
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

Une introduction pratique à la programmation R conçue pour les biologistes et les bioinformaticiens. Apprenez à analyser, visualiser et interpréter des données biologiques avec R, à l'aide d'exemples concrets issus de la génomique, de l'écologie et de la biologie expérimentale.

Apprenez les bases de la programmation R avec un accent sur les données biologiques, y compris les variables, les types de données et la manipulation de données de base.

Plongez dans les méthodes statistiques pour analyser des données biologiques, y compris les statistiques descriptives, les tests d'hypothèses et l'interprétation des résultats.

Maîtriser l'art de la visualisation des données biologiques avec R, des graphiques de base aux visualisations avancées pertinentes pour les expériences.

Apprenez à travailler avec des données de type génomique et à développer des flux de travail reproductibles pour la recherche scientifique avec R.

Challenge: Hypothesis Testing With Biological Data

Solution