diff --git a/module3/exo2/exercice_fr.Rmd b/module3/exo2/exercice_fr.Rmd
index 2f09e6170cca8f836e75ea435743983634631daa..53701d044aba8a3f8967bd1e101af78b83c7feac 100644
--- a/module3/exo2/exercice_fr.Rmd
+++ b/module3/exo2/exercice_fr.Rmd
@@ -1,7 +1,7 @@
 ---
-title: "Votre titre"
-author: "Votre nom"
-date: "La date du jour"
+title: "Analyse de l'incidence de la varicelle" 
+author: "BINI KOFFI MARC"
+date: "22/04//2020"
 output: html_document
 ---
 
@@ -10,11 +10,24 @@ output: html_document
 knitr::opts_chunk$set(echo = TRUE)
 ```
 
-### Diriger R vers le repertoir où se trouve la base des données téléchargée et lire le ficher CSV. 
+## Préparation des données
+Les données de l'incidence de la varicelle sont disponibles du site Web du [Réseau Sentinelles](http://www.sentiweb.fr/). Nous les récupérons sous forme d'un fichier en format CSV dont chaque ligne correspond à une semaine de la période demandée. Nous téléchargeons toujours le jeu de données complet, qui commence en 1991 et se termine avec une semaine récente. L'URL est: http://www.sentiweb.fr/datasets/incidence-PAY-7.csv
+
+### Enregistrement des données localement 
+Pour nous protéger contre une éventuelle disparition ou modification du serveur du Réseau Sentinelles, nous faisons une copie locale de ce jeux de données que nous préservons avec notre analyse.
 
 ```{r}
-setwd("C:/Users/dell/Desktop/MOOC REPRODUCTIBILITE/MODULE 3")
-data <- read.csv("incidence-PAY-3.csv", header=TRUE, skip=1)
+data_url = "http://www.sentiweb.fr/datasets/incidence-PAY-7.csv"
+data_file = "Varicelle.csv"	
+if (!file.exists(data_file)) {	
+  download.file(data_url, data_file, method="auto")	
+}
+```
+
+La première ligne du fichier CSV est un commentaire, que nous ignorons en précisant `skip=1`.	
+### Lecture	
+```{r}	
+data = read.csv(data_file, skip=1)	
 ```
 
 Regardons ce que nous avons obtenu:
@@ -94,16 +107,16 @@ with(tail(data, 200), plot(date, inc, type="l", xlab="Date", ylab="Incidence heb
 L'argument `na.rm=True` dans la sommation précise qu'il faut supprimer les points manquants. Ce choix est raisonnable car il n'y a qu'un seul point manquant, dont l'impact ne peut pas être très fort.
 ```{r}
 pic_annuel = function(annee) {
-      debut = paste0(annee-1,"-08-01")
-      fin = paste0(annee,"-08-01")
+      debut = paste0(annee-1,"-09-01")
+      fin = paste0(annee,"-09-01")
       semaines = data$date > debut & data$date <= fin
       sum(data$inc[semaines], na.rm=TRUE)
       }
 ```
 
-Nous devons aussi faire attention aux premières et dernières années de notre jeux de données. Les données commencent en octobre 1984, ce qui ne permet pas de quantifier complètement le pic attribué à 1985. Nous l'enlevons donc de notre analyse. Par contre, pour une exécution en octobre 2018, les données se terminent après le 1er août 2018, ce qui nous permet d'inclure cette année.
+Nous devons aussi faire attention aux premières et dernières années de notre jeux de données. Les données commencent en decembre 1990 et se termine en avril 2020. Cela  ne permet pas de quantifier complètement les pics attribués à 1990 et 2020. Nous les enlevons donc de notre analyse. 
 ```{r}
-annees = 1986:2018
+annees = 1991:2019
 ```
 
 Nous créons un nouveau jeu de données pour l'incidence annuelle, en applicant la fonction `pic_annuel` à chaque année:
@@ -127,4 +140,6 @@ Une liste triée par ordre décroissant d'incidence annuelle permet de plus faci
 head(inc_annuelle[order(-inc_annuelle$incidence),])
 ```
 
-
+### Identification des épidémies les plus faibles 
+```{r}
+tail(inc_annuelle[order(-inc_annuelle$incidence),])