AJout de l'exo 1

This commit is contained in:
stiti 2024-06-11 14:34:27 +02:00
parent 4b8e103b59
commit 37015daf4a
11 changed files with 473 additions and 118 deletions

View File

@ -1,2 +1,276 @@
# SAE_2.04 # Exercice 1 : Analyse des données démographiques et professionnelles
## Table des matières
1. [Initialisation des variables](#init)
2. [Répartition des genres](#q1)
3. [Répartition des niveaux d'études selon le genre](#q2)
4. [Effectifs des 10 professions les plus représentées](#q3)
5. [Profession la plus fréquente selon le genre](#q4)
6. [Statistiques par niveau d'études](#q5)
7. [Statistiques par genre](#q6)
7. [Nuage de points et régression](#q6)
---
## Initialisation des variables {#init}
Pour cette exercice, veuillez initaliser les variables suivantes :
**[Script Scilab](scripts/init.sce) :**
```scilab
csvDouble = csvRead("data.csv") //ouvre data.csv en une matrice d'entier
csvString = csvRead("data.csv",[],[],'string') //ouvre data.csv en une matrice de string
```
---
## Question 1 : Répartition des genres {#q1}
> Donnez sous forme de camembert la répartition des genres.
**[Script Scilab](scripts/q1.sce) :**
```scilab
genre = tabul(csvString(:,3),"i") //récupère la liste des genres ainsi que leur occurence
->genre(1) //liste les différents genres du tableau
->genre(2) //donne l'occurence correspondant aux valeurs de "genre(1)"
pie(genre(2),genre(1)) //ouvre un diagramme camembert représentant les genres en fonction de leur occurence
```
**Résultat :**
# RESULTAT A AJOUTER ICI
# RESULTAT A AJOUTER ICI
# RESULTAT A AJOUTER ICI
# RESULTAT A AJOUTER ICI
# RESULTAT A AJOUTER ICI
# RESULTAT A AJOUTER ICI
# RESULTAT A AJOUTER ICI
---
## Question 2 : Répartition des niveaux d'études selon le genre {#q2}
> Donnez sous forme d'histogramme la répartition des niveaux d'études, suivant le genre.
**[Script Scilab](scripts/q2.sce) :**
```scilab
genre_lvl = [csvString(:,3),csvString(:,4)] // crée une matrice 6699x2 avec les genres et le niveau d'études
high_homme = length(find(genre_lvl(:,2) == "0" & genre_lvl(:,1) == "Male")) // renvoie l'occurence d'hommes ayant un niveau d'étude de 0
high_femme = length(find(genre_lvl(:,2) == "0" & genre_lvl(:,1) == "Female")) // renvoie l'occurence des femmes ayant un niveau d'étude de 0
high_autre = length(find(genre_lvl(:,2) == "0" & genre_lvl(:,1) == "Other")) // renvoie l'occurence des autres ayant un niveau d'étude de 0
b_homme = length(find(genre_lvl(:,2) == "1" & genre_lvl(:,1) == "Male")) // renvoie l'occurence d'hommes ayant un niveau d'étude de 1
b_femme = length(find(genre_lvl(:,2) == "1" & genre_lvl(:,1) == "Female")) // renvoie l'occurence des femmes ayant un niveau d'étude de 1
b_autre = length(find(genre_lvl(:,2) == "1" & genre_lvl(:,1) == "Other")) // renvoie l'occurence des autres ayant un niveau d'étude de 1
m_homme = length(find(genre_lvl(:,2) == "2" & genre_lvl(:,1) == "Male")) // renvoie l'occurence des hommes ayant un niveau d'étude de 2
m_femme = length(find(genre_lvl(:,2) == "2" & genre_lvl(:,1) == "Female")) // renvoie l'occurence des femmes ayant un niveau d'étude de 2
m_autre = length(find(genre_lvl(:,2) == "2" & genre_lvl(:,1) == "Other")) // renvoie l'occurence des autres ayant un niveau d'étude de 2
d_homme = length(find(genre_lvl(:,2) == "3" & genre_lvl(:,1) == "Male")) // renvoie l'occurence des hommes ayant un niveau d'étude de 3
d_femme = length(find(genre_lvl(:,2) == "3" & genre_lvl(:,1) == "Female")) // renvoie l'occurence des femmes ayant un niveau d'étude de 3
d_autre = length(find(genre_lvl(:,2) == "3" & genre_lvl(:,1) == "Other")) // renvoie l'occurence des autres ayant un niveau d'étude de 3
temp = [high_homme, high_femme, high_autre;b_homme, b_femme, b_autre;m_homme, m_femme, m_autre;d_homme, d_femme, d_autre] //crée un tableau
lvlEtude = [0,1,2,3]
bar(lvlEtude,temp);
legend("homme","femme","autre")
```
**Résultat :**
# RESULTAT A AJOUTER ICI
# RESULTAT A AJOUTER ICI
# RESULTAT A AJOUTER ICI
# RESULTAT A AJOUTER ICI
# RESULTAT A AJOUTER ICI
# RESULTAT A AJOUTER ICI
# RESULTAT A AJOUTER ICI
---
## Question 3 : Effectifs des 10 professions les plus représentées {#q3}
> Donnez sous forme d'histogramme, les effectifs des 10 professions les plus représentées.
**[Script Scilab](scripts/q3.sce) :**
```scilab
metiers = tabul(csvString(:,5),"i") //récupère la liste des profession ainsi que leur occurence
[occu,indice] = gsort(metiers(2)) //donne la liste des occurence trié ainsi que l'indice que son indice avant le tri
profession = metiers(1) //stock la liste des profession dans une variable
matrice_occurence = [occu(1:1),occu(2:2),occu(3:3),occu(4:4),occu(5:5),occu(6:6),occu(7:7),occu(8:8),occu(9:9),occu(10:10)]
bar(matrice_occurence) //affiche l'histogramme des 10 professions avec le plus de monde
legend(profession(indice(1:10))) //légende le graphe pour donner un nom à chaque colonne
```
**Résultat :**
# RESULTAT A AJOUTER ICI
# RESULTAT A AJOUTER ICI
# RESULTAT A AJOUTER ICI
# RESULTAT A AJOUTER ICI
# RESULTAT A AJOUTER ICI
# RESULTAT A AJOUTER ICI
# RESULTAT A AJOUTER ICI
---
## Question 4 : Profession la plus fréquente selon le genre {#q4}
> Quelle est la profession la plus fréquente des femmes ? des hommes ?
**[Script Scilab](scripts/q4.sce) :**
```scilab
// Femme :
indice_female = find(csvString(:,3) == "Female") //récupère les indice de la colonne 3 de data.csv contenant "Female"
[valeurs] = csvString(indice_female,5) //récupère les métiers situés aux indices récupérés précédemment
metiers_female = tabul(valeurs) //récupère les métiers sans doublons ainsi que leur occurence
[occurence_tri,indice_tri] = gsort(metiers_female(2)) //récupère et trie dans un tableau ce qu'on a relevé précédemment et relève leur indice d'avant
liste_metiers_female = metiers_female(1) //récupère dans une variable la liste des métiers unique dans le but de la parcourir par indice
liste_metiers_female(119) //relève le métiers recensant le plus de femmes
// Homme :
indice_male = find(csvString(:,3) == "Male") //récupère les les indice de la colonne 3 de data.csv contenant "Male"
[valeurs2] = csvString(indice_male,5) //récupère les métiers situés aux indices récupérés précédemment
metiers_male = tabul(valeurs2) //récupère les métiers sans doublons ainsi que leur occurence
[occurence_tri,indice_tri] = gsort(metiers_male(2)) //récupère et trie dans un tableau ce qu'on a relevé précédemment et relève leur indice d'avant
liste_metiers_male = metiers_male(1) //récupère dans une variable la liste des métiers unique dans le but de la parcourir par indice
liste_metiers_male(11) //relève le métiers recensant le plus d'hommes
```
**Résultat :**
- Profession la plus fréquente des femmes : Data Scientist
- Profession la plus fréquente des hommes : Software Engineer
---
## Question 5 : Statistiques par niveau d'études {#q5}
> Pour chaque niveau d'études, donnez le salaire moyen, l'âge moyen et l'expérience moyenne.
**[Script Scilab](scripts/q5.sce) :**
```scilab
indice_high = find(csvDouble(:,4) == 0 )
salaire_high = csvDouble(indice_high,7)
mean(salaire_high) //36706.694
age_high = csvDouble(indice_high,2)
mean(age_high) //26.854911
exp_high = csvDouble(indice_high,6)
mean(exp_high) //1.9151786
indice_b = find(csvDouble(:,4) == 1 )
salaire_b = csvDouble(indice_b,7)
mean(salaire_b) //95082.909
age_b = csvDouble(indice_b,2)
mean(age_b) //30.260179
exp_b = csvDouble(indice_b,6)
mean(exp_b) //5.4195631
indice_m = find(csvDouble(:,4) == 2 )
salaire_m = csvDouble(indice_m,7)
mean(salaire_m) //130112.06
age_m = csvDouble(indice_m,2)
mean(age_m) //35.171505
exp_m = csvDouble(indice_m,6)
mean(exp_m) //9.6456989
indice_p = find(csvDouble(:,4) == 3)
salaire_p = csvDouble(indice_p,7)
mean(salaire_p) //165651.46
age_p = csvDouble(indice_p,2)
mean(age_p) //41.154858
exp_p = csvDouble(indice_p,6)
mean(exp_p) //13.915267
```
**Résultat :**
- Niveau d'étude 0 :
- Salaire moyen : 36,706.69 $
- Âge moyen : 26.85 ans
- Expérience moyenne : 1.92 ans
- Niveau d'étude 1 :
- Salaire moyen : 95,082.91 $
- Âge moyen : 30.26 ans
- Expérience moyenne : 5.42 ans
- Niveau d'étude 2 :
- Salaire moyen : 130,112.06 $
- Âge moyen : 35.17 ans
- Expérience moyenne : 9.65 ans
- Niveau d'étude 3 :
- Salaire moyen : 165,651.46 $
- Âge moyen : 41.15 ans
- Expérience moyenne : 13.92 ans
---
## Question 6 : Statistiques par genre {#q6}
> Pour chaque genre, donnez le salaire moyen, l'âge moyen et l'expérience moyenne.
**[Script Scilab](scripts/q6.sce) :**
```scilab
indice_6_female = find(csvString(:,3) == "Female" )
salaire_6_female = csvDouble(indice_6_female,7)
mean(salaire_6_female) //107889.00
age_6_female = csvDouble(indice_6_female,2)
mean(age_6_female) //32.626286
exp_6_female = csvDouble(indice_6_female,6)
mean(exp_6_female) //7.4201792
indice_6_male = find(csvString(:,3) == "Male" )
salaire_6_male = csvDouble(indice_6_male,7)
mean(salaire_6_male) //121389.87
age_6_male = csvDouble(indice_6_male,2)
mean(age_6_male) //34.416394
exp_6_male = csvDouble(indice_6_male,6)
mean(exp_6_male) //8.6169662
indice_6_other = find(csvString(:,3) == "Other" )
salaire_6_other = csvDouble(indice_6_other,7)
mean(salaire_6_other) //125869.86
age_6_other = csvDouble(indice_6_other,2)
mean(age_6_other) //39.571429
exp_6_other = csvDouble(indice_6_other,6)
mean(exp_6_other) //16.428571
```
**Résultat :**
- Genre Femme :
- Salaire moyen : 107,889.00 $
- Âge moyen : 32.63 ans
- Expérience moyenne : 7.42 ans
- Genre Homme :
- Salaire moyen : 121,389.87 $
- Âge moyen : 34.41 ans
- Expérience moyenne : 8.62 ans
- Genre Autre :
- Salaire moyen : 125,869.86 $
- Âge moyen : 39.57 ans
- Expérience moyenne : 16.43 ans
---
[🏠](../ "Retour au sommaire") | [➡️](../EXO2/ "Exercice suivant (Exercice 2)")

2
EXO1/scripts/init.sce Normal file
View File

@ -0,0 +1,2 @@
csvDouble = csvRead("data.csv") //ouvre data.csv en une matrice d'entier
csvString = csvRead("data.csv",[],[],'string') //ouvre data.csv en une matrice de string

4
EXO1/scripts/q1.sce Normal file
View File

@ -0,0 +1,4 @@
genre = tabul(csvString(:,3),"i") //récupère la liste des genres ainsi que leur occurence
->genre(1) //liste les différents genres du tableau
->genre(2) //donne l'occurence correspondant aux valeurs de "genre(1)"
pie(genre(2),genre(1)) //ouvre un diagramme camembert représentant les genres en fonction de leur occurence

22
EXO1/scripts/q2.sce Normal file
View File

@ -0,0 +1,22 @@
genre_lvl = [csvString(:,3),csvString(:,4)] // crée une matrice 6699x2 avec les genres et le niveau d'études
high_homme = length(find(genre_lvl(:,2) == "0" & genre_lvl(:,1) == "Male")) // renvoie l'occurence d'hommes ayant un niveau d'étude de 0
high_femme = length(find(genre_lvl(:,2) == "0" & genre_lvl(:,1) == "Female")) // renvoie l'occurence des femmes ayant un niveau d'étude de 0
high_autre = length(find(genre_lvl(:,2) == "0" & genre_lvl(:,1) == "Other")) // renvoie l'occurence des autres ayant un niveau d'étude de 0
b_homme = length(find(genre_lvl(:,2) == "1" & genre_lvl(:,1) == "Male")) // renvoie l'occurence d'hommes ayant un niveau d'étude de 1
b_femme = length(find(genre_lvl(:,2) == "1" & genre_lvl(:,1) == "Female")) // renvoie l'occurence des femmes ayant un niveau d'étude de 1
b_autre = length(find(genre_lvl(:,2) == "1" & genre_lvl(:,1) == "Other")) // renvoie l'occurence des autres ayant un niveau d'étude de 1
m_homme = length(find(genre_lvl(:,2) == "2" & genre_lvl(:,1) == "Male")) // renvoie l'occurence des hommes ayant un niveau d'étude de 2
m_femme = length(find(genre_lvl(:,2) == "2" & genre_lvl(:,1) == "Female")) // renvoie l'occurence des femmes ayant un niveau d'étude de 2
m_autre = length(find(genre_lvl(:,2) == "2" & genre_lvl(:,1) == "Other")) // renvoie l'occurence des autres ayant un niveau d'étude de 2
d_homme = length(find(genre_lvl(:,2) == "3" & genre_lvl(:,1) == "Male")) // renvoie l'occurence des hommes ayant un niveau d'étude de 3
d_femme = length(find(genre_lvl(:,2) == "3" & genre_lvl(:,1) == "Female")) // renvoie l'occurence des femmes ayant un niveau d'étude de 3
d_autre = length(find(genre_lvl(:,2) == "3" & genre_lvl(:,1) == "Other")) // renvoie l'occurence des autres ayant un niveau d'étude de 3
temp = [high_homme, high_femme, high_autre;b_homme, b_femme, b_autre;m_homme, m_femme, m_autre;d_homme, d_femme, d_autre] //crée un tableau
lvlEtude = [0,1,2,3]
bar(lvlEtude,temp);
legend("homme","femme","autre")

6
EXO1/scripts/q3.sce Normal file
View File

@ -0,0 +1,6 @@
metiers = tabul(csvString(:,5),"i") //récupère la liste des profession ainsi que leur occurence
[occu,indice] = gsort(metiers(2)) //donne la liste des occurence trié ainsi que l'indice que son indice avant le tri
profession = metiers(1) //stock la liste des profession dans une variable
matrice_occurence = [occu(1:1),occu(2:2),occu(3:3),occu(4:4),occu(5:5),occu(6:6),occu(7:7),occu(8:8),occu(9:9),occu(10:10)]
bar(matrice_occurence) //affiche l'histogramme des 10 professions avec le plus de monde
legend(profession(indice(1:10))) //légende le graphe pour donner un nom à chaque colonne

17
EXO1/scripts/q4.sce Normal file
View File

@ -0,0 +1,17 @@
// Femme :
indice_female = find(csvString(:,3) == "Female") //récupère les indice de la colonne 3 de data.csv contenant "Female"
[valeurs] = csvString(indice_female,5) //récupère les métiers situés aux indices récupérés précédemment
metiers_female = tabul(valeurs) //récupère les métiers sans doublons ainsi que leur occurence
[occurence_tri,indice_tri] = gsort(metiers_female(2)) //récupère et trie dans un tableau ce qu'on a relevé précédemment et relève leur indice d'avant
liste_metiers_female = metiers_female(1) //récupère dans une variable la liste des métiers unique dans le but de la parcourir par indice
liste_metiers_female(119) //relève le métiers recensant le plus de femmes
// Homme :
indice_male = find(csvString(:,3) == "Male") //récupère les les indice de la colonne 3 de data.csv contenant "Male"
[valeurs2] = csvString(indice_male,5) //récupère les métiers situés aux indices récupérés précédemment
metiers_male = tabul(valeurs2) //récupère les métiers sans doublons ainsi que leur occurence
[occurence_tri,indice_tri] = gsort(metiers_male(2)) //récupère et trie dans un tableau ce qu'on a relevé précédemment et relève leur indice d'avant
liste_metiers_male = metiers_male(1) //récupère dans une variable la liste des métiers unique dans le but de la parcourir par indice
liste_metiers_male(11) //relève le métiers recensant le plus d'hommes

31
EXO1/scripts/q5.sce Normal file
View File

@ -0,0 +1,31 @@
indice_high = find(csvDouble(:,4) == 0 )
salaire_high = csvDouble(indice_high,7)
mean(salaire_high) //36706.694
age_high = csvDouble(indice_high,2)
mean(age_high) //26.854911
exp_high = csvDouble(indice_high,6)
mean(exp_high) //1.9151786
indice_b = find(csvDouble(:,4) == 1 )
salaire_b = csvDouble(indice_b,7)
mean(salaire_b) //95082.909
age_b = csvDouble(indice_b,2)
mean(age_b) //30.260179
exp_b = csvDouble(indice_b,6)
mean(exp_b) //5.4195631
indice_m = find(csvDouble(:,4) == 2 )
salaire_m = csvDouble(indice_m,7)
mean(salaire_m) //130112.06
age_m = csvDouble(indice_m,2)
mean(age_m) //35.171505
exp_m = csvDouble(indice_m,6)
mean(exp_m) //9.6456989
indice_p = find(csvDouble(:,4) == 3)
salaire_p = csvDouble(indice_p,7)
mean(salaire_p) //165651.46
age_p = csvDouble(indice_p,2)
mean(age_p) //41.154858
exp_p = csvDouble(indice_p,6)
mean(exp_p) //13.915267

24
EXO1/scripts/q6.sce Normal file
View File

@ -0,0 +1,24 @@
indice_6_female = find(csvString(:,3) == "Female" )
salaire_6_female = csvDouble(indice_6_female,7)
mean(salaire_6_female) //107889.00
age_6_female = csvDouble(indice_6_female,2)
mean(age_6_female) //32.626286
exp_6_female = csvDouble(indice_6_female,6)
mean(exp_6_female) //7.4201792
indice_6_male = find(csvString(:,3) == "Male" )
salaire_6_male = csvDouble(indice_6_male,7)
mean(salaire_6_male) //121389.87
age_6_male = csvDouble(indice_6_male,2)
mean(age_6_male) //34.416394
exp_6_male = csvDouble(indice_6_male,6)
mean(exp_6_male) //8.6169662
indice_6_other = find(csvString(:,3) == "Other" )
salaire_6_other = csvDouble(indice_6_other,7)
mean(salaire_6_other) //125869.86
age_6_other = csvDouble(indice_6_other,2)
mean(age_6_other) //39.571429
exp_6_other = csvDouble(indice_6_other,6)
mean(exp_6_other) //16.428571

View File

@ -1,11 +1,23 @@
# Exercice 4 : Analyse des salaires # NON FINIT !!!
# NON FINIT !!!
# NON FINIT !!!# NON FINIT !!!
# NON FINIT !!!
# NON FINIT !!!
# NON FINIT !!!
# NON FINIT !!!
# NON FINIT !!!
# NON FINIT !!!
# NON FINIT !!!
# Exercice 4 : Analyse de la relation entre âge, expérience et salaire
## Table des matières ## Table des matières
1. [Initialisation des variables](#init) 1. [Initialisation des variables](#init)
2. [Distribution des salaires par genre](#q1) 2. [Nuage de points et régression linéaire : Age vs Salaire](#q1)
3. [Histogramme des salaires moyens par niveau d'études](#q2) 3. [Nuage de points et régression linéaire : Expérience vs Salaire](#q2)
4. [Statistiques descriptives des salaires](#q3)
5. [Répartition des salaires par genre](#q4)
--- ---
@ -16,37 +28,54 @@ Pour cette exercice, veuillez initaliser les variables suivantes :
**[Script Scilab](scripts/init.sce) :** **[Script Scilab](scripts/init.sce) :**
```scilab ```scilab
D = csvRead('data.csv'); // Charger les données depuis le fichier CSV
DD = csvRead('data.csv',',','.','string'); data = csvRead('data.csv');
genre = DD(:,3);
// Extraire les colonnes pertinentes (âge et salaire)
age = data(:, 2);
salaire = data(:, 7);
``` ```
--- ---
## Question 1 : Distribution des salaires par genre {#q1} ## Question 1 : Nuage de points et régression linéaire (Age vs Salaire) {#q1}
> Donnez, sous forme d'histogramme, la distribution des salaires suivant le genre. > Tracez un nuage de points (age,salaire), et la droite de regression correspondante. Quel est le coefficient de corrélation ?
**[Script Scilab](scripts/q1.sce) :** **[Script Scilab](scripts/q1.sce) :**
```scilab ```scilab
D_homme = D(genre == 'Male',:); // Vérifier les dimensions
D_femme = D(genre == 'Female',:); disp(size(age));
salaire_homme = D_homme(:,7); disp(size(salaire));
salaire_femme = D_femme(:,7);
num_bins = 50;
subplot(2, 1, 1); clf;
histplot(num_bins, salaire_homme);
title("Distribution des salaires pour les hommes");
xlabel("Salaire");
ylabel("Fréquence");
subplot(2, 1, 2); // Tracer le nuage de points avec les vraies données
histplot(num_bins, salaire_femme); scatter(age, salaire, 10, 'filled');
title("Distribution des salaires pour les femmes"); xlabel('Age');
xlabel("Salaire"); ylabel('Salaire');
ylabel("Fréquence"); title('Nuage de points : Age vs Salaire');
A = [ones(length(age), 1), age];
coefficients = A \ salaire;
salaire_pred = A * coefficients;
// Tracer la droite de régression
plot(age, salaire, '+'); // Tracer le nuage de points
plot(age, salaire_pred, '-r'); // Tracer la droite de régression
legend(['Données', 'Droite de régression'], 'Location', 'northwest');
// Calcul manuel du coefficient de corrélation
mean_age = mean(age);
mean_salaire = mean(salaire);
numerateur = sum((age - mean_age) .* (salaire - mean_salaire));
denominateur = sqrt(sum((age - mean_age).^2) * sum((salaire - mean_salaire).^2));
correlation_coefficient = numerateur / denominateur;
// Affichage du coefficient de corrélation
disp('Le coefficient de corrélation est :');
disp(correlation_coefficient);
``` ```
**Résultat :** **Résultat :**
@ -82,98 +111,7 @@ title("Salaire moyen par niveau d''études");
![q2](img/q2.png) ![q2](img/q2.png)
---
## Question 3 : Statistiques descriptives des salaires {#q3}
> Donnez les quartiles, interquartiles, minimum, maximum, moyenne, médiane, et écart-type des salaires. Tracez une boîte à moustaches.
**[Script Scilab](scripts/q3.sce) :**
```scilab
Q = quart(salaires)
IQR = Q(3) - Q(1);
min_salaire = min(salaires)
max_salaire = max(salaires)
mean(salaires)
median(salaires)
stdev(salaires)
boxplot(salaires)
```
**Résultat :**
- Quartiles : [Q1, Q2 (médiane), Q3] = [70000, 115000, 160000]
- Interquartile Range (IQR) : Q(3) - Q(1) = 90000
- Minimum : 350
- Maximum : 250000
- Moyenne : 115326.96
- Médiane : 115000
- Écart-type : 52786.184
![q3](img/q3.png)
--- ---
## Question 4 : Répartition des salaires par genre {#q4} [⬅️](../EXO3/ "Exercice précédent (Exercice 3)") | [🏠](../ "Retour au sommaire") | [➡️](../EXO5/ "Exercice suivant (Exercice 5)")
> Refaire la question précédente, en distinguant les genres. Tracez une boîte à moustache pour chaque genre. Commentaires ?
**[Script Scilab](scripts/q4.sce) :**
```scilab
QH = quart(salaire_homme)
QF = quart(salaire_femme)
IQH = QH(3) - QH(1)
IQF = QF(3) - QF(1)
min(salaire_homme)
min(salaire_femme)
max(salaire_homme)
max(salaire_femme)
mean(salaire_homme)
mean(salaire_femme)
median(salaire_homme)
median(salaire_femme)
stdev(salaire_homme)
stdev(salaire_femme)
// boite à moustache hommes :
boxplot(salaire_homme);
title("Boîte à moustaches des salaires des hommes");
ylabel("Salaires");
// boite à moustache femmes :
boxplot(salaire_femme);
title("Boîte à moustaches des salaires des femmes");
ylabel("Salaires");
```
**Résultat :**
- Hommes :
- Quartiles : [Q1, Q2 (médiane), Q3] = [75000, 120000, 170000]
- Interquartile Range (IQR) : QH(3) - QH(1) = 95000
- Minimum : 350
- Maximum : 250000
- Moyenne : 121389.87
- Médiane : 120000
- Écart-type : 52092.726
![q4-homme](img/q4-homme.png)
- Femmes :
- Quartiles : [Q1, Q2 (médiane), Q3] = [60000, 105000, 150000]
- Interquartile Range (IQR) : QF(3) - QF(1) = 90000
- Minimum : 500
- Maximum : 220000
- Moyenne : 107889.00
- Médiane : 105000
- Écart-type : 52723.610
![q4-fille](img/q4-fille.png)
---
[⬅️](../EXO2/ "Exercice précédent (Exercice 2)") | [🏠](../ "Retour au sommaire") | [➡️](../EXO4/ "Exercice suivant (Exercice 4)")

6
EXO4/scripts/init.sce Normal file
View File

@ -0,0 +1,6 @@
// Charger les données depuis le fichier CSV
data = csvRead('data.csv');
// Extraire les colonnes pertinentes (âge et salaire)
age = data(:, 2);
salaire = data(:, 7);

31
EXO4/scripts/q1.sce Normal file
View File

@ -0,0 +1,31 @@
// Vérifier les dimensions
disp(size(age));
disp(size(salaire));
clf;
// Tracer le nuage de points avec les vraies données
scatter(age, salaire, 10, 'filled');
xlabel('Age');
ylabel('Salaire');
title('Nuage de points : Age vs Salaire');
A = [ones(length(age), 1), age];
coefficients = A \ salaire;
salaire_pred = A * coefficients;
// Tracer la droite de régression
plot(age, salaire, '+'); // Tracer le nuage de points
plot(age, salaire_pred, '-r'); // Tracer la droite de régression
legend(['Données', 'Droite de régression'], 'Location', 'northwest');
// Calcul manuel du coefficient de corrélation
mean_age = mean(age);
mean_salaire = mean(salaire);
numerateur = sum((age - mean_age) .* (salaire - mean_salaire));
denominateur = sqrt(sum((age - mean_age).^2) * sum((salaire - mean_salaire).^2));
correlation_coefficient = numerateur / denominateur;
// Affichage du coefficient de corrélation
disp('Le coefficient de corrélation est :');
disp(correlation_coefficient);