Commit

module2/exo1/toy_document_en.knit.md

+---
+title: "Your title"
+author: "Hugues de Courson"
+date: "Today's date"
+output: html_document
+---
+
+
+
+
+## Some explanations
+
+This is an R Markdown document that you can easily export to HTML, PDF, and MS Word formats. For more information on R Markdown, see <http://rmarkdown.rstudio.com>.
+
+When you click on the button **Knit**, the document will be compiled in order to re-execute the R code and to include the results into the final document. As we have shown in the video, R code is inserted as follows:
+
+
+```r
+summary(cars)
+```
+
+```
+##      speed           dist       
+##  Min.   : 4.0   Min.   :  2.00  
+##  1st Qu.:12.0   1st Qu.: 26.00  
+##  Median :15.0   Median : 36.00  
+##  Mean   :15.4   Mean   : 42.98  
+##  3rd Qu.:19.0   3rd Qu.: 56.00  
+##  Max.   :25.0   Max.   :120.00
+```
+
+It is also straightforward to include figures. For example:
+
+<img src="toy_document_en_files/figure-html/pressure-1.png" width="672" />
+
+Note the parameter `echo = FALSE` that indicates that the code will not appear in the final version of the document. We recommend not to use this parameter in the context of this MOOC, because we want your data analyses to be perfectly transparent and reproducible.
+
+Since the results are not stored in Rmd files, you should generate an HTML or PDF version of your exercises and commit them. Otherwise reading and checking your analysis will be difficult for anyone else but you.
+
+Now it's your turn! You can delete all this information and replace it by your computational document.
+
+<!-- voici mon premier travail-->

module2/exo1/toy_document_fr.knit.md

+---
+title: "Votre titre"
+author: "Hugues de Courson"
+date: "La date du jour"
+output: html_document
+---
+
+
+
+
+#A propos du calcul de pi
+
+###*Arnaud Legrand*
+
+###*25 juin 2018*
+
+##En demandant à la lib maths
+
+Mon ordinateur m'indique que $\pi$ vaut *approximativement*
+
+
+```r
+pi
+```
+
+```
+## [1] 3.141593
+```
+
+##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), 
+
+
+```r
+set.seed(42)
+N = 100000
+x = runif(N)
+theta = pi/2*runif(N)
+2/(mean(x+sin(theta)>1))
+```
+
+```
+## [1] 3.14327
+```
+
+##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 $P[X^2 +Y^2 ≤ 1] = \pi/4$ (voir [méthode de Monte Carlo sur Wikipédia](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))
+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()
+```
+
+<img src="toy_document_fr_files/figure-html/unnamed-chunk-3-1.png" width="672" />
+
+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)
+```
+
+```
+## [1] 3.156
+```
+

module2/exo1/toy_document_fr.utf8.md

+---
+title: "Votre titre"
+author: "Hugues de Courson"
+date: "La date du jour"
+output: html_document
+---
+
+
+
+
+#A propos du calcul de pi
+
+###*Arnaud Legrand*
+
+###*25 juin 2018*
+
+##En demandant à la lib maths
+
+Mon ordinateur m'indique que $\pi$ vaut *approximativement*
+
+
+```r
+pi
+```
+
+```
+## [1] 3.141593
+```
+
+##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), 
+
+
+```r
+set.seed(42)
+N = 100000
+x = runif(N)
+theta = pi/2*runif(N)
+2/(mean(x+sin(theta)>1))
+```
+
+```
+## [1] 3.14327
+```
+
+##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 $P[X^2 +Y^2 ≤ 1] = \pi/4$ (voir [méthode de Monte Carlo sur Wikipédia](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))
+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()
+```
+
+<img src="toy_document_fr_files/figure-html/unnamed-chunk-3-1.png" width="672" />
+
+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)
+```
+
+```
+## [1] 3.156
+```
+

module3/exo2/exercice_fr.Rmd

@@ -107,4 +107,22 @@ inc_annuelle = data.frame(annee = annees,
                           incidence = sapply(annees, pic_annuel))
 head(inc_annuelle)
 
-```
\ No newline at end of file
+```
+
+Maintenant il s'agit de savoir quelle est l'année avec la plus grande incidence, pour cela on trie le dataset en fonction de l'incidence, de manière décroissante 
+
+```{r}
+inc_annuelle <- inc_annuelle[order(-inc_annuelle$incidence),]
+```
+
+L'année avec la plus haute incidence est donc :
+```{r}
+head(inc_annuelle)
+```
+
+Et celle avec la plus faible incidence est donc :
+```{r}
+tail(inc_annuelle)
+```
+
+