#############################################################################
### IHR NAME: Nachname_Vorname z.B.
### nm = "Harrington_Jonathan"
nm = ""
##############################################################################
# Vergessen Sie nicht, diese Textdatei regelmäßig zu speichern!
##############################################################################
##############################################################################
# Wenn Sie fertig sind, schicken Sie bitte die Datei per Email an (Vorsicht!!)
# reubold@lmu.de
##############################################################################
pfadu="http://www.phonetik.uni-muenchen.de/~jmh/lehre/Rdf"
library(lattice)
library(ez)
library(lmerTest)
source(file.path(pfadu, "phoc.txt"))
source(file.path(pfadu, "ph.step.R"))
source(file.path(pfadu, "sig.fn.R"))
form10 = read.table(file.path(pfadu, "form10.df.txt"))
gr = read.table(file.path(pfadu, "gr.df.txt"))
ldec = read.table(file.path(pfadu, "ldec.df.txt"))
pros = read.table(file.path(pfadu, "pros.df.txt"))
t.df = read.table(file.path(pfadu, "t.df.txt"))
pfric.df = read.table(file.path(pfadu, "pfric.df.txt"))

##############################################################################
# Bitte alle Fragen beantworten
##############################################################################


# 1. Für diese Daten:
dim(form10)
head(form10)
# mit den Spalten "F1" und "Dauer"
# prüfen Sie durch 
# a.) eine Abbildung und 
# b.) statistischen Test, 
# ob F1 aus der Dauer vorhergesagt werden kann. 
# c.) Was wäre der vorhergesagte F1-Wert für eine Dauer von 50 ms?



# 2. In diesen Daten:
dim(gr)
head(gr)
# musste eine Versuchsperson aufgrund der gesprochenen Silbenanzahl pro Sekunde ("sps") 
# entscheiden, ob die Sprache alkoholisiert war oder nicht (Faktor "Alc": 'ja' oder 'nein'). 
# a.) Inwiefern kann die Entscheidung (ob alkoholisiert oder nicht) 
# aus "sps", also der Silbenanzahl, vorhergesagt werden? 
# b.) Zu welcher Silbenzahl kommt der Umkipppunkt zwischen 'ja' und 'nein' vor?




# 3. Diese Daten:
dim(ldec)
head(ldec)
# enthalten Messungen der Reaktionszeiten ("rz") für verschiedene Wörter ("Wort") 
# produziert von verschiedenen Versuchspersonen ("Vpn"). 
# Die Versuchspersonen haben entweder Muttersprache Englisch oder Französisch (Faktor "Sprache"). 
# Prüfen Sie durch 
# a.) eine Abbildung und 
# b.) statistischen Test, 
# ob die Reaktionszeit von der Sprache beeinflusst wird.



# 4. Für diese Daten:
dim(pros)
head(pros)
# wurde die Dauer von Vokalen ("d"), die von 24 Versuchspersonen ("Vpn") stammten, gemessen. 
# Die Vokale wurden in drei prosodischen Phrasen (Faktor "P": 'inter', 'inton', 'word') 
# und von zwei Sprachgruppen (Faktor "Language": 'Dutch', 'English') produziert. 
# Prüfen Sie durch 
# a.) eine Abbildung und 
# b.) statistischen Text, 
# inwiefern die Dauer von der Sprachgruppe und/oder Phrase beeinflusst wird.



# 5. Prüfen Sie für diese Daten mit 
# a.) einer Abbildung und 
# b.) statistischen Test:
dim(t.df)
head(t.df)
# inwiefern die Entscheidung ob akzentuiert wurde oder nicht (Faktor "Akzentuiert": 'J', 'N') 
# von dem Tonakzent (Faktor "Ton": 'bitonal', 'monotonal') beeinflusst wird.


# 6. 
# 10 Sprecher produzierten /a/-Vokale mit 
# 1. Knarrstimme, 
# 2. in einer geflüsterten und 
# 3. in einer modalen Stimme. 

#Die dB-Werte sind wie folgt:
# Knarrstimme: 10 Werte, ein Wert pro Sprecher
knarr = c(49.5, 37.5, 51.8, 38.0, 41.6, 50.2, 50.7, 42.0, 48.6, 35.0)
# Geflüsterte Stimme: 10 Werte, ein Wert pro Sprecher
gefl = c(32.2, 27.3, 43.2, 14.0, 28.5, 26.6, 35.6, 31.1, 38.8, 36.7)
# Modale Stimme: 10 Werte, ein Wert pro Sprecher
modal = c(43.0, 44.8, 45.1, 46.1, 46.6, 52.9, 47.1, 46.8, 52.5, 37.2)
# Prüfen Sie für diese Daten (für die Sie einen dataframe erstellen müssen) mit 
# a.) einer Abbildung und 
# b.) statistischen Test, 
# inwiefern die dB-Werte von der Stimmqualität 
# (knarr vs. geflüstert vs. modal) beeinflusst werden.



################################################

# 7.
# Für diese Daten:
dim(pfric.df)
head(pfric.df)
# Erzeugen Sie - OHNE einen statistischen Test durchzuführen - folgende Abbildung:
# - k1 in Abhängigkeit von k2
# - ein Panel pro Vokalstufe (Spalte "V": 'a', 'o', 'e')
# - farblich getrennt nach Konsonant (Spalte "K") 'C', 's', und 'S' (mit Legende, die die 
#   farbliche Kodierung der Konsonanten aufschlüsselt)


# 8.
# In denselben Daten betrachten wir jetzt nur jene im a-Kontext:
pfa.df=pfric.df[pfric.df$V=="a",]
# In dieser Aufgabe geht es um die Variable k0, siehe folgende Abbildung:
bwplot(k0~K|Rate,data=pfa.df)
# Prüfen Sie mit einem statistischem Test, inwiefern in pfa.df (nicht in pfric.df) die Variable "k0" 
# vom Faktor Konsonant ("K" mit drei Stufen: 'C', 'S', 's') sowie vom Faktor Sprechgeschwindigkeit 
# ("Rate" mit den Stufen 'fast' und 'slow') abhängt, 
# und ob "K" und "Rate" miteinander interagieren.
# Beachten Sie hierbei, dass die Daten in verschiedenen Wörtern 
# aufgenommen wurden (in Spalte "W": 'LOGAT', 'WORT1', 'WORT2', 'WORT3'), 
# und dass uns der Effekt dieser Wörter NICHT interessiert. 
# Bedenken Sie auch, dass die Daten von
# verschiedenen Sprechern (in Spalte "Vpn") stammen.