INTRODUCTION AU LOGICIEL R

Année Académique:
2025/2026
Niveau:
C2A1- IIA : Cycle 2, Année 1
Filière : Master Actuariat, 1ère année
IIA– Yaoundé, Cameroun

WANSOUWE WANBITCHING, PhD.

1
Informations générales
— Intitulé : Introduction à R
◦ Cours magistral : 5 heures
◦ Travaux dirigés / TP : 5 heures

—Éléments constitutifs de l'Unité d'Enseignement

◦ Cours magistral : soyez attentifs!
◦ Travaux Dirigés : Exercices
◦ Travail Personnel de l'étudiant

—Organisation des évaluations

◦ Exercices et Travaux Pratiques
◦ Questions de cours
◦ Parfois des QCM

—Types d'évaluation
◦ Projet : en binômes

2
Plan
o Chapitre 1: Généralités sur R
ü Introduction
ü Objets de R
o Chapitre 2 : Langage R
ü Structures de données
ü Fonctions
o Chapitre 3 : R et Statistiques
ü Manipulation des données
ü Tests statistiques

3
Pourquoi ce cours ?

L’objet de ce cours est d’initier les

apprenants à l’utilisation du logiciel R
pour l’analyse et le traitement des
données statistiques.

Ce cours doit être compris comme une

introduction à….

4
 Bibliographie

— Pierre-André Cornillon et al. (2012). Statistiques avec R,

3e édition revue et augmentée, Presses universitaires de
Rennes.

— Pierre Lafaye de Micheaux, Rémy Drouilhet, Benoît Liquet

(2014). Le logiciel R : Maîtriser le langage – Effectuer des
analyses statistiques, 2e édition, Springer.

— Crawley, M.J. (2013). The R book, 2e edition, Wiley.

5
Chapitre 1 : Généralités sur R

6
 I. Introduction – 1. Présentation
R est un système d’analyse statistique et graphique
créé par Ross Ihaka et Robert Gentleman1

•Logiciel gratuit téléchargeable

[Link]
•Développé par une communauté de statisticiens
rassemblés dans le R Development Core Team
•Distribué pour Windows, Linux, Unix, Macintosh

1 7
Ikaha Ross, Gentleman Robert. 1996. R: a language for data analysis and graphics. J. Comput. Graph. Stat., 5: 299-314.
[Link]

Liens pour télécharger

(gratuitement) R, des
packages, de la doc,
etc…

Moteur de recherche

Documentation

8
•R peut être couplé à d’autres systèmes
d’analyse de données (système d’analyse
spatiale GRASS …)

Représentation graphique des données Analyse des structures spatiales

• Le principal inconvénient est un manque de

convivialité

9
Pour vous guider, vous disposez de nombreux sites d’aide
et d’exemples sur internet, par exemple :

[Link]
[Link]

En cas de difficultés, il est possible d’adresser vos

questions à la R help list
[Link]
10
 De nombreux tutoriels sont également disponibles sur internet, par exemple :
« R pour les débutants », Emmanuel « An introduction to R », Venables et
Paradis al (en anglais)

D’autres sont disponibles sur le site de R-project :

[Link]
11
2. Utilisation de R

R peut être utilisé de deux manières

ü Console de calcul

ü Script de programmation

12
Bienvenue dans la console R…

13
 2.1. Le Répertoire de travail
• Il est indispensable avant tout travail dans R, de
spécifier le dossier de travail dans lequel se trouve le
(ou les) fichier(s) de données à analyser :

File → Change Dir… → sélectionner le dossier*

Ou pour la version française :
Fichier → Changer le répertoire courant… →
sélectionner le dossier*

• L’on peut contrôler le working directory, le

répertoire de travail : getwd() et le
changer par setwd() 14
 2.2. Aide et commandes sous R
Syntaxe pour obtenir l’aide sur une commande :
?nom_commande ou help(‘nom_commande’)

Syntaxe pour utiliser une commande :

nom_de_la_commande(argument1,argument2,…)15
 Enregistrement du travail
Dans la console R
1 Dans un éditeur 2.2. Sauver
2.1. votre historique de
sauver votre script
commande.

Sauver votre environnement de

travail cad tous les objets créés au
cours de votre travail. 16
Rstudio : un IDE

17
II. Les objets de R

R manipule différents types d’objets:

o Les vecteurs
o Les matrices
o Les listes
o Les facteurs
o Les dataframes

18
Les opérateurs arithmétiques
Assignation : =, <-, –> ou assign
Addition : +
Soustraction : -
Division : /
Multilplication : *
Puissance : ** ou ^

19
II.1. Les vecteurs
Syntaxe d’assignation d’un vecteur
Assigner un vecteur :
• x <- c(x1, x2, …, xn)
Ou
• assign("x", c(x1, x2, …, xn))
Ou
• c(x1, x2, …, xn) –> X
Exemples
• x <- c(-1,1,0,4)
• c(-1,1,0,4)->x
• assign("x",c(-1,1,0,4))

20
Accès aux éléments d’un vecteur
o Le ième élément de x est : x[i]
o L’indice commence par 1

Exemple :
Soit x = c(-1,1,0,4)

x[1] -------- > -1

x[3] -------- > 0
x[-2] -------- > -1 0 4 * Ici on retire le 2ième élément*
x[c(1,3)] --- > -1 0 * Ici on extrait un sous-vecteur*

21
Manipulations des vecteurs
Concaténation de vecteurs
Soient x,y deux vecteurs

> z <- c(x,y)

Forme un vecteur composé des éléments de x
puis ceux de y.

> t <- c(x,0,y,1)

Forme t en mettant les éléments de x, puis 0
puis ceux de y puis la valeur 1

22
Manipulations des vecteurs
o Inverse
> m <- 1/x
m contient les inverses des éléments de x.

o Ajout d’une constante

> n <- x+2
n contient les valeurs de x ajoutées de 2, etc..

o Somme de deux vecteurs

Si x et y ont même longueur, alors
> b <-x+y met dans b la somme des éléments de x et y
b[i]=x[i]+y[i]

Sinon, le plus court est complété automatiquement de façon

cyclique 23
Manipulations des vecteurs
o Exemple de somme de deux vecteurs

> x =c(1:5) -------- > x :1 2 3 4 5

> y =c(1,2) ----------> y :1 2

> x+y -------- > 2 4 4 6 6

En effet, pour calculer x+y, on a :

x :1 2 3 4 5

y :1 2 1 2 1
24
Création de vecteurs avec seq
Le mot clé seq permet de créer des vecteurs
Syntaxe : seq(from,to, by) / seq(from,to, length)
x <- seq(1, 30) équivalent à x <- 1:30

x <- seq(30,1) crée le vecteur 30, 29, …,1

>x <- seq(-5, 5, by=2) : par pas de 2.

> x<-seq(1,6,length=5) : de longueur 5.

25
Création de vecteurs avec rep
Le mot clé rep permet de créer des vecteurs
par répétition
Syntaxe : rep(object , times, each,…)

Exemple :
> y<-rep(c(2,7,9),each=2)
> y<-rep(c(2,7,9),c(2,3,2))
N.B. On peut également avoir des vecteurs de
chaines de caractère.

Z<-c("nom","prénom","age") 26
[Link] matrices - création
Création des matrices
Les matrices sont créées avec la fonction matrix() à
partir d'un vecteur.

On doit fixer le nombre de colonnes ncol et/ou le

ombre de lignes nrow.

Exemple
o H <-matrix(1:20,nrow=4,ncol=5)

1 5 9 13 17
2 6 10 14 18
3 7 11 15 19
4 8 12 16 20
27
Les matrices avec array()
La fonction array() permet également de créer des
matrices.

Exemple

Ø H <- array(1:20, dim=c(4,5))

1 5 9 13 17
2 6 10 14 18
3 7 11 15 19
4 8 12 16 20

28
 Les matrices – le remplissage
Par défaut la matrice est remplie colonne par
colonne.
Pour remplir ligne par ligne, on ajoute l'argument
byrow=T
>H<-matrix(1:20,nrow=4,ncol=5, byrow=T)
1 2 3 4 5
6 7 8 9 10
11 12 13 14 15
16 17 18 19 20
On peut renommer les colonnes et les lignes
> colnames(H) = c(‘a’, ‘b’, ‘c‘, ’d’, ‘e’)
29
 Accès aux éléments d’une matrice
H[i,j] : élément à la ième ligne et jème colonne

H[i,] : ième ligne

H[,j] : jème colonne

Exemples
> H[1,5] ------------ > 5
> H[2,] ------------- > 6 7 8 9 10
> H[,5] -------------- > 5 10 15 20

30
Manipulations des matrices

Les fonctions classiques calculent élément par

élément.
Exemple
Ø exp(H) : renvoie une matrice constituée des
éléments de l’exponentiel de chaque
élément de H.

>A+B; A*B; A-B : somme, produit,

soustraction élément par élément
31
Manipulations des matrices

> A%*%B : produit matriciel

> solve(A) : inverse de A
> solve(A,b) : solution de l’équation Ax=b

32
 II.3. Liste
Une liste est une collection d’objets éventuellement
hétérogènes. Elle est définie par la commande
list(el1=, el2=, ...).
>list(c(1,2,3),c("robert","johnson"),matrix(rnorm(4),2,2)
)
[[1]]
[1] 1 2 3
[[2]]
[1] "robert" "johnson"
[[3]]
[,1] [,2]
[1,] 0.2913862 0.3303319
[2,] -1.4849716 2.4071609 33
Liste : définition
Les éléments d’une liste peuvent posséder un nom.
> list(numero = c(1,2,3), noms =
c("robert","johnson"), mat = matrix(rnorm(4),2,2))
$numero
[1] 1 2 3
$noms
[1] "robert" "johnson"
$mat
[,1] [,2]
[1,] 1.4355363 -0.8544773
[2,] 0.6386084 1.9803265
34
II.4. Facteurs
—Définition
Un facteur est un vecteur de variables catégorielles.
Les niveaux du facteur peuvent être ordonnés ou
pas.

— Utilisation
Les facteurs s’utilisent pour catégoriser les
données d’un vecteur (ce qui s’avère très utile
pour la gestion des variables qualitatives).

un facteur est souvent associé à d’autres

vecteurs pour en définir une partition.

35
 Création, manipulation des facteurs
— Création : la fonction factor
> factor(sample(1:3, 10, replace = TRUE))
[1] 3 3 1 2 1 2 3 1 1 1
Levels: 1 2 3
> factor(sample(1:3, 10, replace = TRUE), levels = 1:5)
[1] 3 1 2 2 3 2 1 2 2 1
Levels: 1 2 3 4 5
• Gestion : nlevels,levels,table
> x <- factor(sample(c("thesard", "CR", "MdC"), 15, replace = TRUE))
> cat(nlevels(x), "niveaux:", levels(x))

3 niveaux: CR MdC thesard

> table(x)
x
CR MdC thesard
4 8 3
36
Un exemple de facteur associé à un vecteur
—Données
Chacun me donne son âge et son grade
> age <- c(25, 35, 32, 27, 32, 40, 26, 25, 26, 28,
30, NA, 36,30, 30)
> grd <- c("thd", "CR", "MdC", "thd", "thd", "MdC",
"MdC", "thd“, "thd", "MdC", "CR", "MdC", "CR", "thd",
"thd")
Question : nombre d’individus par catégorie ?
> table(grd)
grd
CR MdC thd
3 5 7

37
II.5. Dataframe
Définition
C’est une liste à laquelle on impose certaines
contraintes, afin de rassembler vecteurs et
facteurs sous la forme d’un tableau de
données.
— Pratiquement, un dataframe est une matrice
dont les colonnes sont de mode différent,
— C’est l’objet idéal pour la manipulation de
données.

38
Création de tableau de données
— Syntaxe
On peut spécifier le nom des colonnes par le vecteur [Link] ou
directement comme pour une liste :
[Link](e1=,e2=,...,[Link]=)
> age <- c(25, 35, 32, 27, 32, 40, 26, 25, 26, 28, 30, NA, 36, 30, 30)
> grd <- c("thd", "CR", "MdC", "thd", "thd", "MdC", "MdC", "thd",
"thd", "MdC", "CR", "MdC", "CR", "thd", "thd")
> sex <- factor(sample(c(rep("M", 3), rep("F", 12))))
> donnees <- [Link](age = age, grade = grd, sexe = sex)
> head(donnees)
age grade sexe
1 25 thd F
2 35 CR M
3 32 MdC F
4 27 thd F
5 32 thd F
6 40 MdC F

39
Manipulation du tableau de données
— Comme une liste !
— les commandes attach() / detach placent / ôtent
les éléments du tableaux de données dans
l’itinéraire de recherche.
> donnees$age
[1] 25 35 32 27 32 40 26 25 26 28 30 NA 36 30
30
> attach(donnees, [Link] = FALSE)
> grade
[1] thd CR MdC thd thd MdC MdC thd thd MdC
CR MdC CR thd thd
Levels: CR MdC thd
> detach(donnees)

40
Travailler avec les tableaux de données
— beaucoup de fonctions prédéfinies (by, tapply, etc.)
> summary(donnees)
age grade sexe
Min. :25.00 CR :3 F:12
1st Qu.:26.25 MdC:5 M: 3
Median :30.00 thd:7
Mean :30.14
3rd Qu.:32.00
Max. :40.00
NA's : 1.00
> attach(donnees, [Link] = FALSE)
> by(age, sexe, mean, [Link] = TRUE)
> by(age, grade, mean, [Link] = TRUE)
41
 La fonction tapply
Un autre point fort de R
—Utilisation
Applique une fonction sur un vecteur partitionné en
groupes.

— Question : âge moyen / écart-type par catégorie ?

> tapply(age, grd, mean, [Link] = TRUE)
CR MdC thd
33.66667 31.50000 27.85714
> tapply(age, grd, sd, [Link] = TRUE)
CR MdC thd
3.214550 6.191392 2.794553
42
Chapitre 2: Langage R

43
Rappels

1. Un éditeur de texte
(vos fonctions / scripts)

2. Un terminal avec R
(tester, sourcer)
« Sourcer »
source("un_script.R") : exécute la série
de commandes de mon_script.R
source("mes_fonctions.R") : charge le
contenu (les fonctions) de
mes_fonctions.R
44
2.1. Les types de données
R manipule les types de données de base :
— Numérique : numeric (integer, double)
a=1 b = 1.4
— Complexe : complex
z = 1+2i
— Booléen : logical
c = [Link](z)
— Chaines de caractères: character
p = ‘prenom’
Les fonctions mode() ou typeof() renvoient le type
45
 2.2. Structure de contrôles
Regrouper les expressions : Syntaxe
{expr_1; expr_2; ...; expr_n }
ou
{
expr_1
...
expr_n
}
Remarques sur les groupes
o La dernière valeur du groupe est retournée ;
o Un groupe d’expressions peut être passé à une fonction,
réutilisé dans une expression plus grande, etc.
46
Exécution conditionnelle : if,if/else,ifelse
— Syntaxe
if (condition) {
expr_1
} else {
expr_2
}
ou
ifelse(condition, a, b)
Remarques
o condition est une valeur logique : penser à &,|,!, . . .
o le else est optionnel,
o elseif permet d’imbriquer les conditionnements.

47
Application : calcul du prix TTC

# demander le prix ht
print("saisir prix ht")
ht <- scan()
#type de produit
print("type de produit : 1 - luxe, autre -
normal")
typprod <- scan()
#calcul du prix ttc 48
#calcul du prix ttc
if (typprod == 1)
{
tva <- 0.33
} else
{
tva <- 0.196
}
#calcul
ttc <- ht * (1 + tva)
#affichage
print(paste("prix ttc = ", [Link](ttc)))
49
Exécution répétée: boucle for
— Syntaxe
for (var in set) {
expr(var)
}
ou
for (var in set)
expr(var)
à fuir pour éviter les effets de bords sournois !
Remarques sur la boucle for
o var est la variable incrémentée,
o set est un vecteur définissant les valeurs
successives,
o lente comparée aux opérateurs matriciels.
50
 Application : calcul de la somme
# A faire : somme S = SUM_i i^2
# saisie de n
n <- scan()
# initialisation de la somme
s <- 0.0
# boucle for
for (i in 1:n){
s <- s + i^2
}
print("la somme = ")
print(s) 51
Exécution répétée : boucles while et repeat
— Syntaxe
while (condition) {
expr
}
ou
repeat {
expr
}
— Remarque
o Comme pour for, éviter les imbrications sources de
lenteur.
52
 Application : calcul de la somme
— # A faire : somme S = SUM_i i^2
— # saisie de n
— n <- scan()
— #initialisation de la somme et de l’indice
— s <- 0.0
— i <- 1
— #boucle « tant que »
— while (i <= n){
— s <- s + i^2
— i <- i + 1 }
— #affichage des résultats
— print("la somme = ")
53
Contrôle des boucles : break, next
Exemples d’utilisation
repeat {
expr
if (condition) {break}
}
ou
while (condition1){
expr_1
if (condition2) {next}
expr_2
}
Remarque
— break est la seule manière d’interrompre une boucle
repeat.
54
3. Les fonctions
— Syntaxe
nom_de_la_fonction <- function(arg1,arg2, ...) {
expression
return(var)
}
— Remarques
o return peut être omis (à éviter) : dans ce cas la
dernière valeur calculée est renvoyée.
o peut être tapée directement dans l’interpréteur ou
dans un fichier externe functions.R, chargé par
source.
55
Un exemple simple
— Moyenne empirique d’un vecteur
Avec suppression des valeurs manquantes !
moyenne <- function(x) {
## suppression des valeurs manquantes
[Link] <- x[]
## moyenne empirique
resultat <- sum([Link]) / length([Link])

return(resultat)
}
— Tests
> moyenne(rnorm(100))
[1] 0.06792586
> moyenne(c(1, -5, 3, NA, 8.7))
[1] 1.925 56
Les arguments, leurs valeurs par défaut
— Propriétés
o les arguments peuvent être passés dans le désordre
s’ils sont nommés : var=object,
o on peut définir une valeur par défaut pour n’importe
quel argument lors de la définition de la fonction :
var=10.
o en cas de sorties multiples, les sorties doivent être
renvoyées sous forme de liste.
— Remarques
o Les valeurs par défaut rendent la lecture des fonctions
beaucoup plus aisée pour l’utilisateur : imposer peu
d’arguments obligatoires.
o Les noms des éléments de la liste définie dans la
fonction sont conservés à l’extérieur de la fonction.
57
Un exemple (un tout petit peu) plus avancé
— Résumé numérique d’un vecteur
> resume <- function(x, [Link] = TRUE, affiche = FALSE) {
+ mu <- mean(x, [Link] = [Link])
+ s2 <- var(x, [Link] = [Link])
+ if (affiche) {
+ cat("\nMoyenne:", mu, "et variance:", s2)
+}
+ return(list(moyenne = mu, variance = s2))
+}

> out <- resume(rnorm(100))

> out$variance
[1] 0.7163688
> out <- resume(affiche = TRUE, x = rexp(100, 0.5))
Moyenne: 1.896648 et variance: 4.912842 58
 Chapitre 3 : R et Statistiques

Le fichier de données utilisé dans la suite est [Link]

59