75+gRandom->Rndm()*.5;
598     myg->SetParameters(1,xTrue[i],sTrue[i]);
599     h1f[i]->FillRandom("myg");
600   }
601   
602   TStopwatch s;
603   s.Start();
604   //standard gaus fit
605   for (Int_t i=0; i<nhistos; i++){
606     h1f[i]->Fit(fit,"0q");
607     (*par1[i])(0) = fit->GetParameter(0);
608     (*par1[i])(1) = fit->GetParameter(1);
609     (*par1[i])(2) = fit->GetParameter(2);
610   }
611   s.Stop();
612   printf("Gaussian fit\t");
613   s.Print();
614   
615   s.Start();
616   //TStatToolkit gaus fit
617   for (Int_t i=0; i<nhistos; i++){
618     TStatToolkit::FitGaus(h1f[i]->GetArray()+1,h1f[i]->GetNbinsX(),h1f[i]->GetXaxis()->GetXmin(),h1f[i]->GetXaxis()->GetXmax(),par2[i],&dummy);
619   }
620   
621   s.Stop();
622   printf("Parabolic fit\t");
623   s.Print();
624   //write stream
625   for (Int_t i=0;i<nhistos; i++){
626     Float_t xt  = xTrue[i];
627     Float_t st  = sTrue[i];
628     (*pcstream)<<"data"
629                <<"xTrue="<<xt
630                <<"sTrue="<<st
631                <<"pg.="<<(par1[i])
632                <<"pa.="<<(par2[i])
633                <<"\n";
634   }    
635   //delete pointers
636   for (Int_t i=0;i<nhistos; i++){
637     delete par1[i];
638     delete par2[i];
639     delete h1f[i];
640   }
641   delete pcstream;
642   delete []h1f;
643   delete []xTrue;
644   delete []sTrue;
645   //
646   delete []par1;
647   delete []par2;
648
649 }
650
651
652
653 TGraph2D * TStatToolkit::MakeStat2D(TH3 * his, Int_t delta0, Int_t delta1, Int_t type){
654   //
655   //
656   //
657   // delta - number of bins to integrate
658   // type - 0 - mean value
659
660   TAxis * xaxis  = his->GetXaxis();
661   TAxis * yaxis  = his->GetYaxis();
662   //  TAxis * zaxis  = his->GetZaxis();
663   Int_t   nbinx  = xaxis->GetNbins();
664   Int_t   nbiny  = yaxis->GetNbins();
665   char name[1000];
666   Int_t icount=0;
667   TGraph2D  *graph = new TGraph2D(nbinx*nbiny);
668   TF1 f1("f1","gaus");
669   for (Int_t ix=0; ix<nbinx;ix++)
670     for (Int_t iy=0; iy<nbiny;iy++){
671       Float_t xcenter = xaxis->GetBinCenter(ix); 
672       Float_t ycenter = yaxis->GetBinCenter(iy); 
673       snprintf(name,1000,"%s_%d_%d",his->GetName(), ix,iy);
674       TH1 *projection = his->ProjectionZ(name,ix-delta0,ix+delta0,iy-delta1,iy+delta1);
675       Float_t stat= 0;
676       if (type==0) stat = projection->GetMean();
677       if (type==1) stat = projection->GetRMS();
678       if (type==2 || type==3){
679         TVectorD vec(3);
680         TStatToolkit::LTM((TH1F*)projection,&vec,0.7);
681         if (type==2) stat= vec[1];
682         if (type==3) stat= vec[0];      
683       }
684       if (type==4|| type==5){
685         projection->Fit(&f1);
686         if (type==4) stat= f1.GetParameter(1);
687         if (type==5) stat= f1.GetParameter(2);
688       }
689       //printf("%d\t%f\t%f\t%f\n", icount,xcenter, ycenter, stat);
690       graph->SetPoint(icount,xcenter, ycenter, stat);
691       icount++;
692     }
693   return graph;
694 }
695
696 TGraph * TStatToolkit::MakeStat1D(TH3 * his, Int_t delta1, Int_t type){
697   //
698   //
699   //
700   // delta - number of bins to integrate
701   // type - 0 - mean value
702
703   TAxis * xaxis  = his->GetXaxis();
704   TAxis * yaxis  = his->GetYaxis();
705   //  TAxis * zaxis  = his->GetZaxis();
706   Int_t   nbinx  = xaxis->GetNbins();
707   Int_t   nbiny  = yaxis->GetNbins();
708   char name[1000];
709   Int_t icount=0;
710   TGraph  *graph = new TGraph(nbinx);
711   TF1 f1("f1","gaus");
712   for (Int_t ix=0; ix<nbinx;ix++){
713     Float_t xcenter = xaxis->GetBinCenter(ix); 
714     //    Float_t ycenter = yaxis->GetBinCenter(iy); 
715     snprintf(name,1000,"%s_%d",his->GetName(), ix);
716     TH1 *projection = his->ProjectionZ(name,ix-delta1,ix+delta1,0,nbiny);
717     Float_t stat= 0;
718     if (type==0) stat = projection->GetMean();
719     if (type==1) stat = projection->GetRMS();
720     if (type==2 || type==3){
721       TVectorD vec(3);
722         TStatToolkit::LTM((TH1F*)projection,&vec,0.7);
723         if (type==2) stat= vec[1];
724         if (type==3) stat= vec[0];      
725     }
726     if (type==4|| type==5){
727       projection->Fit(&f1);
728       if (type==4) stat= f1.GetParameter(1);
729       if (type==5) stat= f1.GetParameter(2);
730     }
731       //printf("%d\t%f\t%f\t%f\n", icount,xcenter, ycenter, stat);
732     graph->SetPoint(icount,xcenter, stat);
733     icount++;
734   }
735   return graph;
736 }
737
738
739
740
741
742 TString* TStatToolkit::FitPlane(TTree *tree, const char* drawCommand, const char* formula, const char* cuts, Double_t & chi2, Int_t &npoints, TVectorD &fitParam, TMatrixD &covMatrix, Float_t frac, Int_t start, Int_t stop,Bool_t fix0){
743    //
744    // fit an arbitrary function, specified by formula into the data, specified by drawCommand and cuts
745    // returns chi2, fitParam and covMatrix
746    // returns TString with fitted formula
747    //
748
749    TString formulaStr(formula); 
750    TString drawStr(drawCommand);
751    TString cutStr(cuts);
752    TString ferr("1");
753
754    TString strVal(drawCommand);
755    if (strVal.Contains(":")){
756      TObjArray* valTokens = strVal.Tokenize(":");
757      drawStr = valTokens->At(0)->GetName();
758      ferr       = valTokens->At(1)->GetName();     
759    }
760
761       
762    formulaStr.ReplaceAll("++", "~");
763    TObjArray* formulaTokens = formulaStr.Tokenize("~"); 
764    Int_t dim = formulaTokens->GetEntriesFast();
765    
766    fitParam.ResizeTo(dim);
767    covMatrix.ResizeTo(dim,dim);
768    
769    TLinearFitter* fitter = new TLinearFitter(dim+1, Form("hyp%d",dim));
770    fitter->StoreData(kTRUE);   
771    fitter->ClearPoints();
772    
773    Int_t entries = tree->Draw(drawStr.Data(), cutStr.Data(), "goff",  stop-start, start);
774    if (entries == -1) return new TString("An ERROR has occured during fitting!");
775    Double_t **values = new Double_t*[dim+1] ;
776    for (Int_t i=0; i<dim+1; i++) values[i]=NULL; 
777    //
778    entries = tree->Draw(ferr.Data(), cutStr.Data(), "goff",  stop-start, start);
779    if (entries == -1) {
780      delete []values;
781      return new TString("An ERROR has occured during fitting!");
782    }
783    Double_t *errors = new Double_t[entries];
784    memcpy(errors,  tree->GetV1(), entries*sizeof(Double_t));
785    
786    for (Int_t i = 0; i < dim + 1; i++){
787       Int_t centries = 0;
788       if (i < dim) centries = tree->Draw(((TObjString*)formulaTokens->At(i))->GetName(), cutStr.Data(), "goff", stop-start,start);
789       else  centries = tree->Draw(drawStr.Data(), cutStr.Data(), "goff", stop-start,start);
790       
791       if (entries != centries) {
792         delete []errors;
793         delete []values;
794         return new TString("An ERROR has occured during fitting!");
795       }
796       values[i] = new Double_t[entries];
797       memcpy(values[i],  tree->GetV1(), entries*sizeof(Double_t)); 
798    }
799    
800    // add points to the fitter
801    for (Int_t i = 0; i < entries; i++){
802       Double_t x[1000];
803       for (Int_t j=0; j<dim;j++) x[j]=values[j][i];
804       fitter->AddPoint(x, values[dim][i], errors[i]);
805    }
806
807    fitter->Eval();
808    if (frac>0.5 && frac<1){
809      fitter->EvalRobust(frac);
810    }else{
811      if (fix0) {
812        fitter->FixParameter(0,0);
813        fitter->Eval();     
814      }
815    }
816    fitter->GetParameters(fitParam);
817    fitter->GetCovarianceMatrix(covMatrix);
818    chi2 = fitter->GetChisquare();
819    npoints = entries;   
820    TString *preturnFormula = new TString(Form("( %f+",fitParam[0])), &returnFormula = *preturnFormula; 
821    
822    for (Int_t iparam = 0; iparam < dim; iparam++) {
823      returnFormula.Append(Form("%s*(%f)",((TObjString*)formulaTokens->At(iparam))->GetName(),fitParam[iparam+1]));
824      if (iparam < dim-1) returnFormula.Append("+");
825    }
826    returnFormula.Append(" )");
827    
828    
829    for (Int_t j=0; j<dim+1;j++) delete [] values[j];
830
831
832    delete formulaTokens;
833    delete fitter;
834    delete[] values;
835    delete[] errors;
836    return preturnFormula;
837 }
838
839 TString* TStatToolkit::FitPlaneConstrain(TTree *tree, const char* drawCommand, const char* formula, const char* cuts, Double_t & chi2, Int_t &npoints, TVectorD &fitParam, TMatrixD &covMatrix, Float_t frac, Int_t start, Int_t stop,Double_t constrain){
840    //
841    // fit an arbitrary function, specified by formula into the data, specified by drawCommand and cuts
842    // returns chi2, fitParam and covMatrix
843    // returns TString with fitted formula
844    //
845
846    TString formulaStr(formula); 
847    TString drawStr(drawCommand);
848    TString cutStr(cuts);
849    TString ferr("1");
850
851    TString strVal(drawCommand);
852    if (strVal.Contains(":")){
853      TObjArray* valTokens = strVal.Tokenize(":");
854      drawStr = valTokens->At(0)->GetName();
855      ferr       = valTokens->At(1)->GetName();     
856    }
857
858       
859    formulaStr.ReplaceAll("++", "~");
860    TObjArray* formulaTokens = formulaStr.Tokenize("~"); 
861    Int_t dim = formulaTokens->GetEntriesFast();
862    
863    fitParam.ResizeTo(dim);
864    covMatrix.ResizeTo(dim,dim);
865    
866    TLinearFitter* fitter = new TLinearFitter(dim+1, Form("hyp%d",dim));
867    fitter->StoreData(kTRUE);   
868    fitter->ClearPoints();
869    
870    Int_t entries = tree->Draw(drawStr.Data(), cutStr.Data(), "goff",  stop-start, start);
871    if (entries == -1) return new TString("An ERROR has occured during fitting!");
872    Double_t **values = new Double_t*[dim+1] ; 
873    for (Int_t i=0; i<dim+1; i++) values[i]=NULL; 
874    //
875    entries = tree->Draw(ferr.Data(), cutStr.Data(), "goff",  stop-start, start);
876    if (entries == -1) {
877      delete [] values;
878      return new TString("An ERROR has occured during fitting!");
879    }
880    Double_t *errors = new Double_t[entries];
881    memcpy(errors,  tree->GetV1(), entries*sizeof(Double_t));
882    
883    for (Int_t i = 0; i < dim + 1; i++){
884       Int_t centries = 0;
885       if (i < dim) centries = tree->Draw(((TObjString*)formulaTokens->At(i))->GetName(), cutStr.Data(), "goff", stop-start,start);
886       else  centries = tree->Draw(drawStr.Data(), cutStr.Data(), "goff", stop-start,start);
887       
888       if (entries != centries) {
889         delete []errors;
890         delete []values;
891         return new TString("An ERROR has occured during fitting!");
892       }
893       values[i] = new Double_t[entries];
894       memcpy(values[i],  tree->GetV1(), entries*sizeof(Double_t)); 
895    }
896    
897    // add points to the fitter
898    for (Int_t i = 0; i < entries; i++){
899       Double_t x[1000];
900       for (Int_t j=0; j<dim;j++) x[j]=values[j][i];
901       fitter->AddPoint(x, values[dim][i], errors[i]);
902    }
903    if (constrain>0){
904      for (Int_t i = 0; i < dim; i++){
905        Double_t x[1000];
906        for (Int_t j=0; j<dim;j++) if (i!=j) x[j]=0;
907        x[i]=1.;
908        fitter->AddPoint(x, 0, constrain);
909      }
910    }
911
912
913    fitter->Eval();
914    if (frac>0.5 && frac<1){
915      fitter->EvalRobust(frac);   
916    }
917    fitter->GetParameters(fitParam);
918    fitter->GetCovarianceMatrix(covMatrix);
919    chi2 = fitter->GetChisquare();
920    npoints = entries;
921    
922    TString *preturnFormula = new TString(Form("( %f+",fitParam[0])), &returnFormula = *preturnFormula; 
923    
924    for (Int_t iparam = 0; iparam < dim; iparam++) {
925      returnFormula.Append(Form("%s*(%f)",((TObjString*)formulaTokens->At(iparam))->GetName(),fitParam[iparam+1]));
926      if (iparam < dim-1) returnFormula.Append("+");
927    }
928    returnFormula.Append(" )");
929    
930    for (Int_t j=0; j<dim+1;j++) delete [] values[j];
931    
932
933
934    delete formulaTokens;
935    delete fitter;
936    delete[] values;
937    delete[] errors;
938    return preturnFormula;
939 }
940
941
942
943 TString* TStatToolkit::FitPlaneFixed(TTree *tree, const char* drawCommand, const char* formula, const char* cuts, Double_t & chi2, Int_t &npoints, TVectorD &fitParam, TMatrixD &covMatrix, Float_t frac, Int_t start, Int_t stop){
944    //
945    // fit an arbitrary function, specified by formula into the data, specified by drawCommand and cuts
946    // returns chi2, fitParam and covMatrix
947    // returns TString with fitted formula
948    //
949
950    TString formulaStr(formula); 
951    TString drawStr(drawCommand);
952    TString cutStr(cuts);
953    TString ferr("1");
954
955    TString strVal(drawCommand);
956    if (strVal.Contains(":")){
957      TObjArray* valTokens = strVal.Tokenize(":");
958      drawStr = valTokens->At(0)->GetName();
959      ferr       = valTokens->At(1)->GetName();     
960    }
961
962       
963    formulaStr.ReplaceAll("++", "~");
964    TObjArray* formulaTokens = formulaStr.Tokenize("~"); 
965    Int_t dim = formulaTokens->GetEntriesFast();
966    
967    fitParam.ResizeTo(dim);
968    covMatrix.ResizeTo(dim,dim);
969    TString fitString="x0";
970    for (Int_t i=1; i<dim; i++) fitString+=Form("++x%d",i);     
971    TLinearFitter* fitter = new TLinearFitter(dim, fitString.Data());
972    fitter->StoreData(kTRUE);   
973    fitter->ClearPoints();
974    
975    Int_t entries = tree->Draw(drawStr.Data(), cutStr.Data(), "goff",  stop-start, start);
976    if (entries == -1) return new TString("An ERROR has occured during fitting!");
977    Double_t **values = new Double_t*[dim+1] ; 
978    for (Int_t i=0; i<dim+1; i++) values[i]=NULL; 
979    //
980    entries = tree->Draw(ferr.Data(), cutStr.Data(), "goff",  stop-start, start);
981    if (entries == -1) {
982      delete []values;
983      return new TString("An ERROR has occured during fitting!");
984    }
985    Double_t *errors = new Double_t[entries];
986    memcpy(errors,  tree->GetV1(), entries*sizeof(Double_t));
987    
988    for (Int_t i = 0; i < dim + 1; i++){
989       Int_t centries = 0;
990       if (i < dim) centries = tree->Draw(((TObjString*)formulaTokens->At(i))->GetName(), cutStr.Data(), "goff", stop-start,start);
991       else  centries = tree->Draw(drawStr.Data(), cutStr.Data(), "goff", stop-start,start);
992       
993       if (entries != centries) {
994         delete []errors;
995         delete []values;
996         return new TString("An ERROR has occured during fitting!");
997       }
998       values[i] = new Double_t[entries];
999       memcpy(values[i],  tree->GetV1(), entries*sizeof(Double_t)); 
1000    }
1001    
1002    // add points to the fitter
1003    for (Int_t i = 0; i < entries; i++){
1004       Double_t x[1000];
1005       for (Int_t j=0; j<dim;j++) x[j]=values[j][i];
1006       fitter->AddPoint(x, values[dim][i], errors[i]);
1007    }
1008
1009    fitter->Eval();
1010    if (frac>0.5 && frac<1){
1011      fitter->EvalRobust(frac);
1012    }
1013    fitter->GetParameters(fitParam);
1014    fitter->GetCovarianceMatrix(covMatrix);
1015    chi2 = fitter->GetChisquare();
1016    npoints = entries;
1017    
1018    TString *preturnFormula = new TString("("), &returnFormula = *preturnFormula; 
1019    
1020    for (Int_t iparam = 0; iparam < dim; iparam++) {
1021      returnFormula.Append(Form("%s*(%f)",((TObjString*)formulaTokens->At(iparam))->GetName(),fitParam[iparam]));
1022      if (iparam < dim-1) returnFormula.Append("+");
1023    }
1024    returnFormula.Append(" )");
1025    
1026    
1027    for (Int_t j=0; j<dim+1;j++) delete [] values[j];
1028    
1029    delete formulaTokens;
1030    delete fitter;
1031    delete[] values;
1032    delete[] errors;
1033    return preturnFormula;
1034 }
1035
1036
1037
1038
1039
1040 Int_t TStatToolkit::GetFitIndex(const TString fString, const TString subString){
1041   //
1042   // fitString - ++ separated list of fits
1043   // substring - ++ separated list of the requiered substrings
1044   //
1045   // return the last occurance of substring in fit string
1046   // 
1047   TObjArray *arrFit = fString.Tokenize("++");
1048   TObjArray *arrSub = subString.Tokenize("++");
1049   Int_t index=-1;
1050   for (Int_t i=0; i<arrFit->GetEntries(); i++){
1051     Bool_t isOK=kTRUE;
1052     TString str =arrFit->At(i)->GetName();
1053     for (Int_t isub=0; isub<arrSub->GetEntries(); isub++){
1054       if (str.Contains(arrSub->At(isub)->GetName())==0) isOK=kFALSE;
1055     }
1056     if (isOK) index=i;
1057   }
1058   return index;
1059 }
1060
1061
1062 TString  TStatToolkit::FilterFit(const TString &input, const TString filter, TVectorD &param, TMatrixD & covar){
1063   //
1064   // Filter fit expression make sub-fit
1065   //
1066   TObjArray *array0= input.Tokenize("++");
1067   TObjArray *array1= filter.Tokenize("++");
1068   //TString *presult=new TString("(0");
1069   TString result="(0.0";
1070   for (Int_t i=0; i<array0->GetEntries(); i++){
1071     Bool_t isOK=kTRUE;
1072     TString str(array0->At(i)->GetName());
1073     for (Int_t j=0; j<array1->GetEntries(); j++){
1074       if (str.Contains(array1->At(j)->GetName())==0) isOK=kFALSE;      
1075     }
1076     if (isOK) {
1077       result+="+"+str;
1078       result+=Form("*(%f)",param[i+1]);
1079       printf("%f\t%f\t%s\n",param[i+1], TMath::Sqrt(covar(i+1,i+1)),str.Data());    
1080     }
1081   }
1082   result+="-0.)";
1083   return result;
1084 }
1085
1086 void TStatToolkit::Update1D(Double_t delta, Double_t sigma, Int_t s1, TMatrixD &vecXk, TMatrixD &covXk){
1087   //
1088   // Update parameters and covariance - with one measurement
1089   // Input:
1090   // vecXk - input vector - Updated in function 
1091   // covXk - covariance matrix - Updated in function
1092   // delta, sigma, s1 - new measurement, rms of new measurement and the index of measurement
1093   const Int_t knMeas=1;
1094   Int_t knElem=vecXk.GetNrows();
1095  
1096   TMatrixD mat1(knElem,knElem);            // update covariance matrix
1097   TMatrixD matHk(1,knElem);        // vector to mesurement
1098   TMatrixD vecYk(knMeas,1);        // Innovation or measurement residual
1099   TMatrixD matHkT(knElem,knMeas);  // helper matrix Hk transpose
1100   TMatrixD matSk(knMeas,knMeas);   // Innovation (or residual) covariance
1101   TMatrixD matKk(knElem,knMeas);   // Optimal Kalman gain
1102   TMatrixD covXk2(knElem,knElem);  // helper matrix
1103   TMatrixD covXk3(knElem,knElem);  // helper matrix
1104   TMatrixD vecZk(1,1);
1105   TMatrixD measR(1,1);
1106   vecZk(0,0)=delta;
1107   measR(0,0)=sigma*sigma;
1108   //
1109   // reset matHk
1110   for (Int_t iel=0;iel<knElem;iel++) 
1111     for (Int_t ip=0;ip<knMeas;ip++) matHk(ip,iel)=0; 
1112   //mat1
1113   for (Int_t iel=0;iel<knElem;iel++) {
1114     for (Int_t jel=0;jel<knElem;jel++) mat1(iel,jel)=0;
1115     mat1(iel,iel)=1;
1116   }
1117   //
1118   matHk(0, s1)=1;
1119   vecYk = vecZk-matHk*vecXk;               // Innovation or measurement residual
1120   matHkT=matHk.T(); matHk.T();
1121   matSk = (matHk*(covXk*matHkT))+measR;    // Innovation (or residual) covariance
1122   matSk.Invert();
1123   matKk = (covXk*matHkT)*matSk;            //  Optimal Kalman gain
1124   vecXk += matKk*vecYk;                    //  updated vector 
1125   covXk2= (mat1-(matKk*matHk));
1126   covXk3 =  covXk2*covXk;          
1127   covXk = covXk3;  
1128   Int_t nrows=covXk3.GetNrows();
1129   
1130   for (Int_t irow=0; irow<nrows; irow++)
1131     for (Int_t icol=0; icol<nrows; icol++){
1132       // rounding problems - make matrix again symteric
1133       covXk(irow,icol)=(covXk3(irow,icol)+covXk3(icol,irow))*0.5; 
1134     }
1135 }
1136
1137
1138
1139 void   TStatToolkit::Constrain1D(const TString &input, const TString filter, TVectorD &param, TMatrixD & covar, Double_t mean, Double_t sigma){
1140   //
1141   // constrain linear fit
1142   // input  - string description of fit function
1143   // filter - string filter to select sub fits
1144   // param,covar - parameters and covariance matrix of the fit
1145   // mean,sigma  - new measurement uning which the fit is updated
1146   //
1147   
1148   TObjArray *array0= input.Tokenize("++");
1149   TObjArray *array1= filter.Tokenize("++");
1150   TMatrixD paramM(param.GetNrows(),1);
1151   for (Int_t i=0; i<=array0->GetEntries(); i++){paramM(i,0)=param(i);}
1152   
1153   if (filter.Length()==0){
1154     TStatToolkit::Update1D(mean, sigma, 0, paramM, covar);//
1155   }else{  
1156     for (Int_t i=0; i<array0->GetEntries(); i++){
1157       Bool_t isOK=kTRUE;
1158       TString str(array0->At(i)->GetName());
1159       for (Int_t j=0; j<array1->GetEntries(); j++){
1160         if (str.Contains(array1->At(j)->GetName())==0) isOK=kFALSE;      
1161       }
1162       if (isOK) {
1163         TStatToolkit::Update1D(mean, sigma, i+1, paramM, covar);//
1164       }
1165     }
1166   }
1167   for (Int_t i=0; i<=array0->GetEntries(); i++){
1168     param(i)=paramM(i,0);
1169   }
1170 }
1171
1172 TString  TStatToolkit::MakeFitString(const TString &input, const TVectorD &param, const TMatrixD & covar, Bool_t verbose){
1173   //
1174   //
1175   //
1176   TObjArray *array0= input.Tokenize("++");
1177   TString result=Form("(%f",param[0]);
1178   printf("%f\t%f\t\n", param[0], TMath::Sqrt(covar(0,0))); 
1179   for (Int_t i=0; i<array0->GetEntries(); i++){
1180     TString str(array0->At(i)->GetName());
1181     result+="+"+str;
1182     result+=Form("*(%f)",param[i+1]);
1183     if (verbose) printf("%f\t%f\t%s\n", param[i+1], TMath::Sqrt(covar(i+1,i+1)),str.Data());    
1184   }
1185   result+="-0.)";
1186   return result;
1187 }
1188
1189
1190 TGraph * TStatToolkit::MakeGraphSparse(TTree * tree, const char * expr, const char * cut, Int_t mstyle, Int_t mcolor){
1191   //
1192   // Make a sparse draw of the variables
1193   // Writen by Weilin.Yu
1194   const Int_t entries =  tree->Draw(expr,cut,"goff");
1195   //  TGraph * graph = (TGraph*)gPad->GetPrimitive("Graph"); // 2D
1196   TGraph * graph = 0;
1197   if (tree->GetV3()) graph = new TGraphErrors (entries, tree->GetV2(),tree->GetV1(),0,tree->GetV3());
1198   graph =  new TGraphErrors (entries, tree->GetV2(),tree->GetV1(),0,0);
1199   graph->SetMarkerStyle(mstyle); 
1200   graph->SetMarkerColor(mcolor);
1201   //
1202   Int_t *index = new Int_t[entries*4];
1203   TMath::Sort(entries,graph->GetX(),index,kFALSE);
1204   
1205   Double_t *tempArray = new Double_t[entries];
1206
1207   Double_t count = 0.5;
1208   Double_t  *vrun = new Double_t[entries];
1209   Int_t icount=0;
1210   //
1211   tempArray[index[0]] = count;
1212   vrun[0] = graph->GetX()[index[0]];
1213   for(Int_t i=1;i<entries;i++){
1214     if(graph->GetX()[index[i]]==graph->GetX()[index[i-1]])
1215       tempArray[index[i]] = count; 
1216     else if(graph->GetX()[index[i]]!=graph->GetX()[index[i-1]]){
1217       count++;
1218       icount++;
1219       tempArray[index[i]] = count;
1220       vrun[icount]=graph->GetX()[index[i]];
1221     }
1222   }
1223   
1224   const Int_t newNbins = int(count+0.5);
1225   Double_t *newBins = new Double_t[newNbins+1];
1226   for(Int_t i=0; i<=count+1;i++){
1227     newBins[i] = i;
1228   }
1229   
1230   TGraph *graphNew = 0;
1231   if (tree->GetV3()) graphNew = new TGraphErrors(entries,tempArray,graph->GetY(),0,tree->GetV3());
1232   else
1233     graphNew = new TGraphErrors(entries,tempArray,graph->GetY(),0,0);
1234   graphNew->GetXaxis()->Set(newNbins,newBins);
1235   
1236   Char_t xName[50];
1237   for(Int_t i=0;i<count;i++){
1238     snprintf(xName,50,"%d",Int_t(vrun[i]));
1239     graphNew->GetXaxis()->SetBinLabel(i+1,xName);
1240   }
1241   graphNew->GetHistogram()->SetTitle("");
1242   graphNew->SetMarkerStyle(mstyle); 
1243   graphNew->SetMarkerColor(mcolor);
1244   delete [] tempArray;
1245   delete [] index;
1246   delete [] newBins;
1247   delete [] vrun;
1248   return graphNew;
1249 }
1250