Learnrs for module 7 ready

Author: phgrosjean

DESCRIPTION

@@ -1,5 +1,5 @@
 Package: BioDataScience1
-Version: 2023.6.0
+Version: 2023.7.0
 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(

NEWS.md

@@ -1,3 +1,7 @@
+# BioDataScience1 2023.7.0
+
+-   Learnrs **A07La_proba**, **A07Lb_distri** and **A07Lc_distri2** ready.
+
 # BioDataScience1 2023.6.0
 
 -   Learnrs **A06La_recombination** and **A06Lb_multi-table** ready.

inst/shiny/A04Ca_charts/app.R

@@ -37,7 +37,7 @@ Le calcul des probabilités et le B-A-BA des statistiques. Il n'est pas toujours
 
 -   Calculer des probabilités sur base d'un tableau de contingence
 
-Avant d'aborder ce tutoriel, assurez-vous d'avoir bien compris le contenu de la [section 7.1](https://wp.sciviews.org/sdd-umons/?iframe=wp.sciviews.org/sdd-umons-2022/probabilit%25C3%25A9s.html) du cours. En effet, ce learnr sert d'auto-évaluation sur cette matière et ne sera utile que dans un contexte où vous la maîtrisez déjà, à des fins de vérification de vos acquis.
+Avant d'aborder ce tutoriel, assurez-vous d'avoir bien compris le contenu de la [section 7.1](https://wp.sciviews.org/sdd-umons/?iframe=wp.sciviews.org/sdd-umons-2023/probabilit%25C3%25A9s.html) du cours. En effet, ce learnr sert d'auto-évaluation sur cette matière et ne sera utile que dans un contexte où vous la maîtrisez déjà, à des fins de vérification de vos acquis.
 
 ## Lire des probabilités
 
@@ -61,7 +61,7 @@ quiz(
     allow_retry = TRUE, random_answer_order = TRUE,
     incorrect = "Désolé, mais ce n'est pas correct. Recommencez afin de trouver la bonne réponse",
     correct = "Les probabilités conditionnelles ont une dépendance entre elles."),
-  question("Comment lire la proposition suivante : Pr{A + B} ?",
+  question("Comment lire la proposition suivante : Pr{A+B} ?",
     answer("Probabilité d'avoir A ou B", correct = TRUE, message = "En calcul de probabilité, l'addition signifie que l'on considère la probabilité que l'un parmi plusieurs évènements disjoints se produise"),
     answer("Probabilité d'avoir A et B"),
     answer("Probabilité d'avoir A si B se produit"),

inst/tutorials/A00La_discovery/images/record_notok1.png

@@ -38,11 +38,11 @@ Ce tutoriel est une auto-évaluation de vos connaissances pour :
 
 -   Vous assurer d'avoir bien compris la distribution de Poisson
 
-Vous devez avoir étudié le contenu du [module 7](https://wp.sciviews.org/sdd-umons/?iframe=wp.sciviews.org/sdd-umons-2022/proba.html) du cours SDD I, et en particulier les sections relatives à la [distribution binomiale](https://wp.sciviews.org/sdd-umons/?iframe=wp.sciviews.org/sdd-umons-2022/distribution-binomiale.html) et à la [distribution de Poisson](https://wp.sciviews.org/sdd-umons/?iframe=wp.sciviews.org/sdd-umons-2022/distribution-de-poisson.html). Enfin, cette matière nécessite que vous soyez à l'aise avec le calcul des probabilités, et que vous l'ayez vérifié via le tutoriel précédent `BioDataScience1::run("A07La_proba")`.
+Vous devez avoir étudié le contenu du [module 7](https://wp.sciviews.org/sdd-umons/?iframe=wp.sciviews.org/sdd-umons-2023/proba.html) du cours SDD I, et en particulier les sections relatives à la [distribution binomiale](https://wp.sciviews.org/sdd-umons/?iframe=wp.sciviews.org/sdd-umons-2023/distribution-binomiale.html) et à la [distribution de Poisson](https://wp.sciviews.org/sdd-umons/?iframe=wp.sciviews.org/sdd-umons-2022/distribution-de-poisson.html). Enfin, cette matière nécessite que vous soyez à l'aise avec le calcul des probabilités, et que vous l'ayez vérifié via le tutoriel précédent `BioDataScience1::run("A07La_proba")`.
 
 ## Distribution binomiale
 
-La distribution binomiale calcule les probabilités de *n* succès pour un modèle essai-erreur indépendant. Cela signifie que seulement deux évènements disjoints sont possibles : le "succès" ou l'"échec" (ces noms sont attribués aux deux évènements qui peuvent représenter tout autre chose comme pile ou face, mâle ou femelle, chevelu ou non, ...). Le nombre d'essais indépendants *p* est fixé à l'avance et est toujours le même pour une distribution donnée.
+La distribution binomiale calcule les probabilités de *n* succès pour un modèle essai-erreur indépendant. Cela signifie que seulement deux évènements disjoints sont possibles : le "succès" ou l'"échec" (ces noms sont attribués aux deux évènements qui peuvent représenter tout autre chose comme pile ou face, mâle ou femelle, chevelu ou non ...). Le nombre d'essais indépendants *p* est fixé à l'avance et est toujours le même pour une distribution donnée.
 
 ![](images/lions.jpg)
 
@@ -74,27 +74,27 @@ Calculez la table des probabilités possibles pour tous les évènements depuis
 <!-- 💬 **Ce code correspond au snippet `.ibtable`** [`.ib`= (d)istribution: `b`inomial]. -->
 
 ```{r binom1_h2, exercise=TRUE}
-(bi_table <- dtx(success = ___,
-    probability = dbinom(___, size = ___, prob = ___)))
+(bi_table <- dtx(succès = ___,
+    probabilité = dbinom(___, size = ___, prob = ___)))
 ```
 
 ```{r binom1_h2-hint-1}
-(bi_table <- dtx(success = 0:10,
-    probability = dbinom(0:10, size = ___, prob = ___)))
+(bi_table <- dtx(succès = 0:10,
+    probabilité = dbinom(0:10, size = ___, prob = ___)))
 
  #### ATTENTION: Hint suivant = solution !####
 ```
 
 ```{r binom1_h2-solution}
-(bi_table <- dtx(success = 0:10,
-    probability = dbinom(0:10, size = 10, prob = 0.5)))
+(bi_table <- dtx(succès = 0:10,
+    probabilité = dbinom(0:10, size = 10, prob = 0.5)))
 ```
 
 ```{r binom1_h2-check}
 grade_code("Oui, `dbinom()` permet de réaliser ce calcul. Vous auriez aussi pu utiliser `density(dist_binomial(10, 0.5), 0:10)[[1]]` à la place.")
 ```
 
-Utilisez R, cette fois-ci, pour répondre à une des questions posées lors du quiz plus hau : "Calculez la probabilité d'observer au maximum 3 mâles sur 10 individus", en utilisant `bi <- dist_binomial()`.
+Utilisez R cette fois-ci, pour répondre à une des questions posées lors du quiz plus hau : "Calculez la probabilité d'observer au maximum 3 mâles sur 10 individus", en utilisant `bi <- dist_binomial()`.
 
 <!-- 💬 **Ce code correspond au snippet `.ibproba`.** -->
 
@@ -187,7 +187,7 @@ grade_code("Les traits verticaux représentent ici la probabilité de chaque év
 
 ![](images/fishing.jpg)
 
-La distribution de Poisson détermine, tout comme la distribution binomiale, les probabilités de nombres de succès par rapport à un nombre d'essais indépendants, mais ici la probabilité de succès est très faible (évènement rare). Vous pouvez utiliser cette distribution pour déterminer la probabilité de rencontrer un animal rare, pour prédire les tremblements de terre, pour déterminer la probabilité d'une maladie rare, ... et même pour prédire la probabilité que vous arriviez à pêcher un gros poisson avec votre petite canne à pêche !
+La distribution de Poisson détermine, tout comme la distribution binomiale, les probabilités de nombres de succès par rapport à un nombre d'essais indépendants, mais ici la probabilité de succès est très faible (évènement rare). Vous pouvez utiliser cette distribution pour déterminer la probabilité de rencontrer un animal rare, pour prédire les tremblements de terre, pour déterminer la probabilité d'une maladie rare ... et même pour prédire la probabilité que vous arriviez à pêcher un gros poisson avec votre petite canne à pêche !
 
 Répondez à la question suivante en effectuant le calcul à la main (en vous aidant éventuellement d'une calculatrice de poche).
 
@@ -210,20 +210,20 @@ Utilisez R pour représentez la table de probabilités lié à l'exercice ci-des
 
 ```{r poisson1_h2, exercise=TRUE}
 (poi_table <- dtx(occurences = 0:(___ + 20),
-  probability = dpois(0:(___ + 20), lambda = ___)))
+  probabilité = dpois(0:(___ + 20), lambda = ___)))
 ```
 
 ```{r poisson1_h2-hint-1}
 (poi_table <- dtx(occurences = 0:(3 + 20),
-  probability = dpois(0:(___ + 20), lambda = ___)))
+  probabilité = dpois(0:(___ + 20), lambda = ___)))
 
  #### ATTENTION: Hint suivant = solution !####
 ```
 
 ```{r poisson1_h2-solution}
 ## Solution ##
 (poi_table <- dtx(occurences = 0:(3 + 20),
-  probability = dpois(0:(3 + 20), lambda = 3)))
+  probabilité = dpois(0:(3 + 20), lambda = 3)))
 ```
 
 ```{r poisson1_h2-check}
@@ -256,7 +256,7 @@ chart$cumulative(poi) +
 ```
 
 ```{r poisson2_h2-check}
-grade_code("Ce graphique montre que l'on tend pour les probabilités cumulées très rapidement vers 1 (pour un quantile aux alentours de 15). Cela signifie que l'on a pratiquement 100% de chances d'observer maximum 15 fois cet évènement rare durant la période d'observation définie.")
+grade_code("Ce graphique montre que l'on tend, pour les probabilités cumulées, très rapidement vers 1 (pour un quantile aux alentours de 15). Cela signifie que l'on a pratiquement 100% de chances d'observer maximum 15 fois cet évènement rare durant la période d'observation définie.")
 ```
 
 ## Conclusion