Finalisation (le knit fonctionne sans soucis)

module2/exo5/exo5_fr.Rmd

@@ -5,6 +5,12 @@ date: "28 juin 2018"
 output: html_document
 ---
 
+```{r load-packages, include=FALSE}
+library(ggplot2)
+library(knitr)
+```
+
+
 Le 27 Janvier 1986, veille du décollage de la navette _Challenger_, eu
 lieu une télé-conférence de trois heures entre les ingénieurs de la
 Morton Thiokol (constructeur d'un des moteurs) et de la NASA. La
@@ -101,7 +107,7 @@ ggplot(data, aes(x = Temperature, y = Malfunction/Count)) + geom_point(alpha = .
   geom_smooth(method = "glm", method.args = list(family = "binomial")) + xlim(50,80)
 ```
 
-
+Deux soucis : la distrib. binomiale ne convient pas et l'intervalle de confiance est immense.
 
 Comme on pouvait s'attendre au vu des données initiales, la
 température n'a pas d'impact notable sur la probabilité d'échec des
@@ -135,7 +141,7 @@ d'expliquer ce qui ne va pas.
 
 
 
-## Modification des données et analyse
+## Modification des données et nouvelle analyse
 
 Il n'y a aucune raison que les tests où les deux joints n'ont pas été abimés 
 soient retirés de l'étude. Pour simplifier et pouvoir appliquer un modèle logistique, 
@@ -174,17 +180,11 @@ Comment la fréquence d'échecs varie-t-elle avec la température ?
 plot(data=data, Malfunction~ Temperature, ylim=c(0,1))
 ```
 
-Là franchement, pour une température de 31°F, je partirais pas confiante...
+On va pouvoir appliquer un glm pour tester, mais globalement le risque pour une température
+de 31°F semble énorme...
 
 # Estimation de l'influence de la température
 
-Supposons que chacun des 6 joints toriques est endommagé avec la même
-probabilité et indépendamment des autres et que cette probabilité ne
-dépend que de la température. Si on note $p(t)$ cette probabilité, le
-nombre de joints $D$ dysfonctionnant lorsque l'on effectue le vol à
-température $t$ suit une loi binomiale de paramètre $n=6$ et
-$p=p(t)$. Pour relier $p(t)$ à $t$, on va donc effectuer une
-régression logistique.
 
 ```{r}
 logistic_reg = glm(data=data, Malfunction ~ Temperature, 
@@ -193,7 +193,7 @@ summary(logistic_reg)
 ```
 
 L'estimateur le plus probable du paramètre de température est -0.2476
-et l'erreur standard de cet estimateur est de 0.122, autrement dit ça craint.
+et l'erreur standard de cet estimateur est de 0.122.
 
 # Estimation de la probabilité de dysfonctionnant des joints toriques
 La température prévue le jour du décollage est de 31°F. Essayons
@@ -215,3 +215,11 @@ ggplot(data, aes(x = Temperature, y = Malfunction)) + geom_point(alpha = .3, siz
   theme_bw() + 
   geom_smooth(method = "glm", method.args = list(family = "binomial")) + xlim(50,80)
 ```
+De combien est exactement cette estimation ?
+
+```{r}
+head(rmv)
+```
+
+
+