diff --git a/module2/exo5/exo5_fr.Rmd b/module2/exo5/exo5_fr.Rmd
index 479d7823321976e2d925d00ea599e205bfbd8cc7..f156a0464b99b60b3d020a7aced46b31c045bc0e 100644
--- a/module2/exo5/exo5_fr.Rmd
+++ b/module2/exo5/exo5_fr.Rmd
@@ -29,6 +29,10 @@ Nous commençons donc par charger ces données:
 data = read.csv("shuttle.csv",header=T)
 data
 ```
+```{r}
+
+```
+
 
 Le jeu de données nous indique la date de l'essai, le nombre de joints
 toriques mesurés (il y en a 6 sur le lançeur principal), la
@@ -42,8 +46,8 @@ dysfonctionnements, nous nous concentrons sur les expériences où au
 moins un joint a été défectueux.
 
 ```{r}
-data = data[data$Malfunction>0,]
-data
+data2 = data[data$Malfunction>0,]
+data2
 ```
 
 Très bien, nous avons une variabilité de température importante mais
@@ -52,7 +56,7 @@ simplifier l'analyse.
 
 Comment la fréquence d'échecs varie-t-elle avec la température ?
 ```{r}
-plot(data=data, Malfunction/Count ~ Temperature, ylim=c(0,1))
+plot(data=data, Malfunction/Count ~ Temperature + Pressure, ylim=c(0,1))
 ```
 
 À première vue, ce n'est pas flagrant mais bon, essayons quand même
@@ -70,9 +74,12 @@ $p=p(t)$. Pour relier $p(t)$ à $t$, on va donc effectuer une
 régression logistique.
 
 ```{r}
-logistic_reg = glm(data=data, Malfunction/Count ~ Temperature, weights=Count, 
+logistic_reg = glm(data=data, Malfunction/Count ~ Temperature + Pressure, weights=Count, 
                    family=binomial(link='logit'))
 summary(logistic_reg)
+
+logistic_reg2 = glm(data=data2, Malfunction/Count ~ Temperature, weights=Count, 
+                   family=binomial(link='logit'))
 ```
 
 L'estimateur le plus probable du paramètre de température est 0.001416
@@ -80,6 +87,15 @@ et l'erreur standard de cet estimateur est de 0.049, autrement dit on
 ne peut pas distinguer d'impact particulier et il faut prendre nos
 estimations avec des pincettes.
 
+#test logit avec Pressure et Temperature
+
+```{r}
+logistic_reg = glm(data=data2, Malfunction/Count ~ Temperature , weights=Count, 
+                   family=binomial(link='logit'))
+summary(logistic_reg2)
+```
+
+
 # Estimation de la probabilité de dysfonctionnant des joints toriques
 La température prévue le jour du décollage est de 31°F. Essayons
 d'estimer la probabilité de dysfonctionnement des joints toriques à
@@ -88,7 +104,7 @@ cette température à partir du modèle que nous venons de construire:
 ```{r}
 # shuttle=shuttle[shuttle$r!=0,] 
 tempv = seq(from=30, to=90, by = .5)
-rmv <- predict(logistic_reg,list(Temperature=tempv),type="response")
+rmv <- predict(logistic_reg2,list(Temperature=tempv),type="response")
 plot(tempv,rmv,type="l",ylim=c(0,1))
 points(data=data, Malfunction/Count ~ Temperature)
 ```
@@ -99,6 +115,13 @@ joints toriques. Elle sera d'environ 0.2, comme dans les essais
 précédents où nous il y a eu défaillance d'au moins un joint. Revenons
 à l'ensemble des données initiales pour estimer la probabilité de
 défaillance d'un joint:
+```{r}
+tempv = seq(from=30, to=90, by = .5)
+rmv <- predict(logistic_reg2,list(Temperature=tempv),type="response")
+plot(tempv,rmv,type="l",ylim=c(0,1))
+points(data=data, Malfunction/Count ~ Temperature)
+```
+
 
 ```{r}
 data_full = read.csv("shuttle.csv",header=T)