From 20ef50f6c2513e5f0c2fdc545619d1f2e3e5f1f6 Mon Sep 17 00:00:00 2001
From: 47767d2a587c747cf2e3103fd9d45027
 <47767d2a587c747cf2e3103fd9d45027@app-learninglab.inria.fr>
Date: Tue, 7 Apr 2020 15:39:48 +0000
Subject: [PATCH] module2exo1.Rmd

---
 module2/exo1/toy_document_fr.Rmd | 51 ++++++++++++++++++++------------
 1 file changed, 32 insertions(+), 19 deletions(-)

diff --git a/module2/exo1/toy_document_fr.Rmd b/module2/exo1/toy_document_fr.Rmd
index 7eece5e..18b19ca 100644
--- a/module2/exo1/toy_document_fr.Rmd
+++ b/module2/exo1/toy_document_fr.Rmd
@@ -1,33 +1,46 @@
 ---
-title: "Votre titre"
-author: "Votre nom"
-date: "La date du jour"
+title: "module2_exo1"
+author: "Flavie Derouin Tochon"
+date: "7 avril 2020"
 output: html_document
 ---
 
+# A propos du calcul de pi
+*Arnaud Legrand*
 
-```{r setup, include=FALSE}
-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>.
+*25 juin 2018*
 
-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}
-summary(cars)
+Mon ordinateur m'indique que **$\pi$** vaut *approximativement*
+```{r}
+pi
 ```
 
-Et on peut aussi aisément inclure des figures. Par exemple:
+# En utilisant la méthode des aiguilles de Buffon
 
-```{r pressure, echo=FALSE}
-plot(pressure)
+Mais calculé avec la **méthode** des [aiguille de Buffon](https://fr.wikipedia.org/wiki/Aiguille_de_Buffon), on obtiendrait comme **approximation**:
+```{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)
+```
-- 
2.18.1