Análisis de datos con R

Ejercicios de estadística descriptiva y contraste de hipótesis en R

Autor/a

Diego Nieto Lugilde

Nota

Los ejercicios tendréis que entregarlos para la evaluación del curso. Para ello, crea un script de R con RStudio. Ponle el nombre ejercicios_t3.R. Dicho script deberá estar organizado con comentarios en castellano (poniendo una almohadilla # delante) y justo detrás el código necesario para realizar el ejercicio (ver ejemplo debajo). Además, si el ejercicio pide reflexionar sobre el resultado use los comentarios (con la #) para indicar sus reflexiones debajo del código. Una vez los tengáis completos deberéis subirlos en la actividad correspondiente de Moodle.

# Parte 1
# Ejercicio 1
seq(1, 40, by = 2)

# Ejercicio 2
seq(1, 40, by = -2)
# Este código da error porque especifiqué algo mal :)

Parte 1: Estadística descriptiva

1. Carga en R, el fichero de datos Mammal data.csv. En ese fichero tenemos un tabla con las coordenadas geográficas de ciertos puntos (Longitud y Latitud), los datos de riqueza de especies de mamíferos que hay en cada uno de esos puntos, así como los valores de 19 variables bioclimáticas (bio_1 a bio_19) y la elevación media y su desviación estandar.

  1. Dibuja las coordenadas geográficas de la tabla de riqueza de mamíferos.
  2. Cambia el tipo de puntos del gráfico para representar cuadrados, en lugar de círculos.
  3. Modifica el comando para que cada cuadrado se represente de un tamaño diferente, en función del número de especies de mamíferos que viven en cada localidad. Cuadrados más pequeños en los sitios con menos especies y cuadrados más grandes en los sitios con más especies.
  4. Guarda el gráfico anterior como un fichero .pdf.

2. Calcula el valor medio, mínimo y máximo de la variable “bio_1”

3. Usa la función apply() combinada con las funciones min, max y mean para calcular los valores mínimos, maximos y medios de las 19 variables bioclimáticas (bio_1 a bio_19).

4. Ciertas funciones pueden operar sobre distintos tipos de objetos. Por ejemplo, summary si se usa sobre un vector te devuelve los valores correspondientes al mínimo, primer cuartil, mediana (segundo cuartil), media, tercer cuartil y valor máximo.

  1. Ejecuta la función summary() sobre la variable bio_1 del data.frame de datos.
  2. Prueba a ejecutar la función summary() directamente sobre el data.frame de datos sin especificar la columna de datos bio_1.

¿Concuerdan los datos calculados con los valores calculados en el ejercicio 2? ¿Tiene sentido el resultado del comando 4.b?

Parte 2: Contraste de hipótesis

1. Carga el fichero de datos mouse_weight.xlsx. Esta tabla de datos tiene los pesos de 50 ratones, antes y después de aplicarles un tratamiento farmacológico.

  1. Usa la función shapiro.test() para comprobar si las dos variables (v.gr. pesos antes y después) cumplen el requisito de normalidad.
  2. Usa la función t.test() para comparar los pesos (before e after). Guarda el resultados del test estadístico en un objeto llamada myT.
  3. Repite la tarea anterior, pero usando un test de una sola cola (“one-side” test) para comprobar la hipótesis de que after es mayor que before.
  4. Ahora asegúrate que el análisis que has realizado sea de tipo pareado.

Proporciona un texto explicativo con tu interpretación de los resultados.

2. Repite el ejercicio 1 pero en esta ocasión utiliza el conjunto de datos mouse_weight2.xlsx. Esta tabla tiene resultados similares pero utilizando un segundo fármaco.

No olvides realizar todos los pasos y proporcionar el texto explicando las distintas decisiones que tomas, así como la interpretación de los resultados.

3. En R hay paquetes que proporcionan conjuntos de datos ya disponibles. Ejecuta el siguiente código para instalar el paquete palmerpenguins y cargar el conjunto de datos penguins.

install.packages("palmerpenguins")
library(palmerpenguins)
penguins <- penguins
  1. Usa la función aov() para ajustar una anova para encontrar is la media de las cuatro variables (v.gr. bill_length_mm, bill_depth_mm, flipper_length_mm y body_mass_g) son significativamente diferentes en las tres especies de pinguinos (v.gr. Adelie, Chinstrap y Gentoo).
  2. Usa la función summary() para analizar los resultados del análisis de varianza y decidir si las medias son diferentes entre los tres grupos.
  3. A continuación, usa la función TukeyHSD() para realizar un análisis post-hoc de Tukey sobre las diferencias por parejas de especies.

¿Qué especies presentan diferencias significativas en cada variable? ¿Qué especies no?

4. Usando el conjunto de datos de los pingüinos:

  1. Usa la función cor() para medir la correlación entre las cuatro variables (v.gr. bill_length_mm, bill_depth_mm, flipper_length_mm y body_mass_g).
  2. Dibuja un gráfico de dispersión (puntos) de cada pareja de variables.
  3. En cada gráfico, añade texto indicando el coeficiente de correlación entre las dos variables.