diff --git a/Readme.md b/Readme.md
index 8769fccfb6fd8c89abeaff875705eff963344b89..ba0727e72447a8a81decda5fa0c33a54de5b0bbf 100644
--- a/Readme.md
+++ b/Readme.md
@@ -15,9 +15,29 @@ Vous devez
 - écrire la fonction pour créer une table de hachage avec cette mphf (`create_hash_table`)
 
 Ecrivez vos réponses et commentaires dans ce document.
-
 Puis décommenter `compare_taille` à la fin et expliquer les résultats.
 
+###Comparaison des tailles(compare_taille)
+*Résultats:
+#Courbes: Le graphique montre l'évolution de la taille en mémoire de la table de hachage avec
+MPHF et du dictionnaire en fonction du nombre de k-mers(n)
+
+###Interpretation:
+#Table avec MPHF: La taille de la table de hachage avec MPHF augmente linéairement avec n, mais 
+avec une pente plus faible que celle du dictionnaire. Cela est du à l'effcacité de la MPHF qui 
+minimise les collisions et donc la taille de la table.
+
+#Dict: La taille du dictionnaire augmente également linéairement avec n, mais avec une pente elevée.
+Cela est du à la surcharge mémoire associée à la gestion des collisions et à la structure de données
+plus complexe
+
+#Efficacité: La table de hachage avec MPHF est plus efficace en termes de mémoire que le dictionnaire
+standard, surtout pour de grands ensembles de données. Cela est du à la minimisation des collisions
+et à la structure plus compacte de la MPHF.
+
+#Utilisation: Cette méthode est particulièrement utile dans des applications où la mémoire est une ressource
+critique, comme dans le traitement de grands ensembles de données génomiques.###
+
 Bonus : faites varier `nb_niveaux` et `gamma`, voyez quelle influence ils peuvent avoir.
 
 # Partie 2 - Analyse de performance de dictionnaires en Python