#setwd(getwd())
setwd("C:/Users/graup/Desktop/MASTER soft_dades/repte 1/exercicis")

Ejercicio 1: ==>Utilizando las funciones citadas en este Laboratorio, comprobad qué paquetes tenéis instalados en vuestra versión de RStudio.

sessionInfo() #Informa de la versión de R y de los paquetes cargados
## R version 4.3.2 (2023-10-31 ucrt)
## Platform: x86_64-w64-mingw32/x64 (64-bit)
## Running under: Windows 11 x64 (build 22631)
## 
## Matrix products: default
## 
## 
## locale:
## [1] LC_COLLATE=English_United States.utf8 
## [2] LC_CTYPE=English_United States.utf8   
## [3] LC_MONETARY=English_United States.utf8
## [4] LC_NUMERIC=C                          
## [5] LC_TIME=English_United States.utf8    
## 
## time zone: Europe/Madrid
## tzcode source: internal
## 
## attached base packages:
## [1] stats     graphics  grDevices utils     datasets  methods   base     
## 
## loaded via a namespace (and not attached):
##  [1] digest_0.6.34     R6_2.5.1          fastmap_1.1.1     xfun_0.42        
##  [5] cachem_1.0.8      knitr_1.45        htmltools_0.5.7   rmarkdown_2.26   
##  [9] lifecycle_1.0.4   cli_3.6.2         sass_0.4.8        jquerylib_0.1.4  
## [13] compiler_4.3.2    rstudioapi_0.15.0 tools_4.3.2       evaluate_0.23    
## [17] bslib_0.6.1       yaml_2.3.8        rlang_1.1.3       jsonlite_1.8.8

==>instalad el paquete MASS y el paquete Survival.

#install.packages("MASS","survival")
#install.packages("C:/Users/graup/Desktop/MASTER soft_dades/repte 1/exercicis/MASS_7.3-60.tar.gz", repos = NULL, type = "source")
library(MASS)
sessioninfo::package_info()

==>Comprobad la información que contienen.

packageDescription("MASS")
## Package: MASS
## Priority: recommended
## Version: 7.3-60
## Date: 2023-05-02
## Revision: $Rev: 3621 $
## Depends: R (>= 4.0), grDevices, graphics, stats, utils
## Imports: methods
## Suggests: lattice, nlme, nnet, survival
## Authors@R: c(person("Brian", "Ripley", role = c("aut", "cre", "cph"),
##         email = "ripley@stats.ox.ac.uk"), person("Bill", "Venables",
##         role = "ctb"), person(c("Douglas", "M."), "Bates", role =
##         "ctb"), person("Kurt", "Hornik", role = "trl", comment =
##         "partial port ca 1998"), person("Albrecht", "Gebhardt", role =
##         "trl", comment = "partial port ca 1998"), person("David",
##         "Firth", role = "ctb"))
## Description: Functions and datasets to support Venables and Ripley,
##         "Modern Applied Statistics with S" (4th edition, 2002).
## Title: Support Functions and Datasets for Venables and Ripley's MASS
## LazyData: yes
## ByteCompile: yes
## License: GPL-2 | GPL-3
## URL: http://www.stats.ox.ac.uk/pub/MASS4/
## Contact: <MASS@stats.ox.ac.uk>
## NeedsCompilation: yes
## Packaged: 2023-05-02 16:42:41 UTC; ripley
## Author: Brian Ripley [aut, cre, cph], Bill Venables [ctb], Douglas M.
##         Bates [ctb], Kurt Hornik [trl] (partial port ca 1998), Albrecht
##         Gebhardt [trl] (partial port ca 1998), David Firth [ctb]
## Maintainer: Brian Ripley <ripley@stats.ox.ac.uk>
## Repository: CRAN
## Date/Publication: 2023-05-04 07:32:21 UTC
## Built: R 4.3.2; x86_64-w64-mingw32; 2024-03-14 16:03:43 UTC; windows
## Archs: x64
## 
## -- File: C:/Users/graup/AppData/Local/R/win-library/4.3/MASS/Meta/package.rds
packageDescription("survival")
## Title: Survival Analysis
## Priority: recommended
## Package: survival
## Version: 3.5-8
## Date: 2024-02-13
## Depends: R (>= 3.5.0)
## Imports: graphics, Matrix, methods, splines, stats, utils
## LazyData: Yes
## LazyDataCompression: xz
## ByteCompile: Yes
## Authors@R: c(person(c("Terry", "M"), "Therneau",
##         email="therneau.terry@mayo.edu", role=c("aut", "cre")),
##         person("Thomas", "Lumley", role=c("ctb", "trl"),
##         comment="original S->R port and R maintainer until 2009"),
##         person("Atkinson", "Elizabeth", role="ctb"), person("Crowson",
##         "Cynthia", role="ctb"))
## Description: Contains the core survival analysis routines, including
##         definition of Surv objects, Kaplan-Meier and Aalen-Johansen
##         (multi-state) curves, Cox models, and parametric accelerated
##         failure time models.
## License: LGPL (>= 2)
## URL: https://github.com/therneau/survival
## NeedsCompilation: yes
## Packaged: 2024-02-13 23:24:58 UTC; therneau
## Author: Terry M Therneau [aut, cre], Thomas Lumley [ctb, trl] (original
##         S->R port and R maintainer until 2009), Atkinson Elizabeth
##         [ctb], Crowson Cynthia [ctb]
## Maintainer: Terry M Therneau <therneau.terry@mayo.edu>
## Repository: CRAN
## Date/Publication: 2024-02-14 10:20:23 UTC
## Built: R 4.3.3; x86_64-w64-mingw32; 2024-03-07 02:48:49 UTC; windows
## Archs: x64
## 
## -- File: C:/Users/graup/AppData/Local/R/win-library/4.3/survival/Meta/package.rds

==>Buscad información sobre el paquete Rcmdr (R Commander) desde la consola.

Ejercicio 2: a) Importad un archivo de texto y buscad un summary() de tres variables que escojáis.

Hospital employees. By categories, type of subsidy and type of hospital
Catalonia. 2017
Source: Ministry of Health.
Note: (1) Excluding dependent non-hospital centres.
Institut d’Estadística de Catalunya
https://www.idescat.cat/indicadors/?id=aec&n=15813&t=201700&lang=en&tema=SALUT

library(readr)
## Warning: package 'readr' was built under R version 4.3.3
t15813201700 <- read_csv("t15813201700.csv")
## New names:
## Rows: 14 Columns: 8
## ── Column specification
## ──────────────────────────────────────────────────────── Delimiter: "," chr
## (1): ...1 dbl (7): Public (subsidised). Acute, Public (subsidised).
## Socisanitary, Publ...
## ℹ Use `spec()` to retrieve the full column specification for this data. ℹ
## Specify the column types or set `show_col_types = FALSE` to quiet this message.
## • `` -> `...1`
head(t15813201700)
summary(t15813201700$`Public (subsidised). Acute`)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##     214    3445    9815   16837   19544   70484
summary(t15813201700$`Privat (non subsidised). Acute`)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##     0.0   606.8  2384.0  3485.4  2964.5 14090.0
summary(t15813201700$Total)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##     321    4366   13434   23135   25273   97281
  1. Importad un archivo «.csv» y buscad un fivenum() de dos variables que os parezcan relevantes para el estudio.
fivenum(t15813201700$`Public (subsidised). Psychiatric and socio-sanitary`)
## [1]    0.0   65.0  333.5  626.0 3015.0
fivenum(t15813201700$`Privat (non subsidised). Psychiatric and/or socio-sanitary`)
## [1]   0.0   3.0  54.5  87.0 367.0

Ejercicio 3: A partir del conjunto de datos anorexia del paquete MASS, que corresponden a los datos de cambio de peso de pacientes jóvenes con anorexia, mostrad los tipos de datos que contiene y comprobad si existen valores NA y NULL.

# no hi han dades nul·les o mancantes
head(anorexia)
is.null(anorexia)
## [1] FALSE
is.na(anorexia)
##    Treat Prewt Postwt
## 1  FALSE FALSE  FALSE
## 2  FALSE FALSE  FALSE
## 3  FALSE FALSE  FALSE
## 4  FALSE FALSE  FALSE
## 5  FALSE FALSE  FALSE
## 6  FALSE FALSE  FALSE
## 7  FALSE FALSE  FALSE
## 8  FALSE FALSE  FALSE
## 9  FALSE FALSE  FALSE
## 10 FALSE FALSE  FALSE
## 11 FALSE FALSE  FALSE
## 12 FALSE FALSE  FALSE
## 13 FALSE FALSE  FALSE
## 14 FALSE FALSE  FALSE
## 15 FALSE FALSE  FALSE
## 16 FALSE FALSE  FALSE
## 17 FALSE FALSE  FALSE
## 18 FALSE FALSE  FALSE
## 19 FALSE FALSE  FALSE
## 20 FALSE FALSE  FALSE
## 21 FALSE FALSE  FALSE
## 22 FALSE FALSE  FALSE
## 23 FALSE FALSE  FALSE
## 24 FALSE FALSE  FALSE
## 25 FALSE FALSE  FALSE
## 26 FALSE FALSE  FALSE
## 27 FALSE FALSE  FALSE
## 28 FALSE FALSE  FALSE
## 29 FALSE FALSE  FALSE
## 30 FALSE FALSE  FALSE
## 31 FALSE FALSE  FALSE
## 32 FALSE FALSE  FALSE
## 33 FALSE FALSE  FALSE
## 34 FALSE FALSE  FALSE
## 35 FALSE FALSE  FALSE
## 36 FALSE FALSE  FALSE
## 37 FALSE FALSE  FALSE
## 38 FALSE FALSE  FALSE
## 39 FALSE FALSE  FALSE
## 40 FALSE FALSE  FALSE
## 41 FALSE FALSE  FALSE
## 42 FALSE FALSE  FALSE
## 43 FALSE FALSE  FALSE
## 44 FALSE FALSE  FALSE
## 45 FALSE FALSE  FALSE
## 46 FALSE FALSE  FALSE
## 47 FALSE FALSE  FALSE
## 48 FALSE FALSE  FALSE
## 49 FALSE FALSE  FALSE
## 50 FALSE FALSE  FALSE
## 51 FALSE FALSE  FALSE
## 52 FALSE FALSE  FALSE
## 53 FALSE FALSE  FALSE
## 54 FALSE FALSE  FALSE
## 55 FALSE FALSE  FALSE
## 56 FALSE FALSE  FALSE
## 57 FALSE FALSE  FALSE
## 58 FALSE FALSE  FALSE
## 59 FALSE FALSE  FALSE
## 60 FALSE FALSE  FALSE
## 61 FALSE FALSE  FALSE
## 62 FALSE FALSE  FALSE
## 63 FALSE FALSE  FALSE
## 64 FALSE FALSE  FALSE
## 65 FALSE FALSE  FALSE
## 66 FALSE FALSE  FALSE
## 67 FALSE FALSE  FALSE
## 68 FALSE FALSE  FALSE
## 69 FALSE FALSE  FALSE
## 70 FALSE FALSE  FALSE
## 71 FALSE FALSE  FALSE
## 72 FALSE FALSE  FALSE

Para la variable Treat, transformad los valores «CBT», «Cont» y FT en «Cogn Beh Tr», «Contr» y «Fam Tr», respectivamente.

#library(readr)
#anorexia <- read_csv("C:/Users/graup/Desktop/MÀSTER soft_dades/repte 1/exercicis/anorexia.csv", show_col_types = FALSE)

anorexia$Treat <- as.character(anorexia$Treat)


anorexia[anorexia$Treat == c("CBT"),1] <- c("Cogn Beh Tr")
anorexia[anorexia$Treat == c("Cont"),1] <- c("Contr")
anorexia[anorexia$Treat == c("FT"),1] <- c("Fam Tr")

head(anorexia)
tail(anorexia)

Ejercicio 4:

4.a) Exportad los datos biopsy del paquete MASS a un archivo «.csv.»

library(base)
library(MASS)

biopsy_csv <- write.table(biopsy, file = "biopsy_csv.csv",sep = "/t",  col.names = NA, row.names = TRUE)

library(readr)
biopsy_csv <- read.delim("C:/Users/graup/Desktop/MASTER soft_dades/repte 1/exercicis/biopsy_csv.csv", header=FALSE)
head(biopsy_csv)
file.info("biopsy_csv")

4.b) Exportad los datos Melanoma del paquete MASS a archivos de tres diferentes formatos y comprobad que se han creado los diferentes archivos en los formatos y las rutas especificados. Podéis generar una captura de pantalla de su ubicación en la carpeta.

#com a objecte .CSV
Melanoma_csv <- write.table(Melanoma, file = "Melanoma_csv.csv",sep = "/t",  col.names = NA, row.names = TRUE)

library(readr)
Melanoma_csv <-read.delim("C:/Users/graup/Desktop/MASTER soft_dades/repte 1/exercicis/Melanoma_csv.csv", header=FALSE)
head(Melanoma_csv)
# atès que prové d'un paquet d'R és molt senzill emmagatzemar-lo com un objecte d'R 
save(Melanoma, file = "Melanoma_Rdata.Rdata")
load("C:/Users/graup/Desktop/MASTER soft_dades/repte 1/exercicis/Melanoma_Rdata.Rdata")


# amb excel hi ha un problema: no rutllen ni els exemples que són escrits a l'ajut del mateix R 
library(WriteXLS)
WriteXLS(Melanoma, ExcelFileName = "Melanoma_xlsx.xlsx", AdjWidth = T,BoldHeaderRow = T)
## The Perl script 'WriteXLSX.pl' failed to run successfully.
library(readxl)
## Warning: package 'readxl' was built under R version 4.3.3
Melanoma_xlsx <- read_excel("C:/Users/graup/Desktop/MASTER soft_dades/repte 1/exercicis/Melanoma_xlsx.xlsx")
system("java -version")
## [1] 0
file.exists("C:/Users/graup/Desktop/MASTER soft_dades/repte 1/exercicis/Melanoma_csv.csv")
## [1] TRUE
file.exists("C:/Users/graup/Desktop/MASTER soft_dades/repte 1/exercicis/Melanoma_Rdata.Rdata")
## [1] TRUE
file.exists("C:/Users/graup/Desktop/MASTER soft_dades/repte 1/exercicis/Melanoma_xlsx.xlsx")
## [1] TRUE

4.c) Generad un resumen (summary) de la variable age de melanoma y guardad la salida que os aparece en un documento .doc

library(MASS)
resum_var_age <- summary(Melanoma$age)

library(rtf)
## Warning: package 'rtf' was built under R version 4.3.3
rtffile <- RTF("var_age_doc.doc")
addParagraph(rtffile, "aquest es el summary de la variable age de la base de dades Melanoma:\n")
addTable(rtffile, cbind(names(resum_var_age), resum_var_age))
done(rtffile)

file.exists("C:/Users/graup/Desktop/MASTER soft_dades/repte 1/exercicis/var_age_doc.doc")
## [1] TRUE

4.d) Buscad un data frame en algún repositorio de datos de Biomedicina, descargad un conjunto de datos en «.csv» e importad este fichero a un documento R Markdown usando el código o el menú de importación de RStudio.

Esta es una lista de algunos repositorios de datos que podemos usar: https://ouhsc.edu/bserdac/dthompso/web/statres.htm https://guides.lib.berkeley.edu/publichealth/healthstatistics/rawdata https://archive.ics.uci.edu/datasets

#font:https://archive.ics.uci.edu/dataset/848/secondary+mushroom+dataset

library(readr)
secondary_data <- read_delim("C:/Users/graup/Desktop/MASTER soft_dades/repte 1/exercicis/MushroomDataset/secondary_data.csv", delim = ";", escape_double = FALSE, trim_ws = TRUE)
## Rows: 61069 Columns: 21
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ";"
## chr (16): class, cap-shape, cap-surface, cap-color, gill-attachment, gill-sp...
## dbl  (3): cap-diameter, stem-height, stem-width
## lgl  (2): does-bruise-or-bleed, has-ring
## 
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.
head(secondary_data)

Ejercicio 5: En el siguiente ejemplo veremos cómo utilizar diferentes operadores sobre el conjunto de datos birthwt, así como también algunas funciones que nos permiten obtener más información de las variables:

library(MASS)
summary(birthwt)
##       low              age             lwt             race      
##  Min.   :0.0000   Min.   :14.00   Min.   : 80.0   Min.   :1.000  
##  1st Qu.:0.0000   1st Qu.:19.00   1st Qu.:110.0   1st Qu.:1.000  
##  Median :0.0000   Median :23.00   Median :121.0   Median :1.000  
##  Mean   :0.3122   Mean   :23.24   Mean   :129.8   Mean   :1.847  
##  3rd Qu.:1.0000   3rd Qu.:26.00   3rd Qu.:140.0   3rd Qu.:3.000  
##  Max.   :1.0000   Max.   :45.00   Max.   :250.0   Max.   :3.000  
##      smoke             ptl               ht                ui        
##  Min.   :0.0000   Min.   :0.0000   Min.   :0.00000   Min.   :0.0000  
##  1st Qu.:0.0000   1st Qu.:0.0000   1st Qu.:0.00000   1st Qu.:0.0000  
##  Median :0.0000   Median :0.0000   Median :0.00000   Median :0.0000  
##  Mean   :0.3915   Mean   :0.1958   Mean   :0.06349   Mean   :0.1481  
##  3rd Qu.:1.0000   3rd Qu.:0.0000   3rd Qu.:0.00000   3rd Qu.:0.0000  
##  Max.   :1.0000   Max.   :3.0000   Max.   :1.00000   Max.   :1.0000  
##       ftv              bwt      
##  Min.   :0.0000   Min.   : 709  
##  1st Qu.:0.0000   1st Qu.:2414  
##  Median :0.0000   Median :2977  
##  Mean   :0.7937   Mean   :2945  
##  3rd Qu.:1.0000   3rd Qu.:3487  
##  Max.   :6.0000   Max.   :4990

4.a) ¿Cuál es la edad máxima de las madres del conjunto de datos? 45 4.b) ¿Cuál es la edad mínima de las madres del conjunto de datos? 14 4.c) ¿Cuál es el rango de edad de las madres? [14,45]

#age: mother's age in years.
#4.a
max(birthwt$age)
## [1] 45
#4.b
min(birthwt$age)
## [1] 14
#4.c
range(birthwt$age)
## [1] 14 45

4.d) ¿Fumaba la madre cuyo recién nacido era el de menor peso? sí

#bwt: birth weight in grams. 

birthwt[birthwt$bwt==min(birthwt$bwt), ]$smoke==1
## [1] TRUE

4.e) ¿Cuánto pesó el recién nacido cuya madre tenía la edad máxima? 4990 grams

birthwt[birthwt$age==max(birthwt$age), ]$bwt
## [1] 4990

4.f) Listad los pesos de los recién nacidos, cuyas madres visitarán menos de dos veces al médico durante el primer trimestre.

birthwt[birthwt$ftv<2, ]$bwt
##   [1] 2523 2557 2600 2622 2637 2637 2663 2665 2722 2733 2751 2769 2769 2778 2807
##  [16] 2821 2836 2863 2877 2906 2920 2920 2920 2948 2948 2977 2977 2922 3033 3062
##  [31] 3062 3062 3062 3090 3090 3100 3104 3132 3175 3175 3203 3203 3203 3225 3225
##  [46] 3232 3234 3260 3274 3317 3317 3331 3374 3374 3402 3416 3444 3459 3460 3473
##  [61] 3544 3487 3544 3572 3572 3586 3600 3614 3614 3629 3637 3643 3651 3651 3651
##  [76] 3651 3699 3728 3756 3770 3770 3770 3790 3799 3827 3884 3912 3940 3941 3941
##  [91] 3969 3997 3997 4054 4054 4111 4174 4238 4593 4990  709 1135 1330 1474 1588
## [106] 1588 1701 1729 1790 1818 1885 1893 1899 1928 1936 1970 2055 2055 2084 2084
## [121] 2100 2125 2187 2187 2211 2225 2240 2240 2282 2296 2296 2325 2353 2353 2367
## [136] 2381 2381 2381 2410 2410 2410 2424 2442 2466 2466 2495 2495

Ejercicio 6: A partir del conjunto de datos anorexia trabajado en apartados anteriores, cread una matriz que tenga como columnas los valores de Prewt y Postwt, y cada fila sean los valores correspondientes para cada posición.

library(MASS)
as.matrix(anorexia[,c("Prewt", "Postwt")])
##    Prewt Postwt
## 1   80.7   80.2
## 2   89.4   80.1
## 3   91.8   86.4
## 4   74.0   86.3
## 5   78.1   76.1
## 6   88.3   78.1
## 7   87.3   75.1
## 8   75.1   86.7
## 9   80.6   73.5
## 10  78.4   84.6
## 11  77.6   77.4
## 12  88.7   79.5
## 13  81.3   89.6
## 14  78.1   81.4
## 15  70.5   81.8
## 16  77.3   77.3
## 17  85.2   84.2
## 18  86.0   75.4
## 19  84.1   79.5
## 20  79.7   73.0
## 21  85.5   88.3
## 22  84.4   84.7
## 23  79.6   81.4
## 24  77.5   81.2
## 25  72.3   88.2
## 26  89.0   78.8
## 27  80.5   82.2
## 28  84.9   85.6
## 29  81.5   81.4
## 30  82.6   81.9
## 31  79.9   76.4
## 32  88.7  103.6
## 33  94.9   98.4
## 34  76.3   93.4
## 35  81.0   73.4
## 36  80.5   82.1
## 37  85.0   96.7
## 38  89.2   95.3
## 39  81.3   82.4
## 40  76.5   72.5
## 41  70.0   90.9
## 42  80.4   71.3
## 43  83.3   85.4
## 44  83.0   81.6
## 45  87.7   89.1
## 46  84.2   83.9
## 47  86.4   82.7
## 48  76.5   75.7
## 49  80.2   82.6
## 50  87.8  100.4
## 51  83.3   85.2
## 52  79.7   83.6
## 53  84.5   84.6
## 54  80.8   96.2
## 55  87.4   86.7
## 56  83.8   95.2
## 57  83.3   94.3
## 58  86.0   91.5
## 59  82.5   91.9
## 60  86.7  100.3
## 61  79.6   76.7
## 62  76.9   76.8
## 63  94.2  101.6
## 64  73.4   94.9
## 65  80.5   75.2
## 66  81.6   77.8
## 67  82.1   95.5
## 68  77.6   90.7
## 69  83.5   92.5
## 70  89.9   93.8
## 71  86.0   91.7
## 72  87.3   98.0

Ejercicio 7: Copia el código siguiente en tu consola para generar un data frame con veinticinco registros y seis variables, y responde a los siguientes apartados:

Identificador <-
c("I1","I2","I3","I4","I5","I6","I7","I8","I9","I10","I11","I12","I13","I14",
"I15","I16","I17","I18","I19","I20","I21","I22","I23","I24","I25")
Edad <-
c(23,24,21,22,23,25,26,24,21,22,23,25,26,24,22,21,25,26,24,21,25,27,26,22,29)
Sexo <-c(1,2,1,1,1,2,2,2,1,2,1,2,2,2,1,1,1,2,2,2,1,2,1,1,2) 
#1 para mujeres y 2 para hombres
Peso <-
c(76.5,81.2,79.3,59.5,67.3,78.6,67.9,100.2,97.8,56.4,65.4,67.5,87.4,99.7,87.6
,93.4,65.4,73.7,85.1,61.2,54.8,103.4,65.8,71.7,85.0)
Alt <-
c(165,154,178,165,164,175,182,165,178,165,158,183,184,164,189,167,182,179,165
,158,183,184,189,166,175) #altura en cm
Fuma <-
c("SÍ","NO","SÍ","SÍ","NO","NO","NO","SÍ","SÍ","SÍ","NO","NO","SÍ","SÍ","SÍ",
"SÍ","NO","NO","SÍ","SÍ","SÍ","NO","SÍ","NO","SÍ")
Trat_Pulmón <- data.frame(Identificador,Edad,Sexo,Peso,Alt,Fuma)
Trat_Pulmón

7.a) Seleccionad los registros con edad > 22.

Trat_Pulmón[Trat_Pulmón$Edad>22,]

7.b) Seleccionad el elemento 3 de la columna 4 del conjunto de datos (contando el identificador).

Trat_Pulmón[Trat_Pulmón$Identificador=="I3",4]
## [1] 79.3

7.c) Usad el comando subset() para seleccionar todas las filas que tienen una edad menor que 27 años y sin incluir la columna Alt.

#Trat_Pulmón[Trat_Pulmón$Edad<27,-match("Alt",names(Trat_Pulmón))] 

subset(Trat_Pulmón, Edad<27, select = -match("Alt",names(Trat_Pulmón)) )

Ejercicio 8: Incorporad el dataset ChickWeight que contiene información sobre el peso de 578 pollitos en gramos (weight), el tiempo desde la medición al nacer (Time), una variable identificadora de cada pollito (Chick) a partir del rango de peso y una variable factor con el tipo de dieta experimental que cada pollito recibió (Diet).

8.a) Incorporad el conjunto de datos ChickWeight del paquete datasets a vuestro entorno de trabajo.

ChickWeight_csv <- write.table(ChickWeight, file = "ChickWeight_csv.csv",sep = ",", col.names = NA, row.names = TRUE, quote = FALSE)

library(readr)
ChickWeight_csv <- read_csv("C:/Users/graup/Desktop/MASTER soft_dades/repte 1/exercicis/ChickWeight_csv.csv")
## New names:
## Rows: 578 Columns: 5
## ── Column specification
## ──────────────────────────────────────────────────────── Delimiter: "," dbl
## (5): ...1, weight, Time, Chick, Diet
## ℹ Use `spec()` to retrieve the full column specification for this data. ℹ
## Specify the column types or set `show_col_types = FALSE` to quiet this message.
## • `` -> `...1`
head(ChickWeight_csv)

8.b) Generad un gráfico de dispersión de la variable weight.

summary(ChickWeight_csv$weight)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    35.0    63.0   103.0   121.8   163.8   373.0
plot (ChickWeight_csv$weight, col="dark red", xlab="individuals")
abline(h=mean(ChickWeight_csv$weight))

8.c) Cread un diagrama de caja con la variable Time.

boxplot(ChickWeight_csv$Time, col="green", main="Boxplot variable temps",axes = FALSE, staplewex = 1 ) 
text(y=fivenum(ChickWeight_csv$Time), labels=fivenum(ChickWeight_csv$Time), x=1.25)

Para más información sobre ChickWeight: https://rdrr.io/r/datasets/ChickWeight.html

Ejercicio 9: A partir del conjunto de datos anorexia del paquete MASS, cread otro data frame que se llame anorexia_treat_df formado por Treat y por un vector nuevo calculado a partir de la diferencia Prewt-Postwt. De esta manera, nos quedará un data frame que contenga el tipo de tratamiento y el valor del peso ganado o perdido después de haber realizado el tratamiento.

anorexia_treat_df <- data.frame(Treat=anorexia$Treat,Prewt_minus_Postwt=(anorexia$Prewt-anorexia$Postwt))
head(anorexia_treat_df)

Seleccionad aquellos individuos que han ganado peso después del tratamiento y cread un nuevo conjunto llamado anorexia_treat_C_df que contenga solo los datos de aquellos que han seguido el tratamiento «Cont» y que han ganado peso después del tratamiento.

anorexia_treat_C_df <- anorexia_treat_df[anorexia_treat_df$Treat=="Cont" & anorexia_treat_df$Prewt_minus_Postwt>0,]
head(anorexia_treat_C_df)

Ejercicio 10: 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

Caso práctico: Resolved los siguientes apartados:

  1. Cread un conjunto de datos inventado con R. Debe contener treinta observaciones (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)
set.seed(777)
library(poLCA)
## Warning: package 'poLCA' was built under R version 4.3.3
## Loading required package: scatterplot3d
Id <- as.character(c(1:30))
Gene <- c(rep("H",15), rep("D",15))

p1 <- c(0.333,0.333,0.333)
n <- 30
p2 <- matrix(p1,nrow=n,ncol=length(p1),byrow=TRUE)
p3 <- as.factor(rmulti(p2))
library(plyr)
## Warning: package 'plyr' was built under R version 4.3.3
Trat <- revalue(p3, c("1"="A", "2"="B", "3"="c"))

Edad_H <- rnorm(n=15, mean=75, sd=5)
Edad_D <- rnorm(n=15, mean=85, sd=5)
Edad <- round(c(Edad_H,Edad_D),)
Peso_H <- rnorm(n=15, mean=80, sd=20)
Peso_D <- rnorm(n=15, mean=70, sd=10)
Peso <- c(Peso_H,Peso_D)
Altura_H <- rnorm(n=15, mean=175, sd=25)
Altura_D <- rnorm(n=15, mean=165, sd=20)
Altura <- c(Altura_H,Altura_D)

ex_practic <- data.frame(Id, Gene, Trat, Edad, Peso, Altura)
ex_practic
  1. Buscad información de vuestro conjunto de datos y de vuestras variables.
summary(ex_practic)
##       Id                Gene           Trat        Edad            Peso       
##  Length:30          Length:30          A: 6   Min.   :65.00   Min.   : 31.27  
##  Class :character   Class :character   B:14   1st Qu.:76.25   1st Qu.: 64.41  
##  Mode  :character   Mode  :character   c:10   Median :80.50   Median : 70.12  
##                                               Mean   :79.97   Mean   : 74.87  
##                                               3rd Qu.:83.00   3rd Qu.: 84.44  
##                                               Max.   :93.00   Max.   :126.60  
##      Altura     
##  Min.   :130.2  
##  1st Qu.:153.4  
##  Median :173.6  
##  Mean   :169.3  
##  3rd Qu.:181.7  
##  Max.   :201.0
  1. Cread una nueva variable a partir de alguna de las que tengamos. Por ejemplo, podéis calcular el IMC (IMC = peso (kg)/[estatura(m)] 2 e incluid la nueva variable en el conjunto de datos.
IMC <- ex_practic$Peso/(ex_practic$Altura/100)^2
ex_practic$IMC <- IMC
head(ex_practic)
  1. Cread dos data frames diferenciados para hombres y mujeres con dos nombres diferentes: Df_Hombres y Df_Mujeres.
Df_Mujeres <- ex_practic[ex_practic$Gene=="D",]
Df_Hombres <- ex_practic[ex_practic$Gene=="H",]
head(Df_Mujeres)
head(Df_Hombres)
  1. Combinad de nuevo los dos ficheros anteriores y cread el primero de nuevo con el comando rbind().
ex_practic1 <- rbind(Df_Hombres, Df_Mujeres)
head(ex_practic1)