From 97aca86c78e4880093eb699b92b2e1cb9e7352ce Mon Sep 17 00:00:00 2001 From: Xavier Nardou Date: Tue, 24 Mar 2020 19:04:53 +0100 Subject: [PATCH] Commit de l'exercice 4 --- module2/exo4/exercice_fr.Rmd | 38 ++- module2/exo4/exercice_fr.html | 455 ++++++++++++++++++++++++++++++++++ module2/exo4/monjournal.csv | 8 + 3 files changed, 488 insertions(+), 13 deletions(-) create mode 100644 module2/exo4/exercice_fr.html create mode 100644 module2/exo4/monjournal.csv diff --git a/module2/exo4/exercice_fr.Rmd b/module2/exo4/exercice_fr.Rmd index 7eece5e..09f1b2a 100644 --- a/module2/exo4/exercice_fr.Rmd +++ b/module2/exo4/exercice_fr.Rmd @@ -10,24 +10,36 @@ output: html_document knitr::opts_chunk$set(echo = TRUE) ``` -## 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 . +Je me base sur les données de dates, températures et nombre de personnes croisées durant ma balade consignées dans mon journal du 18 au 24 Mars (monjournal.csv). -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: +### Je vais essayer de savoir si il y a un lien entre la température et le nombre de personnes que je croise. -```{r cars} -summary(cars) +Je pense que je vais utiliser des tests non paramétriques car mes données ne sont sûrement pas normales, mais on peut tester quand même : +```{r} +monjournal<-read.csv("monjournal.csv", header=T, dec=".", sep=";") +attach(monjournal) +shapiro.test(Temperature) +shapiro.test(Nbr) ``` +**Mes effectifs sont faibles mais bon** ... Shapiro me dis que mes deux distributions suivent la loi normale, je vais le croire et utiliser un **test de corrélation de Pearson** pour voir sqi il y a un lien entre mes deux variables. -Et on peut aussi aisément inclure des figures. Par exemple: - -```{r pressure, echo=FALSE} -plot(pressure) +```{r} +cor(Temperature,Nbr, method="pearson") +``` +Bon, il semble qu'il y ait une bonne corrélation entre le nombre de personnes que je croise et la température extérieure. + +### Je vais maintenant représenter la relation entre les deux variables +*Avec une représentation graphique simple* + +```{r} +library(ggplot2) +ggplot(monjournal, aes(x=Temperature, y=Nbr)) + + labs(x="Temperature", y="Nombre de personnes croisées durant ma balade")+ + geom_point(size=2)+ + theme_classic()+ + geom_smooth(method=lm, se=FALSE) ``` -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. +Avec le peu de données que j'ai, on ne peut pas en déduire grand chose, mais il semble qu'il y ait quand même plus de personnes dehors lorsqu'il fait plus chaud en extérieur. Cette découverte va faire l'effet d'une bombe dans le monde scientifique. -Maintenant, à vous de jouer! Vous pouvez effacer toutes ces informations et les remplacer par votre document computationnel. diff --git a/module2/exo4/exercice_fr.html b/module2/exo4/exercice_fr.html new file mode 100644 index 0000000..87f0fe1 --- /dev/null +++ b/module2/exo4/exercice_fr.html @@ -0,0 +1,455 @@ + + + + + + + + + + + + + + +Votre titre + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + +
+ + + + + + + +

Je me base sur les données de dates, températures et nombre de personnes croisées durant ma balade consignées dans mon journal du 18 au 24 Mars (monjournal.csv).

+
+

Je vais essayer de savoir si il y a un lien entre la température et le nombre de personnes que je croise.

+

Je pense que je vais utiliser des tests non paramétriques car mes données ne sont sûrement pas normales, mais on peut tester quand même :

+
monjournal<-read.csv("monjournal.csv", header=T, dec=".", sep=";")
+attach(monjournal)
+shapiro.test(Temperature)
+
## 
+##  Shapiro-Wilk normality test
+## 
+## data:  Temperature
+## W = 0.93967, p-value = 0.6357
+
shapiro.test(Nbr)
+
## 
+##  Shapiro-Wilk normality test
+## 
+## data:  Nbr
+## W = 0.97198, p-value = 0.9124
+

Mes effectifs sont faibles mais bon … Shapiro me dis que mes deux distributions suivent la loi normale, je vais le croire et utiliser un test de corrélation de Pearson pour voir sqi il y a un lien entre mes deux variables.

+
cor(Temperature,Nbr, method="pearson")
+
## [1] 0.805413
+

Bon, il semble qu’il y ait une bonne corrélation entre le nombre de personnes que je croise et la température extérieure.

+
+
+

Je vais maintenant représenter la relation entre les deux variables

+

Avec une représentation graphique simple

+
library(ggplot2)
+ggplot(monjournal, aes(x=Temperature, y=Nbr)) + 
+  labs(x="Temperature", y="Nombre de personnes croisées durant ma balade")+
+  geom_point(size=2)+
+  theme_classic()+
+  geom_smooth(method=lm, se=FALSE)
+
## `geom_smooth()` using formula 'y ~ x'
+

+

Avec le peu de données que j’ai, on ne peut pas en déduire grand chose, mais il semble qu’il y ait quand même plus de personnes dehors lorsqu’il fait plus chaud en extérieur. Cette découverte va faire l’effet d’une bombe dans le monde scientifique.

+
+ + + + +
+ + + + + + + + + + + + + + + diff --git a/module2/exo4/monjournal.csv b/module2/exo4/monjournal.csv new file mode 100644 index 0000000..c77ba06 --- /dev/null +++ b/module2/exo4/monjournal.csv @@ -0,0 +1,8 @@ +Date;Temperature;Nbr +18/03/2020;16.1;27 +19/03/2020;17.5;31 +20/03/2020;16.5;18 +21/03/2020;15.8;20 +22/03/2020;15.4;16 +23/03/2020;15.5;8 +24/03/2020;15;12 -- 2.18.1