#1 Pobranie danych
require(RPostgreSQL)
drv <- dbDriver("PostgreSQL")
db.con <- dbConnect(drv, host="193.193.92.209", port=5434,
                    dbname="XXXXXXXX", user="XXXXXXXXXX", password="XXXXXXXXXXX")
#dane <- dbGetQuery(db.con, "select * from kwiaciarnia.klienci")

dane <- dbGetQuery(db.con, "SELECT czas.miesiac, COUNT(*) as sztuk, sum(cena) as wartosc
FROM kwiaciarnia_hd.sprzedaz sprzedaz
JOIN kwiaciarnia_hd.czas czas
USING (idczasu)
WHERE czas.rok in (2013, 2014)	AND czas.miesiac NOT IN (3, 5)
GROUP BY czas.miesiac
ORDER BY czas.miesiac");

dbDisconnect(db.con)

#2 Przygotowanie wykresu punktowego
plot(dane$sztuk, dane$wartosc, col="darkred", xlab="liczba sprzedanych kompozycji", ylab="wartość sprzedanych kompozycji")

#3 Wyznaczenie współczynników korelacji liniowej Pearsona dla kolumn sztuk i wartnosc.

cor(dane$sztuk, dane$wartosc)

#Wynik to bardzo silna zależność łącząca liczbę kompozycji i wartności kompozycji w poszczegolnych miesiącach

#4 Wyznaczenie funkcji regresji liniowej dla danych wartnosc ~ sztuk

model.YX <- lm(formula = dane$wartosc ~ dane$sztuk)
abline(model.YX)

#5 Wyznaczenie współczynnika determinacji i współczynnika zbieżnosci

R2 <- summary(model.YX)$r.squared
phi2 <- 1 - R2


print (round(R2*100, digits = 0))
# R2 równanie prostej w 82% ukazuje zmienność zależności Y
# Gdy phi2 ma wartność zbliżoną do 0 to linia dobrze odwzorowuje dopasowanie do punktów empirycznych