%% Creare tramite ciclo oppure moltiplicazione matriciale la matrice 
% X che segue (punti 6)
%
%      9    12    15    18    21    24    27    30    33
%     12    16    20    24    28    32    36    40    44
%     15    20    25    30    35    40    45    50    55
%     18    24    30    36    42    48    54    60    66
%     21    28    35    42    49    56    63    70    77
%     24    32    40    48    56    64    72    80    88
%

X=(3:8)'*(3:11);
disp(X)

%% Caricare in memoria il dataset swiss_banknotes tramite l'istruzione
% load swiss_banknotes 
% Questo dataset contiene 6 caratteristiche di 200
% banconote.  Le prime 100 righe si riferiscono a banconote vere e le
% rimanenti 100 righe a banconte ritenute false.

% Per ogni variabile del dataset adattare una stima non parametrica
% della densità. Inserire in
% ogni pannello il nome della variabile nel titolo dell'asse
% delle ASCISSE (asse x).
% Commentare la forma di distribuzione dell'ultima variabile.
% (punti 6)

load swiss_banknotes 
% p=numero di colonne del dataset
% n = numero di righe del dataset
[n,p]=size(swiss_banknotes);

% v. pagine 220-222 del testo
for j=1:p
    nexttile
    Xj=swiss_banknotes{:,j};
    histfit(Xj,[],'Kernel')
    xlabel(swiss_banknotes.Properties.VariableNames{j})
end
% La sesta variabile presenta una chiara distribuzione bimodale.


%% Per ogni variabile calcolare la mediana
% e mostrare il risultato nella command window.
% Commentare i risultati (punti 6)

% il secondo argomento di input di grpstats è vuoto [] in quanto voglio la
% mediana per l'intero campione
disp('Mediane per l''intero campione')
S1=grpstats(swiss_banknotes,[],'median');
disp(S1)

%% Per ogni variabile calcolare le mediane
% per le banconte vere e per le banconote false
% e mostrare il risultato nella command window.
% Commentare i risultati (punti 6)

% Creo la variabile di raggruppamento
% 1 = banconota vera
% 2 = banconota falsa
group=ones(n,1);
group(101:200)=2;
% Aggiungo la variabile classificatoria alla table X1
X1=swiss_banknotes;
X1.group=group;
% il secondo argomento di grpstats contiene la variabile classificatoria
% v.pp.107 108
S2=grpstats(X1,"group",'median');
disp('Mediane distinte per tipologia di banconota')
disp(S2)

%% Costruire la matrice dei diagrammi di dispersione utilizzando simboli
% diversi per le banconote vere e le banconote false ed inserendo i boxplot
% univariati sulla diagonale principale e gli ellissi di confidenza in ogni
% pannello. Commentare il pannello dove si visualizza maggiormente la
% distinzione tra banconte vere e banconote false (punti 6)
% (v. p. 243 del testo)
pippo=struct;
pippo.type='ellipse';
spmplot(swiss_banknotes,'dispopt','box','overlay',pippo,'group',group);
% il pannello dove  si visualizza maggiormente la
% distinzione tra banconte vere e banconote false è quello tra
% "distance_bottom_border" e "diagonal_distance"