Learnrs module 8 ready for 2025-2026

Author: phgrosjean

.gitignore

@@ -26,3 +26,4 @@
 # RSconnect
 rsconnect
 rsconnect/
+.positai

DESCRIPTION

@@ -1,5 +1,5 @@
 Package: BioDataScience1
-Version: 2025.7.0
+Version: 2025.8.0
 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 2025.8.0
+
+-   Learnrs **A08La_ttest** and **A08Lb_ttest_wmw** revised for 2025-2026.
+
 # BioDataScience1 2025.7.0
 
 -   Learnrs **A07La_distri2**, **A07Lb_chi2** and **A07Lc_chi2b** revised for 2025-2026.

…/A08La_ttest/A08La_ttest.Rmd.inactivated …st/tutorials/A08La_ttest/A08La_ttest.Rmdinst/tutorials/A08La_ttest/A08La_ttest.Rmd.inactivated renamed to inst/tutorials/A08La_ttest/A08La_ttest.Rmd inst/tutorials/A08La_ttest/A08La_ttest.Rmd.inactivated renamed to inst/tutorials/A08La_ttest/A08La_ttest.Rmd

@@ -15,6 +15,38 @@ runtime: shiny_prerendered
 ```{r setup, include=FALSE}
 BioDataScience1::learnr_setup()
 SciViews::R("infer", lang = "fr")
+# Required for RSConnect
+# SciViews::R
+library(rlang)
+library(data.table)
+library(ggplot2)
+library(tibble)
+library(tidyr)
+library(dplyr)
+library(dtplyr)
+library(broom)
+library(forcats)
+library(collapse)
+library(fs)
+library(data.trame)
+library(svFast)
+library(svTidy)
+library(svMisc)
+library(svBase)
+library(svFlow)
+library(data.io)
+library(chart)
+library(tabularise)
+library(SciViews)
+# infer section
+library(distributional)
+library(inferit)
+# ... more
+library(readxl)
+library(testthat)
+library(equatags)
+library(BioDataScience)
+library(BioDataScience1)
 ```
 
 ```{r, echo=FALSE}
@@ -35,15 +67,15 @@ BioDataScience1::learnr_server(input, output, session)
 
 ## Objectifs
 
-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 :
+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 de l'utilisation de la moyenne. Ce tutoriel vise à :
 
 -   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 maîtriser le calcul de probabilités ([module 6, section 6.1](https://wp.sciviews.org/sdd-umons/?iframe=wp.sciviews.org/sdd-umons-2024/proba.html)) et avoir compris la logique d'un test d'hypothèse telle que nous l'avons développé dans la [section 6.6](https://wp.sciviews.org/sdd-umons/?iframe=wp.sciviews.org/sdd-umons-2024/test-de-corr%25C3%25A9lation.html) relatif au test de corrélation. Enfin, vous devez avoir vu la première partie du [module 8](https://wp.sciviews.org/sdd-umons/?iframe=wp.sciviews.org/sdd-umons-2024/moyenne.html) avant d'aborder ces exercices d'auto-évaluation de vos acquis.
+Vous devez maîtriser le calcul de probabilités ([module 6, section 6.1](https://wp.sciviews.org/sdd-umons/?iframe=wp.sciviews.org/sdd-umons-2025/proba.html)) et avoir compris la logique d'un test d'hypothèse telle que nous l'avons développé dans la [section 6.6](https://wp.sciviews.org/sdd-umons/?iframe=wp.sciviews.org/sdd-umons-2025/test-de-corr%25C3%25A9lation.html) relatif au test de corrélation. Enfin, vous devez avoir vu la première partie du [module 8](https://wp.sciviews.org/sdd-umons/?iframe=wp.sciviews.org/sdd-umons-2025/moyenne.html) avant d'aborder ces exercices d'auto-évaluation de vos acquis.
 
 ## Moyenne
 
@@ -79,7 +111,7 @@ mean(v)
 ```
 
 ```{r mean1_h2-check}
-grade_code("La fonction mean() effectue ce calcul. Si des valeurs manquantes (exercice suivant) se trouvent dans le vecteur, il faut prendre une précaution supplémentaire pour obtenir une estimation de la moyenne. Il existe également une fonction similaire qui est plus rapide : la fonction fmean() du package {collapse}.")
+grade_code("La fonction `mean()` effectue ce calcul. Si des valeurs manquantes (exercice suivant) se trouvent dans le vecteur, il faut prendre une précaution supplémentaire pour obtenir une estimation de la moyenne. Il existe également une fonction similaire qui est plus rapide : la fonction `fmean()` du package {collapse}.")
 ```
 
 ### Moyenne du vecteur `v2`
@@ -114,7 +146,7 @@ mean(v2, na.rm = TRUE)
 ```
 
 ```{r mean2_h3-check}
-grade_code("Retenez que, dans R, avec toute fonction qui a un argument `na.rm =`, si vous indiquez TRUE vous souhaitez d'abord éliminer les valeurs manquantes afin d'estimer le résultat sur les données observées restantes. Prenez l'habitude de consulter la page d'aide de la fonction. En général, l'argument `na.rm =` est par défaut à FALSE. Il existe cependant quelques exceptions comme dans la fonction fmean() de {collapse}.")
+grade_code("Retenez que, dans R, avec toute fonction qui a un argument `na.rm =`, si vous indiquez TRUE vous souhaitez d'abord éliminer les valeurs manquantes afin d'estimer le résultat sur les données observées restantes. Prenez l'habitude de consulter la page d'aide de la fonction. En général, l'argument `na.rm =` est par défaut à `FALSE`. Il existe cependant quelques exceptions comme dans la fonction `fmean()` de {collapse}.")
 ```
 
 ### Écart-type
@@ -152,7 +184,7 @@ sd(v3)
 ```
 
 ```{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 `var()`. Ces deux fonctions utilisent aussi l'argument `na.rm =` si nécessaire. Comme vous vous en doutez surement, il existe la fonction `fsd()` et `fvar()` dans le package {collapse}.")
+grade_code("Écart type se dit \"standard deviation\" en anglais, d'où le nom `sd()` en abbrégé de la fonction. Pour la variance, il s'agit de `var()`. Ces deux fonctions utilisent aussi l'argument `na.rm =` si nécessaire. Comme vous vous en doutez surement, il existe la fonction `fsd()` et `fvar()` dans le package {collapse}.")
 ```
 
 ### Coefficient de variation
@@ -213,7 +245,7 @@ Commencez par remanier les données en sélectionnant les individus ayant strict
 # Importation des données
 biometry <- read("biometry", package = "BioDataScience")
 # Sélection des données
-biometry <- sfilter(biometry, age ___ 18 ___ age ___ 30)
+biometry <- filter_(biometry, ~age ___ 18 ___ age ___ 30)
 # Premières lignes du tableau (pour vérification)
 head(biometry)
 ```
@@ -222,7 +254,7 @@ head(biometry)
 # Importation des données
 biometry <- read("biometry", package = "BioDataScience")
 # Sélection des données
-biometry <- sfilter(biometry, age > 18 ___ age ___ 30)
+biometry <- filter_(biometry, ~age > 18 ___ age ___ 30)
 # Premières lignes du tableau (pour vérification)
 head(biometry)
 
@@ -234,7 +266,7 @@ head(biometry)
 # Importation des données
 biometry <- read("biometry", package = "BioDataScience")
 # Sélection des données
-biometry <- sfilter(biometry, age > 18 & age <= 30)
+biometry <- filter_(biometry, ~age > 18 & age <= 30)
 # Premières lignes du tableau (pour vérification)
 head(biometry)
 ```
@@ -247,42 +279,42 @@ Vous souhaitez déterminer s'il y a une différence significative de l'IMC entre
 
 ```{r, echo=TRUE}
 biometry %>.%
-  smutate(., bmi = (weight / (height / 100)^2)) %>.%
+  mutate_(., bmi = ~(weight / (height / 100)^2)) %>.%
   labelise(., label = list(bmi = "IMC"), units = list(bmi = "")) ->
   biometry
 ```
 
-Réalisez maintenant un tableau qui résume la moyenne, l'écart-type et le nombre d'observations pour les hommes et pour les femmes séparément. Employez les fonctions "speedy" commençant par "s" comme `ssummarise()` et "fast" débutant par "f" comme `fvar()`
+Réalisez maintenant un tableau qui résume la moyenne, l'écart-type et le nombre d'observations pour les hommes et pour les femmes séparément. Employez les fonctions "svTidy" se terminant par "_" comme `summarise_()` et "fast" débutant par "f" comme `fvar()`
 
 ```{r bio-prepare}
 biometry <- read("biometry", package = "BioDataScience") %>.%
-  sfilter(., age > 18 & age <= 30) %>.%
-  smutate(., bmi = (weight/(height/100)^2)) %>.%
+  filter_(., ~age > 18 & age <= 30) %>.%
+  mutate_(., bmi = ~(weight / (height/100)^2)) %>.%
   labelise(., label = list(bmi = "IMC"), units = list(bmi = ""))
 ```
 
 ```{r bio_tab_h2, exercise=TRUE, exercise.setup="bio-prepare"}
 biometry %>.%
   ___(., ___) %>.%
-  ssummarise(.,
+  summarise_(.,
     mean = ___(___), sd = ___(___), n = fn(bmi))
 ```
 
 ```{r bio_tab_h2-hint-1}
 biometry %>.%
-  sgroup_by(., gender) %>.%
-  ssummarise(.,
-    mean = ___(___), sd = ___(___), n = fn(bmi))
+  group_by_(., ~gender) %>.%
+  summarise_(.,
+    mean = ___(___), sd = ___(___), n = ~fn(bmi))
 
 #### ATTENTION: Hint suivant = solution !####
 ```
 
 ```{r bio_tab_h2-solution}
 ## Solution ##
 biometry %>.%
-  sgroup_by(., gender) %>.%
-  ssummarise(.,
-    mean = fmean(bmi), sd = fsd(bmi), n = fn(bmi))
+  group_by_(., ~gender) %>.%
+  summarise_(.,
+    mean = ~fmean(bmi), sd = ~fsd(bmi), n = ~fn(bmi))
 ```
 
 ```{r bio_tab_h2-check}

…test_wmw/A08Lb_ttest_wmw.Rmd.inactivated …ials/A08Lb_ttest_wmw/A08Lb_ttest_wmw.Rmdinst/tutorials/A08Lb_ttest_wmw/A08Lb_ttest_wmw.Rmd.inactivated renamed to inst/tutorials/A08Lb_ttest_wmw/A08Lb_ttest_wmw.Rmd inst/tutorials/A08Lb_ttest_wmw/A08Lb_ttest_wmw.Rmd.inactivated renamed to inst/tutorials/A08Lb_ttest_wmw/A08Lb_ttest_wmw.Rmd

@@ -15,6 +15,38 @@ runtime: shiny_prerendered
 ```{r setup, include=FALSE}
 BioDataScience1::learnr_setup()
 SciViews::R("infer", lang = "fr")
+# Required for RSConnect
+# SciViews::R
+library(rlang)
+library(data.table)
+library(ggplot2)
+library(tibble)
+library(tidyr)
+library(dplyr)
+library(dtplyr)
+library(broom)
+library(forcats)
+library(collapse)
+library(fs)
+library(data.trame)
+library(svFast)
+library(svTidy)
+library(svMisc)
+library(svBase)
+library(svFlow)
+library(data.io)
+library(chart)
+library(tabularise)
+library(SciViews)
+# infer section
+library(distributional)
+library(inferit)
+# ... more
+library(readxl)
+library(testthat)
+library(equatags)
+library(BioDataScience)
+library(BioDataScience1)
 ```
 
 ```{r, echo=FALSE}
@@ -41,7 +73,7 @@ Le test *t* de Student, ou plutôt les tests de Student puisqu'il en existe plus
 
 -   Faire de même pour le test de Wilcoxon-Mann-Whitney, et pouvoir déterminer quand l'utiliser à la place du test *t* de Student
 
-N'entamer ce tutoriel qu'après avoir compris ce qu'est un test *t* de Student et vous être auto-évalué via le learnr **A08La_ttest** intitulé "Moyenne et test t de Student". Vous devez également avoir étudié les différentes variantes du test *t* de Student et leurs homologues non paramétriques de Wilcoxon *alias* Mann-Whitney dans le [module 8, section 8.5](https://wp.sciviews.org/sdd-umons/?iframe=wp.sciviews.org/sdd-umons-2024/wilcox.html) du cours.
+N'entamer ce tutoriel qu'après avoir compris ce qu'est un test *t* de Student et vous être auto-évalué via le learnr **A08La_ttest** intitulé "Moyenne et test t de Student". Vous devez également avoir étudié les différentes variantes du test *t* de Student et leurs homologues non paramétriques de Wilcoxon *alias* Mann-Whitney dans le [module 8, section 8.5](https://wp.sciviews.org/sdd-umons/?iframe=wp.sciviews.org/sdd-umons-2025/wilcox.html) du cours.
 
 ## Efficacité du mCPP sur la perte de poids
 
@@ -96,33 +128,33 @@ levels(mcpp$treatment)
 Réalisez un résumé des données en fonction du traitement administré. Les informations nécessaires dans le contexte sont la moyenne, l'écart type et le nombre de patients pour chaque traitement. Utilisez les éléments ci-dessous pour compléter les instructions R (les éléments peuvent être employé plusieurs fois). Utilisez les fonctions "speedy" et "fast" (commençant par "s" ou "f").
 
 ```{r}
-variable <- c("mcpp", "treatment", "delta_weight", "sgroup_by",
-  "ssummarise", "fmean", "fsd", "fn")
+variable <- c("mcpp", "treatment", "delta_weight", "group_by_",
+  "summarise_", "fmean", "fsd", "fn")
 sample(variable)
 ```
 
 ```{r mcpp_tab_h2, exercise=TRUE, exercise.setup="prepare_mcpp"}
 ___ %>.%
   ___(., ___) %>.%
   ___(., mean = ___(___),
-    sd = ___(___), n = fn(___))
+    sd = ___(___), n = ~fn(___))
 ```
 
 ```{r mcpp_tab_h2-hint-1}
 mcpp %>.%
-  sgroup_by(., ___) %>.%
-  ssummarise(., mean = ___(___),
-    sd = ___(___), n = fn(___))
+  group_by_(., ___) %>.%
+  summarise_(., mean = ___(___),
+    sd = ___(___), n = ~fn(___))
 
 #### ATTENTION: Hint suivant = solution !####
 ```
 
 ```{r mcpp_tab_h2-solution}
 ## Solution ##
 mcpp %>.%
-  sgroup_by(., treatment) %>.%
-  ssummarise(., mean = fmean(delta_weight),
-    sd = fsd(delta_weight), n = fn(delta_weight))
+  group_by_(., ~treatment) %>.%
+  summarise_(., mean = ~fmean(delta_weight),
+    sd = ~fsd(delta_weight), n = ~fn(delta_weight))
 ```
 
 ```{r mcpp_tab_h2-check}
@@ -178,7 +210,7 @@ t.test(data = mcpp, delta_weight ~ treatment,
 ```
 
 ```{r mcpp_ttest_h2-check}
-grade_code("Vous avez réalisé un test de Welch avec les arguments souhaités.", "Oups, il semble que vous n'avez pas obtenu le bon résultat. Relisez avec attention la question et identifiez les valeurs à indiquer pour chaque argument de la fonction `t.test()`.")
+grade_code("Vous avez réalisé la variante de Welch du test de Student avec les arguments souhaités.", "Oups, il semble que vous n'avez pas obtenu le bon résultat. Relisez avec attention la question et identifiez les valeurs à indiquer pour chaque argument de la fonction `t.test()`.")
 ```
 
 Analysez le résultat du test et répondez aux questions ci-dessous.