APIplanex.py

import os
import json
import mimetypes
from flask import Flask, Response, jsonify
from itertools import combinations
from itertools import combinations
import numpy as np
from pandas import DataFrame
from IPython.display import display
from statistics import variance
from scipy.stats import t, f, norm
import matplotlib.pyplot as plt
from flask_cors import CORS

app = Flask(__name__)
CORS(app, resources={"*": {"origins": "*"}})
@app.route('/')
def hello():
    return 'Hello, World!'
    
@app.route('/matrix/<fatores>/<replicadas>',methods=['GET'])
def matrix(fatores,replicadas):
    alfa = 0.05
    mult = 2
    fatores = int(fatores)
    replicadas = int(replicadas)
    mult = 2
    combvariaveis = list()
    for aux1 in range(2,fatores + 1):
        combinacoes = list()
        for aux2 in range(1, fatores + 1):
            combinacoes.append(aux2)
        combvariaveis.append(list(combinations(combinacoes, aux1)))
    
    ind_comb1 = 0
    ind_comb2 = 0
    cont_comb = 0
    
    lim_comb = combvariaveis[ind_comb2].__len__()
    linx = 2 ** fatores + replicadas
    colx = 2 ** fatores
    matx = np.ones((linx, colx), dtype=int)

    # Preenchimento da Matriz X (Replicatas, Coluna 2, Última Coluna e Variáveis)
    for coluna in range(1, colx):
        # Necessário para Colunas das variáveis
        imparpar = 0
        for linha in range(0, linx):

            # 'Replicatas do ponto central'
            if linha >= linx - replicadas:
                matx[linha, coluna] = 0

            # Coluna 2
            elif coluna == 1 and linha % 2 == 0:
                matx[linha, coluna] = -1

            # Colunas das variáveis
            elif coluna <= fatores and coluna != 1:
                if linha % mult == 0:
                    imparpar += 1
                    #print('Linha:', linha, '\n', 'Mult: ', mult, '\n', 'O valor do imparpar: ', imparpar, '\n')
                if imparpar % 2 == 1:
                    matx[linha, coluna] = -1

            # Última Coluna
            elif coluna == colx - 1:
                ultcol = 0
                for ind_ultcol in range(1, fatores + 1):
                    if matx[linha, ind_ultcol] == -1:
                        ultcol += 1
                if ultcol % 2 != 0:
                    matx[linha, coluna] = -1

            # Combinação das Variáveis
            elif coluna > fatores:
                if coluna - fatores <= lim_comb:
                    if cont_comb < 2 ** fatores:
                        cont_comb += 1
                        comb = combvariaveis[ind_comb2][ind_comb1]
                    else:
                        ind_comb1 += 1
                        cont_comb = 1
                        comb = combvariaveis[ind_comb2][ind_comb1]
                else:
                    ind_comb2 += 1
                    ind_comb1 = 0
                    cont_comb = 1
                    lim_comb += combvariaveis[ind_comb2].__len__()
                    comb = combvariaveis[ind_comb2][ind_comb1]
                valormult = 1
                for indcomb in range(0, comb.__len__()):
                    valormult *= matx[linha, comb[indcomb]]
                # print('A multiplicação da combinação:', comb, 'na linha', linha, 'é', valormult)
                matx[linha, coluna] = valormult

        # Necessário para a Coluna das Variáveis
        if coluna <= fatores and coluna != 1:
            mult *= 2

    print('=-=' * 30, '\n')
    # Informando o tamanho da Matriz X
    print('A matriz X possui', linx, 'linhas e ', colx, 'colunas.\n')
    for linha in range(0, linx):
        for coluna in range(0, colx):
            print(f'[{matx[linha, coluna]:^3}]', end='')
        print()
    return jsonify(np.transpose(matx).tolist()),200,{'Content-Type' : 'application/json'}

@app.route('/matriTesteT/<fatores>/<replicadas>/<maty>',methods=['GET'])
def testT(fatores,replicadas, maty):
    alfa = 0.05
    mult = 2
    fatores = int(fatores)
    replicadas = int(replicadas)
    maty = np.array(json.loads(maty))
    #maty = json.loads(maty)

    fatores = int(fatores)
    replicadas = int(replicadas)
    mult = 2
    combvariaveis = list()
    for aux1 in range(2,fatores + 1):
        combinacoes = list()
        for aux2 in range(1, fatores + 1):
            combinacoes.append(aux2)
        combvariaveis.append(list(combinations(combinacoes, aux1)))
    
    ind_comb1 = 0
    ind_comb2 = 0
    cont_comb = 0
    
    lim_comb = combvariaveis[ind_comb2].__len__()
    linx = 2 ** fatores + replicadas
    colx = 2 ** fatores
    matx = np.ones((linx, colx), dtype=int)

    # Preenchimento da Matriz X (Replicatas, Coluna 2, Última Coluna e Variáveis)
    for coluna in range(1, colx):
        # Necessário para Colunas das variáveis
        imparpar = 0
        for linha in range(0, linx):

            # 'Replicatas do ponto central'
            if linha >= linx - replicadas:
                matx[linha, coluna] = 0

            # Coluna 2
            elif coluna == 1 and linha % 2 == 0:
                matx[linha, coluna] = -1

            # Colunas das variáveis
            elif coluna <= fatores and coluna != 1:
                if linha % mult == 0:
                    imparpar += 1
                    #print('Linha:', linha, '\n', 'Mult: ', mult, '\n', 'O valor do imparpar: ', imparpar, '\n')
                if imparpar % 2 == 1:
                    matx[linha, coluna] = -1

            # Última Coluna
            elif coluna == colx - 1:
                ultcol = 0
                for ind_ultcol in range(1, fatores + 1):
                    if matx[linha, ind_ultcol] == -1:
                        ultcol += 1
                if ultcol % 2 != 0:
                    matx[linha, coluna] = -1

            # Combinação das Variáveis
            elif coluna > fatores:
                if coluna - fatores <= lim_comb:
                    if cont_comb < 2 ** fatores:
                        cont_comb += 1
                        comb = combvariaveis[ind_comb2][ind_comb1]
                    else:
                        ind_comb1 += 1
                        cont_comb = 1
                        comb = combvariaveis[ind_comb2][ind_comb1]
                else:
                    ind_comb2 += 1
                    ind_comb1 = 0
                    cont_comb = 1
                    lim_comb += combvariaveis[ind_comb2].__len__()
                    comb = combvariaveis[ind_comb2][ind_comb1]
                valormult = 1
                for indcomb in range(0, comb.__len__()):
                    valormult *= matx[linha, comb[indcomb]]
                # print('A multiplicação da combinação:', comb, 'na linha', linha, 'é', valormult)
                matx[linha, coluna] = valormult

        # Necessário para a Coluna das Variáveis
        if coluna <= fatores and coluna != 1:
            mult *= 2

    # Continuidade do Programa

    # Matriz Transposta
    matxtranp = np.transpose(matx)
    tamanho = matxtranp.shape
    '''
    print("\nA Matriz X transposta possui", tamanho[0], "linhas e", tamanho[1],'colunas')
    for linha in range(0, tamanho[0]):
        for coluna in range(0, tamanho[1]):
            print(f'[{matxtranp[linha, coluna]:^3}]', end='')
        print()
    '''

    # Matriz X^t*X
    matx_t_x = np.matmul(matxtranp, matx)
    tamanho = matx_t_x.shape
    '''
    print("\nA Matriz X_t * X possui", tamanho[0], "linhas e", tamanho[1], 'colunas')
    for linha in range(0, tamanho[0]):
        for coluna in range(0, tamanho[1]):
            print(f'[{matx_t_x[linha, coluna]:^3}]', end='')
        print()
    '''

    # Matriz X^t*X a -1
    matx_t_xinv = matx_t_x.astype(float)
    tamanho = matx_t_xinv.shape
    for linha in range(0, tamanho[0]):
        for coluna in range(0, tamanho[1]):
            if linha == coluna:
                matx_t_xinv[linha][coluna] = 1 / (matx_t_x[linha][coluna])
    '''
    print("\nA Matriz X_t*X-¹ possui", tamanho[0], "linhas e", tamanho[1], 'colunas')
    for linha in range(0, tamanho[0]):
        for coluna in range(0, tamanho[1]):
            print(f'[{round(matx_t_xinv[linha, coluna], 5):^7}]', end='')
            #print(f'[{matx_t_xinv[linha, coluna]:^10}]', end='')
        print()
    '''
    
    # Cálculo da Matriz X^t * Y
    matx_t_y = np.matmul(matxtranp, maty)

    # Cálculo dos Betas
    matbetas = np.matmul(matx_t_xinv, matx_t_y)
    #print('\nMatriz BETA:\n', matbetas)

    # Matriz Beta^t
    matbetas_t = np.transpose(matbetas)

    # Valor de Beta^t * X^t * Y
    matbetas_t_x_t_y = np.matmul(matbetas_t, matx_t_y)
    #print('\n \n', matbetas_t_x_t_y)

    # Calculo da variância dos pontos centrais
    pntcentrais = []
    for i in range(colx, linx):
        pntcentrais.append(maty[i, 0])
    # pegar a variancia de tudo
    varian = np.sqrt(variance(pntcentrais) * matx_t_xinv)
    #print(varian)

    er = []
    for lin in range(tamanho[0]):
        for col in range(tamanho[1]):
            if lin == col:
                er.append(varian[lin][col])
    #print(er)

    # Montagem da Tabela de Significância dos Betas
    matb = matbetas.ravel()
    tam_matb = matb.size
    tcalc = (matb - 0) / er
    tintervalo = t.interval(1 - alfa, linx - tam_matb)
    tcrit = tintervalo[1]

    t_pvalor_bc = []
    for i in range(tam_matb):
        if matb[i] >= 0:
            t_pvalor_bc.append(2 * t.sf(tcalc[i], tam_matb - 1))
        else:
            t_pvalor_bc.append(2 * t.cdf(tcalc[i], tam_matb - 1))

    t_aceitacao = []
    for i in range(tam_matb):
        if t_pvalor_bc[i] < alfa:
            t_aceitacao.append("Aceita-se H0")
        else:
            t_aceitacao.append("Rejeita-se H0")
    # combinacoes idix dos betas 
    combvariaveis2 = list()
    for i in range(fatores+1):
        combvariaveis2.append([i])

    for i in combvariaveis:
        for e in i:
            combvariaveis2.append(e)
    tab_signbeta = DataFrame(
        {
            'X':combvariaveis2,
            'B': matb,
            'er': er,
            'H0': 0,
            # 't[(B - H0)/er]': tcalc,
            't Calculado': tcalc,
            't Crítico': tcrit,
            #'Análise da Hipótese': t_aceitacao,
            'p-valor': t_pvalor_bc
        }
    )
    
    # print('\nTABELA DE SIGNIFICÂNCIA DOS BETAS\n', '=-=' * 30)
    # display('\n', tab_signbeta)


    #return jsonify(tab_signbeta)
    return tab_signbeta.to_json(orient="table"),200,{'Content-Type' : 'application/json'}

@app.route('/tab_anova/<fatores>/<replicadas>/<maty>/<matbetaAceito>',methods=['GET'])
def tabAnova(fatores,replicadas, maty,matbetaAceito):
    alfa = 0.05
    mult = 2
    fatores = int(fatores)
    replicadas = int(replicadas)
    maty = np.array(json.loads(maty))
    matbetaAceito = np.array(json.loads(matbetaAceito))
    #maty = json.loads(maty)

    fatores = int(fatores)
    replicadas = int(replicadas)
    mult = 2
    combvariaveis = list()
    for aux1 in range(2,fatores + 1):
        combinacoes = list()
        for aux2 in range(1, fatores + 1):
            combinacoes.append(aux2)
        combvariaveis.append(list(combinations(combinacoes, aux1)))
    
    ind_comb1 = 0
    ind_comb2 = 0
    cont_comb = 0
    
    lim_comb = combvariaveis[ind_comb2].__len__()
    linx = 2 ** fatores + replicadas
    colx = 2 ** fatores
    matx = np.ones((linx, colx), dtype=int)

    # Preenchimento da Matriz X (Replicatas, Coluna 2, Última Coluna e Variáveis)
    for coluna in range(1, colx):
        # Necessário para Colunas das variáveis
        imparpar = 0
        for linha in range(0, linx):

            # 'Replicatas do ponto central'
            if linha >= linx - replicadas:
                matx[linha, coluna] = 0

            # Coluna 2
            elif coluna == 1 and linha % 2 == 0:
                matx[linha, coluna] = -1

            # Colunas das variáveis
            elif coluna <= fatores and coluna != 1:
                if linha % mult == 0:
                    imparpar += 1
                    #print('Linha:', linha, '\n', 'Mult: ', mult, '\n', 'O valor do imparpar: ', imparpar, '\n')
                if imparpar % 2 == 1:
                    matx[linha, coluna] = -1

            # Última Coluna
            elif coluna == colx - 1:
                ultcol = 0
                for ind_ultcol in range(1, fatores + 1):
                    if matx[linha, ind_ultcol] == -1:
                        ultcol += 1
                if ultcol % 2 != 0:
                    matx[linha, coluna] = -1

            # Combinação das Variáveis
            elif coluna > fatores:
                if coluna - fatores <= lim_comb:
                    if cont_comb < 2 ** fatores:
                        cont_comb += 1
                        comb = combvariaveis[ind_comb2][ind_comb1]
                    else:
                        ind_comb1 += 1
                        cont_comb = 1
                        comb = combvariaveis[ind_comb2][ind_comb1]
                else:
                    ind_comb2 += 1
                    ind_comb1 = 0
                    cont_comb = 1
                    lim_comb += combvariaveis[ind_comb2].__len__()
                    comb = combvariaveis[ind_comb2][ind_comb1]
                valormult = 1
                for indcomb in range(0, comb.__len__()):
                    valormult *= matx[linha, comb[indcomb]]
                # print('A multiplicação da combinação:', comb, 'na linha', linha, 'é', valormult)
                matx[linha, coluna] = valormult

        # Necessário para a Coluna das Variáveis
        if coluna <= fatores and coluna != 1:
            mult *= 2

    # Continuidade do Programa

    # Matriz Transposta
    matxtranp = np.transpose(matx)
    tamanho = matxtranp.shape
    '''
    print("\nA Matriz X transposta possui", tamanho[0], "linhas e", tamanho[1],'colunas')
    for linha in range(0, tamanho[0]):
        for coluna in range(0, tamanho[1]):
            print(f'[{matxtranp[linha, coluna]:^3}]', end='')
        print()
    '''

    # Matriz X^t*X
    matx_t_x = np.matmul(matxtranp, matx)
    tamanho = matx_t_x.shape
    '''
    print("\nA Matriz X_t * X possui", tamanho[0], "linhas e", tamanho[1], 'colunas')
    for linha in range(0, tamanho[0]):
        for coluna in range(0, tamanho[1]):
            print(f'[{matx_t_x[linha, coluna]:^3}]', end='')
        print()
    '''

    # Matriz X^t*X a -1
    matx_t_xinv = matx_t_x.astype(float)
    tamanho = matx_t_xinv.shape
    for linha in range(0, tamanho[0]):
        for coluna in range(0, tamanho[1]):
            if linha == coluna:
                matx_t_xinv[linha][coluna] = 1 / (matx_t_x[linha][coluna])
    '''
    print("\nA Matriz X_t*X-¹ possui", tamanho[0], "linhas e", tamanho[1], 'colunas')
    for linha in range(0, tamanho[0]):
        for coluna in range(0, tamanho[1]):
            print(f'[{round(matx_t_xinv[linha, coluna], 5):^7}]', end='')
            #print(f'[{matx_t_xinv[linha, coluna]:^10}]', end='')
        print()
    '''
    
    # Cálculo da Matriz X^t * Y
    matx_t_y = np.matmul(matxtranp, maty)

    # Cálculo dos Betas
    matbetas = np.matmul(matx_t_xinv, matx_t_y)
    #print('\nMatriz BETA:\n', matbetas)
    mem_matbetas = matbetas
    elim_betas = 0
    for i in range(matbetas.size):
        if(matbetaAceito[i] == False ):
            matbetas[i] = bool(matbetaAceito[i])
    # Matriz Beta^t
    matbetas_t = np.transpose(matbetas)

    # Valor de Beta^t * X^t * Y
    matbetas_t_x_t_y = np.matmul(matbetas_t, matx_t_y)
    #print('\n \n', matbetas_t_x_t_y)

    # Calculo da variância dos pontos centrais
    pntcentrais = []
    for i in range(colx, linx):
        pntcentrais.append(maty[i, 0])

    varian = np.sqrt(variance(pntcentrais) * matx_t_xinv)
    #print(varian)

    er = []
    for lin in range(tamanho[0]):
        for col in range(tamanho[1]):
            if lin == col:
                er.append(varian[lin][col])
    #print(er)

    # Montagem da Tabela de Significância dos Betas
    matb = matbetas.ravel()
    tam_matb = matb.size
    tcalc = (matb - 0) / er
    tintervalo = t.interval(1 - alfa, linx - tam_matb)
    tcrit = tintervalo[1]

    t_pvalor_bc = []
    for i in range(tam_matb):
        if matb[i] >= 0:
            t_pvalor_bc.append(2 * t.sf(tcalc[i], tam_matb - 1))
        else:
            t_pvalor_bc.append(2 * t.cdf(tcalc[i], tam_matb - 1))

    t_aceitacao = []
    for i in range(tam_matb):
        if t_pvalor_bc[i] < alfa:
            t_aceitacao.append("Aceita-se H0")
        else:
            t_aceitacao.append("Rejeita-se H0")

    tab_signbeta = DataFrame(
        {
            'B': matb,
            'er': er,
            'H0': 0,
            't[(B - H0)/er]': tcalc,
            't crítico': tcrit,
            'Análise da Hipótese': t_aceitacao,
            'p-valor': t_pvalor_bc
        }
    )
    
    # print('\nTABELA DE SIGNIFICÂNCIA DOS BETAS\n', '=-=' * 30)
    # display('\n', tab_signbeta)


    #return jsonify(tab_signbeta)
    #return tab_signbeta.to_json(orient="table")
    
    #print(matbetas.size)
    
    #matbetas = matbeta

    # Calculo da Matriz Y^
    matY_ = np.matmul(matx, matbetas)
    #print('\n\n', maty_)

    # Calculo da Tabela de ANOVA
    sqereg = np.sum((matY_ - maty.mean()) ** 2)
    #print('SQE Regressão: ', sqereg)
    mat_sqe = (maty - matY_) ** 2
    sqe = np.sum(mat_sqe)
    #print('SQE: ', sqe)
    mat_sqfaltaajuste = mat_sqe
    media_repeticao = np.sum(maty[mat_sqe.size - replicadas:mat_sqe.size]) / replicadas
    #print(media_repeticao)
    for i in range(mat_sqe.size - replicadas, mat_sqe.size):
        mat_sqfaltaajuste[i] = (matY_[i] - media_repeticao) ** 2
    sqfaltaajuste = np.sum(mat_sqfaltaajuste)
    #print(sqfaltaajuste)

    mat_sqerropuro = mat_sqe
    for i in range(mat_sqerropuro.size):
        if i < mat_sqerropuro.size - replicadas:
            mat_sqerropuro[i] = 0
        else:
            mat_sqerropuro[i] = (maty[i] - media_repeticao) ** 2
    sqerropuro = np.sum(mat_sqerropuro)

    font_var = np.array(['Regressão', 'Resíduos', 'Falta Ajuste', 'Erro Puro'])
    num_gl = np.array([matbetas.size - 1, 2 ** fatores + replicadas - matbetas.size, 2 ** fatores + 1 - matbetas.size, replicadas - 1])
    somaquad = np.array([sqereg, sqe, sqfaltaajuste, sqerropuro])
    mediaquad = somaquad / num_gl
    fcalc = np.empty(4)
    fcalc[0:2] = mediaquad[0] / mediaquad[1]
    fcalc[2:] = mediaquad[2] / mediaquad[3]
    fcrit = np.empty(4)
    fcrit[0:2] = f.interval(1 - 2 * alfa, num_gl[0], num_gl[1])[1]
    fcrit[2:] = f.interval(1 - 2 * alfa, num_gl[2], num_gl[3])[1]
    f_aceitacao = np.empty(4).astype(str)
    if fcalc[0] > fcrit[0]:
        f_aceitacao[:2] = 'Modelo Signif.'
    else:
        f_aceitacao[:2] = 'Modelo Não Signif.'

    if fcalc[2] > fcrit[2]:
        f_aceitacao[2:] = 'Não falta ajustes'
    else:
        f_aceitacao[2:] = 'Falta ajustes'

    f_pvalor = np.zeros(4)
    f_pvalor[:2] = f.sf(fcalc[0], num_gl[0], num_gl[1])
    f_pvalor[2:] = f.sf(fcalc[2], num_gl[2], num_gl[3])

    tabAnova = DataFrame(
        {
            'Fonte Variação': font_var,
            'Soma Quadrática': somaquad,
            'GL': num_gl,
            'Média Quadrática': mediaquad,
            'F Calculado': fcalc,
            'F Crítico': fcrit,
            'Julgamento': f_aceitacao,
            'p-valor': f_pvalor
        }
    )

    print('\nTABELA DE ANOVA\n', '=-=' * 30)
    display('\n', tabAnova)
    return tabAnova.to_json(orient="table"),200,{'Content-Type' : 'application/json'}

@app.route('/2k/tab_anova/<fatores>/<replicadas>/<maty>/<matbetaAceito>',methods=['GET'])
def tabAnova2k(fatores,replicadas, maty,matbetaAceito):
    alfa = 0.05
    mult = 2
    fatores = int(fatores)
    replicadas = int(replicadas)
    maty = np.array(json.loads(maty))
    matbetaAceito = np.array(json.loads(matbetaAceito))
    #maty = json.loads(maty)

    fatores = int(fatores)
    replicadas = int(replicadas)
    mult = 2
    combvariaveis = list()
    for aux1 in range(2,fatores + 1):
        combinacoes = list()
        for aux2 in range(1, fatores + 1):
            combinacoes.append(aux2)
        combvariaveis.append(list(combinations(combinacoes, aux1)))
    
    ind_comb1 = 0
    ind_comb2 = 0
    cont_comb = 0
    
    lim_comb = combvariaveis[ind_comb2].__len__()
    linx = 2 ** fatores + replicadas
    colx = 2 ** fatores
    matx = np.ones((linx, colx), dtype=int)

    # Preenchimento da Matriz X (Replicatas, Coluna 2, Última Coluna e Variáveis)
    for coluna in range(1, colx):
        # Necessário para Colunas das variáveis
        imparpar = 0
        for linha in range(0, linx):

            # 'Replicatas do ponto central'
            if linha >= linx - replicadas:
                matx[linha, coluna] = 0

            # Coluna 2
            elif coluna == 1 and linha % 2 == 0:
                matx[linha, coluna] = -1

            # Colunas das variáveis
            elif coluna <= fatores and coluna != 1:
                if linha % mult == 0:
                    imparpar += 1
                    #print('Linha:', linha, '\n', 'Mult: ', mult, '\n', 'O valor do imparpar: ', imparpar, '\n')
                if imparpar % 2 == 1:
                    matx[linha, coluna] = -1

            # Última Coluna
            elif coluna == colx - 1:
                ultcol = 0
                for ind_ultcol in range(1, fatores + 1):
                    if matx[linha, ind_ultcol] == -1:
                        ultcol += 1
                if ultcol % 2 != 0:
                    matx[linha, coluna] = -1

            # Combinação das Variáveis
            elif coluna > fatores:
                if coluna - fatores <= lim_comb:
                    if cont_comb < 2 ** fatores:
                        cont_comb += 1
                        comb = combvariaveis[ind_comb2][ind_comb1]
                    else:
                        ind_comb1 += 1
                        cont_comb = 1
                        comb = combvariaveis[ind_comb2][ind_comb1]
                else:
                    ind_comb2 += 1
                    ind_comb1 = 0
                    cont_comb = 1
                    lim_comb += combvariaveis[ind_comb2].__len__()
                    comb = combvariaveis[ind_comb2][ind_comb1]
                valormult = 1
                for indcomb in range(0, comb.__len__()):
                    valormult *= matx[linha, comb[indcomb]]
                # print('A multiplicação da combinação:', comb, 'na linha', linha, 'é', valormult)
                matx[linha, coluna] = valormult

        # Necessário para a Coluna das Variáveis
        if coluna <= fatores and coluna != 1:
            mult *= 2

    # Continuidade do Programa

    # Matriz Transposta
    matxtranp = np.transpose(matx)
    tamanho = matxtranp.shape
    '''
    print("\nA Matriz X transposta possui", tamanho[0], "linhas e", tamanho[1],'colunas')
    for linha in range(0, tamanho[0]):
        for coluna in range(0, tamanho[1]):
            print(f'[{matxtranp[linha, coluna]:^3}]', end='')
        print()
    '''

    # Matriz X^t*X
    matx_t_x = np.matmul(matxtranp, matx)
    tamanho = matx_t_x.shape
    '''
    print("\nA Matriz X_t * X possui", tamanho[0], "linhas e", tamanho[1], 'colunas')
    for linha in range(0, tamanho[0]):
        for coluna in range(0, tamanho[1]):
            print(f'[{matx_t_x[linha, coluna]:^3}]', end='')
        print()
    '''

    # Matriz X^t*X a -1
    matx_t_xinv = matx_t_x.astype(float)
    tamanho = matx_t_xinv.shape
    for linha in range(0, tamanho[0]):
        for coluna in range(0, tamanho[1]):
            if linha == coluna:
                matx_t_xinv[linha][coluna] = 1 / (matx_t_x[linha][coluna])
    '''
    print("\nA Matriz X_t*X-¹ possui", tamanho[0], "linhas e", tamanho[1], 'colunas')
    for linha in range(0, tamanho[0]):
        for coluna in range(0, tamanho[1]):
            print(f'[{round(matx_t_xinv[linha, coluna], 5):^7}]', end='')
            #print(f'[{matx_t_xinv[linha, coluna]:^10}]', end='')
        print()
    '''
    
    # Cálculo da Matriz X^t * Y
    matx_t_y = np.matmul(matxtranp, maty)

    # Cálculo dos Betas
    matbetas = np.matmul(matx_t_xinv, matx_t_y)
    #print('\nMatriz BETA:\n', matbetas)
    mem_matbetas = matbetas
    elim_betas = 0
    for i in range(matbetas.size):
        if(matbetaAceito[i] == False ):
            matbetas[i] = bool(matbetaAceito[i])
    # Matriz Beta^t
    matbetas_t = np.transpose(matbetas)

    # Valor de Beta^t * X^t * Y
    matbetas_t_x_t_y = np.matmul(matbetas_t, matx_t_y)
    #print('\n \n', matbetas_t_x_t_y)

    # Calculo da variância dos pontos centrais
    pntcentrais = []
    for i in range(linx):
        pntcentrais.append(maty[i, 0])

    varian = np.sqrt(variance(pntcentrais) * matx_t_xinv)
    #print(varian)

    er = []
    for lin in range(tamanho[0]):
        for col in range(tamanho[1]):
            if lin == col:
                er.append(varian[lin][col])
    #print(er)

    # Montagem da Tabela de Significância dos Betas
    matb = matbetas.ravel()
    tam_matb = matb.size
    tcalc = (matb - 0) / er
    tintervalo = t.interval(1 - alfa, linx - tam_matb)
    tcrit = tintervalo[1]

    t_pvalor_bc = []
    for i in range(tam_matb):
        if matb[i] >= 0:
            t_pvalor_bc.append(2 * t.sf(tcalc[i], tam_matb - 1))
        else:
            t_pvalor_bc.append(2 * t.cdf(tcalc[i], tam_matb - 1))

    t_aceitacao = []
    for i in range(tam_matb):
        if t_pvalor_bc[i] < alfa:
            t_aceitacao.append("Aceita-se H0")
        else:
            t_aceitacao.append("Rejeita-se H0")

    tab_signbeta = DataFrame(
        {
            'B': matb,
            'er': er,
            'H0': 0,
            't[(B - H0)/er]': tcalc,
            't crítico': tcrit,
            'Análise da Hipótese': t_aceitacao,
            'p-valor': t_pvalor_bc
        }
    )
    
    # print('\nTABELA DE SIGNIFICÂNCIA DOS BETAS\n', '=-=' * 30)
    # display('\n', tab_signbeta)


    #return jsonify(tab_signbeta)
    #return tab_signbeta.to_json(orient="table")
    
    #print(matbetas.size)
    
    #matbetas = matbeta

    # Calculo da Matriz Y^
    matY_ = np.matmul(matx, matbetas)
    #print('\n\n', maty_)

    # Calculo da Tabela de ANOVA
    sqereg = np.sum((matY_ - maty.mean()) ** 2)
    #print('SQE Regressão: ', sqereg)
    mat_sqe = (maty - matY_) ** 2
    sqe = np.sum(mat_sqe)
    #print('SQE: ', sqe)
    mat_sqfaltaajuste = mat_sqe
    media_repeticao = np.sum(maty[mat_sqe.size - replicadas:mat_sqe.size]) / replicadas
    #print(media_repeticao)
    for i in range(mat_sqe.size - replicadas, mat_sqe.size):
        mat_sqfaltaajuste[i] = (matY_[i] - media_repeticao) ** 2
    sqfaltaajuste = np.sum(mat_sqfaltaajuste)
    #print(sqfaltaajuste)

    mat_sqerropuro = mat_sqe
    for i in range(mat_sqerropuro.size):
        if i < mat_sqerropuro.size - replicadas:
            mat_sqerropuro[i] = 0
        else:
            mat_sqerropuro[i] = (maty[i] - media_repeticao) ** 2
    sqerropuro = np.sum(mat_sqerropuro)

    font_var = np.array(['Regressão', 'Resíduos', 'Falta Ajuste', 'Erro Puro'])
    num_gl = np.array([matbetas.size - 1, 2 ** fatores + replicadas - matbetas.size, 2 ** fatores + 1 - matbetas.size, replicadas - 1])
    somaquad = np.array([sqereg, sqe, sqfaltaajuste, sqerropuro])
    mediaquad = somaquad / num_gl
    fcalc = np.empty(4)
    fcalc[0:2] = mediaquad[0] / mediaquad[1]
    fcalc[2:] = mediaquad[2] / mediaquad[3]
    fcrit = np.empty(4)
    fcrit[0:2] = f.interval(1 - 2 * alfa, num_gl[0], num_gl[1])[1]
    fcrit[2:] = f.interval(1 - 2 * alfa, num_gl[2], num_gl[3])[1]
    f_aceitacao = np.empty(4).astype(str)
    if fcalc[0] > fcrit[0]:
        f_aceitacao[:2] = 'Modelo Signif.'
    else:
        f_aceitacao[:2] = 'Modelo Não Signif.'

    if fcalc[2] > fcrit[2]:
        f_aceitacao[2:] = 'Não falta ajustes'
    else:
        f_aceitacao[2:] = 'Falta ajustes'

    f_pvalor = np.zeros(4)
    f_pvalor[:2] = f.sf(fcalc[0], num_gl[0], num_gl[1])
    f_pvalor[2:] = f.sf(fcalc[2], num_gl[2], num_gl[3])

    tabAnova = DataFrame(
        {
            'Fonte Variação': font_var,
            'Soma Quadrática': somaquad,
            'GL': num_gl,
            'Média Quadrática': mediaquad,
            'F Calculado': fcalc,
            'F Crítico': fcrit,
            'Julgamento': f_aceitacao,
            'p-valor': f_pvalor
        }
    )

    print('\nTABELA DE ANOVA\n', '=-=' * 30)
    display('\n', tabAnova)
    return tabAnova.to_json(orient="table"),200,{'Content-Type' : 'application/json'}

@app.route('/2k/matriTesteT/<fatores>/<replicadas>/<maty>',methods=['GET'])
def testT2k(fatores,replicadas, maty):
    alfa = 0.05
    mult = 2
    fatores = int(fatores)
    replicadas = int(replicadas)
    maty = np.array(json.loads(maty))
    #maty = json.loads(maty)

    fatores = int(fatores)
    replicadas = int(replicadas)
    mult = 2
    combvariaveis = list()
    for aux1 in range(2,fatores + 1):
        combinacoes = list()
        for aux2 in range(1, fatores + 1):
            combinacoes.append(aux2)
        combvariaveis.append(list(combinations(combinacoes, aux1)))
    
    ind_comb1 = 0
    ind_comb2 = 0
    cont_comb = 0
    
    lim_comb = combvariaveis[ind_comb2].__len__()
    linx = 2 ** fatores + replicadas
    colx = 2 ** fatores
    matx = np.ones((linx, colx), dtype=int)

    # Preenchimento da Matriz X (Replicatas, Coluna 2, Última Coluna e Variáveis)
    for coluna in range(1, colx):
        # Necessário para Colunas das variáveis
        imparpar = 0
        for linha in range(0, linx):

            # 'Replicatas do ponto central'
            if linha >= linx - replicadas:
                matx[linha, coluna] = 0

            # Coluna 2
            elif coluna == 1 and linha % 2 == 0:
                matx[linha, coluna] = -1

            # Colunas das variáveis
            elif coluna <= fatores and coluna != 1:
                if linha % mult == 0:
                    imparpar += 1
                    #print('Linha:', linha, '\n', 'Mult: ', mult, '\n', 'O valor do imparpar: ', imparpar, '\n')
                if imparpar % 2 == 1:
                    matx[linha, coluna] = -1

            # Última Coluna
            elif coluna == colx - 1:
                ultcol = 0
                for ind_ultcol in range(1, fatores + 1):
                    if matx[linha, ind_ultcol] == -1:
                        ultcol += 1
                if ultcol % 2 != 0:
                    matx[linha, coluna] = -1

            # Combinação das Variáveis
            elif coluna > fatores:
                if coluna - fatores <= lim_comb:
                    if cont_comb < 2 ** fatores:
                        cont_comb += 1
                        comb = combvariaveis[ind_comb2][ind_comb1]
                    else:
                        ind_comb1 += 1
                        cont_comb = 1
                        comb = combvariaveis[ind_comb2][ind_comb1]
                else:
                    ind_comb2 += 1
                    ind_comb1 = 0
                    cont_comb = 1
                    lim_comb += combvariaveis[ind_comb2].__len__()
                    comb = combvariaveis[ind_comb2][ind_comb1]
                valormult = 1
                for indcomb in range(0, comb.__len__()):
                    valormult *= matx[linha, comb[indcomb]]
                # print('A multiplicação da combinação:', comb, 'na linha', linha, 'é', valormult)
                matx[linha, coluna] = valormult

        # Necessário para a Coluna das Variáveis
        if coluna <= fatores and coluna != 1:
            mult *= 2

    # Continuidade do Programa

    # Matriz Transposta
    matxtranp = np.transpose(matx)
    tamanho = matxtranp.shape
    '''
    print("\nA Matriz X transposta possui", tamanho[0], "linhas e", tamanho[1],'colunas')
    for linha in range(0, tamanho[0]):
        for coluna in range(0, tamanho[1]):
            print(f'[{matxtranp[linha, coluna]:^3}]', end='')
        print()
    '''

    # Matriz X^t*X
    matx_t_x = np.matmul(matxtranp, matx)
    tamanho = matx_t_x.shape
    '''
    print("\nA Matriz X_t * X possui", tamanho[0], "linhas e", tamanho[1], 'colunas')
    for linha in range(0, tamanho[0]):
        for coluna in range(0, tamanho[1]):
            print(f'[{matx_t_x[linha, coluna]:^3}]', end='')
        print()
    '''

    # Matriz X^t*X a -1
    matx_t_xinv = matx_t_x.astype(float)
    tamanho = matx_t_xinv.shape
    for linha in range(0, tamanho[0]):
        for coluna in range(0, tamanho[1]):
            if linha == coluna:
                matx_t_xinv[linha][coluna] = 1 / (matx_t_x[linha][coluna])
    '''
    print("\nA Matriz X_t*X-¹ possui", tamanho[0], "linhas e", tamanho[1], 'colunas')
    for linha in range(0, tamanho[0]):
        for coluna in range(0, tamanho[1]):
            print(f'[{round(matx_t_xinv[linha, coluna], 5):^7}]', end='')
            #print(f'[{matx_t_xinv[linha, coluna]:^10}]', end='')
        print()
    '''
    
    # Cálculo da Matriz X^t * Y
    matx_t_y = np.matmul(matxtranp, maty)

    # Cálculo dos Betas
    matbetas = np.matmul(matx_t_xinv, matx_t_y)
    #print('\nMatriz BETA:\n', matbetas)

    # Matriz Beta^t
    matbetas_t = np.transpose(matbetas)

    # Valor de Beta^t * X^t * Y
    matbetas_t_x_t_y = np.matmul(matbetas_t, matx_t_y)
    #print('\n \n', matbetas_t_x_t_y)

    # Calculo da variância dos pontos centrais
    pntcentrais = []
    for i in range(linx-1):
        pntcentrais.append(maty[i, 0])
    # pegar a variancia de tudo
    varian = np.sqrt(variance(pntcentrais) * matx_t_xinv)
    #print(varian)

    er = []
    for lin in range(tamanho[0]):
        for col in range(tamanho[1]):
            if lin == col:
                er.append(varian[lin][col])
    #print(er)

    # Montagem da Tabela de Significância dos Betas
    matb = matbetas.ravel()
    tam_matb = matb.size
    tcalc = (matb - 0) / er
    tintervalo = t.interval(1 - alfa, linx - tam_matb)
    tcrit = tintervalo[1]

    t_pvalor_bc = []
    for i in range(tam_matb):
        if matb[i] >= 0:
            t_pvalor_bc.append(2 * t.sf(tcalc[i], tam_matb - 1))
        else:
            t_pvalor_bc.append(2 * t.cdf(tcalc[i], tam_matb - 1))

    t_aceitacao = []
    for i in range(tam_matb):
        if t_pvalor_bc[i] < alfa:
            t_aceitacao.append("Aceita-se H0")
        else:
            t_aceitacao.append("Rejeita-se H0")
    # combinacoes idix dos betas 
    combvariaveis2 = list()
    for i in range(fatores+1):
        combvariaveis2.append([i])

    for i in combvariaveis:
        for e in i:
            combvariaveis2.append(e)
    tab_signbeta = DataFrame(
        {
            'X':combvariaveis2,
            'B': matb,
            'er': er,
            'H0': 0,
            # 't[(B - H0)/er]': tcalc,
            't Calculado': tcalc,
            't Crítico': tcrit,
            #'Análise da Hipótese': t_aceitacao,
            'p-valor': t_pvalor_bc
        }
    )
    
    # print('\nTABELA DE SIGNIFICÂNCIA DOS BETAS\n', '=-=' * 30)
    # display('\n', tab_signbeta)


    #return jsonify(tab_signbeta)
    return tab_signbeta.to_json(orient="table"),200,{'Content-Type' : 'application/json'}



if __name__ == "__main__":
    port = int(os.environ.get("PORT", 5000))
    app.run(host='0.0.0.0', port=port)