module2exo1.Rmd

parent 803e8fc5
--- ---
title: "Votre titre" title: "module2_exo1"
author: "Votre nom" author: "Flavie Derouin Tochon"
date: "La date du jour" date: "7 avril 2020"
output: html_document output: html_document
--- ---
# A propos du calcul de pi
*Arnaud Legrand*
```{r setup, include=FALSE} *25 juin 2018*
knitr::opts_chunk$set(echo = TRUE)
```
## Quelques explications
Ceci est un document R markdown que vous pouvez aisément exporter au format HTML, PDF, et MS Word. Pour plus de détails sur R Markdown consultez <http://rmarkdown.rstudio.com>.
Lorsque vous cliquerez sur le bouton **Knit** ce document sera compilé afin de ré-exécuter le code R et d'inclure les résultats dans un document final. Comme nous vous l'avons montré dans la vidéo, on inclue du code R de la façon suivante: # En demandant à la lib maths
```{r cars} Mon ordinateur m'indique que **$\pi$** vaut *approximativement*
summary(cars) ```{r}
pi
``` ```
Et on peut aussi aisément inclure des figures. Par exemple: # En utilisant la méthode des aiguilles de Buffon
```{r pressure, echo=FALSE} Mais calculé avec la **méthode** des [aiguille de Buffon](https://fr.wikipedia.org/wiki/Aiguille_de_Buffon), on obtiendrait comme **approximation**:
plot(pressure) ```{r}
set.seed(42)
N = 100000
x = runif(N)
theta = pi/2*runif(N)
2/(mean(x+sin(theta)>1))
``` ```
Vous remarquerez le paramètre `echo = FALSE` qui indique que le code ne doit pas apparaître dans la version finale du document. Nous vous recommandons dans le cadre de ce MOOC de ne pas utiliser ce paramètre car l'objectif est que vos analyses de données soient parfaitement transparentes pour être reproductibles. # Avec un argument "fréquentiel" de surface
Comme les résultats ne sont pas stockés dans les fichiers Rmd, pour faciliter la relecture de vos analyses par d'autres personnes, vous aurez donc intérêt à générer un HTML ou un PDF et à le commiter. Sinon un méthode plus simple à comprendre et ne faisant pas intervenir d'appel à la fonction sinus se base sur le fait que si **$X$ $\sim$ $U(0,1)$** et **$Y$ $\sim$ $U(0,1)$** alors **$P[X^2+Y^2$ $\le$ $1]=$ $\pi$ $/4$** (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:
```{r}
set.seed(42)
N = 1000
df = data.frame(X = runif(N), Y = runif(N))
df$Accept = (df$X**2 + df$Y**2 <=1)
library(ggplot2)
ggplot(df, aes(x=X,y=Y,color=Accept)) + geom_point(alpha=.2) + coord_fixed() + theme_bw()
```
Maintenant, à vous de jouer! Vous pouvez effacer toutes ces informations et les remplacer par votre document computationnel. 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:
```{r}
4*mean(df$Accept)
```
Markdown is supported
0% or
You are about to add 0 people to the discussion. Proceed with caution.
Finish editing this message first!
Please register or to comment