diff --git a/makefile b/makefile
index a149a56..d1bde73 100644
--- a/makefile
+++ b/makefile
@@ -9,7 +9,7 @@ UML_PUML=$(wildcard puml/*.puml)
 UML_PNG=$(UML_PUML:.puml=.png)
 UML_SVG=$(UML_PUML:.puml=.svg)
 
-all : rapport.pdf
+all : rapport.pdf poster.pdf
 	echo "done"
 
 rapport.pdf : rapport.tex rapport.bib $(FIGURES_PNG) $(UML_PNG) png_img/gain_action.png $(DOT_PNG)
@@ -20,13 +20,23 @@ rapport.pdf : rapport.tex rapport.bib $(FIGURES_PNG) $(UML_PNG) png_img/gain_act
 	lualatex -shell-escape rapport.tex
 	lualatex -shell-escape rapport.tex
 
+poster.pdf : poster.tex poster.bib $(FIGURES_PNG) $(UML_PNG) png_img/gain_action.png $(DOT_PNG)
+	lualatex -shell-escape poster.tex
+	bibtex poster 
+	lualatex -shell-escape poster.tex
+	lualatex -shell-escape poster.tex
+	lualatex -shell-escape poster.tex
+
 rapport.bib : biblio.bib
 	cp biblio.bib rapport.bib
 
+poster.bib : biblio.bib
+	cp biblio.bib poster.bib
+
 png_img/gain_action.png :
 	python3 png_img/gen_fig_g.py
 
-clean : clean-latex
+clean : clean-rapport clean-poster
 	rm -f -r pdf_img/
 	rm -f -r png_svg_img/
 	rm -f -r puml/*.svg
@@ -34,7 +44,7 @@ clean : clean-latex
 	rm -f -r dot/*.png
 	rm -f rapport.pdf
 
-clean-latex :
+clean-rapport :
 	rm -f rapport.aux
 	rm -f rapport.bbl
 	rm -f rapport.bib
@@ -51,6 +61,23 @@ clean-latex :
 	rm -f rapport.glo
 	rm -f texput.log
 
+clean-poster :
+	rm -f poster.aux
+	rm -f poster.bbl
+	rm -f poster.bib
+	rm -f poster.blg
+	rm -f poster.out
+	rm -f poster.log
+	rm -f poster.toc
+	rm -f poster.lof
+	rm -f poster.lot
+	rm -f poster.lol
+	rm -f poster.ist
+	rm -f poster.glg
+	rm -f poster.gls
+	rm -f poster.glo
+	rm -f texput.log
+
 pdf_img/%.pdf : raw_img/%.svg pdf_img/%.pdf_tex
 	inkscape -D -z --file=$< --export-pdf=$@ --export-latex
 
diff --git a/rapport.tex b/rapport.tex
index 6a01126..34e465b 100644
--- a/rapport.tex
+++ b/rapport.tex
@@ -512,7 +512,7 @@ Plusieurs problèmatiques se présentent : \begin{itemize}
 \end{itemize}
 L'intégration de l'IA dans le \CC{} n'est encore qu'à l'état de tests, de balbutiements, et pourtant des résultats notables et encourageants sont déjà disponibles, comme l'indique la figure \ref{fig:comp_cca_tcp}, ce qui nous motive à tenter de développer des solutions similaires pour \coap{}.
 
-\section{Modélisation choisit}
+\section{Modélisation choisie}
 La première étape est de modéliser le système.
 Notre modélisation s'appuie sur la modélisation de \cite{xiaoTCPDrincSmartCongestion2019}.
 
@@ -682,7 +682,7 @@ Ainsi on modifie l'équation \ref{eq:modele_fair_base} pour prendre en compte un
 
 Le schéma de récompense est donc, à partir des données du dernier intervalle de contrôle : 
 \begin{equation}
-  r = - \beta _ \nu \frac{\sum_{k=1}^N x^e _ k}{\sum_{k=1}^N x^t_k} - \beta_\text{echec} n_\text{echec} - \beta_{RTT} max_{k} \overline{RTT} _ k + \beta_\text{equite} \frac{\left[ \sum_{k = 1}^N \frac{n^e_k}{n^t_k} \right] ^ 2 }{N \cdot \sum_{k = 1}^N \left( \frac{n^e_k}{n^t_k} \right)^2 }
+  r = - \beta _ \nu \frac{\sum_{k=1}^N n^e _ k}{\sum_{k=1}^N n^t_k} - \beta_\text{echec} n_\text{echec} - \beta_{RTT} max_{k} \overline{RTT} _ k + \beta_\text{equite} \frac{\left[ \sum_{k = 1}^N \frac{n^e_k}{n^t_k} \right] ^ 2 }{N \cdot \sum_{k = 1}^N \left( \frac{n^e_k}{n^t_k} \right)^2 }
   \label{eq:modèle:récompense}
 \end{equation}
 Où $n^e$ est le nombre de messages envoyés, émission initiale et retransmissions, et $n^t$ le nombre de transactions, c'est-à-dire uniquement les émissions initiales.