#=================================================================================================


# Priklad. 2.1 - Nominalni data
data <- data.frame(vysoke=c(6,20,18),
                   stredni=c(6,15,12),
                   nizke=c(4,7,12),
                   row.names=c('svetle', 'stredni', 'tmave')) # vytvoreni tabulky
data

apply(data, 2, sum) # pocet jednotlivych variant dlanovych linii v souboru: vysoke umisteni 44x stredni umisteni 33x, nizke umisteni 23x
apply(data, 1, sum) # pocet jednotlivych barev vlasu v souboru: svetle vlasy 16x, stredni odstin 42x, tmavy odstin 42x

library(lsr)        # nacteni knihovny lsr kvuli funkci cramersV
round(cramersV(data), 4) # vypocet Cramerova koeficientu
# Mezi typem dlanovych linii a barvou vlasu existuje slaby stupen zavislosti

#=================================================================================================


# Priklad 2.2 - Ordinalni data
data <- read.delim('znamky_me.txt', sep='\t', header=T) # nacteni dat s hlavickou (header=T)
head(data)

matematika <- data$math
anglictina <- data$english
pohlavi    <- data$sex

sort(anglictina)   # serazeni hodnot znamek z anglictiny od nejmensi po nejvetsi
length(anglictina) # pocet znamek z anglictiny (20)

qA <- quantile(anglictina, probs=c(0.5, 0.25, 0.75), type=2) # vypocet medianu (probs=0.5), dolniho kvartilu (probs=0.25) a hodniho kvartilu (probs=0.75)
qA # type=2 .. funkce quantile() pocita kvantily 9 ruznymi zpusoby. type=2 odpovida vysledkum rucniho vypoctu

iqr <- qA[3] - qA[2] # kvartilove rozpeti
iqr

tabA <- data.frame(median=qA[1],
                   dolni.kvartil=qA[2],
                   horni.kvartil=qA[3],
                   IQR=iqr,
                   row.names='anglictina') # prehledna tabulka vysledku
tabA

boxplot(anglictina, matematika,
        main='Krabicovy graf',
        xlab='predmet',
        ylab='znamka',
        ylim=c(0,5),
        names=c('anglictina', 'matematika'),
        border='darkgreen', 
        col='darkolivegreen1') # Krabicovy diagram

cor(anglictina, matematika, method='spearman') # Spearmanuv korelacni koeficient poradove zavislosti mezi znakem X...znamka z anglictiny a znakem Y...znamka z matematiky
# Mezi znakou z anglictiny a znamkou z matematiky existuje vyznacny stupen prime poradove zavislosti.

source('AS-funkce.R')                           # nacteni .R souboru s naprogramovanymi funkcemi
dotplot(matematika, anglictina)                 # teckovy graf...potreba 'dosperkovat'
abline(v=seq(1,4, by=0.5), col='grey80', lty=2) # svisle referencni cary
abline(h=seq(1,4, by=0.5), col='grey80', lty=2) # vodorovne referencni cary

#=================================================================================================


# Priklad 2.3 - Ordinalni data
# Stejna data jako v prikladu 2.2, ale zapsana pomoci sumarizacni tabulky (viz zadani)
# !!! NUTNO ROZEPSAT DO VEKTORU o delce dvaceti hodnot!!!
anglina <- c(1,1,1,1,2,2,2,2,3,3,3,3,3,3,3,4,4,4,4,4)
length(anglina)

qA2 <- quantile(anglina, probs=c(0.5, 0.25, 0.75), type=2) # vypocet kvantilu
qA2

iqr2 <- qA2[3] - qA2[2] # vypocet IQR
iqr2


tabA2 <- data.frame(median=qA2[1],
                   dolni.kvartil=qA2[2],
                   horni.kvartil=qA2[3],
                   IQR=iqr2,
                   row.names='anglictina')
tabA2

#=================================================================================================


# Priklad 2.4 - Intervalova data
library(e1071)
data <- read.delim('lebky.txt', sep='\t', dec='.', header=F) # nacteni dat bez hlavicky (header=F)
head(data)

names(data) <- c('delka', 'sirka', 'pohlavi') # vytvoreni hlavicky (pojmenovani sloupcu)
delka.M <- data$delka[data$pohlavi=='muz']    # vyber delky lebky (mozkovny) muzu
n <- length(delka.M)                          # pocet hodnot n=216 muzu
n

mean.D <- mean(delka.M)                       # aritmeticky prumer
s2.D   <- 1/n*sum((delka.M-mean.D)^2)         # rozptyl
s.D    <- sqrt(s2.D)                          # smerodatna odchylka
koef.var.D <- s.D/mean.D*100                  # KOEFICIENT VARIACE ! (s/m)*100

sikmost.D <- skewness(delka.M, type=2)        # koeficient sikmosti
spicatost.D <- kurtosis(delka.M, type=2)      # koeficient spicatosti

tab.D <- data.frame(prumer=mean.D, 
                    rozptyl=s2.D,
                    sm.odch=s.D,
                    koef.var=koef.var.D,
                    sikmost=sikmost.D,
                    spicatost=spicatost.D)    # vytvoreni prehledne tabulky vysledku
round(tab.D,4)                                # zaokrouhleni vysledku

sirka.M <- data$sirka[data$pohlavi=='muz']    # vyber sirky lebky (mozkovny muzu)
cor(delka.M, sirka.M, method='pearson')       # Pearsonuv korelacni koeficient linearni zavislosti znaku X... delka mozkovky a znaku Y... sirka mozkovny
# Mezi delkou mozkovny a sirkou mozkovny existuje nizky stupen prime liearni zavislosti.

plot(sirka.M, delka.M) # teckovy graf - potreba 'vysperkovat'