
library(testthat)

source("user_code.R")
test_that("returns a labeled string with all components", {
  out <- format_statistical_results(1.5, 0.05, 0.2, "Some effect detected.")
  expect_type(out, "character")
  expect_true(grepl("Statistic: 1.5", out), info = "Should include labeled statistic with value.")
  expect_true(grepl("p-value: 0.05", out), info = "Should include labeled p-value with value.")
  expect_true(grepl("Effect size: 0.2", out), info = "Should include labeled effect size with value.")
  expect_true(grepl("Interpretation: Some effect detected.", out), info = "Should include labeled interpretation with value.")
})

test_that("combines values correctly in output string", {
  out <- format_statistical_results(-2.4, 0.001, 0.78, "Strong negative association.")
  expect_match(out, "^Statistic: -2.4; p-value: 0.001; Effect size: 0.78; Interpretation: Strong negative association.$", 
    info = "Should match the exact required format and value order.")
})

test_that("handles both positive and negative statistic values", {
  out_pos <- format_statistical_results(3.2, 0.04, 0.5, "Positive effect.")
  out_neg <- format_statistical_results(-3.2, 0.04, 0.5, "Negative effect.")
  expect_true(grepl("Statistic: 3.2", out_pos), info = "Should correctly handle positive statistic.")
  expect_true(grepl("Statistic: -3.2", out_neg), info = "Should correctly handle negative statistic.")
})

test_that("handles significant and non-significant p-values", {
  out_sig <- format_statistical_results(1.1, 0.02, 0.3, "Significant effect.")
  out_nonsig <- format_statistical_results(1.1, 0.3, 0.3, "No significant effect.")
  expect_true(grepl("p-value: 0.02", out_sig), info = "Should correctly handle significant p-value.")
  expect_true(grepl("p-value: 0.3", out_nonsig), info = "Should correctly handle non-significant p-value.")
})

test_main.R

Een praktische introductie tot R-programmeren, afgestemd op biologen en bioinformatici. Leer biologische data analyseren, visualiseren en interpreteren met R, aan de hand van praktijkvoorbeelden uit genomica, ecologie en experimentele biologie.

Leer de basisprincipes van R-programmeren met de nadruk op biologische data, inclusief variabelen, datatypes en basisgegevensmanipulatie.

Verdiep u in statistische methoden voor het analyseren van biologische gegevens, inclusief samenvattende statistieken, hypothesetoetsing en het interpreteren van resultaten.

Beheers de kunst van het visualiseren van biologische data met R, van eenvoudige grafieken tot meer geavanceerde visualisaties die relevant zijn voor experimenten.

Leer werken met genomische data en het ontwikkelen van reproduceerbare workflows voor wetenschappelijk onderzoek in R.

Challenge: Reporting Biological Results

Oplossing