ajustements 2

module2/exo1/toy_notebook_fr.ipynb

@@ -17,7 +17,7 @@
   },
   {
    "cell_type": "code",
-   "execution_count": 6,
+   "execution_count": 9,
    "metadata": {},
    "outputs": [
     {
@@ -29,7 +29,7 @@
     }
    ],
    "source": [
-    "from math import *\n",
+    "from math import * \n",
     "print(pi)"
    ]
   },
@@ -38,7 +38,7 @@
    "metadata": {},
    "source": [
     "## En utilisant la méthode des aiguilles de Buffon\n",
-    "Mais calculé avec la __méthode__ des [aiguilles de Buffon](https://fr.wikipedia.org/wiki/Aiguille_de_Buffon), on obtiendrait comme __approximation__ :\n"
+    "Mais calculé avec la __méthode__ des [aiguilles de Buffon](https://fr.wikipedia.org/wiki/Aiguille_de_Buffon), on obtiendrait comme __approximation__ :"
    ]
   },
   {
@@ -63,7 +63,7 @@
     "N = 10000\n",
     "x = np.random.uniform(size=N, low=0, high=1)\n",
     "theta = np.random.uniform(size=N, low=0, high=pi/2)\n",
-    "2/(sum((x+np.sin(theta))>1)/N)\n"
+    "2/(sum((x+np.sin(theta))>1)/N)"
    ]
   },
   {
@@ -71,12 +71,12 @@
    "metadata": {},
    "source": [
     "## Avec un argument \"fréquentiel\" de surface\n",
-    "Sinon, une méthode plus simple à comprendre et ne faisant pas intervenir d’appel à la fonction sinus se base sur le fait que si $X\\simU(0, 1)$ et $Y\\sim U(0, 1)$ alors $P[X^2 + Y^2 \\leq 1] = \\pi/4$ (voir [méthode de Monte Carlo sur Wikipedia](https://fr.wikipedia.org/wiki/M%C3%A9thode_de_Monte-Carlo#D%C3%A9termination_de_la_valeur_de_%CF%80)). Le code suivant illustre ce fait :\n"
+    "Sinon, une méthode plus simple à comprendre et ne faisant pas intervenir d’appel à la fonction sinus se base sur le fait que si $X\\sim U(0, 1)$ et $Y\\sim U(0, 1)$ alors $P[X^2 + Y^2 \\leq 1] = \\pi/4$ (voir [méthode de Monte Carlo sur Wikipedia](https://fr.wikipedia.org/wiki/M%C3%A9thode_de_Monte-Carlo#D%C3%A9termination_de_la_valeur_de_%CF%80)). Le code suivant illustre ce fait :"
    ]
   },
   {
    "cell_type": "code",
-   "execution_count": 4,
+   "execution_count": 8,
    "metadata": {},
    "outputs": [
     {
@@ -99,7 +99,7 @@
     "N = 1000\n",
     "x = np.random.uniform(size=N, low=0, high=1)\n",
     "y = np.random.uniform(size=N, low=0, high=1)\n",
-    "1\n",
+    "\n",
     "accept = (x*x+y*y) <= 1\n",
     "reject = np.logical_not(accept)\n",
     "fig, ax = plt.subplots(1)\n",