21 juillet
Par
Le
Dans Test
Avec 0 Commentaire

Le test non-paramétrique de Wilcoxon permet de tester l’égalité de deux moyennes lorsque l’hypothèse de normalité n’est pas validée. L’hypothèse H0 est « les moyennes sont égales » ou « la moyenne vaut une valeur x ». Pour réaliser ce test il est nécessaire d’avoir un échantillonnage aléatoire et que les lois suivies par les deux variables étudiées soient les mêmes. Pour tester l’hypothèse H0 on utilise la fonction wilcox.test(). A<-subset(iris,Species== »setosa »)[,4] #échantillonnage de la largeur des pétales chez l’espèce Setosa.   B<-subset(iris,Species== »versicolor »)[,4] #échantillonnage de la largeur des pétales chez l’espèce Versicolor.      #On test si la moyenne de la largeur des pétales de l’espèce Setosa vaut 0.5 : wilcox.test(A,0.5)Read More →

20 juillet
Par
Le
Dans Test
Avec 2 Commentaires

Le test de Student permet de tester l’égalité de deux moyennes. L’hypothèse H0 est « les moyennes sont égales » ou « la moyenne vaut une valeur x ». Pour réaliser ce test il est nécessaire d’avoir un échantillonnage aléatoire de chaque individu et que les ces deux échantillons suivent une loi Normale. Pour tester l’hypothèse H0 on utilise la fonction t.test(). data(iris) A<-subset(iris,Species== »setosa »)[,2] #On isole la 2ème colonne : la largeur des sépales   On commence par tester la normalité de cette variable grâce au test de Shapiro : shapiro.test(A)           Shapiro-Wilk normality test   data:  A W = 0.9717, p-value = 0.2715   La p-value est supérieurRead More →

20 juillet
Par
Le
Dans fonctions utiles, manipulation de données
Avec 0 Commentaire

Le test de Fisher-Snedecor permet de savoir si les variances de deux populations (δ1² et δ2²) sont égales ou non. L’hypothèse H0 testée correspond à δ1²= δ2². Pour réaliser ce test il est nécessaire d’avoir un échantillonnage aléatoire de chaque individu et que les ces deux échantillons suivent une loi Normale. On utilise pour tester cette hypothèse la fonction var.test(). data(iris) A<-subset(iris,Species== »setosa »)[,2] #On isole la 2ème colonne : la largeur des sépales   On commence par tester la normalité de cette variable grâce au test de Shapiro : shapiro.test(A)           Shapiro-Wilk normality test   data:  A W = 0.9717, p-value = 0.2715   La p-valueRead More →

18 juillet
Par
Le
Dans importation de données
Avec 0 Commentaire

Pour importer un fichier SAS sas7bdat, la premiere solution est d’utiliser la fonction read.sas7bdat du package sas7bdat library(sas7bdat)donnee<-read.sas7bdat(« fichier.sas7bdat ») Cependant parfois  vous allez tomber sur cette erreur : Error in read.sas7bdat(« ficher.sas7bdat ») : file contains compressed data En effet le package sas7bdat n’est pas capable d’importer les fichiers compressés.Voici une solution qui fonctionne : library(devtools)install_github(« biostatmatt/sas7bdat.parso »)library(sas7bdat.parso) s7b2csv(« fichier.sas7bdat », « fichier.csv ») donnee<-read.csv(« fichier.csv »)  Read More →

17 juillet
Par
Le
Dans fonctions utiles, Transformation de données
Avec 0 Commentaire

La fonction seconds_to_period(), du package lubridate, permet de convertir un nombre de secondes en une période, et la fonction period_to_seconds() permet de convertir une période en un nombre de secondes. seconds_to_period(60) [1] « 1M 0S » seconds_to_period(150) [1] « 2M 30S » seconds_to_period(3600) [1] « 1H 0M 0S » seconds_to_period(4989000) [1] « 57d 17H 50M 0S »     period_to_seconds(seconds_to_period(60)) [1] 60 period_to_seconds(seconds_to_period(150)) [1] 150 period_to_seconds(seconds_to_period(3600)) [1] 3600 period_to_seconds(seconds_to_period(4989000)) [1] 4989000  Read More →

17 juillet
Par
Le
Dans fonctions utiles
Avec 0 Commentaire

La fonction as.period(), du package lubridate, permet de convertir un intervalle en periode selon différentes unités.   library(lubridate)   span <- new_interval(as.POSIXct(« 2009-01-01 »), as.POSIXct(« 2010-02-02 01:01:01 »)) #On crée un nouvel intervalle span [1] 2009-01-01 CET–2010-02-02 01:01:01 CET   as.period(span, unit = « years ») [1] « 1y 1m 1d 1H 1M 1S »   as.period(span, units = « month ») [1] « 13m 1d 1H 1M 1S »   as.period(span, units = « day ») [1] « 397d 1H 1M 1S » as.period(span, units = « second »)[1] « 34304461S »    Read More →

17 juillet
Par
Le
Dans fonctions utiles
Avec 0 Commentaire

La fonction period(), du package lubridate, permet de créer une période à partir d’un temps écoulé en année, en mois, en jour, ou encore en seconde : period(c(90, 5, 2), c(« second », « minute », « year »)) [1] « 2y 0m 0d 0H 5M 90S »   period(c(3, 1, 2, 13, 1), c(« second », « minute », « hour », « day », « week »)) [1] « 20d 2H 1M 3S »#Les semaines sont converties en jours (20 = 13 + 7)    period(30, « second ») [1] « 30S »  Read More →

17 juillet
Par
Le
Dans fonctions utiles, Transformation de données
Avec 0 Commentaire

La fonction DateUpdate(), du package lubridate, permet de modifier les composantes d’une date : l’année, le mois… ou encore les secondes. Cette fonction renvoie la date modifiée. library(lubridate)  #On crée un date  date <- as.POSIXct(« 2009-02-10 ») date [1] « 2009-02-10 CET »   update(date, year = 2010, month = 1, days = 1) [1] « 2010-01-01 CET »   update(date, minute = 10, second = 3) [1] « 2009-02-10 00:10:03 CET »    Read More →

17 juillet
Par
Le
Dans fonctions utiles
Avec 0 Commentaire

La fonction as.POSIXct(), permet de créer une donnée de type « date » comprenant une année, un mois, un jour, et une heure, à partir d’un nombre de secondes écoulées et une date d’origine ou en insérant directement la date et l’heure : #Nous avons un nombre de secondes écoulées depuis le 1960-01-01 00:00:00 z <- 1472562988 # On convertie z en date : as.POSIXct(z, origin = « 1960-01-01 ») [1] « 2006-08-30 15:16:28 CEST »   #Nous pouvons également insérer directement une date #de type : « AAAA-MM-JJ HH:Min:sec » x <- as.POSIXct(« 2009-08-03 12:01:57.23 ») x [1] « 2009-08-03 12:01:57 CEST »  Read More →

16 juillet
Par
Le
Dans fonctions utiles, Transformation de données
Avec 0 Commentaire

La fonction ceilling_date(), du package lubridate, permet d’arrondir une donnée de type « date » à la date la plus grande en fonction de différentes unités : library(lubridate)   x <- as.POSIXct(« 2009-08-03 12:01:57.23 »)   ceiling_date(x, « second ») [1] « 2009-08-03 12:01:58 CEST » #On arrondit à la seconde la plus grande   ceiling_date(x, « minute ») [1] « 2009-08-03 12:02:00 CEST » #On arrondit à la minute la plus grande   ceiling_date(x, « hour ») [1] « 2009-08-03 13:00:00 CEST » #On arrondit à l’heure la plus grande   ceiling_date(x, « day ») [1] « 2009-08-04 CEST » #On arrondit au jour le plus grand   ceiling_date(x, « week ») [1] « 2009-08-09 CEST »   ceiling_date(x, « month ») [1] « 2009-09-01 CEST »   ceiling_date(x, « year ») [1] « 2010-01-01 CEST »  Read More →