TP R structurer les concepts et les explications en me concentrant
sur les parties clés du code
1. Conditions (if-else)
Les instructions conditionnelles permettent d'exécuter des blocs de code selon une condition.
Exemple 1 :
Exemple 2 : Utilisation de else if
2. Boucle for
Une boucle for parcourt une séquence de valeurs.
Exemple :
3. Boucle while
Une boucle while exécute du code tant qu'une condition est vraie.
Exemple :
4. Statistiques et Tableaux
Les tables de contingence, covariances et autres opérations statistiques sont fréquentes en R.
Exemple : Table de contingence
Exemple : Tableau de fréquences
5. Régression Linéaire
Permet de modéliser la relation entre deux variables.
Exemple :
6. Visualisations
Exemple : Nuage de points
Exemple : Histogramme des fréquences
7. Covariance et Corrélation
La covariance mesure la relation entre deux variables.
La corrélation (linéaire) normalise cette relation entre -1 et 1.
Exemple :
Structure Simplifiée pour Étude
1. Conditions : if, else if, else.
2. Boucles : for, while.
3. Vecteurs et opérations : Somme, longueur, etc.
4. Statistiques descriptives : Moyenne, variance, covariance, skewness.
5. Tables de contingence : table(), [Link]().
6. Régression linéaire : lm() et abline().
7. Visualisation : plot(), barplot(), mosaicplot().
Le TP couvre les concepts fondamentaux de R comme les conditions, les
boucles, les opérations statistiques, les visualisations et les modèles de
régression. Chaque bloc de code est conçu pour explorer une opération
spécifique afin de renforcer la compréhension
une explication détaillée et structurée des concepts et
exemples que vous avez mentionnés, basés sur vos
historiques de travaux pratiques
1. Création et manipulation de vecteurs
Exemple :
Fonctions associées :
length() : donne la longueur du vecteur
plot() : crée un graphique de dispersion
2. Tables de contingence et statistiques descriptives
Table de contingence
Exemple :
Ajouter des marges avec addmargins() :
Cela ajoute des totaux marginaux pour les lignes et colonnes.
Tableaux de fréquence :
3. Statistiques univariées
Exemple avec les données AE (effectifs d'une expérience) :
table() : calcule les effectifs pour chaque modalité.
Calcul des fréquences cumulées :
[Link](EFF = TE, EFFcum = cumsum(TE), Freq = TE / sum(TE),
FreqCum = cumsum(TE / sum(TE)))
Statistiques descriptives :
Moyenne : mean(AE)
Variance : var(AE)
Asymétrie (skewness)
4. Covariance et corrélation
Exemple :
5. Régression linéaire
Nuage de points et droite de régression :
Prédiction pour une valeur donnée :
6. Analyse de données catégorielles
Exemple : Sexe et couleur des yeux
Représentations graphiques :
Diagramme en barres :
barplot(T, main = "Répartition par Sexe et Couleur des Yeux", col =
c("blue", "green", "brown"))
Mosaic Plot :
mosaicplot(T, main = "Mosaic Plot : Sexe et Couleur des Yeux", col =
c("blue", "green", "brown"))
7. Test du Chi-2 pour l'indépendance
8. Manipulation de données avec dplyr
Installation et sélection de colonnes :
[Link]("dplyr")
library(dplyr)
data <- [Link](ID = 1:5, Nom = c("Alice", "Bob", "Charlie", "David",
"Eve"), Age = c(25, 30, 35, 40, 45))
data %>% select(Nom, Age)
Conclusion
Ces notions couvrent :
1. La manipulation de vecteurs pour gérer des données simples.
2. Les tables de contingence et les statistiques descriptives.
3. La régression linéaire pour prédire des variables.
4. L'analyse des variables catégorielles via des tests et graphiques.
5. La manipulation de données avancée avec dplyr.
Cela vous donne une base solide pour l'analyse statistique en R.
Ce code contient une séquence d'opérations statistiques et graphiques réalisées avec R
1. Tableaux de fréquence et proportions
table() : Crée un tableau de contingence.
[Link]() : Calcule les proportions par ligne ou colonne.
[Link]() : Calcule les totaux marginaux (lignes ou colonnes).
addmargins() : Ajoute des marges (totaux) à un tableau.
Exemple :
matable <- table(taille, poids)
tableauFreq <- matable / sum(matable) # Fréquences
addmargins(tableauFreq, FUN = sum, quiet = TRUE) # Totaux
2. Statistiques descriptives
mean() : Moyenne.
var() : Variance.
skewness() : Asymétrie (nécessite la bibliothèque moments).
cov() et cor() : Covariance et corrélation.
Exemple :
cov(X, Y) # Covariance entre X et Y
cor(X, Y) # Corrélation
3. Droite de régression linéaire
lm() : Ajuste un modèle linéaire.
abline() : Trace une droite de régression.
coef() : Retourne les coefficients du modèle.
plot() : Tracé des nuages de points.
Exemple :
modele <- lm(Consommation ~ Temperature)
abline(modele, col = "red")
4. Tableaux croisés et mosaïques
table() : Crée un tableau croisé.
[Link]() : Proportions par ligne ou colonne.
mosaicplot() : Crée un graphique de mosaïque.
Exemple :
T <- table(sexe, couleur_yeux)
mosaicplot(T, main = "Sexe vs Couleur des Yeux", col = c("blue", "green",
"brown"))
5. Tests statistiques
[Link]() : Test t pour comparaison de moyennes.
[Link]() : Test du Chi² pour les tableaux croisés.
[Link]() : Test de normalité.
Exemple :
[Link](revenu_hommes, revenu_femmes) # Comparaison des moyennes
[Link](ages) # Test de normalité
6. Visualisation
hist() : Histogramme.
boxplot() : Boîte à moustaches.
plot() : Tracé de graphiques de base.
barplot() : Diagramme en barres.
Exemple :
hist(ages, main = "Distribution des Âges", col = "skyblue", breaks = 5)
boxplot(age ~ sport, main = "Distribution de l'Âge par Sport", col =
"orange")
7. Manipulation de données avec dplyr
select() : Sélectionner des colonnes.
tapply() : Appliquer une fonction par groupe.
Exemple :
library(dplyr)
data %>% select(Nom, Revenu) # Sélectionner des colonnes spécifiques
resultat <- tapply(d$revenu, list(d$sexe, d$couleur_yeux), mean)
Si vous souhaitez approfondir une partie spécifique du code ou avez des erreurs à corriger,
n'hésitez pas à me le signaler ! 😊