%% LABORATORIO 2 - METODI STATISTICI PER LA BIOINGEGNERIA

%% Direttive per la gestione del workspace e delle figure

clearvars  % - cancella tutte le variabili dal workspace
clc        % - Clear Command Window - cancella la command window
close all  % - chiude tutte le figure aperte in precedenza 

%% Esercizio 5

%% Caricamento dati 
load("data_IVGTT.mat")

%% Conversione dati - da matrici a tabelle 

% CERCO MANUALMENTE NELLE VARIABILI QUELLE CHE MI INTERESSANO

% Salvataggio delle sole variabili di interesse
% - estraggo le variabili di interesse Gss_IVGTT (INDICE 7) e Gb_IVGTT
% (INDICE 11)
subset_data = raw_data(:,[7 10]);

% - estraggo le etichette di interesse Gss_IVGTT e Gb_IVGTT
subset_labels = labels([7 10]);

%% Uso del find 
close all
% voglio trovare tutti i soggetti i cui campioni di Glucosio (corrispondenti 
% allo stato stazionario dell'esperimento IVGTT) con valori superiori a 90 [mg/dl] 

indGssHigh = find(subset_data(:,1)>90);
figure(1)

% Mostro anche i valori di Glucosio basale degli stessi soggetti 
boxplot(subset_data(indGssHigh,:),'Labels',subset_labels)

% Alternativa - invece di utilizzare find, utilizzo un array booleano
% (binario) che mi permette di selezionare i dati con operatori
% unari/binari (NOT, AND, OR, XOR)

maskGssHigh = subset_data(:,1)>90;
figure(2)
boxplot(subset_data(maskGssHigh,:),'Labels',subset_labels)
title('Variables of Subjects with Gss > 90 ml/dl')
figure(3)
boxplot(subset_data(not(maskGssHigh),:),'Labels',subset_labels)
title('Variables of Subjects with Gss <= 90 ml/dl')

%% Esercizio 6 . MEAN, MEDIAN, MODE of the variable of interest

stats_data=struct();
% stats_data
stats_data.mean=mean(raw_data(:,7));
stats_data.median=median(raw_data(:,7));
stats_data.mode=mode(raw_data(:,7));

for ii=1:size(subset_data,2)
stats_data.mean(ii)=mean(subset_data(:,ii));
stats_data.median(ii)=median(subset_data(:,ii));
stats_data.mode(ii)=mode(subset_data(:,ii));
end
%%

% 4. Probability density estimate
% Calculate the probability density estimate (ksdensity) and plot it
data.Gss_IVGTT = raw_data(:,7);
data.Gb_IVGTT = raw_data(:,10);

%GSS
figure(2), 
subplot(221), h=histogram(data.Gss_IVGTT) %istogramma con i valori
subplot(222), histogram(data.Gss_IVGTT,'Normalization','probability') %gli stessi valori si ottengono facendo h.Values/sum(h.Values)
subplot(223), histogram(data.Gss_IVGTT,'Normalization','pdf') %istogramma i cui valori precendenti sono stati normalizzati pesando l'ampiezza del bin

%ossia
% h=histogramvariable_Gss);
% norm1=h.Values/sum(h.Values);
% norm2=h.Values/sum(h.Values)/h.BinWidth;

[f,xi] = ksdensity(data.Gss_IVGTT);
subplot(224), histogram(data.Gss_IVGTT,'Normalization','pdf') , hold on, plot(xi,f,'-g','LineWidth',2)
%saveas(figure(2), fullfile("figures", "Hist_Glucose.png"))

%Gb

figure, 
subplot(221), h=histogram(data.Gb_IVGTT) %istogramma con i valori
subplot(222), histogram(data.Gb_IVGTT,'Normalization','probability') %gli stessi valori si ottengono facendo h.Values/sum(h.Values)
subplot(223), histogram(data.Gb_IVGTT,'Normalization','pdf') %istogramma i cui valori precendenti sono stati normalizzati pesando l'ampiezza del bin

[fb,xib] = ksdensity(data.Gb_IVGTT);
subplot(224), histogram(data.Gb_IVGTT,'Normalization','pdf') , hold on, plot(xib,fb,'-g','LineWidth',2)

%%
% 5. Domanda: Le due variabili possono essere descritte con una funzione di
% densita' di probabilita' normale?


%% Test di lillefors (evoluzione del test di Kolmogorov-Smirnov

[h,p]=lillietest(data.Gss_IVGTT);
% h=0 p>0.05 -> h0 accettata - Gss_IVGTT appartiene ad una distribuzione
% normale

[h,p]=lillietest(data.Gb_IVGTT);
% h=1 p<0.05 -> h0 rifiutata - Gb_IVGTT NON appartiene ad una distribuzione
% normale