Parfois il peut etre utilise de fabriquer un data.frame vide, sans aucune ligne, mais avec des colonnes définies. Voici une facon de procéder. BDD <- as.data.frame(setNames(replicate(5,numeric(0), simplify = F),c(« moy », »p », »val », »r2″, »err ») ))Read More →
la fonction as.formula permet de fabriquer une formule à partir d ‘une chaine de caractères data(iris) chaine<-paste0(names(iris)[1], » ~ « ,paste(names(iris)[-1],collapse= » + « )) as.formula(chaine) lm(as.formula(chaine),data=iris)Read More →
R peut tracer la courbe d’une fonction f(x) pour peu qu’on connaisse sa formule et qu’on lui fixe des bornes. curve(expr=1/(sqrt(2*pi)*0.3)*exp(-((x-0)^2/(2*0.3^2))), from=-1.5, to= 1.5) La fonction curve() prend (entre autres) comme argument expr (l’expression de la fonction, ici la densité de probabilité de la loi normale), from (la borne inférieure de l’intervalle à tracer) et to (la borne supérieure de l’intervalle à tracer) Par défaut curve() utilise un paramètre n fixé à 101 : c’est le nombre de x compris entre from et to qui seront évalués par l’expression renseignée dans expr. Plus n est petit, plus la courbe sera « anguleuse »Read More →
jdd <- data.frame(deslettres=letters[1:10], desnombres=seq(1:10), desfacteurs=c(rep(« oui »,5), rep(« non », 5))) levels(jdd$deslettres) [1] « a » « b » « c » « d » « e » « f » « g » « h » « i » « j » # il y a 10 niveaux pour la variable qualitative « deslettres » # en filtrant sur les nombres…. library(dplyr) unextrait<-filter(jdd,desnombres > 5) levels(unextrait$deslettres) [1] « a » « b » « c » « d » « e » « f » « g » « h » « i » « j » # …le nouveau jeu de données garde les anciens noms de niveaux de « deslettres » Pour s’en débarrasser, depuis R 2.12.0, la fonction droplevels() rend cette opération aisée… # …sur tout le jeu de données : droplevels(unextrait) summary(unextrait) # …sur une variable en particulier : droplevels(unextrait$deslettres) summary(unextrait) # …sur tout le jeuRead More →
La fonction PCA() permet d’effectuer une ACP. library(FactoMineR) res_pca <- PCA (iris, quali.sup=5) #On réalise une ACP sur les 4 variables quantitatives du jeu de données iris #La 5ème variable qui correspond au nom de la variété est qualitative #Nous plaçons cette variable en supplémentaire, #cette variable ne participera donc pas à la construction de l’ACP, #mais elle apportera de l’information supplémentaire plot.PCA(res_pca,col.quali= »blue », label= »quali ») #La fonction plot.PCA contient de nombreux paramètres modulables #ici nous choisissons la couleur de la variable qualitative #et de cacher l’étiquette des individus grâce au paramètre « label » Pour pouvoir décrire les résultats de cette analyse nous avons besoin d’étudierRead More →
Contrairement à la fonction residuals(), la fonction rstudent() permet d’obtenir des résidus de même variance. Ce critère est nécessaire pour pouvoir étudier et comparer les résidus. reg_simp <- lm(Sepal.Length~Petal.Length, data=iris) #On réalise une régréssion linéaire residus=rstudent(reg_simp) #On calcule les residus plot(residus, ylab= »Résidus ») #On represente les résidus dans un graphique abline(h=c(-2,0,2), lty=c(2,1,2)) #La fonction abline permet d’ajouter des droites d’ordonnées -2, 0 et 2 En théorie, 95% des résidus se trouvent dans l’intervalle [-2,2]. C’est le cas ici puisque seulement 4 individus sur 150 sont en dehors de cet intervalle. Les individus à l’extérieur de l’intervalle sont des individus extrêmes. Read More →
La régression linéaire simple permet de modéliser une relation linéaire entre deux variables quantitatives dans le but d’expliquer un phénomène ou de le prédire. #On commence par représenter les données : plot(Sepal.Length~Petal.Length, data=iris) #On constate que la relation entre la largeur des sépales et celle des pétales semble être linéaire #On estime les paramètres : Reg.simp <- lm(Sepal.Length~Petal.Length, data=iris) #Call: #lm(formula = Sepal.Length ~ Petal.Length, data = iris) #Residuals: # Min 1Q Median 3Q Max #-1.24675 -0.29657 -0.01515 0.27676 1.00269 #Coefficients: # Estimate Std. Error t value Pr(>|t|) #(Intercept) 4.30660 0.07839 54.94 <2e-16 *** #Petal.Length 0.40892 0.01889 21.65 <2e-16 *** #— #Signif. codes: Read More →
Le test d’égalité teste l’hypothèse H0 : µ1 = µ2. La puissance d’un test est la probabilité de rejeter l’hypothèse H0 sans commettre une erreur, c’est-à-dire lorsque µ1 est effectivement différente de µ2. Nous voulons donc calculer la puissance du test avec un nombre n d’individus grâce à la fonction power.t.test(). Exemple : dans une expérience nous avons un écart type de 1.7, une moyenne de 1 et on prend le seuil classique α=5%. On calcule la puissance du test avec 15 individus par groupe. power.t.test(n=15, delta=1, sd=1.7, sig.level=0.05)$power [1] 0.3430475 Si l’on décide de n’utiliser que 15 individus dans l’expérimentation, alors onRead More →
i <- 0 repeat { i <- i + 1; print(i); if (i >= 10) break; } [1] 1 [1] 2 [1] 3 [1] 4 [1] 5 [1] 6 [1] 7 [1] 8 [1] 9 [1] 10Read More →
Les conditions permettent d’exécuter une commande en fonction d’une ou plusieurs conditions. La forme la plus simple s’écrit : if (condition){ + commande1 + commande2 + … +} Exemple : B<-TRUE x<-2 if (B==TRUE){ x<-x+1 y<-10 } x [1] 3 y [1] 10 Dans ce cas là si B est différent de TRUE rien n’est effectué. Pour ajouter une des commandes lorsque que la première condition n’est pas vérifiée on utilise else : if (condition){ + commande1 + commande2 + … } else (condition){ + commande1 + commande2 + … +} Exemple : B<-FALSE x<-2 if (B==TRUE){ Read More →