Finish first TP R

probabilites-statistiques/tp_r/tp3.r

@@ -1,5 +1,4 @@
-#cats <- read.csv("cats.csv", sep="", stringsAsFactors=TRUE)
-
+cats <- read.csv("cats.csv", sep="", stringsAsFactors=TRUE)
 
 # Exercice 1
 # 1. Quels sont les noms de variables ?
@@ -56,4 +55,41 @@ histo$counts
 class(Sex)
 levels(Sex)
 table(Sex)
-barplot(table(Sex))
+
+# Exercice 5 et 6
+# donne la répartition des variables, leur somme étant égale au total
+barplot(table(Sex))
+# affiche un boxplot en fonction d'une classe
+boxplot(Bwt ~ Sex)
+pie(table(Sex))
+# On remarque que le poids du coeur et le poids du corps sont globalement
+# plus élevés pour les mâles que pour les femelles. Avant de conclure il
+# faudrait établir le lien entre le poids du coeur et le poids du corps.
+# S'il y a une correlation, on pourra peut-être établir une relation entre
+# le sexe et le poids.
+# Cette analyse est importante pour toute étape d'inférence.
+
+# Exercice 7
+# Nous allons tracer un nuage de points pour établir la relation entre les
+# poids
+plot(Bwt, Hwt)
+# Malgré la forte dispersion des variables, on peut tout de suite dire que
+# la relation est linéaire. Si le poids du corps augmente, le poids du coeur
+# augmente.
+# cor(x, y) = cov(x, y) / sigma_x * sigma_y
+# avec sigma_x = sqrt(var_x) et sigma_y = sqrt(var_y)
+# le coef est compris entre [-1, 1]
+# - si coef proche de -1 ou 1 : forte correlation
+# - si coef proche de 0 : x et y sont "indépendants"
+# - si coef > 0 : x et y augmentent dans le même sens
+# - si coef < 0 : x et y augmentent en sens inverse
+cov(Bwt, Hwt)
+cor(Bwt, Hwt)  # la correlation est forte, de 80%
+# Afficher le nuage des points avec des couleurs différentes en fonction du
+# sexe, pour visualiser son impact.
+#help(plot)
+plot(Bwt[Sex=='F'], Hwt[Sex=='F'], col="red", xlim=c(1.9,4), ylim=c(6.2,21), xlab="Bwt", ylab="Hwt")
+points(Bwt[Sex=='M'], Hwt[Sex=='M'], col="blue")
+
+cor(Hwt[Sex=='F'], Bwt[Sex=='F'])
+cor(Hwt[Sex=='M'], Bwt[Sex=='M'])