Regenerate after MGD's corrections. This needs to be republished in FUN.

module2/exo5/challenger.html

@@ -275,7 +275,7 @@ for the JavaScript code in this tag.
 <div id="content">
 <h1 class="title">Analyse du risque de défaillance des joints toriques de la navette Challenger</h1>
 <p>
-<b>Préambule:</b> Les explications données dans ce document sur le contexte
+<b>Préambule :</b> Les explications données dans ce document sur le contexte
 de l'étude sont largement reprises de l'excellent livre d'Edward
 R. Tufte intitulé <i>Visual Explanations: Images and Quantities, Evidence
 and Narrative</i>, publié en 1997 par <i>Graphics Press</i> et réédité en 2005,
@@ -284,17 +284,17 @@ Space Shuttle: Pre-Challenger Prediction of Failure</i> et publié en 1989
 dans <i>Journal of the American Statistical Association</i>.
 </p>
 
-<div id="outline-container-org95fbd2d" class="outline-2">
-<h2 id="org95fbd2d"><span class="section-number-2">1</span> Contexte</h2>
+<div id="outline-container-orgc84b2f3" class="outline-2">
+<h2 id="orgc84b2f3"><span class="section-number-2">1</span> Contexte</h2>
 <div class="outline-text-2" id="text-1">
 <p>
 Dans cette étude, nous vous proposons de revenir sur <a href="https://fr.wikipedia.org/wiki/Accident_de_la_navette_spatiale_Challenger">l'accident de la
 navette spatiale Challenger</a>. Le 28 Janvier 1986, 73 secondes après son
-lancement, la navette Challenger se désintègre (voir Figure <a href="#org7a7557d">1</a>)
+lancement, la navette Challenger se désintègre (voir Figure <a href="#org22bba0b">1</a>)
 et entraîne avec elle, les sept astronautes à son bord. Cette
 explosion est due à la défaillance des deux joints toriques
 assurant l'étanchéité entre les parties hautes et basses des
-propulseurs (voir Figure <a href="#orge54c304">2</a>). Ces joints ont perdu de leur
+propulseurs (voir Figure <a href="#orgc01ded2">2</a>). Ces joints ont perdu de leur
 efficacité en raison du froid particulier qui régnait au moment du
 lancement. En effet, la température ce matin là était juste en dessous
 de 0°C alors que l'ensemble des vols précédents avaient été effectués
@@ -302,7 +302,7 @@ de 0°C alors que l'ensemble des vols précédents avaient été effectués
 </p>
 
 
-<div id="org7a7557d" class="figure">
+<div id="org22bba0b" class="figure">
 <p><img src="challenger5.jpg" alt="challenger5.jpg" />
 </p>
 <p><span class="figure-number">Figure&nbsp;1&nbsp;: </span>Photos de la catastrophe de Challenger.</p>
@@ -310,7 +310,7 @@ de 0°C alors que l'ensemble des vols précédents avaient été effectués
 
 
 
-<div id="orge54c304" class="figure">
+<div id="orgc01ded2" class="figure">
 <p><img src="o-ring.png" alt="o-ring.png" />
 </p>
 <p><span class="figure-number">Figure&nbsp;2&nbsp;: </span>Schéma des propulseurs de la navette challenger. Les joints toriques (un joint principale et un joint secondaire) en caoutchouc de plus de 11 mètres de circonférence assurent l'étanchéité entre la partie haute et la partie basse du propulseur.</p>
@@ -349,7 +349,7 @@ années précédant le lancement de la navette Challenger.
 <p>
 Dans le répertoire <code>module2/exo5/</code> de votre espace <code>gitlab</code>, vous
 trouverez les données d'origine ainsi qu'une analyse pour chacun des
-différents parcours proposés. Cette analyse comporte quatre étapes:
+différents parcours proposés. Cette analyse comporte quatre étapes :
 </p>
 <ol class="org-ol">
 <li>Chargement des données</li>
@@ -361,9 +361,9 @@ toriques</li>
 
 <p>
 Les deux premières étapes ne supposent que des compétences de base en
-R ou en python. La troisième étape suppose une familiarité avec la
+R ou en Python. La troisième étape suppose une familiarité avec la
 régression logistique (généralement abordée en L3 ou M1 de stats,
-économétrie, bio-statistique, &#x2026;) et la quatrième étape des bases de
+économétrie, bio-statistique&#x2026;) et la quatrième étape des bases de
 probabilités (niveau lycée). Nous vous présentons donc dans la
 prochaine section une introduction à la régression logistique qui ne
 s'attarde pas sur les détails du calcul, mais juste sur le sens donné
@@ -372,15 +372,15 @@ aux résultats de cette régression.
 </div>
 </div>
 
-<div id="outline-container-org1c79137" class="outline-2">
-<h2 id="org1c79137"><span class="section-number-2">2</span> Introduction à la régression logistique</h2>
+<div id="outline-container-org2b7fcc8" class="outline-2">
+<h2 id="org2b7fcc8"><span class="section-number-2">2</span> Introduction à la régression logistique</h2>
 <div class="outline-text-2" id="text-2">
 <p>
 Imaginons que l'on dispose des données suivantes qui indiquent pour
 une cohorte d'individus s'ils ont déclaré une maladie particulière ou
-pas. Je montre ici l'analyse avec R mais le code python n'est pas forcément
+pas. Je montre ici l'analyse avec R mais le code Python n'est pas forcément
 très éloigné. Les données sont stockées dans une data frame dont voici
-un bref résumé:
+un bref résumé :
 </p>
 
 <div class="org-src-container">
@@ -405,7 +405,7 @@ str(df)
 <p>
 Voici une représentation graphique des données qui permet de mieux
 percevoir le lien qu'il peut y avoir entre l'âge et le fait de
-contracter cette maladie ou pas:
+contracter cette maladie ou pas :
 </p>
 <div class="org-src-container">
 <pre class="src src-R">ggplot(df,aes(x=Age,y=Malade)) + geom_point(alpha=.3,size=3) + theme_bw()
@@ -423,7 +423,7 @@ Sorry, your browser does not support SVG.</object>
 Il apparaît clairement sur ces données que plus l'on est âgé, plus la
 probabilité de développer cette maladie est importante. Mais comment
 estimer cette probabilité à partir uniquement de ces valeurs binaires
-(malade/pas malade)? Pour chaque tranche d'âge (par exemple de 5 ans),
+(malade/pas malade) ? Pour chaque tranche d'âge (par exemple de 5 ans),
 on pourrait regarder la fréquence de la maladie (le code qui suit est
 un peu compliqué car le calcul de l'intervalle de confiance pour ce
 type de données nécessite un traitement particulier via la fonction
@@ -433,7 +433,7 @@ type de données nécessite un traitement particulier via la fonction
 <div class="org-src-container">
 <pre class="src src-R">age_range=5
 df_grouped = df <span class="org-ess-XopX">%&gt;%</span> mutate(Age=age_range*(floor(Age/age_range)+.5)) <span class="org-ess-XopX">%&gt;%</span>
-                    group_by(Age) <span class="org-ess-XopX">%&gt;%</span> summarize(Malade=sum(Malade),N=n()) <span class="org-ess-XopX">%&gt;%</span> 
+                    group_by(Age) <span class="org-ess-XopX">%&gt;%</span> summarise(Malade=sum(Malade),N=n()) <span class="org-ess-XopX">%&gt;%</span> 
                     rowwise() <span class="org-ess-XopX">%&gt;%</span> 
                     do(data.frame(Age=.$Age, binconf(.$Malade, .$N, alpha=0.05))) <span class="org-ess-XopX">%&gt;%</span>
                     as.data.frame()
@@ -460,7 +460,7 @@ arbitraire, et qu'on n'a pas grande idée de la façon dont ça
 évolue. Pour modéliser cette évolution de façon plus continue, on
 pourrait tenter une régression linéaire (le modèle le plus simple
 possible pour rendre compte de l'influence d'un paramètre) et ainsi
-estimer l'effet de l'âge sur la probabilité d'être malade:
+estimer l'effet de l'âge sur la probabilité d'être malade :
 </p>
 <div class="org-src-container">
 <pre class="src src-R">ggplot(df,aes(x=Age,y=Malade)) + geom_point(alpha=.3,size=3) + 
@@ -477,8 +477,8 @@ Sorry, your browser does not support SVG.</object>
 
 <p>
 La ligne bleue est la régression linéaire au sens des moindres carrés
-et la zone grise dans laquelle est la zone de confiance à 95% de cette
-estimation (avec les données dont l'on dispose et cette hypothèse de
+et la zone grise est la zone de confiance à 95% de cette
+estimation (avec les données dont on dispose et cette hypothèse de
 linéarité, la ligne bleue est la plus probable et il y a 95% de chance
 que la vraie ligne soit dans cette zone grise).
 </p>
@@ -498,7 +498,7 @@ et \(\beta\) à partir des données.
 <p>
 Cette technique n'a pas de sens pour estimer une probabilité et il
 convient donc d'utiliser ce que l'on appelle une <a href="https://fr.wikipedia.org/wiki/R%C3%A9gression_logistique">régression
-logistique</a>:
+logistique</a> :
 </p>
 <div class="org-src-container">
 <pre class="src src-R">ggplot(df,aes(x=Age,y=Malade)) + geom_point(alpha=.3,size=3) + 
@@ -519,7 +519,7 @@ Sorry, your browser does not support SVG.</object>
 Ici, la bibliothèque <code>ggplot</code> fait tous les calculs de régression
 logistique pour nous et nous montre uniquement le résultat "graphique"
 mais dans l'analyse que nous vous proposerons pour Challenger, nous
-réalisons la régression et la prédiction à la main (en <code>R</code> ou en <code>python</code>
+réalisons la régression et la prédiction à la main (en <code>R</code> ou en <code>Python</code>
 selon le parcours que vous choisirez) de façon à pouvoir effectuer si
 besoin une inspection plus fine. Comme avant, la courbe bleue indique
 l'estimation de la probabilité d'être malade en fonction de l'âge et
@@ -533,17 +533,17 @@ grise".
 <p>
 Dans ce modèle, on suppose que \(P[\textsf{Malade}] = \pi(\textsf{Age})\) avec
 \(\displaystyle\pi(x)=\frac{e^{\alpha.x + \beta}}{1+e^{\alpha.x + \beta}}\). Cette
-formule (étrange au premier abord) a la bonne propriété nous donner
+formule (étrange au premier abord) a la bonne propriété de nous donner
 systématiquement une valeur comprise entre 0 et 1 et de bien tendre
 rapidement vers \(0\) quand l'âge tend vers \(-\infty\) et vers \(1\) quand l'âge
 tend vers \(+\infty\) (mais ce n'est pas bien sûr pas la seule motivation). 
 </p>
 
 <p>
-En conclusion, lorsque l'on dispose de données événementielles
+En conclusion, lorsque l'on dispose de données évènementielles
 (binaires) et que l'on souhaite estimer l'influence d'un paramètre sur
-la probabilité d'occurrence de l'évènement (maladie, défaillance,
-&#x2026;), le modèle le plus naturel et le plus simple est celui de la
+la probabilité d'occurrence de l'évènement (maladie, défaillance&#x2026;), 
+le modèle le plus naturel et le plus simple est celui de la
 régression logistique. Notez, que même en se restreignant à une petite
 partie des données (par exemple, uniquement les patients de moins de
 50 ans), il est possible d'obtenir une estimation assez raisonnable,