Exploration et régression sur l'ensemble des données.

module2/exo5/exo5_fr.Rmd

@@ -122,3 +122,45 @@ fiasco, l'analyse précédente comporte (au moins) un petit
 problème... Saurez-vous le trouver ? Vous êtes libre de modifier cette
 analyse et de regarder ce jeu de données sous tous les angles afin
 d'expliquer ce qui ne va pas.
+
+# Inspection graphique de toutes les données  
+
+Comment la fréquence d'échecs varie-t-elle avec la température ?
+```{r}
+plot(data=data_full, Malfunction/Count ~ Temperature, ylim=c(0,1))
+```  
+
+# Estimation de l'influence de la température avec toutes les données
+
+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_full, Malfunction/Count ~ Temperature, weights=Count, 
+                   family=binomial(link='logit'))
+summary(logistic_reg)
+```
+
+La température a un effet significatif sur la probabilité d'échec.  
+
+# Estimation de la probabilité de dysfonctionnant des joints toriques (bis)
+La température prévue le jour du décollage est de 31°F. Essayons
+d'estimer la probabilité de dysfonctionnement des joints toriques à
+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")
+plot(tempv,rmv,type="l",ylim=c(0,1))
+points(data=data, Malfunction/Count ~ Temperature)
+```  
+
+On observe qu'avec un température autour de 31°F, la probabilité de dysfonctionnement 
+avoisinne les 0.8.
+