insight.Se connecter

Mathématiques · Terminale

Concentration, loi des grands nombres : cours et fiche de révision (Mathématiques, Terminale)

Programme officiel, session 2027. Mis à jour le 12 novembre 2026. 9 min de lecture.

Ce que contient ce chapitre

  • L'écart-type, unité de dispersion
  • L'inégalité de Bienaymé-Tchebychev
  • L'inégalité de concentration
  • Choisir une taille d'échantillon
  • La loi des grands nombres
  • Bienaymé-Tchebychev face à la loi binomiale

À quoi sert ce chapitre

Quand tu lances une pièce équilibrée 1 000 fois, tu t'attends à « à peu près » 500 fois pile. Mais que veut dire « à peu près » ? Un écart de 10 est-il banal ? Ce chapitre y répond en chiffres.

Il repose sur un outil unique, l'inégalité de Bienaymé-Tchebychev, qui majore la probabilité qu'une variable aléatoire s'éloigne de son espérance. On en tire l'inégalité de concentration, qui porte sur la moyenne d'un échantillon, et la loi des grands nombres. C'est ce qui justifie qu'un sondage renseigne sur toute une population, et ce qui permet de choisir la taille d'un échantillon selon la précision et le risque acceptés.

L'écart-type, unité naturelle de dispersion

Soit XX une variable aléatoire d'espérance μ=E(X)\mu = E(X), de variance V=V(X)V = V(X) et d'écart-type σ=V\sigma = \sqrt{V}. L'écart entre XX et son espérance se mesure par ∣X−μ∣|X - \mu|.

Traduire un événement d'écart

Pour un réel δ>0\delta > 0 :

  • ∣X−μ∣<δ|X - \mu| < \delta signifie μ−δ<X<μ+δ\mu - \delta < X < \mu + \delta : XX est dans l'intervalle ouvert ]μ−δ ; μ+δ[]\mu - \delta \,;\, \mu + \delta[ ;
  • ∣X−μ∣⩾δ|X - \mu| \geqslant \delta signifie X⩽μ−δX \leqslant \mu - \delta ou X⩾μ+δX \geqslant \mu + \delta : XX est hors de cet intervalle.

Ces deux événements sont contraires, donc :

P(∣X−μ∣<δ)=1−P(∣X−μ∣⩾δ)P(|X - \mu| < \delta) = 1 - P(|X - \mu| \geqslant \delta)

Le rôle de l'écart-type

L'écart-type σ\sigma est l'unité naturelle de la dispersion de XX autour de μ\mu : des écarts de l'ordre de σ\sigma sont normaux, des écarts de plusieurs σ\sigma deviennent improbables. L'inégalité suivante le quantifie.

L'inégalité de Bienaymé-Tchebychev

Énoncé

Soit XX une variable aléatoire d'espérance μ\mu et de variance VV. Pour tout réel δ\delta strictement positif :

P(∣X−μ∣⩾δ)⩽Vδ2P(|X - \mu| \geqslant \delta) \leqslant \frac{V}{\delta^2}

Trois remarques sur cet énoncé :

  • il est universel : il s'applique à toute variable aléatoire dont on connaît l'espérance et la variance, sans rien savoir de sa loi ;
  • il donne un majorant, pas la valeur de la probabilité ;
  • au numérateur figure la variance V=σ2V = \sigma^2, et non l'écart-type ; au dénominateur, δ\delta est au carré.

Passer à l'événement contraire

Comme les événements ∣X−μ∣⩾δ|X - \mu| \geqslant \delta et ∣X−μ∣<δ|X - \mu| < \delta sont contraires, l'inégalité donne aussi une minoration :

P(∣X−μ∣<δ)⩾1−Vδ2P(|X - \mu| < \delta) \geqslant 1 - \frac{V}{\delta^2}

Attention au sens : majorer la probabilité d'un événement revient à minorer celle de son contraire.

Exemple travaillé

Une variable XX a pour espérance μ=50\mu = 50 et pour variance V=16V = 16. Majorons la probabilité qu'elle s'écarte de 5050 d'au moins 1010 : ici δ=10\delta = 10, donc

P(∣X−50∣⩾10)⩽16102=0,16P(|X - 50| \geqslant 10) \leqslant \frac{16}{10^2} = 0{,}16

et, par passage au contraire, P(40<X<60)⩾1−0,16=0,84P(40 < X < 60) \geqslant 1 - 0{,}16 = 0{,}84.

Écarts mesurés en nombre d'écarts-types

Prends δ=kσ\delta = k\sigma avec k>0k > 0. Comme V=σ2V = \sigma^2 :

P(∣X−μ∣⩾kσ)⩽σ2k2σ2=1k2P(|X - \mu| \geqslant k\sigma) \leqslant \frac{\sigma^2}{k^2\sigma^2} = \frac{1}{k^2}

Ainsi :

  • un écart d'au moins 2σ2\sigma : probabilité au plus 14\dfrac{1}{4} ;
  • un écart d'au moins 3σ3\sigma : probabilité au plus 19\dfrac{1}{9}.

Pour k=1k = 1, le majorant vaut 11 : l'inégalité n'apprend rien, ce qui est cohérent — des écarts de l'ordre de σ\sigma sont naturels.

L'inégalité de concentration

La moyenne d'un échantillon

Un échantillon de taille nn de XX est une liste (X1,…,Xn)(X_1, \dots, X_n) de variables indépendantes de même loi que XX. Sa variable moyenne est :

Mn=X1+X2+⋯+XnnM_n = \frac{X_1 + X_2 + \dots + X_n}{n}

Tu as vu au chapitre précédent que, si XX a pour espérance μ\mu et pour variance VV :

E(Mn)=μetV(Mn)=Vn\begin{gathered}E(M_n) = \mu \\ \text{et} \\ V(M_n) = \frac{V}{n}\end{gathered}

Même espérance que XX, mais une variance nn fois plus petite, donc un écart-type σn\dfrac{\sigma}{\sqrt{n}} : plus l'échantillon est grand, plus MnM_n est resserrée autour de μ\mu.

Énoncé

Si MnM_n est la variable aléatoire moyenne d'un échantillon de taille nn d'une variable aléatoire d'espérance μ\mu et de variance VV, alors pour tout δ>0\delta > 0 :

P(∣Mn−μ∣⩾δ)⩽Vnδ2P(|M_n - \mu| \geqslant \delta) \leqslant \frac{V}{n\delta^2}

C'est Bienaymé-Tchebychev appliquée à MnM_n, d'espérance μ\mu et de variance Vn\dfrac{V}{n}.

Exemple travaillé

On lance 100 fois un dé équilibré ; M100M_{100} est la moyenne des résultats. Pour un lancer, μ=3,5\mu = 3{,}5 et V=3512V = \dfrac{35}{12}. Majorons la probabilité que la moyenne s'écarte de 3,53{,}5 d'au moins 0,50{,}5 :

P(∣M100−3,5∣⩾0,5)⩽35/12100×0,52=35/1225=35300≈0,117P(|M_{100} - 3{,}5| \geqslant 0{,}5) \leqslant \frac{35/12}{100 \times 0{,}5^2} = \frac{35/12}{25} = \frac{35}{300} \approx 0{,}117

Donc P(3<M100<4)⩾1−0,117P(3 < M_{100} < 4) \geqslant 1 - 0{,}117, soit au moins 0,883 environ.

Choisir une taille d'échantillon

C'est la capacité attendue du chapitre. On fixe :

  • une précision δ\delta : l'écart maximal toléré entre MnM_n et μ\mu ;
  • un risque α\alpha : la probabilité maximale acceptée de dépasser cet écart.

On cherche nn tel que P(∣Mn−μ∣⩾δ)⩽αP(|M_n - \mu| \geqslant \delta) \leqslant \alpha. Il suffit que le majorant le soit :

Vnδ2⩽α⟺n⩾Vαδ2\frac{V}{n\delta^2} \leqslant \alpha \quad \Longleftrightarrow \quad n \geqslant \frac{V}{\alpha\delta^2}

Exemple travaillé

On lance nn fois une pièce équilibrée ; MnM_n est la fréquence de pile. Chaque lancer suit la loi de Bernoulli de paramètre p=0,5p = 0{,}5, donc μ=0,5\mu = 0{,}5 et V=p(1−p)=0,25V = p(1-p) = 0{,}25.

On veut que la fréquence soit à moins de 0,05 de 0,5, avec un risque d'au plus 5 %.

  1. Précision : δ=0,05\delta = 0{,}05. Risque : α=0,05\alpha = 0{,}05.
  2. Majorant : Vnδ2=0,25n×0,0025=100n\dfrac{V}{n\delta^2} = \dfrac{0{,}25}{n \times 0{,}0025} = \dfrac{100}{n}.
  3. Condition : 100n⩽0,05⟺n⩾1000,05=2 000\dfrac{100}{n} \leqslant 0{,}05 \Longleftrightarrow n \geqslant \dfrac{100}{0{,}05} = 2\,000.

Avec n=2 000n = 2\,000 lancers, on est sûr que P(∣Mn−0,5∣⩾0,05)⩽0,05P(|M_n - 0{,}5| \geqslant 0{,}05) \leqslant 0{,}05, donc que P(0,45<Mn<0,55)⩾0,95P(0{,}45 < M_n < 0{,}55) \geqslant 0{,}95.

Une condition suffisante, pas nécessaire

Le raisonnement prouve que n⩾2 000n \geqslant 2\,000 suffit, pas qu'il faut 2 000 lancers : l'inégalité étant grossière, une taille plus petite peut déjà convenir. C'est une condition suffisante.

Quand Vαδ2\dfrac{V}{\alpha\delta^2} n'est pas un entier, on prend l'entier immédiatement supérieur : si le calcul donne n⩾416,7n \geqslant 416{,}7, la plus petite taille garantie est n=417n = 417.

La loi des grands nombres

Énoncé

Soit MnM_n la moyenne d'un échantillon de taille nn d'une variable aléatoire d'espérance μ\mu. Pour tout réel δ>0\delta > 0 :

lim⁡n→+∞P(∣Mn−μ∣⩾δ)=0\lim_{n \to +\infty} P(|M_n - \mu| \geqslant \delta) = 0

En mots : l'écart entre la moyenne d'un échantillon et l'espérance ne dépasse une valeur donnée à l'avance qu'avec une probabilité qui tend vers zéro quand la taille de l'échantillon tend vers l'infini.

Pourquoi c'est vrai

Fixe δ>0\delta > 0. Une probabilité est positive, et l'inégalité de concentration la majore :

0⩽P(∣Mn−μ∣⩾δ)⩽Vnδ20 \leqslant P(|M_n - \mu| \geqslant \delta) \leqslant \frac{V}{n\delta^2}

Or VV et δ\delta sont fixés, donc Vnδ2\dfrac{V}{n\delta^2} tend vers 0 quand nn tend vers +∞+\infty. D'après le théorème des gendarmes, la probabilité tend vers 0.

Ce que la loi dit, et ce qu'elle ne dit pas

Elle dit qu'il devient de plus en plus improbable que MnM_n s'écarte de μ\mu de plus de δ\delta, aussi petit que soit δ\delta : c'est ce qui justifie d'estimer une probabilité par une fréquence observée sur beaucoup d'essais. Elle ne dit pas que MnM_n devient égale à μ\mu, ni qu'un grand écart est impossible pour un nn donné : une probabilité tend vers 0, ce n'est pas une certitude.

Une inégalité universelle mais loin d'être optimale

Le prix de l'universalité, c'est la précision. L'inégalité de Bienaymé-Tchebychev affirme qu'un écart à μ\mu d'au moins 2σ2\sigma a une probabilité inférieure ou égale à 14\dfrac{1}{4}, alors que les simulations montrent que cette probabilité est souvent proche de 0,05 (loi en cloche, non une borne).

Exemple travaillé avec une loi binomiale

Soit SS une variable aléatoire qui suit la loi binomiale B(100 ; 0,5)\mathcal{B}(100 \,;\, 0{,}5). Alors μ=np=50\mu = np = 50, V=np(1−p)=25V = np(1-p) = 25 et σ=5\sigma = 5.

  • Par l'inégalité : P(∣S−50∣⩾10)⩽25102=0,25P(|S - 50| \geqslant 10) \leqslant \dfrac{25}{10^2} = 0{,}25.
  • Par le calcul direct : ∣S−50∣⩾10|S - 50| \geqslant 10 signifie S⩽40S \leqslant 40 ou S⩾60S \geqslant 60, et la calculatrice donne P(S⩽40)+P(S⩾60)≈0,057P(S \leqslant 40) + P(S \geqslant 60) \approx 0{,}057.

Le majorant 0,25 est juste, mais il est plus de quatre fois supérieur à la valeur réelle. Les deux résultats ne se contredisent pas : 0,057⩽0,250{,}057 \leqslant 0{,}25.

Cela ne lui ôte pas son intérêt : c'est le seul outil disponible quand la loi est inconnue, et il suffit à établir la loi des grands nombres.

Les pièges

  • Oublier le carré. Écrire Vδ\dfrac{V}{\delta} au lieu de Vδ2\dfrac{V}{\delta^2}. Avec V=16V = 16 et δ=10\delta = 10, le majorant est 0,160{,}16 et non 1,61{,}6.
  • Mettre l'écart-type à la place de la variance. Si l'énoncé donne σ=4\sigma = 4, il faut utiliser V=σ2=16V = \sigma^2 = 16.
  • Oublier le nn dans l'inégalité de concentration. Pour une moyenne MnM_n, le majorant est Vnδ2\dfrac{V}{n\delta^2}, où VV est la variance d'une seule variable de l'échantillon.
  • Se tromper de sens en passant au contraire. De P(∣X−μ∣⩾δ)⩽0,16P(|X - \mu| \geqslant \delta) \leqslant 0{,}16 on déduit P(∣X−μ∣<δ)⩾0,84P(|X - \mu| < \delta) \geqslant 0{,}84, avec le symbole ⩾\geqslant.
  • Prendre le majorant pour la probabilité. L'inégalité ne dit pas que la probabilité vaut Vδ2\dfrac{V}{\delta^2}. Un majorant supérieur à 1 est juste, mais il n'apporte aucune information.
  • Arrondir la taille d'échantillon vers le bas. Si n⩾416,7n \geqslant 416{,}7, alors n=416n = 416 ne convient pas : il faut n=417n = 417.
  • Affirmer que la taille trouvée est la plus petite possible. Elle est suffisante ; rien ne prouve qu'elle soit nécessaire.
  • Mal lire la loi des grands nombres. Elle n'affirme pas que la moyenne observée est égale à l'espérance dès que nn est grand.

Ce qu'il faut retenir

  • ∣X−μ∣<δ|X - \mu| < \delta signifie μ−δ<X<μ+δ\mu - \delta < X < \mu + \delta ; l'événement contraire est ∣X−μ∣⩾δ|X - \mu| \geqslant \delta, d'où P(∣X−μ∣<δ)=1−P(∣X−μ∣⩾δ)P(|X - \mu| < \delta) = 1 - P(|X - \mu| \geqslant \delta).
  • Bienaymé-Tchebychev, pour toute variable d'espérance μ\mu et de variance VV, et tout δ>0\delta > 0 : P(∣X−μ∣⩾δ)⩽Vδ2P(|X - \mu| \geqslant \delta) \leqslant \dfrac{V}{\delta^2}. Au numérateur la variance, au dénominateur δ\delta au carré.
  • Inégalité de concentration, pour la moyenne MnM_n d'un échantillon de taille nn : P(∣Mn−μ∣⩾δ)⩽Vnδ2P(|M_n - \mu| \geqslant \delta) \leqslant \dfrac{V}{n\delta^2}, où VV est la variance d'une seule variable de l'échantillon.
  • Taille d'échantillon garantissant un risque α\alpha pour une précision δ\delta : n⩾Vαδ2n \geqslant \dfrac{V}{\alpha\delta^2}, arrondie à l'entier supérieur. C'est une condition suffisante, pas nécessaire.
  • Loi des grands nombres : pour tout δ>0\delta > 0, lim⁡n→+∞P(∣Mn−μ∣⩾δ)=0\lim\limits_{n \to +\infty} P(|M_n - \mu| \geqslant \delta) = 0. Elle se démontre en encadrant cette probabilité entre 00 et Vnδ2\dfrac{V}{n\delta^2}.
  • Ces majorants sont universels mais grossiers : un majorant juste peut être plusieurs fois supérieur à la probabilité réelle, et un majorant supérieur à 11 n'apprend rien.

À l'épreuve

Les sujets de 2024 et de 2025 comptent quatre exercices sur 20 points ; la forme de 2027 n'est pas confirmée ici. Justifie chaque réponse : un résultat sans justification ne montre pas ta démarche.

Ce chapitre peut apparaître dans un exercice de probabilités, après une loi binomiale ou un échantillon. Des consignes de ce genre peuvent se présenter : « montrer que P(∣X−μ∣⩾δ)⩽…P(|X - \mu| \geqslant \delta) \leqslant \ldots », « en déduire une minoration de P(μ−δ<X<μ+δ)P(\mu - \delta < X < \mu + \delta) », « déterminer une valeur de nn pour laquelle le risque est inférieur à 5 % », « cette valeur est-elle la plus petite possible ? », « que dit la loi des grands nombres sur cette situation ? ».

Identifie μ\mu, VV et δ\delta avant d'appliquer l'inégalité (avec V=σ2V = \sigma^2 si l'énoncé donne l'écart-type), écris le passage à l'événement contraire, conduis la résolution de l'inéquation en nn avec son sens d'inégalité, justifie l'arrondi à l'entier supérieur, et termine par une phrase qui dit ce que majore le nombre trouvé.

À retenir

  • L'écart-type, unité de dispersion

    ∣X−μ∣|X - \mu| est la distance entre XX et son espérance μ\mu.∣X−μ∣<δ|X - \mu| < \delta équivaut à μ−δ<X<μ+δ\mu - \delta < X < \mu + \delta.∣X−μ∣⩾δ|X - \mu| \geqslant \delta équivaut à X⩽μ−δX \leqslant \mu - \delta ou X⩾μ+δX \geqslant \mu + \delta : c'est l'événement contraire.P(∣X−μ∣<δ)=1−P(∣X−μ∣⩾δ)P(|X - \mu| < \delta) = 1 - P(|X - \mu| \geqslant \delta).L'écart-type σ=V\sigma = \sqrt{V} est l'unité naturelle de dispersion : un écart de l'ordre de σ\sigma est banal, un écart de plusieurs σ\sigma est improbable.
  • L'inégalité de Bienaymé-Tchebychev

    Pour XX d'espérance μ\mu et de variance VV, et pour tout δ>0\delta > 0 : P(∣X−μ∣⩾δ)⩽Vδ2P(|X - \mu| \geqslant \delta) \leqslant \dfrac{V}{\delta^2}.Au numérateur la variance V=σ2V = \sigma^2, au dénominateur δ\delta au carré.Par passage au contraire : P(∣X−μ∣<δ)⩾1−Vδ2P(|X - \mu| < \delta) \geqslant 1 - \dfrac{V}{\delta^2}.Avec δ=kσ\delta = k\sigma : P(∣X−μ∣⩾kσ)⩽1k2P(|X - \mu| \geqslant k\sigma) \leqslant \dfrac{1}{k^2}, soit 14\dfrac{1}{4} pour 2σ2\sigma et 19\dfrac{1}{9} pour 3σ3\sigma.
  • L'inégalité de concentration

    Mn=X1+⋯+XnnM_n = \dfrac{X_1 + \dots + X_n}{n} est la moyenne d'un échantillon de taille nn.E(Mn)=μE(M_n) = \mu et V(Mn)=VnV(M_n) = \dfrac{V}{n}, où μ\mu et VV sont l'espérance et la variance d'une seule variable.Pour tout δ>0\delta > 0 : P(∣Mn−μ∣⩾δ)⩽Vnδ2P(|M_n - \mu| \geqslant \delta) \leqslant \dfrac{V}{n\delta^2}.C'est l'inégalité de Bienaymé-Tchebychev appliquée à MnM_n.Pour une fréquence (variable de Bernoulli de paramètre pp) : μ=p\mu = p et V=p(1−p)V = p(1-p).
  • Choisir une taille d'échantillon

    Précision δ\delta : écart maximal toléré entre MnM_n et μ\mu. Risque α\alpha : probabilité maximale de dépasser cet écart.Il suffit que Vnδ2⩽α\dfrac{V}{n\delta^2} \leqslant \alpha, c'est-à-dire n⩾Vαδ2n \geqslant \dfrac{V}{\alpha\delta^2}.Si le résultat n'est pas entier, on prend l'entier immédiatement supérieur.La taille obtenue est suffisante, pas nécessaire : une taille plus petite peut déjà convenir.
  • La loi des grands nombres

    Pour tout δ>0\delta > 0 : lim⁡n→+∞P(∣Mn−μ∣⩾δ)=0\lim_{n \to +\infty} P(|M_n - \mu| \geqslant \delta) = 0.Justification : 0⩽P(∣Mn−μ∣⩾δ)⩽Vnδ20 \leqslant P(|M_n - \mu| \geqslant \delta) \leqslant \dfrac{V}{n\delta^2}, et Vnδ2\dfrac{V}{n\delta^2} tend vers 0 ; on conclut par le théorème des gendarmes.Sens : un écart supérieur à une valeur fixée à l'avance devient de plus en plus improbable quand nn grandit.Elle ne dit pas que MnM_n est égale à μ\mu pour nn grand : c'est une probabilité qui tend vers 0, pas une certitude.
  • Bienaymé-Tchebychev face à la loi binomiale

    L'inégalité est universelle (valable pour toute loi), donc loin d'être optimale.Elle majore par 14\dfrac{1}{4} la probabilité d'un écart d'au moins 2σ2\sigma, alors que cette probabilité est souvent proche de 0,05 (loi en cloche, non une borne).Pour SS suivant B(n ; p)\mathcal{B}(n \,;\, p) : μ=np\mu = np, V=np(1−p)V = np(1-p).Majorant et valeur exacte ne se contredisent pas : la valeur exacte est toujours inférieure ou égale au majorant.Un majorant supérieur ou égal à 1 est juste mais n'apporte aucune information.

Teste-toi

Trois questions. Réponds, la correction s’affiche.

Question 1 sur 3
Une variable aléatoire XX a pour espérance μ=20\mu = 20. Parmi ces propositions, laquelle est équivalente à l'événement ∣X−20∣<3|X - 20| < 3 ?

Correction

∣X−20∣<3|X - 20| < 3 signifie que la distance entre XX et 2020 est strictement inférieure à 33.20−3<X<20+320 - 3 < X < 20 + 3, soit 17<X<2317 < X < 23.Erreur classique : répondre X<17X < 17 ou X>23X > 23 — c'est l'événement ∣X−20∣>3|X - 20| > 3, où XX est loin de 2020 et non proche de 2020.
Question 2 sur 3
La variable aléatoire XX a pour espérance μ\mu et pour variance V=4V = 4. On note MnM_n la moyenne d'un échantillon de taille nn de XX. Quelle est la plus petite taille nn pour laquelle l'inégalité de concentration garantit P(∣Mn−μ∣⩾0,5)⩽0,1P(|M_n - \mu| \geqslant 0{,}5) \leqslant 0{,}1 ?

Correction

Majorant : Vnδ2=4n×0,52=40,25n=16n\dfrac{V}{n\delta^2} = \dfrac{4}{n \times 0{,}5^2} = \dfrac{4}{0{,}25n} = \dfrac{16}{n}.Condition : 16n⩽0,1⟺n⩾160,1=160\dfrac{16}{n} \leqslant 0{,}1 \Longleftrightarrow n \geqslant \dfrac{16}{0{,}1} = 160.Erreur classique : oublier le carré et calculer 40,1×0,5=80\dfrac{4}{0{,}1 \times 0{,}5} = 80 — au dénominateur, c'est δ2=0,25\delta^2 = 0{,}25 qui intervient, pas δ\delta.
Question 3 sur 3
Une variable aléatoire SS suit la loi binomiale B(100 ; 0,5)\mathcal{B}(100 \,;\, 0{,}5). Quel majorant de P(∣S−50∣⩾10)P(|S - 50| \geqslant 10) l'inégalité de Bienaymé-Tchebychev donne-t-elle ?

Correction

μ=np=100×0,5=50\mu = np = 100 \times 0{,}5 = 50 et V=np(1−p)=100×0,5×0,5=25V = np(1-p) = 100 \times 0{,}5 \times 0{,}5 = 25.Avec δ=10\delta = 10 : P(∣S−50∣⩾10)⩽Vδ2=25102=0,25P(|S - 50| \geqslant 10) \leqslant \dfrac{V}{\delta^2} = \dfrac{25}{10^2} = 0{,}25.Erreur classique : écrire 2510=2,5\dfrac{25}{10} = 2{,}5 — au dénominateur, δ\delta est au carré.

Dans Insight, ce chapitre a 119 questions, et l’app te les repose au bon moment pour que tu ne les oublies pas avant le bac.

Contenu préparé avec l’aide d’outils d’IA, vérifié.

Réviser ce chapitre gratuitement