Learnr tutorials for modules 9 to 99 included are proof-readed

Author: phgrosjean

DESCRIPTION

@@ -1,5 +1,5 @@
 Package: BioDataScience1
-Version: 2021.1.1
+Version: 2021.1.2
 Title: A Series of Learnr Documents for Biological Data Science 1
 Description: Interactive documents using learnr and shiny applications for studying biological data science.
 Authors@R: c(
@@ -16,6 +16,6 @@ License: MIT + file LICENSE
 URL: https://github.com/BioDataScience-Course/BioDataScience1
 BugReports: https://github.com/BioDataScience-Course/BioDataScience1/issues
 Roxygen: list(markdown = TRUE)
-RoxygenNote: 7.1.1
+RoxygenNote: 7.1.2
 VignetteBuilder: knitr
 Encoding: UTF-8

NEWS.md

@@ -1,6 +1,10 @@
+# BioDataScience1 2021.1.2
+
+-   All learnr tutorials from module 9 to 99 included are proof-readed.
+
 # BioDataScience1 2021.1.1
 
-- `A02Lc_nuage` : correction in the instructions of an exercise
+-   `A02Lc_nuage` : correction in the instructions of an exercise
 
 # BioDataScience1 2021.1.0
 

inst/tutorials/A09La_ttest/A09La_ttest.Rmd

@@ -1,10 +1,10 @@
 ---
 title: "Test t de Student"
 author: "Guyliann Engels & Philippe Grosjean"
-description: "**SDD I Module 9** La moyenne et le test t de Student."
+description: "**SDD I Module 9** Moyenne et test t de Student."
 tutorial:
   id: "A09La_ttest"
-  version: 2.1.0/9
+  version: 2.1.1/9
 output:
   learnr::tutorial:
     progressive: true
@@ -29,17 +29,19 @@ BioDataScience1::learnr_server(input, output, session)
 
 ## Objectifs
 
-La moyenne est un descripteur très employé pour résumer l'information. Il est très courant de comparer un moyenne à une valeurs de référence ou deux moyennes entre elles. Dans votre carrière scientifique, il est indispensable de maîtriser la moyenne et ses subtilités.
+La moyenne est un descripteur statistique très employé pour résumer l'information. Il est très courant de comparer une moyenne à une valeur de référence ou deux moyennes entre elles. Dans votre future carrière scientifique, il sera indispensable de bien maîtriser les subtilités dans l'utilisation de la moyenne. Ce tutoriel vise à :
 
--   Être capable de calculer la moyenne, l'écart-type et la variance
+-   Être capable de calculer la moyenne, l'écart-type et la variance dans R
+
+-   Réaliser un test *t* de Student dans R
 
 -   Comprendre le test *t* de Student et être capable de l'utiliser pour résoudre des questions pratiques en biologie
 
-Vous devez maîtrise le calcul de probabilités ([module 7](https://wp.sciviews.org/sdd-umons/?iframe=wp.sciviews.org/sdd-umons-2020/proba.html)) et avoir compris la logique d'un test d'hypothèse telle que nous l'avons développée dans le module 8](<https://wp.sciviews.org/sdd-umons/?iframe=wp.sciviews.org/sdd-umons-2020/chi2.html>) relatif au test du Chi^2^. Enfin, vous devez avoir vu la première partie du [module 9](https://wp.sciviews.org/sdd-umons/?iframe=wp.sciviews.org/sdd-umons-2020/moyenne.html) avant d'aborder ces exercices d'auto-évaluation de vos acquis.
+Vous devez maîtriser le calcul de probabilités ([module 7](https://wp.sciviews.org/sdd-umons/?iframe=wp.sciviews.org/sdd-umons-2021/proba.html)) et avoir compris la logique d'un test d'hypothèse telle que nous l'avons développée dans le module 8](<https://wp.sciviews.org/sdd-umons/?iframe=wp.sciviews.org/sdd-umons-2021/chi2.html>) relatif au test du Chi^2^. Enfin, vous devez avoir vu la première partie du [module 9](https://wp.sciviews.org/sdd-umons/?iframe=wp.sciviews.org/sdd-umons-2021/moyenne.html) avant d'aborder ces exercices d'auto-évaluation de vos acquis.
 
 ## Moyenne
 
-Commençons par revoir les bases. Un échantillon représentatif d'une population peut être décrit par plusieurs descripteurs statistiques comme la moyenne, l'écart-type ou la variance. La moyenne de la variable $y$ se note $\bar{y}$ qui se dit "y barre". Son calcul se fait comme ceci :
+Commençons par revoir les bases. Un échantillon peut être décrit par plusieurs descripteurs statistiques comme la moyenne, l'écart-type ou la variance. La moyenne de la variable $y$ se note $\bar{y}$ (qui se lit "y barre"). Son calcul se fait comme ceci :
 
 $$\bar{y} = \sum_{i = 1}^n \frac{{y_i}}{n}$$
 
@@ -116,20 +118,20 @@ mean(vec2, na.rm = TRUE)
 ```
 
 ```{r mean2_h3-check}
-grade_code("Retenez que, dans R, pour toute fonction qui propose un argument na.rm (toujours mis à FALSE par défaut), si vous indiquez TRUE, vous souhaitez d'abord éliminer les valeurs manquantes afin d'estimer le résultat sur les données observées restantes.")
+grade_code("Retenez que, dans R, toute fonction qui a un argument na.rm= (toujours mis à FALSE par défaut), si vous indiquez TRUE, vous souhaitez d'abord éliminer les valeurs manquantes afin d'estimer le résultat sur les données observées restantes.")
 ```
 
-### Ecart-type
+### Écart-type
 
-Un second descripteur d'un échantillon est l'écart-type qui est calculé via l'équation suivante :
+Un second descripteur d'un échantillon est l'écart-type $s_y$ qui est calculé via l'équation suivante :
 
 $$s_y = \sqrt {s_y^2}$$
 
 L'écart-type est la racine carré de la variance $s_y^2$ de la variable $y$ qui est également un descripteur statistique de l'échantillon. La variance de l'échantillon est calculée comme suit :
 
 $$s_y^2 = \sum\limits_{i=1}^n \frac{(y_i - \bar y)^2}{n-1}$$
 
-Il existe également des fonctions spécialisées dans R afin de calculer la variance et l'écart-type. Calculez l'écart-type du vecteur `vec3`
+Il existe également des fonctions spécialisées dans R afin de calculer la variance et l'écart-type. Calculez l'écart-type du vecteur `vec3`.
 
 ```{r, echo=TRUE}
 vec3 <- c(22, 18, 4, 24, 34, 3, 9)
@@ -153,18 +155,18 @@ sd(vec3)
 ```
 
 ```{r sd1_h2-check}
-grade_code("Écart type se dit \"standard deviation\" en anglais, d'où le nom sd() de la fonction en abbrégé. Pour la variance, il s'agit de la fonction var(). Ces deux fonctions utilisent aussi l'argument na.rm si nécessaire.")
+grade_code("Écart type se dit \"standard deviation\" en anglais, d'où le nom sd() de la fonction en abbrégé. Pour la variance, il s'agit de la fonction var(). Ces deux fonctions utilisent aussi l'argument na.rm= si nécessaire.")
 ```
 
 ### Coefficient de variation
 
-Un autre descripteur est le coefficient de variation de l'échantillon qui est calculé via
+Un autre descripteur est le coefficient de variation de l'échantillon qui est calculé via :
 
 $$cv_y \ (\%) = \frac{s_y}{\bar y} \times 100$$
 
-L'avantage du coefficient de variation est qu'il donne une idée de la dispersion des données de manière *relative*. En effet, la variance et l'écart type seront d'autant plus grands que la moyenne est grande, pour une dispersion relative équivalente. Par contre, le coefficient de variation mets à l'échelle, en quelque sorte l'écart type. Son expression en pourcentage accentue encore cette sensation d'avoir une estimation de la dispersion des données exprimée par rapport à une valeur de référence (ici la moyenne).
+L'avantage du coefficient de variation est qu'il donne une idée de la dispersion des données de manière *relative*. En effet, la variance et l'écart type seront d'autant plus grands que la moyenne est grande, pour une dispersion relative équivalente. Par contre, le coefficient de variation met à l'échelle, en quelque sorte l'écart type. Son expression en pourcentage accentue encore cette sensation d'avoir une estimation de la dispersion des données exprimée par rapport à une valeur de référence (ici la moyenne).
 
-Calculez le coefficient de variation du vecteur `vec3` (il n'existe pas de fonction dédiée dans R), combinez les fonctions vues jusqu'ici pour y arriver.
+Calculez le coefficient de variation du vecteur `vec3` (il n'existe pas de fonction dédiée dans R, combinez les fonctions vues jusqu'ici pour y arriver).
 
 ```{r, echo=TRUE}
 vec3 <- c(22, 18, 4, 24, 34, 3, 9)
@@ -189,12 +191,12 @@ sd(vec3) / mean(vec3) * 100
 
 ```{r cv1_h2-check}
 grade_result(
-  pass_if(~ identical(.result, (sd(vec3)/mean(vec3))*100), "Vous avez judicieusement utilisé la moyenne et l'écart-type pour obtenir le coefficient de variation."),
+  pass_if(~ identical(.result, (sd(vec3)/mean(vec3))*100), "Vous avez judicieusement combiné le calcul de la moyenne et de l'écart-type dans une instruction R pour obtenir le coefficient de variation."),
   fail_if(~ TRUE, "Votre calcul n'est pas le bon. Commencez par déterminer la moyenne et l'écart-type de ce vecteur. N'oubliez pas de multiplier votre réponse par 100.")
 )
 ```
 
-Ces premiers exercices vous ont permis de revoir les principaux descripteurs central (pour la moyenne) et de dispersion des données (pour l'écart type, la variance et le coefficient de dispersion). Sur base de ces descripteurs, nous allons maintenant élaborer un test d'hypothèse qui se focalise sur la moyenne.
+Ces premiers exercices vous ont permis de revoir les principaux descripteurs centraux (pour la moyenne) et de dispersion des données (pour l'écart type, la variance et le coefficient de variation). Sur base de ces descripteurs, nous allons maintenant élaborer un test d'hypothèse qui se focalise sur la moyenne.
 
 ## Indice de masse corporelle
 
@@ -239,18 +241,18 @@ head(biometry)
 ```
 
 ```{r bio_filt_h2-check}
-grade_code("Bien joué ! Vous avez proposé un filtre de votre tableau de données initial.", "Oups, il semble que vous avez mal utilisé vos conditions.")
+grade_code("Bien joué ! Vous avez filtré votre tableau de données initial pour ne conserver que les cas correspondant aux critères choisis.", "Oups, il semble que vous avez mal défini vos conditions pour filtrer le tableau de départ.")
 ```
 
-Vos supérieurs souhaitent savoir si il y a une différence significative de l'IMC entre les hommes et les femmes. La variable `bmi` est calculée pour vous.
+Vous souhaitez déterminer s'il y a une différence significative de l'IMC entre les hommes et les femmes. La variable `bmi` est calculée pour vous.
 
 ```{r, echo=TRUE}
 biometry %>.%
   mutate(., bmi = (weight / (height/100)^2)) %>.%
   labelise(., label = list(bmi = "IMC"), units = list(bmi = "")) -> biometry
 ```
 
-Proposez un tableau résumé indiquant la moyenne, l'écart-type et le nombre d'observations pour les hommes et pour les femmes.
+Commencez par réalisez un tableau qui résume la moyenne, l'écart-type et le nombre d'observations pour les hommes et pour les femmes séparément.
 
 ```{r bio-prepare}
 biometry <- read("biometry", package = "BioDataScience") %>.%
@@ -280,10 +282,10 @@ biometry %>.%
 ```
 
 ```{r bio_tab_h2-check}
-grade_code("Vous avez proposé un tableau résumant l'information. Vous avez calculé la moyenne et l'écart-type de l'IMC en fonction du genre. Maintenant, nous voulons déterminer si ces moyennes diffèrent de manière significative ou non en fonction du genre.", "Analysez avec attention le tableau que vous devez obtenir. Quelle est la variable dont vous devez déterminer la moyenne et l'écart-type ?")
+grade_code("Excellent ! Maintenant, nous voulons déterminer si ces moyennes diffèrent de manière significative ou non au seuil alpha de 5% en fonction du genre.", "Votre tableau ne correspond pas. Relisez la question attentivement. Quelle est la variable dont vous devez déterminer la moyenne et l'écart-type ?")
 ```
 
-Vous devez à présent comparer l'indice de masse corporelle entre les hommes et les femmes. Utilisez un test t de Student bilatéral et de variance similaire. Vous devez fixer votre seuil $\alpha$ à 0.05.
+Vous devez à présent comparer l'indice de masse corporelle entre les hommes et les femmes. Utilisez un test *t* de Student bilatéral pour des sous-populations considérées de variances similaires. Vous devez fixer votre seuil $\alpha$ à 0.05.
 
 💬 **Un snippet peut vous aider à réaliser cet exercice `.hmttestindep`.**
 
@@ -305,7 +307,7 @@ t.test(data = biometry, bmi ~ gender,
 ```
 
 ```{r bio_ttest_h2-check}
-grade_code("Vous avez su compléter la fonction t.test(). Notez l'utilisation de conf.level = pour le niveau de confiance du test qui est en réalité 1 - alpha = 0.95. Vous constatez que vous devez maîtriser les deux termes complémentaires alpha et niveau de confiance qui sont parfaitement complémentaires l'un à l'autre. Le test bilatéral se note \"two-sided\" ici.", "Ce n'est pas la bonne réponse. Relisez avec attention l'énoncé et complètez les éléments manquants dans cette fonction.")
+grade_code("Vous avez su compléter la fonction t.test(). Notez l'utilisation de conf.level= pour le niveau de confiance du test qui est en réalité 1 - alpha = 0.95. Vous constatez que vous devez maîtriser les deux termes complémentaires alpha et niveau de confiance. Le test bilatéral se note \"two-sided\" ici.", "Ce n'est pas la bonne réponse. Relisez avec attention l'énoncé et complètez les éléments manquants dans les instructions R.")
 ```
 
 ```{r ttest_quiz}
@@ -314,14 +316,14 @@ quiz(
     answer("oui"),
     answer("non", correct = TRUE),
     allow_retry = TRUE,
-    incorrect = "Vous vous êtes trompé. Pour savoir si vous devez rejeter $H_0$, il faut comparer la valeur P au seuil alpha  défini avant de réaliser le test.",
+    incorrect = "Vous vous êtes trompé. Pour savoir si vous devez rejeter $H_0$, il faut comparer la valeur P au seuil alpha, ce dernier étant choisi avant de réaliser le test.",
     correct = "Bravo, c'est correct. Vous ne rejetez pas $H_0$ au seuil alpha de 0.05 ici."),
-    question("Est-ce que l'indice de masse corporelle moyen est différent entre les hommes et les femmes ?",
+    question("Est-ce que l'indice de masse corporelle moyen est significativement différent entre les hommes et les femmes au seuil alpha de 5% ?",
     answer("oui"),
     answer("non", correct = TRUE),
     allow_retry = TRUE,
-    incorrect = "Ce n'est pas la bonne réponse. Vous devez comparer la valeur de p au seuil alpha  défini avant de réaliser le test pour trouver la bonne réponse à cette question.",
-    correct = "Bravo, c'est correct. Vous avez bien interprété votre test. Vous direz que vous ne détectez pas de différences significatives entre les moyennes des IMC des hommes et des femmes au seuil alpha de 5% (test de Student bilatéral, t = 1.51, ddl = 163, valeur P = 0.13)")
+    incorrect = "Ce n'est pas la bonne réponse. Vous devez comparer la valeur P au seuil alpha pour trouver la bonne réponse à cette question.",
+    correct = "Bravo, c'est correct. Vous avez bien interprété votre test. Vous direz que vous ne détectez pas de différence significative entre les moyennes des IMC des hommes et des femmes au seuil alpha de 5% (test de Student bilatéral, t = 1.51, ddl = 163, valeur P = 0.13)")
 )
 ```