diff --git a/readme.md b/readme.md
index cd6f9c1cdc6c8f48ec01df0964564b16e6739972..e54916b92bfb6ea12d6bcc3bcb646c9f28f47c48 100644
--- a/readme.md
+++ b/readme.md
@@ -56,7 +56,7 @@ $$ \vec{D_e} = \sqrt{(x_2-x_1)^2 + (y_2-y_1)^2} = \sqrt{(x-y)^2} $$
 ### Distance de Manhattan
 
 La distance de Manhattan ($D_m$) entre un point $x$ et $y$ correspond à :
-$$ \vec{D_m} = |(x_1 - y_1)| + |(x_2 - y_2)| $$
+$$ \vec{D_m} = |(x_2 - x_2)| + |(y_2-y_2)| $$
 
 ## Déterminer le $k$ optimal
 
@@ -92,9 +92,9 @@ Une fois nos données correctement chargées, il faudra appliquer l'algorithme d
 2. Déterminer les points appartenant à chaque _cluster_ selon leur distance avec les _centroïdes_.
 3. Une fois tous les points (ré)assignés à un _cluster_, calculer la nouvelle position des _centroïdes_ (il s'agira du nouveau centre du _cluster_ suite à la modification des points).
 4. Recommencer à partir de l'étape 2 si la position d'au moins 1 _centroïde_ a été modifiée.
-5. Afficher les points et _clusters_ à l'écran (avec des couleurs !)
+5. Afficher les points et _clusters_ à l'écran (avec des couleurs !) 
 
-Il faudra utiliser la librairie gfx pour afficher vos résultats.
+Il faudra utiliser la librairie gfx pour afficher vos résultats. // pas obligatoire - mettr
 
 ## Fonctions à implémenter
 Votre programme doit implémenter les fonctions suivantes :
@@ -107,6 +107,7 @@ Votre programme doit implémenter les fonctions suivantes :
 
 Ainsi que les structures ci-dessous :
 
+// pas donner détaillé
 ```c
 typedef struct _cluster {
     struct _point* centroid;
@@ -133,6 +134,8 @@ Afin de s'assurer que votre algorithme a été correctement implémenté vous de
 
 Étant donné que nous utilisons un algorithme non supervisé, il est difficile de vérifier si le résultat obtenu est "correct". Néanmoins, si nous appliquons notre algorithme sur des données dont on connaît le résultat attendu, alors il est possible de s'assurer que notre implémentation est correcte. 
 
+// verifier chacque fonction indépendamment
+
 Le fichier _data_for_tests.txt_ contient une dizaine de points directement assignés à un _cluster_. Vous devez vous assurer que votre implémentation des k-moyennes vous donne un résultat identique aux données de test.
 
 # Travail à rendre
@@ -145,9 +148,12 @@ Le fichier _data_for_tests.txt_ contient une dizaine de points directement assig
 
 Au lieu d'afficher directement le résultat final de votre implémentation de l'algorithme des k-moyennes, vous devez afficher chaque étape effectuée afin que l'on puisse constater comment l'assignation des points aux _clusters_ est effectuée.
 
+// a enlever
 ## Implémentation avec vecteurs à $n$ dimensions
 
 Étendre l'implémentation pour pouvoir utiliser des vecteurs
 à $n$ dimensions avec $n$ passé en paramètre au début de la procédure.
 
 Afin de pouvoir visualiser les résultats, vous devrez également implémenter l'algorithme PCA pour la visualisation de vecteurs à plus de 2 dimensions.
+
+rajouter les referances
\ No newline at end of file
diff --git a/test2.txt b/tests/test2.txt
similarity index 100%
rename from test2.txt
rename to tests/test2.txt
diff --git a/test3.txt b/tests/test3.txt
similarity index 100%
rename from test3.txt
rename to tests/test3.txt
diff --git a/test4.txt b/tests/test4.txt
similarity index 100%
rename from test4.txt
rename to tests/test4.txt
diff --git a/test6.txt b/tests/test6.txt
similarity index 100%
rename from test6.txt
rename to tests/test6.txt
diff --git a/test8.txt b/tests/test8.txt
similarity index 100%
rename from test8.txt
rename to tests/test8.txt
diff --git a/testsFonctions.txt b/tests/testsFonctions.txt
similarity index 100%
rename from testsFonctions.txt
rename to tests/testsFonctions.txt