Nous allons tout d’abord récupérer les données à l’aide de votre code pour les analyser. Nous allons afficher les points.
data<-read.csv("data.csv",header=F)$V1
plot(data);
Sous cette forme, on ne voit rien du tout. Essayons de la tracer.
plot(data, type ='l');
En affichant les points et les lignes, on peut se rendre compte que les pics de valeurs sont atteints ponctuelement. Il y en a 32 au total, plus 1 qui semble non représentatif. Il semble y avoir une régularité dans ces données.
plot(data, type ='b');
Regardons la répartiion des valeurs à l’aide d’un histogramme.
hist(data);
Essayons d’affiner cet histogramme car en en dehors de l’etat stationnaire compris entre 2 et 4, on remarque que les pics de valeurs se situent enre 8 et 9
hist(data,ylim = range(10));
On remarque qu’il n’y a que 2 plages de valeurs prise par ce jeu de données
summary(data)
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.05324 2.82400 2.83200 2.85900 2.83800 11.75000
mean(data)
## [1] 2.859338
var(data)
## [1] 0.2268324
boxplot(data)
On peut voir que la moyenne des valeurs sont autour de 3, puis une autre région à 9. La moyenne et la médiane sont très proche ce qui était attendu par rapport à la première région prise par les valeurs.
On peut donc conclure que les pics correspondent à l’éxecution pontuelle de la fonction de factorisation de Cholesky et l’état stationnaire bas (celui autour de la valeur de 2.8) correspond à l’état normal de la machine sans appel de fonction.