setwd(' ')

# 1)
data <- read.table('skull3.txt', header=TRUE)
data2<-na.omit(data)
head(data2)

x<- #vyberte vhodna data a posudte jejich (ne)normalitu



#H0:mu=70
#H1:mu>70

wilcox.test(x,mu=70,alt='greater',exact=FALSE,cor=FALSE,conf.int=TRUE)

#H0 zamitame

# 2)

data <- read.table('shells.csv', header=TRUE, sep=';')
head(data)
#data jsou nyni velmi rozsahla se spoustou chybejicich hodnot,
#ktere pro nas nejsou relevantni, proto napred vybereme vsechny hodnoty
#a az pote odstranime NA

data$tibia.LR[data$sex=='f'& data$pop=='yos']
x<-na.omit(data$tibia.LR[data$sex=='f'& data$pop=='yos'])

#opet sami posudte normalitu, pripadne symetrii dat


#H0:median=329.40
#H1:median<>329.40

library(BSDA)
SIGN.test(x,md=329.40)

#H0 nezamitame

# 3)
data <- read.table('tigara.csv', header=TRUE, sep=';')
head(data)

#data opet velmi rozsahla se spoustou chybejicich hodnot,
#pouzijeme stejny postup jako v predchozim

x<-data$femur.HDL[data$pop=='Ipituaq' & data$sex=='f']
y<-data$femur.HDR[data$pop=='Ipituaq' & data$sex=='f']
x
y

#data jsou parova, druha hodnota u prvniho vyberu je NA,
#proto musime odstranit druhou hodnotu z obou vyberu x i y

x<-x[-2]
y<-y[-2]

plot(x,y,asp=1,xlab='femur.HDL',ylab='femur.HDR')
#je to parovy problem, musime pouzit parovy test
#podivejme se na normalitu rozdilu
z<-x-y

boxplot(z)
shapiro.test(z)
# data vypadaji symetricky, ale nenormalne

#H0:mu1=mu2
#H1:mu1<mu2

wilcox.test(x,y,paired=TRUE,alt='less',exact=FALSE,cor=FALSE,conf.int=TRUE,conf.level=0.9)
wilcox.test(z,alt='less',exact=FALSE,cor=FALSE,conf.int=TRUE,conf.level=0.9)

#H0 nezamitame

# 4)
data <- read.table('newborns.txt', header=TRUE)
data2<-na.omit(data)

x<-data2$weight.C[data2$sex.C=='m']
y<-data2$weight.C[data2$sex.C=='f']

boxplot(x,y,names=c('Chlapci','Devcata'),ylab='Porodni hmotnost',col=c('blue','red'))

by(data2$weight.C,data2$sex,summary)
by(data2$weight.C,data2$sex,var)


library(nortest)
lillie.test(x)
lillie.test(y)

#je to dvouvyberovy problem, ale data nejsou normalni - nemuzeme pouzit klasicky t-test
#nicmene, obe distribuce vypadaji podobne, lisi se jen posunutim
#tedy muzeme pouzit dvouvyberovy Wilcoxonuv test

#H0:mu1=mu2
#H1:mu1<>mu2

wilcox.test(x,y,cor=FALSE)

#H0 zamitame