diff --git a/module2/exo1/toy_notebook_fr.Rmd b/module2/exo1/toy_notebook_fr.Rmd
index e9ff1c89712a057c3937b440dc9b1289ffe43993..3021bec605510cc3192f69966af61edf7f4c5a23 100644
--- a/module2/exo1/toy_notebook_fr.Rmd
+++ b/module2/exo1/toy_notebook_fr.Rmd
@@ -10,24 +10,42 @@ output: html_document
 knitr::opts_chunk$set(echo = TRUE)
 ```
 
-## Quelques explications
+## En demandant à la lib maths
 
-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>.
+Mon ordinateur m'insique que $\pi$
 
-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:
+vaut *approximativement*
+
+```{r pi}
+pi
 
-```{r cars}
-summary(cars)
 ```
 
-Et on peut aussi aisément inclure des figures. Par exemple:
+## 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 pressure, echo=FALSE}
-plot(pressure)
+```{r aiguilles de Buffon}
+set.seed(42)
+N = 100000
+x = runif(N)
+theta = pi/2*runif(N)
+2/(mean(x+sin(theta)>1))
 ```
 
-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. 
+## Avec un argument "fréquentiel" de surface
 
-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.
+Sinon, une méthode plus simple consiste à comprendre et ne faisant pas intervenir d'appel à la fonction sinus se base en fait sur le fait que si $\*X\sim\*U(0,1)$ et $*Y\sim\*U(0,1)$ alors $\*P[X_2+Y_2\le1]=\pi/4$ (voir [méthode de Monte Carlo sur Wikipedia](https://fr.wikipedia.org/wiki/M%C3%A9thode_de_Monte-Carlo)). Le code suivant illustre ce fait:
+
+``` {r methode de monte carlo}
+set.seed(42)
+N = 1000
+df = data.frame(X = runif(N), Y = runif(N))
+df$Accept = (df$X**2 + df$Y**2 <=1)
+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 $\pi$ en comptant combien de fois, en moyenne, $\*X_2+Y_2$ est inférieur à 1:
 
-Maintenant, à vous de jouer! Vous pouvez effacer toutes ces informations et les remplacer par votre document computationnel.
+```{r approximation de pi}
+4*mean(df$Accept)