
library(testthat)

source("user_code.R")
test_that("perform_t_test returns correct structure and types", {
  result <- perform_t_test(c(1, 2, 3), c(4, 5, 6))
  expect_true(is.list(result), info = "Result should be a list.")
  expect_true("p_value" %in% names(result), info = "List should contain 'p_value'.")
  expect_true("significant" %in% names(result), info = "List should contain 'significant'.")
  expect_true(is.numeric(result$p_value), info = "'p_value' should be numeric.")
  expect_true(is.logical(result$significant), info = "'significant' should be logical.")
})

test_that("perform_chi_squared_test returns correct structure and types", {
  result <- perform_chi_squared_test(c(10, 20, 30), c(12, 18, 30))
  expect_true(is.list(result), info = "Result should be a list.")
  expect_true("p_value" %in% names(result), info = "List should contain 'p_value'.")
  expect_true("significant" %in% names(result), info = "List should contain 'significant'.")
  expect_true(is.numeric(result$p_value), info = "'p_value' should be numeric.")
  expect_true(is.logical(result$significant), info = "'significant' should be logical.")
})

test_that("t-test detects significant difference when means differ", {
  group1 <- c(2, 2, 2, 2, 2)
  group2 <- c(10, 10, 10, 10, 10)
  result <- perform_t_test(group1, group2)
  expect_true(result$significant, info = "Should be significant when means are far apart.")
})

test_that("t-test detects non-significance when means are similar", {
  group1 <- c(5, 5, 5, 5, 5)
  group2 <- c(5.1, 5, 5, 5, 5)
  result <- perform_t_test(group1, group2)
  expect_false(result$significant, info = "Should not be significant when means are very close.")
})

test_that("chi-squared test detects significance for large frequency differences", {
  observed <- c(100, 10, 10)
  expected <- c(40, 40, 40)
  result <- perform_chi_squared_test(observed, expected)
  expect_true(result$significant, info = "Should be significant for large differences in frequencies.")
})

test_that("chi-squared test detects non-significance for similar frequencies", {
  observed <- c(10, 20, 30)
  expected <- c(10, 20, 30)
  result <- perform_chi_squared_test(observed, expected)
  expect_false(result$significant, info = "Should not be significant when observed and expected are equal.")
})

test_main.R

Käytännönläheinen johdatus R-ohjelmointiin, joka on suunnattu biologeille ja bioinformaatikoille. Opettele analysoimaan, visualisoimaan ja tulkitsemaan biologista dataa R:n avulla, käyttäen esimerkkejä genomiikasta, ekologiasta ja kokeellisesta biologiasta.

Opi R-ohjelmoinnin perusteet keskittyen biologiseen dataan, mukaan lukien muuttujat, tietotyypit ja perusdatan käsittely.

Syvenny tilastollisiin menetelmiin biologisten aineistojen analysoinnissa, mukaan lukien yhteenvetotilastot, hypoteesien testaus ja tulosten tulkinta.

Hallitse biologisten tietojen visualisoinnin taito R:llä, peruskaavioista edistyneempiin kokeisiin liittyviin visualisointeihin.

Opettele käsittelemään genomityyppistä dataa ja kehittämään toistettavia työnkulkuja tieteelliseen tutkimukseen R:ssä.

Challenge: Hypoteesin Testaus Biologisilla Aineistoilla

Ratkaisu