maj exo5

module2/exo5/exo5_fr.Rmd

@@ -28,6 +28,7 @@ Nous commençons donc par charger ces données:
 ```{r}
 data = read.csv("shuttle.csv",header=T)
 data2 = read.csv("shuttle.csv",header=T)
+dataClean = read.csv("shuttle.csv",header=T)
 data
 ```
 
@@ -57,7 +58,9 @@ 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=dataClean, Malfunction/Count ~ Temperature, ylim=c(0,1))
 plot(data=data, Pressure ~ Temperature, ylim=c(0,200))
+plot(data=dataClean, Pressure ~ Temperature, ylim=c(0,200))
 plot(data=data2, Pressure ~ Temperature, ylim=c(0,200), xlim=c(60, 85))
 ```
 
@@ -79,6 +82,10 @@ régression logistique.
 logistic_reg = glm(data=data, Malfunction/Count ~ Temperature, weights=Count, 
                    family=binomial(link='logit'))
 summary(logistic_reg)
+
+logistic_reg2 = glm(data=data2, Malfunction/Count ~ Temperature, weights=Count, 
+                   family=binomial(link='logit'))
+summary(logistic_reg2)
 ```
 
 L'estimateur le plus probable du paramètre de température est 0.001416
@@ -97,6 +104,7 @@ tempv = seq(from=30, to=90, by = .5)
 rmv <- predict(logistic_reg,list(Temperature=tempv),type="response")
 plot(tempv,rmv,type="l",ylim=c(0,1))
 points(data=data, Malfunction/Count ~ Temperature)
+
 ```
 
 Comme on pouvait s'attendre au vu des données initiales, la