
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

En praktisk introduksjon til R-programmering tilpasset biologer og bioinformatikere. Lær å analysere, visualisere og tolke biologiske data ved hjelp av R, med virkelige eksempler fra genomikk, økologi og eksperimentell biologi.

Lær det grunnleggende i R-programmering med fokus på biologiske data, inkludert variabler, datatyper og grunnleggende datamanipulering.

Fordyp deg i statistiske metoder for analyse av biologiske data, inkludert beskrivende statistikk, hypotesetesting og tolkning av resultater.

Bli ekspert på å visualisere biologiske data med R, fra enkle diagrammer til mer avanserte visualiseringer relevante for eksperimenter.

Lær å arbeide med genomiske data og utvikle reproduserbare arbeidsflyter for vitenskapelig forskning i R.

Challenge: Hypotesetesting med biologiske data

Løsning