diff --git a/module3/exo3/exercice_fr.Rmd b/module3/exo3/exercice_fr.Rmd
index 7eece5e296bb586e88166aa8a263ca75b44c2b9e..3d745707c562c8a4fb9d86fadba94e233d841e2f 100644
--- a/module3/exo3/exercice_fr.Rmd
+++ b/module3/exo3/exercice_fr.Rmd
@@ -1,33 +1,55 @@
 ---
-title: "Votre titre"
-author: "Votre nom"
-date: "La date du jour"
-output: html_document
+title: "le pouvoir d'achat des ouvriers anglais du XVIe au XIXe siècle"
+author: "Antonin ROYER"
+date: "08 octobre 2024"
+output: pdf_document
 ---
 
 
-```{r setup, include=FALSE}
+```{r setup, include=TRUE}
 knitr::opts_chunk$set(echo = TRUE)
 ```
 
-## Quelques explications
 
-Ceci est un document R markdown que vous pouvez aisément exporter au format HTML, PDF, et MS Word. Pour plus de détails sur R Markdown consultez <http://rmarkdown.rstudio.com>.
+```{r}
 
-Lorsque vous cliquerez sur le bouton **Knit** ce document sera compilé afin de ré-exécuter le code R et d'inclure les résultats dans un document final. Comme nous vous l'avons montré dans la vidéo, on inclue du code R de la façon suivante:
+data_url = "https://raw.githubusercontent.com/vincentarelbundock/Rdatasets/master/csv/HistData/Wheat.csv"
 
-```{r cars}
-summary(cars)
+data <- read.csv(data_url, header = TRUE)
+head(data)
 ```
 
-Et on peut aussi aisément inclure des figures. Par exemple:
+```{r}
+lignes_na <- apply(data, 1, function(x) any(is.na(x)))
+data[lignes_na,]
 
-```{r pressure, echo=FALSE}
-plot(pressure)
 ```
 
-Vous remarquerez le paramètre `echo = FALSE` qui indique que le code ne doit pas apparaître dans la version finale du document. Nous vous recommandons dans le cadre de ce MOOC de ne pas utiliser ce paramètre car l'objectif est que vos analyses de données soient parfaitement transparentes pour être reproductibles. 
+```{r}
+class(data$Year)
+class(data$Wheat)
+class(data$Year)
+class(data$Wages)
 
-Comme les résultats ne sont pas stockés dans les fichiers Rmd, pour faciliter la relecture de vos analyses par d'autres personnes, vous aurez donc intérêt à générer un HTML ou un PDF et à le commiter.
+data <- read.csv()
+data$Year <- as.factor(data$Year)
+data$Wages <- as.integer(data$Wages)
+data$Wheat <- as.integer(data$Wheat)
+```
+
+```{r}
+library(ggplot2)
+
+data_plot <- ggplot(data, aes(x = Year, y=Wages)) +
+  geom_bar(aes(y = Wheat), stat = "identity", width = 1, color = "black") +
+  geom_line(aes(y = Wages), color = "red", size = 1, group = 1) +  
+  geom_area(fill = "lightblue", alpha = 0.5) +
+  labs(title = "Graphique en barres", x = "Year", y = "Wheat price") +
+  scale_y_continuous(expand = expansion(mult = c(0, 0))) +  # Supprimer l'espace entre les barres et l'axe x
+  scale_x_discrete(breaks = levels(data$Year)[seq(1, length(levels(data$Year)), by = 5)]) +  # Afficher une année sur cinq
+  theme_classic()
+
+data_plot
+
+```
 
-Maintenant, à vous de jouer! Vous pouvez effacer toutes ces informations et les remplacer par votre document computationnel.