[Tutoriel] Calculer automatiquement des écart-types à l’aide d’une feuille de calcul Je pense que pour vous comme pour moi, rédiger des comptes-rendus de bilan n’est pas une partie de plaisir. Je pensais qu’avec les années j’arriverais à les faire de plus en plus rapidement, mais ce n’est pas vraiment le cas. J’ai quand même 3 astuces principales pour gagner un peu de temps : utiliser des modèles de comptes-rendus,utiliser un logiciel de dictée vocale (tutoriel à venir sous peu),utiliser des feuilles de calculs pour analyser les résultats des épreuves, En ce qui concerne ces dernières, je sais qu’elles circulent régulièrement sur les réseaux, vous pouvez trouver par exemple certains tableaux sur Pontt. Mais l’une de mes lectrices m’a demandé aujourd’hui comment elle pouvait rentrer les formules dans Excel pour en créer elle-même. Utiliser Libre Office pour calculer automatiquement les écart-types à partir des notes brutes Si on vérifie, dans la case C3, la formule est donc =(B3-D3)/E3 et dans la case C4 =(B4-D4)/E4 Dans Libre Office Dans Microsoft Excel
Amazing interactive 3D scatter plots - R software and data visualization - Documentation - STHDA I recently posted an article describing how to make easily a 3D scatter plot in R using the package scatterplot3d. This R tutorial describes how to perform an interactive 3d graphics using R software and the function scatter3d from the package car. The function scatter3d() uses the rgl package to draw and animate 3D scatter plots. The packages rgl and car are required for this tutorial: install.packages(c("rgl", "car")) Note that, on Linux operating system, the rgl package can be installed as follow: sudo apt-get install r-cran-rgl Load the packages: library("car") We’ll use the iris data set in the following examples : data(iris)head(iris) Sepal.Length Sepal.Width Petal.Length Petal.Width Species 1 5.1 3.5 1.4 0.2 setosa 2 4.9 3.0 1.4 0.2 setosa 3 4.7 3.2 1.3 0.2 setosa 4 4.6 3.1 1.5 0.2 setosa 5 5.0 3.6 1.4 0.2 setosa 6 5.4 3.9 1.7 0.4 setosa sep.l <- iris$Sepal.Lengthsep.w <- iris$Sepal.Widthpet.l <- iris$Petal.Length library(car) scatter3d(x = sep.l, y = pet.l, z = sep.w) Default plot
Rtips. Revival 2012! Paul E. Johnson <pauljohn @ ku.edu> The original Rtips started in 1999. It became difficult to update because of limitations in the software with which it was created. Now I know more about R, and have decided to wade in again. You are reading the New Thing! The first chore is to cut out the old useless stuff that was no good to start with, correct mistakes in translation (the quotation mark translations are particularly dangerous, but also there is trouble with ~, $, and -. (I thought it was cute to call this “StatsRus” but the Toystore’s lawyer called and, well, you know…) If you need a tip sheet for R, here it is. This is not a substitute for R documentation, just a list of things I had trouble remembering when switching from SAS to R. Heed the words of Brian D. 1.1 Bring raw numbers into R (05/22/2012) This is truly easy. myDataFrame <- read.table(‘‘myData’’,header=TRUE) If you type “? Suppose you have tab delimited data with blank spaces to indicate “missing” values. Patience is the key. ?
Coefficient de corrélation linéaire Le coefficient de corrélation linéaire, ou de Bravais-Pearson, est tellement connu qu’on ne le présente plus. Sauf que je le présente quand même. En effet, certaines subtilités méritent un arrêt sur image. Cherchant une liaison dans une distribution à deux variables, nous établissons une régression linéaire simple, « résumant » graphiquement un nuage de points par une droite, dite de régression. La « qualité » de cette régression est mesurée par le coefficient de corrélation. Comme une covariance est forcément inférieure ou égale au produit des écarts-type, le coefficient est compris entre -1 et 1. On remarque qu’il reste égal à lui-même, que la régression soit effectuée de y en x ou de x en y. C’est un nombre sans dimension, indépendant des unités de mesure des observations puisqu’on a « standardisé » la covariance. J’ai noté ce coefficient r. Comme il mesure l'intensité qui lie deux variables seulement, le coefficient de corrélation ne peut résumer la qualité d’une régression multiple.
Astuce Archives Je ne sais pas pour vous, mais moi, à chaque fois que j'assiste à une réunion de labo, il y a quasi systématiquement un graphique d'ACP pour montrer les données. Et à chaque fois, il s'agit d'un graphique de base, généré avec R, avec la fonction plot(), des couleurs qui piquent les yeux et des axes et légendes illisibles. La critique est facile me direz-vous, j'avoue avoir moi aussi présenté ce genre de graphique assez souvent... La diversité des questions que se posent nos amis biologistes entraîne une diversité des données : génomiques, images, etc. De plus, ces données sont générées à des vitesses folles. TL;DR La reproductibilité, c’est la vie (dans le monde scientifique) ! Certains bio-informaticiens ne jurent que par R (j'en fais partie). Bonjour à tous, et bienvenue dans le premier épisode d'une (longue ?) Lorsque vous êtes sur le point de publier, il va bien falloir expliquer aux futurs lecteurs comment vous avez obtenu les résultats...
knitr: Elegant, flexible and fast dynamic report generation with R | knitr Overview The knitr package was designed to be a transparent engine for dynamic report generation with R, solve some long-standing problems in Sweave, and combine features in other add-on packages into one package (knitr ≈ Sweave + cacheSweave + pgfSweave + weaver + animation::saveLatex + R2HTML::RweaveHTML + highlight::HighlightWeaveLatex + 0.2 * brew + 0.1 * SweaveListingUtils + more). This package is developed on GitHub; for installation instructions and FAQ’s, see README. This website serves as the full documentation of knitr, and you can find the main manual, the graphics manual and other demos / examples here. For a more organized reference, see the knitr book. Motivation One of the difficulties with extending Sweave is we have to copy a large amount of code from the utils package (the file SweaveDrivers.R has more than 700 lines of R code), and this is what the two packages mentioned above have done. Features Acknowledgements Misc
Lois et génération d'échantillons. / Statistiques. / Aide mémoire R. Aide-memoire-R > Statistiques > Lois-et-generation-d-echantillons Génération d'échantillons aléatoires à partir d'un vecteur : vect <- seq(3, 12); sample(vect, 5) : fournit un échantillon aléatoire de 5 valeurs prises dans le vecteur donné, sans remise (taille de l'échantillon doit être inférieure à la taille du vecteur). sample(vect, 5, replace = TRUE) : fournit un échantillon aléatoire de 5 valeurs prises dans le vecteur donné, mais avec remise. sample(vect) : fournit un échantillon aléatoire de length(vect) valeurs prises dans vect (c'est à dire une permutation). sample(10, 5) : fournit un échantillon aléatoire de 5 valeurs parmi les 10 premiers entiers (i.e. parmi seq(1, 10)). sample(seq(1, 4), 3, prob = c(0.1, 0.2, 0.3, 0.4), replace = TRUE) : fournit un échantillon aléatoire de 3 valeurs prises parmi le vecteur donné, chaque valeur étant choisie avec une probabilité proportionnelle aux valeurs données dans l'argument prob. La somme des poids n'a pas besoin d'être 1.
clinicR: groupe d'utilisateurs de R à la FMV 21 janvier 2016 Où?: local 115, pavillon Dessaulles clinicR est le RUG (R User Group) de la Faculté de médecine vétérinaire de l'Université de Montréal. Agenda Rencontre #8: Analyse quantitative des biais avec episensr Évaluation des biais avec le package episensr. Rencontre #7: Graphiques dans R Comment réaliser des graphiques dans R, à partir des graphiques de base et du package ggplot2. Rencontre #6: Gestion de données dans R (3) et Dates et temps dans R Deux sessions: (1) Appliquer des fonctions sur des groupes de variables, agrégation de données, combinaisons de jeux de données, passer du format "long" au format "large"; (2) manipulation de dates et temps avec R. Rencontre #5: Gestion de données dans R (2) Opérations sur les variables et observations. Rencontre #6: Gestion de données dans R (3) Agrégation et combinaison de données. Rencontre #7: Gestion de données dans R (4) Travailler avec des dates dans R. Rencontre #4: Gestion de données dans R (1) Windows Mac OS X Linux Firefox SQLite Plugin
Software - Miquel De Cáceres Ainsa Indicspecies R package Indicator species are species that are used as ecological indicators of community or habitat types, environmental conditions, or environmental changes. In order to determine indicator species, the characteristic to be predicted is represented in the form of a classification of the sites, which is compared to the patterns of distribution of the species found in that set of sites. 'Indicspecies' is an R package that contains a set of functions to assess the strength of relationship between species and a classification of sites. As such, it includes the well-known IndVal method (Dufrêne & Legendre 1997) and extends it by allowing the user to study combinations of site groups (De Cáceres et al. 2010). Apart from the IndVal index, the package allows computing many other indices suitable for this kind of associations (De Cáceres & Legendre 2009), such as the phi coefficient of association. Download indicspecies (ver. 1.6.7) from CRAN. Resniche R package STI R package