Test Analyse vidéo

Résultats

J’ai effectué 7 x 10 mètres et 1 x 20 mètres avec l’une des GoPro du Pôle. J’ai observé les temps de contact (Tc) et les temps d’envol (Te). À priori, les GoPro vont être fiable à 0,004 secondes. Même si Dimitri trouve que cela n’est pas assez précis.

Code

datas_video_brut <- datas_video # Je crée un nouveau Data.frame
names(datas_video_brut) <- c("Série", "FPS (Hz)", "Variables", "n° Variables", "Temps (s)") # Je renomme mes colonnes
knitr::kable(datas_video_brut) # J'affiche mon nouveau Data.frame

Série	FPS (Hz)	Variables	n° Variables	Temps (s)
Test_1_8x_Lineaire_2.7K	240	Tc	1	0.133
Test_1_8x_Lineaire_2.7K	240	Te	2	0.150
Test_1_8x_Lineaire_2.7K	240	Tc	3	0.133
Test_1_8x_Lineaire_2.7K	240	Te	4	0.154
Test_1_8x_Lineaire_2.7K	240	Tc	5	0.129
Test_1_8x_Lineaire_2.7K	240	Te	6	0.145
Test_1_8x_Lineaire_2.7K	240	Tc	7	0.129
Test_1_8x_Lineaire_2.7K	240	Te	8	0.154
Test_1_8x_Lineaire_2.7K	240	Tc	9	0.129
Test_1_8x_Lineaire_2.7K	240	Te	10	0.145
Test_1_8x_Lineaire_2.7K	240	Tc	11	0.133
Test_1_8x_Lineaire_2.7K	240	T10	-	1.476
Test_2_8x_Large_2.7K	240	Tc	1	0.133
Test_2_8x_Large_2.7K	240	Te	2	0.150
Test_2_8x_Large_2.7K	240	Tc	3	0.125
Test_2_8x_Large_2.7K	240	Te	4	0.166
Test_2_8x_Large_2.7K	240	Tc	5	0.129
Test_2_8x_Large_2.7K	240	Te	6	0.154
Test_2_8x_Large_2.7K	240	Tc	7	0.125
Test_2_8x_Large_2.7K	240	Te	8	0.154
Test_2_8x_Large_2.7K	240	Tc	9	0.133
Test_2_8x_Large_2.7K	240	Te	10	0.154
Test_2_8x_Large_2.7K	240	T10	-	1.422
Test_3_8x_Linéaire+Horizon_2.7K	240	Tc	1	0.125
Test_3_8x_Linéaire+Horizon_2.7K	240	Te	2	0.145
Test_3_8x_Linéaire+Horizon_2.7K	240	Tc	3	0.125
Test_3_8x_Linéaire+Horizon_2.7K	240	Te	4	0.150
Test_3_8x_Linéaire+Horizon_2.7K	240	Tc	5	0.129
Test_3_8x_Linéaire+Horizon_2.7K	240	Te	6	0.154
Test_3_8x_Linéaire+Horizon_2.7K	240	Tc	7	0.129
Test_3_8x_Linéaire+Horizon_2.7K	240	Te	8	0.162
Test_3_8x_Linéaire+Horizon_2.7K	240	Tc	9	0.125
Test_3_8x_Linéaire+Horizon_2.7K	240	Te	10	0.154
Test_3_8x_Linéaire+Horizon_2.7K	240	T10	-	1.343
Test_4_4x_Linéaire_4K	120	Te	1	0.158
Test_4_4x_Linéaire_4K	120	Tc	2	0.133
Test_4_4x_Linéaire_4K	120	Te	3	0.150
Test_4_4x_Linéaire_4K	120	Tc	4	0.133
Test_4_4x_Linéaire_4K	120	Te	5	0.166
Test_4_4x_Linéaire_4K	120	Tc	6	0.133
Test_4_4x_Linéaire_4K	120	Te	7	0.150
Test_4_4x_Linéaire_4K	120	Tc	8	0.133
Test_4_4x_Linéaire_4K	120	Te	9	0.175
Test_4_4x_Linéaire_4K	120	Tc	10	0.133
Test_4_4x_Linéaire_4K	120	Te	11	0.158
Test_4_4x_Linéaire_4K	120	T10	-	1.501
Test_5_4x_Large_4K	120	Te	1	0.175
Test_5_4x_Large_4K	120	Tc	2	0.141
Test_5_4x_Large_4K	120	Te	3	0.175
Test_5_4x_Large_4K	120	Tc	4	0.141
Test_5_4x_Large_4K	120	Te	5	0.175
Test_5_4x_Large_4K	120	Tc	6	0.141
Test_5_4x_Large_4K	120	Te	7	0.175
Test_5_4x_Large_4K	120	Tc	8	0.141
Test_5_4x_Large_4K	120	Te	9	0.183
Test_5_4x_Large_4K	120	Tc	10	0.150
Test_5_4x_Large_4K	120	T10	-	1.584
Test_6_4x_Linéaire+Horizon_2.7K	120	Te	1	0.158
Test_6_4x_Linéaire+Horizon_2.7K	120	Tc	2	0.133
Test_6_4x_Linéaire+Horizon_2.7K	120	Te	3	0.166
Test_6_4x_Linéaire+Horizon_2.7K	120	Tc	4	0.133
Test_6_4x_Linéaire+Horizon_2.7K	120	Te	5	0.158
Test_6_4x_Linéaire+Horizon_2.7K	120	Tc	6	0.141
Test_6_4x_Linéaire+Horizon_2.7K	120	Te	7	0.166
Test_6_4x_Linéaire+Horizon_2.7K	120	Tc	8	0.141
Test_6_4x_Linéaire+Horizon_2.7K	120	Te	9	0.183
Test_6_4x_Linéaire+Horizon_2.7K	120	Tc	10	0.141
Test_6_4x_Linéaire+Horizon_2.7K	120	T10	-	1.526
Test_7_4x_Superview_4K	120	Tc	1	0.133
Test_7_4x_Superview_4K	120	Te	2	0.166
Test_7_4x_Superview_4K	120	Tc	3	0.133
Test_7_4x_Superview_4K	120	Te	4	0.150
Test_7_4x_Superview_4K	120	Tc	5	0.125
Test_7_4x_Superview_4K	120	Te	6	0.158
Test_7_4x_Superview_4K	120	Tc	7	0.133
Test_7_4x_Superview_4K	120	Te	8	0.150
Test_7_4x_Superview_4K	120	Tc	9	0.141
Test_7_4x_Superview_4K	120	Te	10	0.158
Test_7_4x_Superview_4K	120	Tc	11	0.141
Test_7_4x_Superview_4K	120	T10	-	1.451
Test_8_8x_Linéaire_2.7K	240	Tc	1	0.133
Test_8_8x_Linéaire_2.7K	240	Te	2	0.141
Test_8_8x_Linéaire_2.7K	240	Tc	3	0.125
Test_8_8x_Linéaire_2.7K	240	Te	4	0.137
Test_8_8x_Linéaire_2.7K	240	Tc	5	0.120
Test_8_8x_Linéaire_2.7K	240	Te	6	0.141
Test_8_8x_Linéaire_2.7K	240	Tc	7	0.125
Test_8_8x_Linéaire_2.7K	240	Te	8	0.133
Test_8_8x_Linéaire_2.7K	240	Tc	9	0.129
Test_8_8x_Linéaire_2.7K	240	Te	10	0.145
Test_8_8x_Linéaire_2.7K	240	Tc	11	0.125
Test_8_8x_Linéaire_2.7K	240	Te	12	0.154
Test_8_8x_Linéaire_2.7K	240	Tc	13	0.120
Test_8_8x_Linéaire_2.7K	240	Te	14	0.145
Test_8_8x_Linéaire_2.7K	240	Tc	15	0.125
Test_8_8x_Linéaire_2.7K	240	Te	16	0.141
Test_8_8x_Linéaire_2.7K	240	Tc	17	0.125
Test_8_8x_Linéaire_2.7K	240	Te	18	0.154
Test_8_8x_Linéaire_2.7K	240	Tc	19	0.125
Test_8_8x_Linéaire_2.7K	240	Te	20	0.154
Test_8_8x_Linéaire_2.7K	240	Tc	21	0.133
Test_8_8x_Linéaire_2.7K	240	T20	-	2.987

Indices de tendances centrale et de dispersions

Code

# ---- Je filtre mes données ----
filtre_description_Tc <- datas_video %>% # Je filtre mes données
  filter(variables == "Tc") %>% # Je sélectionne les données
  pull(temps) # Je récupère les valeurs
filtre_description_Te <- datas_video %>% # Je filtre mes données
  filter(variables == "Te") %>% # Je sélectionne les données
  pull(temps) # Je récupère les valeurs
# ---- Je réalise mes statsistiques ----
statistiques_descriptives_Tc <- Statistiques(filtre_description_Tc) # Je réalise mes statistiques
statistiques_descriptives_Te <- Statistiques(filtre_description_Te) # Je réalise mes statistiques
# ---- Je stocke mes résultats ----
statistiques_descriptives_G <- tibble( # Je crée un tibble pour stocker les résultats
    Statistiques = c("Moyenne (s)", "Médiane (s)", "Minimum (s)", "Maximum (s)", "Étendue (s)", "Écart_type", "Variance", "Coefficient de Variance (%)", "Nombre"),
    Tc = unlist(statistiques_descriptives_Tc), # Je récupère les valeurs des statistiques Tc
    Te = unlist(statistiques_descriptives_Te)) # Je récupère les valeurs des statistiques Te
# ---- Affichage des résultats ----
knitr::kable(statistiques_descriptives_G) # J'affiche les résultats sous forme de tableau

Statistiques	Tc	Te
Moyenne (s)	0.132	0.156
Médiane (s)	0.133	0.154
Minimum (s)	0.120	0.133
Maximum (s)	0.150	0.183
Étendue (s)	0.030	0.050
Écart_type	0.007	0.012
Variance	0.000	0.000
Coefficient de Variance (%)	4.959	7.560
Nombre	48.000	46.000

Normalité des données (Tc)

Code

# ---- Je filtre mes données ----
filtre_shapiro <- datas_video %>% # Je filtre mes données
  filter(variables == "Tc") %>% # Je sélectionne les données
  pull(temps) # Je récupère les valeurs
# ---- Je réalise le test de Shapiro.Wilk ----
shapiro_test <- shapiro.test(filtre_shapiro) # Je réalise le test de Shapiro.Wilk
# ---- Je stocke les résultats ----
df_shapiro_wilk <- tibble(  # Je stocke les résultats dans un tibble
    W = shapiro_test$statistic, # Je stocke la statistique W
    p.value = shapiro_test$p.value) # Je stocke la p-value
# ---- Interprétation des résultats ----
W <- shapiro_test$statistic # Je récupère la statistique W
p.value <- shapiro_test$p.value # Je récupère la p-value
## ---- Je définie mes seuils ----
verification_W <- if (W >= 0.90) {
  "Forte probabilité de normalité (W >= 0.90) : Les données semblent suivre une distribution normale."
} else if (W >= 0.80) {
  "Normalité acceptable mais non parfaite (0.80 <= W < 0.90) : Les données sont proches de la normale."
} else if (W >= 0.70) {
  "Normalité douteuse (0.70 <= W < 0.80) : Des déviations par rapport à la normale sont possibles."
} else {
  "Forte déviation de la normalité (W < 0.70) : Les données ne suivent pas une distribution normale."
}
verification_p <- if (p.value < 0.05) {
  "p-value < 0.05 : Rejet de l'hypothèse nulle. Les données ne suivent pas une distribution normale."
} else {
  "p-value >= 0.05 : Pas de rejet de l'hypothèse nulle. Pas de preuve suffisante contre la normalité."
}
# ---- Interprétation des résultats ----
texte_analyse <- glue("
### Analyse du test de Shapiro-Wilk

- **Statistique W** : {round(W, 3)}
- **p-value** : {round(p.value, 4)}

**Interprétation basée sur W :**  
{verification_W}

**Interprétation basée sur la p-value :**  
{verification_p}
")
cat(as.character(texte_analyse))

Analyse du test de Shapiro-Wilk

Statistique W : 0.908
p-value : 0.0011

Interprétation basée sur W :
Forte probabilité de normalité (W >= 0.90) : Les données semblent suivre une distribution normale.

Interprétation basée sur la p-value :
p-value < 0.05 : Rejet de l’hypothèse nulle. Les données ne suivent pas une distribution normale.

Normalité des données (Te)

Code

# ---- Je filtre mes données ----
filtre_shapiro <- datas_video %>% # Je filtre mes données
  filter(variables == "Te") %>% # Je sélectionne les données
  pull(temps) # Je récupère les valeurs
# ---- Je réalise le test de Shapiro.Wilk ----
shapiro_test <- shapiro.test(filtre_shapiro) # Je réalise le test de Shapiro.Wilk
# ---- Je stocke les résultats ----
df_shapiro_wilk <- tibble(  # Je stocke les résultats dans un tibble
    W = shapiro_test$statistic, # Je stocke la statistique W
    p.value = shapiro_test$p.value) # Je stocke la p-value
# ---- Interprétation des résultats ----
W <- shapiro_test$statistic # Je récupère la statistique W
p.value <- shapiro_test$p.value # Je récupère la p-value
## ---- Je définie mes seuils ----
verification_W <- if (W >= 0.90) {
  "Forte probabilité de normalité (W >= 0.90) : Les données semblent suivre une distribution normale."
} else if (W >= 0.80) {
  "Normalité acceptable mais non parfaite (0.80 <= W < 0.90) : Les données sont proches de la normale."
} else if (W >= 0.70) {
  "Normalité douteuse (0.70 <= W < 0.80) : Des déviations par rapport à la normale sont possibles."
} else {
  "Forte déviation de la normalité (W < 0.70) : Les données ne suivent pas une distribution normale."
}
verification_p <- if (p.value < 0.05) {
  "p-value < 0.05 : Rejet de l'hypothèse nulle. Les données ne suivent pas une distribution normale."
} else {
  "p-value >= 0.05 : Pas de rejet de l'hypothèse nulle. Pas de preuve suffisante contre la normalité."
}
# ---- Interprétation des résultats ----
texte_analyse <- glue("
### Analyse du test de Shapiro-Wilk

- **Statistique W** : {round(W, 3)}
- **p-value** : {round(p.value, 4)}

**Interprétation basée sur W :**  
{verification_W}

**Interprétation basée sur la p-value :**  
{verification_p}
")
cat(as.character(texte_analyse))

Analyse du test de Shapiro-Wilk

Statistique W : 0.951
p-value : 0.0502

Interprétation basée sur W :
Forte probabilité de normalité (W >= 0.90) : Les données semblent suivre une distribution normale.

Interprétation basée sur la p-value :
p-value >= 0.05 : Pas de rejet de l’hypothèse nulle. Pas de preuve suffisante contre la normalité.

Moyennes et Temps

Code

# ---- Je filtre mes données ----
filtre_Tc_1 <- datas_video %>% # Je filtre mes données
  filter(Serie == "Test_1_8x_Lineaire_2.7K", variables == "Tc") %>% # Je sélectionne les données
  pull(temps) # Je récupère les valeurs
filtre_Te_1 <- datas_video %>% # Je filtre mes données
  filter(Serie == "Test_1_8x_Lineaire_2.7K", variables == "Te") %>% # Je sélectionne les données
  pull(temps) # Je récupère les valeurs
filtre_temps_1 <- datas_video %>% # Je filtre mes données
  filter(Serie == "Test_1_8x_Lineaire_2.7K", variables == "T10") %>% # Je sélectionne les données
  pull(temps) # Je récupère les valeurs
filtre_Tc_2 <- datas_video %>% # Je filtre mes données
  filter(Serie == "Test_2_8x_Large_2.7K", variables == "Tc") %>% # Je sélectionne les données
  pull(temps) # Je récupère les valeurs
filtre_Te_2 <- datas_video %>% # Je filtre mes données
  filter(Serie == "Test_2_8x_Large_2.7K", variables == "Te") %>% # Je sélectionne les données
  pull(temps) # Je récupère les valeurs
filtre_temps_2 <- datas_video %>% # Je filtre mes données
  filter(Serie == "Test_2_8x_Large_2.7K", variables == "T10") %>% # Je sélectionne les données
  pull(temps) # Je récupère les valeurs
filtre_Tc_3 <- datas_video %>% # Je filtre mes données
  filter(Serie == "Test_3_8x_Linéaire+Horizon_2.7K", variables == "Tc") %>% # Je sélectionne les données
  pull(temps) # Je récupère les valeurs
filtre_Te_3 <- datas_video %>% # Je filtre mes données
  filter(Serie == "Test_3_8x_Linéaire+Horizon_2.7K", variables == "Te") %>% # Je sélectionne les données
  pull(temps) # Je récupère les valeurs
filtre_temps_3 <- datas_video %>% # Je filtre mes données
  filter(Serie == "Test_3_8x_Linéaire+Horizon_2.7K", variables == "T10") %>% # Je sélectionne les données
  pull(temps) # Je récupère les valeurs
filtre_Tc_4 <- datas_video %>% # Je filtre mes données
  filter(Serie == "Test_4_4x_Linéaire_4K", variables == "Tc") %>% # Je sélectionne les données
  pull(temps) # Je récupère les valeurs
filtre_Te_4 <- datas_video %>% # Je filtre mes données
  filter(Serie == "Test_4_4x_Linéaire_4K", variables == "Te") %>% # Je sélectionne les données
  pull(temps) # Je récupère les valeurs
filtre_temps_4 <- datas_video %>% # Je filtre mes données
  filter(Serie == "Test_4_4x_Linéaire_4K", variables == "T10") %>% # Je sélectionne les données
  pull(temps) # Je récupère les valeurs
filtre_Tc_5 <- datas_video %>% # Je filtre mes données
  filter(Serie == "Test_5_4x_Large_4K", variables == "Tc") %>% # Je sélectionne les données
  pull(temps) # Je récupère les valeurs
filtre_Te_5 <- datas_video %>% # Je filtre mes données
  filter(Serie == "Test_5_4x_Large_4K", variables == "Te") %>% # Je sélectionne les données
  pull(temps) # Je récupère les valeurs
filtre_temps_5 <- datas_video %>% # Je filtre mes données
  filter(Serie == "Test_5_4x_Large_4K", variables == "T10") %>% # Je sélectionne les données
  pull(temps) # Je récupère les valeurs
filtre_Tc_6 <- datas_video %>% # Je filtre mes données
  filter(Serie == "Test_6_4x_Linéaire+Horizon_2.7K", variables == "Tc") %>% # Je sélectionne les données
  pull(temps) # Je récupère les valeurs
filtre_Te_6 <- datas_video %>% # Je filtre mes données
  filter(Serie == "Test_6_4x_Linéaire+Horizon_2.7K", variables == "Te") %>% # Je sélectionne les données
  pull(temps) # Je récupère les valeurs
filtre_temps_6 <- datas_video %>% # Je filtre mes données
  filter(Serie == "Test_6_4x_Linéaire+Horizon_2.7K", variables == "T10") %>% # Je sélectionne les données
  pull(temps) # Je récupère les valeurs
filtre_Tc_7 <- datas_video %>% # Je filtre mes données
  filter(Serie == "Test_7_4x_Superview_4K", variables == "Tc") %>% # Je sélectionne les données
  pull(temps) # Je récupère les valeurs
filtre_Te_7 <- datas_video %>% # Je filtre mes données
  filter(Serie == "Test_7_4x_Superview_4K", variables == "Te") %>% # Je sélectionne les données
  pull(temps) # Je récupère les valeurs
filtre_temps_7 <- datas_video %>% # Je filtre mes données
  filter(Serie == "Test_7_4x_Superview_4K", variables == "T10") %>% # Je sélectionne les données
  pull(temps) # Je récupère les valeurs
filtre_Tc_8 <- datas_video %>% # Je filtre mes données
  filter(Serie == "Test_8_8x_Linéaire_2.7K", variables == "Tc") %>% # Je sélectionne les données
  pull(temps) # Je récupère les valeurs
filtre_Te_8 <- datas_video %>% # Je filtre mes données
  filter(Serie == "Test_8_8x_Linéaire_2.7K", variables == "Te") %>% # Je sélectionne les données
  pull(temps) # Je récupère les valeurs
filtre_temps_8 <- datas_video %>% # Je filtre mes données
  filter(Serie == "Test_8_8x_Linéaire_2.7K", variables == "T20") %>% # Je sélectionne les données
  pull(temps) # Je récupère les valeurs
# ---- Liste des temps ----
temps <- list(
  Test_1_8x_Lineaire_2.7K = filtre_temps_1,
  Test_2_8x_Large_2.7 = filtre_temps_2,
  Test_3_8x_Linéaire_Horizon_2.7K = filtre_temps_3,
  Test_4_4x_Linéaire_4K = filtre_temps_4,
  Test_5_4x_Large_4K = filtre_temps_5,
  Test_6_4x_Linéaire_Horizon_2.7K = filtre_temps_6,
  Test_7_4x_Superview_4K = filtre_temps_7,
  Test_8_8x_Linéaire_2.7K = filtre_temps_8)
# ---- Je réalise mes statsistiques ----
statistiques_comparaison_Tc <- list(
  Test_1_8x_Lineaire_2.7K = mean(filtre_Tc_1, na.rm = TRUE),
  Test_2_8x_Large_2.7 = mean(filtre_Tc_2, na.rm = TRUE),
  Test_3_8x_Linéaire_Horizon_2.7K = mean(filtre_Tc_3, na.rm = TRUE),
  Test_4_4x_Linéaire_4K = mean(filtre_Tc_4, na.rm = TRUE),
  Test_5_4x_Large_4K = mean(filtre_Tc_5, na.rm = TRUE),
  Test_6_4x_Linéaire_Horizon_2.7K = mean(filtre_Tc_6, na.rm = TRUE),
  Test_7_4x_Superview_4K = mean(filtre_Tc_7, na.rm = TRUE),
  Test_8_8x_Linéaire_2.7K = mean(filtre_Tc_8, na.rm = TRUE))
statistiques_comparaison_Tc <- lapply(statistiques_comparaison_Tc, function(x) round(x, 3)) # Je fais un arrondi à 4 chiffres après la virgule
statistiques_comparaison_Te <- list(
  Test_1_8x_Lineaire_2.7K = mean(filtre_Te_1, na.rm = TRUE),
  Test_2_8x_Large_2.7 = mean(filtre_Te_2, na.rm = TRUE),
  Test_3_8x_Linéaire_Horizon_2.7K = mean(filtre_Te_3, na.rm = TRUE),
  Test_4_4x_Linéaire_4K = mean(filtre_Te_4, na.rm = TRUE),
  Test_5_4x_Large_4K = mean(filtre_Te_5, na.rm = TRUE),
  Test_6_4x_Linéaire_Horizon_2.7K = mean(filtre_Te_6, na.rm = TRUE),
  Test_7_4x_Superview_4K = mean(filtre_Te_7, na.rm = TRUE),
  Test_8_8x_Linéaire_2.7K = mean(filtre_Te_8, na.rm = TRUE))
statistiques_comparaison_Te <- lapply(statistiques_comparaison_Te, function(x) round(x, 3)) # Je fais un arrondi à 4 chiffres après la virgule
# ---- Je stocke mes résultats ----
statistiques_comparaison_tbl <- tibble( # Je crée un tibble pour stocker les résultats
    Statistiques = names(statistiques_comparaison_Tc),
    Moyennes_Tc = unlist(statistiques_comparaison_Tc),
    Moyennes_Te = unlist(statistiques_comparaison_Te), # Je récupère les valeurs des statistiques
    Temps = unlist(temps))
  names(statistiques_comparaison_tbl) <- c("Séries", "Moyennes Tc (s)", "Moyennes Te (s)", "Temps (s)")
# ---- Affichage des résultats ----
knitr::kable(statistiques_comparaison_tbl) # J'affiche les résultats sous forme de tableau

Séries	Moyennes Tc (s)	Moyennes Te (s)	Temps (s)
Test_1_8x_Lineaire_2.7K	0.131	0.150	1.476
Test_2_8x_Large_2.7	0.129	0.156	1.422
Test_3_8x_Linéaire_Horizon_2.7K	0.127	0.153	1.343
Test_4_4x_Linéaire_4K	0.133	0.160	1.501
Test_5_4x_Large_4K	0.143	0.177	1.584
Test_6_4x_Linéaire_Horizon_2.7K	0.138	0.166	1.526
Test_7_4x_Superview_4K	0.134	0.156	1.451
Test_8_8x_Linéaire_2.7K	0.126	0.144	2.987

Résultats

Indices de tendances centrale et de dispersions

Normalité des données (Tc)

Analyse du test de Shapiro-Wilk

Normalité des données (Te)

Analyse du test de Shapiro-Wilk

Moyennes et Temps

Corrélations