diff --git a/module2/exo1/toy_document_fr.Rmd b/module2/exo1/toy_document_fr.Rmd
index 6da50c38df4c8d19e0620edd4adbf14308b027c4..c38f210ac6350ea7f72837fff6d00cdae8a35dcf 100644
--- a/module2/exo1/toy_document_fr.Rmd
+++ b/module2/exo1/toy_document_fr.Rmd
@@ -15,7 +15,7 @@ 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** :
  
-```{r Buffon}
+```{r }
 set.seed(42)
 N = 100000
 x = runif(N)
@@ -25,9 +25,9 @@ theta = pi/2*runif(N)
 
 # 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](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:
+ et $Y∼U(0,1)$ alors $P[X^2+Y^2≤1]=π/4$ (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 argument fréquentiel}
+```{r }
 set.seed(42)
 N = 1000
 df = data.frame(X = runif(N), Y = runif(N))
@@ -36,8 +36,8 @@ 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 approximation}
+Il est alors aisé d’obtenir une approximation (pas terrible) de $π$ en comptant combien de fois, en moyenne, $X^2+Y^2$ est inférieur à 1:
+```{r }
 4*mean(df$Accept)
 ```