Update toy_document_fr.Rmd

module2/exo1/toy_document_fr.Rmd

@@ -5,24 +5,22 @@ date: "25 juin 2018"
 output: html_document
 ---
 
-
 ```{r setup, include=FALSE}
 knitr::opts_chunk$set(echo = TRUE)
 ```
 
-# En demandant à la lib maths
-
-Mon ordinateur m’indique que $\pi$ vaut *approximativement*
+## En demandant à la lib maths
+Mon ordinateur m'indique que $\pi$ vaut *approximativement*
 
-```{r, include = T}
+```{r cars}
 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** :
+Mais calculé avec la  __méthode__  des [aiguilles de Buffon](https://fr.wikipedia.org/wiki/Aiguille_de_Buffon), on obtiendrait comme __approximation__ :
 
-```{r, include = T}
+```{r}
 set.seed(42)
 N = 100000
 x = runif(N)
@@ -35,7 +33,7 @@ theta = pi/2*runif(N)
 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 $P[X^2+Y^2 \le 1]=\pi/4$ (voir [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: 
 
 
-```{r, include = T}
+```{r}
 set.seed(42)
 N = 1000
 df = data.frame(X = runif(N), Y = runif(N))
@@ -48,6 +46,6 @@ Il est alors aisé d’obtenir une approximation (pas terrible) de π en comptan
 
 
 
-```{r, include = T}
+```{r}
 4*mean(df$Accept)
 ```