You signed in with another tab or window. Reload to refresh your session.You signed out in another tab or window. Reload to refresh your session.You switched accounts on another tab or window. Reload to refresh your session.Dismiss alert
La décomposition d'une série est un élément central dans l'analyse d'une série spatio-temporelle. Vous avez découvert que l'on ne peut pas étudier les cycles d'une série si une tendance générale est présente. Il faut dans ce cas décomposer la série afin d'étudier chaque composante séparément. Nous aborderons dans ce tutoriel un exemple pratique de filtrage d'une série.
39
+
La décomposition d'une série spatio-temporelle est un outil important pour son analyse. Vous avez découvert que l'on ne peut pas étudier les cycles d'une série si une tendance générale est présente. Il faut dans ce cas décomposer la série afin d'étudier chaque composante séparément. Nous aborderons dans ce tutoriel un exemple pratique de filtrage d'une série.
40
40
41
41
## Variation de la fréquence cardiaque
42
42
43
-
Un sportif travaille avec un médecin du sport afin d'optimiser ces performances. Le médecin n'est pas un expert dans le traitement des données collectées. Le sportif a couru sous les 36 minutes lors d'un effort maximal sur 10km, ce qui est une performance correcte pour un sportif amateur. En collaboration avec son médecin et vous, il souhaite comprendre les informations collectées par les différents capteurs qu'il a employées. Nous disposons de la distance parcourue, la puissance, la vitesse instantanée et la fréquence cardiaque.
43
+
Un sportif travaille avec un médecin du sport afin d'optimiser ses performances. Le médecin n'est pas un expert dans le traitement des données collectées. Le sportif a couru sous les 36 minutes lors d'un effort maximal sur 10km, ce qui est une performance correcte pour un sportif amateur. En collaboration avec son médecin et vous, il souhaite comprendre les informations collectées par les différents capteurs qu'il a employées. Nous disposons de la distance parcourue, la puissance, la vitesse instantanée et la fréquence cardiaque.
Les observations sont réalisées sur la même personne au cours du temps, nous sommes face à une série temporelle. Appliquez l'ensemble de vos connaissances. La fréquence cardiaque est mesurée chaque seconde.
69
+
Les observations sont réalisées sur la même personne au cours du temps, nous sommes face à une série temporelle. Appliquez l'ensemble de vos connaissances. La fréquence cardiaque est mesurée toute les secondes.
70
70
71
71
```{r, echo=TRUE}
72
72
head(hr[,c("time", "heart_rate")])
73
73
```
74
74
75
75
Réalisez un objet `ts` dont le pas de temps est la minute et nommez-le `hr_ts`. Réalisez ensuite un graphique de `hr_ts`. Enfin, étudiez l'autocorrélation. Le tableau de données initial est `hr`.
76
76
77
-
```{r ts_h2, exercise = TRUE}
77
+
```{r ts_h2, exercise=TRUE}
78
78
___ <- ts(___$___, frequency = ___)
79
79
# graphique
80
80
___(___)
@@ -88,55 +88,64 @@ hr_ts <- ts(hr$___, frequency = ___)
88
88
___(hr_ts)
89
89
# autocorrélation
90
90
___(hr_ts)
91
+
92
+
## Attention, le prochain indice est la solution ##
91
93
```
92
94
93
95
```{r ts_h2-solution}
96
+
## Solution ##
94
97
hr_ts <- ts(hr$heart_rate, frequency = 60)
95
98
plot(hr_ts)
96
99
# autocorrélation
97
100
acf(hr_ts)
98
101
```
99
102
100
103
```{r ts_h2-check}
101
-
grade_code("On compte 60 secondes par minute. Il semble donc cohérent d'avoir une fréquence de 60. L'étude de l'autocorrélation de la série indique une forte corrélation. Nous pouvons donc employer tous les outils présent dans notre boite à outils dédiée à l'anayse des séries spatio-temporelles.")
104
+
grade_code("On compte 60 secondes par minute. Il semble donc cohérent d'avoir une fréquence de 60. L'étude de l'autocorrélation de la série indique une forte corrélation.")
102
105
```
103
106
104
107
## Décomposition de la série
105
108
106
-
Tentez de filtrer la tendance de cette série à l'aide des médianes mobiles avec fenêtre de 30 observations et reproduisez la décomposition 20 fois. Nommez cet objet `hr_decomp`
109
+
Filtrez cette série à l'aide des médianes mobiles avec fenêtre de 30 observations et reproduisez la décomposition 20 fois dans le but de dégager différentes phases successives tout au long de la série. Nommez cet objet `hr_decomp`
107
110
108
-
```{r, decmed_h2, exercise = TRUE}
111
+
```{r, decmed_h2, exercise=TRUE}
109
112
___ <- tsd(___, method = "___", order = ___, times = ___)
110
113
plot(___)
111
114
```
112
115
113
116
```{r, decmed_h2-hint-1}
114
117
hr_decomp <- tsd(hr_ts, method = "___", order = 30, times = ___)
115
118
plot(hr_decomp)
119
+
120
+
## Attention, le prochain indice est la solution ##
116
121
```
117
122
118
123
```{r, decmed_h2-solution}
124
+
## Solution ##
119
125
hr_decomp <- tsd(hr_ts, method = "median", order = 30, times = 20)
120
126
plot(hr_decomp)
121
127
```
122
128
123
129
```{r, decmed_h2-check}
124
-
grade_code("Bien joué, vous avez réussi à filtrer la tendance de la série et placer le reste dans les rédidus.")
130
+
grade_code("Vous avez réussi à filtrer la tendance de la série et placer le reste dans les résidus.")
125
131
```
126
132
127
-
Extrayez la composante filtrée à l'aide de la fonction `extract()` de l'objet `hr_decomp` puis réalisez un graphique de cette nouvelle série.
133
+
Extrayez la composante filtrée à l'aide d'`extract()` de l'objet `hr_decomp` puis réalisez un graphique de cette nouvelle série.
128
134
129
-
```{r extract_h2, exercise = TRUE}
135
+
```{r extract_h2, exercise=TRUE}
130
136
hr_filtered <- extract(___, ___ = ___)
131
137
plot(hr_filtered)
132
138
```
133
139
134
140
```{r extract_h2-hint-1}
135
141
hr_filtered <- extract(___, components = ___)
136
142
plot(hr_filtered)
143
+
144
+
## Attention, le prochain indice est la solution ##
L'utilisation des médianes mobiles est une approche intéressante afin de faire ressortir les plateaux observés par le médecin. Débutez par réaliser un test de tendance par bootstrap sur votre objet `hr_filtered`. Réalisez 99 ré-échantillonnages. Affichez les graphiques associés à ce test.
159
+
L'utilisation des médianes mobiles est une approche intéressante afin de faire ressortir les plateaux observés par le médecin. Faites à présent un test de tendance par bootstrap sur votre objet `hr_filtered`. Réalisez 99 ré-échantillonnages. Affichez les graphiques associés à ce test.
151
160
152
161
```{r trend_h2, exercise = TRUE}
153
162
___(trend.test(___, R = ___))
154
163
```
155
164
156
165
```{r trend_h2-hint-1}
157
166
plot(trend.test(___, R = ___))
167
+
168
+
## Attention, le prochain indice est la solution ##
158
169
```
159
170
160
171
```{r trend_h2-solution}
172
+
## Solution ##
161
173
plot(trend.test(hr_filtered, R = 99))
162
174
```
163
175
164
176
```{r trend_h2-check}
165
-
grade_code("Un test de tendance avec bootstrap est bien plus intéressant qu'un test sans. Cependant, cette opération prend du temps. Nous avons donc décidé de faire seulement 99 rééchantillonage.")
177
+
grade_code("Un test de tendance avec bootstrap est bien plus intéressant qu'un test sans. Cependant, cette opération prend du temps. Nous avons donc décidé de faire seulement 99 rééchantillonage. En pratique, il vaut mieux en faire, par exemple, 999.")
166
178
```
167
179
168
180
```{r qu_tren}
@@ -173,7 +185,7 @@ question("Y a t'il un tendance générale dans cette série ? ",
173
185
answer("Il n'y a pas de tendance générale dans cette série. On l'observe grâce au graphique quantile-quantile l'histogramme de la distribution de t*."),
174
186
allow_retry = TRUE,
175
187
random_answer_order = TRUE
176
-
)
188
+
)
177
189
```
178
190
179
191
Calculez des statistiques glissantes afin de délimiter la période de 0 à 5, 5 à 15, 15 à 25 et de 25 à 36. Réalisez un graphique des statistiques glissantes en y ajoutant les médianes pour chaque période. Ajoutez la légende en position c(1,182). Renommez l'axe Y en "Fréquence cardiaque [bpm]", l'axe X en "Temps [min]" et le titre par "Statistiques glissantes".
plot(sl, stat = "median", leg = TRUE, lpos = c(1, 182),
@@ -203,12 +218,12 @@ plot(sl, stat = "median", leg = TRUE, lpos = c(1, 182),
203
218
```
204
219
205
220
```{r sl_h2-check}
206
-
grade_code("Ce graphique est très explicite et va permettre au médécin d'expliquer au sportif l'évolutio de la fréquence cardiaque au cours du temps.")
221
+
grade_code("Ce graphique est très explicite et va permettre au médécin d'expliquer au sportif l'évolution de sa fréquence cardiaque au cours du temps.")
207
222
```
208
223
209
224
Grâce à votre analyse, le médecin peut confirmer ses premières observations. Les cinq premières minutes, la fréquence cardiaque augmente rapidement pour atteindre un plateau entre la minute 5 et la minute 15 d'une valeur médiane de 174 bpm. Une seconde augmentation plus progressive est observable entre la minute 15 et la minute 25. Enfin un nouveau plateau est observé entre la minute 25 et la fin de la course.
210
225
211
-
Le médecin émet l'hypothèse suivante. Le sportif atteint le premier plateau puis on observe une probable dérive cardiaque. La dérive cardiaque est liée à l'augmentation de la température corporelle. Le corps tente de dissiper la chaleur en dilatant les vaisseaux sanguins. Afin de maintenir le débit cardiaque constant, la fréquence cardiaque va augmenter. Le dernier plateau est probablement lié à la diminution de la vitesse qui va arrêter l'augmentation de la vitesse cardiaque.
226
+
Le médecin émet l'hypothèse suivante. Le sportif atteint le premier plateau puis on observe une probable dérive cardiaque. La dérive cardiaque est liée à l'augmentation de la température corporelle. Le corps tente de dissiper la chaleur en dilatant les vaisseaux sanguins. Afin de maintenir le débit cardiaque constant, la fréquence cardiaque va augmenter. Le dernier plateau est probablement lié à la diminution de la vitesse qui va contrer l'augmentation de la vitesse cardiaque.
0 commit comments