# Aehnlich wie in der Klausur: gemischte Fragen:
# pfadu = "http://www.phonetik.uni-muenchen.de/~jmh/lehre/Rdf"
# Anmerkung: es werden immer alle packages und selbstgeschriebene 
# Funktionen bereitgestellt werden. 
# Das heißt aber nicht notwendigerweise, dass Sie die alle brauchen!
library(ggplot2)
library(dplyr)
library(ez)
library(lmerTest)
library(emmeans)
source(file.path(pfadu, "phoc.txt"))
source(file.path(pfadu, "sig.fn.R"))

proben <- function(unten=1, oben = 6, k = 10, N = 50)
{
  # default: wir werfen 10 Wuerfel 50 Mal
  alle <- NULL
  for(j in 1:N){
    ergebnis = mean(sample(unten:oben, k, replace=T))
    alle = c(alle, ergebnis)
  }
  alle
}


#Dann die benoetigten data.frames:
tv = read.table(file.path(pfadu, "tv.df.txt"))
fremd = read.table(file.path(pfadu, "fremd.df.txt"))
glottal = read.table(file.path(pfadu, "glottal.txt"))
vcv = read.table(file.path(pfadu, "vcvC.txt"))
form10 = read.table(file.path(pfadu, "form10.df.txt"))
svot = read.table(file.path(pfadu, "svot.txt"))
stefan = read.table(file.path(pfadu, "stefan.txt"))

# 1. Diese Daten:
dim(tv)
# zeigen eine Messung der Sprachkompetenz (cdi) fuer 
# 80 Schueler (Vpn) sowie die Anzahl 
# der Stunden am Tag, die sie fernsehen (tv.hours). 
# Pruefen Sie durch eine Abbildung und statistischen Test, 
# ob eine Verbindung zwischen Sprachkompetenz und 
# der Anzahl der Fernsehstunden vorliegt.


# 2. Die Daten in diesem Data-Frame:
dim(glottal)

# zeigen ob ein aspirierter (t) oder glottalisierter (tQ) 
# Verschluss von einem Erkennungssystem 
# richtig (ja) erkannt wurde oder nicht (nein). 
# Erstellen Sie eine Abbildung, und fuehren Sie 
# einen statistischen Test durch, um zu pruefen, 
# ob die Erkennung von dem Verschluss beeinflusst wurde.



# 3. Diese Daten:
dim(fremd)
# zeigen fuer 30 Sprecher (Vpn) eine Messung der Sprechgeschwindigkeit (tempo), 
# wenn sie in ihrer Muttersprache oder ihrer Zweitsprache (Sprache) reden. 
# Pruefen Sie durch eine Abbildung und statistischen Test, 
# inwiefern die Sprechgeschwindigkeit von der Sprache beeinflusst wird.



# 4. Diese Daten:
dim(vcv)

# zeigen Reaktionszeiten (RT) von verschiedenen Versuchspersonen (Subject) 
# auf 3 Vokale (Faktor Vowel) in verschiedenen davor und danach 
# kommenden Konsonanten-Kontexten (Context). Pruefen Sie durch eine Abbildung und 
# statistischen Test, ob die Reaktionszeiten vom Vokal (Vowel) und/oder 
# Sprachgruppe (Faktor Lang) beeinflusst wurden.



# 5. Fuer diese Daten:
dim(form10)
# pruefen Sie durch eine Abbildung und statistischen Test, 
# ob F1 aus der Dauer vorhergesagt werden kann. 
# Was waere der vorhergesagte F1-Wert fuer eine Dauer von 50 ms?
# Ist diese Vorhersage sehr verlaesslich?


# 6. Fuer die Daten in diesem Data-Frame:
dim(svot)
# pruefen Sie mit einer Abbildung und einem 
# statistischen Text, inwiefern VOT von 
# Gender und Region beeinflusst wird. 
# (Vpn enthaelt das Sprecherkuerzel).



# 7. Fuer diese Daten:
dim(stefan)
# erzeugen Sie eine Abbildung, 
# mit der (F1) als Funktion der Dauer (Dur), getrennt fuer die zwei Sprechtempi (Tempo) 
# gezeigt wird (also eine Abbildung, die zwei Bilder enthaelt, 
# eins fuer 'slow' und eins fuer 'fast'). 
# Schaetzen Sie anhand der Abbildung ein, ob F1 von der Dauer vorhergesagt werden kann. 
# Schaetzen Sie ebenfalls ein, ob eine Interaktion zwischen der Dauer und Sprechtempo vorliegt.

# Berechnen Sie dann mit einem linearen gemischten Modell, ob der Zusammenhang zwischen
# der Dauer und F1 auch von der Sprechgeschwindigkeit abhaengt. Bedenken Sie hierbei,
# dass die Daten von verschiedenen Sprechern stammen (Vpn), und dass diese Sprecher
# unterschiedliche Vokale (V: /e/ vs. /o/) in verschiedenen Woertern gesprochen hatten. 
# Sie muessen nur die obenstehende Frage beantworten: "Haengt der Zusammenhang zwischen
# der Dauer und F1 auch von der Sprechgeschwindigkeit ab?" Begruenden Sie ihre Antwort
# in Worten! Welches Ergebnis muessen Sie anschauen?


# 8. Und noch ein kurzer Rausschmeisser!
# Die voice-onset-time-Werte fuer /t/, 
# gesprochen von 16 Sprechern mit L1-Franzoesisch, 
# waren wie folgt:

vot = c(-4,28,23,1,-13,20,21,-15,4,29,16,22,35,3,3,-4)

#
# (a) Wie wahrscheinlich es ist, dass /t/ 
# voellig unaspiriert ist 
# ("voellig unaspiriert" = mit einem VOT-Wert von 0 ms)?
# Berichten Sie hierbei auch das 95%-Konfidenzintervall 
# fuer die Daten in vot!

#
# (b) Die VOT-Werte derselben 16 franzoesischen Sprecher 
# nach einem 6 monatigen Aufenthalt in Deutschland waren wie folgt:

vot2 = c(2,28,26,4,-9,23,19,-6,11,33,24,31,41,10,7,8)

#
# Pruefen Sie anhand einer Abbildung und einem statistischen Test, 
# ob und falls ja, wie die voice-onset-time von dem Aufenthalt 
# in Deutschland beeinflusst wurde!