setwd("C:/Jirka/Environment/Výuka/VLBS0621 Biostatistika pro P-PooL/Jaro 2024")

library("xlsx")

##################
#                #
#  Příklad č. 2  #
#                #
##################

data2.0<-read.xlsx("15_cvicny_test_2024_jaro.xlsx","Příklad č. 2",startRow=40)[1:351,2:6]
kontingencni.tabulka<-table(data2.0[,c("KATEGORIE","BPF")])

chisq.test(kontingencni.tabulka)


##################
#                #
#  Příklad č. 3  #
#                #
##################

data3.0<-read.xlsx("15_cvicny_test_2024_jaro.xlsx","Příklad č. 3",startRow=35)[1:38,2:5]

venozni<-  data3.0$venózní.krev 
kapilarni<-data3.0$kapilární.krev

ks.test(venozni,  "pnorm",mean(venozni)  ,sd(venozni))
ks.test(kapilarni,"pnorm",mean(kapilarni),sd(kapilarni))

cor.test(venozni, kapilarni)

data3.1<-data.frame("pacient"=rep(data3.0$pacient,2),
                    "den"    =rep(data3.0$den,    2),
                    "krev"   =rep(c("venózní","kapilární"),each=nrow(data3.0)),
                    "peptid" =c(data3.0$venózní.krev,data3.0$kapilární.krev))

anova1<-aov(peptid~pacient+den+krev,data=data3.1)
summary(anova1)

# V praxi nás asi víc zajímá rozdíl mezi venózní a kapilární krví se zohledněním pacienta jako opakovaného měření
anova2<-aov(peptid~den+krev+Error(pacient),data=data3.1)
summary(anova2)

# Případně pokud nás nezajímá ani změna v čase
anova3<-aov(peptid~krev+Error(pacient+den),data=data3.1)
summary(anova3)

# Všechny výsledky ukazují, že rozdíly jsou mezi jednotlivými pacienty, ale ne v čase ani mezi venózní a kapilární krví


boxplot(peptid~den,data=data3.1,col="gray",main="Koncentrace peptidu SDVMYTDWK podle dne")
boxplot(peptid~krev,data=data3.1,col="red",main="Koncentrace peptidu SDVMYTDWK podle krve")
boxplot(peptid~pacient,data=data3.1,col="orange",main="Koncentrace peptidu SDVMYTDWK podle pacienta")


##################
#                #
#  Příklad č. 4  #
#                #
##################

data4.0<-read.xlsx("15_cvicny_test_2024_jaro.xlsx","Příklad č. 4",startRow=53)[1:56,2:4]

data4.0$delka<-data4.0$Parciální.odpověď-data4.0$Zahájení

velcade   <-as.integer(data4.0$delka[which(data4.0$Léčivo=="Velcade")])
thalidomid<-as.integer(data4.0$delka[which(data4.0$Léčivo=="Thalidomid")])

hist(velcade)    # bez odlehlých hodnot
hist(thalidomid) # možná jedna odlehlá hodnota

shapiro.test(velcade)    # není normální
shapiro.test(thalidomid) # není normální

# Obě rozdělení obsahují pouze kladné hodnoty a jsou doprava zešikmená => zkusíme log transformaci.

shapiro.test(log10(velcade))    # normální
shapiro.test(log10(thalidomid)) # normální

hist(log10(velcade))    # bez odlehlých hodnot
hist(log10(thalidomid)) # bez odlehlých hodnot

# Navrhuji nevylučovat žádné hodnoty jako odlehlé a pracovat s původními daty po log transformaci.

## Kvantily
quantile(velcade,   c(0.00,0.05,0.50,0.95,1.00))
quantile(thalidomid,c(0.00,0.05,0.50,0.95,1.00))

wilcox.test(velcade,thalidomid)

boxplot(velcade,thalidomid,names=c("Velcade","Thalidomid"),col=c("brown","forestgreen"),main="Rozdíl v délce parciální odpovědi Velcade × Thalidomid")