[PDF] Lire ; Compter ; Tester avec R





Previous PDF Next PDF



Utilisation du logiciel Excel pour des analyses simples de bases

1) Calcul d'une moyenne. On va ici calculer la moyenne d'âge de notre échantillon. - Sélectionner une cellule en bas de la colonne « age ».



Calculer le nombre de jours entre deux dates avec Excel (formule

La formule DATEDIF vous permet de calculer le nombre de jours de mois



Lire ; Compter ; Tester avec R

Calcul de la moyenne. > mean(data$agena.rm=TRUE). [1] 21.45946. 3.3 Dispersion. 3.3.1 Quartiles. Pour une variable numeric





ESPÉRANCE DE VIE

Tous les calculs de ce document ont été réalisés sur le fichier Excel Une première idée serait de calculer l'âge moyen de décès en France en 2010 :.



& Travaux Pratiques et Examens Sous EXCEL Avec solutions

Travaux Pratiques sur Excel - Atelier n°1. Calcul avec des formules simples Calculer la Moyenne: Quantité



Utilisation des fonctions financières dExcel

5 - Calcul du taux effectif : Les fonctions financières Excel TAUX.EFFECTIF et TAUX.NOMINAL permettent d'effectuer plus facilement ces calculs. Pour y accéder 



Utilisation des TCD : lexemple des Révisions Salariales Individuelles

F. Calcul du montant moyen d'augmentation individuelle . qu'il est possible de faire via un TCD (tranches d'âge…). Les champs doivent par la suite être ...



BASES DE DONNÉES ET MODÈLES DE CALCUL

aujourd'hui autant en Access Visual Basic et en Excel qu'en COBOL (ou C ou Formulation de requêtes SQL de complexité moyenne (niveau : types 3



STATISTIQUE AVEC EXCEL

(A) Recopier ce tableau sur une feuille d'un classeur Excel. (B) Compléter le tableau en utilisant les calculs sur les cellules. Déterminer alors la moyenne 



calculer lÂGE ACTUEL et lâge à une date précise - Excel-Malincom

29 nov 2022 · Explication comment calculer l'âge actuel d'une personne en Excel en se basant sur sa date de naissance Formules prêtes à l'utilisation



Calculer un âge à partir dune date de naissance - Excel - PC Astuces

Dans la cellule dans laquelle vous souhaitez afficher l'âge saisissez la commande =AUJOURDHUI()- puis cliquez sur la cellule contenant la date de naissance de 



[PDF] Excel - Calculer un âge à partir dune date de naissance - PC Astuces

1 Dans la cellule dans laquelle vous souhaitez afficher l'âge saisissez la commande =AUJOURDHUI()- puis cliquez sur la cellule contenant la date de naissance 



Excel: Calcul dynamique dâge à partir dune date de naissance

Le CFO masqué vous enseigne comment utiliser la fonction DATEDIF pour calculer l'âge d'une personne de façon dynamique dans Excel



Comment calculer une moyenne dâge: 9 étapes - wikiHow

La formule sous Excel qui permet de calculer la moyenne est : =MOYENNE(A1 : A200) [8] X Source de recherche · Dans notre exemple vous devez mettre A200 car 



Comment calculer lâge moyen par année / mois / date dans Excel?

Calculer la moyenne par année / mois avec des formules matricielles dans Excel Par exemple vous avez un tableau comme la capture d'écran suivante Vous pouvez 



MOYENNESI (MOYENNESI fonction) - Microsoft Support

Cet article décrit la syntaxe de formule et l'utilisation de la fonction MOYENNE SI ENS dans Microsoft Excel Description Renvoie la moyenne (arithmétique) 



05 Comment calculer lâges et lancienneté sur Excel - YouTube

6 oct 2019 · S'abonner à la chaîne : https://bit ly/31xepIW???? Dans ce #tutoriel je vais vous montrer différentes Durée : 8:02Postée : 6 oct 2019



[PDF] Calculer le nombre de jours entre deux dates avec Excel (formule

22 jan 2014 · La formule DATEDIF vous permet de calculer le nombre de jours de mois voire d'années entre 2 dates Notez que vos 2 dates doivent être au 



Calcul de lancienneté - Excel Exercice

14 fév 2021 · Calculer l'ancienneté dans Excel n'est pas aussi simple qu'il n'y parait Mais une fonction vous permet réaliser ces calculs facilement

  • Comment calculer l'âge moyenne sur Excel ?

    Excel est capable de calculer la moyenne de tous ces âges à condition d'utiliser une formule que vous mettrez, par exemple, dans la cellule A201. La formule sous Excel qui permet de calculer la moyenne est : =MOYENNE(A1 : A200) X Source de recherche .

  • Comment calculer l'âge moyen en statistique ?

    Âge moyen : somme des années d'édition des 3761 titres divisée par 3761. Âge médian : 3761 = 1880 + 1 + 1880.

  • Comment calculer l'âge moyen d'une entreprise ?

    Pour calculer la moyenne d'âge dans l'entreprise X :

    1on calcule la somme des âges des hommes.2on calcule la somme des âges des femmes.3On additionne ses deux sommes, et on divise par l'effectif total pour obtenir la moyenne.
  • Utilisez DATEDIF pour rechercher le nombre total d'années.
    Dans la formule, le « y » retourne le nombre d'années complètes entre les deux jours.

Lire ; Compter ; Tester... avec R

Preparation des donnees / Analyse univariee / Analyse bivariee

Christophe Genolini

2

Table des matieres

1 Rappels theoriques 5

1.1 Vocabulaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

5

1.2 Nature d'une variable . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

5

1.3 Principe de l'analyse univariee . . . . . . . . . . . . . . . . . . . . . . . . .

6

1.4 Principe de l'analyse bivariee . . . . . . . . . . . . . . . . . . . . . . . . . .

6

2 Preparation des donnees 9

2.1 Telecharger . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

9

2.2 Lecture des donnees . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

9

2.3 Manipulation d'un data.frame . . . . . . . . . . . . . . . . . . . . . . . . . .

11

2.4 Modication d'une valeur . . . . . . . . . . . . . . . . . . . . . . . . . . . .

11

2.5 Type de variable . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

12

3 Analyse univariee 15

3.1 Eectifs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

15

3.2 Centralite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

16

3.2.1 Mode . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

16

3.2.2 Mediane . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

16

3.2.3 Moyenne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

18

3.3 Dispersion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

18

3.3.1 Quartiles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

18

3.3.2Ecart type et variance . . . . . . . . . . . . . . . . . . . . . . . . . .19

3.4 Representation graphique . . . . . . . . . . . . . . . . . . . . . . . . . . . .

19

3.4.1 Diagramme en baton . . . . . . . . . . . . . . . . . . . . . . . . . . .

19

3.4.2 Histogramme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

20

3.4.3 Bo^te a moustaches . . . . . . . . . . . . . . . . . . . . . . . . . . . .

21

3.4.4 Export d'un graphique . . . . . . . . . . . . . . . . . . . . . . . . . .

22

4 Analyse bivariee 23

4.1 Eectifs, centralite et dispersion . . . . . . . . . . . . . . . . . . . . . . . .

23

4.2 Representation graphique bivariee . . . . . . . . . . . . . . . . . . . . . . .

24

4.2.1 Deux qualitatives . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

24

4.2.2 Qualitative & numerique . . . . . . . . . . . . . . . . . . . . . . . .

24

4.2.3 Deux numeriques . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

25

4.3 Tests . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

25

4.3.1 Qualitative & Qualitative . . . . . . . . . . . . . . . . . . . . . . . .

25

4.3.2 Qualitative (2 classes) & Numerique . . . . . . . . . . . . . . . . . .

27

4.3.3 Qualitative (3 classes et plus) & Numerique . . . . . . . . . . . . . .

29

4.3.4 Numerique & Numerique . . . . . . . . . . . . . . . . . . . . . . . .

30
3

4TABLE DES MATIERES

Chapitre 1

Rappels theoriques

1.1 VocabulaireNomDenitionExemple

IndividuObjet etudieun etudiant

PopulationEnsemble des individustous les etudiants participant a l'ex- perienceVariablesCe qui est etudie chez les individus (et qui varie d'un individu a l'autre)[Age],[CigaretteJour],[Ni- veauSportif]Modalites (d'une variable)Liste de toutes les valeurs possibles pour une variableModalites de[Age]: de 0 ans a 120 ansObservationValeurs prises par un individu par- ticulierMarc a 21 ans,(21)est une obser- vation.1.2 Nature d'une variable La nature d'une variable determine le type d'outil statistique qu'on pourra utiliser sur la variable. Pour determiner son type, il faut se demander ce qu'on peut faire avec ses observations : 5

6CHAPITRE 1. RAPPELS THEORIQUES1.3 Principe de l'analyse univariee

L'analyse univariee permet de mieux apprehender une variable. Elle comporte quatre etapes : 1.

Cal culde se ectifs

2.

Cal culde la c entralite

3.

Cal culde la d ispersion

4.

Rep resentationgrap hique

Ces etapes varient selon le type de variable. Voila le detail des etapes en fonction du type de variable :

EtapeNominaleOrdonneeDiscreteContinue

1. EectifsA faireA faireA faireInutile

2. CentraliteModeMedianeMoyenne et

MedianeMoyenne et

Mediane3. DispersionN'existe pasQuartile

Ecart type et

quartiles

Ecart type et

quartile4. GraphiqueHistogramme des eectifsHistogramme des eectifsHistogramme des eec- tifs, bo^te a moustacheDistribution et bo^te a mous- tache1.4 Principe de l'analyse bivariee L'analyse bivariee consiste a etudier deux variables conjointement, puis eventuellement a tester le lien entre les deux variables.

1.4. PRINCIPE DE L'ANALYSE BIVARI

EE7 Deux variables sont liees si conna^tre l'une donne des informations sur l'autre. Par exemple, conna^tre le sexe d'un individu permet d'en savoir un peu plus sur la longueur de ses cheveux. Attention, cela ne permet pas deconna^tremais juste d'avoir une information plus precise. Par exemple, dans l'UFR STAPS, 20% des individus ont les cheveux longs. Si on detaille selon les sexes, 4% des garcons ont les cheveux long contre 55% des lles. Conna^tre le sexe d'un individu ne donne donc aucune certitude, mais permet d'avoir un peu plus d'informations. Pour savoir si deux variables sont liees (avec un certain risque d'erreur, imcompres-

sible), on utilise un test. Le test a utiliser depend du type des variables et de leur proprietes :VariablesTest parame-

triqueDiagnosticTest non para- metriqueQualitative

Qualitative

21.Les v aleursd et outesl escase s

du tableau des eectifs atten- dus doivent ^etre superieures ou egales a 5.Test exact de Fi- sherQualitative (2 classes)& NumeriqueT de Student1.Les ecartt ypess ont egaux 2.

P ourc haquegr oupe,l av a-

riable numerique suit une loi normale OU les eectifs sont superieurs a 30.Test des rangs de

WilcoxonQualitative

(3 classes et plus)&

NumeriqueF de Fisher

(ANOVA)1.Les ecartt ypess ont egaux 2.

P ourc haquegr oupe,l av a-

riable numerique suit une loi normale OU les eectifs sont superieurs a 30.Test de Kruskal-

WallisNumerique

NumeriqueR de Pearson1.Au moi nsu ned esde uxv a-

riables suit une loi normale.R de Spearman

8CHAPITRE 1. RAPPELS THEORIQUES

Chapitre 2

Preparation des donnees

2.1 Telecharger

Avant de lire les donnees, ils vous faut R... Vous pouvez le telecharger sur le site du

CRAN :http:

cran.r-paoject.orgpuisDownload and Install R. Cliquez ensuite sur votre systeme d'exploitation (Linux, MacOS X ou Windows) puis telepcharger R en cliquant surbase.

2.2 Lecture des donnees

Excel etant un logiciel proprietaire, il est dicile a un autre logiciel de lire le format .xls. Par contre, R sait lire les chiers au format.csv. Donc, nous allons preparer un chier.csv. 1. O uvrezv osdon neessou sE xcel,O penO ce,S PSS,SAS ... 2. D ansl em enuFichierouFile, il existe probablement une optionEnregistrer sousou Exporter. Choisissez le format.csv. Si votre logiciel demande des precisions, vous pouvez lui specier :separateur decimal="."etseparateur=";". S'il ne demande rien, tout va bien. Un chier.csvvient d'^etre cree dans votre repertoire. Pour le lire a partir de R, il faut lui preciser le repertoire de lecture. Cela se fait a partir de la fen^etre R, dans le menu

Fichier!Changer le repertoire courant.

Il est maintenant possible de lire vos donnees a partir de R gr^ace a l'instruction :>### Lecture des donnees>r ead.csv2("FormationR.csv")

id sexe age taille niveau departement UFR frereEtSoeur

1 1 F 22 1,7 L3 75 SJAP 0

2 2 F 20 1,66 L3 92 SEGMI 0

3 3 F L3 78 SEGMI 0

4 4 F 25 1,65 M2 75 SJAP 0

5 5 F 340 1,62 M2 92 STAPS 0

6 ... ... ... ... ... ... ... ...

rapportRisque transAvecPres rapportAge rapportSexuel scoreConnaissance

1 Non 19 Oui 3

2 Non Non 18 Oui

3 Oui Non 15 Oui 2

4 Non 17 Oui 1

5 Oui Non 21 Oui 3

6 ... ... ... ... ...

9

10CHAPITRE 2. PREPARATION DES DONNEES

Pour pouvoir manipuler ce chier (et faire des statistiques dessus), il faut le stocker dans une variable de type un peu special qu'on appelledata.frame. Cela se fait a l'aide de la

eche d'aectation<-. Pour stocker vos donnees dans la variabledata, tapez :>### Lecture des donnees avec stocakge>d ata< -r ead.csv2("FormationR.csv")

Il ne se passe rien a l'ecran, maisdatacontient maintenant vos donnees. Pour veriez que c'est bien le cas, tapez simplementdata. R ache alors le contenu dedata, c'est a dire vos donnees.>### Verification que les donnees sont en memoire>d ata id sexe age taille niveau departement UFR frereEtSoeur

1 1 F 22 1,7 L3 75 SJAP 0

2 2 F 20 1,66 L3 92 SEGMI 0

3 3 F L3 78 SEGMI 0

4 4 F 25 1,65 M2 75 SJAP 0

5 5 F 340 1,62 M2 92 STAPS 0

6 ... ... ... ... ... ... ... ...

rapportRisque transAvecPres rapportAge rapportSexuel scoreConnaissance

1 Non 19 Oui 3

2 Non Non 18 Oui

3 Oui Non 15 Oui 2

4 Non 17 Oui 1

5 Oui Non 21 Oui 3

6 ... ... ... ... ...

Le pire ennemi du statisticien, tous les enqu^eteurs le savent, est lavaleur manquante. En R, les valeurs manquantes sont codeesNAou. Dans votre chier.csv, le codage de la valeur manquante depend de votre logiciel : case vide pour Excel et Open oce, un point pour SAS,... Il faut donc preciser a R le type de valeur manquante qu'il va rencontrer dans le chier. Cela se fait en ajoutant l'optionna.string="codage_Manquante"dans la ligne de lecture. Ainsi, si votre.csva ete obtenu a partir d'Excel ou Open oce, l'instruction

de lecteure estread.csv2("nom_de_fichier.csv", na.string = "")>### Lecture des donnees en considerant les manquantes>d ata< -r ead.csv2("FormationR.csv",na.string="")

d ata id sexe age taille niveau departement UFR frereEtSoeur

1 1 F 22 1,7 L3 75 SJAP 0

2 2 F 20 1,66 L3 92 SEGMI 0

3 3 F L3 78 SEGMI 0

4 4 F 25 1,65 M2 75 SJAP 0

5 5 F 340 1,62 M2 92 STAPS 0

6 ... ... ... ... ... ... ... ...

rapportRisque transAvecPres rapportAge rapportSexuel scoreConnaissance

1 Non 19 Oui 3

2 Non Non 18 Oui

3 Oui Non 15 Oui 2

4 Non 17 Oui 1

5 Oui Non 21 Oui 3

6 ... ... ... ... ...

On constate que les cases vides ont ete remplacees par desNAou des. Si vous aviez utilise SAS, l'instuction auraitetedata <- read.csv2("nom_de_fichier.csv",na.string=".").

2.3. MANIPULATION D'UN DATA.FRAME11

2.3 Manipulation d'un data.frame

dataest un data.frame, c'est-a-dire un tableau contenant vos donnees. Chaque colonne du tableau contient une variable. Chaque ligne du tableau est un individu. Pour travailler sur une colonne precise (par exemple la deuxieme), tapezdata[,2]. Vous pouvez egale-

ment taper le nom du data.frame, puis le symbole $ suivi du nom de la colonne :>### Deuxieme colonne>d ata[,2]

[1] F F F F F F F F F F F F F [15] F F F F F F F F F F H H H [29] H H H H H H H H H H H H

Levels: F H

>### Colonne sexe>d ata$sexe [1] F F F F F F F F F F F F F [15] F F F F F F F F F F H H H [29] H H H H H H H H H H H H

Levels: F H

R ache le contenu de la colonne. Il indique egalement les modalites de la variable (Levels). Pour acceder a une ligne (par exemple la troisieme), tapezdata[3,]>### Troisieme ligne>d ata[3,] id sexe age taille niveau departement UFR frereEtSoeur rapportRisque

3 3 NA NA L3 78 SEGMI 0 Oui

transAvecPres rapportAge rapportSexuel scoreConnaissance

3 Non 15 Oui 2

Pour acceder a une colonne et une ligne, on combine les deux :data[3,2]nous donne la valeur du troisieme individu, deuxieme colonne;data$sexe[3]donne la troisieme valeur de la colonnesexe.>### Affichage d"une valeur precise>d ata[3,2] [1]

Levels: F H

d ata sexe[3] [1]

Levels: F H

2.4 Modication d'une valeur

La modication d'une valeur se fait gr^ace a l'operateur<-. L'instructiona <- 5a pour eet de creer la variableaet de placer la valeur 5 dans cette variable. Dans le cas d'un data.frame, on peut souhaiter modier une valeur particuliere. Par exemple, l'individu 5 a pour age340, ce qui semble plut^ot improbable. Apres verication, il s'agit simplement d'une erreur de saisie, la vraie valeur est 34. Il faut donc remplacer340par34. Cela se fait avec<-.

12CHAPITRE 2. PREPARATION DES DONNEES>### Variable age>d ata$age

[1] 22 20 NA 25 340 20 19 18 21 21 21 19 18 21 24 21 21 [18] 21 20 NA 19 NA 21 21 21 24 19 23 20 22 23 23 21 23 [35] 21 22 22 22 19 22 >### Cinquieme valeur de age>d ata$age[5] [1] 340 >### Modification de la cinquieme valeur>d ata$age[5]< -3 4 >### Verification>d ata$age [1] 22 20 NA 25 34 20 19 18 21 21 21 19 18 21 24 21 21 21 20 NA 19 NA 21 [24] 21 21 24 19 23 20 22 23 23 21 23 21 22 22 22 19 22 La cinquieme valeur de la colonneagea ete corrigee.

2.5 Type de variable

Chaque colonne correspond a une variable et a donc une type. Les dierents type de

variables statistique decrites section 1.2 page 5 correspondent aux types R suivant :En statistique Sous R

Nominalefactor

Ordonneeordered

Discretenumeric(ouinteger)

Continuenumeric(ouinteger)Quand R charge un cher en memoire (dansdata), il donne a chaque variable un type.

Pour conna^tre le type d'une variable, on utilisestr. Cela liste toutes les variables avec leur type, leurs modalites et les premieres observations.>### Le type des colonnes> str(data) "data.frame": 40 obs. of 13 variables:$ id : int 1 2 3 4 ... $ sexe : Factor w/ 2 levels "F","H": 1 1 NA 1 ... $ age : num 22 20 NA 25 ... $ taille : num 1.7 1.66 NA 1.65 ... $ niveau : Factor w/ 5 levels "L1","L2","L3",..: 3 3 3 5 ... $ departement : int 75 92 78 75 ... $ UFR : Factor w/ 3 levels "SEGMI","SJAP",..: 2 1 1 2 ... $ frereEtSoeur : int 0 0 0 0 ... $ rapportRisque : Factor w/ 2 levels "Non","Oui": 1 1 2 1 ... $ transAvecPres : Factor w/ 2 levels "Non","Oui": NA 1 1 NA ... $ rapportAge : int 19 18 15 17 ... $ rapportSexuel : Factor w/ 2 levels "Non","Oui": 2 2 2 2 ... $ scoreConnaissance: int 3 NA 2 1 ...

2.5. TYPE DE VARIABLE13

Dans un certain nombre de cas, R n'a pas possibilite de donner le type correct : il n'a aucun moyen d'identier les variables ordonnees (il les prend pour desfactor) car il ne connait pas la relation d'ordre qui s'applique. C'est par exemple le cas de la variable [niveau]. De m^eme, il ne peut pas identier une variable nominale dont les modalites seraient des chires (comme les numeros de departement). Nous allons donc devoir corriger ses choix. Pour transformer une variable numerique en facteur, il faut utiliser la fonction as.factor.as.factor(data$departement)permet de considerer la colonnedata$depar- tementnon plus comme une variable numerique mais comme une nominale. Toutefois, pour que la variable departement soit modiee de maniere durable au sein du data.frame, il faut remplacer la colonne departement par la variable avec son nouveau type. Encore une fois,

cela se fait avec l'operateur d'aectation<-:>### Modification du type de departement>d ata$departement< -as.factor(data$departement)Ainsi, la colonnedepartementdu data.framedata(a gauche de la

eche) est rempla- cee (la eche) par la colonnedepartementtransformeenfactor(a droite de la eche).

Verication :>### Le type des colonnes> str(data)

"data.frame": 40 obs. of 13 variables:$ id : int 1 2 3 4 ... $ sexe : Factor w/ 2 levels "F","H": 1 1 NA 1 ... $ age : num 22 20 NA 25 ... $ taille : num 1.7 1.66 NA 1.65 ... $ niveau : Factor w/ 5 levels "L1","L2","L3",..: 3 3 3 5 ... $ departement : Factor w/ 9 levels "1","21","55",..: 5 8 6 5 ... $ UFR : Factor w/ 3 levels "SEGMI","SJAP",..: 2 1 1 2 ... $ frereEtSoeur : int 0 0 0 0 ... $ rapportRisque : Factor w/ 2 levels "Non","Oui": 1 1 2 1 ... $ transAvecPres : Factor w/ 2 levels "Non","Oui": NA 1 1 NA ... $ rapportAge : int 19 18 15 17 ... $ rapportSexuel : Factor w/ 2 levels "Non","Oui": 2 2 2 2 ... $ scoreConnaissance: int 3 NA 2 1 ... Le type de departement est bien modie. De la m^eme maniere, l'identiant n'est pas

une variable numeriques mais est nominale :>### Modification du type de id>d ata$id< -as.factor(data$id)Les autres changements de type fonctionnent sur le m^eme principe. Pour la transfor-

mation d'une variable en numerique, on utiliseas.numeric. La transformation d'une variable en variable ordonnee se fait -oh surprise- avec l'ins- tructionordered1. Il faut en outre preciser a R la relation d'ordre utilisee. Cela se fait en speciant l'optionlevels. Par exemple, leniveauest une variable ordonnee L1 puis L2

puis L3 puis M1 puis M2 :>### Ordonnancement de niveau>d ata$niveau<-ordered(data$niveau, levels=c("L1","L2","L3","M1","M2"))>d ata$niveau

[1] L3 L3 L3 M2 M2 L3 L2 L3 L3 L3 L3 L1 L3 L2 [15] L3 L2 L3 L3 L3 L1 L2 L3 L3 L3 L3 L3 L3 [29] L3 L3 M1 L3 L3 L3 L3 L3 L3 L3 L2 M2

Levels: L1 < L2 < L3 < M1 < M2

1. Surprise parce qu'on se serait attendu aas.ordered. R est helas plein de surprises...

14CHAPITRE 2. PREPARATION DES DONNEES

Chapitre 3

Analyse univariee

Nos variables sont maintenant pr^etes, l'analyse univariee peut commencer. L'instruc- tionsummarya pour eet de calculer automatiquement une partie de cette analyse en l'adaptant au type de variable : eectifs pour lesfactoret lesordered, moyenne et quartile pour lesnumeric:>### Resume des donnees>s ummary(data) id sexe age taille niveau

1 : 1 F :23 Min. :18.00 Min. :1.600 L1 : 2

2 : 1 H :15 1st Qu.:20.00 1st Qu.:1.640 L2 : 5

3 : 1 NA"s: 2 Median :21.00 Median :1.670 L3 :284 : 1 Mean :21.46 Mean :1.676 M1 : 1

5 : 1 3rd Qu.:22.00 3rd Qu.:1.700 M2 : 3

6 : 1 Max. :34.00 Max. :1.850 NA"s: 1(Other):34 NA"s : 3.00 NA"s :2.000departement UFR frereEtSoeur rapportRisque transAvecPres

92 :15 SEGMI:12 Min. :0.0000 Non :28 Non :22

78 :11 SJAP :14 1st Qu.:0.0000 Oui : 5 Oui :15

75 : 7 STAPS:13 Median :1.0000 NA"s: 7 NA"s: 31 : 1 NA"s : 1 Mean :0.871821 : 1 3rd Qu.:1.5000

(Other): 4 Max. :3.0000 NA"s : 1 NA"s :1.0000rapportAge rapportSexuel scoreConnaissance

Min. :14.00 Non : 4 Min. :0.000

1st Qu.:15.25 Oui :33 1st Qu.:2.000

Median :17.00 NA"s: 3 Median :3.000Mean :16.97 Mean :2.686

3rd Qu.:18.00 3rd Qu.:3.500

Max. :21.00 Max. :6.000

NA"s : 6.00 NA"s :5.000Cela permet de jeter un premier oeil sur nos variables. Des instructions plus speciques

permettent une analyse plus precise.

3.1 Eectifs

Les eectifs se calculent pour les variables nominale, ordonnee et discrete. Cela se fait gr^ace a l'instructiontable:>### Effectif de sexe>t able(data$sexe) 15

16CHAPITRE 3. ANALYSE UNIVARIEEF H

23 15
>### Effectif de niveau>t able(data$niveau)

L1 L2 L3 M1 M2

2 5 28 1 3

>### Effectif de frereEtSoeur>t able(data$frereEtSoeur)

0 1 2 3

18 11 7 3

On note au passage que le tableau des eectifs d'une variable continue est possible a calculer, mais qu'il ne donne pas d'information pertinante

1:>t able(data$taille)

1.6 1.61 1.62 1.63 1.64 1.65 1.66 1.67 1.68 1.69 1.7 1.72 1.73 1.74 1.85

1 1 2 3 4 3 4 2 3 2 5 4 2 1 1

3.2 Centralite

3.2.1 Mode

Le mode s'obtient par lecture de la table des eectifs en prenant le plus grand. Si les modalites sont tres nombreuse, on peut trier les eectifs avec l'instructionsortde maniere

decroissante en utilisant l'optiondecreasing=TRUE(an que le mode soit en t^ete).>### Mode de niveau>s ort(table(data$niveau),decreasing=TRUE)L3 L2 M2 L1 M1

28 5 3 2 1

Le mode detaillen'a pas d'inter^et, mais si nous devions le calculer, nous utiliserions :>### Mode de taille>s ort(table(data$taille),decreasing=TRUE)1.7 1.64 1.66 1.72 1.63 1.65 1.68 1.62 1.67 1.69 1.73 1.6 1.61 1.74 1.85

5 4 4 4 3 3 3 2 2 2 2 1 1 1 1

3.2.2 Mediane

Mediane d'une numerique:

La mediane se calcule avecmedian. Quand la variable contient des valeurs manquante,

il faut preciser a R de les supprimer en ajoutant l'optionna.rm=TRUE:>### Mediane de taille>m edian(data$taille, na.rm=TRUE)[1] 1.67

1. Pour simplier, nous travaillons sur un petit chier de 40 lignes. Cela a pour eet de rendre les

variables continuepresqueutilisable comme des nominales. En tout etat de cause, avec une vrai variable

continue sur 200 individus, les eectifs n'ont clairement plus aucun sens.

3.2. CENTRALIT

E17

Mediane d'une ordonnee:

La mediane d'une variable ordonnee n'est pas calculee automatiquement par R. Il faut donc le faire \manuellement". Pour cela, trois etapes : 1. Cal culdu r angd el am ediane( aprese xclustiond esm anquantes). 2.

O rdonnancementde l av ariable

3. Com binaisond e1 e t2, s electionl amo dalitedu mi lieu Pour exclure les manquantes, on utilisena.omit.>### Exclusion des manquantes>n a.omit(data$niveau) [1] L3 L3 L3 M2 M2 L3 L2 L3 L3 L3 L3 L1 L3 L2 L3 L2 L3 L3 L3 L1 L2 L3 L3 [24] L3 L3 L3 L3 L3 L3 M1 L3 L3 L3 L3 L3 L3 L3 L2 M2 attr(,"na.action") [1] 16 attr(,"class") [1] "omit"

Levels: L1 < L2 < L3 < M1 < M2

Pour connaitre la longueur d'une variable, on utilise l'instructionlength>### Nombre d"observations d"une variable>length(na.omit(data$niveau))[1] 39

Le rang de la mediane est l'observation de rang

n+12 . Si le nombre d'individu est pair,

nous arrondissons a l'inferieur gr^ace around:>### Rang de la mediane>r ound(( length(na.omit(data$niveau))+1)/2) [1] 20

Ordonner une variable se fait gr^ace asort:>### Ordonner une variable>s ort(data$niveau) [1] L1 L1 L2 L2 L2 L2 L2 L3 L3 L3 L3 L3 L3 L3 L3 L3 L3 L3 L3 L3 L3 L3 L3 [24] L3 L3 L3 L3 L3 L3 L3 L3 L3 L3 L3 L3 M1 M2 M2 M2

Levels: L1 < L2 < L3 < M1 < M2

Il ne nous reste plus qu'a combiner les deux, selectionner l'observation dont on a calcule le rang dans la variable classee

2:>### Calcule de la mediane>s ort(data$niveau)[round(( length(na.omit(data$niveau))+1)/2) ][1] L3

Levels: L1 < L2 < L3 < M1 < M2

2. En pratique, les autres etapes n'etaient que pedagogiques : cette seule instruction sut a calculer la

mediane.

18CHAPITRE 3. ANALYSE UNIVARIEE

Mediane d'une ordonnee, deuxieme version:

Une autre option consiste a transformer notre variable ordonnee ennumericpuis cal-

culer la mediane de cette variable et conclure gr^ace auxlevelsde la variable :>### Converstion en numeric>as.numeric(data$niveau)[1] 3 3 3 5 5 3 2 3 3 3 3 1 3 2 3 NA 2 3 3 3 1 2 3

[24] 3 3 3 3 3 3 3 4 3 3 3 3 3 3 3 2 5 >### Calcul de la mediane>m edian(as.numeric(data$niveau),na.rm=TRUE)[1] 3 >### Affichage des levels :>l evels(data$niveau) [1] "L1" "L2" "L3" "M1" "M2" >### Combinaison des deux>l evels(data$niveau)[median(as.numeric(data$niveau),na.rm=TRUE)][1] "L3"

3.2.3 Moyenne

Le calcul de la moyenne se fait gr^ace amean. La encore, il faut exclure les manquantes avecna.rm=TRUE>### Calcul de la moyenne>m ean(data$age,na.rm=TRUE)[1] 21.45946

3.3 Dispersion

3.3.1 Quartiles

Pour une variablenumeric, les quartiles se calculent a l'aide de la fonctionquantile

avec l'optionna.rm=TRUEs'il y a des manquantes :>### Calcul des quartiles>q uantile(data$age,na.rm=TRUE)0% 25% 50% 75% 100%

18 20 21 22 34

Pour une variable ordonnee, la methode est la m^eme que pour la mediane. On peutquotesdbs_dbs19.pdfusesText_25
[PDF] calcul de l'age moyen

[PDF] comment calculer l'âge moyen statistique

[PDF] comment calculer l'âge median

[PDF] comment calculer les puissances de 10 avec une calculatrice

[PDF] table des cosinus

[PDF] tableau des valeurs trigonométriques

[PDF] table trigonométrique imprimer

[PDF] table trigonométrique pdf

[PDF] calculer cosinus avec calculatrice

[PDF] sinus 30 degrés

[PDF] tableau sinus cosinus tangente cotangente

[PDF] somme (-1)^k/k

[PDF] somme k/(k+1) factoriel

[PDF] exercice nombre d'or 1ere s

[PDF] obésité classe 1