diff --git a/module2/exo1/toy_document_fr.Rmd b/module2/exo1/toy_document_fr.Rmd
index aa8e3a7267ddc7cb8a725ea174054205946b7cc5..70f9a282fa052db2a7d7f9be1dfdc5e40729516d 100644
--- a/module2/exo1/toy_document_fr.Rmd
+++ b/module2/exo1/toy_document_fr.Rmd
@@ -8,23 +8,29 @@ 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 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** :
-```
+
+## 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}
 set.seed(42)
 N = 100000
 x = runif(N)
 theta = pi/2*runif(N)
 2/(mean(x+sin(theta)>1))
 ```
-# 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 $P[X^2 + Y^2 = \pi/4$ (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:
-```
+
+## 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 $P[X^2+Y^2\leq 1] = \pi/4$ (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}
 set.seed(42)
 N = 1000
 df = data.frame(X = runif(N), Y = runif(N))
@@ -32,7 +38,9 @@ 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:
-```
+
+```{r}
 4*mean(df$Accept)
 ```
\ No newline at end of file