Notions de base Fonction graphique Un peu de statistique Exercices

****** *** **

UNIVERSITÉ DE TOAMASINA

************************* *
ECOLE NORMALE SUPERIEURE
**************************

MENTION : ENSEIGNEMENT APPRENTISSAGE ET DIDACTIQUE EN

MATHEMATIQUES INFORMATIQUE

Cours L2 : EADMI-Introduction au logiciel R/Rstudio

Victor Alexis RATSIRAHONINA Introduction au logiciel-R

1
Notions de base Fonction graphique Un peu de statistique Exercices
****** *** **

Table des matières

Chapitre I GENERALITES ................................................................................................. 4

Historique .......................................................................................................................... 4

Définition du langage R ..................................................................................................... 5

Installation de R et d’un environnement de travail ............................................................. 6

Étapes pour installer un package en R ................................................................................ 6

Commandes d’aide en R .................................................................................................... 7

Espace de travail sous R .................................................................................................... 7

Problème possible .............................................................................................................. 9

Chapitre II NOTIONS DE BASE ...................................................................................... 12

Utiliser R comme une calculatrice ................................................................................... 12

Les variables.................................................................................................................... 12

Les vecteurs..................................................................................................................... 13

Les matrices .................................................................................................................... 14

Les listes en R ................................................................................................................. 19

Les data frames ................................................................................................................ 19

Importer et exporter des données en R ............................................................................. 24

Chapitre II NOTIONS SUR GRAPHIQUES SOUS R ....................................................... 27

La commande stripchart................................................................................................... 27

La commande dotchart.................................................................................................... 28

La commande plot .......................................................................................................... 28

La commande curve......................................................................................................... 39

La commande barplot ..................................................................................................... 39

La commande pie ............................................................................................................ 42

La commande hist............................................................................................................ 43

La commande boxplot .................................................................................................... 44

Victor Alexis RATSIRAHONINA Introduction au logiciel-R

2
Notions de base Fonction graphique Un peu de statistique Exercices
****** *** **

La commande abline ........................................................................................................ 46

La commande legend ....................................................................................................... 47

Chapitre III NOTIONS SUR LA STATISTIQUE SOUS R ................................................. 53

Moyenne, médiane, variance, écart-type .......................................................................... 54

Résumé statistique ........................................................................................................... 54

Histogramme et boxplot................................................................................................... 55

Corrélation ...................................................................................................................... 55

Régression linéaire simple ............................................................................................... 55

Chapitre IV EXERCICES ................................................................................................ 56

Exercice 1 : Calculs simples avec R ................................................................................. 56

Exercice 2 : Créer et manipuler un vecteur ....................................................................... 56

Exercice 3 : Travailler avec une matrice .......................................................................... 57

Exercice 4 : Créer un data frame ...................................................................................... 57

Exercice 5 : Résumé statistique ........................................................................................ 58

Exercice 6 : Corrélation simple ........................................................................................ 58

Exercice 7 : Histogramme et boxplot ............................................................................... 58

Exercice 8 : Barplot et pie chart ....................................................................................... 58

Exercice 9 : Régression linéaire simple ............................................................................ 59

Exercice 10 : Manipulation avec dplyr ............................................................................. 59

Exercice 11 : (manipulation de vecteurs) ......................................................................... 60

Exercice 12 : (manipulation de matrices) ......................................................................... 61

Exercice 13 : (manipulation de listes) .............................................................................. 62

Victor Alexis RATSIRAHONINA Introduction au logiciel-R

3
Notions de base Fonction graphique Un peu de statistique Exercices
****** *** **

Chapitre I GENERALITES

Historique

Le langage R est aujourd’hui reconnu comme l’un des outils les plus puissants et flexibles pour
la statistique appliquée, la visualisation de données et la data science. Son origine, son
développement et son adoption reflètent les évolutions majeures de l’analyse des données dans
le monde académique et professionnel.

1. Origine académique : du langage S au langage R

L’histoire de R commence dans les années 1970, aux Laboratoires Bell (États-Unis),
où le statisticien John Chambers développe le langage S (pour “Statistics”) dans le but
de fournir un langage de programmation dédié aux analyses statistiques interactives.
Ce langage devient populaire dans la communauté académique pour son approche
orientée objet et son extensibilité.
2. La naissance de R : 1993–1995
Dans les années 1990, deux chercheurs de l’Université d’Auckland, en Nouvelle-
Zélande — Ross Ihaka et Robert Gentleman — entreprennent de créer un langage
inspiré de S, mais totalement libre, gratuit et plus accessible à la communauté
scientifique.
Ils le nomment R, en référence à leurs prénoms (Ross et Robert), mais aussi comme
clin d'œil au langage S dont il s’inspire largement. R est publié sous licence GNU
GPL, ce qui permet sa libre distribution et modification.
Le projet devient rapidement collaboratif : une équipe appelée le R Core Team se
constitue pour piloter son développement.
3. L’infrastructure CRAN et la communauté
En 1997, les développeurs créent le CRAN (Comprehensive R Archive Network) qui
est une plateforme de diffusion libre des packages R, inspirée des dépôts de logiciels
libres. CRAN permet à la communauté de proposer et partager ses propres
bibliothèques (packages), ce qui va fortement accélérer l’adoption du langage.
Aujourd’hui, CRAN héberge plus de 19 000 packages (chiffre de 2025), couvrant un
vaste éventail de domaines scientifiques : statistiques, bio-informatique, écologie,
économie, santé publique, etc.

Victor Alexis RATSIRAHONINA Introduction au logiciel-R

4
Notions de base Fonction graphique Un peu de statistique Exercices
****** *** **

4. Adoption académique et essor industriel

Entre les années 2000 et 2010, R devient un standard dans l’enseignement
universitaire, notamment dans les formations de statistiques, mathématiques
appliquées, épidémiologie et sciences sociales.
Parallèlement, l’industrie commence à l’utiliser massivement dans les secteurs de la
finance, de la santé, de la technologie, et plus largement de la data science.
5. R : un pilier de la science des données
En 2025, R est considéré comme un langage de référence pour l’analyse statistique et
la visualisation de données :

 Utilisé par des institutions comme l’OMS, l’INSEE, l’ONU, la Banque mondiale
 Enseigné dans la majorité des universités dans le domaine scientifique
 Fortement intégré dans l’écosystème open-source et interopérable avec Python, SQL,
LaTeX, etc.
 Supporté par des outils modernes comme RStudio (devenu Posit)

Définition du langage R

R est un langage de programmation et un logiciel libre spécialement conçu pour :

 l’analyse statistique,
 la manipulation de données,
 la visualisation graphique,
 et la science des données (data science).

Il est gratuit, open-source, et largement utilisé dans les domaines scientifiques, académiques,
médicaux, économiques, et technologiques.

Ce que permet R :

 Effectuer des calculs statistiques (moyennes, régressions, tests, etc.),

 Travailler sur des tableaux de données (comme Excel, mais en plus puissant),
 Créer des graphiques professionnels (histogrammes, courbes, cartes, etc.),
 Automatiser des analyses avec des scripts,
 Utiliser des milliers de packages via CRAN pour presque tous les domaines
scientifiques.

Victor Alexis RATSIRAHONINA Introduction au logiciel-R

5
Notions de base Fonction graphique Un peu de statistique Exercices
****** *** **

Installation de R et d’un environnement de travail

1. Installer R
o Rendez-vous sur le site officiel du projet R : [Link]
o Téléchargez la version adaptée à votre système d’exploitation (Windows,
macOS, Linux).
o Installez R en suivant les instructions.
2. Installer RStudio (optionnel mais recommandé)
o RStudio est un environnement de développement intégré (IDE) très populaire
pour R.
o Téléchargez-le ici : [Link]
o Installez-le et ouvrez-le pour faciliter la programmation en R.
3. Premiers pas en R
o Ouvrez R ou RStudio.
o Dans la console, tapez des commandes simples comme :

Étapes pour installer un package en R

1. Lancer R
2. Choisir un miroir CRAN (la première fois seulement)
o Quand tu tapes [Link]("nom_du_package"), R te demande de choisir
un serveur (miroir).
o Sélectionne un miroir proche de ta localisation.
3. Installer le package
o La commande :

[Link]("nom_du_package")

4. Charger le package dans ta session

o Après installation, pour utiliser le package :

library(nom_du_package)

À partir de la deuxième fois, si tu as configuré un miroir par défaut ou si tu utilises la même

session, tu n’auras plus à choisir le miroir à chaque fois.

Victor Alexis RATSIRAHONINA Introduction au logiciel-R

6
Notions de base Fonction graphique Un peu de statistique Exercices
****** *** **

Commandes d’aide en R

1. help(plot)
Affiche la page d’aide complète de la fonction plot(). Utile pour comprendre comment
elle fonctionne, ses arguments, exemples, etc.
2. ?plot
C’est une version courte de help(plot). Elle affiche la même page d’aide.
3. [Link]("plot")
Recherche dans toute la documentation de R les occurrences du mot "plot". Utile pour
trouver des fonctions ou documents liés au terme.
4. ??plot
C’est la version courte de [Link]("plot"). Effectue une recherche dans la
documentation.
5. help([Link])
Affiche la page d’aide sur la fonction [Link]() elle-même.
6. help(help)
Affiche la page d’aide sur la fonction help().

Espace de travail sous R

1. Qu’est-ce que l’espace de travail ?

 C’est la mémoire active où sont stockés tous les objets que tu manipules dans ta session
R.
 Quand tu fermes R, tu peux choisir de sauvegarder cet espace pour le réutiliser plus
tard.

2. Visualiser les objets dans l’espace de travail

 Pour voir la liste des objets existants dans ta session :

ls()

ou

Victor Alexis RATSIRAHONINA Introduction au logiciel-R

7
Notions de base Fonction graphique Un peu de statistique Exercices
****** *** **

objects()

 Pour voir la structure détaillée d’un objet :

str(nom_objet)

3. Sauvegarder l’espace de travail

 Pour sauvegarder tous les objets de ta session dans un fichier .RData :

[Link](file = "mon_espace_de_travail.RData")

 Par défaut, si tu fermes R et que tu réponds « oui » à la question de sauvegarder l’espace

de travail, il sera sauvegardé dans un fichier nommé .RData dans le répertoire courant.

4. Charger un espace de travail

 Pour charger un espace de travail sauvegardé :

load("mon_espace_de_travail.RData")

5. Supprimer des objets de l’espace de travail

 Pour supprimer un ou plusieurs objets :

rm(nom_objet)
rm(list = ls()) # supprime tous les objets

6. Réinitialiser l’espace de travail

 Supprimer tous les objets pour repartir à zéro :

rm(list = ls())

Victor Alexis RATSIRAHONINA Introduction au logiciel-R

8
Notions de base Fonction graphique Un peu de statistique Exercices
****** *** **

Résumé rapide des commandes utiles

Action Commande

Voir les objets ls()

Supprimer un objet rm(nom_objet)

Supprimer tous les objets rm(list = ls())

Sauvegarder l’espace [Link]("[Link]")

Charger un espace load("[Link]")

Voir la structure d’un objet str(nom_objet)

Problème possible

L’utilisation de R peut parfois poser quelques problèmes techniques ou pratiques, surtout

quand on débute. Voici une liste des problèmes les plus fréquents et leurs solutions :

1. Package non installé ou non chargé

Problème :

Error in library(ggplot2) : there is no package called ‘ggplot2’

Cause : Le package n’est pas encore installé.

Solution :

[Link]("ggplot2")
library(ggplot2)

2. Chemin de fichier incorrect (problème de répertoire)

Problème :

Error in [Link]("[Link]") : no such file or directory

Cause : Le fichier n’est pas dans le bon répertoire de travail.

Solution :

Victor Alexis RATSIRAHONINA Introduction au logiciel-R

9
Notions de base Fonction graphique Un peu de statistique Exercices
****** *** **

 Vérifie le répertoire courant :

getwd()

 Change le répertoire :

setwd("C:/chemin/vers/ton/dossier")

3. Objet non trouvé

Problème :

Error: object 'x' not found

Cause : L’objet x n’existe pas ou a été supprimé.

Solution :

 Vérifie que l’objet est bien créé avec ls() ou str(x).

 Recrée-le si nécessaire.

4. Erreur de syntaxe

Problème :

Error: unexpected symbol in "x <- 5 y"

Cause : Oubli d’un point-virgule ou d’un retour à la ligne.

Solution :
Séparer correctement les instructions :

x <- 5
y <- 10

5. Problème de version de R ou de package

Problème :

Package incompatible ou erreur lors de l’installation.

Victor Alexis RATSIRAHONINA Introduction au logiciel-R

10
Notions de base Fonction graphique Un peu de statistique Exercices
****** *** **

Solution :

 Mets R à jour depuis [Link]

 Mets à jour les packages :

[Link](ask = FALSE)

6. Graphiques qui ne s’affichent pas

Problème :
Tu exécutes plot(x, y) mais aucun graphique ne s’affiche.

Solution :

 Vérifie que RStudio est bien ouvert en mode graphique.

 Ferme et rouvre RStudio.
 Ajoute print(plot(x, y)) dans certains cas (ex. dans une fonction).

7. Conflits entre packages

Problème : Deux packages ont une fonction du même nom.

Solution :
Utilise la syntaxe package::fonction pour préciser :

dplyr::filter(data, var > 10) # au lieu de filter() seul

8. Mémoire saturée ou lenteur

Problème : R devient lent ou se bloque.

Solution :

 Supprimer les objets inutiles :

rm(list = ls())

 Redémarrer la session R (dans RStudio : Ctrl + Shift + F10).

Victor Alexis RATSIRAHONINA Introduction au logiciel-R

11
Notions de base Fonction graphique Un peu de statistique Exercices
****** *** **

Chapitre II NOTIONS DE BASE

1-Utiliser R comme une calculatrice

R peut exécuter des opérations arithmétiques simples directement dans la console.

Opérateurs arithmétiques de Noms des opérateurs Exemples

base
+ Addition 2+3=5
- Soustraction 7 – 4 =3
∗ Multiplication 5 * 6=30
/ Division 8 / 2 =4
^ Puissance 2^3 =8
Sqrt() racine carrée sqrt(16) = 4
Log() logarithme népérien log(10) = 2.302585

2-Les variables

On stocke des valeurs dans des objets à l’aide de l’opérateur <- (ou =).

x <- 10 # affectation

y <- 5

z <- x + y # z vaut 15

Types de données de base

Type Exemple Vérification

Numérique x <- 3.14 [Link](x)

Entier x <- 4L [Link](x)

Booléen x <- TRUE [Link](x)

Caractère x <- "oui" [Link](x)

Victor Alexis RATSIRAHONINA Introduction au logiciel-R

12
Notions de base Fonction graphique Un peu de statistique Exercices
****** *** **

3-Les vecteurs
Un vecteur est une séquence de valeurs du même type. C’est la structure de base en R.

notes <- c(12, 15, 9, 18, 13) # c() signifie "combine"

Fonctions utiles :

length(notes) # longueur du vecteur

mean(notes) # moyenne

sum(notes) # somme

min(notes) # minimum

max(notes) # maximum

Indexation des vecteurs

notes[1] # premier élément

notes[3:5] # éléments 3 à 5

notes[-2] # tous sauf le 2ème

notes[notes > 12] # éléments supérieurs à 12

4-Les fonctions

Une fonction exécute une tâche spécifique. Elle s’écrit sous la forme :

nom_fonction(argument1, argument2, ...)

Exemples :

round(3.14159, digits = 2) # arrondir à 2 décimales

rep(2, times = 5) # répéter une valeur

seq(1, 10, by = 2) # séquence de 1 à 10 par pas de 2

Victor Alexis RATSIRAHONINA Introduction au logiciel-R

13
Notions de base Fonction graphique Un peu de statistique Exercices
****** *** **

5-Les matrices

a-Qu’est-ce qu’une matrice ?

Une matrice est une structure bidimensionnelle (lignes × colonnes) qui ne contient que des
valeurs du même type (généralement numériques).

b-Création d’une matrice

# Créer une matrice 3x3

m <- matrix(1:9, nrow = 3, ncol = 3)

print(m)

Pour remplir ligne par ligne, utilise byrow = TRUE :

m <- matrix(1:9, nrow = 3, byrow = TRUE)

c-Dimensions d’une matrice

dim(m) # Dimensions (lignes, colonnes)

nrow(m) # Nombre de lignes

ncol(m) # Nombre de colonnes

d-Extraction dans une matrice en R

1. Structure d'une matrice

En R, une matrice est un objet bidimensionnel (lignes et colonnes) contenant des données du
même type (par exemple : tous numériques).

Elle peut être indexée avec cette syntaxe :

matrice[i, j]

 i = l'indice de la ligne (ou les indices)

 j = l'indice de la colonne (ou les indices)

Victor Alexis RATSIRAHONINA Introduction au logiciel-R

14
Notions de base Fonction graphique Un peu de statistique Exercices
****** *** **

2. Types d’indexation possibles

a) Indexation par position

Utilisation des numéros des lignes et colonnes :

m[2, 3] # 2e ligne, 3e colonne

b-Indexation des éléments

m[1, 2] # Élément ligne 1, colonne 2

m[ , 1] # Première colonne

m[2, ] # Deuxième ligne

m[1, 2] # élément ligne 1, colonne 2

On peut aussi modifier un élément :

m[1, 1] <- 99

c) Indexation par nom

Si la matrice a des noms de lignes et colonnes, on peut les utiliser :

Exemple :

m["L2", "C3"] # Ligne nommée L2, colonne nommée C3

d) Indexation multiple

On peut extraire plusieurs lignes/colonnes avec un vecteur :

Exemple :

m[c(1, 3), c(2, 4)] # lignes 1 et 3, colonnes 2 et 4

3. Omissions

 Si on omet j (la colonne), on obtient toutes les colonnes de la ligne :

Exemple :

m[1, ] # toute la première ligne

 Si on omet i (la ligne), on obtient toutes les lignes de la colonne :

Exemple :

Victor Alexis RATSIRAHONINA Introduction au logiciel-R

15
Notions de base Fonction graphique Un peu de statistique Exercices
****** *** **

m[, 2] # toute la 2e colonne

4. Indexation logique (avancée)

On peut extraire selon des conditions :

Exemple :

m[Am> 10] # tous les éléments strictement > 10

Ou bien, extraire selon une condition sur une ligne ou colonne :

Exemple :

m[m[, "C2"] > 10, ] # lignes où la colonne C2 est > 10

Résumé :

Syntaxe Signification
m[i, j] Élément en ligne i, colonne j
m[i, ] Ligne i entière
m[, j] Colonne j entière
m["L2", "C3"] Avec noms de ligne et de colonne
m[c(1,3), c(2,4)] Sous-matrice
m[m > 10] Tous les éléments > 10 (en vecteur)

e-Nommage des lignes et colonnes :

rownames(m) <- c("L1", "L2", "L3")

colnames(m) <- c("C1", "C2", "C3")

Exemple :

> # Créer un vecteur avec les éléments de la matrice

> elements <- 1:16

> # Créer la matrice 4x4 en remplissant par ligne

> A <- matrix(elements, nrow = 4, ncol = 4, byrow = TRUE)

Victor Alexis RATSIRAHONINA Introduction au logiciel-R

16
Notions de base Fonction graphique Un peu de statistique Exercices
****** *** **

>

> # Afficher la matrice

> print(A)

[,1] [,2] [,3] [,4]

[1,] 1 2 3 4

[2,] 5 6 7 8

[3,] 9 10 11 12

[4,] 13 14 15 16

Victor Alexis RATSIRAHONINA Introduction au logiciel-R

17
Notions de base Fonction graphique Un peu de statistique Exercices
****** *** **

f-Opérations entre matrices

A <- matrix(1:4, nrow = 2)

B <- matrix(5:8, nrow = 2)

A+B # Addition élément par élément

A*B # Multiplication élément par élément

A %*% B # Multiplication matricielle (produit matriciel)

Conversion en matrice

Tu peux convertir un vecteur ou un data frame en matrice :

[Link](vecteur)

[Link](dataframe)

Exemple

notes <- matrix(c(12, 15, 10, 14, 9, 16), nrow = 2, byrow = TRUE)

colnames(notes) <- c("Math", "Info", "Stat")

rownames(notes) <- c("Alice", "Bob")

notes

g-Fonctions utiles

Fonction Description
t(A) Transposée de la matrice
det(A) le déterminant
sum(A) Somme de tous les éléments
rowSums(A) Somme par ligne
colSums(A) Somme par colonne
solve(A) Inverser de la matrice (si possible)

Victor Alexis RATSIRAHONINA Introduction au logiciel-R

18
Notions de base Fonction graphique Un peu de statistique Exercices
****** *** **

(A + A_transpose) / 2 une matrice symétrique

apply(A, 1, mean) Moyenne par ligne (1 = ligne)
apply(A, 2, mean) Moyenne par colonne (2 = colonne)

Exemple :

6-Les data frames

a- Qu’est-ce qu’un data frame ?

Un data frame est une table (comme un tableau Excel) dans laquelle :

 Chaque colonne peut être d’un type différent (numérique, caractère, booléen, etc.)
 Chaque colonne a un nom
 Chaque ligne représente une observation

Victor Alexis RATSIRAHONINA Introduction au logiciel-R

19
Notions de base Fonction graphique Un peu de statistique Exercices
****** *** **

b-Créer un data frame (Base R)

etudiants <- [Link](

nom = c("Alice", "Bob", "Chloe"),

age = c(21, 22, 20),

note = c(15, 13, 17)

print(etudiants)

c-Fonctions de base (Base R)

Fonction Utilité
str(df) Structure du data frame
summary(df) Statistiques descriptives
names(df) Noms des colonnes
nrow(df) / ncol(df) Nombre de lignes / colonnes
head(df) / tail(df) Voir les premières / dernières lignes
df$colonne Accès à une colonne
df[1, ] / df[, 2] Accès ligne / colonne

Indexation

etudiants[1, 2] # âge du premier étudiant

etudiants$note # vecteur des notes

etudiants[etudiants$note > 14, ] # lignes où note > 14

Victor Alexis RATSIRAHONINA Introduction au logiciel-R

20
Notions de base Fonction graphique Un peu de statistique Exercices
****** *** **

d-Les packages utiles pour manipuler les data frames

1. dplyr – Manipulation de données moderne

Package du Tidyverse, très utilisé pour filtrer, trier, transformer, résumer...

[Link]("dplyr")

library(dplyr)

Fonctions clés :

Fonction Description

filter(df, ...) Filtrer des lignes

select(df, ...) Sélectionner des colonnes

mutate(df, ...) Créer ou modifier une colonne

arrange(df, ...) Trier selon une ou plusieurs colonnes

summarise(df, ...) Résumer par des statistiques

group_by(df, ...) Grouper les données

Exemple :

library(dplyr)

etudiants %>%

filter(note > 14) %>%

arrange(desc(note)) %>%

mutate(admis = note >= 10)

2. tibble – Version améliorée du data frame

[Link]("tibble")

library(tibble)

Victor Alexis RATSIRAHONINA Introduction au logiciel-R

21
Notions de base Fonction graphique Un peu de statistique Exercices
****** *** **

 Affichage plus propre

 Pas de conversion automatique en factor

 Compatible avec dplyr

df <- tibble(

nom = c("Alice", "Bob"),

age = c(21, 22),

note = c(15, 13)

6-Les listes en R

6.1. Qu’est-ce qu’une liste ?

Une liste est une structure de données qui peut contenir des éléments de types différents
(nombres, chaînes de caractères, vecteurs, matrices, fonctions, etc.).
C’est une sorte de conteneur flexible

6.2. Création d’une liste

ma_liste <- list(nom = "Alice", age = 22, notes = c(14, 16, 15), matrice = matrix(1:4, nrow =
2))

print(ma_liste)

6.3. Accéder aux éléments d’une liste

Par nom :

ma_liste$nom # "Alice"

ma_liste$notes # vecteur c(14,16,15)

Par position (index numérique) :

Victor Alexis RATSIRAHONINA Introduction au logiciel-R

22
Notions de base Fonction graphique Un peu de statistique Exercices
****** *** **

ma_liste[[1]] # "Alice" (élément 1)

ma_liste[[3]] # c(14,16,15)

ma_liste[1] # liste contenant l'élément 1 (nom)

Extraire un sous-ensemble (liste d’un élément) avec un seul crochet :

ma_liste[1] # liste contenant l'élément 1 (nom)

Différence entre [ ] et [[ ]]

[ ] retourne une liste (sous-liste),

[[ ]] retourne l’objet contenu dans la liste.

Exemple :

class(ma_liste[1]) # "list"

class(ma_liste[[1]]) # "character"

6.4. Modifier une liste

ma_liste$age <- 23

ma_liste[["nom"]] <- "Bob"

Ajouter ou supprimer un élément

 Ajouter :

ma_liste$ville <- "Paris"

 Supprimer :
ma_liste$matrice <- NULL

7. Fonctions utiles avec les listes :

 length(ma_liste) : nombre d’éléments

 names(ma_liste) : noms des éléments
 str(ma_liste) : structure détaillée

Victor Alexis RATSIRAHONINA Introduction au logiciel-R

23
Notions de base Fonction graphique Un peu de statistique Exercices
****** *** **

 lapply(ma_liste, class) : classes des éléments

. Exemple :

info <- list( nom = "Claire", age = 25, notes = c(13, 17, 15), adresse = list(rue = "12 rue A",
ville = "Lyon"))

print(info$adresse$ville) # "Lyon"

8-Importer et exporter des données en R

Dans toute analyse de données, la première étape essentielle est de pouvoir accéder aux
données. Ces données peuvent provenir de diverses sources : fichiers CSV, Excel, bases de
données, fichiers texte, formats spécialisés, etc. R, en tant que langage puissant pour la
statistique et la data science, propose des outils pour importer ces données et ainsi les rendre
exploitables dans un environnement de travail.

Après traitement, analyse ou transformation, il est souvent nécessaire de partager,

sauvegarder ou transférer les résultats vers d’autres logiciels ou utilisateurs. Cela nécessite
alors d’exporter les données dans des formats standards.

[Link]

Importer des données : Lire des fichiers externes et convertir leur contenu en un
format compréhensible par R (généralement un data frame ou une autre structure de
données). L’objectif est de pouvoir manipuler, analyser et visualiser ces données
directement dans R.
Exporter des données : Enregistrer les données traitées dans un fichier externe,
souvent dans un format commun (CSV, Excel, etc.) pour assurer leur réutilisation en
dehors de R, que ce soit pour du reporting, un partage ou une sauvegarde.

8.2. Importation de données

Processus

 Identifier le format de fichier source (CSV, Excel, JSON, base de données, etc.).

Victor Alexis RATSIRAHONINA Introduction au logiciel-R

24
Notions de base Fonction graphique Un peu de statistique Exercices
****** *** **

 Utiliser la fonction adaptée (ex : [Link]() pour CSV, readxl::read_excel() pour

Excel) pour lire les données.

 Nettoyer et préparer les données importées (traiter les valeurs manquantes,

convertir les types, etc.).

 Vérifier que les données ont été correctement importées (aperçu, structure,

résumé).

Cas 1 : Fichier CSV (format le plus courant)

Avec Base R :

Avec le package readr (plus rapide, plus propre)

[Link]("readr")

library(readr)

data <- [Link]("chemin/vers/[Link]", sep = ",", header = TRUE)"

header = TRUE : première ligne contient les noms de colonnes

sep = "," : séparateur de colonnes (virgule)

Cas 2 : Fichier Excel (.xlsx)

Avec le package readxl

[Link]("readxl")

library(readxl)

data <- read_excel("chemin/vers/[Link]", sheet = 1)

le paramètre sheet = 1 signifie que R va lire la première feuille (onglet) du fichier Excel.

Cas 3 : Fichier texte (.txt, .tsv)

data <- [Link]("chemin/vers/[Link]", sep = "\t", header = TRUE)

Victor Alexis RATSIRAHONINA Introduction au logiciel-R

25
Notions de base Fonction graphique Un peu de statistique Exercices
****** *** **

Le paramètre sep = "\t" dans une fonction comme [Link]() signifie que le séparateur de
colonnes est une tabulation (tab).

7. 3. Exporter des données en R

Processus
Préparer les données à exporter (par exemple, filtrer ou transformer selon les besoins).
Choisir le format d’export (CSV, Excel, etc.) selon l’usage prévu.
Utiliser la fonction adaptée (ex : [Link]() pour CSV, writexl::write_xlsx() pour
Excel) pour enregistrer les données.
Vérifier que le fichier a bien été créé et que les données sont conformes.

1. Exporter en CSV
[Link](data, "chemin/vers/[Link]", [Link] = FALSE)
[Link] = FALSE indique à R de ne pas écrire les noms des lignes
(indices/numéros de ligne) dans le fichier exporté.
2. Exporter en Excel
Utiliser writexl ou openxlsx :
[Link]("writexl")
library(writexl)

write_xlsx(data, "chemin/vers/[Link]")

3. Exporter en fichier texte

[Link](data, "chemin/vers/[Link]", sep = "\t", [Link] = FALSE)

Victor Alexis RATSIRAHONINA Introduction au logiciel-R

26
Notions de base Fonction graphique Un peu de statistique Exercices
****** *** **

Chapitre III NOTIONS SUR GRAPHIQUES SOUS R

La visualisation des données est une étape cruciale dans toute analyse statistique. Elle permet
non seulement de mieux comprendre la structure et les tendances présentes dans un jeu de
données, mais aussi de communiquer les résultats de manière claire et intuitive. R, grâce à ses
nombreuses fonctions graphiques intégrées et à ses packages spécialisés, offre un large éventail
d’outils pour créer des graphiques variés et personnalisés.

Ce chapitre présente les notions fondamentales relatives à la création et à la manipulation des

graphiques sous R. Nous y aborderons les types de graphiques les plus courants (histogrammes,
graphiques en barres, diagrammes en boîte, nuages de points, etc.), ainsi que les principes de
base pour personnaliser l’apparence des graphiques (couleurs, légendes, axes, titres). L’objectif
est de donner les clés pour représenter visuellement les données de manière efficace, facilitant
ainsi l’interprétation et la communication des résultats.

. La commande stripchart
L’utilisation de base est stripchart(x), où x désigne un vecteur numérique. On affiche alors les
valeurs ordonnées des éléments de x sur un axe permettant de juger de la dispersion des valeurs.

Exemple :

x <- c(5, 7, 7, 8, 9, 10, 10, 10)

stripchart(x)

Cela renvoie :

Victor Alexis RATSIRAHONINA Introduction au logiciel-R

27
Notions de base Fonction graphique Un peu de statistique Exercices
****** *** **

2 La commande dotchart

L’utilisation de base est dotchart(x), où x désigne un vecteur numérique.

La valeur de chaque élément de x est affichée sur une ligne différente. Pour faciliter l’étude
de la dispersion des valeurs, il convient d’ordonner les valeurs.

dotchart(sort(x))

3 La commande plot
Utilisation de base

Victor Alexis RATSIRAHONINA Introduction au logiciel-R

28
Notions de base Fonction graphique Un peu de statistique Exercices
****** *** **

L’utilisation de base est plot(x, y), où x et y sont 2 vecteurs de même longueur. On construit
alors un nuage de points dont le i-ème point est de coordonnées (x[i], y[i]). Si un seul vecteur
y est indiqué, on un nuage de points dont le i-ème point est de coordonnées (i, y[i]).

On fait :

plot(x)

Cela renvoie :

Options graphiques

Il existe des options dans plot permettant de changer les paramètres graphiques. On les active
en rajoutant une ou plusieurs commandes dans plot. Par exemple, on fait :

plot(x, type = "l", lty = 2, axes = F, main = "poids des personnes")

Cela renvoie :

Victor Alexis RATSIRAHONINA Introduction au logiciel-R

29
Notions de base Fonction graphique Un peu de statistique Exercices
****** *** **

Quelques options sont présentées ci-dessous.

Option : type. On considère les commandes type = "c" si c = p, seul le nuage de point est
construit (p est l’option par défaut),

si c = n, seul l’encadrement est tracé,

si c = l, les points sont reliés par une ligne,

si c = h, des lignes verticales sont tracées, si c = o ou si c = b, les points sont marqués et reliés
par une ligne.

On considère les commandes :

plot(x, type = "o")

Victor Alexis RATSIRAHONINA Introduction au logiciel-R

30
Notions de base Fonction graphique Un peu de statistique Exercices
****** *** **

Option : xlab. Les commandes xlab = "string" et ylab = "string", où string est une chaine de
caractères, donnent un nom aux axes des coordonnées. Par défaut, ce sont les noms de x et y.

On considère les commandes :

plot(x, type = "b", xlab = "numero")

Cela renvoie :

Victor Alexis RATSIRAHONINA Introduction au logiciel-R

31
Notions de base Fonction graphique Un peu de statistique Exercices
****** *** **

Option : pch. Les commandes pch = n, où n est un entier ou un caractère, changent la nature
des points du graphique. On considère les commandes :

plot(x, pch = 4, xlab = "numero")

Victor Alexis RATSIRAHONINA Introduction au logiciel-R

32
Notions de base Fonction graphique Un peu de statistique Exercices
****** *** **

On fait :

plot(x, type = "b", pch = "a", xlab = "numero")

Cela renvoie :

Option : xlim. Les commandes xlim = c(a, b) et/ou ylim = c(a, b), où a et b sont deux nombres
réels, imposent des limites aux axes.

On considère les commandes :

plot(x, type = "l", xlab = "numero", xlim = c(-10, 10), ylim = c(0,15))

Victor Alexis RATSIRAHONINA Introduction au logiciel-R

33
Notions de base Fonction graphique Un peu de statistique Exercices
****** *** **

Option : col. Les commandes col = "string", où string est une couleur : red, yellow, green,
blue...ajoutent de la couleur.

On fait :

plot(X, pch = 10, xlab = "numero", col = "red")

Cela renvoie :

Victor Alexis RATSIRAHONINA Introduction au logiciel-R

34
Notions de base Fonction graphique Un peu de statistique Exercices
****** *** **

On peut aussi utiliser :

 des fonctions générant des couleurs par les commandes col = rainbow(n), col =
[Link](n), col = [Link](n), col = [Link](n), col = [Link](n), où n
désigne un en tier
 . des codes hexadécimaux avec les 2 premières uintés pour le rouge, les deux suivantes
pour le vert et les deux dernières pour le bleu : col = "#120019", col = "#123418", col
= "#1200FF".

Option : cex. Les commandes cex = l, où l est un réel positif, multiplient la taille des caractères
conte nus dans la fenêtre par l. De même, les commandes [Link] = l multiplient la taille des
caractères indiquant les étiquettes des axes par l.

On fait :

plot(x, pch = "a", xlab = "numero", cex = 3)

Cela renvoie :

Victor Alexis RATSIRAHONINA Introduction au logiciel-R

35
Notions de base Fonction graphique Un peu de statistique Exercices
****** *** **

Option : lty. Les commandes lty = m, où m est un entier, changent la nature des lignes qui
relient les points.

On considère les commandes :

plot(x, type = "l", lty = 2)

Victor Alexis RATSIRAHONINA Introduction au logiciel-R

36
Notions de base Fonction graphique Un peu de statistique Exercices
****** *** **

Option : axes. Les commandes axes = F effacent l’entourage de la fenêtre.

On fait :

plot(x, type = "l", lty = 2, axes = F)

Cela renvoie :

Option : main. Les commandes main = "string", où string est une chaîne de caractères, mettent
un titre au graphe.

On fait :

plot(x, type = "l", main = "test graphique")

Cela renvoie :

Victor Alexis RATSIRAHONINA Introduction au logiciel-R

37
Notions de base Fonction graphique Un peu de statistique Exercices
****** *** **

Option : lwd. Les commandes lwd = m, où m est un entier, changent l’épaisseur des lignes/traits
du graphe.

On fait :

plot(x, type = "l", lwd = 5)

Cela renvoie :

Victor Alexis RATSIRAHONINA Introduction au logiciel-R

38
Notions de base Fonction graphique Un peu de statistique Exercices
****** *** **

4 La commande curve

La commande curve sert à confectionner rapidement certaines courbes représentatives de

fonctions. On peut notamment l’utiliser pour représenter la densité et la fonction de répartition
des lois d’une variable à densité. Pour dessiner la courbe représentative d’une fonction f(x)
entre a et b, on fait : curve(f(x), a, b)

On considère les commandes :

curve(sin(x),-4, 10)

Cela renvoie :

5 La commande barplot

Utilisation de base Pour un vecteur x à n éléments, les commandes barplot(x) donnent n barres
verticales, la i-ème barre étant de hauteur proportionnelle à x[i].

On fait :

barplot(x)

Cela renvoie :

Victor Alexis RATSIRAHONINA Introduction au logiciel-R

39
Notions de base Fonction graphique Un peu de statistique Exercices
****** *** **

Utilisation en statistique

La commande barplot peut servir à :

 représenter la série brute de données issues d’une variable quantitative (quand l’effectif
n’est pas trop grand) en confectionnant un diagramme en barres ou un diagramme en
bandeaux.
 représenter la distribution d’une variable qualitative (en effectifs et/ou en fréquence).
On rappelle que cette distribution s’obtient en associant à chaque modalité mi que peut
prendre la variable, l’effectif ni et/ou la fréquence ni n. Dans ce cas, on a toujours en
abscisse, les modalités pouvant être prises par la variable et, en ordonnée, l’effectif ou
la fréquence.
On fait :
barplot(table(x))
Cela revoie

Victor Alexis RATSIRAHONINA Introduction au logiciel-R

40
Notions de base Fonction graphique Un peu de statistique Exercices
****** *** **

Option : space. Les commandes space = l, où l est un nombre réel, changent

l’écartement entre les barres qui seront espacées de l fois la largeur moyenne des barres.
On fait :
barplot(x, space = 3)
Cela revoie :

Option : horiz. Les commandes horiz = L, où L est TRUE ou FALSE, tracent les barres
à l’horizontale si L = TRUE et à la verticale sinon.

Victor Alexis RATSIRAHONINA Introduction au logiciel-R

41
Notions de base Fonction graphique Un peu de statistique Exercices
****** *** **

barplot(x, horiz = TRUE)

6. La commande pie
La commande basique est pie(x), où x est un vecteur de longueur l. Elle constitue un
diagramme à p secteurs. Elle est principalement utilisée pour représenter la distribution
d’une variable qualitative à l modalités.
On fait :
pie(table(x))
Cela renvoie :

Victor Alexis RATSIRAHONINA Introduction au logiciel-R

42
Notions de base Fonction graphique Un peu de statistique Exercices
****** *** **

7 La commande hist
La commande basique est hist(x) ou hist(x, prob = TRUE), où x est un vecteur de
longueur n.
Cette commande :

Victor Alexis RATSIRAHONINA Introduction au logiciel-R

43
Notions de base Fonction graphique Un peu de statistique Exercices
****** *** **

On fait :
hist(x)
Cela renvoie :

8 La commande boxplot
La commande basique est boxplot(x), où x est un vecteur de longueur n. Elle construit
la boîte à moustaches de x.
On fait :
boxplot(x)
Cela renvoie :

Victor Alexis RATSIRAHONINA Introduction au logiciel-R

44
Notions de base Fonction graphique Un peu de statistique Exercices
****** *** **

9. Avoir plusieurs graphiques sur la même fenêtre

Les commandes par(mfrow = c(k, l)), où k et l sont des entiers, servent à découper l’écran en
k lignes et l colonnes. Lorsque plusieurs commandes créant un graphique se succèdent, ces
graphiques se positionnent par ligne sur les cases ainsi créées.

Si on veut qu’ils se positionnent par colonne, on fait par(mfcol = c(k, l))

On fait :

par(mfrow = c(2, 1))

hist(x)

plot(x)

Cela renvoie :

Victor Alexis RATSIRAHONINA Introduction au logiciel-R

45
Notions de base Fonction graphique Un peu de statistique Exercices
****** *** **

10. La commande abline

 abline(h = y) trace une ligne horizontale de coordonnée y,
 abline(v = x) trace une ligne verticale de coordonnée x,
 abline(a, b) trace la droite d’équation : y = a +bx.

On fait :

plot(x)

abline(h = 7)

Cela renvoie :

Victor Alexis RATSIRAHONINA Introduction au logiciel-R

46
Notions de base Fonction graphique Un peu de statistique Exercices
****** *** **

11. La commande legend

Les commandes legend(x, y, legend) ajoutent une légende de contenu legend au point de co
ordonnées (x, y).

On fait :

plot(x, type = "l") # Assure-toi que 'x' est bien défini avant

lines(c(2, 3, 5), c(5, 7, 10), col = "red")

legend("topleft", legend = c("Valeurs de x", "ajout"), fill = c("black", "red"))

Cela renvoie :

Victor Alexis RATSIRAHONINA Introduction au logiciel-R

47
Notions de base Fonction graphique Un peu de statistique Exercices
****** *** **

Autres options de position de légende :

 "topright" — en haut à droite

 "bottomleft" — en bas à gauche
 "bottomright" — en bas à droite

Tu peux aussi ajuster la position manuellement avec des coordonnées (x, y) si tu veux un
placement très précis.

Par exemple :

legend(x = 2, y = 10, legend = c("Valeurs de x", "ajout"), fill = c("black", "red"))

Victor Alexis RATSIRAHONINA Introduction au logiciel-R

48
Notions de base Fonction graphique Un peu de statistique Exercices
****** *** **

De nombreuses librairies, non présentées ici, permettent de faire des graphiques évolués. Citons
entre autre graphics, lattice, grid et plotrix. On termine avec un simple et joli camembert
utilisant la librairie plotrix :

Exemple 1 :

# Installer le package plotrix s'il n'est pas encore installé

# [Link]("plotrix")

# Charger la librairie

library(plotrix)

# Créer un vecteur de couleurs (catégories)

couleur <- c("Rouge", "Vert", "Rouge", "Jaune", "Vert", "Vert", "Noir", "Jaune", "Rouge")

# Compter les occurrences de chaque couleur

donnees <- table(couleur)

Victor Alexis RATSIRAHONINA Introduction au logiciel-R

49
Notions de base Fonction graphique Un peu de statistique Exercices
****** *** **

# Créer un vecteur de couleurs avec les bons noms associés

couleurs_correctes <- c("Jaune" = "yellow",

"Noir" = "black",

"Rouge" = "red",

"Vert" = "green")

# Afficher le camembert 3D avec noms + couleurs correctes

pie3D(donnees,

labels = names(donnees), # Afficher noms des couleurs

explode = 0.1, # Séparer les parts

labelcex = 1.2, # Taille des étiquettes

main = "Répartition des couleurs", # Titre

col = couleurs_correctes[names(donnees)]) # Couleurs bien associées

Explication :

 table(couleur) : compte combien de fois chaque couleur apparaît.

 pie3D(...) : crée un camembert 3D.
 explode = 0.1 : donne un effet "éclaté" à chaque part.
 labelcex = 1.2 : augmente la taille des étiquettes.
 col = ... : donne des couleurs précises aux parts (en anglais, reconnues par R).

Voici leur graphe :

Victor Alexis RATSIRAHONINA Introduction au logiciel-R

50
Notions de base Fonction graphique Un peu de statistique Exercices
****** *** **

Autres exemple :

# Vecteurs

noms_couleurs <- c("Noir", "Vert", "Rouge", "Jaune")

valeurs <- c(5, 8, 3, 6)

couleurs <- c("black", "green", "red", "yellow") # Couleurs reconnues par R

# Diagramme en barres

barplot(valeurs,

[Link] = noms_couleurs,

col = couleurs,

main = "Quantité par couleur",

ylab = "Quantité",

Victor Alexis RATSIRAHONINA Introduction au logiciel-R

51
Notions de base Fonction graphique Un peu de statistique Exercices
****** *** **

xlab = "Couleur")

# Légende en haut à gauche

legend("topleft",

legend = noms_couleurs,

fill = couleurs,

title = "Légende des couleurs")

Leur graphe :

Victor Alexis RATSIRAHONINA Introduction au logiciel-R

52
Notions de base Fonction graphique Un peu de statistique Exercices
****** *** **

Chapitre IV NOTIONS SUR LA STATISTIQUE SOUS R

La statistique constitue la base essentielle de l’analyse de données, fournissant des méthodes

rigoureuses pour résumer, interpréter et tirer des conclusions fiables à partir des informations
collectées. Le langage R, reconnu pour sa puissance en statistiques, met à disposition une
multitude de fonctions et de packages adaptés à différents types d’analyses, qu’elles soient
descriptives, inférentielles ou exploratoires.

Ce chapitre présente les notions fondamentales de la statistique appliquée avec R. Il vise à

équiper l’utilisateur des outils nécessaires pour réaliser des analyses statistiques simples et
efficaces, tout en facilitant la compréhension des phénomènes étudiés. Nous aborderons
notamment :

1. Le calcul des principales mesures statistiques : moyenne, médiane, variance, écart-

type, permettant de synthétiser la distribution des données.
2. Le résumé statistique d’un jeu de données, pour obtenir une vue d’ensemble rapide
et complète.
3. La visualisation des données à travers des graphiques tels que l’histogramme et le
boxplot, indispensables pour détecter des tendances, dispersions et anomalies.
4. L’étude de la corrélation entre deux variables, afin de mesurer et comprendre leurs
relations.
5. La mise en œuvre d’une régression linéaire simple, pour modéliser et prédire des
relations linéaires entre variables.

Victor Alexis RATSIRAHONINA Introduction au logiciel-R

53
Notions de base Fonction graphique Un peu de statistique Exercices
****** *** **

1. Moyenne, médiane, variance, écart-type

2. Résumé statistique

Victor Alexis RATSIRAHONINA Introduction au logiciel-R

54
Notions de base Fonction graphique Un peu de statistique Exercices
****** *** **

3. Histogramme et boxplot

4. Corrélation

5. Régression linéaire simple

Victor Alexis RATSIRAHONINA Introduction au logiciel-R

55
Notions de base Fonction graphique Un peu de statistique Exercices
****** *** **

Chapitre V EXERCICES

Exercice 1 : Calculs simples avec R

1. Calcule les opérations suivantes dans la console R :

o 12 + 8
o 45 / 5
o 2^6
o sqrt(49)
o log(100)

Exercice 2 : Créer et manipuler un vecteur

1. Crée un vecteur ages <- c(20, 25, 22, 28, 24, 21)
2. Calcule :
o La moyenne (mean)

Victor Alexis RATSIRAHONINA Introduction au logiciel-R

56
Notions de base Fonction graphique Un peu de statistique Exercices
****** *** **

o La somme (sum)
o Le maximum et minimum
o Le nombre de valeurs supérieures à 23

Exercice 3 : Travailler avec une matrice

1. Crée la matrice suivante (remplie par ligne) :

notes <- matrix(c(12, 15, 14, 9, 13, 16), nrow = 2, byrow = TRUE)

rownames(notes) <- c("Alice", "Bob")

colnames(notes) <- c("Math", "Info", "Stat")

Calcule :

 La somme des notes d’Alice

 La moyenne par colonne
 La note de Bob en Stat

Exercice 4 : Créer un data frame

1. Crée un data frame nommé etudiants

etudiants <- [Link](

nom = c("Claire", "David", "Emma"),

age = c(23, 24, 22),

note = c(15, 12, 17)

Affiche :

 La structure du data frame (str)

 Les étudiants ayant une note > 14
 La note de David

Victor Alexis RATSIRAHONINA Introduction au logiciel-R

57
Notions de base Fonction graphique Un peu de statistique Exercices
****** *** **

Exercice 5 : Résumé statistique

Avec le vecteur notes <- c(14, 16, 13, 15, 12, 18, 17), calcule :

1. La moyenne, médiane
2. La variance (var) et l’écart-type (sd)
3. Résumé avec summary(notes)

Exercice 6 : Corrélation simple

Crée deux vecteurs :

dtaille <- c(160, 165, 170, 175, 180)

poids <- c(50, 55, 60, 70, 75)eux vecteurs :

Trace le nuage de points (plot(taille, poids))

Calcule la corrélation avec cor(taille, poids)

Exercice 7 : Histogramme et boxplot

1. Crée un vecteur notes <- c(12, 15, 13, 16, 14, 17, 18, 10)
2. Affiche :
o Un histogramme avec hist(notes)
o Une boîte à moustaches avec boxplot(notes)

Exercice 8 : Barplot et pie chart

1. Crée un vecteur de couleurs :

couleur <- c("Rouge", "Vert", "Jaune", "Rouge", "Vert", "Rouge", "Noir")

Affiche :

 Un diagramme en barres : barplot(table(couleur))

 Un camembert : pie(table(couleur))

Victor Alexis RATSIRAHONINA Introduction au logiciel-R

58
Notions de base Fonction graphique Un peu de statistique Exercices
****** *** **

Exercice 9 : Régression linéaire simple

1. Avec les mêmes vecteurs taille et poids de l’exercice 6 :

modele <- lm(poids ~ taille)

summary(modele)

Ajoute la droite de régression au graphique :

plot(taille, poids)

abline(modele, col = "blue")

Exercice 10 : Manipulation avec dplyr

1. Installe et charge le package dplyr

2. Reprends le data frame suivant :

library(dplyr)

etudiants <- [Link](

nom = c("Claire", "David", "Emma", "Lucas", "Noah"),

age = c(23, 24, 22, 25, 21),

note = c(15, 12, 17, 10, 14)

Effectue les opérations :

 Filtrer les étudiants avec note ≥ 14

 Trier par ordre décroissant des notes
 Ajouter une colonne mention : "Admis" si note ≥ 10, sinon "Ajourné"

Victor Alexis RATSIRAHONINA Introduction au logiciel-R

59
Notions de base Fonction graphique Un peu de statistique Exercices
****** *** **

Exercice 11 : (manipulation de vecteurs)

Victor Alexis RATSIRAHONINA Introduction au logiciel-R

60
Notions de base Fonction graphique Un peu de statistique Exercices
****** *** **

Exercice 12 : (manipulation de matrices)

Victor Alexis RATSIRAHONINA Introduction au logiciel-R

61
Notions de base Fonction graphique Un peu de statistique Exercices
****** *** **

Exercice 13 : (manipulation de listes)

Victor Alexis RATSIRAHONINA Introduction au logiciel-R

62
Notions de base Fonction graphique Un peu de statistique Exercices
****** *** **

Référence

Chambers, J. M. (1998). Programming with Data: A Guide to the S Language. Springer.

Chesneau, C. (2016). Introduction aux graphiques avec R [Mémoire de licence, France]. HAL
Archives ouvertes. [Link]

CRAN – Comprehensive R Archive Network. [Link]

Dalmasso, C. (2023, juin 5-7). Introduction au logiciel R [Support de formation doctorale,

Laboratoire de Mathématiques et Modélisation d’Évry (LaMME), Université Paris-Saclay,
CNRS, Université d’Évry].
Email : [Link]@[Link]

Déjean, S. (s.d.). Page personnelle de Sébastien Déjean. Institut de Mathématiques de

Toulouse, Université Paul Sabatier (Toulouse III). [Link]

Goulet, V., & Caron, L. (2018, mars 10). Cours complet pour débutants pour apprendre la
programmation en R.

Ihaka, R., & Gentleman, R. (1996). R: A Language for Data Analysis and Graphics. Journal
of Computational and Graphical Statistics, 5(3), 299–314.

Jacques, J. (2018, octobre 22). Introduction à R.

Mazerolle, M. J. (s.d.). Statistiques appliquées aux sciences : Programmation avec R – notions

générales [Cours SCI 1018, Institut de recherche sur les forêts, Université du Québec en
Abitibi-Témiscamingue].

Philippe, A. (2018, janvier 22). Notes de cours sur le logiciel R [Support de cours, Université
de Nantes, Laboratoire de Mathématiques Jean Leray].

Wickham, H., & Grolemund, G. (2017). R for Data Science. O’Reilly Media.

Victor Alexis RATSIRAHONINA Introduction au logiciel-R

63
Notions de base Fonction graphique Un peu de statistique Exercices
****** *** **

Victor Alexis RATSIRAHONINA Introduction au logiciel-R

64