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.