analyse exo 5

journal/journal.org

 #+title: Reproducible Research Notes/Journal
-#+startup: inlineimages indent 
+#+startup: inlineimages indent overview
 
 * Module 2 
 ** 0. Introduction 
@@ -98,7 +98,6 @@
 - Exemple de compte rendu d'activité. 
 
 * Module 3 : La main à la pâte, une analyse réplicable
-
 ** 1. Une analyse réplicable, c'est quoi ? 
 - Dans le cas d'une analyse traditionnelle, on se focalise sur les résultats obtenus. On présente brièvement la méthodologie adoptée, qui a permis d'obtenir les résultats. Puis l'on fini avec une discussion sur les résultats.
 - En constraste, une analyse de donnés répblicable remplace la présentation de la méthodologie par la totatlité du code qui a permis d'obtenir ces résultats, accompagnée d'une explication sur les différents choix effectuées.
@@ -116,3 +115,5 @@
 - Il faut spécifier l'url de téléchargement dans le document computationel. Avec la "commande" =#+NAME:= on peut attribuer un nom à l'url et la passer dans le code par la suite.
 - Petit script qui permet de télécharger les données en utilisant l'url.
 - Les données doivent être directement traitées depuis la source sans intervention manuelle. 
+
+  

module2/exo5/exo5_python_fr.org

@@ -42,30 +42,30 @@ data
 
 #+RESULTS:
 #+begin_example
-         Date  Count  Temperature  Pressure  Malfunction
-0     4/12/81      6           66        50            0
-1    11/12/81      6           70        50            1
-2     3/22/82      6           69        50            0
-3    11/11/82      6           68        50            0
-4     4/04/83      6           67        50            0
-5     6/18/82      6           72        50            0
-6     8/30/83      6           73       100            0
-7    11/28/83      6           70       100            0
-8     2/03/84      6           57       200            1
-9     4/06/84      6           63       200            1
-10    8/30/84      6           70       200            1
-11   10/05/84      6           78       200            0
-12   11/08/84      6           67       200            0
-13    1/24/85      6           53       200            2
-14    4/12/85      6           67       200            0
-15    4/29/85      6           75       200            0
-16    6/17/85      6           70       200            0
-17  7/29/85      6           81       200            0
-18    8/27/85      6           76       200            0
-19   10/03/85      6           79       200            0
-20   10/30/85      6           75       200            2
-21   11/26/85      6           76       200            0
-22    1/12/86      6           58       200            1
+        Date  Count  Temperature  Pressure  Malfunction
+0    4/12/81      6           66        50            0
+1   11/12/81      6           70        50            1
+2    3/22/82      6           69        50            0
+3   11/11/82      6           68        50            0
+4    4/04/83      6           67        50            0
+5    6/18/82      6           72        50            0
+6    8/30/83      6           73       100            0
+7   11/28/83      6           70       100            0
+8    2/03/84      6           57       200            1
+9    4/06/84      6           63       200            1
+10   8/30/84      6           70       200            1
+11  10/05/84      6           78       200            0
+12  11/08/84      6           67       200            0
+13   1/24/85      6           53       200            2
+14   4/12/85      6           67       200            0
+15   4/29/85      6           75       200            0
+16   6/17/85      6           70       200            0
+17   7/29/85      6           81       200            0
+18   8/27/85      6           76       200            0
+19  10/03/85      6           79       200            0
+20  10/30/85      6           75       200            2
+21  11/26/85      6           76       200            0
+22   1/12/86      6           58       200            1
 #+end_example
 
 Le jeu de données nous indique la date de l'essai, le nombre de joints
@@ -76,7 +76,7 @@ nombre de dysfonctionnements relevés.
 * Inspection graphique des données
 Les vols où aucun incident n'est relevé n'apportant aucune information
 sur l'influence de la température ou de la pression sur les
-dysfonctionnements, nous nous concentrons sur les expériences où au
+ysfonctionnements, nous nous concentrons sur les expériences où au
 moins un joint a été défectueux.
 
 #+begin_src python :results value :session *python* :exports both
@@ -145,19 +145,20 @@ logmodel.summary()
 #+begin_example
                  Generalized Linear Model Regression Results                  
 ==============================================================================
-Dep. Variable:              Frequency   No. Observations:                    7
-Model:                            GLM   Df Residuals:                        5
+Dep. Variable:              Frequency   No. Observations:                   23
+Model:                            GLM   Df Residuals:                       21
 Model Family:                Binomial   Df Model:                            1
-Link Function:                  logit   Scale:                             1.0
-Method:                          IRLS   Log-Likelihood:                -3.6370
-Date:                Fri, 20 Jul 2018   Deviance:                       3.3763
-Time:                        16:56:08   Pearson chi2:                    0.236
-No. Iterations:                     5                                         
+Link Function:                  logit   Scale:                          1.0000
+Method:                          IRLS   Log-Likelihood:                -3.9210
+Date:                Mon, 02 Nov 2020   Deviance:                       3.0144
+Time:                        17:03:20   Pearson chi2:                     5.00
+No. Iterations:                     6                                         
+Covariance Type:            nonrobust                                         
 ===============================================================================
                   coef    std err          z      P>|z|      [0.025      0.975]
 -------------------------------------------------------------------------------
-Intercept      -1.3895      7.828     -0.178      0.859     -16.732      13.953
-Temperature     0.0014      0.122      0.012      0.991      -0.238       0.240
+Intercept       5.0850      7.477      0.680      0.496      -9.570      19.740
+Temperature    -0.1156      0.115     -1.004      0.316      -0.341       0.110
 ===============================================================================
 #+end_example