Entrad en RPubs y registraros. Crearos un perfil y subid un documento
R Markdown. Los prerequisitos son tener instalado R y RStudio (v0.96.230
o más), y el paquete knitr (v0.5 o
más).
Pasos que tenéis que seguir para publicar vuestro documento:
1) En RStudio, cread un documento R Markdown. 2) Generad el documento
con Knit. 3) En la ventana de previsualización, clicad el botón de
publicar. Como solución de vuestro ejercicio, copiad el enlace de
vuestra página de prueba de RPubs
(quince para hombres y quince para mujeres) para seis variables con estas características:
Variable Nombre Características Identificador Id carácter Edad Edad.
numérica
Genero Gene 2valores 1 = mujer, 2 = hombre
Tratamiento Trat Factor. Tres tipos de tratamiento (A, B y C) Peso Peso
numérica (en kg) Estatura Alt numérica (en cm)
data <- read.csv2("datos_inventados.csv")
data## id edad gene trat peso alt
## 1 1 20 1 B 58 167
## 2 2 23 1 A 67 166
## 3 3 25 1 C 76 167
## 4 4 34 1 B 50 168
## 5 5 23 1 A 48 169
## 6 6 54 1 C 69 170
## 7 7 34 1 B 79 171
## 8 8 65 1 A 80 172
## 9 9 43 1 C 88 173
## 10 10 23 1 B 76 174
## 11 11 76 1 A 65 175
## 12 12 43 1 C 54 176
## 13 13 42 1 B 55 177
## 14 14 19 1 A 50 178
## 15 15 54 1 C 53 179
## 16 16 65 2 B 68 180
## 17 17 45 2 A 66 181
## 18 18 34 2 C 77 182
## 19 19 33 2 B 88 183
## 20 20 22 2 A 90 184
## 21 21 12 2 C 100 185
## 22 22 56 2 B 67 186
## 23 23 67 2 A 89 187
## 24 24 55 2 C 87 188
## 25 25 44 2 B 65 189
## 26 26 29 2 A 88 190
## 27 27 30 2 C 87 191
## 28 28 50 2 B 89 192
## 29 29 36 2 A 90 193
## 30 30 20 2 C 99 194calcular el IMC (IMC = peso (kg)/ [estatura (m)]2 e incluid la nueva variable en el conjunto de datos
data$IMC <- c( data$peso/((data$alt)^2))
data## id edad gene trat peso alt IMC
## 1 1 20 1 B 58 167 0.002079673
## 2 2 23 1 A 67 166 0.002431412
## 3 3 25 1 C 76 167 0.002725089
## 4 4 34 1 B 50 168 0.001771542
## 5 5 23 1 A 48 169 0.001680613
## 6 6 54 1 C 69 170 0.002387543
## 7 7 34 1 B 79 171 0.002701686
## 8 8 65 1 A 80 172 0.002704164
## 9 9 43 1 C 88 173 0.002940292
## 10 10 23 1 B 76 174 0.002510239
## 11 11 76 1 A 65 175 0.002122449
## 12 12 43 1 C 54 176 0.001743285
## 13 13 42 1 B 55 177 0.001755562
## 14 14 19 1 A 50 178 0.001578084
## 15 15 54 1 C 53 179 0.001654131
## 16 16 65 2 B 68 180 0.002098765
## 17 17 45 2 A 66 181 0.002014591
## 18 18 34 2 C 77 182 0.002324598
## 19 19 33 2 B 88 183 0.002627729
## 20 20 22 2 A 90 184 0.002658318
## 21 21 12 2 C 100 185 0.002921841
## 22 22 56 2 B 67 186 0.001936640
## 23 23 67 2 A 89 187 0.002545111
## 24 24 55 2 C 87 188 0.002461521
## 25 25 44 2 B 65 189 0.001819658
## 26 26 29 2 A 88 190 0.002437673
## 27 27 30 2 C 87 191 0.002384803
## 28 28 50 2 B 89 192 0.002414280
## 29 29 36 2 A 90 193 0.002416172
## 30 30 20 2 C 99 194 0.002630460df_hombres <- subset( data, data$gene == 2)
df_mujeres <- subset( data, data$gene== 1)data_combined <- rbind(df_hombres, df_mujeres)
data_combined## id edad gene trat peso alt IMC
## 16 16 65 2 B 68 180 0.002098765
## 17 17 45 2 A 66 181 0.002014591
## 18 18 34 2 C 77 182 0.002324598
## 19 19 33 2 B 88 183 0.002627729
## 20 20 22 2 A 90 184 0.002658318
## 21 21 12 2 C 100 185 0.002921841
## 22 22 56 2 B 67 186 0.001936640
## 23 23 67 2 A 89 187 0.002545111
## 24 24 55 2 C 87 188 0.002461521
## 25 25 44 2 B 65 189 0.001819658
## 26 26 29 2 A 88 190 0.002437673
## 27 27 30 2 C 87 191 0.002384803
## 28 28 50 2 B 89 192 0.002414280
## 29 29 36 2 A 90 193 0.002416172
## 30 30 20 2 C 99 194 0.002630460
## 1 1 20 1 B 58 167 0.002079673
## 2 2 23 1 A 67 166 0.002431412
## 3 3 25 1 C 76 167 0.002725089
## 4 4 34 1 B 50 168 0.001771542
## 5 5 23 1 A 48 169 0.001680613
## 6 6 54 1 C 69 170 0.002387543
## 7 7 34 1 B 79 171 0.002701686
## 8 8 65 1 A 80 172 0.002704164
## 9 9 43 1 C 88 173 0.002940292
## 10 10 23 1 B 76 174 0.002510239
## 11 11 76 1 A 65 175 0.002122449
## 12 12 43 1 C 54 176 0.001743285
## 13 13 42 1 B 55 177 0.001755562
## 14 14 19 1 A 50 178 0.001578084
## 15 15 54 1 C 53 179 0.001654131