Module 7 learnrs ready

phgrosjean · phgrosjean · commit 5263d8837544 · 2025-02-16T18:19:16.000+01:00
diff --git a/DESCRIPTION b/DESCRIPTION
@@ -1,5 +1,5 @@
 Package: BioDataScience1
-Version: 2024.6.0
+Version: 2024.7.0
 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(
diff --git a/NEWS.md b/NEWS.md
@@ -1,3 +1,7 @@
+# BioDataScience1 2024.7.0
+
+-   Learnrs **A07La_distri2**, **A07Lb_chi2** and **A07Lc_chi2b** revised.
+
 # BioDataScience1 2024.6.0
 
 -   Learnrs **A06La_proba**, **A06Lb_distri** and **A06Lc_correlation** revised.
diff --git a/inst/tutorials/A07La_distri2/A07La_distri2.Rmd b/inst/tutorials/A07La_distri2/A07La_distri2.Rmd
@@ -1,10 +1,10 @@
 ---
-title: "Distributions discrètes"
+title: "Distributions (suite)"
 author: "Guyliann Engels & Philippe Grosjean"
 description: "**SDD I Module 7** Distributions binomiale de Poisson, log-normale et graphique quantile-quantile."
 tutorial:
   id: "A07La_distri2"
-  version: 2.1.1/11
+  version: 2.2.0/11
 output:
   learnr::tutorial:
     progressive: true
@@ -32,15 +32,17 @@ BioDataScience1::learnr_server(input, output, session)
 
 Une loi de distribution statistique généralise le calcul des probabilités dans une situation bien définie. Elle permet de calculer la probabilité que des évènements se produisent d'un point de vue théorique. La distribution binomiale et celle de Poisson concernent des variables quantitatives à deux modalités, c'est-à-dire que seulement deux évènements disjoints peuvent se produire.
 
+Parmi les distributions continues, la distribution log-normale est une variante de la distribution normale où les quantiles ne peuvent être que nuls ou positifs. Le graphique quantile-quantile est un outil graphique permettant de comparer la distribution d'un échantillon à une distribution théorique.
+
 Ce tutoriel est une auto-évaluation de vos connaissances pour :
 
 -   Vérifier vos connaissances relatives à la loi de distribution des probabilités binomiale
 
 -   Vous assurer d'avoir bien compris la distribution de Poisson
 
--   Être certain de bien comprendre le graphique quantile-quantile et l'utiliser pour décider si la distribution d'un échantillon suit une distribution normale ou log-nermale
+-   Être certain de bien comprendre le graphique quantile-quantile et l'utiliser pour décider si la distribution d'un échantillon suit une distribution normale ou log-normale
 
-Vous devez avoir étudié le contenu du [module 7](https://wp.sciviews.org/sdd-umons/?iframe=wp.sciviews.org/sdd-umons-2024/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-2024/distribution-binomiale.html) et à la [distribution de Poisson](https://wp.sciviews.org/sdd-umons/?iframe=wp.sciviews.org/sdd-umons-2024/distribution-de-poisson.html), à la distribution log-normale et au graphique quantile-quantile. 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("A06La_proba")`.
+Vous devez avoir étudié le contenu du [module 7](https://wp.sciviews.org/sdd-umons/?iframe=wp.sciviews.org/sdd-umons-2024/districhi2.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-2024/distribution-binomiale.html) et à la [distribution de Poisson](https://wp.sciviews.org/sdd-umons/?iframe=wp.sciviews.org/sdd-umons-2024/distribution-de-poisson.html), à la [distribution log-normale](https://wp.sciviews.org/sdd-umons/?iframe=wp.sciviews.org/sdd-umons-2024/distribution-log-normale.html) et au [graphique quantile-quantile](https://wp.sciviews.org/sdd-umons/?iframe=wp.sciviews.org/sdd-umons-2024/graphique-quantile-quantile.html). Enfin, cette matière nécessite que vous soyez à l'aise avec le calcul des probabilités, et que vous l'ayez vérifié via un tutoriel précédent `BioDataScience1::run("A06La_proba")`.
 
 ## Distribution binomiale
 
@@ -206,7 +208,7 @@ quiz(
 )
 ```
 
-Utilisez R pour représentez la table de probabilités lié à l'exercice ci-dessus avec les fonctions p/q/r/d.
+Utilisez R pour représenter la table de probabilités liée à l'exercice ci-dessus avec les fonctions p/q/r/d.
 
 <!-- 💬 **Ce code correspond au snippet `.iptable`** [`.ip` = (d)`i`stribution: `p`oisson]. -->
 
@@ -236,7 +238,7 @@ Représentez le graphique de densité cumulée de la distribution de Poisson pou
 
 <!-- 💬 **Ce code correspond au snippet `.ipdens`.** -->
 
-```{r poisson2_h2, exercise = TRUE}
+```{r poisson2_h2, exercise=TRUE}
 poi <- ___(lambda = ___)
 ___$___(___) +
   ylab("Densité de probabilité cumulée")
@@ -302,7 +304,7 @@ car::qqPlot(crabs[["length"]], distribution = "norm",
 ```
 
 ```{r qqnorm1_h2-check}
-grade_code("Rappelez-vous de la syntaxe `DF$VAR` pour se référer à la variable nommée `VAR` dans le dataframe `DF`. Vous voyez ici que `length` suit une distribution normale parce que tous les points (ou quasi-tous dans d'autres situations) sont à l'intérieur de l'enveloppe de confiance à 95% représenté par les courbes en pointillés bleus.")
+grade_code("Rappelez-vous de la syntaxe `DF$VAR` pour se référer à la variable nommée `VAR` dans le dataframe `DF`. Vous voyez ici que `length` suit une distribution normale parce que tous les points (ou quasi-tous dans d'autres situations) sont à l'intérieur de l'enveloppe de confiance à 95% représentée par les courbes en pointillés bleus.")
 ```
 
 Est-ce que la longueur de carapace suit une distribution log-normale chez ces mêmes crabes ?
diff --git a/inst/tutorials/A07Lb_chi2/A07Lb_chi2.Rmd b/inst/tutorials/A07Lb_chi2/A07Lb_chi2.Rmd
@@ -35,7 +35,7 @@ La loi de distribution du $\chi^2$ représente de manière théorique la probabi
 
 -   Appréhender le test d'hypothèse du $\chi^2$ univarié
 
-Vous devez avoir assimilé la matière du [module 7](https://wp.sciviews.org/sdd-umons/?iframe=wp.sciviews.org/sdd-umons-2024/chi2.html) du cours, en particulier la [section 8.2](https://wp.sciviews.org/sdd-umons/?iframe=wp.sciviews.org/sdd-umons-2024/test-dhypoth%25C3%25A8se.html), et vous devez avoir compris les différentes notions vue au [module 7](https://wp.sciviews.org/sdd-umons/?iframe=wp.sciviews.org/sdd-umons-2024/proba.html) relatives au calcul de probabilités et aux lois de distribution statistiques. Ce learnr vous sert à auto-évaluer vos acquis relatifs à la distribution $\chi^2$ et au test $\chi^2$ univarié.
+Vous devez avoir assimilé la matière du [module 7](https://wp.sciviews.org/sdd-umons/?iframe=wp.sciviews.org/sdd-umons-2024/districhi2.html) du cours, en particulier la [section 7.5](https://wp.sciviews.org/sdd-umons/?iframe=wp.sciviews.org/sdd-umons-2024/chi2.html), et vous devez avoir compris les différentes notions vues au [module 6](https://wp.sciviews.org/sdd-umons/?iframe=wp.sciviews.org/sdd-umons-2024/probacorr.html) relatives au calcul de probabilités et aux lois de distribution statistiques. Ce learnr vous sert à autoévaluer vos acquis relatifs à la distribution $\chi^2$ et au test $\chi^2$ univarié.
 
 ## Distribution du $\chi^2$
 
@@ -158,7 +158,7 @@ Donc, pour notre expérience de préférences alimentaires des chimpanzés, nous
 knitr::kable(chimp)
 ```
 
-Or, sous H~0~ de non préférences alimentaires, nous nous attendions à observer à peu près le même nombre de premiers choix pour chaque fruit. Ces écarts sont-ils révélateurs de préférences marquées, ou peuvent-il être obtenus par le hasard ? Pour le vérifier, nous avions calculé la valeur du $\chi^2_{obs}$ comme étant 7.601.
+Or, sous H~0~ de non-préférences alimentaires, nous nous attendions à observer à peu près le même nombre de premiers choix pour chaque fruit. Ces écarts sont-ils révélateurs de préférences marquées, ou peuvent-il être obtenus par le hasard ? Pour le vérifier, nous avions calculé la valeur du $\chi^2_{obs}$ comme étant 7.601.
 
 Cette valeur doit maintenant être confrontée à la distribution théorique du $\chi^2$ à deux degrés de liberté (nombre de niveaux de la variable qualitative `fruit` moins un, donc ici (3 - 1) = 2) représentée ci-dessous.
 
@@ -199,15 +199,15 @@ pchisq(7.601, df = 2, lower.tail = FALSE)
 grade_code("Cette probabilité est appelée valeur P du test d'hypothèse.")
 ```
 
-Pour tirer une conclusion avec le **test d'hypothèse** du $\chi^2$ univarié, vous comparez la valeur *P* ainsi obtenue au seuil $\alpha$ que vous avez fixé préalablement (choix réalisé *avant* de faire le test pour ne pas être influencé par le résultat). Souvent, on prend $\alpha$ = 5% en biologie. Les hypothèse (H~0~ = hypothèse nulle et H~1~ ou H~A~ = hypothèse alternative) du test $\chi^2$ univarié sont :
+Pour tirer une conclusion avec le **test d'hypothèse** du $\chi^2$ univarié, vous comparez la valeur *P* ainsi obtenue au seuil $\alpha$ que vous avez fixé préalablement (choix réalisé *avant* de faire le test pour ne pas être influencé par le résultat). Souvent, on prend $\alpha$ = 5% en biologie. Les hypothèses (H~0~ = hypothèse nulle et H~1~ ou H~A~ = hypothèse alternative) du test $\chi^2$ univarié sont :
 
 -   H~0~ : $a_i = \alpha_i$ pour tout $i$
 -   H~1~ : $a_i \neq \alpha_i$ pour au moins un $i$
 
 Les règles pour décider si nous rejetons ou non H~0~ sont :
 
--   Valeur *P* \< $\alpha$ =\> rejet de H~0~
--   Valeur *P* ≥ $\alpha$ =\> non rejet de H~0~
+-   Valeur *p* \< $\alpha$ =\> rejet de H~0~
+-   Valeur *p* ≥ $\alpha$ =\> non rejet de H~0~
 
 Sur base de tout ceci, tirez des conclusions concernant l'expérience de préférence alimentaire chez le chimpanzé.
 
@@ -302,13 +302,13 @@ chisq.test(chimp2, p = c(Pomme = 1/3, Banane = 1/3, Orange = 1/3), rescale.p = F
 ```
 
 ```{r chi_test2_h3-check}
-grade_code("Le valeur du chi^2^obs est beaucoup plus grande ici et la valeur P est plus petite.")
+grade_code("La valeur du chi^2 obs est beaucoup plus grande ici et la valeur *p* est plus petite.")
 ```
 
-Plus l'échantillon a une taille *N* importante, plus nous avons des données à disposition et nous pourrons donc rejeter H~0~ si elle est fausse même si l'écart entre les $a_i$ et les $\alpha_i$ est très petit. Par contre, si cet écart est très grand, un plus petit nombre d'observations suffira pour rejeter H~0~. A cause de cet effet de *N*, nous ne dirons *jamais* que nous **acceptons** H~1~, mais nous dirons que nous **ne rejetons pas H~0~**. Car, dans cette situation, deux cas sont possibles :
+Plus l'échantillon a une taille *N* importante, plus nous avons des données à disposition et nous pourrons donc rejeter H~0~ si elle est fausse même si l'écart entre les $a_i$ et les $\alpha_i$ est très petit. Par contre, si cet écart est très grand, un plus petit nombre d'observations suffira pour rejeter H~0~. À cause de cet effet de *N*, nous ne dirons *jamais* que nous **acceptons** H~1~, mais nous dirons que nous **ne rejetons pas H~0~**. Car, dans cette situation, deux cas sont possibles :
 
 1.  H~0~ est effectivement vraie
-2.  H~0~ est fausse mais *N* est trop petit pour détecter l'écart entre les fréquences observées et théorique (relativement faible)
+2.  H~0~ est fausse mais *N* est trop petit pour détecter l'écart entre les fréquences observées et théoriques (relativement faible)
 
 A l'inverse, lorsque l'on travaille avec une taille d'échantillon *N* extrêmement grande, on peut être amené à rejeter H~0~ pour des écarts entre $a_i$ et $\alpha_i$ tellement faibles qu'ils ne signifient plus rien, biologiquement parlant. **C'est pour cette raison qu'il faut toujours comparer les fréquences observées et les fréquences théoriques en cas de rejet de H~0~**, afin de se faire une idée de l'**amplitude des écarts** et des niveaux qu'ils concernent.
 
diff --git a/inst/tutorials/A07Lc_chi2b/A07Lc_chi2b.Rmd b/inst/tutorials/A07Lc_chi2b/A07Lc_chi2b.Rmd
@@ -35,7 +35,7 @@ La loi de distribution du $\chi^2$ peut être utilisée pour étudier si des dé
 
 -   Interpréter correctement un tel test
 
-Vous devez avoir assimilé la matière du [module 7](https://wp.sciviews.org/sdd-umons/?iframe=wp.sciviews.org/sdd-umons-2024/chi2.html) du cours, en particulier la [section 7.2](https://wp.sciviews.org/sdd-umons/?iframe=wp.sciviews.org/sdd-umons-2024/test-dhypoth%25C3%25A8se.html). Vous devez avoir réalisé le tutoriel `BioDataScience1::run("A07Lb_chi2")` préalablement. Ce learnr vous sert à auto-évaluer vos acquis relatifs au test $\chi^2$ d'indépendance.
+Vous devez avoir assimilé la matière du [module 7](https://wp.sciviews.org/sdd-umons/?iframe=wp.sciviews.org/sdd-umons-2024/districhi2.html) du cours, en particulier la [section 7.5](https://wp.sciviews.org/sdd-umons/?iframe=wp.sciviews.org/sdd-umons-2024/chi2.html). Vous devez avoir réalisé le tutoriel `BioDataScience1::run("A07Lb_chi2")` préalablement. Ce learnr vous sert à autoévaluer vos acquis relatifs au test $\chi^2$ d'indépendance.
 
 ## Fumeurs
 
@@ -142,12 +142,12 @@ quiz(
     allow_retry = TRUE,
     incorrect = "Recommencez afin de trouver la bonne réponse",
     correct = "Oui, ici nous pouvons rejeter H0 au seuil alpha de 5%."),
-  question("Toujours au seuil alpha de 5%, y-a-t'il dépendance ou indépendance des deux variables ?",
+  question("Toujours au seuil alpha de 5%, y a-t-il dépendance ou indépendance des deux variables ?",
     answer("Dépendance des deux variables", correct = TRUE),
     answer("Indépendance des deux variables"),
     allow_retry = TRUE,
     incorrect = "Recommencez afin de trouver la bonne réponse",
-    correct = "Très bien. Lorsque vous rejetez H0, cela signifie ici dépendance entre le genre et la prévalence du tabagisme chez ces adolescents, en l'occurence, les garçons ont plus tendance à fumer que les filles (vous comparez les fréquences observées par rapport aux fréquences attendues sous H0 pour le déduire).")
+    correct = "Très bien. Lorsque vous rejetez H0, cela signifie ici dépendance entre le genre et la prévalence du tabagisme chez ces adolescents, en l'occurrence, les garçons ont plus tendance à fumer que les filles (vous comparez les fréquences observées par rapport aux fréquences attendues sous H0 pour le déduire).")
 )
 ```
 
@@ -219,7 +219,7 @@ chart(usa, aes(long, lat, group = group)) +
   coord_quickmap()
 ```
 
-Voici les résultats de cette étude sur un échantillon aléatoire de la population (notez l'utilisation de `xtabs()` ici en avant dernière ligne pour créer le tableau de contingence à double entrée à partir des fréquences.
+Voici les résultats de cette étude sur un échantillon aléatoire de la population (notez l'utilisation de `xtabs()` ici en avant-dernière ligne pour créer le tableau de contingence à double entrée à partir des fréquences.
 
 <!-- et qui correspond au snippet `.ectable2f`) : -->
 
@@ -236,7 +236,7 @@ knitr::kable(blood_table)
 
 Les distributions des groupes sanguins sont-elles identiques dans les trois états étudiés ?
 
-Avant de réalisez votre test $\chi^2$ d'indépendance avec R, veuillez indiquer le nombre de degré de liberté de la distribution $\chi^2$ théorique associée.
+Avant de réalisez votre test $\chi^2$ d'indépendance avec R, veuillez indiquer le nombre de degrés de liberté de la distribution $\chi^2$ théorique associée.
 
 ```{r qu_ddl}
 question("Nombre de degré de liberté de la distribution du $\\chi^2$.",
@@ -304,7 +304,7 @@ quiz(
 
 ## Conclusion
 
-A l'issue de cette série d'exercices, vous devriez être à l'aise avec l'utilisation de la distribution du $\chi^2$ et de ses tests d'hypothèse univarié et d'indépendance. Vous pouvez maintenant passer à des applications concrètes (projets GitHub).
+À l'issue de cette série d'exercices, vous devriez être à l'aise avec l'utilisation de la distribution du $\chi^2$ et de ses tests d'hypothèse univarié et d'indépendance. Vous pouvez maintenant passer à des applications concrètes (projets GitHub).
 
 ```{r comm_noscore, echo=FALSE}
 question_text(
