diff --git a/module2/exo1/toy_document_fr.Rmd b/module2/exo1/toy_document_fr.Rmd
index e0cfd0a5ae782ca31b3678bafc157605fde9c396..b9595cc9b71493dcd95e5f7d495cceee05f0b1fe 100644
--- a/module2/exo1/toy_document_fr.Rmd
+++ b/module2/exo1/toy_document_fr.Rmd
@@ -18,14 +18,10 @@ pi
 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)
-
+set.seed(42)  
+N = 100000  
+x = runif(N)  
+theta = pi/2*runif(N)  
 2/(mean(x+sin(theta)>1))
 ```
 
@@ -38,16 +34,11 @@ $P[X^{2} + Y^{2} \leq 1]= \pi /4$
 (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$Y**2 <=1)
-
-library(ggplot2)
-
+set.seed(42)  
+N = 1000  
+df = data.frame(X = runif(N), Y = runif(N))  
+df$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()
 ```