library(tidyverse)
andmed=read_csv("http://www.tlu.ee/~jaagup/andmed/keel/korpus/dokkoik.txt")
count(andmed)
andmed$keeletase
andmed %>% group_by(keeletase) %>% summarise(kogus=n())
andmed %>% group_by(keeletase) %>% summarise(kogus=n()) %>%
   arrange(-kogus)
andmed %>% filter(keeletase %in% c("A", "B")) %>% 
   group_by(keeletase) %>% summarise(keskpikkus=mean(tahti))

andmed %>% filter(keeletase %in% c("A", "B")) %>%
  ggplot(aes(tahti))+geom_histogram()

andmed %>% filter(keeletase %in% c("A", "B")) %>%
  ggplot(aes(keeletase, tahti))+geom_boxplot()

andmed %>% filter(keeletase %in% c("A", "B")) %>%
  filter(tahti<5000) %>% 
  ggplot(aes(tahti, fill=keeletase))+geom_histogram()


andmed %>% filter(keeletase %in% c("A", "B")) %>%
  filter(tahti<5000) %>% 
  ggplot(aes(tahti, fill=keeletase))+geom_boxplot()

andmed %>% filter(keeletase=="A") %>% .$tahti

t.test(andmed %>% filter(keeletase=="A") %>% .$tahti)

t.test(andmed %>% filter(keeletase=="A", tahti<5000) %>% .$tahti)

t.test(andmed %>% filter(keeletase=="A") %>% .$tahti, conf.level=0.9999)

t.test(andmed %>% filter(keeletase=="A") %>% .$tahti, mu=1000)

t.test(andmed %>% filter(keeletase=="A") %>% sample_n(50) %>% .$tahti, mu=1000)

t.test(andmed %>% filter(keeletase=="A") %>% .$tahti,
       andmed %>% filter(keeletase=="B") %>% .$tahti)

t.test(andmed %>% filter(keeletase=="A") %>% sample_n(50) %>% .$tahti,
       andmed %>% filter(keeletase=="B") %>% sample_n(50) %>% .$tahti)

t.test(andmed %>% filter(keeletase=="C") %>% .$sonu,
       andmed %>% filter(keeletase=="B") %>% .$sonu)


andmed %>% filter(keeletase=="A") %>% summarise(kA=mean(A), kD=mean(D))

andmed %>% filter(keeletase=="A") %>% .$A
andmed %>% filter(keeletase=="A") %>% .$D

t.test(andmed %>% filter(keeletase=="A") %>% .$A, 
       andmed %>% filter(keeletase=="A") %>% .$D)


t.test(andmed %>% filter(keeletase=="A") %>% .$A, 
       andmed %>% filter(keeletase=="A") %>% .$D, paired = TRUE)


andmed2=andmed %>% sample_n(80)
t.test(andmed2 %>% filter(keeletase=="A")  %>% .$A, 
       andmed2 %>% filter(keeletase=="A")  %>% .$D)


t.test(andmed %>% filter(keeletase=="A") %>% .$tahti, 
       andmed %>% filter(keeletase=="A") %>% .$sonu, alternative="greater")

#tähti tekstis keskmiselt on vähemalt 1026 võrra rohkem kui sõnu

andmed2 = andmed %>% filter(S>0, V>0) %>% 
  mutate(Sosakaal=S/kokku, Vosakaal=V/kokku, svsuhe=S/V)
andmed2 %>% na.omit() %>% group_by(emakeel) %>% summarise(kesksvsuhe=mean(svsuhe))
t.test(andmed2 %>% filter(emakeel=="soome") %>% .$svsuhe,
       andmed2 %>% filter(emakeel=="ukraina") %>% .$svsuhe)

t.test(andmed2 %>% filter(emakeel=="soome") %>% .$Vosakaal,
       andmed2 %>% filter(emakeel=="vene") %>% .$Vosakaal)


t.test(andmed2 %>% filter(keeletase=="A2") %>% .$Sosakaal,
       andmed2 %>% filter(keeletase=="B1") %>% .$Sosakaal)

t.test(andmed2 %>% filter(keeletase=="B1") %>% .$Sosakaal,
       andmed2 %>% filter(keeletase=="B2") %>% .$Sosakaal)

t.test(andmed2 %>% filter(keeletase=="B1") %>% .$Sosakaal,
       andmed2 %>% filter(keeletase=="C1") %>% .$Sosakaal)

t.test(andmed2$Sosakaal)

sum(andmed2$S)

sum(andmed2$kokku)
prop.test(sum(andmed2$S), sum(andmed2$kokku))

andmed2$Sosakaal %>% hist()
andmed2 %>% ggplot(aes(Sosakaal, kokku)) + geom_point()


andmed %>% group_by(keeletase) %>% 
  summarise(asum=sum(A), ssum=sum(S), vsum=sum(V))

andmed %>% group_by(keeletase) %>% 
  summarise(asum=sum(A), ssum=sum(S), vsum=sum(V)) %>%
  select(-keeletase) %>% chisq.test()


andmed %>% filter(keeletase %in% c("A", "B", "C")) %>% group_by(keeletase) %>% 
  summarise(asum=sum(A), ssum=sum(S), vsum=sum(V)) %>%
  select(-keeletase) %>% chisq.test()