From 033ed1d1e9ecf4b68ae99391e8399d2cbb310236 Mon Sep 17 00:00:00 2001 From: Nais Daviddi Date: Mon, 5 Jan 2026 16:02:02 +0100 Subject: [PATCH] Commit --- module2/exo2/exercice_fr.Rmd | 40 ++++++++++++----------------------- module2/exo3/exercice_fr.Rmd | 41 +++++++++++++++++------------------- 2 files changed, 32 insertions(+), 49 deletions(-) diff --git a/module2/exo2/exercice_fr.Rmd b/module2/exo2/exercice_fr.Rmd index 03bb5c8..a7367d8 100644 --- a/module2/exo2/exercice_fr.Rmd +++ b/module2/exo2/exercice_fr.Rmd @@ -1,40 +1,26 @@ --- - title: "À propos du calcul de pi" -author: "Arnaud Legrand" -date: "25 juin 2018" +title: "exercice 2" +author: "Daviddi Naïs" +date: "05 janvier 2026" output: html_document --- - - # En demandant à la lib maths - Mon ordinateur m'indique que π vaut *approximativement* -```{r setup, include=TRUE} -pi -``` -# En utilisant la méthode des aiguilles de Buffon -Mais calculé avec la **méthode** des [aiguilles de Buffon](https://fr.wikipedia.org/wiki/Aiguille_de_Buffon), on obtiendrait comme **approximation** : +## Création du data frame contenant toutes les valeurs. ```{r setup, include=TRUE} -set.seed(42) -N = 100000 -x = runif(N) -theta = pi/2*runif(N) -2/(mean(x+sin(theta)>1)) +values <- c(14.0, 7.6, 11.2, 12.8, 12.5, 9.9, 14.9, 9.4, 16.9, 10.2, 14.9, 18.1, 7.3, 9.8, 10.9,12.2, 9.9, 2.9, 2.8, 15.4, 15.7, 9.7, 13.1, 13.2, 12.3, 11.7, 16.0, 12.4, 17.9, 12.2, 16.2, 18.7, 8.9, 11.9, 12.1, 14.6, 12.1, 4.7, 3.9, 16.9, 16.8, 11.3, 14.4, 15.7, 14.0, 13.6, 18.0, 13.6, 19.9, 13.7, 17.0, 20.5, 9.9, 12.5, 13.2, 16.1, 13.5, 6.3, 6.4, 17.6, 19.1, 12.8, 15.5, 16.3, 15.2, 14.6, 19.1, 14.4, 21.4, 15.1, 19.6, 21.7, 11.3, 15.0, 14.3, 16.8, 14.0, 6.8, 8.2, 19.9, 20.4, 14.6, 16.4, 18.7, 16.8, 15.8, 20.4, 15.8, 22.4, 16.2, 20.3, 23.4, 12.1, 15.5, 15.4, 18.4, 15.7, 10.2, 8.9, 21.0) +df <- data.frame(Value = values) ``` -# Avec un argument "fréquentiel" de surface -Sinon, une méthode plus simple à comprendre et ne faisant pas intervenir d’appel à la fonction sinus se base sur le fait que si $X∼U(0,1)$ et $Y∼U(0,1)$ alors $P[X2+Y2≤1]=π/4$ (voir [méthode de Monte Carlo sur Wikipedia](https://fr.wikipedia.org/wiki/M%C3%A9thode_de_Monte-Carlo#D%C3%A9termination_de_la_valeur_de_%CF%80)). Le code suivant illustre ce fait: - + +## Calcul de la moyenne et d'autres information à propos de ce data frame + ```{r setup, include=TRUE} -set.seed(42) -N = 1000 -df = data.frame(X = runif(N), Y = runif(N)) -df$Accept = (df$X**2 + df$Y**2 <=1) -library(ggplot2) -ggplot(df, aes(x=X,y=Y,color=Accept)) + geom_point(alpha=.2) + coord_fixed() + theme_bw() +summary(df$Value) ``` -Il est alors aisé d’obtenir une approximation (pas terrible) de π en comptant combien de fois, en moyenne, $X2+Y2$ est inférieur à 1: +## Calcul de l'écart type de ce data frame ```{r setup, include=TRUE} -4*mean(df$Accept) +ecart_type <- sd(df$Value) +print(ecart_type) ``` \ No newline at end of file diff --git a/module2/exo3/exercice_fr.Rmd b/module2/exo3/exercice_fr.Rmd index 7eece5e..28bde33 100644 --- a/module2/exo3/exercice_fr.Rmd +++ b/module2/exo3/exercice_fr.Rmd @@ -1,33 +1,30 @@ --- -title: "Votre titre" -author: "Votre nom" -date: "La date du jour" +title: "Affichage des graphs" +author: "Daviddi Naïs" +date: "05 janvier 2026" output: html_document --- +## Création du data frame contenant toutes les valeurs. -```{r setup, include=FALSE} -knitr::opts_chunk$set(echo = TRUE) +```{r setup, include=TRUE} +values <- c(14.0, 7.6, 11.2, 12.8, 12.5, 9.9, 14.9, 9.4, 16.9, 10.2, 14.9, 18.1, 7.3, 9.8, 10.9,12.2, 9.9, 2.9, 2.8, 15.4, 15.7, 9.7, 13.1, 13.2, 12.3, 11.7, 16.0, 12.4, 17.9, 12.2, 16.2, 18.7, 8.9, 11.9, 12.1, 14.6, 12.1, 4.7, 3.9, 16.9, 16.8, 11.3, 14.4, 15.7, 14.0, 13.6, 18.0, 13.6, 19.9, 13.7, 17.0, 20.5, 9.9, 12.5, 13.2, 16.1, 13.5, 6.3, 6.4, 17.6, 19.1, 12.8, 15.5, 16.3, 15.2, 14.6, 19.1, 14.4, 21.4, 15.1, 19.6, 21.7, 11.3, 15.0, 14.3, 16.8, 14.0, 6.8, 8.2, 19.9, 20.4, 14.6, 16.4, 18.7, 16.8, 15.8, 20.4, 15.8, 22.4, 16.2, 20.3, 23.4, 12.1, 15.5, 15.4, 18.4, 15.7, 10.2, 8.9, 21.0) +df <- data.frame(Value = values) ``` -## Quelques explications - -Ceci est un document R markdown que vous pouvez aisément exporter au format HTML, PDF, et MS Word. Pour plus de détails sur R Markdown consultez . - -Lorsque vous cliquerez sur le bouton **Knit** ce document sera compilé afin de ré-exécuter le code R et d'inclure les résultats dans un document final. Comme nous vous l'avons montré dans la vidéo, on inclue du code R de la façon suivante: - -```{r cars} -summary(cars) +## Création d'un data frame avec un index +```{r setup, include=TRUE} +df <- data.frame(Index = 1:length(values), Value = values) ``` -Et on peut aussi aisément inclure des figures. Par exemple: - -```{r pressure, echo=FALSE} -plot(pressure) +## Séquence plot +```{r setup, include=TRUE} +ggplot(df, aes(x = Index, y = Value, group = 1)) + + geom_line(color = "blue", size = 1) ``` +## Histogramme plot -Vous remarquerez le paramètre `echo = FALSE` qui indique que le code ne doit pas apparaître dans la version finale du document. Nous vous recommandons dans le cadre de ce MOOC de ne pas utiliser ce paramètre car l'objectif est que vos analyses de données soient parfaitement transparentes pour être reproductibles. - -Comme les résultats ne sont pas stockés dans les fichiers Rmd, pour faciliter la relecture de vos analyses par d'autres personnes, vous aurez donc intérêt à générer un HTML ou un PDF et à le commiter. - -Maintenant, à vous de jouer! Vous pouvez effacer toutes ces informations et les remplacer par votre document computationnel. +```{r setup, include=TRUE} +ggplot(df, aes(x = Value)) + + geom_histogram(bins = 10, fill = "blue", color = "black", alpha = 0.7) +``` \ No newline at end of file -- 2.18.1