Update toy_notebook_fr.ipynb

module2/exo1/toy_notebook_fr.ipynb

@@ -21,49 +21,4 @@
  },
  "nbformat": 4,
  "nbformat_minor": 2
-}
-# A propos du calcul de $\pi$
+}
\ No newline at end of file
-
-## En demandant à la lib maths
-Mon ordinateur m'indique que $\pi$ vaut *approximativement*
-
-In [1] :
-from math import *
-print(pi)
-
-## En utilisant la méthode des aiguilles de Buffon
-Mais calculé avec la __méthode__ des [aiguilles de Buffon](https://fr.wikipedia.org/wiki/Aiguille_de_Buffon), on obtiendrait comme __approximation__ :
-
-In [2]:
-import numpy as np
-np.random.seed(seed=42)
-N = 10000
-x = np.random.uniform(size=N, low=0, high=1)
-theta = np.random.uniform(size=N, low=0, high=pi/2)
-2/(sum((x+np.sin(theta))>1)/N)
-
-## Avec un argument "fréquentiel" de surface
-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 :
-
-In [3] :
-%matplotlib inline  
-import matplotlib.pyplot as plt
-
-np.random.seed(seed=42)
-N = 1000
-x = np.random.uniform(size=N, low=0, high=1)
-y = np.random.uniform(size=N, low=0, high=1)
-
-accept = (x*x+y*y) <= 1
-reject = np.logical_not(accept)
-
-fig, ax = plt.subplots(1)
-ax.scatter(x[accept], y[accept], c='b', alpha=0.2, edgecolor=None)
-ax.scatter(x[reject], y[reject], c='r', alpha=0.2, edgecolor=None)
-ax.set_aspect('equal')
-
-Il est alors aisé d'obtenir une approximation (pas terrible) de $\pi$ en comptant combien de fois, en moyenne, $X^2 + Y^2$ est inférieur à 1 :
-
-In [4]:
-4*np.mean(accept)
-