3e et dernière correction

module2/exo1/toy_document_orgmode_python_fr.org

@@ -25,10 +25,8 @@ pi
 
 
 * 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* :
+ [[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
@@ -46,8 +44,8 @@ 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 $P[X^2 + Y²\le1] = \pi/4$ (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]]). 
+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 $P[X^2+Y²\le1] = \pi/4$ (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 :
 
 #+begin_src python :results output file :var matplot_lib_filename="figure_pi_mc2.png" :exports both :session *python*
@@ -75,12 +73,10 @@ print(matplot_lib_filename)
 
 
 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 :
+ en comptant combien de fois, en moyenne, $X² + Y²$  est inférieur à 1 :
 #+begin_src python :results output :session *python* :exports both
 4*np.mean(accept)
 #+end_src
 
 #+RESULTS:
 : 3.112
-
-