Package 'ModStatR'

Description

Intervalles de confiance bootstrap pour une matrice de corrélation de Bravais-Pearson

Usage

boot.mcor.ic(mat, boot.mcor.res, conflevel = 0.95)

Arguments

Value

Liste de quatre éléments : matrice des limites inférieures des intervalles de confiance bootstrap percentile, matrice des limites supérieures des intervalles de confiance bootstrap percentile, matrice des limites inférieures des intervalles de confiance bootstrap BCa, matrice des limites supérieures des intervalles de confiance bootstrap BCa

Examples

data(Mesures5,package="BioStatR")
Mes5_red_lr = subset(Mesures5[,-5],subset=Mesures5$espece=="laurier rose")
library(boot)
boot.mcor <- boot(Mes5_red_lr[,c("masse","taille","masse_sec")], rho.mult, R=1000)
boot.mcor
boot.mcor.ic.res <- boot.mcor.ic(Mes5_red_lr[,c("masse", "taille","masse_sec")],boot.mcor)
boot.mcor.ic.res

Description

Jeu de données cancer du sein.

Usage

CancerSein

Format

Un objet data.frame avec trois variables et 62 observations :

Traitement

Factor w/ 3 levels, Type de traitement administré

Age

Numerical vector, Âge de la patiente au début du traitement

Survie

Numerical vector, Durée de survie de la patiente

Source

Modèle linéaire : Comparaison de groupes et régression de B. Prum aux Éditions de l’INSERM, 1996.

Description

Jeu de données navette spatiale.

Usage

chal

Format

Un objet data.frame avec deux variables et 24 observations :

Temperature

Integer vector, Température au moment du décollage

Defaillance

Integer vector, Défaillance de l'un des o-ring

Description

Densité de rho chapeau, estimateur du coefficient de corrélation de Bravais-Pearson

Usage

corrdist(rho, rho_0, n)

Arguments

Value

Valeur numérique, densité au point rho de l'estimateur, construit à partir d'un échantillon de taille n, du coefficient de corrélation de Bravais-Pearson, de valeur théorique égale à rho0, sous hypothèse de normalité multivariée

Examples

corrdist(.7,.8,30)

Description

Approximation de la densité de rho chapeau, estimateur du coefficient de corrélation de Bravais-Pearson

Usage

corrdistapprox(rho, rho_0, n)

Arguments

Value

Valeur numérique, approximation de la densité au point rho de l'estimateur, construit à partir d'un échantillon de taille n, du coefficient de corrélation de Bravais-Pearson, de valeur théorique égale à rho0, sous hypothèse de normalité multivariée

Examples

corrdistapprox(.7,.8,30)

Description

Meilleure approximation de la densité de rho chapeau, estimateur du coefficient de corrélation de Bravais-Pearson

Usage

corrdistapprox2(rho, rho_0, n)

Arguments

Value

Valeur numérique, approximation de la densité au point rho de l'estimateur, construit à partir d'un échantillon de taille n, du coefficient de corrélation de Bravais-Pearson, de valeur théorique égale à rho0, sous hypothèse de normalité multivariée

Examples

corrdistapprox2(.7,.8,30)

Description

Jeu de données hotels (nom des hotels dans la variable NOM).

Usage

d_hotels

Format

Un objet data.frame avec neuf variables et 39 observations :

NOM

Factor w/ 39 levels, Nom de l'hôtel

PAYS

Factor w/ 5 levels, Pays où est situé l'hôtel

ETOILE

Integer vector, Catégorie de l'hôtel

CONFORT

Integer vector, Note de confort

CHAMBRE

Integer vector, Nombre de chambres

CUISINE

Integer vector, Note de la cuisine

SPORT

Integer vector, Note des instructures sprotives

PLAGE

Integer vector, Note de la plage

PRIX

Integer vector, Prix moyen pour une nuit

Description

Jeu de données hotels (nom des hotels en rownames).

Usage

d_hotels_n

Format

Un objet data.frame avec huit variables et 39 observations :

PAYS

Factor w/ 5 levels, Pays où est situé l'hôtel

ETOILE

Integer vector, Catégorie de l'hôtel

CONFORT

Integer vector, Note de confort

CHAMBRE

Integer vector, Nombre de chambres

CUISINE

Integer vector, Note de la cuisine

SPORT

Integer vector, Note des instructures sprotives

PLAGE

Integer vector, Note de la plage

PRIX

Integer vector, Prix moyen pour une nuit

Description

Jeu de données sur des aliments vendus au McDonald.

Usage

d_macdo

Format

Un objet data.frame avec 24 variables et 260 observations :

Category

Factor w/ 9 levels, Type d'aliment

Item

Factor w/ 260 levels, Nom de l'aliment

Serving.Size

Factor w/ 107 levels, Taille

Calories

Integer vector, Calories

Calories.from.Fat

Integer vector, Calories dues à la graisse

Total.Fat

Numerical vector, Graisse totale

Total.Fat....Daily.Value.

Integer vector, % de la quantité de graisse totale attendue par jour

Saturated.Fat

Numerical vector, Graisse saturée

Saturated.Fat....Daily.Value.

Integer vector, % de la quantité de graisse saturée attendue par jour

Trans.Fat

Numerical vector, Trans.Fat

Cholesterol

Integer vector, Cholesterol

Cholesterol....Daily.Value.

Integer vector, % de la quantité de cholesterol attendue par jour

Sodium

Integer vector, Sel

Sodium....Daily.Value.

Integer vector, % de la quantité de sel attendue par jour

Carbohydrates

Integer vector, Carbohydrates

Carbohydrates....Daily.Value.

Integer vector, % de la quantité de carbohydrates attendue par jour

Dietary.Fiber

Integer vector, Fibres

Dietary.Fiber....Daily.Value.

Integer vector, % de la quantité de fibres attendue par jour

Sugars

Integer vector, Sucres

Protein

Integer vector, Protéines

Vitamin.A....Daily.Value.

Integer vector, % de la quantité de vitamine A attendue par jour

Vitamin.C....Daily.Value.

Integer vector, % de la quantité de vitamine C attendue par jour

Calcium....Daily.Value.

Integer vector, % de la quantité de calcium attendue par jour

Iron....Daily.Value.

Integer vector, % de la quantité de fer attendue par jour

Details

Ce jeu de données a été extrait de kaggle où il est possible de trouver une description complémentaire des variables.

Source

Kaggle.

Description

Jeu de données sur le premier tour des élections présidentielles de 2002. Les noms des lignes indiquent les régions.

Usage

d_pres2002

Format

Un objet data.frame avec 12 variables et 8 observations :

Arlette.Laguiller

Integer vector, Nombre de votes par région

Dominique.Voynet

Integer vector, Nombre de votes par région

François.Bayrou

Integer vector, Nombre de votes par région

Frédéric.Nihous

Integer vector, Nombre de votes par région

Gérard.Schivardi

Integer vector, Nombre de votes par région

Jean.Marie.Le.Pen

Integer vector, Nombre de votes par région

José.Bové

Integer vector, Nombre de votes par région

Marie.George.Buffet

Integer vector, Nombre de votes par région

Nicolas.Sarkozy

Integer vector, Nombre de votes par région

Olivier.Besancenot

Integer vector, Nombre de votes par région

Philippe.de.Villiers

Integer vector, Nombre de votes par région

Ségolène.Royal

Integer vector, Nombre de votes par région

Description

Jeu de données sur le premier tour des élections présidentielles de 2002. Les noms des lignes indiquent les régions.

Usage

d_pres2007

Format

Un objet data.frame avec 12 variables et 23 observations :

Sarkozy

Integer vector, Nombre de votes par région

Bayrou

Integer vector, Nombre de votes par région

Royal

Integer vector, Nombre de votes par région

Le.Pen

Integer vector, Nombre de votes par région

Besanc.

Integer vector, Nombre de votes par région

VIlliers

Integer vector, Nombre de votes par région

Voynet

Integer vector, Nombre de votes par région

Laguiller

Integer vector, Nombre de votes par région

Bove

Integer vector, Nombre de votes par région

Buffet

Integer vector, Nombre de votes par région

Nihous

Integer vector, Nombre de votes par région

Schivardi

Integer vector, Nombre de votes par région

Description

Répartition des tâches ménagèrs dans différents foyers. Les noms des lignes correspondent aux tâches ménagères.

Usage

d_TM

Format

Un objet data.frame avec 13 lignes et 4 variables :

Wife

Integer vector, Nombre de fois que la tâche est réalisée exclusivement par une femme

Alternating

Integer vector, Nombre de fois que la tâche est réalisée alternativement par une femme et un homme

Husband

Integer vector, Nombre de fois que la tâche est réalisée exclusivement par un homme

Jointly

Integer vector, Nombre de fois que la tâche est réalisée en même temps par une femme et un homme

Description

Ce jeu de données croise le type de séjours de vacances avec l'occupation des individus. L'occupation des individus correspond au nom des lignes du jeu de données.

Usage

d_vac

Format

Un objet data.frame avec 8 lignes et 8 variables :

Hotel

Integer vector, Séjour à l'hotel

Location

Integer vector, Séjour en location

Res.Second

Integer vector, Séjour dans une résidence secondaire

Parents

Integer vector, Séjour chez les parents

Amis

Integer vector, Séjour chez des amis

Camping

Integer vector, Séjour au camping

Sej.org

Integer vector, Séjour organisé

Autres

Integer vector, Autres

Description

Ce jeu données est constitué des caractéristiques de zones du jeu World of Warcraft.

Usage

d_wow

Format

Un objet data.frame avec 160 lignes et 12 variables :

Continent

Factor w/ 7 levels, Nom du continent

Area

Factor w/ 12 levels, Nom de la région

Zone

Factor w/ 80 levels, Nom de la zone

Subzone

Factor w/ 38 levels, Nom de la sous-zone

Type

Factor w/ 8 levels, Type de zone

Size

Integer vector, Taille

Controlled

Factor w/ 5 levels, Faction contrôlant la zone

Min_req_level

Integer vector, Niveau minimum requis pour pouvoir accéder à la zone

Min_rec_level

Integer vector, Niveau minimum recommandé pour s'aventurer dans la zone

Max_rec_level

Integer vector, Niveau maximum recommandé pour s'aventurer dans la zone

Min_bot_level

Integer vector, Niveau minimum pour pouvoir utiliser un bot dans la zone

Max_bot_level

Integer vector, Niveau maximum pour pouvoir utiliser un bot dans la zone

Details

Ce jeu de données a été extrait de kaggle où il est possible de trouver une description complémentaire des variables.

Source

Kaggle.

Description

Ce fichier de données fournit une vue granulaire de 208 446 matchs de football joués en France depuis la saison 2011/2012 à la saison 2016/2017.

Usage

data_event

Format

Un objet data.frame avec 208446 lignes et 40 variables :

X

Integer vector, identifiant unique de ligne

id_odsp

Factor w/ 2076 levels, identifiant unique de match

id_event

Factor w/ 208446, unique identifier of event (id_odsp + sort_order)

sort_order

Integer vector, chronological sequence of events in a game

time

Integer vector, minute of the game

text

Factor w/ 79629 levels, text commentary

event_type

Integer vector, primary event. 11 unique events (1-Attempt(shot), 2-Corner, 3-Foul, 4-Yellow Card, 5-Second yellow card, 6-(Straight) red card, 7-Substitution, 8-Free kick won, 9-Offside, 10-Hand Ball, 11-Penalty conceded)

event_type2

Integer vector, secondary event. 4 unique events (12 - Key Pass, 13 - Failed through ball, 14-Sending off, 15-Own goal)

side

Integer vector, 1-Home, 2-Away

event_team

Factor w/ 30 levels, Équipe de football qui est à l’origine de l’événement. In case of Own goals, event team is the team that beneficiated from the own goal

opponent

Factor w/ 30 levels, team that the event happened against

player

Factor w/ 1609, name of the player involved in main event (converted to lowercase and special chars were removed)

player2

Factor w/ 1498, name of player involved in secondary event

player_in

Factor w/ 1277, player that came in (only applies to substitutions)

player_out

Factor w/ 1204, player substituted (only applies to substitutions)

shot_place

Integer vector, placement of the shot (13 possible placement locations, available in the dictionary, only applies to shots)

shot_outcome

Integer vector, 4 possible outcomes (1-On target, 2-Off target, 3-Blocked, 4-Hit the post)

is_goal

Integer vector, binary variable if the shot resulted in a goal (own goals included)

location

Integer vector, location on the pitch where the event happened (19 possible locations, available in the dictionary)

bodypart

Integer vector, (1- right foot, 2-left foot, 3-head)

assist_method

Integer vector, in case of an assisted shot, 5 possible assist methods (details in the dictionary)

situation

Integer vector, 4 types: 1-Open Play, 2-Set piece (excluding Direct Free kicks), 3-Corner, 4-Free kick

fast_break

Integer vector, binary

link_odsp

Factor w/ 2076 levels lien vers la page oddsportal

adv_stats

Logical vector, boolean if the game has detailed event data

date

Factor w/ 592 levels, Date of game

league

Factor w/ 1 level, Club League

season

Integer vector, Year Played

country

Factor w/ 1 level, Host Nation of League

ht

Factor w/ 30 levels, home team

at

Factor w/ 30 levels, away team

fthg

Integer vector, full time home goals

ftag

Integer vector, full time away goals

odd_h

Numerical vector, highest home win market odds

odd_d

Numerical vector, highest draw market odds

odd_a

Numerical vector, highest away market odds

odd_over

Numerical vector, highest over 2.5 market odds

odd_under

Numerical vector, highest under 2.5 market odds

odd_bts

Numerical vector, highest both teams to score market odds

odd_bts_n

Numerical vector, highest both teams NOT to score market odds

Details

Ces données sont une version « nettoyée » d’un fichier original, events_France.csv, qu’il est possible de télécharger depuis la plate-forme Kaggle : https://www.kaggle.com/secareanualin/football-events. Certains matchs contiennent cependant des données manquantes (environ 10

Source

Kaggle.

Description

Jeu de données école avec les résultats des tests de mathématiques et de sport. Ces données ont été simulées.

Usage

ecole2

Format

Un objet data.frame avec 119 lignes et 2 variables :

Maths

Numerical vector, Note en mathématiques

Sport

Numerical vector, Note en sport

Description

Jeu de données école avec non seulement les résultats des tests de mathématiques et de sport mais aussi l'âge des élèves. Ces données ont été simulées.

Usage

ecole3

Format

Un objet data.frame avec 119 lignes et 3 variables :

Maths

Numerical vector, Note en mathématiques

Sport

Numerical vector, Note en sport

Age

Numerical vector, Âge de l'élève

Description

Fonction hypergéométrique de Gauss (hypergeo)

Usage

Gauss2F1(a, b, c, x)

Arguments

Value

Valeur numérique, l'évaluation de la fonction hypergéométrique de Gauss pour les paramètres a, b, c et x

Examples

Gauss2F1(1/2,1/2,(40-2)/2,1-.75^2)

Description

Fonction hypergéométrique de Gauss (gsl)

Usage

Gauss2F1gsl(a, b, c, x)

Arguments

Value

Valeur numérique, l'évaluation de la fonction hypergéométrique de Gauss pour les paramètres a, b, c et x

Examples

Gauss2F1gsl(1/2,1/2,(40-2)/2,1-.75^2)

Description

Motivation: Package compagnon du livre Modélisation statistique par la pratique avec R. Il contient les codes des chapitres du livre ainsi que les solutions des exercices mais aussi d'autres compléments à découvrir.

References

Modélisation statistique par la pratique avec R, Frédéric Bertrand, Emmanuelle Claeys, Myriam Maumy-Bertrand, 2019, ISBN:9782100793525, Dunod, Paris, https://www.dunod.com/sciences-techniques/modelisation-statistique-par-pratique-avec-r-cours-et-exercices-corriges, https://github.com/fbertran/ModStatR/ et https://fbertran.github.io/ModStatR/

Examples

set.seed(314)

Description

Ellipse ou intervalles de confiance pour une paire de paramètres d'un modèle linéaire

Usage

my.confidence.region(g, a = 2, b = 3, which = 0, col = "pink")

Arguments

Examples

data(Mesures,package="BioStatR")
Mes.B = subset(Mesures,Mesures$espece=="bignone")
model2<-lm(masse~taille+I(taille^2),data=Mes.B)
my.confidence.region(model2, which=1)
my.confidence.region(model2, which=2)
my.confidence.region(model2, which=3)

Description

Jeu de données sur léthalité de la cypermethrine sur des parasites.

Usage

parasites

Format

Un objet data.frame avec 12 lignes et 4 variables :

Total

Integer vector, Nombre total de parasites

N.morts

Integer vector, Nombre de parasites morts

Niveau.de.dose

Integer vector, Niveau de dose utilisé

Sexe

Factor w/ 2 levels, Sexe de l'hôte

Description

Test par permutation d'une matrice de corrélations de Bravais-Pearson

Usage

perm.cor.mtest(
  mat,
  alternative = "two.sided",
  method = "pearson",
  num.sim = 20000,
  ...
)

Arguments

Value

Liste de deux éléments : matrice p.mat (matrice des p-valeurs des tests) et matrice cor.mat (matrice des valeurs observées des coefficients de corrélation de Bravais-Pearson)

Examples

data(Mesures5,package="BioStatR")
Mes5_red_gv = subset(Mesures5[,-5],subset=Mesures5$espece=="glycine violette")
perm.cor.mtest(Mes5_red_gv,num.sim=100)

Description

Jeu de données contenant les caractéristiques de pokemons. Les pokemons concernés apparaissent dans les jeux et non dans les cartes pokemon ou Pokemon Go..

Usage

poke

Format

Un objet data.frame avec 800 lignes et 13 variables :

X.

Integer vector, PokeDex index number

Name

Factor w/ 800 levels, Name of the Pokemon

Type.1

Factor w/ 18 levels, Type of pokemon

Type.2

Factor w/ 18 levels, Other Type of Pokemon

Total

Integer vector, Sum of Attack, Sp. Atk, Defense, Sp. Def, Speed and HP

HP

Integer vector, Hit Points

Attack

Integer vector, Attack Strength

Defense

Integer vector, Defensive Strength

Sp..Atk

Integer vector, Special Attack Strength

Sp..Def

Integer vector, Special Defensive Strength

Speed

Speed

Generation

Integer vector, Number of generation

Legendary

Factor w/ 2 levels, True if Legendary Pokemon False if not (more revision on mythical vs legendary needed)

Details

Ce jeu de données a été extrait de kaggle où il est possible de trouver une description complémentaire des variables.

Source

Kaggle.

Description

Nombre de polypes chez des sujets lors d'un essai clinique.

Usage

polypes

Format

Un objet data.frame avec 20 lignes et 3 variables :

nombre

Integer vector, Nombre de polypes après 12 mois

traitement

Factor w/ 2 levels, Bras de l'essai, un facteur avec deux niveaux placebo et medicament

age

Integer vector, Âge du patient

Source

M. Giardiello, S. R. Hamilton, A. J. Krush, S. Piantadosi, L. M. Hylind, P. Celano, S. V. Booker, C. R. Robinson and G. J. A. Offerhaus (1993), Treatment of colonic and rectal adenomas with sulindac in familial adenomatous polyposis. New England Journal of Medicine, 328(18), 1313–1316. S. Piantadosi (1997), Clinical Trials: A Methodologic Perspective. John Wiley and Sons, New York.

Description

Test exact matriciel du corrélation de Bravais-Pearson avec une référence non nécessairement nulle

Usage

ref.cor.mtest(mat, matrho_0)

Arguments

Value

Liste comportant trois matrices : la matrice des p-valeurs, la matrice des coefficients de corrélations observés et la matrice des effectifs ayant servis au calcul de ces coefficients de corrélation

Examples

data(Mesures5,package="BioStatR")
Mes5_red_lr = subset(Mesures5[,-5],subset=Mesures5$espece=="laurier rose")
ref.cor.mtest(Mes5_red_lr[,c("masse","taille","masse_sec")],0.7)

Description

Test exact du coefficient de corrélation de Bravais-Pearson avec une référence non nécessairement nulle

Usage

ref.cor.test(corobs, rho_0, n)

Arguments

Value

Valeur numérique, p$valeur calculée de manière exacte du test avec la référence rho0 du coefficient de corrélation de Bravais-Pearson sous hypothèse de normalité multivariée

Examples

ref.cor.test(corobs=.7,rho_0=.8,n=30)

Description

Jeu de données contenant les résultats d'une expérience évaluant la résistance d'un ciment.

Usage

resistance

Format

Un objet data.frame avec 36 lignes et 3 variables :

Melangeur

Factor w/ 3, COLUMN_DESCRIPTION

Casseur

Factor w/ 3, COLUMN_DESCRIPTION

Resistance

Integer vector, résistance en livres par pouces carrés

Details

Davies et Goldsmith ont récolté les données d’une expérience dont le but était d’étudier les différentes sources de variabilité possibles de la résistance d’un ciment fabriqué à Portland. L’expérience s’est déroulée ainsi : plusieurs petits prélèvements d’un même type de ciment ont été mélangés à de l’eau et travaillés par trois personnes différentes, les « mélangeurs ». On a alors formé douze cubes à l’aide de chacune des préparations des « mélangeurs ». Puis on a donné ces 36 cubes à trois personnes chargées d’évaluer leur résistance, les « casseurs ». La répartition des 36 cubes entre ces « casseurs » a été faite de telle sorte que chaque « casseur » reçoive quatre cubes provenant de chacune des préparations des « mélangeurs » soit douze cubes au total. Tous les tests de résistance ont été faits sur la même machine. L’objectif principal de cette expérience était d’étudier et de quantifier l’importance de la variabilité dans les tests de résistance qui pouvait provenir des différences individuelles entre les « mélangeurs » et les « casseurs ». Les données ci-dessous, exprimées dans les unités d’origine c’est-à-dire .

Source

Davies, O.L. et Goldsmith, P.L. (Eds.), Statistical Methods in Research and Production, 4th edition, Oliver and Boyd, Edinburgh, 1972.

Description

Corrélation de Bravais-Pearson pour bootstrap ou permutation

Usage

rho(x, y, indices)

Arguments

Value

Valeur numérique, le coefficient de corrélation de Bravais-Pearson calculé pour la permutation des vecteurs x et y spécifiée par le vecteur indices

Examples

set.seed(1133)
rho(rnorm(30),rnorm(30),sample(30))

Description

Matrice de corrélation de Bravais-Pearson, bootstrap ou permutation

Usage

rho.mult(mat, indices)

Arguments

Value

Matrice des corrélations de Bravais-Pearson des données permutées

Examples

data(Mesures5,package="BioStatR")
Mes5_red_gv = subset(Mesures5[,-5],subset=Mesures5$espece=="glycine violette")
set.seed(1133)
rho.mult(Mes5_red_gv[,c("masse","taille","masse_sec")],sample(nrow(Mes5_red_gv)))

Description

Taux de leucocytes

Usage

SidaChat

Format

Un objet data.frame avec 33 lignes et 3 variables :

Sexe

Factor w/ 2 levels, Sexe de l'animal

Jours

Integer vector, Nombre de jours après l'inoculation

LnT4

Numerical vector, Logarithme népérien du taux de leucocytes T4

Details

Le taux de leucocytes T4 chez le chat a été mesuré plusieurs jours (valeur de la variable Jours) après avoir inoculé à l’animal le virus FeLV, analogue au HIV. Nous appellons LnT4 le logarithme népérien de ce taux de leucocytes T4.

Source

Modèle linéaire : Comparaison de groupes et régression de B. Prum aux Éditions de l’INSERM, 1996.

Description

Influence de différents régimes alimentaires sur des rats de laboratoire.

Usage

vitamines

Format

Un objet data.frame avec 32 lignes et 3 variables :

Calorie

Integer vector, COLUMN_DESCRIPTION

Vitamine

Integer vector, COLUMN_DESCRIPTION

Poids

Integer vector, COLUMN_DESCRIPTION

Details

Le gain de poids des rats est désigné par la variable Poids, exprimée en grammes, les deux facteurs sont les variables Calorie et Vitamine. La variable Calorie vaut 1 si les rats n’ont pas suivi un régime hypercalorique et 2 s’ils ont suivi un tel régime hypercalorique. La variable Vitamine vaut 1 si les rats n’ont pas reçu de compléments vitaminés et 2 s’ils ont reçu de tels compléments.

Source

D’après B. Falissard. Comprendre et utiliser les statistiques dans les sciences de la vie. Masson, 2005.