# Tento pomocny skript nemusite pouzit, jeho pouziti je dobrovolne.
# Obsahuje reseni v R s vynechanymi castmi oznacenymi "...".
# Na mista "..." musite doplnit spravnou cast kodu, aby vam skript fungoval.

# Pro spousteni primo ze skriptu, nastavte kurzor na pozadovany radek 
# a stisknete Ctrl + Enter.

#############################################################################
# 2. cviceni
#############################################################################

# Priklad 1

# Nejprve musime nacist data. Jednim ze zpusobu je vyuzit funkci read.table().
# Jejimi argumenty v nasem pripade jsou cesta k datovemu soboru a argument 
# header udavajici, zda nas datovy soubor obsahuje hlavicku. To zjistite, pokud 
# si soubor "anova2.txt" otevrete napr. v poznamkovem bloku.

body <- read.table("...", header=...)
summary(body)

# Jsou v datech nejake chybejici hodnoty?

# Prevedte promenne sex a obra na typ "faktor"; poradi labels musi byt abecedne razeno
body$sex <- factor(..., labels=c("f", "m"))
body$obra <- factor(..., labels=c("no", "yes"))

# Nastaveni popisku
ylabel <- "Telesna vyska [mm]"
groups <- c("zena bez starsiho bratra", "zena se starsim bratrem",
            "muz bez starsiho bratra", "muz se starsim bratrem")
summary(body)

# Vykresleni boxplotu. Dovnitr zadejte formuli: "zavisla prom. ~ nezavisla prom + nezavisla prom".
# Vyzkousejte si i funkcnost zbylych parametru
boxplot(body$... ~ body$... + body$..., varwidth=T, notch=T,
        xlab="Skupina", ylab=ylabel, xaxt="n", las=1)

# Nastaveni x-ove osy a popisku na ni
axis(1, at=1:4, labels=NA)
mtext(groups[c(1,3)], side=1, line=1, at=c(1,3))
mtext(groups[c(2,4)], side=1, line=2, at=c(2,4))

# Vypoctete prumery jednotlivych skupin a pridejte je jako cerevene
# body do boxplotu
mm1 <- mean(...)
mm2 <- mean(...)
mm3 <- mean(...)
mm4 <- mean(...)
points(1:4, c(mm1,mm2,mm3,mm4), col="...", pch=16)

# Sestrojime model bez interakce
m.body.1 <- aov(... ~ ... + ..., data=body)

# Nastavi zobrazeni 4 grafu najednou (na 2 radky a 2 sloupce)
par(mfrow=c(2,2))
# Overte predpoklady pomoci analyzy rozptylu
plot(m.body.1, which=1:4)
## Co jednotlive grafy overuji?
## 1) ...
## 2) ...
## 3) ...
## 4) ...

# Overte normalitu 
shapiro.test(...)
## Jak test dopadl?

m.body.1$coefficients
## Interpretujte koeficienty modelu

# Anova tabulka
anova(m.body.1)

# Testovani pomoci kritickeho oboru

# pro faktor "pohlavi"
qf(0.95, df1 = 1, df2 = 172) 
## Jak dopadl test?

# pro faktor "pritomnost starsiho bratra"
qf(0.95, df1 = ..., df2 = ...) 
## Jak dopadl test?

# Provedte mnohonásobné porovnavani pro faktor vykazujici rozdily 

# Jaka je hypoteza, kterou testujeme?
# H0: ...
# H1: ...

# Tukey
TukeyHSD(m.body.1, which=c("..."))

# Scheffe
a <- ...
b <- ...
n <- nrow(body)
m.boys <- mean(body[body$sex =="m","body.H"])
m.girls <- mean(...)
n.sex <- as.numeric(table(body$sex))

res.mean.sq <- anova(m.body.1)["Residuals","Mean Sq"]


# zeny-muzi; leva strana
abs(... - ...) 

# prava strana
sqrt((a-1) * (1/n.sex[1] + 1/n.sex[2]) * res.mean.sq * qf(0.95, a-1, n-a*b))
## Zamitame nulovou hypotezu?


# Priklad 2

# Postupujeme analogicky a pracujeme se stejnym datovym souborem;
# Zajima nas vsak zavisla promenna head.L
ylabel <- "Delka hlavy [mm]"
groups <- c("zena bez starsiho bratra", "zena se starsim bratrem",
            "muz bez starsiho bratra", "muz se starsim bratrem")
summary(body)

# Krabicove grafy
par(mfrow = c(1,1))
boxplot(... ~ ... + ..., varwidth=T, notch=T,
        xlab="Skupina", ylab=ylabel, xaxt="n", las=1)

axis(1, at=1:4, labels=NA)
mtext(groups[c(1,3)], side=1, line=1, at=c(1,3))
mtext(groups[c(2,4)], side=1, line=2, at=c(2,4))

mm1 <- mean(...)
mm2 <- mean(...)
mm3 <- mean(...)
mm4 <- mean(...)
points(1:4, c(mm1,mm2,mm3,mm4), col="red", pch=16)
## pridani prumeru do grafu

# sestrojime model s interakci
m.body.2 <- aov(... ~ ... * ..., data=...)

# Diagnosticke grafy
par(mfrow=c(2,2)) 
plot(m.body.2, which=1:4)

# Test normality
shapiro.test(...)

m.body.2$coefficients
## Interpretujte koeficienty
## ...

# Anova tabulky
anova(...)


# Test pomoci kritickeho oboru
# pro faktor "pohlavi"
qf(0.95, df1 = 1, df2 = 171) 

# pro faktor "pritomnost starsiho bratra"
qf(...) 

# pro interakci
qf(...)

## Jake jsou vysledky testu?
## ...

# provedeme mnohonásobné porovnavani pro faktory vykazujici rozdily 

# Jake hypotezy overujeme?
# H0: ...
# H1: ...

# Tukey
TukeyHSD(m.body.2, which=c(...))

# Scheffe
a <- ...
b <- ...
n <- nrow(body)
m.boys <- mean(...)
m.girls <- mean(...)
n.sex <- as.numeric(table(body$sex))

m.old_b <- mean(...)
m.no_old_b <- mean(...)
n.bro <- as.numeric(table(body$obra))
res.mean.sq <- anova(m.body.2)["Residuals","Mean Sq"]

# zeny-muzi; leva strana
abs(... - ...) 

# prava strana
sqrt((a-1) * (1/n.sex[1] + 1/n.sex[2]) * res.mean.sq * qf(0.95, a-1, n-a*b))
## Jaky je vysledek testu?
## ...

# old brother-no old brother
abs(... - ...)
sqrt((b-1) * (1/n.bro[1] + 1/n.bro[2]) * res.mean.sq * qf(0.95, b-1, n-a*b))

## Jaky je vysledek testu?
## ...

# Pracujte s koeficienty bez interakce (prokazala se jako nevyznamna)
coefs <- m.body.2$coefficients
girls <- ...
boys <- ...
par(mfrow = c(1,1))

# Vykresleni grafu
boxplot(body$body.H~body$obra, ylim=c(170, 210), border="white",
        xlab="Pritomnost starsiho bratra", ylab=ylabel)
points(1:2,girls, col="red", pch=16)
lines(1:2,girls, col="red", lty=2)
points(1:2, boys, col="blue", pch=17)
lines(1:2, boys, col="blue", lty=2)
legend("topleft", legend=c("divky", "chlapci"), col=c("red", "blue"), pch=c(16,17))

# Zkuste si stejny graf vykreslit i s koeficienty zahrnujici interakci