From 16dae66edad14bb85e2b656a50d71e3c03315568 Mon Sep 17 00:00:00 2001
From: 8c55e064a7978f965e150b01f583c63e <sergiocastropacheco@gmail.com>
Date: Mon, 30 Jun 2025 10:51:43 +0300
Subject: [PATCH] commit message

---
 module2/exo1/exo 2.1.Rmd | 49 ++++++++++++++++++++++++++++++++++++++++
 1 file changed, 49 insertions(+)
 create mode 100644 module2/exo1/exo 2.1.Rmd

diff --git a/module2/exo1/exo 2.1.Rmd b/module2/exo1/exo 2.1.Rmd
new file mode 100644
index 0000000..39f40fe
--- /dev/null
+++ b/module2/exo1/exo 2.1.Rmd	
@@ -0,0 +1,49 @@
+---
+title: "Exo 2.1"
+author: "Sergio Castro"
+date: "2025-06-30"
+output: html_document
+---
+
+En demandant à la lib maths
+Mon ordinateur m’indique que π vaut approximativement
+
+```{r}
+pi
+```
+
+
+En utilisant la méthode des aiguilles de Buffon
+Mais calculé avec la méthode des aiguilles 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))
+```
+
+
+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 méthode de Monte Carlo sur Wikipedia). 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$Y**2 <=1)
+library(ggplot2)
+ggplot(df, aes(x=X,y=Y,color=Accept)) + geom_point(alpha=.2) + coord_fixed() + theme_bw()
+```
+
+
+Il est alors aisé d’obtenir une approximation (pas terrible) de π
+ en comptant combien de fois, en moyenne, X2+Y2
+ est inférieur à 1:
+
+```{r}
+4*mean(df$Accept)
+```
+
-- 
2.18.1