Caso práctico 2.1.
David López
2024-03-24
Casos prácticos: Fundamentos de programación y acceso a base de
datos en R
#Caso práctico 1
Según las investigaciones de Mark E. Curtis, cada giro completo de la
doble hélice del ADN mide 21 Å de ancho por 34 Å de largo; 34 y 21 son
dos números consecutivos en la sucesión de Fibonacci. Por lo tanto, su
cociente, 1.6190476, aproxima de cerca la Razón Áurea φ=1.6180339… Se
pide: a) Implementad en R una función que, dado un valor n, muestre los
valores de la serie de Fibonacci hasta ese valor determinado. b) ¿Para
qué valores de n localizamos, en la serie de Fibonacci, las medidas de
la doble hélice de la molécula de ADN? c) Complementad el código del
apartado a) añadiendo una nueva función (o las instrucciones que
correspondan en la función creada anteriormente) de manera que, para un
determinado valor n, muestre las proporciones sucesivas de los valores
de la serie de Fibonacci. ¿A partir de qué valor de n, esta proporción
se va aproximando a la Razón Áurea?
#Apartado a)
fibo<-function(n) {
lista <- c(0,1)
i=2
for (i in i:(n-1)){
lista[i+1] <-lista[i]+lista[i-1]
}
return(lista)
}
resultados <- fibo(10)
print(resultados)## [1] 0 1 1 2 3 5 8 13 21 34#Apartado b)
fibo(9) #El valor 21 corresponde n=9## [1] 0 1 1 2 3 5 8 13 21fibo(10) #El valor 34 corresponde n=10## [1] 0 1 1 2 3 5 8 13 21 34#Apartado c)
aurea <- function(n) {
num <- fibo(n)
rel <- numeric(length(num) - 1)
for (i in 2:length(num)) {
rel[i - 1] <- num[i] / num[i - 1]
}
return(rel)
}
raurea<-aurea(10) #A partir del valor de n=10, esta proporción es muy próxima al valor de la relación áurea
raurea## [1] Inf 1.000000 2.000000 1.500000 1.666667 1.600000 1.625000 1.615385
## [9] 1.619048#Caso práctico 2
La secuencia de ADN de un individuo contiene información genética de
este. Actualmente, existen técnicas que permiten realizar esta
secuenciación y aportar datos para investigar el comportamiento de
diferentes tipos de organismos biológicos. Se pide generar una secuencia
de ADN y calcular su inverso y su complementario.
#Función para generar cadena ADN
cadena_ADN<-function(n) {
bases<-c("A", "C", "G", "T")
muestra<-sample(bases, n, replace=TRUE)
return(paste(muestra, collapse = ""))
}
lista3<-cadena_ADN(10)
print(lista3)## [1] "CGCATTTGGG"#Para invertir la cadena
secuencia<-cadena_ADN(10)
cadena_invertida<- rev(strsplit(secuencia, "")[[1]])
cadena_invertida <- paste(cadena_invertida, collapse = "")
secuencia## [1] "TTCGTCACGC"cadena_invertida## [1] "CGCACTGCTT"#Para obtener la complementaria
secuencia <- "ACGACTAG"
cadena_c <- function(secuencia) {
cadena <- strsplit(secuencia, "")[[1]]
for (i in seq_along(cadena)) {
if (cadena[i] == "A") {
cadena[i] <- "T"
} else if (cadena[i] == "T") {
cadena[i] <- "A"
} else if (cadena[i] == "C") {
cadena[i] <- "G"
} else if (cadena[i] == "G") {
cadena[i] <- "C"
}
}
return(paste(cadena, collapse = ""))
}
cadena_complementaria <- cadena_c(secuencia)
print(secuencia)## [1] "ACGACTAG"print(cadena_complementaria)## [1] "TGCTGATC"#Caso práctico 3
Supongamos que pretendemos gestionar la información de una base de datos
de pacientes de un hospital. En principio, disponemos de dos tablas,
pacientes y registros_médicos.
De la tabla pacientes, disponemos de los siguientes datos: pacientes
(nombre, edad, género, condición_médica) (‘Paciente1’, 45, ‘Femenino’,
‘Diabetes’), (‘Paciente2’, 32, ‘Masculino’, ‘Hipertensión’),
(‘Paciente3’, 28, ‘Femenino’, ‘Sano’), (‘Paciente4’, 55, ‘Masculino’,
‘Hipertensión’), (‘Paciente5’, 40, ‘Femenino’, ‘Asma’).
De la tabla registros_médicos, disponemos de los siguientes datos:
registros_médicos (paciente_id, fecha, nivel_glucosa) (1, ‘2023-08-01’,
125.5), (2, ‘2023-08-01’, 140.2), (3, ‘2023-08-01’, 95.8), (4,
‘2023-08-01’, 160.6), (5, ‘2023-08-01’, 110.9).
Se pide utilizar las instrucciones de acceso a bases de datos para
resolver las siguientes cuestiones (es importante recordar cargar
los paquetes RSQLite, dplyr y, también, ggplot2.): 1) Cread la base
de datos (Hospital), las tablas y los registros correspondientes y la
conexión desde R. 2) Mostrad pacientes con una condición médica
específica (por ejemplo, diabetes). 3) Calculad estadísticas
descriptivas de los niveles de glucosa en sangre. 4) Obtened los
registros médicos de pacientes con hipertensión y sus estadísticas de
glucosa. 5) Calculad la edad promedio de pacientes con asma por género.
6) Cread un gráfico de barras para mostrar la distribución de género en
pacientes con diabetes.
library(RSQLite)
library(dplyr)##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, unionlibrary(ggplot2)
#Conectar a la base de datos SQLite
con<-dbConnect(SQLite(), "hospital.db")
#Apartado 1: Generar ambas tablas
pacientes<-data.frame(
nombre=c("Paciente1", "Paciente2", "Paciente3", "Paciente4", "Paciente5"),
edad=c(45, 32, 28, 55, 40),
género=c("Femenino", "Masculino", "Femenino", "Masculino","Femenino"),
condición_médica=c("Diabetes", "Hipertensión", "Sano", "Hipertensión", "Asma")
)
registros_médicos<-data.frame(
paciente_id=c(1, 2, 3, 4, 5),
fecha=c("2023-08-01", "2023-08-01", "2023-08-01", "2023-08-01", "2023-08-01"),
nivel_glucosa=c(125.5, 140.2, 95.8, 160.6, 110.9)
)
dbWriteTable(con, "pacientes", pacientes, overwrite=TRUE)
dbWriteTable(con, "registros_médicos", registros_médicos, overwrite=TRUE)
head(pacientes)## nombre edad género condición_médica
## 1 Paciente1 45 Femenino Diabetes
## 2 Paciente2 32 Masculino Hipertensión
## 3 Paciente3 28 Femenino Sano
## 4 Paciente4 55 Masculino Hipertensión
## 5 Paciente5 40 Femenino Asmahead(registros_médicos)## paciente_id fecha nivel_glucosa
## 1 1 2023-08-01 125.5
## 2 2 2023-08-01 140.2
## 3 3 2023-08-01 95.8
## 4 4 2023-08-01 160.6
## 5 5 2023-08-01 110.9#Apartado 2: Buscar pacientes con diabetes
pacientes_diabetes<-dbGetQuery(con, "SELECT nombre FROM pacientes WHERE condición_médica = 'Diabetes'")
pacientes_diabetes## nombre
## 1 Paciente1#Apartado 3: variables estadísticas de los niveles de glucosa
glucosa<-dbGetQuery(con, "SELECT AVG(nivel_glucosa) AS media_glucosa,
MAX(nivel_glucosa) AS max_glucosa,
MIN(nivel_glucosa) AS min_glucosa,
STDEV(nivel_glucosa) AS sd_glucosa FROM registros_médicos")
glucosa## media_glucosa max_glucosa min_glucosa sd_glucosa
## 1 126.6 160.6 95.8 25.18581#Apartado 4: Pacientes con hipertensión y ver sus glucosas
pacientes_hipertensión <- dbGetQuery(con, "SELECT *
FROM registros_médicos r
JOIN pacientes p ON r.paciente_id= p.rowid
WHERE p.condición_médica ='Hipertensión'")
pacientes_hipertensión## paciente_id fecha nivel_glucosa nombre edad género
## 1 2 2023-08-01 140.2 Paciente2 32 Masculino
## 2 4 2023-08-01 160.6 Paciente4 55 Masculino
## condición_médica
## 1 Hipertensión
## 2 Hipertensiónglucosa_hipertensión<-dbGetQuery(con, "SELECT AVG(nivel_glucosa) AS media_glucosa,
MAX(nivel_glucosa) AS max_glucosa,
MIN(nivel_glucosa) AS min_glucosa,
STDEV(nivel_glucosa) AS sd_glucosa
FROM (
SELECT nivel_glucosa
FROM registros_médicos r
JOIN pacientes p ON r.paciente_id = p.rowid
WHERE p.condición_médica = 'Hipertensión'
) AS subquery")
glucosa_hipertensión## media_glucosa max_glucosa min_glucosa sd_glucosa
## 1 150.4 160.6 140.2 14.42498#Apartado 5: Edad promedio de pacientes con asma por género.
edad_asma<-dbGetQuery(con, "SELECT género, AVG(edad) AS edad_promedio FROM pacientes WHERE condición_médica='Asma' GROUP BY género")
edad_asma## género edad_promedio
## 1 Femenino 40#Apartado 6: Gráfico de barras para mostrar la distribución de género en pacientes con diabetes.
genero_diabetes<-dbGetQuery(con, "SELECT género, COUNT(*) AS número FROM pacientes WHERE condición_médica='Diabetes' GROUP BY género")
genero_diabetes## género número
## 1 Femenino 1ggplot(genero_diabetes, aes(x=género, y=número, fill=género)) +
geom_bar(stat = "identity") +
labs(title = "Distribución del género en pacientes con diabetes", x = "Género", y = "Número") +
theme_classic()