Update toy_document_fr.Rmd

module2/exo1/toy_document_fr.Rmd

@@ -11,11 +11,14 @@ knitr::opts_chunk$set(echo = TRUE)
 
 ## En demandant à la lib maths
 Mon ordinateur m'indique que $\pi$ vaut *approximativement*
+
 ```{r cars}
 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__ :
+
 ```{r}
 set.seed(42)
 N = 100000
@@ -25,8 +28,8 @@ theta = pi/2*runif(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 :
+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 :
+
 ```{r}
 set.seed(42)
 N = 1000
@@ -34,8 +37,10 @@ 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 $\pi$ en comptant combien de fois, en moyenne, $\X$^2+$\$Y^2 est inférieur à 1:
+
+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)
 ```