Changes in B00La_refresh to be uploadable on POSIT connect

Author: phgrosjean

inst/tutorials/B00La_refresh/B00La_refresh.Rmd

@@ -319,13 +319,13 @@ Dans SciViews-R, la fonction `read()` se charge de l'importation de données dep
 
 Importez le tableau nommé `crabs` qui provient du package {MASS}. **rappel : lorsqu'un exercice comporte du code avec des zones à remplacer (`___`), ne faites rien d'autre que compléter ces zones. Les outils d'autocorrection sont très sensibles et n'apprécieraient pas autrement.**
 
-```{r read_h2, exercise=TRUE}
+```{r read_h2, exercise=TRUE, eval=FALSE}
 crabs <- read(___, package = ___)
 # Tableau partiel 
 tabularise$headtail(crabs)
 ```
 
-```{r read_h2-hint-1}
+```{r read_h2-hint-1, eval=FALSE}
 # Consultez la page d'aide de read(). 
 # Elle est disponible en exécutant l'instruction `?` ou encore `.?` dans la console R.
 crabs <- read(___, package = ___)
@@ -472,31 +472,31 @@ Les variables à votre disposition sont les suivantes :
 
 `r paste0("<code>", names(crabs), "</code>")`
 
-```{r chart_h4, exercise=TRUE}
+```{r chart_h4, exercise=TRUE, eval=FALSE}
 # Importation des données
 crabs <- read("crabs", package = "MASS")
 # Graphique
 chart(data = ___, ___ ~ ___ %___=% ___ ) ___
   Sgg$___
 ```
 
-```{r chart_h4-hint-1}
+```{r chart_h4-hint-1, eval=FALSE}
 # Importation des données
 crabs <- read("crabs", package = "MASS")
 # Graphique
 chart(data = ___, ___ ~ ___ %___=% ___ ) |>
   Sgg$geom____
 ```
 
-```{r chart_h4-hint-2}
+```{r chart_h4-hint-2, eval=FALSE}
 # Importation des données
 crabs <- read("crabs", package = "MASS")
 # Graphique
 chart(data = ___, length ~ ___ %___=% ___ ) |>
   Sgg$geom_b___
 ```
 
-```{r chart_h4-hint-3}
+```{r chart_h4-hint-3, eval=FALSE}
 # Importation des données
 crabs <- read("crabs", package = "MASS")
 # Graphique
@@ -600,19 +600,19 @@ Passons à la pratique. Sélectionnez les parcelles ayant un rendement stricteme
 
 `r paste0("<code>", names(potatoes), "</code>")`
 
-```{r filter_h3, exercise=TRUE}
+```{r filter_h3, exercise=TRUE, eval=FALSE}
 # Réduction du tableau
 potatoes_red <- ___(potatoes, ___ ___ ___ & ___ <= 41)
 tabularise(potatoes_red)
 ```
 
-```{r filter_h3-hint-1}
+```{r filter_h3-hint-1, eval=FALSE}
 # Réduction du tableau
 potatoes_red <- sfilter(potatoes, ___ ___ ___ & ___ <= 41)
 tabularise(potatoes_red)
 ```
 
-```{r filter_h3-hint-2}
+```{r filter_h3-hint-2, eval=FALSE}
 # Réduction du tableau
 potatoes_red <- sfilter(potatoes, ___ ___ ___ & yield <= 41)
 tabularise(potatoes_red)
@@ -661,7 +661,7 @@ Réalisez un tableau résumé reprenant le rendement médian, le rendement minim
 
 `r paste0("<code>", names(potatoes), "</code>")`
 
-```{r summarise_h3, exercise=TRUE}
+```{r summarise_h3, exercise=TRUE, eval=FALSE}
 potatoes %>.%
   ___(., ___) ___ 
   ___(., yield_med = ___(___), yield_min = ___(___), 
@@ -670,7 +670,7 @@ potatoes %>.%
 potatoes_red
 ```
 
-```{r summarise_h3-hint-1}
+```{r summarise_h3-hint-1, eval=FALSE}
 potatoes %>.%
   ___(., cultivar) ___ 
   ___(., yield_med = ___(___), yield_min = ___(___), 
@@ -679,7 +679,7 @@ potatoes %>.%
 potatoes_red
 ```
 
-```{r summarise_h3-hint-2}
+```{r summarise_h3-hint-2, eval=FALSE}
 potatoes %>.%
   sgroup_by(., cultivar) %>.%
   ssummarise(., yield_med = fmedian(___), yield_min = ___(___), 
@@ -710,7 +710,7 @@ Dans le cours de science des données I, cinq modules ont été consacrés enti
 
 L'association wallonne de l'élevage dispose de plusieurs centres d'insémination. Ils ont un recensement des différents taureaux reproducteurs. Vous avez à votre disposition le jeu de données `bull` qui reprend les variables suivantes : `r names(bull)`. Il est évident qu'un taureau plus âgé sera plus lourd, nous allons donc standardiser la masse par l'âge et limiter notre étude aux individus de moins de 50 mois.
 
-```{r, echo = TRUE}
+```{r, echo=TRUE}
 bull %>.%
   sfilter(., age <= 50) %>.%
   smutate(., weight_std = labelise(weight/age,
@@ -727,21 +727,21 @@ bull_red %>.%
 
 Vous noterez que les centres d'insémination ont plus d'individus de la variété viande que mixte. Réalisez un test *t* de Student bilatéral avec un seuil $\alpha$ de 0.05 et considérant que les variances sont potentiellement inégales pour comparer la masse standardisée en fonction de la variété.
 
-```{r qu_student_h3, exercise=TRUE, exercise.lines=5}
+```{r qu_student_h3, exercise=TRUE, exercise.lines=5, eval=FALSE}
 bull_t <- t.test(data = ___, ___ ~ ___,
   alternative = ___, conf.level = ___, var.equal = ___)
 # Affichage du résultat sous la forme d'un tableau
 tabularise(bull_t)
 ```
 
-```{r qu_student_h3-hint-1}
+```{r qu_student_h3-hint-1, eval=FALSE}
 bull_t <- t.test(data = ___, ___ ~ ___,
   alternative = "two.sided", conf.level = 0.95, var.equal = ___)
 # Affichage du résultat sous la forme d'un tableau
 tabularise(bull_t)
 ```
 
-```{r qu_student_h3-hint-2}
+```{r qu_student_h3-hint-2, eval=FALSE}
 bull_t <- t.test(data = ___, ___ ~ ___,
   alternative = "two.sided", conf.level = 0.95, var.equal = FALSE)
 # Affichage du résultat sous la forme d'un tableau