Vous devez avoir assimilé la matière du module 8 du cours de science des données 1 et avoir fait les exercices H5P et learnr correspondants avant de vous attaquer à ce travail. Ce projet correspond au template https://github.com/BioDataScience-Course/A08Ia_ttest. Il est distribué sous licence CC BY-NC-SA 4.0.
Smolina et al. (2016) ont étudié l’effet d’un stress thermique chez Fucus distichus L., 1767 dans deux régions norvégiennes différentes : Svalbard et Kirkenes.
Les auteurs ont publié les données employées pour réaliser cette étude (Smolina et al. 2015). Vous utiliserez une partie de ces données pour explorer et appliquer des tests t de Student et des tests de Wilcoxon-Mann-Whitney. Les données brutes mises à disposition par les auteurs de l’article se trouvent dans le sous-dossier data/raw.
Ce projet est individuel et cadré. Il permet de démontrer que vous avez acquis les compétences suivantes :
- Représenter graphiquement de la manière la plus appropriée les données à comparer avec un test t de Student
- Être capable de formuler les hypothèses d’un test t de Student et d’un test de Wilcoxon-Mann-Whitney
- Pouvoir réaliser et interpréter un test t de Student et un test de Wilcoxon-Mann-Whitney sur des données biologiques
- Comprendre les notions de puissance d’un test d’hypothèse et les différences entre test paramétrique et non paramétrique
Complétez le document seaweed_notebook.qmd. Vous allez explorer la perte de capacité photosynthétique de F. distichus après un stress thermique de 60 minutes à 20°C pour étudier les capacités d’adaptation à des variations du milieu chez cette espèce intertidale (c’est à dire, vivant dans la zone de balancement des marées sujette à des variations importantes de
salinité, température, et action mécanique des vagues). La quantification se fait en utilisant l’indice de performance de la photosynthèse (PI abs). Voyez l’article original pour plus de détails.
N’oubliez pas de faire un "Rendu" du document en HTML à la fin du travail pour vérifier que tout fonctionne bien, et corrigez les erreurs éventuelles rencontrées à ce stade avant de clôturer votre travail (important sans quoi il ne sera pas possible d'attribuer des points à votre travail !) Vérifiez également que votre dernier commit a bien été pushé sur GitHub avant la deadline.
Dans le cadre de votre travail, vous pouvez utiliser l’intelligence artificielle. Il est toutefois impératif de préciser, dans la section « Matériel et méthodes » du projet, que l’IA a été utilisée, en indiquant le contexte et la manière dont elle a été employée. Voici un exemple de formulation :
La relecture (orthographe et syntaxe) a été réalisée à l’aide de Microsoft Copilot (basé sur GPT-5), consulté le 12 janvier 2026.
Attention, vous devez néanmoins employer le dialecte SciViews-R afin de garantir votre compréhension du cours de Science des données biologiques 2 lors de la production de code R dans votre projet.
Un chatbot SciViews est également disponible dans RStudio (Saturn Cloud), via l’addin Help. Il répond aux questions relatives au langage R, aux statistiques et à la science des données.
Smolina, Irina, Spyros Kollias, Alexander Jueterbock, James A. Coyer, et Galice Hoarau. 2015. « Data from: Variation in thermal stress response in two populations of the brown seaweed, Fucus distichus, from the Arctic and subarctic intertidal ». Dryad. https://doi.org/10.5061/dryad.t1tk4.
———. 2016. « Variation in thermal stress response in two populations of the brown seaweed, Fucus distichus, from the Arctic and subarctic intertidal ». Royal Society Open Science 3 (1): 150429. https://doi.org/10.1098/rsos.150429.