Si vous n’avez jamais utilisé de tutoriel “learnr”, familiarisez-vous d’abord avec son interface ici.
Conformément au RGPD (Règlement Général sur la Protection des Données), 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.
Comprendre les différentes variantes du test t de Student et être capable de l’utiliser pour résoudre des questions pratiques en biologie
Connaître également le test de Wilcoxon-Mann-Withney, et pouvoir déterminer quand l’utiliser à la place du test de Student
Vous avez à votre disposition un jeu de données dont la thématique est la perte de poids. Des chercheurs se sont intéressés à l’effet du mCPP sur l’appétit de 2 groupes de patients obèses. Un groupe va recevoir le comprimé contenant le mCPP et le second un comprimé placébo. Chaque patient est pesé au début et à la fin de l’expérience pour déterminer la variation de poids. Aidez les chercheurs a déterminer si le mCPP a un effet sur la perte de poids.
weight <- c(0.00, -1.10, -1.60, -0.30, -1.10, -0.90, -0.50, 0.70, -1.20,
-1.10, 0.50, 0.50, 0.00, -0.50, 1.30, -1.40, 0.00, -0.80,
-1.10, -1.30, -1.00, -1.70, -1.40, - 0.10, - 0.50, -1.60, 0.50,
0.00, 0.30, -0.60, -0.30, 0.70, 0.20, -0.60, -0.90, 2.00)
mcpp <- data_frame(weight = weight, gender = rep(c("M","F"), each = 18), treatment = rep(c("mcpp","placebo", "mcpp", "placebo"), each = 9), )
Warning: `data_frame()` is deprecated, use `tibble()`.
This warning is displayed once per session.
mcpp$gender <- factor(mcpp$gender, levels = c("M", "F"))
mcpp$treatment <- factor(mcpp$treatment, levels = c("placebo", "mcpp"))
mcpp
weight <- c(0.00, -1.10, -1.60, -0.30, -1.10, -0.90, -0.50, 0.70, -1.20,
-1.10, 0.50, 0.50, 0.00, -0.50, 1.30, -1.40, 0.00, -0.80,
-1.10, -1.30, -1.00, -1.70, -1.40, - 0.10, - 0.50, -1.60, 0.50,
0.00, 0.30, -0.60, -0.30, 0.70, 0.20, -0.60, -0.90, 2.00)
mcpp <- data_frame(weight = weight, gender = rep(c("M","F"), each = 18), treatment = rep(c("mcpp","placebo", "mcpp", "placebo"), each = 9), )
mcpp$gender <- factor(mcpp$gender, levels = c("M", "F"))
mcpp$treatment <- factor(mcpp$treatment, levels = c("placebo", "mcpp"))
Le jeu de données mcpp comprend 3 variables dont la variable facteur treatment
qui comprend 2 niveaux.
levels(mcpp$treatment)
[1] "placebo" "mcpp"
Représentez graphiquement la masse en fonction du traitement adiminstré.
Le snippet pour réaliser une boite de dispersion est .cbbox et renvoit les instructions suivantes :
chart(data = DF, YNUM ~ XFACTOR) +
geom_boxplot()
chart(data = mcpp, weight ~ treatment) +
geom_boxplot()
#TODO
Le test de student a plusieurs conditions d’application que vous devez à chaque fois évaluer
Réalisez un test de student afin d’aider les scientifiques dans cette étude en vous assurant de la validité des conditions d’applications
Le snippet pour réaliser un test de student d’indépendance est .hmtestindep et renvoit les instructions suivantes :
t.test(data = DF, YNUM ~ XFACTOR,
alternative = "two.sided", conf.level = 0.95, var.equal = TRUE)
Attardez vous d’abord sur la compréhension de chacun des arguments de la fonction.
Lorsque les observations sont peu nombreuses (moins de 30 observations par groupe), il est conseillé d’employé le test de Welch qui est une variante du test de student lorsque la variance est considérée comme non homogènes (var.equal = FALSE)
t.test(data = mcpp, weight ~ treatment,
alternative = "greater", conf.level = 0.95, var.equal = FALSE)
#TODO
Ce neurotransmetteur a un effet sur la motivation, la curiosité (augmentation de la fréquence cardiaque,…) Une baisse de la dopamine peut être mise en corrélation avec la dépression, la phobie sociale,…Un taux anormalement haut de dopamine peut être mis en corrélation avec les addictions, la schizophrénie,…
Le toluène est une molécule organique très employée dans un ensemble de procédés chimiques. Ce composant affecte premièrement le système nerveux central. Les chercheurs ont étudié l’effet de ce dernier sur des rats. Ils ont dosé la dopamine comme indicateur de l’état de santé des rats. Le toluène a t’il donc un effet sur la concentration en dopamine dans le cerveau ? Sur 12 rats étudiés, 6 sont exposés au toluène et 6 sont utilisés comme contrôle.
dopamine <- data_frame(treatment = rep(c("Cont", "Tol"), each = 6),
concentration = c(1.820, 1.843, 1.397, 1.803, 2.539,
1.990, 3.420, 2.314, 1.911, 2.464,
2.781, 2.803))
dopamine$treatment<- as.factor(dopamine$treatment)
dopamine
dopamine <- data_frame(treatment = rep(c("Cont", "Tol"), each = 6),
concentration = c(1.820, 1.843, 1.397, 1.803, 2.539,
1.990, 3.420, 2.314, 1.911, 2.464,
2.781, 2.803))
dopamine$treatment<- as.factor(dopamine$treatment)
Le jeu de données dopamine comprend 2 variables dont la variable facteur treatment
qui comprend 2 niveaux.
levels(dopamine$treatment)
[1] "Cont" "Tol"
Réalisez un résumé des données en fonction du traitement administré.
[1] "sd" "mean" "summarise" "dopamine"
[5] "concentration" "group_by()" "treatment" "%>.%"
dopamine %>.%
group_by(., treatment) %>.%
summarise(., mean = mean(concentration), sd = sd(concentration))
#TODO
Réalisez un test de student afin de mettre en avant l’effet du toluène sur la concentration en dopamine.
Le snippet pour réaliser un test de student d’indépendance est .hmtestindep et renvoit les instructions suivantes :
t.test(data = DF, YNUM ~ XFACTOR,
alternative = "two.sided", conf.level = 0.95, var.equal = TRUE)
t.test(data = dopamine, concentration ~ treatment,
alternative = "two.sided", conf.level = 0.95, var.equal = FALSE)
#TODO
Lorsque que vos observations ne sont peu nombreuses et que ces dernières ne suivent pas une distribution normal vous pouvez faire le choix de réaliser une version non-paramétrique du test de student. Il s’agit du test de Wilcoxon-Mahn-Withney.
Réalisez le test de Wilcoxon-Mahn-Withney sur les données lié à la perte de poids
Le snippet pour réaliser un test de student d’indépendance est .hnwilkindep et renvoit les instructions suivantes :
wilcox.test(data = DF, YNUM ~ XFACTOR,
alternative = "two.sided", conf.level = 0.95)
Vous pouvez obsever que la structure de la fonction wilcox.test() est similaire à t-test().
wilcox.test(data = mcpp, weight ~ treatment,
alternative = "greater", conf.level = 0.95)
#TODO
Réalisez le test de Wilcoxon-Mahn-Withney sur les données lié à la concentration en dopamine
Le snippet pour réaliser un test de student d’indépendance est .hnwilkindep et renvoit les instructions suivantes :
wilcox.test(data = DF, YNUM ~ XFACTOR,
alternative = "two.sided", conf.level = 0.95)
wilcox.test(data = dopamine, concentration ~ treatment,
alternative = "two.sided", conf.level = 0.95)
#TODO
Bravo! Vous venez de terminer votre séance d’exercices dans un tutoriel “learnr”.
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.
# Ajout de commentaires
# ...
# Not yet...