Update toy_document_orgmode_python_fr.org

module2/exo1/toy_document_orgmode_python_fr.org

@@ -22,7 +22,8 @@ pi
 : 3.141592653589793
 
 * En utilisant la méthode des aiguilles de Buffon
-Mais calculé avec la *méthode* des [[https://fr.wikipedia.org/wiki/Aiguille_de_Buffon][aiguilles de Buffon]], on obtiendrait comme *approximation* : 
+Mais calculé avec la *méthode* des [[https://fr.wikipedia.org/wiki/Aiguille_de_Buffon][aiguilles de Buffon]], on obtiendrait 
+comme *approximation* :
 
 #+begin_src python :results value :session *python* :exports both
 import numpy as np
@@ -39,7 +40,9 @@ theta = np.random.uniform(size=N, low=0, high=pi/2)
 * 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 $[X^2+Y^2≤1]=\pi/4$ (voir [[https://fr.wikipedia.org/wiki/M%C3%A9thode_de_Monte-Carlo#D%C3%A9termination_de_la_valeur_de_%CF%80][méthode de Monte Carlo sur Wikipedia]]). Le code suivant illustre ce fait : 
+$X\sim U(0,1)$ et $Y\sim U(0,1)$ alors $P[X^2+Y^2 \leq1]=\pi/4$ (voir [[https://fr.wikipedia.org/wiki/M%2525C3%2525A9thode_de_Monte-Carlo#D%2525C3%2525A9termination_de_la_valeur_de_%2525CF%252580][méthode
+de 
+Monte Carlo sur Wikipedia]]). Le code suivant illustre ce fait : 
 
 #+begin_src python :results output file :var matplot_lib_filename="figure_pi_mc2.png" :exports both :session *python* 
 import matplotlib.pyplot as plt
@@ -64,7 +67,8 @@ print(matplot_lib_filename)
 #+RESULTS:
 [[file:figure_pi_mc2.png]]
 
-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 :
 #+begin_src python :results output :session *python* :exports both
 4*np.mean(accept)
 #+end_src