LAB1
Arturo Bestilleiro
2026-10-04
Ejercicio 1: Gestión e instalación de paquetes
Primero, comprobamos los paquetes que ya tenemos instalados en el entorno de RStudio. Luegp instalamos los paquetes de MASS y SURVIVAL, y comprobamos su información.
Ejercicio 2: Importación de datos y estadísticos básicos
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 29.00 48.00 56.00 54.44 61.00 77.00## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 94.0 120.0 130.0 131.7 140.0 200.0## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 126.0 211.0 241.0 246.7 275.0 564.0## [1] 0 0 1 100 603## [1] 85.0 209.0 243.0 282.5 603.0Ejercicio 3: Limpieza database anorexia de MASS
library(MASS)
data("anorexia")
# Mostramos los primeros registros para ver la estructura inicial
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# Comprobamos los valores NA y NULL en todo el conjunto
table(is.na(anorexia))##
## FALSE
## 216table(is.null(anorexia))##
## FALSE
## 1# Transformamos los valores de la columna Treat usando factor()
anorexia$Treat <- factor(anorexia$Treat,
levels = c("CBT", "Cont", "FT"),
labels = c("Cogn Beh Tr", "Contr", "Fam Tr"))
# Visualizamos de nuevo para confirmar que las siglas han cambiado
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 78.1Ejercicio 4: Importar a archivo .csv database biopsy
library(MASS)
data("biopsy")
head("biopsy")## [1] "biopsy"write.csv(biopsy, file = "C:/Users/artur/OneDrive/Documentos/biopsy.csv" )
data("Melanoma")
write.table(Melanoma, file = "C:/Users/artur/Downloads/R/LAB1/Melanoma.txt")Ejericio 5: Operadores con database birthwt
data("birthwt")
# Edad máxima
max(birthwt$age)## [1] 45# Edad mínima
min(birthwt$age)## [1] 14# Edad rango
rank<- max(birthwt$age)-min(birthwt$age)
# La madre con el hijo de menor peso fumaba?
birthwt$smoke[birthwt$bwt==min(birthwt$bwt)]## [1] 1# Peso bebe con madre mayor
birthwt$bwt[birthwt$age==max(birthwt$age)]## [1] 4990# Pesos de bebes en los q las madres visitaron menos 2 veces el hospital en un trim.
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 2495Ejercicio 6: Matriz anorexia
library(MASS)
data("anorexia")
mat_anox <- matrix(c(anorexia$Prewt,anorexia$Postwt, ncol=2))
head(mat_anox)## [,1]
## [1,] 80.7
## [2,] 89.4
## [3,] 91.8
## [4,] 74.0
## [5,] 78.1
## [6,] 88.3Ejercicio 7:
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 y2 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_Pulmon <- data.frame(Identificador,Edad,Sexo,Peso,Alt,Fuma)
Trat_Pulmon## Identificador Edad Sexo Peso Alt Fuma
## 1 I1 23 1 76.5 165 SÍ
## 2 I2 24 2 81.2 154 NO
## 3 I3 21 1 79.3 178 SÍ
## 4 I4 22 1 59.5 165 SÍ
## 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
## 9 I9 21 1 97.8 178 SÍ
## 10 I10 22 2 56.4 165 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
## 15 I15 22 1 87.6 189 SÍ
## 16 I16 21 1 93.4 167 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
## 20 I20 21 2 61.2 158 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
## 24 I24 22 1 71.7 166 NO
## 25 I25 29 2 85.0 175 SÍResponder preguntas del dataframe:
# Mayores de 22
age22 <- subset(Trat_Pulmon, Edad>22)
age22## 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# Elemento 3 columna 4
Trat_Pulmon[3,4]## [1] 79.3# Todas las filas mayores de 27, sin ALT
subset(Trat_Pulmon, Edad<27, select = -c(Alt))## 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 NOEjercicio 8: Evaluar pollitos
library(datasets)
data.frame(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
## 7 106 12 1 1
## 8 125 14 1 1
## 9 149 16 1 1
## 10 171 18 1 1
## 11 199 20 1 1
## 12 205 21 1 1
## 13 40 0 2 1
## 14 49 2 2 1
## 15 58 4 2 1
## 16 72 6 2 1
## 17 84 8 2 1
## 18 103 10 2 1
## 19 122 12 2 1
## 20 138 14 2 1
## 21 162 16 2 1
## 22 187 18 2 1
## 23 209 20 2 1
## 24 215 21 2 1
## 25 43 0 3 1
## 26 39 2 3 1
## 27 55 4 3 1
## 28 67 6 3 1
## 29 84 8 3 1
## 30 99 10 3 1
## 31 115 12 3 1
## 32 138 14 3 1
## 33 163 16 3 1
## 34 187 18 3 1
## 35 198 20 3 1
## 36 202 21 3 1
## 37 42 0 4 1
## 38 49 2 4 1
## 39 56 4 4 1
## 40 67 6 4 1
## 41 74 8 4 1
## 42 87 10 4 1
## 43 102 12 4 1
## 44 108 14 4 1
## 45 136 16 4 1
## 46 154 18 4 1
## 47 160 20 4 1
## 48 157 21 4 1
## 49 41 0 5 1
## 50 42 2 5 1
## 51 48 4 5 1
## 52 60 6 5 1
## 53 79 8 5 1
## 54 106 10 5 1
## 55 141 12 5 1
## 56 164 14 5 1
## 57 197 16 5 1
## 58 199 18 5 1
## 59 220 20 5 1
## 60 223 21 5 1
## 61 41 0 6 1
## 62 49 2 6 1
## 63 59 4 6 1
## 64 74 6 6 1
## 65 97 8 6 1
## 66 124 10 6 1
## 67 141 12 6 1
## 68 148 14 6 1
## 69 155 16 6 1
## 70 160 18 6 1
## 71 160 20 6 1
## 72 157 21 6 1
## 73 41 0 7 1
## 74 49 2 7 1
## 75 57 4 7 1
## 76 71 6 7 1
## 77 89 8 7 1
## 78 112 10 7 1
## 79 146 12 7 1
## 80 174 14 7 1
## 81 218 16 7 1
## 82 250 18 7 1
## 83 288 20 7 1
## 84 305 21 7 1
## 85 42 0 8 1
## 86 50 2 8 1
## 87 61 4 8 1
## 88 71 6 8 1
## 89 84 8 8 1
## 90 93 10 8 1
## 91 110 12 8 1
## 92 116 14 8 1
## 93 126 16 8 1
## 94 134 18 8 1
## 95 125 20 8 1
## 96 42 0 9 1
## 97 51 2 9 1
## 98 59 4 9 1
## 99 68 6 9 1
## 100 85 8 9 1
## 101 96 10 9 1
## 102 90 12 9 1
## 103 92 14 9 1
## 104 93 16 9 1
## 105 100 18 9 1
## 106 100 20 9 1
## 107 98 21 9 1
## 108 41 0 10 1
## 109 44 2 10 1
## 110 52 4 10 1
## 111 63 6 10 1
## 112 74 8 10 1
## 113 81 10 10 1
## 114 89 12 10 1
## 115 96 14 10 1
## 116 101 16 10 1
## 117 112 18 10 1
## 118 120 20 10 1
## 119 124 21 10 1
## 120 43 0 11 1
## 121 51 2 11 1
## 122 63 4 11 1
## 123 84 6 11 1
## 124 112 8 11 1
## 125 139 10 11 1
## 126 168 12 11 1
## 127 177 14 11 1
## 128 182 16 11 1
## 129 184 18 11 1
## 130 181 20 11 1
## 131 175 21 11 1
## 132 41 0 12 1
## 133 49 2 12 1
## 134 56 4 12 1
## 135 62 6 12 1
## 136 72 8 12 1
## 137 88 10 12 1
## 138 119 12 12 1
## 139 135 14 12 1
## 140 162 16 12 1
## 141 185 18 12 1
## 142 195 20 12 1
## 143 205 21 12 1
## 144 41 0 13 1
## 145 48 2 13 1
## 146 53 4 13 1
## 147 60 6 13 1
## 148 65 8 13 1
## 149 67 10 13 1
## 150 71 12 13 1
## 151 70 14 13 1
## 152 71 16 13 1
## 153 81 18 13 1
## 154 91 20 13 1
## 155 96 21 13 1
## 156 41 0 14 1
## 157 49 2 14 1
## 158 62 4 14 1
## 159 79 6 14 1
## 160 101 8 14 1
## 161 128 10 14 1
## 162 164 12 14 1
## 163 192 14 14 1
## 164 227 16 14 1
## 165 248 18 14 1
## 166 259 20 14 1
## 167 266 21 14 1
## 168 41 0 15 1
## 169 49 2 15 1
## 170 56 4 15 1
## 171 64 6 15 1
## 172 68 8 15 1
## 173 68 10 15 1
## 174 67 12 15 1
## 175 68 14 15 1
## 176 41 0 16 1
## 177 45 2 16 1
## 178 49 4 16 1
## 179 51 6 16 1
## 180 57 8 16 1
## 181 51 10 16 1
## 182 54 12 16 1
## 183 42 0 17 1
## 184 51 2 17 1
## 185 61 4 17 1
## 186 72 6 17 1
## 187 83 8 17 1
## 188 89 10 17 1
## 189 98 12 17 1
## 190 103 14 17 1
## 191 113 16 17 1
## 192 123 18 17 1
## 193 133 20 17 1
## 194 142 21 17 1
## 195 39 0 18 1
## 196 35 2 18 1
## 197 43 0 19 1
## 198 48 2 19 1
## 199 55 4 19 1
## 200 62 6 19 1
## 201 65 8 19 1
## 202 71 10 19 1
## 203 82 12 19 1
## 204 88 14 19 1
## 205 106 16 19 1
## 206 120 18 19 1
## 207 144 20 19 1
## 208 157 21 19 1
## 209 41 0 20 1
## 210 47 2 20 1
## 211 54 4 20 1
## 212 58 6 20 1
## 213 65 8 20 1
## 214 73 10 20 1
## 215 77 12 20 1
## 216 89 14 20 1
## 217 98 16 20 1
## 218 107 18 20 1
## 219 115 20 20 1
## 220 117 21 20 1
## 221 40 0 21 2
## 222 50 2 21 2
## 223 62 4 21 2
## 224 86 6 21 2
## 225 125 8 21 2
## 226 163 10 21 2
## 227 217 12 21 2
## 228 240 14 21 2
## 229 275 16 21 2
## 230 307 18 21 2
## 231 318 20 21 2
## 232 331 21 21 2
## 233 41 0 22 2
## 234 55 2 22 2
## 235 64 4 22 2
## 236 77 6 22 2
## 237 90 8 22 2
## 238 95 10 22 2
## 239 108 12 22 2
## 240 111 14 22 2
## 241 131 16 22 2
## 242 148 18 22 2
## 243 164 20 22 2
## 244 167 21 22 2
## 245 43 0 23 2
## 246 52 2 23 2
## 247 61 4 23 2
## 248 73 6 23 2
## 249 90 8 23 2
## 250 103 10 23 2
## 251 127 12 23 2
## 252 135 14 23 2
## 253 145 16 23 2
## 254 163 18 23 2
## 255 170 20 23 2
## 256 175 21 23 2
## 257 42 0 24 2
## 258 52 2 24 2
## 259 58 4 24 2
## 260 74 6 24 2
## 261 66 8 24 2
## 262 68 10 24 2
## 263 70 12 24 2
## 264 71 14 24 2
## 265 72 16 24 2
## 266 72 18 24 2
## 267 76 20 24 2
## 268 74 21 24 2
## 269 40 0 25 2
## 270 49 2 25 2
## 271 62 4 25 2
## 272 78 6 25 2
## 273 102 8 25 2
## 274 124 10 25 2
## 275 146 12 25 2
## 276 164 14 25 2
## 277 197 16 25 2
## 278 231 18 25 2
## 279 259 20 25 2
## 280 265 21 25 2
## 281 42 0 26 2
## 282 48 2 26 2
## 283 57 4 26 2
## 284 74 6 26 2
## 285 93 8 26 2
## 286 114 10 26 2
## 287 136 12 26 2
## 288 147 14 26 2
## 289 169 16 26 2
## 290 205 18 26 2
## 291 236 20 26 2
## 292 251 21 26 2
## 293 39 0 27 2
## 294 46 2 27 2
## 295 58 4 27 2
## 296 73 6 27 2
## 297 87 8 27 2
## 298 100 10 27 2
## 299 115 12 27 2
## 300 123 14 27 2
## 301 144 16 27 2
## 302 163 18 27 2
## 303 185 20 27 2
## 304 192 21 27 2
## 305 39 0 28 2
## 306 46 2 28 2
## 307 58 4 28 2
## 308 73 6 28 2
## 309 92 8 28 2
## 310 114 10 28 2
## 311 145 12 28 2
## 312 156 14 28 2
## 313 184 16 28 2
## 314 207 18 28 2
## 315 212 20 28 2
## 316 233 21 28 2
## 317 39 0 29 2
## 318 48 2 29 2
## 319 59 4 29 2
## 320 74 6 29 2
## 321 87 8 29 2
## 322 106 10 29 2
## 323 134 12 29 2
## 324 150 14 29 2
## 325 187 16 29 2
## 326 230 18 29 2
## 327 279 20 29 2
## 328 309 21 29 2
## 329 42 0 30 2
## 330 48 2 30 2
## 331 59 4 30 2
## 332 72 6 30 2
## 333 85 8 30 2
## 334 98 10 30 2
## 335 115 12 30 2
## 336 122 14 30 2
## 337 143 16 30 2
## 338 151 18 30 2
## 339 157 20 30 2
## 340 150 21 30 2
## 341 42 0 31 3
## 342 53 2 31 3
## 343 62 4 31 3
## 344 73 6 31 3
## 345 85 8 31 3
## 346 102 10 31 3
## 347 123 12 31 3
## 348 138 14 31 3
## 349 170 16 31 3
## 350 204 18 31 3
## 351 235 20 31 3
## 352 256 21 31 3
## 353 41 0 32 3
## 354 49 2 32 3
## 355 65 4 32 3
## 356 82 6 32 3
## 357 107 8 32 3
## 358 129 10 32 3
## 359 159 12 32 3
## 360 179 14 32 3
## 361 221 16 32 3
## 362 263 18 32 3
## 363 291 20 32 3
## 364 305 21 32 3
## 365 39 0 33 3
## 366 50 2 33 3
## 367 63 4 33 3
## 368 77 6 33 3
## 369 96 8 33 3
## 370 111 10 33 3
## 371 137 12 33 3
## 372 144 14 33 3
## 373 151 16 33 3
## 374 146 18 33 3
## 375 156 20 33 3
## 376 147 21 33 3
## 377 41 0 34 3
## 378 49 2 34 3
## 379 63 4 34 3
## 380 85 6 34 3
## 381 107 8 34 3
## 382 134 10 34 3
## 383 164 12 34 3
## 384 186 14 34 3
## 385 235 16 34 3
## 386 294 18 34 3
## 387 327 20 34 3
## 388 341 21 34 3
## 389 41 0 35 3
## 390 53 2 35 3
## 391 64 4 35 3
## 392 87 6 35 3
## 393 123 8 35 3
## 394 158 10 35 3
## 395 201 12 35 3
## 396 238 14 35 3
## 397 287 16 35 3
## 398 332 18 35 3
## 399 361 20 35 3
## 400 373 21 35 3
## 401 39 0 36 3
## 402 48 2 36 3
## 403 61 4 36 3
## 404 76 6 36 3
## 405 98 8 36 3
## 406 116 10 36 3
## 407 145 12 36 3
## 408 166 14 36 3
## 409 198 16 36 3
## 410 227 18 36 3
## 411 225 20 36 3
## 412 220 21 36 3
## 413 41 0 37 3
## 414 48 2 37 3
## 415 56 4 37 3
## 416 68 6 37 3
## 417 80 8 37 3
## 418 83 10 37 3
## 419 103 12 37 3
## 420 112 14 37 3
## 421 135 16 37 3
## 422 157 18 37 3
## 423 169 20 37 3
## 424 178 21 37 3
## 425 41 0 38 3
## 426 49 2 38 3
## 427 61 4 38 3
## 428 74 6 38 3
## 429 98 8 38 3
## 430 109 10 38 3
## 431 128 12 38 3
## 432 154 14 38 3
## 433 192 16 38 3
## 434 232 18 38 3
## 435 280 20 38 3
## 436 290 21 38 3
## 437 42 0 39 3
## 438 50 2 39 3
## 439 61 4 39 3
## 440 78 6 39 3
## 441 89 8 39 3
## 442 109 10 39 3
## 443 130 12 39 3
## 444 146 14 39 3
## 445 170 16 39 3
## 446 214 18 39 3
## 447 250 20 39 3
## 448 272 21 39 3
## 449 41 0 40 3
## 450 55 2 40 3
## 451 66 4 40 3
## 452 79 6 40 3
## 453 101 8 40 3
## 454 120 10 40 3
## 455 154 12 40 3
## 456 182 14 40 3
## 457 215 16 40 3
## 458 262 18 40 3
## 459 295 20 40 3
## 460 321 21 40 3
## 461 42 0 41 4
## 462 51 2 41 4
## 463 66 4 41 4
## 464 85 6 41 4
## 465 103 8 41 4
## 466 124 10 41 4
## 467 155 12 41 4
## 468 153 14 41 4
## 469 175 16 41 4
## 470 184 18 41 4
## 471 199 20 41 4
## 472 204 21 41 4
## 473 42 0 42 4
## 474 49 2 42 4
## 475 63 4 42 4
## 476 84 6 42 4
## 477 103 8 42 4
## 478 126 10 42 4
## 479 160 12 42 4
## 480 174 14 42 4
## 481 204 16 42 4
## 482 234 18 42 4
## 483 269 20 42 4
## 484 281 21 42 4
## 485 42 0 43 4
## 486 55 2 43 4
## 487 69 4 43 4
## 488 96 6 43 4
## 489 131 8 43 4
## 490 157 10 43 4
## 491 184 12 43 4
## 492 188 14 43 4
## 493 197 16 43 4
## 494 198 18 43 4
## 495 199 20 43 4
## 496 200 21 43 4
## 497 42 0 44 4
## 498 51 2 44 4
## 499 65 4 44 4
## 500 86 6 44 4
## 501 103 8 44 4
## 502 118 10 44 4
## 503 127 12 44 4
## 504 138 14 44 4
## 505 145 16 44 4
## 506 146 18 44 4
## 507 41 0 45 4
## 508 50 2 45 4
## 509 61 4 45 4
## 510 78 6 45 4
## 511 98 8 45 4
## 512 117 10 45 4
## 513 135 12 45 4
## 514 141 14 45 4
## 515 147 16 45 4
## 516 174 18 45 4
## 517 197 20 45 4
## 518 196 21 45 4
## 519 40 0 46 4
## 520 52 2 46 4
## 521 62 4 46 4
## 522 82 6 46 4
## 523 101 8 46 4
## 524 120 10 46 4
## 525 144 12 46 4
## 526 156 14 46 4
## 527 173 16 46 4
## 528 210 18 46 4
## 529 231 20 46 4
## 530 238 21 46 4
## 531 41 0 47 4
## 532 53 2 47 4
## 533 66 4 47 4
## 534 79 6 47 4
## 535 100 8 47 4
## 536 123 10 47 4
## 537 148 12 47 4
## 538 157 14 47 4
## 539 168 16 47 4
## 540 185 18 47 4
## 541 210 20 47 4
## 542 205 21 47 4
## 543 39 0 48 4
## 544 50 2 48 4
## 545 62 4 48 4
## 546 80 6 48 4
## 547 104 8 48 4
## 548 125 10 48 4
## 549 154 12 48 4
## 550 170 14 48 4
## 551 222 16 48 4
## 552 261 18 48 4
## 553 303 20 48 4
## 554 322 21 48 4
## 555 40 0 49 4
## 556 53 2 49 4
## 557 64 4 49 4
## 558 85 6 49 4
## 559 108 8 49 4
## 560 128 10 49 4
## 561 152 12 49 4
## 562 166 14 49 4
## 563 184 16 49 4
## 564 203 18 49 4
## 565 233 20 49 4
## 566 237 21 49 4
## 567 41 0 50 4
## 568 54 2 50 4
## 569 67 4 50 4
## 570 84 6 50 4
## 571 105 8 50 4
## 572 122 10 50 4
## 573 155 12 50 4
## 574 175 14 50 4
## 575 205 16 50 4
## 576 234 18 50 4
## 577 264 20 50 4
## 578 264 21 50 4#Gráfico disperpsión
plot(ChickWeight$weight, col=blues9, main = "grafico dispersión")
# Grafico boxplot
boxplot(ChickWeight$Time, col="yellow", main = "Barras")
Ejercicio 9: Data frame procesado de anorexia
library(MASS)
data("anorexia")
post_pre <- -c(anorexia$Postwt-anorexia$Prewt)
## Creamos conjunto de datos con nuevo vector
anorexia_treat_df <- data.frame(anorexia, post_pre)
anorexia_treat_df## Treat Prewt Postwt post_pre
## 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
## 7 Cont 87.3 75.1 12.2
## 8 Cont 75.1 86.7 -11.6
## 9 Cont 80.6 73.5 7.1
## 10 Cont 78.4 84.6 -6.2
## 11 Cont 77.6 77.4 0.2
## 12 Cont 88.7 79.5 9.2
## 13 Cont 81.3 89.6 -8.3
## 14 Cont 78.1 81.4 -3.3
## 15 Cont 70.5 81.8 -11.3
## 16 Cont 77.3 77.3 0.0
## 17 Cont 85.2 84.2 1.0
## 18 Cont 86.0 75.4 10.6
## 19 Cont 84.1 79.5 4.6
## 20 Cont 79.7 73.0 6.7
## 21 Cont 85.5 88.3 -2.8
## 22 Cont 84.4 84.7 -0.3
## 23 Cont 79.6 81.4 -1.8
## 24 Cont 77.5 81.2 -3.7
## 25 Cont 72.3 88.2 -15.9
## 26 Cont 89.0 78.8 10.2
## 27 CBT 80.5 82.2 -1.7
## 28 CBT 84.9 85.6 -0.7
## 29 CBT 81.5 81.4 0.1
## 30 CBT 82.6 81.9 0.7
## 31 CBT 79.9 76.4 3.5
## 32 CBT 88.7 103.6 -14.9
## 33 CBT 94.9 98.4 -3.5
## 34 CBT 76.3 93.4 -17.1
## 35 CBT 81.0 73.4 7.6
## 36 CBT 80.5 82.1 -1.6
## 37 CBT 85.0 96.7 -11.7
## 38 CBT 89.2 95.3 -6.1
## 39 CBT 81.3 82.4 -1.1
## 40 CBT 76.5 72.5 4.0
## 41 CBT 70.0 90.9 -20.9
## 42 CBT 80.4 71.3 9.1
## 43 CBT 83.3 85.4 -2.1
## 44 CBT 83.0 81.6 1.4
## 45 CBT 87.7 89.1 -1.4
## 46 CBT 84.2 83.9 0.3
## 47 CBT 86.4 82.7 3.7
## 48 CBT 76.5 75.7 0.8
## 49 CBT 80.2 82.6 -2.4
## 50 CBT 87.8 100.4 -12.6
## 51 CBT 83.3 85.2 -1.9
## 52 CBT 79.7 83.6 -3.9
## 53 CBT 84.5 84.6 -0.1
## 54 CBT 80.8 96.2 -15.4
## 55 CBT 87.4 86.7 0.7
## 56 FT 83.8 95.2 -11.4
## 57 FT 83.3 94.3 -11.0
## 58 FT 86.0 91.5 -5.5
## 59 FT 82.5 91.9 -9.4
## 60 FT 86.7 100.3 -13.6
## 61 FT 79.6 76.7 2.9
## 62 FT 76.9 76.8 0.1
## 63 FT 94.2 101.6 -7.4
## 64 FT 73.4 94.9 -21.5
## 65 FT 80.5 75.2 5.3
## 66 FT 81.6 77.8 3.8
## 67 FT 82.1 95.5 -13.4
## 68 FT 77.6 90.7 -13.1
## 69 FT 83.5 92.5 -9.0
## 70 FT 89.9 93.8 -3.9
## 71 FT 86.0 91.7 -5.7
## 72 FT 87.3 98.0 -10.7# seleccionamos a los que ganaron peso y son CONT
anorexia_cont_b <- subset(anorexia_treat_df, anorexia_treat_df$Treat=="Cont" & anorexia_treat_df$post_pre<0)
anorexia_cont_b## Treat Prewt Postwt post_pre
## 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
## 21 Cont 85.5 88.3 -2.8
## 22 Cont 84.4 84.7 -0.3
## 23 Cont 79.6 81.4 -1.8
## 24 Cont 77.5 81.2 -3.7
## 25 Cont 72.3 88.2 -15.9Ejercicio 10: Caso práctico
# a) Creación del conjunto de datos
set.seed(123)
# 1. Identificador: tipo carácter
Id <- paste0("PAC_", sprintf("%02d", 1:30))
# 2. Género: 15 mujeres (1) y 15 hombres (2)
Gene <- rep(c(1, 2), each = 15)
# 3. Edad: numérico (valores aleatorios entre 22 y 65 años)
Edad <- round(runif(30, min = 22, max = 65))
# 4. Tratamiento: factor con tres niveles ("A", "B", "C")
Trat <- factor(rep(c("A", "B", "C"), length.out = 30))
# 5. Peso: numérico en kg (valores realistas según distribución normal)
Peso <- round(rnorm(30, mean = 70, sd = 10), 1)
# 6. Estatura: numérico en cm
Alt <- round(rnorm(30, mean = 170, sd = 8))
# Construimos el data frame
datos_clinicos <- data.frame(Id, Edad, Gene, Trat, Peso, Alt)
head(datos_clinicos)## Id Edad Gene Trat Peso Alt
## 1 PAC_01 34 1 A 87.9 161
## 2 PAC_02 56 1 B 75.0 167
## 3 PAC_03 40 1 C 50.3 166
## 4 PAC_04 60 1 A 77.0 176
## 5 PAC_05 62 1 B 65.3 169
## 6 PAC_06 24 1 C 59.3 172# b) Informacion de los datos clínicos
summary(datos_clinicos)## Id Edad Gene Trat Peso
## Length :30 Min. :24.0 Min. :1.0 A:10 Min. :50.30
## N.unique :30 1st Qu.:37.0 1st Qu.:1.0 B:10 1st Qu.:63.25
## N.blank : 0 Median :47.5 Median :1.5 C:10 Median :68.65
## Min.nchar: 6 Mean :46.6 Mean :1.5 Mean :70.24
## Max.nchar: 6 3rd Qu.:59.0 3rd Qu.:2.0 3rd Qu.:77.90
## Max. :65.0 Max. :2.0 Max. :91.70
## Alt
## Min. :152.0
## 1st Qu.:166.0
## Median :170.0
## Mean :169.7
## 3rd Qu.:173.8
## Max. :186.0str(datos_clinicos)## 'data.frame': 30 obs. of 6 variables:
## $ Id : chr "PAC_01" "PAC_02" "PAC_03" "PAC_04" ...
## $ Edad: num 34 56 40 60 62 24 45 60 46 42 ...
## $ Gene: num 1 1 1 1 1 1 1 1 1 1 ...
## $ Trat: Factor w/ 3 levels "A","B","C": 1 2 3 1 2 3 1 2 3 1 ...
## $ Peso: num 87.9 75 50.3 77 65.3 59.3 67.8 59.7 62.7 63.7 ...
## $ Alt : num 161 167 166 176 169 172 170 170 181 168 ...# c) Calcular IMC (nueva variable)
datos_clinicos$IMC <- round(datos_clinicos$Peso/((datos_clinicos$Alt/100))^2, 2)
datos_clinicos$IMC## [1] 33.91 26.89 18.25 24.86 22.86 20.04 23.46 20.66 19.14 22.57 16.03 31.41
## [13] 23.35 20.04 27.89 24.83 24.31 28.33 30.03 30.17 25.99 24.94 24.01 21.35
## [25] 19.14 22.90 29.39 18.08 34.09 30.52# d) haz datafram por sexo
hombres = subset(datos_clinicos, datos_clinicos$Gene==1)
muhere = subset(datos_clinicos, datos_clinicos$Gene==2)
hombres## Id Edad Gene Trat Peso Alt IMC
## 1 PAC_01 34 1 A 87.9 161 33.91
## 2 PAC_02 56 1 B 75.0 167 26.89
## 3 PAC_03 40 1 C 50.3 166 18.25
## 4 PAC_04 60 1 A 77.0 176 24.86
## 5 PAC_05 62 1 B 65.3 169 22.86
## 6 PAC_06 24 1 C 59.3 172 20.04
## 7 PAC_07 45 1 A 67.8 170 23.46
## 8 PAC_08 60 1 B 59.7 170 20.66
## 9 PAC_09 46 1 C 62.7 181 19.14
## 10 PAC_10 42 1 A 63.7 168 22.57
## 11 PAC_11 63 1 B 53.1 182 16.03
## 12 PAC_12 41 1 C 78.4 158 31.41
## 13 PAC_13 51 1 A 71.5 175 23.35
## 14 PAC_14 47 1 B 58.6 171 20.04
## 15 PAC_15 26 1 C 82.5 172 27.89muhere## Id Edad Gene Trat Peso Alt IMC
## 16 PAC_16 61 2 A 74.3 173 24.83
## 17 PAC_17 33 2 B 67.0 166 24.31
## 18 PAC_18 24 2 C 79.0 167 28.33
## 19 PAC_19 36 2 A 78.8 162 30.03
## 20 PAC_20 63 2 B 78.2 161 30.17
## 21 PAC_21 60 2 C 76.9 172 25.99
## 22 PAC_22 52 2 A 75.5 174 24.94
## 23 PAC_23 50 2 B 69.4 170 24.01
## 24 PAC_24 65 2 C 66.9 177 21.35
## 25 PAC_25 50 2 A 66.2 186 19.14
## 26 PAC_26 52 2 B 63.1 166 22.90
## 27 PAC_27 45 2 C 67.9 152 29.39
## 28 PAC_28 48 2 A 57.3 178 18.08
## 29 PAC_29 34 2 B 91.7 164 34.09
## 30 PAC_30 28 2 C 82.1 164 30.52# e) unid los dos ficheros
datos <- rbind(hombres, muhere)
datos## Id Edad Gene Trat Peso Alt IMC
## 1 PAC_01 34 1 A 87.9 161 33.91
## 2 PAC_02 56 1 B 75.0 167 26.89
## 3 PAC_03 40 1 C 50.3 166 18.25
## 4 PAC_04 60 1 A 77.0 176 24.86
## 5 PAC_05 62 1 B 65.3 169 22.86
## 6 PAC_06 24 1 C 59.3 172 20.04
## 7 PAC_07 45 1 A 67.8 170 23.46
## 8 PAC_08 60 1 B 59.7 170 20.66
## 9 PAC_09 46 1 C 62.7 181 19.14
## 10 PAC_10 42 1 A 63.7 168 22.57
## 11 PAC_11 63 1 B 53.1 182 16.03
## 12 PAC_12 41 1 C 78.4 158 31.41
## 13 PAC_13 51 1 A 71.5 175 23.35
## 14 PAC_14 47 1 B 58.6 171 20.04
## 15 PAC_15 26 1 C 82.5 172 27.89
## 16 PAC_16 61 2 A 74.3 173 24.83
## 17 PAC_17 33 2 B 67.0 166 24.31
## 18 PAC_18 24 2 C 79.0 167 28.33
## 19 PAC_19 36 2 A 78.8 162 30.03
## 20 PAC_20 63 2 B 78.2 161 30.17
## 21 PAC_21 60 2 C 76.9 172 25.99
## 22 PAC_22 52 2 A 75.5 174 24.94
## 23 PAC_23 50 2 B 69.4 170 24.01
## 24 PAC_24 65 2 C 66.9 177 21.35
## 25 PAC_25 50 2 A 66.2 186 19.14
## 26 PAC_26 52 2 B 63.1 166 22.90
## 27 PAC_27 45 2 C 67.9 152 29.39
## 28 PAC_28 48 2 A 57.3 178 18.08
## 29 PAC_29 34 2 B 91.7 164 34.09
## 30 PAC_30 28 2 C 82.1 164 30.52