Université Djilali Liabès
Faculté des Sciences Exactes Département d’informatique
Master 1
RSSI- WIC-ISI
Modélisation et Simulation
TP1: Initiation au langage R, Calcul de Probabilités.
R-Project est un logiciel libre et gratuit et à code source ouvert ( open source), pour le télécharger, il suffit
de saisir cette adresse : http ://cran.univ-lyon1.fr/
R-Project est un logiciel de statistique crée par Ross Ihaka & Robert Gentleman.Il est à la fois un langage
informatique et un environnement de travail.
R-Project est un logiciel multi-plat-formes,il fonctionne sous UNIX ( et linux), Windows et Mac OS.
R-Project est un logiciel dans lequel de nombreuses techniques statistiques modernes et classiques ont été
implémentées ( statistque descriptive, test d’hypothèse, analyse de la variance, méthode de regression , analyse
multivariée, etc...).
Une des grandes forces de R-Project réside dans ses capacités à combiner un lagage de programmation avec
la possibilité de réaliser des graphiques de qualité. Les graphiques usuels s’obtiennent aisément a moyen de
fonctions prédéfinies. Ces dernières possèdent un très grand nombre de paramètres permettant d’ajouter des
titres, des légendes ...
Des ‘packages’ sont installés par défaut pour les fonctions élémentaires, par contre certaines commandes exigent
le chargement de packages supplémentaires.
Le manuel de référence de R-Project est disponible directement sous R-Project : il suffit de taper le nom de
la commande sur laquelle on veut des éclaircissements précédé d’un point d’interrogation.
Dans ce TP nous nous intéressons aux fonctions élémentaires de R-Project qui nous seront utiles pour
résoudre quelques problèmes de probabilités à l’aide des simulations.
Exercice 1: Interprétez les commandes suivantes:
aa<-sqrt(19)
bb<-exp(0.5) +1
cc<-log(20)
cc<-log(30,exp(1))
dd<-log(4,10)
DD<-log(3,2)
MM<-aa*bb-cc/12
round(MM,2)
RR<-c(0:6)
RR
R7=R*7
S<-seq(1,6,0.2)
suite<-seq(1,5,length=20)
------
X<-c(log(2),exp(-1), sqrt(12),2*cos(pi/6), tan(pi/9))
X<-round(X,4)
rev(sort(X))
------
Rept<-rep(’RSSI-WIC-ISI’,4)
Rept
------
f<-function(x,y)
{
return((x+1)*exp(-y)+log(x))
}
f(10,3)
------
gg<-function(x)
{
return(x^3)
}
k<-integrate(gg,2,5)$value
round(k,2)
------
CT<-’Master’
CT<-paste(CT,’RSSI-WIC-ISI’)
------
tabb<-c(seq(1,2,6),4:7)
tabb<-append(tabb,c(10,1,200,5)))
------
x=c(5,4,8,5,6,0,9,8,5)
length(x)
diff(x)
x[x<5]<-0
table(x)
------
V1<-c(2, 1 ,5 ,3 ,3, 4, 3, 5, 3, 5, 3 ,1, 4, 6 ,4 ,1)
V2<-c(1, 3 ,2 ,4 ,2, 1, 3, 3 ,1, 4, 4, 5, 2, 2, 4, 6)
result<-c(V1>=V2)
------
mat1<-matrix(c(10,12,33,14),nrow=2,ncol=2)
mat2<-matrix(c(10,12,33,14),nrow=2,ncol=2, byrow=TRUE)
x1<-as.vector(mat1)
x2<-as.vector(mat2)
MA<- matrix(c(0,12,13,20,1,4), nrow = 3, dimnames = list(c("L1", "L2", "L3"), c("C1", "C2")))
nrow(MA)
ncol(MA)
diag(MA)
zz=c(5,4,8,5)
diag(zz)
Mm<-mat1 %*% mat2
P<-mat1*mat2
solve(Mm)
matcvp<-eigen(Mm)
------
qnorm(0.975)
dnorm(0)
pnorm(1.96)
rnorm(20)
rnorm(20,mean=3,sd=0.5)
x1=seq(-3,3,0.1)
pdf=dnorm(x1)
plot(x1,pdf,type="l")
runif(3)
rt(5,10)
------
Exercice 2:
Comment
Générer 100 entiers d’une distribution binomiale de paramètres n=3 et p=0.25, représenter le résultat
dans un tableau d’effectif avec la fonction table
Générer 50 nombres aléatoires d’une distribution uniforme sur l’intervalle 3 , 12. 3. X est une variable
aléatoire qui suit la loi normale de paramètres µ = 175 et σ = 3. Déterminer x telle que P(X > x) = 0.75.
Générer une série de 100 nombres aléatoires d’une distribution normale de moyenne 25 et d’écart type
0.02. Tracer l’histogramme des proportions.
faire un tirage de 10 réels compris entre 0 et 1.
faire un tirage de 20 réels compris entre 2 et 7.
simulation de N dés et calculer la somme S des points obtenus. Représenter le résultat dans un tableau
d’effectif avec la fonction table.
Exercice 3:
Tracer la densité d’une loi normale centrée réduite sur [−5, 5]. Superposer la densité d’une loi normale
centrée de variance 0.5. Superposer la densité d’une loi normale centrée de variance 2.
racer la fonction de répartition d’une loi normale centrée réduite sur [−5, 5]. Superposer la fonction de
répartition d’une loi normale centrée de variance 0.5. Superposer la fonction de répartition d’une loi
normale centrée de variance 2.
