######################################################
## 3. Wilcoxon Signed-Rank Test
## 데이터가 정규 분포를 따르지 않는 경우 사용하는 테스트 방법
######################################################

##적합한 테스트 데이터를 찾지 못하여 가상 데이터 생성
library(MASS)
testData = mvrnorm(n=10, mu=c(94,93), Sigma=matrix(c(10,6,6,10), ncol=2))
print(testData )
## [,1] [,2]
## [1,] 90.33835 89.07357
## [2,] 88.15305 87.19982
## [3,] 91.00698 88.97034
## [4,] 98.46540 97.09314
## [5,] 100.67304 94.30505
## [6,] 96.69800 95.24013
## [7,] 97.04634 90.87212
## [8,] 90.73201 90.26578
## [9,] 90.65767 89.57864
##[10,] 93.73826 91.92089
## 정규데이터 여부를 판단한다
## 1 colum – 2 colum 데이터에 대한 정규성 여부 판단
## 귀무가설 : 전, 후 차이가 정규분포를 따른다
## p-value > 0.00009596 귀무가설 기각
## cf)테스트 데이터에 따라 달라질 수 있음
shapiro.test(testData[,1]- testData[,2])
##귀무가설 : 1, 2 의 차이가 유의하지 않다
##t.test 는 정규분포에만 사용함으로 여기서는 wilcoxson 사용
##wilcox : p-value=0.001953 , 귀무가설 기각
##t.test : p-value=0.007884 , 귀무가설 기각
##전반적으로 t.test 에서는 p-value 가 높게 나왔음을 알 수 있다
wilcox.test(testData[,1]- testData[,2])
t.test(testData[,1]- testData[,2])