Les langages des données : R et Julia
Partie 3 sur 4
6Les pièges du calcul sur les données
Aucun langage ne vous protège des erreurs de raisonnement, ni de quelques pièges de l’ordinateur.
6.1Les nombres décimaux ne sont pas exacts
Les ordinateurs représentent les nombres décimaux en binaire avec une précision limitée (voir les variables). Conséquence : 0.1 + 0.2 == 0.3 vaut faux en R comme en Julia, car 0,1 n’a pas d’écriture exacte en binaire, de même que 1/3 n’en a pas en décimal. On compare donc deux décimaux avec une tolérance : all.equal(0.1 + 0.2, 0.3) en R, 0.1 + 0.2 ≈ 0.3 (symbole saisi par \approx puis tabulation) ou isapprox(...) en Julia.
6.2Les entiers ont une taille limite
Les entiers occupent un nombre fixe de bits. Quand un calcul dépasse la valeur maximale, les deux langages réagissent différemment. R, dont les entiers font 32 bits (environ 2,1 milliards au plus), renvoie NA avec un avertissement. Julia, dont l’entier courant fait 64 bits, « boucle » en silence : après la valeur maximale vient la valeur minimale, négative. Ce comportement, courant dans les langages compilés, est une source classique d’erreurs ; Julia propose des opérations vérifiées et des entiers de taille illimitée (BigInt) quand c’est nécessaire.
6.3Les valeurs manquantes
Une donnée absente n’est pas zéro. Traiter les trous comme des zéros fausse les moyennes ; les supprimer en silence peut biaiser l’échantillon (si ceux qui n’ont pas répondu sont différents de ceux qui ont répondu). Les deux langages obligent à faire ce choix de façon visible, et c’est une de leurs vertus. Il reste à le justifier dans le rapport.
6.4Le piège du résumé unique
En 1973, le statisticien britannique Francis Anscombe a construit quatre petits jeux de données qui ont exactement la même moyenne, la même variance, la même corrélation et la même droite de régression, mais dont les graphiques n’ont rien à voir : l’un est un nuage régulier, l’autre une courbe, un troisième une droite avec un point aberrant, un quatrième presque tout sur la même valeur. Ces quatre jeux (le « quatuor d’Anscombe ») sont fournis avec R. La morale est que les chiffres résumés ne dispensent pas de regarder les données. C’est pour cela que R et Julia font du graphique une étape à part entière.
6.5Corrélation, causalité et hasard
Un logiciel calcule volontiers une corrélation (deux séries varient ensemble) ou une valeur « p » (la probabilité d’observer un écart au moins aussi grand par pur hasard). Il ne dit pas si la relation est causale, ni si vous avez testé cent hypothèses pour en retenir une seule. Plus on essaie de comparaisons, plus on en trouve par hasard : c’est le « p-hacking », qui explique en partie des résultats publiés qui ne se reproduisent pas. Les bonnes pratiques sont de décider de l’analyse avant de regarder les données, de conserver la trace de tout ce qui a été essayé, et de partager le code.
Pour s’exercer
Exercice 5 : décimaux et entiers
(a) Pourquoi 0.1 + 0.2 == 0.3 est-il faux ? Comment comparer correctement ? (b) Que se passe-t-il quand un entier dépasse son maximum en R et en Julia ?
Voir la réponse
(a) Les décimaux sont stockés en binaire avec une précision finie ; 0,1 et 0,2 n’ont pas d’écriture exacte, et la somme diffère de la représentation de 0,3 par une infime erreur. On compare avec une tolérance : all.equal() en R, isapprox() ou ≈ en Julia. (b) En R, les entiers de 32 bits donnent NA avec un avertissement. En Julia, les entiers de 64 bits passent silencieusement de la valeur maximale à la valeur minimale : on utilise des opérations vérifiées ou BigInt si la taille peut dépasser la limite.
Exercice 6 : lire un modèle
Quatre élèves ont révisé 1, 2, 3 et 4 heures et obtenu 8, 11, 13 et 17. Le modèle lm(note ~ heures) trouve : note ≈ 5 + 2,9 × heures. Quelle note prédit-il pour 3 heures ? Pour 10 heures ? Que penser de la seconde prédiction ?
Voir la réponse
Pour 3 heures : 5 + 2,9 × 3 = 13,7 (l’élève réel a eu 13, l’écart est de 0,7). Pour 10 heures : 5 + 2,9 × 10 = 34, ce qui est absurde sur une échelle de 20. Le modèle n’a été calculé que sur des durées de 1 à 4 heures et ne vaut pas au-delà (extrapolation) ; de plus, il repose sur quatre élèves seulement, ce qui laisse une grande incertitude. Une droite ajustée ne dit pas non plus que les heures causent la note.
7Reproductibilité : refaire, c’est vérifier
Une analyse est reproductible quand une autre personne, avec le même code et les mêmes données, obtient les mêmes résultats. Trois précautions suffisent à la plupart des cas.
- Figer les versions. Un paquet qui change peut modifier un résultat. En R, l’outil
renvenregistre les versions utilisées dans un fichier (renv.lock) ; en Julia, c’est le rôle deManifest.toml. On range ce fichier avec le code. - Tout écrire. Aucune manipulation à la main entre les données brutes et le résultat : si une correction est nécessaire, elle s’écrit dans le programme, avec un commentaire.
- Garder l’historique. Le code vit dans un gestionnaire de versions (voir Git) et les données brutes ne sont jamais modifiées sur place.
Quand le calcul fait intervenir le hasard (simulation, échantillonnage), on fixe la graine du générateur de nombres pseudo-aléatoires (set.seed(42) en R, Random.seed!(42) en Julia) : le même programme redonne alors la même suite « aléatoire ». Ce n’est pas de la triche, c’est ce qui permet de vérifier.