commit e22f8523dac0f7d4f381c29f16e869f29510e3ad
Author: Mika <kontakt@donau2space.de>
Date:   Sat Dec 13 14:37:15 2025 +0000

    Add bpf_varianz_test/src/bpf_varianz_test/core.py

diff --git a/bpf_varianz_test/src/bpf_varianz_test/core.py b/bpf_varianz_test/src/bpf_varianz_test/core.py
new file mode 100644
index 0000000..6ce87a2
--- /dev/null
+++ b/bpf_varianz_test/src/bpf_varianz_test/core.py
@@ -0,0 +1,53 @@
+from typing import List, Tuple
+import numpy as np
+from scipy import stats
+import statistics
+
+
+def perform_levene_test(kprobe_samples: List[float], bpf_samples: List[float]) -> Tuple[float, bool]:
+    """Führt den Levene-Test zur Prüfung der Varianzgleichheit durch.
+
+    Args:
+        kprobe_samples: Messwerte der kprobe-Methode.
+        bpf_samples: Messwerte der BPF-Methode.
+
+    Returns:
+        Tuple aus p-Wert und boolescher Signifikanzentscheidung (True, wenn Varianzen gleich sind).
+    """
+    if not kprobe_samples or not bpf_samples:
+        raise ValueError("Beide Stichproben müssen Werte enthalten.")
+
+    # Levene-Test über scipy
+    stat, p_value = stats.levene(kprobe_samples, bpf_samples, center='median')
+
+    alpha = 0.05
+    variances_equal = p_value > alpha
+    return float(p_value), variances_equal
+
+
+def bootstrap_variance_confidence_interval(samples: List[float], n_iterations: int) -> Tuple[float, float]:
+    """Berechnet Bootstrap-Konfidenzintervalle der Varianz einer Stichprobe.
+
+    Args:
+        samples: Messwerte einer Methode.
+        n_iterations: Anzahl der Bootstrap-Iterationen.
+
+    Returns:
+        Tuple aus (untere, obere) Grenze des Konfidenzintervalls.
+    """
+    if not samples:
+        raise ValueError("Stichprobe darf nicht leer sein.")
+    if n_iterations <= 0:
+        raise ValueError("n_iterations muss positiv sein.")
+
+    data = np.array(samples)
+    n = len(data)
+    variances = np.empty(n_iterations)
+
+    for i in range(n_iterations):
+        resampled = np.random.choice(data, size=n, replace=True)
+        variances[i] = np.var(resampled, ddof=1)
+
+    lower = np.percentile(variances, 2.5)
+    upper = np.percentile(variances, 97.5)
+    return float(lower), float(upper)