Licence de Mathématiques – Université de Lomé

MTH229
Introduction au logiciel

Issa Cherif GERALDO

Janvier 2023
TABLE DES MATIÈRES

0 Note introductive 5
0.1 Bref descriptif du cours . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
0.2 Objectif général . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
0.3 Structure du document . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

1 Généralités sur le logiciel R 6

1.1 Présentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2 Installation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2.1 Installation sous Windows . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2.2 Installation sous Linux . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3 Lancement et fermeture de R . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3.1 Lancement de R sous Windows . . . . . . . . . . . . . . . . . . . . . . . 8
1.3.2 Lancement de R sous Linux . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3.3 Fermeture de R . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.4 Commandes élémentaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.4.1 Création de variables et affichage . . . . . . . . . . . . . . . . . . . . . . 10
1.4.2 Séparation de commandes . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.4.3 Espace de travail . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.4.4 Documentation de R . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.4.5 Commentaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.5 Méthodes d’exécution des commandes . . . . . . . . . . . . . . . . . . . . . . . 12
1.5.1 Première méthode . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.5.2 Deuxième méthode . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.6 Bibliothèques ou packages . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

2 Classes d’objets et fonctions usuelles 15

2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2 Vecteurs numériques (classe numeric) . . . . . . . . . . . . . . . . . . . . . . . 16
2.2.1 Valeurs particulières . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.2.2 Nombres complexes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.2.3 Création . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.2.4 Opérations et fonctions . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.2.5 Composantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.2.6 Opérations entières . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.3 Matrices (classe matrix) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.3.1 Création et accès aux composantes . . . . . . . . . . . . . . . . . . . . . 19
2.3.2 Opérations et fonctions matricielles . . . . . . . . . . . . . . . . . . . . 20
2.4 Vecteurs de chaînes de caractères (classe character) et facteurs (classe factor) 21

2
Table des matières 3

2.4.1 Vecteurs de chaînes de caractères (classe character) . . . . . . . . . . 22

2.4.2 Facteurs (classe factor) . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.5 Listes (classe list) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.6 Tableaux de données (classe data.frame) . . . . . . . . . . . . . . . . . . . . . 25
2.6.1 Création par lignes de commandes . . . . . . . . . . . . . . . . . . . . . 25
2.6.2 Jeux de données internes . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.6.3 Importation de tableaux de données . . . . . . . . . . . . . . . . . . . . 26
2.6.4 Manipulation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.7 Vecteurs logiques (classe logical) . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.7.1 Création par saisie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.7.2 Opérateurs de comparaison . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.7.3 Opérateurs (connecteurs) logiques . . . . . . . . . . . . . . . . . . . . . 28
2.7.4 Fonctions logiques usuelles . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.7.5 Sélection d’éléments dans un vecteur . . . . . . . . . . . . . . . . . . . 29
2.7.6 Sélection d’éléments dans un tableau (matrice ou tableau de données) 29
2.8 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31

3 Statistique descriptive 34
3.1 Séries statistiques à une variable . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.1.1 Variable quantitative . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.1.2 Variables qualitatives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.2 Séries statistiques à deux variables quantitatives . . . . . . . . . . . . . . . . . 42
3.2.1 Nuage de points . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3.2.2 Coefficient de corrélation linéaire . . . . . . . . . . . . . . . . . . . . . . 44
3.2.3 Ajustement linéaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.3 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46

4 Programmation dans R 47
4.1 Structures de contrôle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
4.1.1 Exécution conditionnelle avec if . . . . . . . . . . . . . . . . . . . . . . 47
4.1.2 Boucle for . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
4.1.3 Boucle while . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
4.2 Création de nouvelles fonctions . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
4.2.1 Création . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
4.2.2 Appel de la fonction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
4.2.3 Affichage du code et des arguments d’une fonction . . . . . . . . . . . 50
4.2.4 Sorties multiples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
4.2.5 Arguments par défaut . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
4.2.6 Gestion des erreurs sur les arguments . . . . . . . . . . . . . . . . . . . 50
4.3 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52

5 Fonctionnalités graphiques 53
5.1 Généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
5.2 Gestion de la fenêtre graphique . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
5.2.1 Création et fermeture . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
5.2.2 Fractionnement d’une fenêtre grapique . . . . . . . . . . . . . . . . . . 54
5.2.3 Sauvegarde d’une fenêtre graphique dans un fichier . . . . . . . . . . . 54
5.3 Fonctions haut niveau . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
4 Table des matières

5.3.1 Commande générique : la commande plot . . . . . . . . . . . . . . . . 55

5.3.2 Autres fonctions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
5.4 Fonctions bas niveau . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
5.4.1 Ajout de points, de lignes ou de symboles . . . . . . . . . . . . . . . . . 56
5.4.2 Ajout de texte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
5.5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58

6 Calcul de probabilités et simulations 60

6.1 Lois de probabilités usuelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
6.2 Tirages avec ou sans remise . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
6.3 Réplication d’une commande . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
6.4 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63

Références bibliographiques 64
C HAPITRE 0

N OTE INTRODUCTIVE

0.1 B REF DESCRIPTIF DU COURS

Ce cours présente le logiciel statistique R et son utilisation pour mettre en œuvre les
méthodes et techniques usuelles en statistique descriptive et en calcul de probabilités. Il peut
être utile à toute personne ayant suivi les cours de statistique descriptive et de calcul de
probabilités (niveau première année de Licence) et souhaitant appliquer ces cours à l’aide
d’un logiciel statistique.

0.2 O BJECTIF GÉNÉRAL

L’objectif général de ce cours est d’appliquer les méthodes usuelles de la statistique des-
criptive et du calcul de probabilités avec le logiciel statistique R.

A la fin de ce cours, l’apprenant devra être capable de :

• saisir des données dans le logiciel R (chapitres 1 et 2)
• Appliquer les méthodes de la statistique descriptive à l’aide du logiciel R (chapitre 3)
• Programmer en R (chapitre 4)
• faire des représentations graphiques (chapitre 5)
• Implémenter quelques scénarios probabilistes classiques (calcul de probabilités pour
les lois usuelles, lancer de dés, simulations simples, etc. . .) (chapitre 6).

0.3 S TRUCTURE DU DOCUMENT

Le présent document est subdivisé en six (06) chapitres contenant chacun des syntaxes et
des exemples détaillés. Chaque chapitre finit par des exercices non corrigés.

Il est vivement conseillé au lecteur d’installer le logiciel R et de tester les syntaxes et les
exemples. Le lecteur est aussi exhorté à consulter la documentation de R pour une compré-
hension plus détaillée de certaines commandes.

5
C HAPITRE 1

G ÉNÉRALITÉS SUR LE LOGICIEL R

Sommaire
1.1 Présentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2 Installation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2.1 Installation sous Windows . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2.2 Installation sous Linux . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3 Lancement et fermeture de R . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3.1 Lancement de R sous Windows . . . . . . . . . . . . . . . . . . . . . . 8
1.3.2 Lancement de R sous Linux . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3.3 Fermeture de R . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.4 Commandes élémentaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.4.1 Création de variables et affichage . . . . . . . . . . . . . . . . . . . . . 10
1.4.2 Séparation de commandes . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.4.3 Espace de travail . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.4.4 Documentation de R . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.4.5 Commentaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.5 Méthodes d’exécution des commandes . . . . . . . . . . . . . . . . . . . . . 12
1.5.1 Première méthode . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.5.2 Deuxième méthode . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.6 Bibliothèques ou packages . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

1.1 P RÉSENTATION
Le logiciel R est un logiciel d’analyse statistique et graphique créé par deux statisticiens
Ross Ihaka (statisticien néo-zélandais) et Robert Gentleman (statisticien canadien) à l’univer-
sité d’Auckland (Nouvelle-Zélande) dans le cadre d’un projet de recherche débuté en 1993.

Il est un clone gratuit du logiciel payant S-plus, dérivé du langage S (Logiciel payant)
développé dans les années 1970 par une équipe de chercheurs menée par un statisticien du
nom de John M. Chambers. Depuis 1997, son développement et sa distribution sont assurés
par plusieurs statisticiens rassemblés dans le R Development Core Team.

Le logiciel R présente plusieurs avantages : c’est un logiciel libre et gratuit, très complet,
en essor permanent, disponible pour divers environnements : Linux, Windows, Macintosh.
C’est un logiciel utilisé en entreprise, dans le monde académique et de la recherche, au sein
d’organismes publics ou d’ONG ou encore par les analystes (data miners, data scientists)

6
1.2. Installation 7

spécialistes de la fouille de données.

Le site officiel du logiciel R est :

https://www.r-project.org/

1.2 I NSTALLATION

1.2.1 Installation sous Windows

Pour télécharger le fichier d’installation, il faut :
• se rendre sur le site du CRAN (Comprehensive R Archive Network) sur lequel se
trouvent les ressources pour le logiciel R : https://cran.r-project.org/)

• cliquer sur le lien Download R for Windows :

• cliquer sur install R for the first time :

• cliquer sur Download R-x.x.x for Windows.

8 Chapitre 1. Généralités sur le logiciel R

Après téléchargement du fichier d’installation, il faut l’exécuter par double-clic. Durant

l’installation, il ne faut pas oublier de cocher l’option de mettre un raccourci sur le bureau.
Une fois l’installation terminée, le logiciel R est accessible (comme tout autre logiciel) dans
le menu Démarrer ou dans Tous les programmes ou encore sur le bureau. Sur le bureau, il est
repérable par son icône :

1.2.2 Installation sous Linux

L’installation peut se faire via le gestionnaire des paquets en installant les paquets r-base-dev
et r-base.

1.3 L ANCEMENT ET FERMETURE DE R

1.3.1 Lancement de R sous Windows
Pour lancer R sous Windows, il suffit de double-cliquer sur l’icône

de RGUI (R Graphical User Interface). Il s’ouvre alors une interface graphique contenant une
fenêtre de la forme de la figure 1.1.

> Le symbole > appelé prompt indique que

R est prêt à travailler et attend une com-
mande.

Remarque 1.1 Lorsque le symbole + apparaît au lieu de >, cela signifie que la commande en
cours de saisie est incomplète (par exemple, il manque une parenthèse ou une accolade) et
que R attend qu’elle soit complétée. On peut alors soit compléter la commande soit appuyer
sur la touche Esc pour annuler la commande et revenir à >.
1.3. Lancement et fermeture de R 9

F IGURE 1.1 – Ecran de démarrage de R. Le symbole >, appelé prompt, signifie que R attend une
commande.

Remarque 1.2 On peut vider la console à tout moment en appuyant simultanément sur les
touches Ctrl et L.

1.3.2 Lancement de R sous Linux

Sous Linux, l’on peut lancer R depuis un terminal Linux en tapant simplement la com-
mande R dans le terminal (voir Figure).

F IGURE 1.2 – Terminal Linux avant lancement de R

10 Chapitre 1. Généralités sur le logiciel R

F IGURE 1.3 – Terminal Linux après lancement de R

1.3.3 Fermeture de R

quit() Commandes équivalentes à saisir dans le

q() terminal pour fermer R. Il ne faut pas ou-
blier les parenthèses.

Quand on exécute l’une de ces deux commandes, R demande si l’on souhaite sauvegarder
la session (c’est-à-dire enregistrer toutes les variables que l’on a créées dans un fichier sur le
disque dur). Il faut toujours répondre non.

QUIT() Ces commandes ne fonctionnent pas car

Quit() R est sensible à la casse c’est-à-dire R dis-
tingue les majusules des minuscules.

1.4 C OMMANDES ÉLÉMENTAIRES

1.4.1 Création de variables et affichage

x=2 Commandes équivalentes permettant de

x <- 2 créer (s’il n’existe pas encore) un objet x
2 -> x et d’affecter la valeur 2 à x.
x = 1 + 1
1.4. Commandes élémentaires 11

employe.salaire2 = 100 Les noms de variables peuvent contenir

des lettres, des chiffres, les caractères "_"
et "."

Remarque 1.3 Même si les noms de variables sont très flexibles dans R, il y a quelques règles
importantes à respecter :
1) Les noms de variables ne peuvent pas commencer par un chiffre ou un caractère spécial.
2) Comme dit plus haut, R est sensible à la casse donc les noms des variables sont aussi
sensibles à la casse (les variables x et X sont deux variables différentes).
3) Quelques noms (comme c, q, t, C, D, F, I, pi, T, etc. . .) sont déjà utilisés par R pour désigner
des objets internes et doivent être évités.

x Affiche la valeur de l’objet x.

print(x)
print("Bonjour") Affichage de texte.

1.4.2 Séparation de commandes

Pour écrire plusieurs commandes, on peut :
• soit les aligner sur une même ligne en les séparant obligatoirement par un point-virgule
• soit passer à une nouvelle ligne pour chaque commande (dans ce cas le point-virgule
n’est pas obligatoire à la fin d’une commande).

x=2; y=3; z=-1 Commandes sur la même ligne séparées

par un " ;"
x=2 Commandes séparées par un retour à la
y=3 ligne.
z=-1

1.4.3 Espace de travail

objects() Deux commandes équivalentes permet-

ls() tant d’obtenir la liste des objets (variables
et fonctions) présents en mémoire.
rm(a,b) Supprime les objets a et b de la mémoire.
rm(list=ls()) Supprime tous les objets en mémoire.
history() Historique des commandes entrées dans
le terminal dans la session courante.
12 Chapitre 1. Généralités sur le logiciel R

getwd() Afficher le répertoire courant (le réper-

toire dans lequel R écrit ou lit les fichiers
par défaut).
setwd("C:/Users/Toto/") Changer le répertoire courant
Remarquer l’utilisation de "/" et non de
"\".

1.4.4 Documentation de R

help(solve) Deux commandes équivalentes pour affi-

?solve cher l’aide HTML sur la fonction solve.
help.search("bin") Affiche la liste de toutes les pages de
??bin la documentation de R contenant le mot
"bin".

1.4.5 Commentaires

x=10 # Création de x Le symbole # est utilisé pour faire les

commentaires sur une seule ligne. Sur
une ligne donnée, R n’exécute pas le texte
ou les commandes rencontrées après le
symbole #.

1.5 M ÉTHODES D ’ EXÉCUTION DES COMMANDES

1.5.1 Première méthode
On peut entrer les commandes les unes après les autres dans la console de R et appuyer
sur la touche Enter ←- pour les exécuter.

1.5.2 Deuxième méthode

On peut aussi créer un fichier de commandes (fichier d’extension .R) en utilisant l’édi-
teur de R (ou un autre éditeur). Sous Windows, l’éditeur de R est disponible en cliquant sur
Fichier puis sur Nouveau script. Après enregistrement sur le disque dur, on peut l’exécu-
ter dans la console à l’aide de la commande source comme suit :

source("somme.R") Exécute les commandes contenues dans

le fichier somme.R

Par défaut, R cherchera le fichier somme.R dans le répertoire courant (résultat de la com-
mande getwd()). Si le fichier à exécuter se trouve dans un autre répertoire, il faudra donc au
1.6. Bibliothèques ou packages 13

F IGURE 1.4 – Exemple d’exécution de commandes dans la console de R.

préalable utiliser la commande setwd() pour indiquer à R le répertoire dans lequel se trouve
ledit fichier.

1.6 B IBLIOTHÈQUES OU PACKAGES

Une bibliothèque (ou package) est un ensemble de fonctions et de données permettant
de faire des tâches bien précises. Par exemple la bibliothèque stats contient un ensemble de
fonctionnalités permettant de faire des statistiques. Il existe deux types de bibliothèques :
• les bibliothèques de base qui sont déjà présentes dans l’installation de base de R :
seules certaines d’entre elles sont chargées automatiquement au démarrage de R (exemple
des bibliothèques base et stats).
• d’autres bibliothèques écrites par d’autres utilisateurs de R disponibles sur le site du
CRAN (Comprehensive R Archive Network) : https://cran.r-project.org/web/
packages/index.html.
A la date de la dernière mise à jour de ce cours (janvier 2023), le site du CRAN compte
un peu plus de 19 000 packages.

library() Liste toutes les bibliothèques disponibles

localement sur la machine où R est exé-
cuté.
library(stats) Chargement d’une bibliothèque.
Cette commande est obligatoire pour uti-
liser les fonctionnalités (fonctions, don-
nées) d’une bibliothèque (ici stats).
help(package=stats) Documentation du package stats.
search() Liste des bibliothèques chargées.
14 Chapitre 1. Généralités sur le logiciel R

install.package(nom) Télécharge la dernière version de la bi-

bliothèque nom et l’installe.
A l’exécution de la commande d’installation d’un package, R peut demander de spéci-
fier un miroir. Les miroirs sont des serveurs situés à plusieurs endroits dans le monde et
disposant des mêmes fichiers que ceux téléchargeables sur le site du CRAN.

Remarque 1.4 Dans ce cours, nous n’aurons besoin de télécharger aucun package. La ver-
sion basique de R contient tout ce nous avons besoin.
C HAPITRE 2

C LASSES D ’ OBJETS ET FONCTIONS USUELLES

Sommaire
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2 Vecteurs numériques (classe numeric) . . . . . . . . . . . . . . . . . . . . . . 16
2.2.1 Valeurs particulières . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.2.2 Nombres complexes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.2.3 Création . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.2.4 Opérations et fonctions . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.2.5 Composantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.2.6 Opérations entières . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.3 Matrices (classe matrix) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.3.1 Création et accès aux composantes . . . . . . . . . . . . . . . . . . . . 19
2.3.2 Opérations et fonctions matricielles . . . . . . . . . . . . . . . . . . . 20
2.4 Vecteurs de chaînes de caractères (classe character) et facteurs (classe
factor) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.4.1 Vecteurs de chaînes de caractères (classe character) . . . . . . . . . 22
2.4.2 Facteurs (classe factor) . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.5 Listes (classe list) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.6 Tableaux de données (classe data.frame) . . . . . . . . . . . . . . . . . . . . 25
2.6.1 Création par lignes de commandes . . . . . . . . . . . . . . . . . . . . 25
2.6.2 Jeux de données internes . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.6.3 Importation de tableaux de données . . . . . . . . . . . . . . . . . . . 26
2.6.4 Manipulation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.7 Vecteurs logiques (classe logical) . . . . . . . . . . . . . . . . . . . . . . . . 27
2.7.1 Création par saisie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.7.2 Opérateurs de comparaison . . . . . . . . . . . . . . . . . . . . . . . . 28
2.7.3 Opérateurs (connecteurs) logiques . . . . . . . . . . . . . . . . . . . . 28
2.7.4 Fonctions logiques usuelles . . . . . . . . . . . . . . . . . . . . . . . . 29
2.7.5 Sélection d’éléments dans un vecteur . . . . . . . . . . . . . . . . . . 29
2.7.6 Sélection d’éléments dans un tableau (matrice ou tableau de données) 29
2.8 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31

2.1 I NTRODUCTION
Tous les objets R (variables, fonctions) ont une classe et les manipulations possibles sur
un objet donné dépendent de sa classe. Les classes d’objets usuelles sont :

15
16 Chapitre 2. Classes d’objets et fonctions usuelles

numeric, matrix, character, factor, list, data.frame, logical.

x=2; class(x) Affichage de la classe de l’objet x, ici

"numeric".

2.2 V ECTEURS NUMÉRIQUES ( CLASSE numeric)

2.2.1 Valeurs particulières

NA Valeur manquante (Not Available).

Inf ; -Inf Respectivement +∞ et −∞.
pi Variable interne contenant la valeur de π.
1/0 ; -1/0 Respectivement Inf et -Inf.
0/0 ; Inf-Inf NaN (Not a Number).

2.2.2 Nombres complexes

sqrt(-1) Affiche NaN.

sqrt(-1+0i) Affiche 0+1i.

2.2.3 Création
Il existe plusieurs méthodes pour créer un vecteur numérique. Dans la pratique, il revient
à l’utilisateur de choisir la méthode la mieux adaptée à ce qu’il souhaite faire.

x = c(1,3,4,-5) Création du vecteur (1, 3, 4, −5) affecté à

x. La lettre c peut être comprise comme
collect ou combine.
print(x) Affichage de x
1:10 Vecteur (1, 2, . . . , 9, 10).
seq(from=1,to=10,by=2) Création d’un vecteur dont les compo-
santes forment une suite arithmétique de
premier terme 1 (from=1), dont la raison
(encore appelée incrément ou pas) vaut 2
(by=2). L’argument to=10 indique que la
composante maximale ne doit pas dépas-
ser 10.
Ici le résultat est un vecteur à 5 compo-
santes : 1, 3, 5, 7 et 9.
2.2. Vecteurs numériques (classe numeric) 17

x=c(1,2); Commandes équivalentes permettant de

c(x,x,x); rep(x,times=3) créer un nouveau vecteur formé en met-
tant x bout à bout 3 fois. Le résultat est
(1, 2, 1, 2).
rep(x,each=3) Création d’un vecteur dans lequel chaque
composante de x est répétée 3 fois succes-
sivement. Le résultat est (1, 1, 1, 2, 2, 2).
rep(x,times=c(2,3)) Création d’un vecteur contenant 2 fois la
première composante et 3 fois la seconde.
Le résultat est (1, 1, 2, 2, 2).

2.2.4 Opérations et fonctions

2.2.4.1 Opérations et fonctions usuelles
Soient x et y deux vecteurs créés à l’aide du code ci-après :

x=c(1,-5,7,0)
y=c(2,3,-4,1)

z=x+y Addition, multiplication et division com-

z=x*y posante par composante pour deux vec-
z=x/y teurs de même nombre de composantes.
z=2*x
2*x Multiplication de toutes les composantes
de x par 2.
x+2 Ajoute 2 à toutes les composantes de x.
abs(x); xˆ2; xˆ(1/3); sqrt(x); Ces fonctions usuelles s’appliquent à
exp(x); log(x); sin(x); cos(x); toutes les composantes de x c’est-à-dire
tan(x); sinh(x); cosh(x); elles retournent un vecteur de même
tanh(x); . . . taille que x dont les composantes sont les
images respectives de celles de x.
length(x) Nombre de composantes de x.
max(x) ; min(x) Maximum et minimum des composantes
de x.
range(x) Vecteur composé du minimum et du
maximum des composantes de x.
sum(x) ; mean(x) Somme des composantes, moyenne.
round(x); round(x,2) Arrondi à l’entier le plus proche ; arrondi
à la seconde décimale.
18 Chapitre 2. Classes d’objets et fonctions usuelles

ceiling(x) Plus petit entier supérieur.

floor(x) Fonction partie entière (plus grand entier
inférieur).
trunc(x) Troncature des décimales.
factorial(x) Calcule les factorielles des éléments du
vecteur x.
choose(5,3) Valeur de C53 .
rev(x) Renverse le vecteur x. Résultat :
(0, 7, −5, 1).
sort(x) Tri par ordre croissant.
sort(x,decreasing=TRUE) Tri par ordre décroissant.
order(x) Renvoie l’ordre dans lequel il faut sélec-
tionner les composantes de x pour avoir
le tri par ordre croissant.
Ici, on obtient
2, 4, 1, 3,
ce qui signifie que pour trier par ordre
croissant, il faut prendre le 2ème élément
de x (c’est-à-dire −5), puis le 4ème (0),
puis le 1er (1) et enfin le 3ème (7).
order(x,decreasing=TRUE) Renvoie l’ordre dans lequel il faut sélec-
tionner les composantes de x pour avoir
le tri par ordre décroissant.
which.min(x) Position du minimum. Retourne 2 (le
deuxième élément de x est le minimum).
which.max(x) Position du maximum. Retourne 3 (le
troisième élément de x est le maximum).

2.2.4.2 Nécessité de l’utilisation de parenthèses

1:4-1 ; 1:(4-1) Respectivement (0, 1, 2, 3) et (1, 2, 3).

Dans le premier cas, R exécute la com-
mande 1:4 pour former le vecteur
(1, 2, 3, 4) puis retranche 1 à toutes
les composantes. Le second cas est
équivalent à 1:3.
2ˆ2ˆ3 ; (2ˆ2)ˆ3 Respectivement 28 = 256 et 43 = 64.
2.3. Matrices (classe matrix) 19

2.2.5 Composantes

x[1] La 1ère composante de x.

x[1:4] Les quatre premières composantes de x.
x[c(2,3)] Les 2ème et 3ème composantes de x.
x[-c(1,3)] Toutes les composantes de x sauf la pre-
mière et la troisième.
head(x,2) Extraction des 2 premiers éléments.
tail(x,2) Extraction des 2 derniers éléments.
x[2]=-3 La 2ème composante de x est remplacée
par 2.

2.2.6 Opérations entières

x%%2 Renvoie pour chaque élément du vecteur

numérique x, le reste de la division eucli-
dienne dudit élément par 2.
x%/%2 Renvoie pour chaque élément du vecteur
numérique x, le quotient de la division
euclidienne dudit élément par 2.

2.3 M ATRICES ( CLASSE matrix)

2.3.1 Création et accès aux composantes

A=matrix(0,nrow=2,ncol=3) Commandes équivalentes permettant de

A=matrix(0,2,3) créer une matrice A à 2 lignes et 3 co-
lonnes composée de 0.
A=matrix(1:6,nrow=2,ncol=3) Matrice à 2 lignes et 3 colonnes dont les
composantes sont les nombres de 1 à 6.
Par défaut, la matrice est remplie colonne
par colonne i.e.
 
1 3 5
A= .
2 4 6
20 Chapitre 2. Classes d’objets et fonctions usuelles

A=matrix(c(-1,3,4,-2,0,7), L’argument byrow=TRUE permet de spéci-

nrow=2, ncol=3, byrow=TRUE) fier que le remplissage doit se faire sui-
vant les lignes.
 
−1 3 4
A= .
−2 0 7

nrow(A) ; ncol(A) Nombres de lignes et de colonnes respec-

tivement.
dim(A) Un vecteur de deux composantes qui sont
respectivement le nombre de lignes et le
nombre de colonnes de A.
A[1,3] Elément de la 1ere ligne et de la 3e co-
lonne.
A[,3] Toute la 3ème colonne.
A[1,] Toute la 1ère ligne.
A[1:2,2:3] Sous-matrice composée des deux 1ères
lignes et des 2ème et 3ème colonnes.

2.3.2 Opérations et fonctions matricielles

A+B ; A*B ; Aˆ2 Opérations termes à termes : A et B

doivent être de même dimension.
A%*%B Produit matriciel (nécessite que le
nombre de colonnes de A soit égal au
nombre de lignes de B).
t(A) Transposée.
diag(v) Si v est un vecteur, cette commande
donne une matrice diagonale avec les élé-
ments de v sur la diagonale.
diag(A) Si A est une matrice, cette commande
permet d’extraire la diagonale de A sous
forme d’un vecteur.
diag(k) Si k est un nombre entier naturel, cette
commande permet d’obtenir la matrice
identité d’ordre k.
det(A) Déterminant d’une matrice carrée A.
2.4. Vecteurs de chaînes de caractères (classe character) et facteurs (classe factor) 21

solve(A) Inverse de A.
solve(A,B) Résolution de l’équation AX = B où A
est une matrice carrée d’ordre n inver-
sible et B est un vecteur de taille n ou une
matrice à n lignes.
eigen(A)$values Valeurs propres de A.
eigen(A)$vectors Vecteurs propres de A.
apply(A,dim,f) Applique la fonction f à chaque ligne de
A si dim=1 et chaque colonne si dim=2.
apply(A,1,mean); rowMeans(A) Commandes équivalentes pour calculer
la moyenne des éléments de A par ligne.
apply(A,2,mean); colMeans(A) Commandes équivalentes pour calculer
la moyenne des éléments de A par co-
lonne.
apply(A,1,sum); rowSums(A) Commandes équivalentes pour calculer
la somme des éléments de A par ligne.
apply(A,2,sum); colSums(A) Commandes équivalentes pour calculer
la somme des éléments de A par colonne.
addmargins(A) Rajoute à la matrice A des marges conte-
nant respectivement les sommes par
lignes et par colonnes.
cbind(A,B,C) Met les matrices A, B et C bout à bout ho-
rizontalement.
rbind(A,B,C) Met les matrices A, B et C bout à bout ver-
ticalement.
outer(x,y,"*"); outer(x,y,"+") Produit cartésien des vecteurs numé-
riques x et y et application des opérateurs
* et +.

2.4 V ECTEURS DE CHAÎNES DE CARACTÈRES ( CLASSE character)

ET FACTEURS ( CLASSE factor)

Ces deux classes permettent de saisir des données qualitatives. La principale différence
est que les facteurs (classe factor) sont beaucoup plus adaptés aux variables qualitatives
ayant des modalités alors que les chaînes de caractères simples (classe character) sont sou-
vent utilisées pour des données qualitatives n’ayant pas a priori un caractère statistique (par
exemple, le nom et les prénoms).
22 Chapitre 2. Classes d’objets et fonctions usuelles

2.4.1 Vecteurs de chaînes de caractères (classe character)

2.4.1.1 Création et manipulation

y = c("Jean","Louise") Création d’un vecteur y vecteur composé

de deux chaînes de caractères. Ne pas ou-
blier l’emploi des "".
paste("bon","jour") La commande paste permet de coller
(concaténer) autant de chaînes de carac-
tères que l’on veut. Ici, le résultat est la
chaîne de caractères "bon jour".
Par défaut, un espace sépare les chaînes
concaténées.
paste("bon","jour",sep="") Résultat : "bonjour". Ici, l’on a précisé le
séparateur (sep) qui est une chaîne de ca-
ractères vide.
paste(1:3,c("A","B","C"),sep="") On peut aussi concaténer des vecteurs. Ici
le résultat est le vecteur de chaînes de ca-
ractères : "1A" "2B" "3C"
as.character(10) Le nombre 10 devient la chaîne de carac-
tères "10".
nchar("Bonjour") Nombre de caractères de la chaîne : ici 7.
toupper("bon"); tolower("BON") Conversion en majuscules / minuscules.
substr("ABCDE",2,4) Extraction des caractères de la 2ème à la
4ème position. Le résultat est "BCD".
chartr("12345", "ABCDE", x) Remplace respectivement 1, 2, 3, 4 et 5 par
A, B, C, D et E dans le vecteur de chaînes
de caractères x
unique(x) Retourne un objet de même classe que x
en enlevant les doublons.
help(character) Ouverture de la documentation de R sur
les chaînes de caractères.

2.4.1.2 Vecteurs de chaînes de caractères internes à R

Le logiciel R contient des vecteurs de chaînes de caractères prédéfinis sous forme de
constantes internes. Parmi eux, on peut citer :
LETTERS −→ Les 26 lettres de l’alphabet en majuscules.
letters −→ Les 26 lettres de l’alphabet en minuscules.
month.name −→ Les 12 mois de l’année en anglais .
month.abb −→ Les abréviations de 3 lettres de month.name.
2.4. Vecteurs de chaînes de caractères (classe character) et facteurs (classe factor) 23

2.4.1.3 Nommage des colonnes d’un vecteur

Soit x un vecteur numérique. La commande names(x) permet d’attribuer des noms aux
colonnes de x.

Exemple 2.1 Lors de l’année scolaire 2020-2021, l’effectif des élèves dans le second cycle au
Togo est réparti par région comme suit (source : https://togo.dataforall.org/) :
DAGL Maritime Plateaux Centrale Kara Savanes
58 560 34 386 34 385 17 070 24 703 18 048
DAGL = District Autonome du Grand Lomé

Console R
> x=c(58560,34386,34385,17070,24703,18048)
> print(x)
[1] 58560 34386 34385 17070 24703 18048
> names(x)=c("DAGL","Maritime","Plateaux","Centrale","Kara","Savanes")
> print(x)
DAGL Maritime Plateaux Centrale Kara Savanes
58560 34386 34385 17070 24703 18048

On voit bien la différence à l’affichage.

On peut aussi utiliser les noms des colonnes pour sélectionner les éléments du vecteur
comme suit :

x[2] ; x["Maritime"] Commandes équivalentes.

2.4.1.4 Nommage des lignes et des colonnes d’une matrice

Les commandes rownames et colnames permettent d’attribuer des noms aux lignes et aux
colonnes d’une matrice.

Exemple 2.2
Console R
> notes=matrix(c(12,15,7,13,11,20),2,3,byrow=TRUE)
> print(notes)
[,1] [,2] [,3]
[1,] 12 15 7
[2,] 13 11 20
> rownames(notes)=c("Kodjo","Afi")
> colnames(notes)=c("MTH","PHY","SVT")
> print(notes)
MTH PHY SVT
Kodjo 12 15 7
Afi 13 11 20

Ici aussi, on voit bien la différence à l’affichage.

On peut aussi utiliser les noms des lignes et des colonnes pour sélectionner les éléments
d’une matrice comme suit :
24 Chapitre 2. Classes d’objets et fonctions usuelles

notes[1,2] ; Commandes équivalentes permettant

notes["Kodjo","PHY"] d’extraire la note de Kodjo en PHY.
notes[,1] ; notes[,"MTH"] Commandes équivalentes permettant
d’extraire toutes les notes de MTH
(première colonne).
notes[2,] ; notes["Afi",] Commandes équivalentes permettant
d’extraire les notes de Afi (deuxième
ligne).

2.4.2 Facteurs (classe factor)

Cette classe d’objets permet de saisir des données concernant une variable statistique
qualitative ayant plusieurs modalités. Cette structure va au-delà du simple vecteur de ca-
ractères puisqu’elle est conçue pour gérer de façon spécifique les données qualitatives (ou
catégorielles).

Pour saisir des données d’une variable statistique qualitative ayant plusieurs modalités,
on utilise la fonction factor comme dans l’exemple ci-après.

Exemple 2.3 Considérons les mentions obtenues par 10 élèves admis au BAC2. On peut sai-
sir les données et les afficher avec le code suivant :

Console R
> mention = factor(c("B","TB","P","P","AB","P","B","P","B","TB"))
> print(mention)
[1] B TB P P AB P B P B TB
Levels: AB B P TB

La deuxième ligne de l’affichage donne les modalités (levels).

levels(mention) Liste des modalités.

summary(mention) Deux commandes équivalentes permet-
table(mention) tant d’obtenir le tableau de contingence
du vecteur mention c’est-à-dire un ta-
bleau donnant les modalités et le nombre
de fois que chacune apparaît.

Console R
> print(table(mention))
mention
AB B P TB
1 3 4 2
2.5. Listes (classe list) 25

2.5 L ISTES ( CLASSE list)

Une liste est une collection ordonnée d’objets qui peuvent être de différentes classes. C’est
donc un outil très pratique pour disposer, sous la forme d’une seule variable de type liste, de
plusieurs variables de différents types. Les listes présentent en particulier de l’intérêt lors de
la création et l’utilisation des objets de type fonctions que nous verrons plus tard.

etud=list(nom="Kodjo", age=21, Création d’une liste à trois composantes

genre="M") de différentes classes : les composantes
nom et genre sont de classe character
alors que age est de classe numeric.
names(etud) Noms des composantes de la liste etud.
etud$age ; etud[[2]] ; Commandes équivalentes pour obtenir la
etud[["age"]] seconde composante age.

2.6 TABLEAUX DE DONNÉES ( CLASSE data.frame)

Les tableaux de données (ou structures de données hétérogènes) sont des tableaux dont
les lignes sont des listes de mêmes composantes et dont les colonnes peuvent être de dif-
férents types (numérique, logique, chaînes de caractères). Ils se manipulent de façon très
semblable aux matrices. Ce type de structure sert à stocker des informations (en colonnes)
relatives aux individus (en lignes).

2.6.1 Création par lignes de commandes

Elle se fait à l’aide de la fonction data.frame.

Exemple 2.4 Considérons le tableau suivant :

Nom Age Genre

Afi 18 F
Koffi 24 M
Kodjo 22 M
Adjo 20 F

Il s’agit d’un tableau de données de quatre (4) lignes (individus) et trois (3) colonnes (va-
riables) avec des chaînes de caractères en 1ère colonne, du numérique dans la seconde et des
facteurs dans la dernière colonne.
• Pour saisir les données, on peut utiliser le code
x = data.frame(nom=c("Afi","Koffi","Kodjo","Adjo"), age=c(18,24,22,20),
genre=factor(c("F","M","M","F")))

ou le code
nom = c("Afi","Koffi","Kodjo","Adjo")
age = c(18,24,22,20)
26 Chapitre 2. Classes d’objets et fonctions usuelles

genre = factor(c("F","M","M","F"))
x = data.frame(nom,age,genre)

• Pour l’affichage, on utilise le code

print(x)

qui donne comme résultat :

nom age genre

1 Afi 18 F
2 Koffi 24 M
3 Kodjo 22 M
4 Adjo 20 F

2.6.2 Jeux de données internes

Ce sont des jeux de données installées avec R, accessibles à chaque lancement de R et qui
n’ont pas besoin d’être créés par l’utilisateur.

data() Commande permettant de lister tous les

jeux de données internes disponibles.
data(iris) Chargement du jeu de données interne
nommé iris. La variable iris est main-
tenant un objet de l’espace de travail.

2.6.3 Importation de tableaux de données

On peut aussi importer des tableaux de données dans R depuis des fichiers d’extensions
telles que .txt, .csv, .xls et .xlsx.

Un fichier de données doit être organisé de préférence, de la façon suivante :

• La première ligne peut contenir ou non les noms des composantes ou variables.
• Chaque ligne suivante correspond à un nouvel individu décrit par les variables pré-
cédentes. Le début de la ligne peut contenir ou non l’identifiant de cet individu.
• Les colonnes sont séparées par un espace ou par un autre séparateur.

Exemple 2.5 Voici un exemple de contenu de fichier à importer pour lequel les colonnes sont
séparées par un espace :
example.txt
nom age genre
Afi 18 F
Koffi 24 M
Kodjo 22 M
Adjo 20 F

Voici les mêmes données au format CSV avec séparateur point-virgule :

2.7. Vecteurs logiques (classe logical) 27

example.csv
nom;age;genre
Afi;18;F
Koffi;24;M
Kodjo;22;M
Adjo;20;F

Suivant l’extension du fichier à importer, l’on pourra utiliser l’une des fonctions sui-
vantes :

Fichiers *.txt −→ Fonction read.table

fichiers csv −→ Fonctions read.csv ou read.csv2.

fichiers xls ou xlsx −→ Fonctions read.xlsx et read.xlsx2 de la

librairie xlxs (à télécharger, installer et
charger).

L’importation de données n’est pas abordée en détails dans ce cours. Le lecteur intéressé
pourra consulter la documentation ou les références bibliographiques du cours pour plus de
détails sur les fonctions sus-citées.

2.6.4 Manipulation

View(x) Affichage de x dans le tableur interne de

R.
x$age ; x[,2] ; x[["age"]]; Commandes équivalentes permettant de
x[[2]] récupérer la colonne age de x.
names(x) Noms des composantes (colonnes) de x.
tapply(x$age, x$genre, mean) Calcul de l’âge moyen par genre.
transform(x,age.new=age+2) Création d’une copie de x et ajout d’une
nouvelle colonne age.new obtenue en
ajoutant 2 à age.

2.7 V ECTEURS LOGIQUES ( CLASSE logical)

Un vecteur logique est un vecteur dont chaque composante prend l’une des valeurs lo-
giques ou valeurs de vérité TRUE (Vrai) et FALSE (Faux).

2.7.1 Création par saisie

Exemple 2.6 On interroge dix étudiants d’un cours de Statistique sur une question de type
Vrai (V) ou Faux (F). Les réponses obtenues sont les suivantes :
28 Chapitre 2. Classes d’objets et fonctions usuelles

F V F V F F F V V V
On peut saisir les données et les afficher :
Console R
> x=c(FALSE,TRUE,FALSE,TRUE,FALSE,FALSE,FALSE,TRUE,TRUE,TRUE)
> print(x)
[1] FALSE TRUE FALSE TRUE FALSE FALSE FALSE TRUE TRUE TRUE

as.numeric(FALSE) ; Respectivement 0 et 1.
as.numeric(TRUE)
sum(x) Lorsqu’on applique une fonction numé-
rique à un vecteur logique, les FALSE et
les TRUE deviennent respectivement 0 et
1.
Ainsi, cette commande permet de comp-
ter le nombre de fois que TRUE apparaît
dans x.
table(x) Tableau de contingence de x.

2.7.2 Opérateurs de comparaison

x=c(4,-2,5,0,7) Affichage d’un vecteur de même lon-

print(x>3) gueur que x avec des TRUE correspondant
aux composantes de x strictement plus
grandes que 3 et des FALSE ailleurs.
x>=3 ; x<3 ; x<=3 ; x==3 ; x!=3 Autres exemples de comparaison : inéga-
lités larges, égalité, différence.

Console R
> x=c(4,-2,5,0,7)
> print(x>3)
[1] TRUE FALSE TRUE FALSE TRUE

2.7.3 Opérateurs (connecteurs) logiques

Soient y1 et y2 deux vecteurs logiques ayant le même nombre d’éléments.

y1 & y2 Conjonction (« et » logique).

y1 | y2 Disjonction (« ou »).
!y1 Négation.
xor(y1,y2) « ou » exclusif.
2.7. Vecteurs logiques (classe logical) 29

2.7.4 Fonctions logiques usuelles

is.na(x) Retourne un vecteur ou une matrice de

même taille que x indiquant pour chaque
composante de x s’il s’agit d’une valeur
manquante.
is.finite(x) Retourne un vecteur ou une matrice de
même taille que x indiquant pour chaque
composante de x si elle est finie ou non
(infinie).
is.vector(x), is.matrix(x), L’objet x est-il un vecteur ? une matrice ?
is.data.frame(x) un tableau de données ?
Ces fonctions retournent une seule valeur
logique.
60%in%x; is.element(60,x) Commandes équivalentes pour tester si
60 est une composante de x.
any(x>2) Retourne TRUE si au moins un élément de
x est strictement supérieur à 2 et FALSE si-
non.
all(x>2) Retourne TRUE si tous les éléments de x
sont strictement supérieurs à 2 et FALSE
sinon.
exists("y") Retourne TRUE si la variable y existe et
FALSE sinon.

2.7.5 Sélection d’éléments dans un vecteur

x=c(3,-1,0,10,12); which(x>=10) Positions des éléments de x supérieurs ou

égaux à 10. Retourne un vecteur de deux
éléments 4 et 5.
x[x>2] Commandes équivalentes permettant de
subset(x,x>2) récupérer les composantes de x stricte-
ment supérieures à 2.
x[x>2]=1 Remplace toutes les composantes de x
strictement supérieures à 2 par 1.

2.7.6 Sélection d’éléments dans un tableau (matrice ou tableau de données)

Sans perte de généralités, soit A la matrice définie comme suit :
30 Chapitre 2. Classes d’objets et fonctions usuelles

Console R
> A=matrix(-4:4,nrow=3,ncol=3)
> print(A)
[,1] [,2] [,3]
[1,] -4 -1 2
[2,] -3 0 3
[3,] -2 1 4

On sait que la sélection des éléments de A peut se faire sous l’une des trois formes A[idx1,idx2],
A[idx1,] et A[,idx2], où idx1 et idx2 sont des vecteurs contenant respectivement les nu-
méros des lignes et des colonnes à sélectionner. On peut remplacer ces vecteurs de numéros
de lignes et de colonnes par des vecteurs logiques définis à partir des lignes et des colonnes.
Dans ce cas, seules les lignes et/ou colonnes correspondant à la valeur TRUE seront sélection-
nées.

which(A[,2]>=0) Numéros des lignes pour lesquelles l’élé-

ment de la colonne 2 est supérieur ou égal
à 0.
A[A[,2]==0,] Commandes équivalentes permettant de
subset(A,A[,2]==0) récupérer les lignes pour lesquelles la
deuxième colonne est nulle.
A[,A[1,]>0] Commande permettant de récupérer les
colonnes pour lesquelles la première
ligne est strictement positive.
A[A>2]=5 Remplace toutes les composantes de A
strictement supérieures à 2 par 5.
2.8. Exercices 31

2.8 E XERCICES
Exercice 2.1
1) Créer le vecteur v1a de composantes −1, 2.5, 3, −4, 6, 15, −4 et le vecteur v1b formé
des entiers de 1 à 5. Créer, sans ressaisir les composantes, le vecteur v1 composé des 5
premières composantes de v1a et de toutes celles de v1b.
2) Créer le vecteur v2 composé de la suite des nombres allant de 0 à 2π par pas de π/2.
Calculer leurs cosinus respectifs dans un vecteur v2.cos.
3) Créer le vecteur v3 contenant tous les multiples de 2 compris entre 2 et 50. Combien y en
a-t-il ?
4) Créer le vecteur v4 contenant tous les multiples de 3 compris entre 2 et 50. Combien y en
a-t-il ?
5) En utilisant les fonctions intersect et setdiff, créer le vecteur v5 des multiples com-
muns à 2 et 3 et le vecteur v6 des multiples de 3 qui ne sont pas multiples de 2.

Exercice 2.2
1) Construire, en une seule commande, la matrice M suivante :
 
2 4 1 2
3 4 5 6
M= 7 8

9 10
11 12 35 7

2) Afficher :
(a) l’élément situé à l’intersection de la première ligne et de la troisième colonne ;
(b) la première ligne de M ;
(c) la troisième colonne de M ;
(d) la sous-matrice obtenue après avoir enlevé la première ligne et la première colonne
de M ;
(e) la somme des éléments de M par lignes ;
(f) la sous-matrice obtenue en ne gardant que les lignes dont la somme est supérieure
ou égale à 25.

Exercice 2.3 Ecrire et exécuter le code permettant de créer sans saisir les composantes,
1) la matrice A d’ordre 5 × 5 avec des 1 partout sauf des 0 sur la diagonale ;
2) la matrice B d’ordre 5 × 5 avec les nombres 1 à 49 de deux en deux et répartis de façon
croissante colonne par colonne.
3) La matrice B2 issue de B où les multiples de 3 sont remplacés par la valeur 0.

Exercice 2.4 Le jeu de données precip est pré-enregistré dans le logiciel R et regroupe des
données de précipitations dans différentes villes américaines. Ecrire et exécuter le code R
permettant de (d’) :
 32 Chapitre 2. Classes d’objets et fonctions usuelles

1) importer le jeu de données precip ;

2) afficher la classe de precip ;
3) afficher la liste des villes concernées ;
4) déterminer le nombre de villes concernées ;
5) afficher le niveau de précipitation des villes suivantes : Philadelphia, Columbia, Balti-
more.

Exercice 2.5 On a relevé les informations sur les appartements disponibles auprès d’un agent
immobilier et obtenu les données suivantes :
loyer cuisine nb.chb quartier
27000 TRUE 1 AGOE
35000 TRUE 2 TOTSI
40000 TRUE 2 KEGUE
10000 FALSE 1 BE
15000 FALSE 1 TOTSI
30000 TRUE 2 AGOE
12000 FALSE 1 TOTSI

où loyer indique le loyer mensuel en francs CFA, cuisine indique la présence ou non d’une
cuisine, nb.chb indique le nombre de chambres et quartier indique le quartier où se trouve
l’appartement. Ecrire et exécuter le code R permettant de (d’) :
1) saisir les données dans un tableau de données nommé M ;
2) déterminer le nombre d’appartements concernés ;
3) calculer le loyer moyen ;
4) calculer le loyer moyen par quartier ;
5) déterminer le nombre de quartiers concernés ;
6) déterminer le nombre d’appartements avec cuisine ;
7) afficher les données de l’appartement le plus cher ;
8) afficher les données de tous les appartements avec cuisine situés à Totsi ;
9) ajouter à M, sans ressaisir M :
• une colonne caution contenant la valeur 6 et correspondant au nombre de mois de
loyer servant de caution,
• une colonne avance contenant les valeurs 3, 4, 6, 2, 2, 4 et 2 correspondant au nombre
de mois de loyer à payer en avance
• et une colonne loyer2 correspondant au loyer augmenté des charges additionnelles
(par exemple, frais d’usage de fosse sceptique) s’élevant à 500 francs CFA pour tous
les appartements.
10) afficher le tableau M en triant les appartements du plus cher au moins cher.

Exercice 2.6 Répondre aux questions ci-après en utilisant des commandes R.

1) Importer dans votre session R le jeu de données WorldPhones.
2.8. Exercices 33

2) Afficher son contenu.

3) Quelle est sa classe ?
4) Calculer le nombre total de téléphones pour chaque année (vecteur nb.tel.an).
5) Quel est le continent qui a le plus / moins de numéros attribués en 1961 ?
6) En 1961, dans combien de continents y a-t-il plus de : 20 millions de téléphones ?
7) En quelle année, le nombre total de téléphones a-t-il dépassé 120 millions pour la première
fois ?
8) Pour chaque année, calculer la proportion qu’occupe le nombre de téléphones de l’Afrique.

Exercice 2.7
1) Charger le jeu de données airquality. Que représente ce jeu de données ? Quelle est sa
classe ? Quelles sont ses variables (colonnes) ? Combien a-t-il de lignes ?
2) Donner le nombre de valeurs manquantes (indiquées NA) pour chaque variable.
3) Créer, à partir de airquality, un tableau de données x dont les températures seront
converties en degrés Celsius. On rappelle la formule de conversion de Fahrenheit en Cel-
sius : °C = (°F − 32)/1.8.
4) Calculer, en degrés Celsius, les températures moyennes, minimales et maximales pour
chacun des mois de mai, juin, juillet, août et septembre.
5) Calculer la concentration moyenne d’ozone (faire attention aux données manquantes !).
6) Calculer la concentration moyenne d’ozone par mois.
C HAPITRE 3

S TATISTIQUE DESCRIPTIVE

Sommaire
3.1 Séries statistiques à une variable . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.1.1 Variable quantitative . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.1.2 Variables qualitatives . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.2 Séries statistiques à deux variables quantitatives . . . . . . . . . . . . . . . 42
3.2.1 Nuage de points . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3.2.2 Coefficient de corrélation linéaire . . . . . . . . . . . . . . . . . . . . . 44
3.2.3 Ajustement linéaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.3 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46

3.1 S ÉRIES STATISTIQUES À UNE VARIABLE

3.1.1 Variable quantitative

3.1.1.1 Indicateurs numériques

Soit x un vecteur numérique à n composantes dont les composantes sont ici notées x1 , . . .,
xn .

min(x); max(x) Minimum et maximum des composantes

de x.
sum(x) Somme des composantes de x
mean(x) Moyenne des composantes de x

Dans R, il existe une fonction var. Mais cette fonction appliquée à un vecteur x calcule
plutôt la variance corrigée des composantes de x dont la formule est :

n
1
Sn′2 = ∑
n − 1 i =1
( x i − x n )2 , (3.1)

où x n désigne la moyenne des composantes de x. Pour calculer la variance usuelle dont la

formule est
1 n
Sn2 = ∑ ( xi − x n )2 , (3.2)
n i =1

34
3.1. Séries statistiques à une variable 35

on utilise la propriété
!
1 n 2
n i∑
Sn2 = xi − ( x n )2 = moyenne des carrés − (moyenne)2 (3.3)
=1

comme suit :

mean(xˆ2)-(mean(x))ˆ2 Variance des composantes de x.

weighted.mean(c(0,1,2),c(3,2,5)) Moyenne pondérée de 0, 1 et 2 avec poids
respectifs 3, 2 et 5. Elle correspond à

3×0+2×1+5×2
= 1.2
3+2+5

median(x) Médiane des valeurs de x.

quantile(x,0.25) Quantile d’ordre 0.25 des composantes
de x (encore appelé premier quartile ou
quartile Q1 ).
quantile(x,probs=c(0.25,0.75)) Les quantiles d’ordre 0.25 et 0.75 respecti-
vement (encore appelés quartiles).
summary(x) Résumé des indicateurs numériques
(moyenne, quartiles, minimum, etc.) sur
le vecteur x. Cette fonction peut aussi
être utilisée pour d’autres classes.
table(x) Tableau de contingence de x. Ce tableau
donne les différentes modalités et les ef-
fectifs associés à chaque modalité.
prop.table(table(x)) Commandes équivalentes permettant
table(x)/length(x) d’obtenir le tableau des fréquences des
composantes de x.

Exemple 3.1 On a relevé le nombre de frères et sœurs de 20 étudiants lors d’un cours de
Statistique et l’on a obtenu les données suivantes :
2 4 3 2 2 1 1 3 2 4 4 0 3 3 3 4 4 0 1 3
1) On peut saisir les données à l’aide du code suivant :
x=c(2,4,3,2,2,1,1,3,2,4,4,0,3,3,3,4,4,0,1,3)

2) On peut afficher le tableau de contingence à l’aide du code suivant :

table(x)

dont le résultat est

36 Chapitre 3. Statistique descriptive

x
0 1 2 3 4
2 3 4 6 5

La première ligne donne les modalités et la deuxième donne les effectifs associés à chaque
modalité.
3) On peut afficher le tableau des fréquences à l’aide du code suivant :

prop.table(table(x))

dont le résultat est

x
0 1 2 3 4
0.10 0.15 0.20 0.30 0.25

La première ligne donne les modalités et la deuxième donne les fréquences associées à
chaque modalité.

3.1.1.2 Diagramme en barres

Soit x un vecteur numérique contenant les données.

barplot(table(x)) Affiche le diagramme en barres associé à

x.
barplot(table(x), xlab="...", Affiche le diagramme en barres associé
ylab="...", col="...", à x. L’argument xlab permet d’écrire du
border=NA) texte en dessous de l’axe des abscisses et
l’argument ylab permet d’écrire du texte
à gauche de l’axe des ordonnées. L’argu-
ment col permet de préciser la couleur.
L’argument border permet de préciser la
couleur de la bordure des barres (ici l’op-
tion border=NA supprime la bordure des
barres).

Remarque 3.1 Dans R, il existe 657 couleurs prédéfinies. Leur liste est disponible grâce à la
commande

colors()

Parmi les noms de couleurs classiques, on note : "blue", "red", "green", "yellow", "gray",
"lightgray", "yellowgreen", "lightblue", "skyblue", "lightgreen",
"tomato".

Exemple 3.1 (suite).

3.1. Séries statistiques à une variable 37

barplot(table(x), xlab="Nombre de frères/soeurs", ylab="Effectif",

col="skyblue", border=NA)

6
5
4
Effectif

3
2
1
0

0 1 2 3 4

Nombre de frères/soeurs

On peut avoir des barres horizontales en ajoutant l’option horiz=TRUE comme suit :

barplot(table(x), xlab="Nombre de frères/soeurs", ylab="Effectif",

col="skyblue", border=NA, horiz=TRUE)
4
3
Effectif

2
1
0

0 1 2 3 4 5 6

Nombre de frères/soeurs

3.1.1.3 Diagramme en bâtons

Soit x un vecteur numérique contenant les données.
38 Chapitre 3. Statistique descriptive

plot(table(x),lwd=5,lend=2) Construction du diagramme en bâtons

associé à x. L’option lwd (line width) est
un entier naturel spécifiant la largeur de
chaque trait. L’option lend (line end) per-
met de préciser la forme des extrémités (0
= extrémité arrondie ou circulaire, 1 = ex-
trémité plate ou carrée).

Exemple 3.1 (suite).

plot(table(x), lwd=7, lend=1, xlab="Nombre de frères/soeurs",

ylab="Effectif", col="blue")
6
5
4
Effectif

3
2
1
0

0 1 2 3 4

Nombre de frères/soeurs

plot(x,y,type="h") L’option type="h" permet aussi de

construire un diagramme en bâtons dont
x contient les modalités et y contient les
effectifs.

3.1.1.4 Histogramme
L’histogramme permet de représenter une variable statistique continue groupée (définie
par intervalles).

Exemple 3.2 On a noté l’âge (arrondi à l’année près) de 48 salariés d’une entreprise. La série
statistique brute (données obtenues pendant l’enquête) est donnée ci-dessous :
3.1. Séries statistiques à une variable 39

43 29 57 45 50 29 37 59 46 31 46 24
33 38 49 31 62 60 52 38 43 26 41 52
60 49 52 41 38 26 37 59 57 41 29 33
33 43 46 57 46 33 46 49 57 57 46 43

On peut saisir les données à l’aide de la commande suivante :

age = c(43, 29, 57, 45, 50, 29, 37, 59, 46, 31, 46, 24,
33, 38, 49, 31, 62, 60, 52, 38, 43, 26, 41, 52,
60, 49, 52, 41, 38, 26, 37, 59, 57, 41, 29, 33,
33, 43, 46, 57, 46, 33, 46, 49, 57, 57, 46, 43)

L’histogramme en fréquences (ou en densité) du vecteur x en considérant les classes

d’âges [20, 30[, [30, 40[, [40, 45[, [45, 50[, [50, 55[, [55, 60[ et [60, 65] peut être obtenu à l’aide de
la fonction hist comme suit :

h = hist(age, breaks = c(20, 30, 40, 45, 50, 55, 60, 65), right = FALSE,
freq = FALSE, col="lightblue", xlab="Age", ylab="Densité",
main="Histogramme")

Histogramme
0.04
0.03
Densité

0.02
0.01
0.00

20 30 40 50 60

Age

• Par défaut, les classes sont semi-fermées à droite et la première est fermée (right
= TRUE). L’argument right = FALSE permet de spécifier que les classes soient semi-
fermées à gauche et que la dernière classe soit fermée.
• L’option freq = FALSE est obligatoire pour obtenir un histogramme au sens classique
du terme c’est-à-dire un histogramme des fréquences.
• L’argument col précise la couleur, les arguments xlab et ylab précisent les textes à
écrire respectivement en dessous de l’axe des abscisses et à gauche de l’axe des ordon-
nées et l’argument main="Histogramme" permet de préciser le titre du graphique.
40 Chapitre 3. Statistique descriptive

h$counts Les effectifs des classes.

prop.table(h$counts) Les fréquences des classes.
h$mids Les centres des classes.

h=hist(age,freq=FALSE,breaks=5) Histogramme avec cinq (5) classes de

même amplitude.

3.1.2 Variables qualitatives

Soit x un vecteur de classe factor ou character ou logical considéré comme un vecteur
d’observations d’une variable qualitative.

3.1.2.1 Tableau de contingence et fréquences

table(x) Tableau de contingence pour les observa-

tions contenues dans le vecteur x.
freq=prop.table(table(x)) Commandes équivalentes permettant
freq=proportions(table(x)) d’obtenir le tableau des fréquences.

3.1.2.2 Diagramme circulaire

pie(freq) Affiche un camembert (diagramme circu-

laire) dont les fréquences sont contenues
dans le vecteur freq.

Exemple 3.3 On a relevé la région de provenance de 15 étudiants participant à un cours de

Statistique et obtenu les données suivantes :
KAR SAV SAV KAR CEN
CEN CEN KAR SAV KAR
KAR MAR MAR KAR SAV
où les régions sont codées comme suit : CEN = Centrale, KAR = Kara, MAR = Martime, SAV
= Savanes.
• On peut saisir les données à l’aide du code suivant :
region = factor(c("KARA","SAVANES","SAVANES","KARA","CENTRALE",
"CENTRALE","CENTRALE","KARA","SAVANES","KARA",
"KARA","MARITIME","MARITIME","KARA","SAVANES"))

• On peut afficher le tableau de contingence à l’aide du code

table(region)
3.1. Séries statistiques à une variable 41

dont le résultat est :

region
CENTRALE KARA MARITIME SAVANES
3 6 2 4

• On peut afficher le tableau des fréquences à l’aide du code

freq=prop.table(table(region))
print(freq)

dont le résultat est :

region
CENTRALE KARA MARITIME SAVANES
0.2000000 0.4000000 0.1333333 0.2666667

• On peut arrondir le tableau des fréquences à deux chiffres après la virgule à l’aide du
code
freq=round(prop.table(table(region)),2)
print(freq)

dont le résultat est :

region
CENTRALE KARA MARITIME SAVANES
0.20 0.40 0.13 0.27

• On peut afficher le diagramme circulaire à l’aide du code

pie(freq)

dont le résultat est :

KARA CENTRALE

SAVANES
MARITIME
42 Chapitre 3. Statistique descriptive

On peut afficher les fréquences entre parenthèses sur le diagramme en utilisant l’argu-
ment labels qui permet de donner le texte à afficher sur le diagramme et la commande
paste qui permet de coller des chaînes de caractères.
pie(freq,labels=paste(names(freq)," (",100*freq,"%)",sep=""))

KARA (40%) CENTRALE (20%)

SAVANES (27%)
MARITIME (13%)

3.2 S ÉRIES STATISTIQUES À DEUX VARIABLES QUANTITATIVES

Soient x et y deux vecteurs de n composantes contenant des données numériques.

3.2.1 Nuage de points

plot(x,y) Représentation graphique du nuage de

points des variables x et y.

Exemple 3.4 Considérons deux variables statistiques x et y dont les observations sont don-
nées par le tableau suivant :

x 0.1 0.2 0.3 0.4 0.5 0.6 0.7

y 1.2 3.4 4.2 8.7 7.1 12.5 14.6
On peut saisir les données et représenter le nuage de points à l’aide du code suivant :

x = c(0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7)

y = c(1.2, 3.4, 4.2, 8.7, 7.1, 12.5, 14.6)
plot(x,y)

On obtient comme résultat :

3.2. Séries statistiques à deux variables quantitatives 43

14
12
10
8
y

6
4
2

0.1 0.2 0.3 0.4 0.5 0.6 0.7

On peut changer le symbole utilisé pour représenter chaque point du nuage à l’aide du
paramètre pch (plotting character) qui prend comme valeur un entier compris entre 0 et 25.
Le tableau 3.1 donne sur la première ligne les différentes valeurs du paramètre pch et, sur la
deuxième ligne, les symboles associés à ces différentes valeurs.

TABLE 3.1 – Valeurs du paramètre pch et symboles correspondants

Ainsi, le code

plot(x,y,pch=20)

donne comme résultat :

44 Chapitre 3. Statistique descriptive

14
12
10
8
y

6
4
2

0.1 0.2 0.3 0.4 0.5 0.6 0.7

3.2.2 Coefficient de corrélation linéaire

cor(x,y) Coefficient de corrélation linéaire entre x

et y.

3.2.3 Ajustement linéaire

L’ajustement linéaire par la méthode des moindres carrés ordinaires (MCO) se fait grâce
à la fonction lm (signifiant linear model) comme suit :

reg=lm(y∼x) Ajustement linéaire de la forme y = ax +

b.
L’estimation des coefficients a et b est faite
par la méthode MCO.
L’objet reg contient alors les résultats de l’ajustement linéaire. Pour afficher les valeurs
des coefficients a et b, on peut utiliser le code suivant :
print(reg$coefficients)

qui donne comme résultat :

(Intercept) x
-1.371429 21.892857

L’objet reg$coefficients est un vecteur numérique à deux composantes :

• la première désignée par le terme Intercept représente la constante c’est-à-dire le coef-
ficient b ;
3.2. Séries statistiques à deux variables quantitatives 45

• la seconde composante est le coefficient qui multiplie x c’est-à-dire le coefficient a.

On a donc
a = 21.892857 et b = −1.371429.

a=reg$coefficients[2] Récupération des coefficients du modèle.

b=reg$coefficients[1]
On peut tracer la droite de régression sur le nuage de points en utilisant la fonction
abline comme suit :

abline(reg$coefficients)
14
12
10
8
y

6
4
2

0.1 0.2 0.3 0.4 0.5 0.6 0.7

x
46 Chapitre 3. Statistique descriptive

3.3 E XERCICES
Exercice 3.1 On a relevé le nombre d’enfants de 24 couples. Les données relevées sont les
suivantes :
2 2 0 2 4 3 2 1 2 1 0 0
0 2 2 1 3 0 1 2 1 0 2 2
1) Saisir les données dans un vecteur nommé x.
2) Faire le tableau de contingence et calculer les fréquences.
3) Représenter les données par un diagramme en bâtons.
4) Calculer la moyenne, la variance et l’écart-type du nombre d’enfants.

Exercice 3.2 En 2019, la population togolaise est estimée par région comme suit (source :
https://togo.dataforall.org/) :
DAGL Maritime Plateaux Centrale Kara Savanes
1 953 418 1 226 928 1 666 625 750 733 935 684 995 206
DAGL = District Autonome du Grand Lomé

1) Saisir les données dans un vecteur numérique nommé pop dont les colonnes seront nom-
mées telles qu’à l’affichage, l’on ait le résultat suivant :
DAGL Maritime Plateaux Centrale Kara Savanes
1953418 1226928 1666625 750733 935684 995206

2) Calculer l’effectif total estimé de la population togolaise en 2019.

3) Calculer les fréquences par région (arrondies à deux chiffres après la virgule) puis les
représenter à l’aide d’un diagramme circulaire sur lequel figureront les noms des régions.

Exercice 3.3 L’observation du prix de la tomate en fonction des quantités vendues sur un
marché a donné les résultats suivants :
Quantités x (kg) 10 20 35 50 70 90 110 130
Prix y du kg (kFCFA) 5 3.75 2.75 2.25 1.75 1.25 0.8 0.5
Ainsi, une quantité de 35 kg de tomates est vendue au prix de 2750 FCFA le kg.
1) Représenter graphiquement le nuage de points.
2) On cherche un ajustement non linéaire de la forme

y = f ( x ) = a ln x + b.

Déterminer les coefficients a et b par la méthode MCO (on pourra poser z = ln x et se

ramener à un ajustement linéaire y = az + b).
3) Prévoir le prix du kg pour un achat de 140 kg.
4) En utilisant de la fonction curve, ajouter une représentation de la fonction f sur le nuage
de points.
C HAPITRE 4

P ROGRAMMATION DANS R

Sommaire
4.1 Structures de contrôle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
4.1.1 Exécution conditionnelle avec if . . . . . . . . . . . . . . . . . . . . . 47
4.1.2 Boucle for . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
4.1.3 Boucle while . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
4.2 Création de nouvelles fonctions . . . . . . . . . . . . . . . . . . . . . . . . . 49
4.2.1 Création . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
4.2.2 Appel de la fonction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
4.2.3 Affichage du code et des arguments d’une fonction . . . . . . . . . . 50
4.2.4 Sorties multiples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
4.2.5 Arguments par défaut . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
4.2.6 Gestion des erreurs sur les arguments . . . . . . . . . . . . . . . . . . 50
4.3 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52

4.1 S TRUCTURES DE CONTRÔLE

4.1.1 Exécution conditionnelle avec if
Il existe deux façons d’utiliser l’exécution conditionnelle avec if. On peut utiliser la syn-
taxe Console R
if(condition)
{
# commandes à exécuter si condition est vraie
}

ou la synthaxe
Console R
if(condition)
{
# commandes à exécuter si condition est vraie
} else {
# commandes à exécuter sinon
}

où condition est une variable de classe logique ne contenant qu’une seule valeur (Si c’est un
vecteur logique de longueur supérieure ou égal à 2, seul le premier élément est utilisé). La
différence entre les deux syntaxes est que la seconde précise le traitement à réaliser lorsque
condition prend la valeur FALSE.

47
48 Chapitre 4. Programmation dans R

Remarque 4.1 Les accolades permettent de délimiter une commande ou un ensemble de

commandes.

Remarque 4.2 Lorsqu’elle est utilisée, la commande else doit être placée obligatoirement
sur la même ligne que l’accolade fermante de if.

Exemple 4.1 Le code suivant

x=3
if(x%%2==0)
{
print("x est pair")
}

est correct mais n’affiche aucun résultat. En effet, l’opération x%%2 donne le reste de la di-
vision euclidienne de x par 2. La condition x%%2==0 permet de tester si ce reste est nul. Ici,
le reste de la division euclidienne de 3 par 2 est égal à 1 et comme 1 est différent de 0, la
condition x%%2==0 vaut FALSE et donc la commande entre accolades n’est pas exécutée.

Exemple 4.2 Le code suivant

x=3
if(x%%2==0)
{
print("x est pair")
} else {
print("x est impair")
}

affiche le résultat suivant :

[1] "x est impair"

4.1.2 Boucle for

Elle permet d’exécuter un bloc de commandes pour des valeurs fixées d’une variable
appelée compteur. Sa syntaxe est la suivante :
Console R
for(compteur in vecteur)
{
# commandes à exécuter
}

où compteur représente le nom de la variable compteur et vecteur est un vecteur contenant

les différentes valeurs du compteur.
Exemple 4.3 Le code suivant
for(i in 1:5)
{
print(i)
}
4.2. Création de nouvelles fonctions 49

donne comme résultat :

[1] 1
[1] 2
[1] 3
[1] 4
[1] 5

4.1.3 Boucle while

Elle permet d’exécuter un bloc de commandes tant qu’une condition est vraie. Sa syntaxe
est la suivante :
Console R
while(condition)
{
# commandes à exécuter
}

Exemple 4.4 Le code suivant

i=1
while(i<=5)
{
print(i)
i=i+1
}

donne comme résultat

[1] 1
[1] 2
[1] 3
[1] 4
[1] 5

Il faut s’assurer que parmi les commandes à exécuter, il y a en ait une qui permette de
mettre à jour la condition sinon l’on risque d’avoir une boucle infinie (une boucle qui ne
s’arrête jamais). Dans l’exemple 4.4, l’on peut remarquer que la commande i=i+1 permet
de mettre à jour la valeur de la variable i afin d’éviter la boucle infinie. Si l’on ne l’avait
pas mise, la variable resterait bloquée à 1 et comme 1 est inférieur ou égal à 5, la boucle va
afficher des 1 de façon infinie (sans s’arrêter).

4.2 C RÉATION DE NOUVELLES FONCTIONS

Une fonction est un objet permettant de stocker un ensemble de commandes dans l’es-
pace de travail. Il existe de nombreuses fonctions prédéfinies dans R que nous avons déjà
vues dans les chapitres précédents (c, data.frame, matrix, table, factor, cos, sin, mean,
etc. . .). Il est également possible pour un utilisateur de créer de nouvelles fonctions.
50 Chapitre 4. Programmation dans R

4.2.1 Création

somme = function(a,b) Création d’une fonction somme permet-

{ tant de calculer la somme des deux
return(a+b) nombres a et b donnés en arguments.
}

4.2.2 Appel de la fonction

somme(2,5) Appels équivalents de la fonction somme

somme(a=2,b=5) avec a=2 et b=5. Le résultat est 7.
somme(b=5,a=2)

4.2.3 Affichage du code et des arguments d’une fonction

print(somme) Affiche le code de la fonction somme.

args(somme) Affiche les noms des arguments de la
fonction somme.

4.2.4 Sorties multiples

som.prod = function(a,b) Pour sortir plusieurs résultats en même

{ temps d’une fonction, il faut créer une
s=a+b liste avec ces résultats. Ici, la fonction
p=a*b donne une liste de première composante
return(list(s=a+b, p=a*b)) s et de deuxième composante p.
}

4.2.5 Arguments par défaut

somme = function(a,b=0){ Par défaut b vaut 0. Si b n’est pas spécifié,

return(a+b)} il sera mis à 0.
somme(1,0) ; somme(1) Commandes équivalentes.

4.2.6 Gestion des erreurs sur les arguments

Dans l’écriture d’une fonction, il peut être nécessaire de vérifier si les arguments vérifient
certaines conditions (par exemple, la positivité). Dans ce cas, on peut utiliser la commande
stop qui permet d’afficher un message d’erreur et d’arrêter l’exécution du code de la fonc-
tion.
4.2. Création de nouvelles fonctions 51

Exemple 4.5 Considérons le code suivant :

f = function(x)
{
if(x<=0){stop("L’argument ne doit pas être négatif.")}
return(1/sqrt(x))
}

Exécutons ce code pour des valeurs positives et négatives de l’argument. On a par exemple :
Console R
> f(4)
[1] 0.5
> f(7)
[1] 0.3779645
> f(0)
Error in f(0) : L’argument ne doit pas être négatif.
> f(-3)
Error in f(-3) : L’argument ne doit pas être négatif.
52 Chapitre 4. Programmation dans R

4.3 E XERCICES
Exercice 4.1 Créer une matrice carrée A d’ordre 7 telle que



 aii = 2 si i = 1, . . . , 7

i,i +1 = 1 si i = 1, . . . , 6
a
 ai,i−1 = −1
 si i = 2, . . . , 7


a = 0 dans tous les autres cas.
ij

Exercice 4.2 Programmer la fonction factorielle sous forme d’une fonction R récursive (c’est
à dire qui s’appelle elle-même). Cette fonction sera appelée fact et prendra comme seul argu-
ment un entier naturel n. Elle retournera un message d’erreur lorsque l’argument n’est pas
un entier naturel.

Exercice 4.3 Ecrire une fonction matrix.power qui prend en arguments une matrice carrée
A et un entier naturel n et retourne la matrice An (on prendra A0 = I). Un message d’erreur
sera affiché si A n’est pas une matrice carrée ou si n n’est pas un entier naturel.

Exercice 4.4 On s’intéresse à la suite de terme général Sn = 1 + 22 + 32 + · · · + n2 .

1) Ecrire deux fonctions f1 et f2 qui prennent en argument un entier naturel n et calculent
Sn de deux façons différentes : l’une avec boucle et l’autre sans aucune boucle.
2) Que font les fonctions suivantes : Sys.time ? difftime ?
3) Proposer une méthode pour mesurer le temps d’exécution de la fonction f1.
4) Pour n ∈ 10, 102 , 103 , 104 , 105 , 106 , 107 , mesurer les temps de calcul (en secondes) de


Sn par les deux méthodes. Les résultats seront stockés sous la forme d’un tableau à trois
colonnes correspondant respectivement aux valeurs de n, aux temps d’exécution de f1 et
f2. Que peut-on conclure ?
C HAPITRE 5

F ONCTIONNALITÉS GRAPHIQUES

Sommaire
5.1 Généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
5.2 Gestion de la fenêtre graphique . . . . . . . . . . . . . . . . . . . . . . . . . 53
5.2.1 Création et fermeture . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
5.2.2 Fractionnement d’une fenêtre grapique . . . . . . . . . . . . . . . . . 54
5.2.3 Sauvegarde d’une fenêtre graphique dans un fichier . . . . . . . . . . 54
5.3 Fonctions haut niveau . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
5.3.1 Commande générique : la commande plot . . . . . . . . . . . . . . . 55
5.3.2 Autres fonctions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
5.4 Fonctions bas niveau . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
5.4.1 Ajout de points, de lignes ou de symboles . . . . . . . . . . . . . . . . 56
5.4.2 Ajout de texte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
5.5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58

5.1 G ÉNÉRALITÉS
Les fonctionnalités graphiques sont une composante extrêment importante du système
R. Il existe trois (03) types de commandes graphiques :
• Les fonctions haut niveau qui permettent de créer un nouveau graphique.
• Les fonctions bas niveau qui permettent d’ajouter des informations sur un graphique
existant.
• Les fonctions interactives (non vues dans ce cours) qui permettent d’interagir sur le
graphique afin d’ajouter ou d’en extraire des informations à l’aide de la souris.

5.2 G ESTION DE LA FENÊTRE GRAPHIQUE

5.2.1 Création et fermeture

x11() ; X11() ; windows(); Commandes équivalentes pour ouvrir

dev.new() une nouvelle fenêtre graphique vierge.
dev.list() Vecteur contenant les numéros des fe-
nêtres graphiques ouvertes.
dev.set(1) La fenêtre graphique numéro 1 est acti-
vée.

53
54 Chapitre 5. Fonctionnalités graphiques

dev.off(1) Ferme la fenêtre graphique numéro 1.

dev.off() Ferme la fenêtre graphique active.
graphics.off() Ferme toutes les fenêtres graphiques.

5.2.2 Fractionnement d’une fenêtre grapique

La figure 5.1 donne un exemple de fenêtre graphique fractionnée.

500
1.5
0.5

300
exp(x)
−0.5

100
−1.5

cos(x) sin(x)
0

−6 −4 −2 0 2 4 6 −6 −4 −2 0 2 4 6

x x

F IGURE 5.1 – Exemple de fenêtre graphique fractionnée

split.screen(c(2,3)) Fractionnement de la fenêtre graphique

active en 6 graphiques (2 lignes et 3 co-
lonnes) numérotées par lignes.
screen(5) Active le 5ème graphique de la fenêtre ac-
tive (donc celui en 2ème ligne et 2ème co-
lonne).

5.2.3 Sauvegarde d’une fenêtre graphique dans un fichier

dev.size("px") Donne les dimensions en pixels de la fe-

nêtre graphique active.
dev.print(pdf, "essai.pdf", Sauvegarde la fenêtre graphique active
width=6, height=4) dans le fichier pdf "essai.pdf" avec les di-
mensions en pouces (1 pouce = 2.54cm).
Le paramètre pdf peut être remplacé par
postscript (fichier "essai.ps").
5.3. Fonctions haut niveau 55

dev.print(png, "essai.png", Sauvegarde la fenêtre graphique active

width=700, height=600) dans le fichier png "essai.png" avec les pa-
ramètres spécifiés. Il faut préciser les di-
mensions (l’unité est le pixel).
Le paramètre png peut être remplacé par
jpeg (fichier "essai.jpg").

5.3 F ONCTIONS HAUT NIVEAU

Les fonctions haut niveau créent un nouveau graphique dans la fenêtre graphique active,
éventuellement avec des caractéristiques complémentaires (axes, labels, titres, etc.). Si un
graphique existait déjà dans la fenêtre, alors il est effacé.

5.3.1 Commande générique : la commande plot

plot(x) x vecteur numérique : cette commande

produit le nuage de points (i, xi ) avec les
composantes de x en ordonnées et les in-
dex des composantes de x en abscisses.
plot(x,y) x et y sont des vecteurs numériques de
même longueur : cette commande pro-
duit le nuage de points ( xi , yi ) avec les
composantes de x en abscisses et celles de
y en ordonnées.
plot(M) M est une matrice à deux colonnes : cette
commande produit un nuage de points
avec les composantes de la 1ère colonne
en abscisses et celles de la 2ème colonne
en ordonnées.
x=seq(-2,5,0.1) Représentation graphique de la fonction
plot(x,exp(x)) exponentielle à l’aide d’un nuage de
points sur l’intervalle [−2, 5].

Amélioration. Par défaut, la commande plot représente un nuage de points où chaque

point est représenté par un cercle. Il est possible d’améliorer l’aspect du graphique en spéci-
fiant la valeur de certains paramètres.

plot(x,y,type="p",pch="+") Nuage de points avec le symbole "+".

plot(x,y,type="l") Points reliés par des lignes.
plot(x,y,type="o") Nuage de points représentés par des
cercles et reliés par des lignes.
56 Chapitre 5. Fonctionnalités graphiques

plot(x,y,type="n") N’affiche rien mais prépare le graphique

(création, axes) : utile pour les fonctions
bas niveau.
plot(x,y, axes=FALSE) Graphique sans axes.
plot(x,y, main="Titre", Titre du graphique, noms des axes.
xlab="X", ylab="Y")
plot(x,y,col="blue") Gestion de la couleur.
plot(x,y, xlim=c(-1,3), Les paramètres xlim et ylim permettent
ylim=c(0,2)) de délimiter l’axe des abscisses et l’axe
des ordonnées.
plot(x,y, lwd=2) Le paramètre lwd (line width) permet de
gérer l’épaisseur des traits.
help("par") Consulter l’aide pour plus de détails sur
les paramètres graphiques.
colors() Affiche la liste des couleurs disponibles.

5.3.2 Autres fonctions

Il existe d’autres fonctions haut niveau dont nous présenterons certaines dans les cha-
pitres suivants concernant spécifiquement la statistique et la probabilité.

5.4 F ONCTIONS BAS NIVEAU

Les fonctions bas niveau ajoutent des informations (points, lignes, légendes, titres) à un
graphique déjà créé par une fonction haut niveau sans effacer ledit graphique. Il faut donc
avoir déjà utilisé une fonction haut niveau auparavant.

5.4.1 Ajout de points, de lignes ou de symboles

points(x,y,pch="+") Commande similaire à plot(x,y,

type="p", pch="+") mais sans effacer le
graphique.
lines(x,y) Commande similaire à plot(x,y,
type="l") mais sans effacer le gra-
phique.
lines(x,y,col="blue",lty="dotted") Spécification de la couleur (bleue) et du
type de ligne (pointillés).
abline(b=2,a=-3) Rajoute la droite d’équation y = a + bx
sur la fenêtre graphique active.
5.4. Fonctions bas niveau 57

segments(x0, y0, x1, y1) Trace une ligne du point (x0,y0) au point
(x1,y1).

5.4.2 Ajout de texte

text(x,y,noms) En chaque position ( xi , yi ), affiche la com-

posante correspondante du vecteur de
chaînes de caractères noms.
title("Titre du graphique") Titre du graphique.
legend("topright", Légende placée en haut à droite avec les
legend=c("courbe 1","courbe 2"), deux libellés courbe 1 et courbe 2, le 1er
col=c("blue","red"), lty=c(1,2)) associé à une ligne continue bleue, le 2nd
à une ligne pointillée rouge.
help(plotmath) Afficher l’aide sur l’ajout de symboles
mathématiques (racine carrée, exposants,
etc. . .) sur un graphique.
58 Chapitre 5. Fonctionnalités graphiques

5.5 E XERCICES
Exercice 5.1 Représenter chacune des fonctions suivantes sur l’intervalle mentionné :

f : x 7−→ e x , I = [−3, 4]

1 x2
g : x 7−→ √ e− 2 , I = [−4, 4]
2π

h : x 7−→ log( x ), I = ]0, 10]

Pour chaque graphique, veiller à renseigner les noms des axes ainsi que le titre.

Exercice 5.2 Représenter les fonctions sinus et cosinus sur [−2π, 2π ] superposées sur le
même graphique à la manière de la figure 5.2.
1.0
0.5
0.0
−0.5

cos(x)
−1.0

sin(x)

−6 −4 −2 0 2 4 6

F IGURE 5.2 – Représentation des fonctions sinus et cosinus sur [−2π, 2π ].

Exercice 5.3 Tracer les courbes paramétrées suivantes pour t ∈ [−10, 10] :
1) x (t) = cos2 (t), y(t) = cos3 (t) sin(t).
t t3
2) x (t) = , y ( t ) = .
1 + t4 1 + t4
3) x (t) = sin3 (t), y(t) = cos(t) − cos4 (t).
4) x (t) = [250 + a sin(bt)] cos(t), y(t) = [250 + a sin(bt)] sin(t), a = 220 et b = 6.
5.5. Exercices 59

√
Exercice 5.4 Représenter sur un même graphique les fonctions x 7→ x2 et x 7→ x sur les
intervalles [0, 3] et [0, 9] respectivement. Ajouter au graphique obtenu, la première bissectrice
en pointillés pour apprécier la symétrie des deux courbes par rapport à cette dernière. Le
résultat obtenu sera semblable à la figure 5.3.

y=x2
8

y= x

y=x
6
4
2
0

0 2 4 6 8

F IGURE 5.3
C HAPITRE 6

C ALCUL DE PROBABILITÉS ET SIMULATIONS

Sommaire
6.1 Lois de probabilités usuelles . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
6.2 Tirages avec ou sans remise . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
6.3 Réplication d’une commande . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
6.4 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63

6.1 L OIS DE PROBABILITÉS USUELLES

Toutes les lois de probabilités usuelles sont disponibles dans R. Chaque loi est identifiée
par une abréviation :

TABLE 6.1 – Liste des lois de probabilités usuelles

Loi Abréviation
Beta beta
Binomiale (y compris Bernoulli) binom
Binomiale négative nbinom
Cauchy cauchy
Exponentielle exp
Fisher-Snedecor f
Gamma gamma
Géométrique geom
Hypergéométrique hyper
Khi-deux chisq
Log-normale lnorm
Logistique logis
Normale norm
Poisson pois
Student t
Uniforme unif
Weibull weibull

Pour chaque loi d’abréviation xxx, quatre (04) fonctions sont disponibles, identifiées par
un préfixe :

dxxx Fonction densité de la loi xxx.

60
6.2. Tirages avec ou sans remise 61

pxxx Fonction de répartition de la loi xxx.

qxxx Fonction quantile de la loi xxx.
rxxx Génération de nombres aléatoires suivant
la loi xxx.

Le lecteur est invité à consulter l’aide pour plus de détails sur les paramètres des diffé-
rentes lois. Nous donnons ci-dessous un exemple de loi discrète et un exemple de loi conti-
nue.

dbinom(3,20,1/2) Probabilité individuelle de la loi bino-

miale B(20, 12 ) évaluée en 3 c’est-à-dire
P( X = 3) lorsque X ⇝ B(20, 12 ).
pbinom(3,20,1/2) Fonction de répartition de la loi B(20, 21 )
évaluée en 3 c’est-à-dire P( X ⩽ 3).
qbinom(0.9,20,1/2) Quantile d’ordre 0.9 de B(20, 12 ).

rbinom(10,20,1/2) Simulation d’un vecteur de 10 réalisa-

tions indépendantes de B(20, 12 ).

dnorm(1,0,2) Densité de la loi normale N (0, 2) évaluée

en 1.
pnorm(1,0,2) Fonction de répartition de la loi normale
N (0, 2) évaluée en 1.
qnorm(0.9,0,2) Quantile d’ordre 0.9 de N (0, 2).
rnorm(10,0,2) Simulation d’un vecteur de 10 réalisa-
tions indépendantes de N (0, 2).

6.2 T IRAGES AVEC OU SANS REMISE

sample(1:10,100,replace=TRUE) Tirage avec remise de 100 éléments parmi

les nombres 1, . . . , 10.
L’option replace=TRUE précise que le ti-
rage se fait avec remise. Par défaut, si rien
n’est précisé, replace=FALSE.
sample(1:10); sample(10) Commandes équivalentes désignant une
permutation des entiers naturels 1, 2, . . .,
10.
62 Chapitre 6. Calcul de probabilités et simulations

sample(c("A","B","C"),size=5, Tirage avec remise de 5 lettres parmi les

replace=TRUE,prob=c(0.2,0.5,0.3)) lettres A, B et C. Si l’on ne veut pas un
tirage équiprobable, on précise les proba-
bilités de tirage dans le vecteur prob.

6.3 R ÉPLICATION D ’ UNE COMMANDE

replicate(n,expr) Exécute n fois le code expr et stocke les

résultats sous forme de vecteur (si expr
renvoie un nombre) et sous forme de ma-
trice (si expr renvoie un vecteur).
La fonction replicate permet d’éviter l’usage de boucles. Par exemple, le code suivant
simule 5 fois la génération de 1 000 valeurs suivant la loi normale centrée réduite et calcule
la moyenne à chaque fois.

replicate(5,mean(rnorm(1000)))

[1] -0.01514964 -0.04786793 -0.06151126 -0.07324169 0.01370721

6.4. Exercices 63

6.4 E XERCICES
Exercice 6.1 Soit X une variable aléatoire de loi binomiale de paramètres n = 50 et p = 1/3.
Calculer les probabilités suivantes :

P( X = 1) ; P( X ⩽ 5) ; P( X ⩾ 15) ; P( X ̸∈ {15, 3, 4, 10}) ; P( X ∈ 2N).

Exercice 6.2 Soit X une variable aléatoire de loi normale standard N (0, 1).
1) Calculer les probabilités suivantes : P( X ⩽ 1), P( X ⩾ 2.6) et P(0.5 < X ⩽ 1).
2) Calculer les quantiles d’ordre 0.95 et 0.975.
3) Représenter graphiquement la densité et la fonction de répartition de la loi de X.

Exercice 6.3 Soit X une variable suivant la loi normale N (3, 2). Calculer les probabilités sui-
vantes : P( X < 4), P( X < −1), P( X > 1), P(−3 < X < 4).

Exercice 6.4
1) Créer un vecteur x de taille n = 1000 et dont les éléments suivent la loi normale centrée
réduite.
2) Représenter l’histogramme des éléments de ce vecteur et superposer sur ce graphique la
fonction de densité de la loi normale centrée réduite. Que remarquez-vous ?

Exercice 6.5
1) En vous aidant de la fonction sample et du vecteur piece=c("F","P") (dont les com-
posantes représentent FACE et PILE), écrire une fonction lancer.piece(n) qui simule n
lancers d’une pièce de monnaie équilibrée.
2) Simuler n = 5 000 lancers de ladite pièce. Calculer la proportion de F (vous devriez trou-
ver une valeur proche de 0.5).

Exercice 6.6 Un ami vous propose le jeu suivant. Vous lancez deux (2) fois un dé supposé
parfaitement équilibré dont les faces sont numérotées de 1 à 6. A chaque lancer, si le résultat
est 5 ou 6, vous gagnez 3 € ; si le résultat est 4, vous gagnez 1 € et si c’est 3 ou moins, vous
perdez 2.5 €.
1) Ecrire une fonction jeu permettant de simuler le jeu.
2) Simuler ce jeu 1 000 fois. Résumer les résultats à l’aide d’un tableau de contingence et
représenter ce tableau à l’aide d’un diagramme en bâtons.
3) Ce jeu serait-il avantageux pour vous ? Justifier la réponse.
R ÉFÉRENCES BIBLIOGRAPHIQUES

[1] Bertrand, F. and Maumy-Bertrand, M. (2018). Initiation à la Statistique avec R. Dunod,

Paris, 3ème edition.

[2] Biernacki, C. (2010). Logiciel R - Tutorial avec applications statistiques. Notes de cours,
Université Lille 1.

[3] Broc, G. (2016). Stats faciles avec R. De Boeck Superieur.

[4] Lafaye de Micheaux, P., Drouilhet, R., and Liquet, B. (2014). Le logiciel R : Maîtriser le
langage - Effectuer des analyses statistiques. Springer, 2ème edition.

[5] Paradis, E. (2005). R pour les débutants. URL http://cran.r-project.org/doc/

contrib/Paradis-rdebuts_fr.pdf.

[6] Venables, W. N., Smith, D. M., and the R Core Team (2014). An Introduction to R. Notes
on R : A Programming Environment for Data Analysis and Graphics Version 3.0.3 (2014-
03-06).

64