SÉQUENCE 3 : GRAPHES ET MATRICES : GÉNÉRALITÉS

PARTIE 3 : CHAÎNE DE MARKOV À 2 OU 3 ÉTATS

1. Exemples de calcul de puissances de matrices

Nous allons aborder, dans cette partie, des méthodes de calcul de puissances de matrices.
Les résultats de cette partie ne sont pas exigibles mais permettent d’avoir une vue assez globale sur les
situations que l’on rencontre assez souvent pour le calcul de puissances de matrices.

a) Matrice diagonalisable

Définition Matrice diagonalisable

Une matrice A est dite diagonalisable s’il existe une matrice inversible P et une matrice diagonale D telles
que :
A = PDP −1.

Puissance d’une matrice diagonalisable ⎛ a 0 0 ⎞

⎜ ⎟
Soit une matrice A diagonalisa : A = PDP −1 avec D = ⎜ 0 b 0 ⎟ alors pour tout entier naturel non
⎜⎝ 0 0 c ⎟⎠
⎛ an 0 0 ⎞
⎜ ⎟
nul n, An = PDnP −1 avec Dn = ⎜ 0 bn 0 ⎟.
⎜⎝ 0 0 cn ⎟⎠

Démonstration
Démontrons cette propriété par récurrence et notons Pn la proposition : « An = PDnP −1et
⎛ an 0 0 ⎞
⎜ ⎟
D = ⎜ 0 bn 0 ⎟ . »
n

⎜⎝ 0 0 cn ⎟⎠

⎛ a1 0 0 ⎞
⎜ ⎟
Initialisation : P1 est vraie, en effet : A1 = PD1P −1 avec D1 = ⎜ 0 b1 0 ⎟ .
⎜⎝ 0 0 c1 ⎟⎠

Hérédité : supposons Pn vraie pour un certain entier n , montrons que Pn +1 l’est aussi.
⎛ an 0 0 ⎞
⎜ ⎟
On a : An = PDnP −1et Dn = ⎜ 0 bn 0 ⎟.
⎜⎝ 0 0 cn ⎟⎠

( )( )
Alors : An +1 = An ⋅ A = PDnP −1 ⋅ PDP −1 = PDnP −1PDP −1 = PDnIDP −1 = PDn +1P −1.

CNED – TERMINALE – MATHÉMATIQUES EXPERTES 1

De plus, par un calcul matriciel du produit :
⎛ an 0 0 ⎞ ⎛ a 0 0 ⎞ ⎛ an +1 0 0 ⎞
Dn +1 = Dn ⋅ D = ⎜⎜ 0 bn 0 ⎟
⎟
⎜ ⎟ ⎜
⋅ ⎜ 0 b 0 ⎟ = ⎜ 0 bn +1 0
⎟
⎟.
⎜⎝ 0 0 cn ⎟⎠ ⎜⎝ 0 0 c ⎟⎠ ⎜⎝ 0 0 cn +1 ⎟⎠

La proposition Pn +1 est donc vraie aussi.

Conclusion : Pn est initialisée et héréditaire donc elle est vraie pour tout n ∈ N* .

Remarque
Cette démonstration est à retenir et peut être utile dans certains exercices.

Exemple A
⎛ 0, 9 0 0,1 ⎞ ⎛ 1 0 0 ⎞
⎜ ⎟ ⎜ ⎟
Considérons A = ⎜ 0, 8 0, 2 0 ⎟ . On montre que : A = PDP −1 avec D = ⎜ 0 0, 3 0 ⎟ et
⎜ 0 0, 3 0,7 ⎟ ⎜⎝ 0 0 0,5 ⎟⎠
⎝ ⎠
⎛ 1 −1 −3 ⎞
P = ⎜⎜ 1 −8 −8 ⎟⎟ .
⎜⎝ 1 6 12 ⎟⎠
À l’aide de la calculatrice ou d’un autre outil, déterminer P −1. Quelle formule obtient-on alors pour An ?

Solution
À l’aide de WINS (http://wims.unice.fr/wims/wims.cgi) par exemple, on trouve :

⎛ 24 3 8 ⎞
⎜ ⎟
⎛ 1 −1 −3 ⎞ ⎛ 1 0 0 ⎞ ⎜ 35 35 35 ⎟
⎜ ⎟⎜ ⎟
On en déduit la formule : An = ⎜ 1 −8 −8 ⎟ ⎜ 0 0, 3n 0 ⎟⎜ 2 − 3 − 1 ⎟.
⎜ 7 14 14 ⎟
⎜⎝ 1 6 12 ⎟⎠ ⎜⎝ 0 0 0,5n ⎟⎠ ⎜ ⎟
⎜ −1 1 1 ⎟
⎜⎝ 5 10 10 ⎟⎠

2 CNED – TERMINALE – MATHÉMATIQUES EXPERTES

b) Avec une matrice nilpotente

Définition
On dit qu’une matrice N est une matrice nilpotente ; il existe un entier naturel k tel que N k = 0 .

Exemples
⎛ ⎞ ⎛ ⎞ ⎛ ⎞
Les matrices N = ⎜ 0 0 ⎟ et N' = ⎜ 0 1 ⎟ vérifient : N 2 = ⎜ 0 0 ⎟ = 0 et N' 2 = 0 . Elles sont
⎝ 1 0 ⎠ ⎝ 0 0 ⎠ ⎝ 0 0 ⎠
donc nilpotentes.

Un calcul
⎛ ⎞ ⎛ ⎞
Soit une matrice A = ⎜ 1 0 ⎟ = I + 2N avec N = ⎜ 0 0 ⎟ .
⎝ 2 1 ⎠ ⎝ 1 0 ⎠

Démontrer la propriété suivante An = I + 2nN.

Solution

• Méthode 1 (récurrence)
Rappelons que N est une matrice nilpotentes et que : N 2 = 0 .
Notons Pn la proposition : « An = I + 2nN. »
Initialisation : P1 est vraie, en effet : A1 = I + 2I.
Hérédité : supposons Pn vraie pour un certain entier n , montrons que Pn +1 l’est aussi.
On a : An = I + 2nN. Ainsi :
( )(
An +1 = An ⋅ A = I + 2nN ⋅ I + 2N )
= I2 + 2N + 2nN + 4nN 2
= I + 2( n + 1)N + 0
= I + 2( n + 1)N
La proposition Pn +1 est donc vraie aussi.
Conclusion : Pn est initialisée et héréditaire donc elle est vraie pour tout n ∈ N* .

• Méthode 2 (binôme de Newton)

On a : A = I + 2N. Comme les matrices I et N commutent (c’est-à-dire que : I ⋅ N = N ⋅ I, on peut utiliser
la formule du binôme de Newton :
n ⎛ ⎞
( ) ( )
n k
An = I + 2N = ∑ ⎜ n ⎟ 2N ⋅ I n −k
k =0 ⎝ k ⎠
⎛ ⎞ ⎛ ⎞ n ⎛ ⎞
( )
k −2
= ⎜ n ⎟ I n + ⎜ n ⎟ 2N ⋅ I n + 4N 2 ∑ ⎜ n ⎟ 2N ⋅ I n −k
⎝ 0 ⎠ ⎝ 1 ⎠ k =2 ⎝ k ⎠
n ⎛ ⎞
( )
k −2
= I + 2nN + 0 ⋅ ∑ ⎜ n ⎟ 2N ⋅ I n −k
k =2 ⎝ k ⎠
= I + 2nN

CNED – TERMINALE – MATHÉMATIQUES EXPERTES 3

Remarque

( )
n
• On peut utiliser la formule du binôme pour le calcul de A + B dès que A et B commutent mais
cette formule n’est pas au programme de mathématiques expertes.

c) Une matrice « cyclique »

Exemple
⎛ 0 1 ⎞
Déterminer les puissances J n de J = ⎜ ⎟ en fonction de la parité de n.
⎝ −1 0 ⎠

Solution
⎛ ⎞⎛ ⎞ ⎛ ⎞
Calculons J 2 puis J 3 et J 4. On a : J 2 = ⎜ 0 1 ⎟ ⎜ 0 1 ⎟ = ⎜ −1 0 ⎟ = −I
⎝ −1 0 ⎠ ⎝ −1 0 ⎠ ⎝ 0 −1 ⎠
donc J 3 = J 2 ⋅ J = −I ⋅ J = − J et J 4 = J 3 ⋅ J = − J ⋅ J = − J 2 = −( −I ) = I.
On peut alors conjecturer que pour n ∈ N, on a J 2n = ( −1)n I et J 2n +1 = ( −1)n J , on appelle Pn cette
proposition.
On la montre par récurrence sur n.

Initialisation : P1 est vraie, en effet : J 2 = ( −1)1I et J 3 = ( −1) 3 J.

Hérédité : supposons Pn vraie pour un certain entier n , montrons que Pn +1 l’est aussi.
On a :
J 2( n +1) = J 2n ⋅ J 2 = ( −1)n I ⋅ ( −I ) = ( −1)n +1I et
J 2( n +1) +1 = J 2n +1 ⋅ J 2 = ( −1)n J ⋅ ( −I ) = ( −1)n +1J.

La proposition Pn +1 est donc vraie aussi.

Conclusion : Pn est initialisée et héréditaire donc elle est vraie pour tout n ∈ N* . Elle est aussi vraie pour
n = 0.

Remarque
Les techniques, remarques et méthodes vues ci-dessus s’appliquent indifféremment aux ordres 2 et 3.

2. Puissances d’une matrice d’adjacence

Propriété
Soit un graphe G associé à sa matrice d’adjacence A .
( )
Le nombre de chaînes de longueur n menant du sommet i au sommet j est le coefficient i , j de la
matrice An .

4 CNED – TERMINALE – MATHÉMATIQUES EXPERTES

Démonstration
Soit G un graphe d’ordre m et A sa matrice d’adjacence, posons Pn la proposition définie pour n ∈ N*
par : le nombre de chaînes de longueur n menant du sommet i au sommet j est le coefficient (i, j) de la
matrice An .
Initialisation : P1 est vraie par définition de la matrice de transition.
Hérédité : supposons Pn vraie pour un certain entier n , montrons que Pn +1 l’est aussi.
Les chaînes de longueur n + 1 reliant le sommet i au sommet j sont constituées des chaînes de
longueur n reliant le sommet i aux sommets k prolongées d’une arête reliant le sommet k au sommet j.
Appelons ai(,k) le coefficient (i, k) de la matrice An .
n

Le nombre total de chaînes de longueur n + 1 reliant le sommet i au sommet j est donc

p
∑ai(n,k) × ak ,j = ai(,j
n +1 ) (produit de matrice)
k =1
Conclusion : Pn est initialisée et héréditaire donc elle est vraie pour tout n ∈ N* .

Exemple
Combien de chaînes de 4 arêtes existe-t-il entre les sommets A et B ?

Solution
La matrice d’adjacence, avec les sommets A, B, C et D pris dans cet ordre, est :
⎛ 0 1 0 0 ⎞ ⎛ ⎞
2 4 2 1
⎜ ⎟ ⎜ ⎟
A = ⎜ 0 1 1 0 ⎟ , avec la calculatrice, on obtient A =
4 ⎜ 3 8 4 2 ⎟.
⎜ 1 1 0 1 ⎟ ⎜ 3 7 4 2 ⎟
⎜⎝ 1 0 0 0 ⎟⎠ ⎜ ⎟
⎝ 1 2 1 1 ⎠
Le nombre de chaînes de longueur 4 reliant les sommets A et B correspond au coefficient (1, 2) de la
4
matrice A c’est donc 4.

CNED – TERMINALE – MATHÉMATIQUES EXPERTES 5

2. Chaînes de Markov et probabilités
Dans cette partie nous allons introduire les chaines de Markov.
Elles nous permettrons de modéliser de nombreux problèmes d’évolution de systèmes. Nous verrons
alors l’efficacité de leur représentation en graphe associée à l’efficacité du calcul matriciel.
Tout au long de cette partie, pour présenter les différentes notions, nous nous appuierons sur l’exemple
suivant.

Face à un virus, un individu peut être dans trois états différents :

• ni malade ni immunisé (R) ;
• malade (M) ;
• immunisé (I).

Chaque jour son état peut changer selon les règles suivantes :
• étant immunisé, il a une probabilité de 0,9 de le rester et de 0,1 de passer à l’état (R) ;
• étant malade, il a une probabilité de 0,2 de le rester et de 0,8 de devenir immunisé
• étant dans l’état (R), il a une probabilité de 0,7 de le rester et de 0,3 de devenir malade.
C’est un exemple typique de situation pouvant être modélisée à l’aide d’une chaîne de Markov.

Définition
Considérons un système (ici un individu) qui évolue aléatoirement entre différents états (M, R et I) avec
les propriétés suivantes :
• les évolutions se font à temps discret (par opposition au temps continu, notre système évolue chaque
jour) ;
• le système a un nombre fini d’états (ici : 3) ;
• le système n’a pas de mémoire, c’est-à-dire que, connaissant l’état n, l’état n + 1 est indépendant
des états qui ont précédé l’état n (par exemple, l’évolution à partir de l’état M ne dépend pas des états
précédents).
Pour modéliser de tels systèmes, on définit une chaîne de Markov comme la suite de variables aléatoires
X 0 ,X1,X 2 ,... qui décrivent les états du système à chaque instant. Dans notre exemple on aurait Xn : la
{ }
variable aléatoire à valeur dans M,R,I qui donne l’état de l’individu après n jours.

Définition
En faisant l’hypothèse que l’individu est dans l’état R, on aurait pu modéliser la situation à l’aide de cet
arbre de probabilité :

6 CNED – TERMINALE – MATHÉMATIQUES EXPERTES

Mais cette représentation n’est pas efficace. En effet, des sommets du même nom et des probabilités
identiques sont représentés plusieurs fois, de plus, on fait une hypothèse sur l’état initial.
Voici une autre représentation qui exploite davantage les caractéristiques du problème et qui, en plus, ne
présuppose pas l’état initial de l’individu :

Ce graphe permet de représenter les transitions d’une journée à l’autre : par exemple, sachant que
l’individu est dans l’état I, il a une probabilité de 0,9 d’y rester et de 0,1 de passer à l’état R.
Ce type de graphe orienté et pondéré par les probabilités conditionnelles constitue une représentation
efficace des chaînes de Markov. Ces probabilités conditionnelles (probabilité de passer d’un état à un
autre) sont dans ce cadre appelées probabilités de transition.

Définition
Dans les situations que nous étudierons les probabilités de transition ne dépendront pas de l’étape n
observée. De telles chaînes de Markov sont appelées chaînes de Markov homogènes.
Ainsi, le poids de l’arête reliant le sommet i au sommet j ne dépend pas de n :
Pour tout entier naturel n, on a
PX
n
=i (X n +1 )
= j = PX
0
=i (X 1
= j )

CNED – TERMINALE – MATHÉMATIQUES EXPERTES 7

Définition
Pour permettre la « numérisation » de ces graphes associés à des chaînes de Markov, et dans le même
esprit que pour les matrices d’adjacences, on définit les matrices de transition comme étant les
matrices P = (p ) où le coefficient pi ,j représente la probabilité de passer de l’état i à l’état j.
i ,j
Voici donc la matrice de transition associée à la chaîne de Markov de notre exemple :
vers

I M R

⎛ 0,9 0 0,1 ⎞
de I
⎜ ⎟
P = M
⎜ 0, 8 0,2 0 ⎟
R ⎜ 0 0, 3 0,7 ⎟
⎝ ⎠
Contrairement aux matrices d’adjacences où les coefficients sont le nombre d’arêtes reliant un sommet à
un autre, dans les matrices de transition, les coefficients sont les poids des arêtes.

Propriété
Ces matrices de transition associées à des chaînes de Markov ont plusieurs caractéristiques :
• leurs coefficients sont compris entre 0 et 1 ;
• la somme des coefficients sur chaque ligne vaut 1.
Les matrices carrées qui vérifient ces deux propriétés sont appelées matrices stochastiques.

Démonstration
• Les coefficients étant des probabilités conditionnelles, l’encadrement entre 0 et 1 est immédiat.
• Soit une matrice de transition associée à une chaîne de Markov. Posons m le nombre d’états de la
chaîne de Markov (donc l’ordre du graphe associé).
• Soit i , un entier compris entre 1 et m alors la somme des coefficients de la i -ième ligne est :
m m
∑ pi ,j = ∑PX =i (X1 =
0
j )
j =1 j =1

= ∑
m (
P X 0 = i et X1 = j )
j =1 P X0 = i( )
m
∑P (X 0 = i et X1 = j )
j =1
=
) (
P X0 = i

Or, comme les évènements « X1 = j » pour j ∈ {1; 2;...;m} forment une partition de l’univers de la
variable aléatoire X1 , alors, d’après la formule des probabilités totales on a
m
∑ pi ,j =
(
P X0 = i )
j =1 P (X 0
= i)
=1

8 CNED – TERMINALE – MATHÉMATIQUES EXPERTES

Définition
Pour faciliter le calcul matriciel, on représente la loi de probabilité associée à la variable aléatoire Xn par
la matrice ligne πn = ⎛ πn,1 πn,2 L πn,m ⎞ dont les coefficients πn,i sont les probabilités du système
⎝ ⎠
d’être dans l’état i à l’étape n .
Dans notre exemple, on pourrait écrire : πn = (i n
mn rn . )
Propriété
Soit une chaîne de Markov associée à la matrice de transition P .
Pour tout entier naturel n , on a
πn +1 = πnP

où πn et πn +1 sont les matrices ligne des lois de probabilités associées à Xn et Xn +1.

Démonstration
⎛ p L p1,m ⎞
⎜ 1,1 ⎟
πnP = ⎛ πn,1 πn,2 L πn,m ⎞ ⋅⎜ M O M ⎟
⎝ ⎠ ⎜ ⎟
p
⎜ m,1 L p m,m ⎟
⎝ ⎠
⎛ m m m ⎞
= ⎜
⎜⎝
∑ πn,i pi ,1 ∑ πn,i pi ,2 L ∑ πn,i pi ,m ⎟
⎟⎠
i =1 i =1 i =1

Par définition de la matrice de transition P on a pour tout j ∈ 1; 2;...;m { }

m m
∑ πn,i pi ,j = ∑ P ( Xn )
= i PX
n
=i (X n +1
= j )
i =1 i =1

) ( P (X = i ) )
m P X = j et X =i
= ∑ P ( Xn =i n +1 n

i =1 n
m
= ∑P (Xn +1 = j et X = i ) n
i =1

{ }
Or, comme les événements « Xn = i » pour i ∈ 1; 2;...;m forment une partition de l’univers de la

variable aléatoire Xn , donc, d’après la formule des probabilités totales on a

m
∑ πn,i pi ,j (
= P Xn +1 = j )
i =1
= πn +1,j

CNED – TERMINALE – MATHÉMATIQUES EXPERTES 9

Exemple
Supposons que notre individu soit malade, quelle est la probabilité qu’il soit encore malade le
lendemain ?

Solution
On a π0 = (0 1 0 ) car on est certain qu’il est malade
⎛ 0,9 0 0,1 ⎞
= ( 0 0 ) × ⎜ 0, 8 0,2 0 ⎟ = ⎜ 0, 8 0,2
⎜ ⎟ ⎛ ⎞
donc π1 1 0 ⎟.
⎝ ⎠
⎜ 0 0, 3 0,7 ⎟
⎝ ⎠
La probabilité recherchée est 0,2.

Bien sûr, cette question est très simple et nous aurions pu obtenir le résultat directement à partir des
données du problème initial.
La puissance du calcul matriciel donnera toute sa mesure dans le calcul de la probabilité du malade de
l’être encore au bout de 10 jours :

⎛ 0,9 0 0,1 ⎞
⎜ ⎟
π10 = π9 ⋅ ⎜ 0, 8 0,2 0 ⎟
⎜ 0 0, 3 0,7 ⎟
⎝ ⎠
2
⎛ 0,9 0 0,1 ⎞ ⎛ 0,9 0 0,1 ⎞ ⎛ 0,9 0 0,1 ⎞
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
= π8 ⋅ ⎜ 0, 8 0,2 0 ⎟ ⋅ ⎜ 0, 8 0,2 0 ⎟ = π8 ⋅ ⎜ 0, 8 0,2 0 ⎟
⎜ 0 0, 3 0,7 ⎟ ⎜ 0 0, 3 0,7 ⎟ ⎜ 0 0, 3 0,7 ⎟
⎝ ⎠ ⎝ ⎠ ⎝ ⎠
3
⎛ 0,9 0 0,1 ⎞
⎜ ⎟
= π7 ⋅ ⎜ 0, 8 0,2 0 ⎟
⎜ 0 0, 3 0,7 ⎟
⎝ ⎠
= ...
10
⎛ 0,9 0 0,1 ⎞
⎜ ⎟
= π0 ⋅ ⎜ 0, 8 0,2 0 ⎟
⎜ 0 0, 3 0,7 ⎟
⎝ ⎠
10
⎛ 0,9 0 0,1 ⎞
= (0 1 0 ) ⎜ ⎟
⋅ ⎜ 0, 8 0,2 0 ⎟ .
⎜ 0 0, 3 0,7 ⎟
⎝ ⎠

Cette dernière matrice peut se calculer à l’aide de l’exemple A du premier paragraphe. Toutefois, ce type
de calcul matriciel s’effectue très facilement à l’aide de calculatrices ou d’autres outils numériques.
Les calculs de puissances de matrices étudiés dans la première partie seront surtout utiles pour la 2e
séquence relative aux chaînes de Markov (la séquence 6).

⎛ ⎞
Ici, on trouve : π10 ≈ ⎜ 0,7502159 0,091128 0,245481 ⎟
⎝ ⎠

10 CNED – TERMINALE – MATHÉMATIQUES EXPERTES

3. Chaînes de Markov et distributions
Souvent, les probabilités conditionnelles caractérisant le système étudié sont obtenues à partir
d’observations empiriques sur une population suffisamment grande.
Ainsi dans notre exemple, on peut imaginer que les probabilités aient été déduites d’observations
réalisées à grande échelle, dans le but de prédire l’évolution d’une maladie.

Propriété (admise)
Si on ne considère plus les matrices lignes πn comme étant une représentation de la loi de la variable
aléatoire Xn , mais comme une distribution en fréquences d’une population (suffisamment grande) à
un instant n , la modélisation reste inchangée. En particulier le graphe, sa matrice de transition et par
conséquent la relation πn +1 = πnP restent valables.

Approche de la démonstration
Cette démonstration repose sur la loi des grands nombres qui peut s’interpréter dans ce contexte
comme : les lois de probabilité des variables aléatoires Xn peuvent être approchées par les distributions
des fréquences observées à grande échelle aux déférentes étapes.

Exemple
À un instant donné, la distribution de la population entre les différents états (I, M et R) est la suivante :
I M R
3% 7% 90 %
Déterminer la distribution le lendemain.

Solution
On a : π0 = ( 0,03 )
0,07 0 ,90 donc :

⎛ 0,9 0 0,1 ⎞
π1 = ( 0,03 0,07 0,90 ) ⎜ ⎟
× ⎜ 0, 8 0,2 0 ⎟ ≈
⎜ 0 0, 3 0,7 ⎟
( 0,08 0,29 0,63 )
⎝ ⎠

Donc, le lendemain on a :
I M R
8% 29 % 63 %

Propriété
Nous pouvons même aller plus loin, en ne considérant plus les matrices lignes πn comme les
distributions en fréquences de la population aux instants n, mais comme des distributions en effectifs.

CNED – TERMINALE – MATHÉMATIQUES EXPERTES 11

La modélisation avec le graphe est naturellement conservée, tout comme la matrice de transition, mais
surtout, la relation πn +1 = πnP est toujours vraie.

Démonstration
Soit πn la distribution en effectifs de la population à l’instant n. Notons N l’effectif total, alors :
⎛ π πn,2 πn,m ⎞
1 π = ⎜ n,1 L ⎟ est la matrice ligne des distributions en fréquence donc
N n ⎜ N N N ⎟
⎝ ⎠
⎛1 ⎞ 1π
⎜⎝ πn ⎟⎠ × P = ⇔ πnP = πn +1.
N N n +1

Exemple
Un département doit prévoir jour après jour le niveau de stocks d’un certain médicament pour soigner les
malades.
Le premier jour, le département compte 200 000 personnes immunisées, 50 000 malades et 500 000
personnes dans l’état R.
Prédire le nombre de malades le lendemain.

Solution
On a π0 = ( 200000 50000 500000 ) donc :
⎛ 0,9 0 0,1 ⎞
π1 = ( 200000 50000 500000 ) ⎜ ⎟
⎜ 0 0, 3 0,7 ⎟
⎛
× ⎜ 0, 8 0,2 0 ⎟ = ⎜ 220000
⎝
160000
⎞
370000 ⎟ .
⎠
⎝ ⎠

Donc, le lendemain, on a : 160 000 malades.

12 CNED – TERMINALE – MATHÉMATIQUES EXPERTES