Scribd Logo
Importer

Bienvenue sur Scribd !

  • 76 vues

    TP2 Sujet

    Transféré par

    ceaxiled
    Ce document présente une analyse statistique des caractéristiques de ponts en France à l'aide de Python. Il décrit l'étude de deux variables: la région d'implantation et la longueur des ponts. Différentes représentations graphiques sont utilisées et des indicateurs statistiques comme la moyenne, la médiane, la variance et l'écart-type sont calculés.

    Droits d'auteur :

    © All Rights Reserved
    Téléchargez comme PDF, TXT ou lisez en ligne sur Scribd

    TP2 Sujet

    Transféré par

    ceaxiled
    76 vues6 pages
    Ce document présente une analyse statistique des caractéristiques de ponts en France à l'aide de Python. Il décrit l'étude de deux variables: la région d'implantation et la longueur des ponts. Différentes représentations graphiques sont utilisées et des indicateurs statistiques comme la moyenne, la médiane, la variance et l'écart-type sont calculés.

    Titre original

    TP2_sujet

    Copyright

    © © All Rights Reserved

    Formats disponibles

    PDF, TXT ou lisez en ligne sur Scribd

    Avez-vous trouvé ce document utile ?

    Ce contenu est-il inapproprié ?

    Ce document présente une analyse statistique des caractéristiques de ponts en France à l'aide de Python. Il décrit l'étude de deux variables: la région d'implantation et la longueur des ponts. Différentes représentations graphiques sont utilisées et des indicateurs statistiques comme la moyenne, la médiane, la variance et l'écart-type sont calculés.

    Droits d'auteur :

    © All Rights Reserved
    Téléchargez comme PDF, TXT ou lisez en ligne sur Scribd
    Télécharger au format pdf ou txt
    76 vues6 pages

    TP2 Sujet

    Transféré par

    ceaxiled
    Ce document présente une analyse statistique des caractéristiques de ponts en France à l'aide de Python. Il décrit l'étude de deux variables: la région d'implantation et la longueur des ponts. Différentes représentations graphiques sont utilisées et des indicateurs statistiques comme la moyenne, la médiane, la variance et l'écart-type sont calculés.

    Droits d'auteur :

    © All Rights Reserved
    Téléchargez comme PDF, TXT ou lisez en ligne sur Scribd
    Télécharger au format pdf ou txt
    Vous êtes sur la page 1sur 6

    TP2_sujet

    May 12, 2023

    1 TP 2 : Statistiques avec Python

    Les tableurs sont des outils puissants mais pouvant être limités. Nous allons utiliser Python pour
    traiter des données et obtenir les caractéristiques d’une variable statistique.
    Nous allons étudier différentes caractéristiques sur les ponts en France. Les
    données utilisées durant ce TP sont disponibles gratuitement à cette adresse :
    https://www.data.gouv.fr/fr/datasets/programme-national-ponts-donnees-publiques/
    Nous utiliserons en particulier 2 bibliothèques Python qui permettent respectivement le traitement
    des données et leur représentation : numpy et matplotlib
    [ ]: # Import des libraries python
    import numpy as np
    import matplotlib.pyplot as plt

    1.1 Région d’implantation des ponts

    Les régions d’implantation des ponts recensées sont données dans le fichier region_pont.npy.
    [ ]: # Import des données
    serie_r = np.load('region_pont.npy',allow_pickle=True)
    print('Les 10 premiers éléments de la série sont :')

    print('La série comporte '+str(0)+' éléments.')

    1. Donner la population, ainsi que sa taille


    2. Donner le type de caractère étudié
    1)
    2)

    [ ]: # Taille de la population
    N = len(serie_r)
    # Modalités
    regions = ['Auvergne Rhone Alpes',
    'Hauts de France',
    'Occitanie',

    1
    'Nouvelle Aquitaine',
    'Pays de la Loire',
    'Grand Est',
    'Ile de France',
    'Provence Alpes Cote d azur',
    'Normandie',
    'Centre Val de Loire',
    'Bourgogne Franche Comte',
    'Bretagne',
    'Corse']

    # ???
    xxx_r = []
    for i in range(13):
    ni=0
    for j in range(N):
    if serie_r[j]==regions[i]:
    ni+=1
    xxx_r.append(ni)
    xxx_r=np.array(xxx_r)
    print(xxx_r)

    3. Donner la signification de la variable xxx_r. Renommer cette variable avec un nom plus
    explicite.
    4. Donner le nombre de ponts recensés dans la région Nouvelle-Aquitaine.
    3)
    4)
    effectifs_r est un array de numpy. Il s’agit d’une liste sur lesquelles les opérations sont déjà définies.
    Ainsi, effectifs_r+5 renvoie un array où l’on a ajouté 5 à tous les éléments de effectifs_r.
    5. Compléter la ligne ci-dessous
    [ ]: # Calcul des fréquences
    frequences_r =

    La représentation des données s’effectue généralement avec matplotlib.


    6. Donner les représentations graphiques possible pour le type de variable étudié.
    On donne la représentation graphique en secteur circulaire de la série
    6)

    [ ]: # Tracé de la représentation en secteur circulaire


    plt.figure()
    plt.pie(effectifs_r,
    ␣
    ↪colors=['yellow','purple','orange','deepskyblue','red','chocolate','gray','green','hotpink',

    2
    'blue','indigo','violet','darkorange'],
    radius=2)
    plt.legend(labels=regions,title='Région',loc='center left',bbox_to_anchor=(1,-0.
    ↪5,2,2))

    plt.show()
    print(frequences_r)

    7. Commmenter la série
    7)

    1.2 Longueurs des ponts

    On étudie à présent la longueur des ponts recensés, et plus particulièrement ceux dont la longueur
    est comprise entre 50 m et 200 m.
    [ ]: # Import des données
    serie_l = np.load('longueur_pont.npy')
    print('La série comporte '+str(0)+' éléments.')
    # Taille de la population
    N =

    7. Donner la taille de la population


    8. Donner le type de caractère etudié
    7)
    8)
    On se propose de définir 20 classes de même amplitude pour étudier cette série.
    9. Donner les valeurs extrêmales recensées
    10. Donner la définition des 5 premières classes
    [ ]: # Déterminer les valeurs extrêmales

    9)
    10)

    [ ]: # Définition des classes à amplitudes égales


    b_reg = [50 + i*7.5 for i in range(21)]

    # Calcul des effectifs


    n_reg = np.zeros(20)
    for i in range(20):
    for j in range(N):
    l = serie_l[j]
    if l > b_reg[i] and l<=b_reg[i+1]:
    n_reg[i]+=1

    3
    print(b_reg)

    [ ]: # Calcul des fréquences


    f_reg = n_reg/N
    print(f_reg[5])

    11. Donner la classe associée à cette fréquence


    12. Rappeler les représentations graphiques possibles de ce type de variable
    13. On donne l’histogramme de la série avec ces classes. Commenter la figure obtenue.
    11)
    12)

    [ ]: # La fonction plt.hist trace un histogramme à partir d'une série de données.␣


    ↪S'il est donné,

    # l'argument bins défini les classes sur lesquels l'histogramme est calculé.␣
    ↪L'argument density

    # précise que l'on veut un histogramme en fréquence unitaire. Par défaut, le␣
    ↪diagramme tracera

    # des barres dont la hauteur correspond à l'effectif

    [ ]: # Tracé de l'histogramme
    plt.figure()
    plt.hist(serie_l,bins=b_reg,density=True,ec='black')
    plt.xlabel('Longueur du pont (m)')
    plt.ylabel('Fréquence unitaire (m$^{-1}$)')
    plt.show()

    13)
    On définit à présent 10 classes de même effectif. On montre que les classes sont telles que :
    [ ]: # Définition des classes à effectifs constants
    b_effc = [50,
    52.60000000000002,
    55.30000000000006,
    59.000000000000114,
    63.00000000000017,
    68.8999999999999,
    76.19999999999949,
    86.09999999999893,
    101.09999999999808,
    130.09999999999644,
    198.4]

    # Calcul des centres


    c_effc = np.zeros(10)

    4
    for i in range(10):
    c_effc[i]=(b_effc[i]+b_effc[i+1])/2

    # Calcul des effectifs


    n_effc = np.zeros(10)
    for j in range(N):
    l = serie_l[j]
    for i in range(10):
    if l > b_effc[i] and l<=b_effc[i+1]:
    n_effc[i]+=1

    print(n_effc)

    14. En copiant et adaptant le précédent tracé, tracer l’histogramme associé à cette définition de
    classe
    [ ]: # Tracé de l'histogramme

    On cherche à présent à calculer les caractéristiques de la série.


    15. Rappeler la définition exacte de la moyenne et de la médiane
    16. Caculer la moyenne. On utilisera la fonction np.sum(X) qui somme tous les éléments de X
    17. Déterminer la médiane
    15)

    [ ]: moyenne =
    print('La moyenne exacte vaut '+str(moyenne) +' m.')

    mediane =
    print('La médiane exacte vaut '+str(mediane)+' m.')

    18. Rappeler la définition approchée de la moyenne et de la médiane à l’aide des classes


    19. Déterminer ces valeurs avec les classes à effectif constant. On donnera F(63 m)=0.4166 et
    F(68.90 m)=0.5175
    18)

    [ ]: # Calcul de la fonction de répartition


    F_effc = np.zeros(11)
    for i in range(10):
    F_effc[i+1]=F_effc[i]+n_effc[i]/N

    # Tracé de la fonction de répartition


    plt.figure()
    plt.plot(b_effc,F_effc)
    plt.xlabel('Longueur (m)')
    plt.ylabel('F')
    plt.show()

    5
    [ ]: # Calcul de la moyenne approchée
    moyenne_app = 0
    for i in range(10):
    moyenne_app = moyenne_app + #???
    print('La moyenne approchée vaut '+str(moyenne_app)+' m.')

    [ ]: # Calcul de la médiane approchée


    mediane_app = #???
    print('La médiane approchée vaut '+str(mediane_app)+' m.')

    21. Rappeler la définition de la variance et de l’écart-type


    22. Calculer ces valeurs
    21)

    [ ]: # Calcul de la variance
    variance = 0
    for j in range(N):
    variance = variance + #???

    #Calcul de l'écart-type
    ecarttype=np.sqrt(variance)

    print('La variance vaut '+str(variance)+' m^2.')


    print("L'écart-type vaut "+str(ecarttype)+' m.')

    Vous aimerez peut-être aussi