From e237ffde92b0f7a1d64b0caf9abd1f6cfca1ba85 Mon Sep 17 00:00:00 2001 From: d581efc242e1e06dfa8d0dea8ee470e0 Date: Mon, 6 Apr 2020 14:57:48 +0000 Subject: [PATCH] Premier essai de l'exercice --- module2/exo1/toy_document_fr.Rmd | 47 +++++++++++++++++++------------- 1 file changed, 28 insertions(+), 19 deletions(-) diff --git a/module2/exo1/toy_document_fr.Rmd b/module2/exo1/toy_document_fr.Rmd index 7eece5e..6db5bdd 100644 --- a/module2/exo1/toy_document_fr.Rmd +++ b/module2/exo1/toy_document_fr.Rmd @@ -1,33 +1,42 @@ --- -title: "Votre titre" -author: "Votre nom" -date: "La date du jour" +title: "À propos du calcul de pi" +author: "Arnaud Legrand" +date: "25 juin 2018" output: html_document --- +# En demandant à la lib maths -```{r setup, include=FALSE} -knitr::opts_chunk$set(echo = TRUE) +Mon ordinateur m'indique que $\pi$ vaut _approximativement_ +``` +pi ``` -## Quelques explications - -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 . - -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: +# En utilisant la méthode des aiguilles de Buffon -```{r cars} -summary(cars) +Mais calculé avec la __méthode__ des (aiguilles de Buffon)[https://fr.wikipedia.org/wiki/Aiguille_de_Buffon], on obtiendrait comme __approximation__ : +``` +set.seed(42) +N = 100000 +x = runif(N) +theta = pi/2*runif(N) +2/(mean(x+sin(theta)>1)) ``` -Et on peut aussi aisément inclure des figures. Par exemple: +# Avec un argument "fréquentiel" de surface -```{r pressure, echo=FALSE} -plot(pressure) +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[$X^2$ + $Y^2$ $\le$ 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: +``` +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() ``` -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. - -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. +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: +``` +4*mean(df$Accept) +``` -Maintenant, à vous de jouer! Vous pouvez effacer toutes ces informations et les remplacer par votre document computationnel. -- 2.18.1