tutorial 01a-reg_lin first questions

Author: GuyliannEngels

inst/tutorials/01a_reg_lin/images/BioDataScience-128.png

@@ -0,0 +1,276 @@
+---
+title: "Rappel"
+author: "Guyliann Engels & Philippe Grosjean"
+output:
+  learnr::tutorial
+tutorial:
+  id: "sdd2.01a"
+  version: 0.0.1
+runtime: shiny_prerendered
+---
+
+```{r setup, include=FALSE}
+library(learnr)
+library(knitr)
+SciViews::R()
+library(BioDataScience)
+
+options(tutorial.event_recorder = BioDataScience::record_sdd)
+tutorial_options(exercise.checker = BioDataScience::checker_sdd)
+tutorial_options(exercise.timelimit = 60)
+tutorial_options(exercise.cap = "Code R")
+knitr::opts_chunk$set(echo = FALSE, comment = NA)
+```
+
+```{r, echo=FALSE}
+fixedRow(
+  column(9, div(
+    img(src = 'images/BioDataScience-128.png', align = "left"),
+    h1("Science des données biologiques 2"),
+    "Réalisé par le service d'Écologie numérique des Milieux aquatiques, Université de Mons (Belgique)"
+  )),
+  column(3, div(
+    textInput("user", "Utilisateur :", ""),
+    textInput("email", "Email :", "")
+  ))
+)
+textOutput("user") # This is newer shown, but required to trigger an event!
+textOutput("email") # Idem!
+```
+
+```{r, context="server"}
+output$user <- renderText({BioDataScience::user_name(input$user);""})
+output$email <- renderText({BioDataScience::user_email(input$email);""})
+updateTextInput(session, "user", value = BioDataScience::user_name())
+updateTextInput(session, "email", value = BioDataScience::user_email())
+```
+
+## Préambule
+
+Si vous n'avez jamais utilisé de tutoriel "learnr", familiarisez-vous d'abord avec son interface [ici](http://biodatascience-course.sciviews.org/sdd-umons/learnr.html).
+
+![](images/attention.jpg)
+
+**Ne vous trompez pas dans votre adresse mail et votre identifiant Github**
+
+**N'oubliez pas de soumettre votre réponse après chaque exercice**
+
+> Conformément au RGPD ([Règlement Général sur la Protection des Données](https://ec.europa.eu/info/law/law-topic/data-protection/reform/rules-business-and-organisations/principles-gdpr_fr)), nous sommes tenus de vous informer de ce que vos résultats seront collecté afin de suivre votre progression. **Les données seront enregistrées au nom de l'utilisateur apparaissant en haut de cette page. Corrigez si nécessaire !** En utilisant ce tutoriel, vous marquez expressément votre accord pour que ces données puissent être collectées par vos enseignants et utilisées pour vous aider et vous évaluer. Après avoir été anonymisées, ces données pourront également servir à des études globales dans un cadre scientifique et/ou éducatif uniquement.
+
+## Corrélation 
+
+
+
+```{r corr1-init}
+min <- 5
+max <- 15
+
+df <- tibble(
+  x = seq(from = min, to = max, by = 0.25),
+  y = x*2 + rnorm(sd= 0.5, n = length(x)),
+  z = 2^x + rnorm(sd= 50, n = length(x)),
+  a = sin(x) + rnorm(sd = 0.25,  n = length(x))
+)
+
+#GGally::ggscatmat(as.data.frame(df), 1:4)
+#correlation(df, method = "pearson")
+#correlation(df, method = "spearman")
+```
+
+Vous avez à disposition le jeu de données `df` qui comprend les `r length(names(df))` variables suivantes : `r names(df)`. 
+
+- Réalisez une matrice de correlation avec l'indice de Pearson.
+
+```{r corr1-prep}
+# duplicated chunk : corr1-init
+min <- 5
+max <- 15
+
+df <- tibble(
+  x = seq(from = min, to = max, by = 0.25),
+  y = x*2 + rnorm(sd= 0.5, n = length(x)),
+  z = 2^x + rnorm(sd= 50, n = length(x)),
+  a = sin(x) + rnorm(sd = 0.25,  n = length(x))
+)
+
+#correlation(df[1:4])
+#correlation(df[1:4], method = "spearman")
+```
+
+```{r corr1, exercise = TRUE, exercise.setup =" corr1-prep"}
+
+```
+
+```{r corr1-hint-1}
+# snippet mis à disposition
+correlation(DF[, INDEX_EXPRESSION], use = "complete.obs", method = "pearson")
+```
+
+```{r corr1-hint-2}
+correlation(df[, INDEX_EXPRESSION], use = "complete.obs", method = "pearson")
+```
+
+```{r corr1-solution}
+correlation(df[, 1:4], use = "complete.obs", method = "pearson")
+```
+
+```{r corr1-check}
+# TODO
+```
+
+Répondez à la question ci-dessous
+
+```{r qu_corr1}
+question("Quelles sont les combinaisons de variables les plus corrélées ?",
+  answer("x-y", correct = TRUE),
+  answer("x-z"),
+  answer("x-a"),
+  answer("y-z"),
+  answer("y-a"),
+  answer("z-a"),
+    allow_retry = TRUE, random_answer_order = TRUE)
+```
+
+- Réalisez une matrice de correlation avec la méthode de Spearman
+
+```{r corr2, exercise = TRUE, exercise.setup =" corr1-prep"}
+
+```
+
+```{r corr2-hint-1}
+# snippet mis à disposition
+correlation(DF[, INDEX_EXPRESSION], use = "complete.obs", method = "pearson")
+```
+
+```{r corr2-hint-2}
+correlation(df[, INDEX_EXPRESSION], use = "complete.obs", method = "pearson")
+```
+
+```{r corr2-solution}
+correlation(df[, 1:4], use = "complete.obs", method = "spearman")
+```
+
+```{r corr2-check}
+# TODO
+```
+
+Répondez à la question ci-dessous
+
+```{r qu_corr2}
+question("Quelles sont les combinaisons de variables les moins corrélées ?",
+  answer("x-y"),
+  answer("x-z"),
+  answer("x-a"),
+  answer("y-z"),
+  answer("y-a"),
+  answer("z-a", correct = TRUE),
+    allow_retry = TRUE, random_answer_order = TRUE)
+```
+
+- Reproduisez le graphique ci-dessous en vous basant sur vos matrices réalisées précédements
+
+```{r, echo = F}
+plot(correlation(df[, 1:4], use = "complete.obs", method = "spearman"), type = "upper")
+```
+
+```{r corr3, exercise = TRUE, exercise.setup =" corr1-prep"}
+
+```
+
+```{r corr3-hint-1}
+plot(correlation(df[, 1:4], use = "complete.obs", method = "spearman"))
+```
+
+```{r corr3-solution}
+plot(correlation(df[, 1:4], use = "complete.obs", method = "spearman"), type = "upper")
+```
+
+```{rcorr3-check}
+# TODO
+```
+
+
+## Homoscédasicité
+
+```{r homo-init}
+x <- seq(from = 5, to = 15, by = 0.25)
+  
+a <- x*1 + 3 + rnorm(sd = 0.5, n = length(x))
+b <- x*1.1 + 3 + rnorm(sd = 0.5, n = length(x))
+c <- x*1.2 + 3 + rnorm(sd = 0.5, n = length(x))
+
+area <- as.factor(rep(c("a", "b", "c"), each = length(x)))
+
+df <- tibble(
+  x = c(x,x,x),
+  value = c(a,b,c),
+  area = area
+)
+```
+
+Vous avez à votre disposition le jeu de données `df` qui comprend les variables suivantes : `r names(df)` . Un nuage de points est mis à votre disposition afin de visualiser la variation de `value` en fonction de `x`
+
+```{r}
+chart(df, value ~ x) +
+  geom_point()
+
+#bartlett.test(data = df, value ~ x)
+```
+
+Réalisez un test de bartlett afin de mettre en avant l'homogénéité de la variance ou non.
+
+```{r homo-prep}
+x <- seq(from = 5, to = 15, by = 0.25)
+  
+a <- x*1 + 3 + rnorm(sd = 0.5, n = length(x))
+b <- x*1.1 + 3 + rnorm(sd = 0.5, n = length(x))
+c <- x*1.2 + 3 + rnorm(sd = 0.5, n = length(x))
+
+area <- as.factor(rep(c("a", "b", "c"), each = length(x)))
+
+df <- tibble(
+  x = c(x,x,x),
+  value = c(a,b,c),
+  area = area
+)
+```
+
+```{r homo, exercise = TRUE, exercise.setup = "homo-prep"}
+
+```
+
+```{r homo-hint}
+# snippet
+bartlett.test(data = DF, YNUM ~ XFACTOR)
+```
+
+```{r homo-solution}
+# snippet
+bartlett.test(data = df, value ~ x)
+```
+
+```{r homo-check}
+# TODO
+```
+
+```{r qu_homo}
+question("D'après votre analyse, pouvons nous considérer qu'il y a ...",
+  answer("homoscédasticité"),
+  answer("hétéroscédasticité"))
+```
+
+
+## Conclusion
+
+Vous venez de terminer votre séance d'exercice.
+
+Laissez nous vos impressions sur cet outil pédagogique ou expérimentez encore dans la zone ci-dessous. Rappelez-vous que pour placer un commentaire dans une zone de code R, vous devez utilisez un dièse (`#`) devant vos phrases.
+
+```{r comm, exercise=TRUE, exercise.lines = 8}
+# Ajout de commentaires 
+# ...
+```
+
+```{r comm-check}
+# Not yet...
+```