From 361cc15a1d31a74c1fba7560232052f33810c2c2 Mon Sep 17 00:00:00 2001 From: Matthieu Date: Tue, 9 Nov 2021 11:45:15 +0100 Subject: [PATCH] module 2 exo1 completed --- module2/exo1/toy_document_fr.Rmd | 45 ++- module2/exo1/toy_document_fr.html | 497 ++++++++++++++++++++++++++++++ 2 files changed, 528 insertions(+), 14 deletions(-) create mode 100644 module2/exo1/toy_document_fr.html diff --git a/module2/exo1/toy_document_fr.Rmd b/module2/exo1/toy_document_fr.Rmd index 4728db3..2f253dc 100644 --- a/module2/exo1/toy_document_fr.Rmd +++ b/module2/exo1/toy_document_fr.Rmd @@ -1,33 +1,50 @@ --- -title: "Votre titre" -author: "Matthieu Moreau" -date: "La date du jour" +title: "À propos du calcul de pi" +author: "*Arnaud Legrand*" +date: "*25 juin 2018*" output: html_document --- +## En demandant à la lib maths + +Mon ordinateur m’indique que $\pi$ vaut *approximativement* ```{r setup, include=FALSE} knitr::opts_chunk$set(echo = TRUE) ``` -## Quelques explications +```{r pi} +pi +``` -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 . +## En utilisant la méthode des aiguilles de Buffon -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: +Mais calculé avec la **méthode** des [aiguilles de Buffon](https://fr.wikipedia.org/wiki/Aiguille_de_Buffon), on obtiendrait comme **approximation** : -```{r cars} -summary(cars) +```{r la méthode des aiguilles de Buffon} +set.seed(42) +N = 100000 +x = runif(N) +theta = pi/2*runif(N) +2/(mean(x+sin(theta)>1)) ``` -Et on peut aussi aisément inclure des figures. Par exemple: +## Avec un argument “fréquentiel” de surface -```{r pressure, echo=FALSE} -plot(pressure) +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 $X∼U(0,1)$ et $Y∼U(0,1)$ alors $P[X^2+Y^2≤1]=\pi/4$ (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 Argument fréquentiel de surface} +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() ``` -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. +Il est alors aisé d’obtenir une approximation (pas terrible) de π en comptant combien de fois, en moyenne, $X^2+Y^2$ est inférieur à 1: -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. +```{r} +4*mean(df$Accept) +``` -Maintenant, à vous de jouer! Vous pouvez effacer toutes ces informations et les remplacer par votre document computationnel. diff --git a/module2/exo1/toy_document_fr.html b/module2/exo1/toy_document_fr.html new file mode 100644 index 0000000..0ad4908 --- /dev/null +++ b/module2/exo1/toy_document_fr.html @@ -0,0 +1,497 @@ + + + + + + + + + + + + + + +À propos du calcul de pi + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + +
+ + + + + + + +
+

En demandant à la lib maths

+

Mon ordinateur m’indique que \(\pi\) vaut approximativement

+
pi
+
## [1] 3.141593
+
+
+

En utilisant la méthode des aiguilles de Buffon

+

Mais calculé avec la méthode des aiguilles de Buffon, on obtiendrait comme approximation :

+
set.seed(42)
+N = 100000
+x = runif(N)
+theta = pi/2*runif(N)
+2/(mean(x+sin(theta)>1))
+
## [1] 3.14327
+
+
+

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 \(X∼U(0,1)\) et \(Y∼U(0,1)\) alors \(P[X^2+Y^2≤1]=\pi/4\) (voir méthode de Monte Carlo sur Wikipedia). Le code suivant illustre ce fait:

+
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()
+

+

Il est alors aisé d’obtenir une approximation (pas terrible) de π en comptant combien de fois, en moyenne, \(X^2+Y^2\) est inférieur à 1:

+
4*mean(df$Accept)
+
## [1] 3.156
+
+ + + + +
+ + + + + + + + + + + + + + + -- 2.18.1