def pearson(data_x: list, data_y: list) -> float:
"""
:param data_x: Primeira lista contendo os valores de uma entidade de uma amostra.
:param data_y: Segunda lista contendo os valores de outra entidade da mesma amostra.
:return: valor do Coeficiente de Pearson para as duas entidades, baseado nas
amostras inseridas.
"""
x_avg = lib.averageWithoutNumPy(data_x)
y_avg = lib.averageWithoutNumPy(data_y)
xi_Xavg, yi_Yavg = [], []
for x, y in zip(data_x, data_y):
xi_Xavg.append(x - x_avg)
yi_Yavg.append(y - y_avg)
sumprod, denominator_x, denominator_y = 0, 0, 0
for i, j in zip(xi_Xavg, yi_Yavg):
sumprod += i * j
denominator_x += i**2
denominator_y += j**2
return sumprod / (math.sqrt(denominator_x) * math.sqrt(denominator_y))
def jao_da_faca(data: list, flag: int = 0, n=None):
"""
:param n: Opcional, representa o nivel de confiança exigido.
:param data: Lista dos dados da amostra.
:param flag: Estimativa a ser utilizada.
:return:
"""
avg = lib.averageWithoutNumPy(data)
if flag == 0:
return jack_knife_avg(data)
elif flag == 1:
return jack_knife_variance(data)
elif flag == 2:
return math.sqrt(jack_knife_variance(data))
elif flag == 3:
return coefficients.confidenceIntervalStdDeviation \
(len(data), n, math.sqrt(jack_knife_variance(data)), jack_knife_avg(data))
def bootstrap(data: list, rep: int) -> float:
"""
:param data: Lista contendo os dados da amostra.
:param rep: Numero de repetições a ser realizada.
:return:
"""
avg = lib.averageWithoutNumPy(data)
print('Média: ', avg)
averages, buffer = [], []
for _ in range(rep):
buffer = data.copy()
buffer.pop(random.randrange(0, len(data)))
averages.append(lib.sumWithoutMath(buffer) / len(buffer))
buffer.clear()
return lib.sumWithoutMath(averages) / len(averages)
def a(data_y, data_x):
b_ = b(data_x, data_y)
return str(
lib.averageWithoutNumPy(data_y) - b_ * lib.averageWithoutNumPy(data_x))
def confidenceIntervalWithoutStdDeviation(percentage: float,
sample: list) -> tuple:
return (lib.averageWithoutNumPy(sample) + (lib.tStudent(percentage, len(sample)) * lib.stdDeviation(sample) / math.sqrt(len(sample)))), \
(lib.averageWithoutNumPy(sample) - (lib.tStudent(percentage, len(sample)) * lib.stdDeviation(sample) / math.sqrt(len(sample))))