Presque fin du module 2

journal/Journal-de-bord_MOOC-RR_Marc-Oudart_2.Rmd

@@ -191,7 +191,35 @@ install.packages("rticles")
 ```
 Ensuite _File_ --> _New file_ --> _RMarkdown_ --> _From template_  
 
+## Suite sur git et Gitlab dans RStudio
+
+Création d'un compte Gitlab. Identifiants : marc-oudart.  
+Création d'un nouveau projet.  
+Cloner son projet sur son ordi avec _git clone_.  
+Créer un nouveau fichier et ajouter au versionnage avec _git add_.  
+Commit avec _git commit_.  
+Pousser avec _git push_.  
+Rentrer ses identifiants et mots de passe.  
+On peut sauvegarder ses id et mdp avec :  
+```{bash}
+git config credential.helper store
+```
+
+  
+Toutes les opérations au dessus peuvent se faire avec des boutons clickables dans RStudio.  
+  
+__Problèmes de identifiants et mots de passe :  
+Ouvrir un terminal (possible dans RStudio à côté de la console) en mode _administrateur_.  
+```{bash}
+git config --system --unset credential.helper
+```
+
+## Retour en arrière de versions sur Gitlab
 
+Sur Gitlab, aller sur un fichier et dans l'onglet _history_.  
+Rechercher le commit antérieur d'intérêt et faire _browse file_.  
+_Download_ dans le dossier.  
+Repartir de là pour remplacer le fichier.  
 
 
 <!-- ## R Markdown

module2/exo1/Exo1_module2.Rmd

+---
+title: "À propos du calcul de pi"
+author: "_Arnaud Legrand_"
+date: "_25 juin 2018_"
+output: html_document
+---
+
+# En demandant à la lib maths
+
+Mon ordinateur m'indique que $\pi$ vaut _approximativement_  
+
+```{r}
+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__ :  
+
+```{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 $P[X^2 + Y^2 \le 1] = \pi/4$ (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:
+
+```{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()
+```
+
+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)
+```
+

module2/exo3/Exo 2 et 3 module 2.Rmd

+---
+title: "Exo 2 module 3"
+author: "Marc"
+date: "06/04/2020"
+output: html_document
+---
+
+```{r setup, include=FALSE}
+knitr::opts_chunk$set(echo = TRUE)
+```
+
+## Chargement des valeurs dans un objet
+
+```{r}
+a <- c(14.0, 7.6, 11.2, 12.8, 12.5, 9.9, 14.9, 9.4, 16.9, 10.2, 14.9, 18.1, 7.3, 9.8, 10.9,12.2, 9.9, 2.9, 2.8, 15.4, 15.7, 9.7, 13.1, 13.2, 12.3, 11.7, 16.0, 12.4, 17.9, 12.2, 16.2, 18.7, 8.9, 11.9, 12.1, 14.6, 12.1, 4.7, 3.9, 16.9, 16.8, 11.3, 14.4, 15.7, 14.0, 13.6, 18.0, 13.6, 19.9, 13.7, 17.0, 20.5, 9.9, 12.5, 13.2, 16.1, 13.5, 6.3, 6.4, 17.6, 19.1, 12.8, 15.5, 16.3, 15.2, 14.6, 19.1, 14.4, 21.4, 15.1, 19.6, 21.7, 11.3, 15.0, 14.3, 16.8, 14.0, 6.8, 8.2, 19.9, 20.4, 14.6, 16.4, 18.7, 16.8, 15.8, 20.4, 15.8, 22.4, 16.2, 20.3, 23.4, 12.1, 15.5, 15.4, 18.4, 15.7, 10.2, 8.9, 21.0)
+a
+```
+
+## Calcul de la moyenne
+
+```{r}
+mean(a)
+```
+
+## Calcul de l'écart type
+
+```{r}
+sd(a)
+```
+
+## Calcul du minimum
+
+```{r}
+min(a)
+```
+
+## Calcul de la médiane
+
+```{r}
+median(a)
+```
+
+## Calcul du maximum
+
+```{r}
+max(a)
+```
+
+## Séquence plot
+
+```{r}
+plot(a, type = "l", col = "blue", xlab = "", ylab = "")
+```
+
+## Histogramme
+
+```{r}
+hist(a, xlab = "", ylab = "", main = "", col = "blue", xlim = c(0,25))
+```
+