diff --git a/module3/exo3/exercice_python_fr.org b/module3/exo3/exercice_python_fr.org
index b9f81952652c13c86b43d616c7c3f41f81644161..37a5a44cfa6d67282cfbd6958e35d04a3c04b279 100644
--- a/module3/exo3/exercice_python_fr.org
+++ b/module3/exo3/exercice_python_fr.org
@@ -125,14 +125,14 @@ pour l'affichage des données, et on affiche les données brutes.
 #+RESULTS:
 [[file:rawData.png]]
 
-On remarque sur la figure la supperposition de deux phénomènes :
+On remarque sur la figure la superposition de deux phénomènes :
 1. Un phénomène périodique de faible amplitude. 
 2. Une croissance lente avec une forme qui ressemble à un début de
    parabole.
 ** /Zoom/ sur l'affichage des données 
 
 Effectuons un /zoom/ sur une période de temps plus courte caractériser
-les oscillations rapides observés précédément.
+les oscillations rapides observés précédemment.
 
 #+begin_src python :results file :session :var matplot_lib_filename="zoomRawData.png" :exports both
   # Window's size where we want to zoom. 
@@ -203,11 +203,11 @@ module =numpy= et l'on affiche les résultats avec =matplotlib=.
 
 Sur ce graphique on peut voir l'ensemble du spectre des mesures. On
 remarque quelques pics qui devraient correpondre au phénomène
-périodique. On tentera de caractériser plus précisement ses pics.
+périodique. On tentera de caractériser plus précisément ses pics.
 ** FFT zoom
 
 On effectue un zoom sur la partie positive du graphique pour tenter de
-caractériser les différérentes fréquences d'oscillations du signal.
+caractériser les différentes fréquences d'oscillations du signal.
 
 #+begin_src python :results file :session :var matplot_lib_filename="fftZoom.png" :exports both
   startIndx = 10
@@ -229,7 +229,7 @@ caractériser les différérentes fréquences d'oscillations du signal.
 
 On remarque sur le spectre du signal que le phénomène périodique
 possède deux pics d'amplitudes d'environ 1400 et 4000. On suppose que
-le premier pic avec une plus grande amlitude correspond au phénomène
+le premier pic avec une plus grande amplitude correspond au phénomène
 périodique que l'on a mis en évidence dans le graphique temporel des
 données. En effet on a supposé précédemment que les oscillations
 avaient une période de un an, notre unité de temps étant une semaine,
@@ -238,7 +238,7 @@ année a 52 semaine : \( f = \frac{1}{52} \approx 0.019 \) ce qui reste
 cohérent avec les résultats dans le graphique.
 ** Filtrage de la contribution lente
 
-On élimine toutes les valeurs supérieures aux seuis établis précédemment
+On élimine toutes les valeurs supérieures aux seuils établis précédemment
 dans le spectre pour éliminer la contribution lente dans le signal.
 
 #+begin_src python :results file :session :var matplot_lib_filename="smallOsillations.png" :exports both
@@ -301,7 +301,7 @@ Effectuons un zoom sur le signal reconstruit :
 #+RESULTS:
 [[file:smallOsillationsTimeZoom.png]]
 
-On peut déduire que le phénomère périodique a une amplitude de cinq d'après le graphique. 
+On peut déduire que le phénomène périodique a une amplitude de cinq d'après le graphique. 
 ** Filtrage du phénomène périodique
 On souhaite maintenant filtrer le phénomène périodique ce qui pourrait
 nous aider a mieux comprendre la contribution lente. On élimine donc
@@ -329,7 +329,7 @@ toutes les valeurs inférieures au seuil établit précédemment.
 
 ** Reconstruction du signal : contribution lente
 
-Finalement on recontruit le signal temporel puis l'on affiche afin de
+Finalement on reconstruit le signal temporel puis l'on affiche afin de
 mieux le caractériser.
 
 #+begin_src python :results file :session :var matplot_lib_filename="bigOsillationsTime.png" :exports both
@@ -372,7 +372,7 @@ contribution lente. Tentons de le comparer avec les mesures.
 #+RESULTS:
 [[file:bigOsillationsComparisons.png]]
 
-Malheurement, cette approche nous permet pas d'avoir plus
+Malheuresement, cette approche nous permet pas d'avoir plus
 d'informations pertinentes quant à cette contribution lente. Donc par
 la suite on décidera de modéliser cette contribution par un polynôme
 d'ordre 2.