data <- read.table('TO-DO', header=T)
summary(data) # v summary rovnou i vidime pritomnost NA hodnot

'TO-DO' # odstraneni NA a pripadna uprava faktorovych promennych
## lze pouzit take argument stringsAsFactors = TRUE ve funkci read.table,
## potom se faktorove promenne kodovane pomoci pismen nactou jako faktor

## A) vypocet prumeru, sd a rozsahu pro jednotlive populace a pro cely soubor

cat("Prumery jednotlivych populaci")
(group.means <- tapply(data$cla.L, data$population, mean))
## ve funkci tapply je nejprve vektor, ktery chceme rozdelit, pak faktor, podle ktereho rozdelujeme a nakonec funkce, kterou chceme pro jednotlive skupiny pocitat


cat("SD jednotlivych populaci")
(group.sd <- tapply('TO-DO')) # doplnte podle predchoziho vypocet pro sd

## lze samozrejme pocitat po jednom, ale je to casove narocnejsi, navic je snadne udelat chybu, kdy zapomeneme nekde prepsat populaci apod.
# mean(data$cla.L[which(data$population == "gre")]) atd.


cat("Rozsahy jednotlivych populaci")
(sizes <- table(data$pop)) # nebo je rovnou vidime v summary

# pro cely datovy soubor spolecne
cat("Celkovy prumer")
'TO-DO' # vypocet prumeru vsech populaci dohromady

'TO-DO' # analogicky pro sd a rozsah

## B) boxploty
boxplot(cla.L ~ population, data=data, var.width=T, notch=T, xlab="Populace",
        ylab="delka klicni kosti")
points(1:3, group.means, col="red", pch=16) # pridani prumeru
## boxplot populace automaticky abecedne seradi - pozor, pokud bychom meli v puv. datech jine razeni jednotlivych kategorii, tak musime prislusne preskladat body ve vykresleni prumeru


## C) overeni predpokladu normality nutneho pro analyzu rozptylu
## pouzijeme kvantil-kvantilove grafy a Shapiro-Wilk/Anders-Darling/Lilliefors test
## nutne PRO KAZDOU POPULACI ZVLAST

par(mfrow=c(1,3)) # nastavime 3 grafy do jednoho obrazku
qqnorm(data[data$population=='gre','cla.L'],main="Populace recka", xlab="teoreticky kvantil",
       ylab='pozorovany kvantil')
qqline(data[data$population=='gre','cla.L'], col = "red")

'TO-DO' # kvantil-kvantilove grafy pro dalsi 2 populace

library(nortest)
lillie.test(data[data$population=='ind1','cla.L'])
ad.test(data[data$population=='gre','cla.L'])
ad.test(data[data$population=='ind2','cla.L'])

## D) overeni predpokladu homogenity rozptylu (nutne pro ANOVA)
## pouzit muzeme Bartlettuv test nebo Levenuv test z knihovny "car"

bartlett.test(cla.L ~ population, data)

library("car")
leveneTest(cla.L ~ population, data)

## E) analyza rozptylu - ANOVA
## lze vyuzit fce aov, popr. obecnejsi lm

an1 <- aov(cla.L ~ population, data=data)
anova(an1) # vypis tabulky vysledku z ANOVy

an2 <- lm(cla.L ~ population, data=data) # totez pomoci lm()
anova(an2)

# radek population se vztahuje k jednotlivym populacim (skupinam), radek Residuals k reziduum (chybam)
# Ve sloupci df jsou stupne volnosti, sloupec Sum Sq obsahuje soucty ctvercu, sloupec Mean Sq prumerne soucty ctvercu,
# F value je hodnota F-statistiky a posledni sloupec obsahuje p-hodnotu testu

## F) Mnohonasobne porovnavani
# Tukeyho metoda 
TukeyHSD(an1)
# lze pouzit i fci PostHocTest z knihovny DescTools
library(DescTools)
PostHocTest(an1,method=c('hsd'))

# Scheffeho metoda - knihovna DescTools
ScheffeTest(an1)

# rucni vypocet metody viz materialy k resenemu prikladu

# Bonferroniho metoda
pairwise.t.test(data$cla.L, data$population, p.adjust.method="bonferroni", pool.sd=T)



'TO-DO' # analogicky postupu vyse vypracujte nereseny priklad