def pearson():
lista_1 = lib.stringToFloatList(request.json['dado1'])
lista_2 = lib.stringToFloatList(request.json['dado2'])
res = coefficients.pearson(lista_1, lista_2)
return str(res)
def confidenceIntervalWithoutStdDeviation():
lista = lib.stringToFloatList(request.json['dados'])
porcentagem = request.json['porcentagem']
res = coefficients.confidenceIntervalWithoutStdDeviation(
float(porcentagem), lista)
return str(res)
def linear():
lista_1 = lib.stringToFloatList(request.json['dados1'])
lista_2 = lib.stringToFloatList(request.json['dados2'])
res = regressions.linearregression(lista_1, lista_2)
return str(res)
def jackknife_intervalodeconfianca():
dados = lib.stringToFloatList(request.json['dados'])
nv_confianca = request.json['confianca']
res = resampling.jao_da_faca(dados, 3, int(nv_confianca))
return str(res)
def jackknife_desviopadrao():
dados = lib.stringToFloatList(request.json['dados'])
res = resampling.jao_da_faca(dados, 2)
return str(res)
def jackknife_variancia():
dados = lib.stringToFloatList(request.json['dados'])
res = resampling.jao_da_faca(dados, 1)
return str(res)
def bootstrap():
dados = lib.stringToFloatList(request.json['dados'])
repeticoes = request.json['repeticoes']
res = resampling.bootstrap(dados, int(repeticoes))
return str(res)