Ejercicio 1:

Abre el código que guardaste de lo que hicimos la segunda práctica carga en RStudio la tabla
de datos. Recuerda que debes cargar la tabla de la segunda hoja, llamada “adults”. Habrá
algunas líneas de código que no se deberán ejecutar de nuevo, pero habrá otras que sí.

¿Cuáles de estas funciones crees que es necesario ejecutar y cuáles no? Marca una x en la
casilla correspondiente:

Función Ejecución Ejecución

necesaria necesaria
con cada sólo la
sesión primera
vez
setwd(“ruta_del_directorio_de_trabajo”)
install.packages(“readxl”)
library(readxl)
read_xlsx(“nombre_del_archivo.xlsx”)
Nota: algunas de estas funciones serán necesarias también si las ejecutamos en el entorno
virtual de la universidad.

Ejercicio 2:

Existen un tipo de archivos (es decir, una CLASE) en R, que no hemos visto pero suele resultar
muy útil. Se trata de la clase logical y tiene la peculiaridad que toma valores TRUE o FALSE.
Podéis crear un objeto de esta clase escribiendo, por ejemplo:

xabi <- TRUE

benat <- FALSE

Nota: las mayúsculas son necesarias, pero no hay que entrecomillar.

Rara vez tendemos a generar objetos de esta clase declarándolos por nosotros mismos. Lo más
habitual es que lo cree R basado en unas condiciones que nosotros le preguntemos. Por
ejemplo:

5>4

10 <= 8

Este formato es muy útil cuando tenemos objetos que incluyen más de un valor:

xabi <- c (3, 6, 10)

xabi <= 6

Los símbolos pueden ser varios. Busca y explora lo que significan: <, >, <=, >=, ==, !=, ! (existe
alguno más, como AND y OR, pero para nuestro propósito, los otros serán más importantes)

La gran utilidad de estos conjuntos de valores es que permiten indexar una tabla a partir de
una determinada condición!!!

Por ejemplo, pensemos en nuestra tabla de datos. Hay una columna que codifica para el
género de los sujetos que se llama sex, y que aplica un 0 para hombres y un 1 para mujeres.
Ejercicio 2.1.:

Genera un objeto lógico llamado index que sea TRUE para los hombres y FALSE para las
mujeres.

Ejercicio 2.2:

Utiliza index para crear otra tabla (df_males) donde sólo tengamos las filas que corresponden a
los hombres que han realizado el estudio.

Ayuda: utiliza index para seleccionar las filas de df que quieres llevar al objeto df_males.

Con esta opción, podemos centrar nuestros análisis en subconjuntos de datos que cumplan
una condición en una de las columnas.

Ejercicio 3:

En uno de los grupos de prácticas usamos como ejemplo algunas funciones que nos devuelven
estadísticos descriptivos. Los que usamos, junto con alguno más, se incluyen a continuación:

mean(), var(), cov(), cor(), summary(), table(), sum(), rowsums()

Ejercicio 3.1: ¿Sabrías buscar en la web qué función en R sirve para obtener la desviación
estándar de una variable?

Ejercicio 3.2: muchas de estas funciones tienen un argumento que se llama na.rm.
Compruébalo, por ejemplo para mean(). ¿Para qué sirve este argumento y qué cambia cuando
cambiamos el valor por defecto de FALSE a TRUE?

Algunas de estas funciones se aplican a variables sueltas, otras, a pares de variables y otras a
tablas de datos enteras. Junto con operaciones sencillas (+, -, *, /) utliízalos para realizar las
siguientes tareas:

Ejercicio 3.3: ¿Cuál es la proporción de mujeres en la tabla de datos?

Ejercicio 3.4: ¿Cuál es la media de edad y la desviación estándar?

Ejercicio 3.5: Comprueba la media y la desviación estándar de la edad para hombres y para
mujeres. ¿Hay diferencias importantes de edad entre ambos sexos?

Nota: basta que simplemente compares las medias de edad, pero como añadido avanzado
para este ejercicio, puedes intentar algo de estadística inferencial mediante una prueba t de
Student (usando t.test() sobre las edades).