planification et horreurs hors de l'entendement

Projet.Rmd

@@ -8,6 +8,8 @@ date: "2024-12-04"
 knitr::opts_chunk$set(echo = TRUE)
 library(ggplot2)
 library(gridExtra)
+library(reshape2)
+library(corrplot)
 
 ```
 
@@ -95,11 +97,56 @@ T1 quant à lui se démarque grandement par une large majorité (Un peu plus de
 
 #### Traitement  T1
 ```{r}
-apply(T[-c(37:39)],2,hist)
+#apply(T[-c(37:39)],2,function(col){
+ # which(T == col)
+  #hist(col, main = paste("Histogram of", colnames(T)[which(T == col)[2]]),
+   #    xlab = "Values", col = "lightblue", border = "black")
+  #})
+T_long = melt(T[-c(37:39)])
+ggplot(T_long, aes(x = value)) +
+  geom_histogram(binwidth = 1, fill = "blue", color = "black", alpha = 0.7) +
+  facet_wrap(~variable,scales = "free",ncol=6) +
+  labs(title = "Histograms for Each Column", x = "Values", y = "Frequency")
 ```
 
-#### Traitement T2
-
-#### Traitement T3
 
 
+Nous observons bien une concordance avec l'analyse des expressions des gênes figure <celle de la question precedente>. EN effet, les histogrammes en rapport avec le traitement 1 sont très nettement regroupés vers 0, soit une expression relative des gênes qui ne change peu. Les histogrammes pour les relevés des variables en lien avec T2 et T3 sont tout aussi similaires aux résultats précédents : La variance de l'expression relative des gênes est plus élevée et on observe bien une polarisation "sous-exprimé-"sur-exprimé" sur les relevés à 6h. Attention, ici on observe aussi que T2 et T3 n'ont pas leur effet caractéristique directement : à 2h, la distribution de l'expression des genes semble presque Gaussienne, et à 1h elle ne se distingue pas beaucoup du traitement 1 avec un regroupement sur 0.
+
+### boxplots pour faire joli
+```{r}
+ggplot(melt(T[1:18]),aes(x=variable,y=value))+
+  geom_boxplot()
+ggplot(melt(T[19:36]),aes(x=variable,y=value))+
+  geom_boxplot()
+```
+
+ben heuuuuuuuuuuuu jsp on en déduis pareil qu'au dessus, on va pas les prendre parce qu'ils sont illisibles
+
+
+## Analyse bi-dimensionnelle
+
+### matrice de correlation des variables quantitatives
+
+```{r}
+cr = cor(T[-c(37:39)])
+corrplot(cr,method="number", type="lower", bg = "lightgrey")
+```
+
+
+
+### Regression linéaire des variables 2 à 2 ???
+
+
+### boxplots pour comparer les variables qualit au quantitatives
+
+
+### librairie biostatR 
+A l'aide de la fonction `eta2()` de la librairie `BioStatR`, calculez le rapport de corrélation $\eta^2$ entre chaque variable quantitative et la variable *Type*. Commentez. Faites de même avec la variable *Qualité*. (extrait tp vin)
+
+### table de contingence pour les variables quali 2 à 2, mosaic plot ?
+ 
+
+
+
+