# Wylicz statystyki podstawowe z nastepujacego ciagu liczb:
# 9 10 12 11 14 15 17 12 10.5

x <- c(  9, 10, 12, 11, 14, 15, 17, 12, 10.5 ) 
length( x ) 
summary( x ) 
var( x ) 
sqrt( var(x) ) 

# Wylicz wariancje z powyzszego ciagu liczb pomnozonych przez 25
x25 <- x*25 
var( x25 )

# Wylicz srednia z powyzszych liczb, ale tylko dla tych wiekszych od 13
y <- x[ x>13 ]
mean( y )

# Ile jest liczb wiekszych od 13 lub mniejszych 10
y <- x[ x<10 | x>13 ]
length( y )

# Zgenotypowano 7 zwierzat w locus RYR1 i otrzymano wyniki
# CC CT CT TT CC CC CT. Utworz tabele liczebnosci.
genotyp <- c(  "CC", "CT", "CT", "TT", "CC", "CC", "CT" )
table( genotyp )

# Na tych samych swiniach wykonano pomiary grubosci sloniny (mm):
# 14 12 13 17 15 16 11. Oblicz srednie dla poszczegolnych 
# grup genotypowych
slonina <- c( 14, 12, 13, 17, 15, 16, 11 )
tapply( slonina, genotyp, mean )

# Baza danych 'dane-x4p.txt' sklada sie z 6 kolumn:
# kol 1: % miesa w tuszy swini      / pm /
# kol 2: wiek w dniu uboju w dniach / wiek /
# kol 3: masa prawej poltuszy       / masa /
# kol 4: genotyp w locus RYR1       / RYR1 /
# kol 5: genotyp w locus leptyny    / LEP /
# kol 6: stan zdrowia               / stan /
# Wczytaj dane z pliku
swinie <- read.table( "dane-x4p.txt", header=TRUE ) 
attach( swinie )

# Znajdz informacje jak korzystac z funkcji 'table'
help( table )
q

# Ile jest swin zdrowych i chorych
table( stan )

# Jaki jest laczny rozklad genotypow
table( RYR1, LEP )

# Wylicz statystyki podstawowe dla procentu miesa w tuszy 
# w grupach genotypowych LEP
tapply( pm, LEP, summary )

# Narysuj histogram dla trzech cech ilosciowych
hist( pm )
hist( wiek )
hist( masa )

# Narysuj wykres lodyga-lisc dla wieku uboju
stem( wiek ) 

# Przetestuj normalnosc rozkladu zawartosci miesa w tuszy testem Shapiro-Wilka
shapiro.test( pm )

# Wydziel z bazy danych obserwacje zawartosci miesa w tuszy, odzielnie dla
# genotypu RYR1=cc i RYR1=ct
CC <- pm[ RYR1 == "cc" ]
CT <- pm[ RYR1 == "ct" ]

# Narysuj wykres ramka-wasy dla tych populacji
boxplot( CC, CT )

# Porownaj jednorodnosc wariancji w tych dwoch populacjach.
var.test( CC, CT )

# Porownaj srednie dwoch populacji testem t.
t.test( CC, CT )
# lub
t.test( CC, CT, var.equal = TRUE )

# Porownaj dwie populacje testem nieparametrycznym
wilcox.test( CC, CT )

# Porownanie wielu populacji: narysuj wykres ramka-wasy dla zawartosci 
# miesa w grupach genotypowych wg genotypu w locus leptyny
boxplot( pm ~ LEP )

# Zbadaj jednorodnosc wariancji w grupach genotypowych LEP
bartlett.test( pm ~ LEP )

# Analiza wariancji: czy genotyp LEP jest powiazany z zawartoscia miesa w
# tuszy?
m1 <- lm( pm ~ 1 + LEP )
m2 <- lm( pm ~ 1 )
anova( m1, m2 )
summary( m1 )

# Porownanie populacji o dowolnych rozkladach czyli test 
# nieparametryczny Kruskal-Wallis
kruskal.test( pm ~ LEP )

# Zakoncz prace
q()