andmed=read.csv("http://haldna.ee/r/Statistika/EMU_2023.csv",header=TRUE,sep=",", dec=".")
attach(andmed)

names(andmed)
andmed

summary(andmed)

boxplot(pikkus,ylab="Pikkus, cm",main="Kõik tudengid")
boxplot(kaal,ylab="Kaal, kg",main="Kõik tudengid")
mean(pikkus)
sd(pikkus)
hist(pikkus)

Pikkus=rnorm(n=300,mean=172,sd=9)

par(mfrow=c(1,2)) # kaks graafikut kõrvuti
hist(pikkus, main="Empiirilised ",ylab="tudengite arv")
hist(Pikkus, main="Teoreetilised",ylab="")

kaal2=rnorm(n=300,mean(kaal),sd(kaal))
hist(kaal, main="Empiirilised kaalud",ylab="tudengite arv")
hist(kaal2, main="Teoreetilised kaalud",ylab="")

table(mathinne)
prop.table(table(mathinne)) # suhtelised sagedused
prop.table(table(mathinne))*100 # suhtelised sagedused protsentides
round(prop.table(table(mathinne))*100,1)

T1=table(mathinne)
prop.table(T1)*100
round(prop.table(T1)*100,1)
barplot(T1)
pie(T1) # võimalikud graafikud

shapiro.test(pikkus) 

Kas naiste ja meeste pikkuste varieeruvused on sarnased ?
bartlett.test(pikkus~factor(sugu))
fligner.test(pikkus~factor(sugu))
var.test(pikkus~factor(sugu))
table(sugu)

sd(pikkus[sugu=="m"])
sd(pikkus[sugu=="n"])
names(andmed)

boxplot(pikkus~factor(sugu),col=FALSE)

boxplot(biolpunkte~factor(aeg),col=FALSE)

boxplot(kaal~factor(aeg),col=FALSE)

t.test(pikkus~factor(sugu))

t.test(pikkus)

# Teine praktikum

andmed=read.csv("http://haldna.ee/r/Statistika/EMU_2023.csv",header=TRUE,sep=",", dec=".")
attach(andmed)

names(andmed)

T1=table(sugu,aeg);addmargins(T1)

chisq.test(T1)

barplot(T1,beside=TRUE,legend=TRUE)
barplot(prop.table(T1,margin=2),legend=TRUE,ylab="Tudengite osakaal",xlim=c(0,4.5))

prop.test(c(38,42),n=c(50,150))

TT<-matrix(c(50,25,45,80),nrow=2,byrow=TRUE,dimnames=list(c("Suvila on","Suvilat pole"),c("Taime pole","Taim on")));TT

fisher.test(TT) # kas suhe tuli sama, mis käsitsi arvutades?

barplot(TT,legend=TRUE,xlim=c(0,3.5))

barplot(t(TT),legend=TRUE,xlim=c(0,3.5))
barplot(prop.table(t(TT),margin=2)*100,legend=TRUE,ylab="Taime olemasolu,%",xlim=c(0,3.5))
chisq.test(TT)

T2=table(sugu,aeg) ;T2
fisher.test(T2)
table(aeg)
summary(andmed)
table(tase)

t.test(biolpunkte~factor(tase))
t.test(pikkus~sugu)
names(andmed)
kor_andmed=andmed[,-c(1,4,10:13)]

maatriks=round(cor(kor_andmed, use="pairwise.complete.obs"),2)
maatriks

cor.test(biolpunkte,inglise,method="pearson")

cor.test(pikkus,kaal,method="pearson")
cor.test(pikkus,kaal,method="spearman")
cor.test(pikkus,kaal) # mis see on?


Iseseisev töö, kirjuta välja eelneva näite H0 ja H1.

plot(pikkus,kaal)

plot(kaal~pikkus)

# vaatame kolme erinevat joonist kõrvuti
par(mfrow=c(1,3))
plot(pikkus,kaal,main="plot(pikkus,kaal)")
plot(kaal,pikkus,main="plot(kaal,pikkus)")
plot(kaal~pikkus,main="plot(pikkus~kaal)")
#Lisame ühikud telgedele
plot(kaal~pikkus,main="Kaalu seos pikkusega",ylab="Kaal,kg",xlab="Pikkus, cm")
#muudame graafiku akent, kui vaja
pairs(kor_andmed)
#install.packages("corrplot")
library(corrplot) 
#Korrelatsioonimaatriksi graafiliseks esitamiseks
corrplot(maatriks)

# Lineaarsed mudelid

fosfor<-read.table("http://ph.emu.ee/~haldna/Statistika/CY_naide2.csv",
sep=",", dec=".", header=TRUE, na.strings=c("NA", ""))

names(fosfor);attach(fosfor)
summary(fosfor)
punkt=factor(punkt)

# kontrolli, millised PTOT ja PO4P väärtused on üldse andmebaasis olemas,
# vaata ka jaotust!
hist(PTOT)
hist(PO4P) # kas on n.j.?
cor.test(PTOT,PO4P) # kas lin.korrelatsioon on oluline
plot(PTOT~PO4P)

lin_mudel=lm(PTOT~PO4P)

summary(lin_mudel)

# arvutame prognoosid paberil käsitsi või kalkulaatori abil
# üldfosfor=....+....*fosfaat
# R abil

# kui PO4P on 25
 32.3714+1.7340*25

# Joonis, kõigepealt hajuvusgraafik uuesti
plot(PTOT~PO4P)
abline(lin_mudel)
#Prognooside leidmiseks teeme valiku argumenttunnuse (PO4P) väärtustest.
# Nendele leiab R on prognoosi, usaldusvahemiku ja prognoosi vahemiku.
# Lihtsa regressioonimudeli korral piisab kahest etteantud väärtusest,
# võtame näiteks minimaalse ja maksimaalse PO4P ja lisaks 10, kontrollimaks, kas arvutasime
#eespool õigesti.

uued=c(min(PO4P),10,max(PO4P))
uued
prognoos=predict(lin_mudel,data.frame(PO4P=uued))
prognoos #vaatame prognoose

us_piirid=predict(lin_mudel,data.frame(PO4P=uued),interval="conf")
us_piirid # vaatame prognoose koos 95% usalduspiiridega

pr_piirid=predict(lin_mudel,data.frame(PO4P=uued),interval="pred")
pr_piirid # vaatame prognoose koos 95% prognoosi vahemikega

# Joonis, kõigepealt hajuvusgraafik uuesti
plot(PTOT~PO4P)
abline(lin_mudel)
# NB!abline(lin_mudel) annab sama, kuid seda tehakse vaid ühe faktoriga #
mudeli korral
lines(uued,prognoos)
lines(uued,us_piirid[,2],lty=2);lines(uued,us_piirid[,3],lty=2)
lines(uued,pr_piirid[,2],lty=3);lines(uued,pr_piirid[,3],lty=3)