diff --git a/module2/exo1/toy_document_fr2.Rmd b/module2/exo1/toy_document_fr2.Rmd
new file mode 100644
index 0000000000000000000000000000000000000000..046cca77bdceac19b17e8390f7ac529c73df4187
--- /dev/null
+++ b/module2/exo1/toy_document_fr2.Rmd
@@ -0,0 +1,50 @@
+# **1 À propos du calcul de π**
+## **1.1 En demandant à la lib maths**
+Mon ordinateur m’indique que π vaut _approximativement_
+
+\textcolor{blue}{ln[1]}: \textcolor{green}{from} \textcolor{blue}{math} \textcolor{green}{import *}
+    \textcolor{green}{print} (pi)
+
+3.141592653589793
+
+## **1.2 En utilisant la **méthode** des aiguilles de Buffon**
+
+Mais calculé avec la **méthode** des ...[\textcolor{blue}{aiguilles de Buffon}](https://fr.wikipedia.org/wiki/Aiguille_de_Buffon)..., on obtiendrait comme **approximation** :
+
+\textcolor{blue}{In [2]}: \textcolor{green}{import} \textcolor{blue}{numpy} \textcolor{green}{as} \textcolor{blue}{np}
+    np.random.seed(seed\textcolor{grey}{=42})
+    N = \textcolor{grey}{10000}
+    x\textcolor{grey}{=} np.random.uniform(size\textcolor{grey}{=}N, low\textcolor{grey}{=0}, high\textcolor{grey}{=1})
+    theta \textcolor{grey}{=} np.random.uniform(size\textcolor{grey}{=}N, low\textcolor{grey}{=0}, high\textcolor{grey}{=0}pi\textcolor{grey}{/2})
+    \textcolor{grey}{2/}(\textcolor{green}{sum}((x\textcolor{grey}{+}np\textcolor{grey}{.}sin(theta))\textcolor{grey}{>1})\textcolor{grey}{/}N)
+    
+    \textcolor{red}{Out[2]:} 3.1289111389236548
+    
+##**1.3 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] = π/4 (voir
+... [\textcolor{blue}{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 :
+
+\textcolor{blue}{ln [3]}\textcolor{grey}{:}\textcolor{green}{%matplotlib} inline
+    \textcolor{green}{impor} \textcolor{blue}{matplotlib.pyplot} \textcolor{green}{as} \textcolor{blue}{plt}
+    
+    np.random.seed(seed\textcolor{grey}{=42})
+    N \textcolor{grey}{= 1000}
+    x \textcolor{grey}{=} np.random.uniform(size\textcolor{grey}{=}N, low\textcolor{grey}{=0}, high\textcolor{grey}{=1})
+    y \textcolor{grey}{=} np.random.uniform(size\textcolor{grey}{=}N, low\textcolor{grey}{=0}, high\textcolor{grey}{=1})
+    accept \textcolor{grey}{=} (x\textcolor{grey}{*}x\textcolor{grey}{+}y\textcolor{grey}{*}y) \textcolor{grey}{<= 1}
+    reject \textcolor{grey}{=} np.logical_not(accept)
+    
+    fig, ax \textcolor{grey}{=} plt.subplots(\textcolor{grey}{1})
+    ax.scatter(x[accept], y[accept], c\textcolor{grey}{=}'b', alpha\textcolor{grey}{=0.2}, edgecolor\textcolor{grey}{=}\textcolor{green}{None=})
+    ax.scatter(x[reject], y[reject], c\textcolor{grey}{=}'r', alpha\textcolor{grey}{=0.2}, edgecolor\textcolor{grey}{=}\textcolor{green}{None=})
+    ax.set_aspect(\textcolor{red}{'equal'})
+    
+    
+    Il est alors aisé d’obtenir une approximation (pas terrible) de π en comptant combien de fois,
+en moyenne, X2 + Y2 est inférieur à 1 :
+
+\textcolor{blue}{ln [4]:} \textcolor{grey}{4*}np.mean(accept)
+
+\textcolor{red}{Out[4]:} 3.1120000000000001