# Ejercicio 1
library()
# Cargo los paquetes instalados
library("MASS")
library("survival")
# Busco información sobre los paquetes
help(package="MASS")
help(package="survival")
# Busco información sobre el paquete Rcmdr
help(package="Rcmdr")
??Rcmdr
# Ejercicio 2
# apartado a)
# Importamos el archivo .txt indicando que tiene encabezados (header = TRUE)
# y que las columnas están separadas por espacios (sep = "")
mis_datos <- read.table("mis_ejercicios.txt", header = TRUE, sep = "")
# Confirmar la lectura visualizando las primeras filas
head(mis_datos)
## paciente edad presion colesterol
## 1 P1 45 120 190
## 2 P2 52 135 210
## 3 P3 61 140 230
## 4 P4 38 115 175
## 5 P5 49 128 205
## 6 P6 65 150 245
# Calcular el summary() de las 3 variables cuantitativas
summary(mis_datos[, c("edad", "presion", "colesterol")])
## edad presion colesterol
## Min. :38.00 Min. :115.0 Min. :175.0
## 1st Qu.:47.00 1st Qu.:124.0 1st Qu.:197.5
## Median :52.00 Median :130.0 Median :210.0
## Mean :52.14 Mean :131.1 Mean :210.7
## 3rd Qu.:58.00 3rd Qu.:137.5 3rd Qu.:225.0
## Max. :65.00 Max. :150.0 Max. :245.0
# Ejercicio 2
# apartado b) Importar el archivo .csv
# Primero tengo que crear y guardar el archivo .csv directamente desde R
write.csv(mis_datos, "mis_pacientes.csv", row.names = FALSE)
# 2. Importar el archivo .csv (como pide el apartado b)
mis_datos_csv <- read.csv("mis_pacientes.csv")
# 3. Aplicar fivenum() sobre dos variables numéricas
fivenum(mis_datos_csv$edad)
## [1] 38 47 52 58 65
fivenum(mis_datos_csv$presion)
## [1] 115.0 124.0 130.0 137.5 150.0
# Ejercicio 3
library(MASS)
data("anorexia")
# Primero inspeccionamos la estructura y tipo de cada variable
str(anorexia)
## 'data.frame': 72 obs. of 3 variables:
## $ Treat : Factor w/ 3 levels "CBT","Cont","FT": 2 2 2 2 2 2 2 2 2 2 ...
## $ Prewt : num 80.7 89.4 91.8 74 78.1 88.3 87.3 75.1 80.6 78.4 ...
## $ Postwt: num 80.2 80.1 86.4 86.3 76.1 78.1 75.1 86.7 73.5 84.6 ...
# Ver las primeras filas
head(anorexia)
## Treat Prewt Postwt
## 1 Cont 80.7 80.2
## 2 Cont 89.4 80.1
## 3 Cont 91.8 86.4
## 4 Cont 74.0 86.3
## 5 Cont 78.1 76.1
## 6 Cont 88.3 78.1
# Compruebo el recuento de valores NA
table(is.na(anorexia))
##
## FALSE
## 216
# Comprobar si el objeto completo es NULL
table(is.null(anorexia))
##
## FALSE
## 1
# Reetiquetamos los niveles de la variable Treat
anorexia$Treat <- factor(anorexia$Treat,levels = c("CBT", "Cont", "FT"),labels = c("Cogn Beh Tr", "Contr", "Fam Tr"))
# Comprobar los nuevos niveles de la variable
levels(anorexia$Treat)
## [1] "Cogn Beh Tr" "Contr" "Fam Tr"
head(anorexia)
## Treat Prewt Postwt
## 1 Contr 80.7 80.2
## 2 Contr 89.4 80.1
## 3 Contr 91.8 86.4
## 4 Contr 74.0 86.3
## 5 Contr 78.1 76.1
## 6 Contr 88.3 78.1
# Ejercicio 4
# Apartado a)
library(MASS)
data("biopsy")
# Exportar a formato .csv en tu carpeta de trabajo
write.csv(biopsy, file = "biopsy.csv")
#Apartado b)
data("Melanoma")
# 1. Exportar a .csv
write.csv(Melanoma, file = "melanoma.csv")
# 2. Exportar a .txt
write.table(Melanoma, file = "melanoma.txt")
# 3. Exportar a .xlsx
# Se requiere cargar la librería 'xlsx' u 'openxlsx'
library(openxlsx)
write.xlsx(Melanoma, file = "melanoma.xlsx")
# Apartado c)
# Obtener el resumen descriptivo de la variable 'age'
summary(Melanoma$age)
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 4.00 42.00 54.00 52.46 65.00 95.00
# Apartado d)
# Importamos el dataset biomédico en .csv usando R Base (sin instalar paquetes)
datos_biomedicos <- read.csv("biopsy.csv")
# Visualizar los primeros registros para confirmar la lectura
head(datos_biomedicos)
## X ID V1 V2 V3 V4 V5 V6 V7 V8 V9 class
## 1 1 1000025 5 1 1 1 2 1 3 1 1 benign
## 2 2 1002945 5 4 4 5 7 10 3 2 1 benign
## 3 3 1015425 3 1 1 1 2 2 3 1 1 benign
## 4 4 1016277 6 8 8 1 3 4 3 7 1 benign
## 5 5 1017023 4 1 1 3 2 1 3 1 1 benign
## 6 6 1017122 8 10 10 8 7 10 9 7 1 malignant
# Ejercicio 5
library(MASS)
data("birthwt")
# Apartado a)
max(birthwt$age)
## [1] 45
# Apartado b)
min(birthwt$age)
## [1] 14
# Apartado c)
rango <- max(birthwt$age) - min(birthwt$age)
rango
## [1] 31
# Apartado d)
birthwt$smoke[birthwt$bwt == min(birthwt$bwt)]
## [1] 1
# Apartado e)
birthwt$bwt[birthwt$age == max(birthwt$age)]
## [1] 4990
# Apartado f)
birthwt$bwt[birthwt$ftv < 2]
## [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
# Primero cargamos el paquete MASS y el dataset anorexia
library(MASS)
data(anorexia)
# Ahora creamos la matriz uniendo ambas columnas
matr_anorexia <- matrix(c(anorexia$Prewt, anorexia$Postwt), ncol = 2)
# 4. Mostrar las primeras filas de la matriz
head(matr_anorexia)
## [,1] [,2]
## [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
# Ejercicio 7
# Primero preparamos los 6 vectores
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, 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)
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_Pulmon <- data.frame(Identificador, Edad, Sexo, Peso, Alt, Fuma)
# Apartado a) Registros con edad > 22
selec1 <- subset(Trat_Pulmon, Edad > 22)
selec1
## Identificador Edad Sexo Peso Alt Fuma
## 1 I1 23 1 76.5 165 SÍ
## 2 I2 24 2 81.2 154 NO
## 5 I5 23 1 67.3 164 NO
## 6 I6 25 2 78.6 175 NO
## 7 I7 26 2 67.9 182 NO
## 8 I8 24 2 100.2 165 SÍ
## 11 I11 23 1 65.4 158 NO
## 12 I12 25 2 67.5 183 NO
## 13 I13 26 2 87.4 184 SÍ
## 14 I14 24 2 99.7 164 SÍ
## 17 I17 25 1 65.4 182 NO
## 18 I18 26 2 73.7 179 NO
## 19 I19 24 2 85.1 165 SÍ
## 21 I21 25 1 54.8 183 SÍ
## 22 I22 27 2 103.4 184 NO
## 23 I23 26 1 65.8 189 SÍ
## 25 I25 29 2 85.0 175 SÍ
# Apartado b) Elemento en la fila 3, columna 4
selec2 <- Trat_Pulmon[5, 6]
selec2
## [1] "NO"
# Apartado c) Filas con edad < 27 excluyendo la columna Alt
selec3 <- subset(Trat_Pulmon, Edad < 27, select = -c(Alt))
selec3
## Identificador Edad Sexo Peso Fuma
## 1 I1 23 1 76.5 SÍ
## 2 I2 24 2 81.2 NO
## 3 I3 21 1 79.3 SÍ
## 4 I4 22 1 59.5 SÍ
## 5 I5 23 1 67.3 NO
## 6 I6 25 2 78.6 NO
## 7 I7 26 2 67.9 NO
## 8 I8 24 2 100.2 SÍ
## 9 I9 21 1 97.8 SÍ
## 10 I10 22 2 56.4 SÍ
## 11 I11 23 1 65.4 NO
## 12 I12 25 2 67.5 NO
## 13 I13 26 2 87.4 SÍ
## 14 I14 24 2 99.7 SÍ
## 15 I15 22 1 87.6 SÍ
## 16 I16 21 1 93.4 SÍ
## 17 I17 25 1 65.4 NO
## 18 I18 26 2 73.7 NO
## 19 I19 24 2 85.1 SÍ
## 20 I20 21 2 61.2 SÍ
## 21 I21 25 1 54.8 SÍ
## 23 I23 26 1 65.8 SÍ
## 24 I24 22 1 71.7 NO
# Ejercicio 8
# Apartado a) Cargar el dataset ChickWeight del paquete datasets
library(datasets)
data("ChickWeight")
head(ChickWeight)
## weight Time Chick Diet
## 1 42 0 1 1
## 2 51 2 1 1
## 3 59 4 1 1
## 4 64 6 1 1
## 5 76 8 1 1
## 6 93 10 1 1
# Apartado b)
plot(ChickWeight$weight, col = "red", main = "Gráfico de Dispersión - Peso")
# Apartado c)
boxplot(ChickWeight$Time, col = "pink", main = "Diagrama de Caja - Tiempo")
# Ejercicio 9
# Primero cargamos el paquete MASS y los datos
library(MASS)
data("anorexia")
# Calculamos la diferencia de peso final menos inicial (Postwt - Prewt)
post_pre_v <- anorexia$Postwt - anorexia$Prewt
# Creamos el data frame combinado anorexia_treat_df
anorexia_treat_df <- data.frame(anorexia, post_pre_v)
head(anorexia_treat_df)
## Treat Prewt Postwt post_pre_v
## 1 Cont 80.7 80.2 -0.5
## 2 Cont 89.4 80.1 -9.3
## 3 Cont 91.8 86.4 -5.4
## 4 Cont 74.0 86.3 12.3
## 5 Cont 78.1 76.1 -2.0
## 6 Cont 88.3 78.1 -10.2
# Por último filtramos pacientes del grupo "Cont" que han ganado peso (post_pre_v > 0)
anorexia_treat_C_df <- subset(anorexia_treat_df, Treat == "Cont" & post_pre_v > 0)
# Visualizamos el resultado filtrado
head(anorexia_treat_C_df)
## Treat Prewt Postwt post_pre_v
## 4 Cont 74.0 86.3 12.3
## 8 Cont 75.1 86.7 11.6
## 10 Cont 78.4 84.6 6.2
## 13 Cont 81.3 89.6 8.3
## 14 Cont 78.1 81.4 3.3
## 15 Cont 70.5 81.8 11.3