diff --git a/module2/exo1/toy_document_fr.Rmd b/module2/exo1/toy_document_fr.Rmd index d31da9c38c71708c89bd03b1627aa475894e3203..67d03a6efba67041cb0cee1298f09c44ab8a3b5b 100644 --- a/module2/exo1/toy_document_fr.Rmd +++ b/module2/exo1/toy_document_fr.Rmd @@ -1,7 +1,7 @@ --- -title: "Votre titre" +title: "À propos du calcul de pi" author: "Frédéric Allaire" -date: "La date du jour" +date: "8 février 2021" output: html_document --- @@ -10,24 +10,35 @@ output: html_document knitr::opts_chunk$set(echo = TRUE) ``` -## 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: - -```{r cars} -summary(cars) +# En demandant à la lib maths +Mon ordinateur m'indique que $\pi$ vaut *approximativement* +```{r pi_ordi} +pi ``` -Et on peut aussi aisément inclure des figures. Par exemple: - -```{r pressure, echo=FALSE} -plot(pressure) +# 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 buffon} +set.seed(42) +N = 100000 +x = runif(N) +theta = pi/2*runif(N) +2/(mean(x+sin(theta)>1)) ``` -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. +# 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 mc} +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() +``` -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: +```{r} +4*mean(df$Accept) +``` -Maintenant, à vous de jouer! Vous pouvez effacer toutes ces informations et les remplacer par votre document computationnel. diff --git a/module2/exo1/toy_document_fr.html b/module2/exo1/toy_document_fr.html index efbd9ba12959a6fbf01d6973779d7bacbd7d15b3..8616d76bb4f8f28079ca7a8d7f96f464fa2543fb 100644 --- a/module2/exo1/toy_document_fr.html +++ b/module2/exo1/toy_document_fr.html @@ -12,7 +12,7 @@ -Votre titre +À propos du calcul de pi @@ -189,30 +189,47 @@ $(document).ready(function () { -

Votre titre

+

À propos du calcul de pi

Frédéric Allaire

-

La date du jour

+

8 février 2021

-
-

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 http://rmarkdown.rstudio.com.

-

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:

-
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
-

Et on peut aussi aisément inclure des figures. Par exemple:

-

-

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.

-

Maintenant, à vous de jouer! Vous pouvez effacer toutes ces informations et les remplacer par votre document computationnel.

+
+

En demandant à la lib maths

+

Mon ordinateur m’indique que \(\pi\) vaut approximativement

+
pi
+
## [1] 3.141593
+
+
+

En utilisant la méthode des aiguilles de Buffon

+

Mais calculé avec la méthode des aiguilles 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))
+
## [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 \(P[X^2 + Y^2 \le 1] = \pi/4\) (voir méthode de Monte Carlo sur Wikipedia). 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)
+
## Registered S3 methods overwritten by 'ggplot2':
+##   method         from 
+##   [.quosures     rlang
+##   c.quosures     rlang
+##   print.quosures rlang
+
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:

+
4*mean(df$Accept)
+
## [1] 3.156