diff --git a/module2/exo1/toy_notebook_fr.ipynb b/module2/exo1/toy_notebook_fr.ipynb
index 6c31815c1083f217b2f5314c44504b351143046c..a7e39988e524ae5ebb0076c6b3637cd46399d128 100644
--- a/module2/exo1/toy_notebook_fr.ipynb
+++ b/module2/exo1/toy_notebook_fr.ipynb
@@ -21,50 +21,4 @@
  },
  "nbformat": 4,
  "nbformat_minor": 2
-}
-
-#  À propos du calcul de π
-
-## En demandant à la lib maths
-
-Mon ordinateur m’indique que $\pi$ vaut *approximativement*
-
-
-from math import *
-print(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** :
-
-import numpy as np
-np.random.seed(seed=42)
-N = 10000
-x = np.random.uniform(size=N, low=0, high=1)
-theta = np.random.uniform(size=N, low=0, high=pi/2)
-2/(sum((x+np.sin(theta))>1)/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 $X ∼ U(0, 1)$ et $Y ∼ U(0, 1)$ alors $P[X2 + Y2 ≤ 1] = \pi/4$ (voir [méthode de Monte Carlo](https://fr.wikipedia.org/wiki/M%C3%A9thode_de_Monte-Carlo#D%C3%A9termination_de_la_valeur_de_%CF%80) sur Wikipedia). Le code suivant illustre ce fait :
-
-%matplotlib inline
-import matplotlib.pyplot as plt
-np.random.seed(seed=42)
-N = 1000
-x = np.random.uniform(size=N, low=0, high=1)
-y = np.random.uniform(size=N, low=0, high=1)
-1
-accept = (x*x+y*y) <= 1
-reject = np.logical_not(accept)
-fig, ax = plt.subplots(1)
-ax.scatter(x[accept], y[accept], c='b', alpha=0.2, edgecolor=None)
-ax.scatter(x[reject], y[reject], c='r', alpha=0.2, edgecolor=None)
-ax.set_aspect('equal')
-
-Il est alors aisé d’obtenir une approximation (pas terrible) de $\pi$ en comptant combien de fois, en moyenne, $X2 + Y2$ est inférieur à 1 :
-
-
-4*np.mean(accept)
-
+}
\ No newline at end of file