Réalisation exo 5 module 2 et exo 1 module 3

module2/exo5/exo5_fr.Rmd

@@ -42,6 +42,7 @@ dysfonctionnements, nous nous concentrons sur les expériences où au
 moins un joint a été défectueux.
 
 ```{r}
+data2=data
 data = data[data$Malfunction>0,]
 data
 ```
@@ -53,12 +54,25 @@ 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=data2, Malfunction/Count ~ Temperature, ylim=c(0,1))
 ```
 
 À première vue, ce n'est pas flagrant mais bon, essayons quand même
 d'estimer l'impact de la température $t$ sur la probabilité de
 dysfonctionnements d'un joint. 
 
+Comment la fréquence de l'échec varie-t-elle avec la pression
+```{r}
+plot(data=data, Malfunction/Count ~ Pressure, ylim=c(0,1))
+plot(data=data2, Malfunction/Count ~ Pressure, ylim=c(0,1))
+```
+# Relation pression temperature
+
+```{r}
+plot(data = data, Temperature ~ Pressure)
+```
+
+
 # Estimation de l'influence de la température
 
 Supposons que chacun des 6 joints toriques est endommagé avec la même
@@ -80,6 +94,12 @@ 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.
 
+```{r}
+logistic_reg2 = 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
@@ -113,6 +133,19 @@ lançeur est donc de $1-(1-p^2)^3 \approx 1.2%$.  Ça serait vraiment
 pas de chance... Tout est sous contrôle, le décollage peut donc avoir
 lieu demain comme prévu.
 
+```{r}
+# shuttle=shuttle[shuttle$r!=0,] 
+tempv = seq(from=30, to=90, by = .5)
+rmv <- predict(logistic_reg2,list(Temperature=tempv),type="response")
+plot(tempv,rmv,type="l",ylim=c(0,1))
+points(data=data2, Malfunction/Count ~ Pressure)
+```
+
+```{r}
+data_full = read.csv("shuttle.csv",header=T)
+sum(data_full$Malfunction)/sum(data_full$Count)
+```
+
 Seulement, le lendemain, la navette Challenger explosera et emportera
 avec elle ses sept membres d'équipages. L'opinion publique est
 fortement touchée et lors de l'enquête qui suivra, la fiabilité des

module3/exo1/analyse-syndrome-grippal.Rmd

@@ -26,6 +26,12 @@ Les données de l'incidence du syndrome grippal sont disponibles du site Web du
 data_url = "http://www.sentiweb.fr/datasets/incidence-PAY-3.csv"
 ```
 
+Data url local
+
+```{r}
+data_url_local = "D:/PhD/formation recherche reproductible/mooc-rr/module3/exo1/incidence-PAY-3.csv"
+```
+
 Voici l'explication des colonnes donnée sur le [sur le site d'origine](https://ns.sentiweb.fr/incidence/csv-schema-v1.json):
 
 | Nom de colonne | Libellé de colonne                                                                                                                |
@@ -47,6 +53,12 @@ La première ligne du fichier CSV est un commentaire, que nous ignorons en préc
 data = read.csv(data_url, skip=1)
 ```
 
+Lecture des données en locale
+```{r}
+data_locale = read.csv(data_url_local, skip = 1)
+```
+
+
 Regardons ce que nous avons obtenu:
 ```{r}
 head(data)