import numpy as np
import matplotlib.pyplot as plt



## Réalisation d'une étude statistique
# Valeurs expérimentales
cexp = [342,343,339,343,336,340,338]
# Tracé de l'histogramme des mesures
plt.figure(1)
plt.hist(cexp)
plt.xlabel("Valeurs de c_exp")
plt.ylabel("Nombre d'occurences")
plt.show()
# Calcul de la moyenne, de l'incertitude-type et de l'incertitude-type associée à la moyenne
cm = np.mean(cexp)
uc = np.std(cexp,ddof=1) # la commande ddof = 1 permet de calculer l’écart-type en divisant par (N-1) au lieu de N
ucm = uc/(len(cexp)**.5)
# Affichage des résultats
print("REALISATION D'UNE ETUDE STATISTIQUE")
print("La moyenne des mesures est :",cm)
print("L'incertitude-type associée à une mesure est :",uc)
print("L'incertitude-type associée à la moyenne est :",ucm)

### on obtient : cm = 340.143   uc = 2.673   ucm = 1.010



## Simulation Monte-Carlo
# Définition du nombre d'expériences à simuler
N = 10000
# Création d'une liste vide
liste = []
# Simulation des N expériences
for i in range(N):
    d = np.random.normal(0.400,0.005/(3**.5))
    T = np.random.normal(0.00117,0.00001/(3**.5))
    c = d/T
    # Enregistrement du résultat de l'expérience
    liste.append(c)
# Tracé de l'histogramme des valeurs
plt.figure(2)
plt.hist(liste)
plt.xlabel("Valeurs de c")
plt.ylabel("Nombre d'occurences")
plt.show()
# Calcul de la moyenne et de l'incertitude-type
cm = np.mean(liste)
uc = np.std(liste,ddof=1)
# Affichage des résultats
print("SIMULATION MONTE-CARLO")
print("L'incertitude-type associée à cette mesure est :",uc)

### on obtient : cm=341.914   uc = 2.983



## Linéarisation d'un modèle non-linéaire
# Valeurs expérimentales
T = [270,280,290,300,310,320,330]
cexp = [329,334,342,349,351,358,365]
ucexp = 3
# Création des variables
x = np.sqrt(T)
y = cexp
# Régression linéaire
(a,b) = np.polyfit(x,y,1)
# Affichage des résultats
print("LINEARISATION D'UN MODELE NON-LINEAIRE")
print("Le paramètre a est :",a)
print("Le paramètre b est :",b)
# Superposition de la droite de régression et des mesures accompagnées de leurs barres d'incertitudes-types
plt.figure(3)
plt.plot(x,a*x+b,label='régression')
plt.errorbar(x,y,ucexp,fmt='o',label='données')
plt.xlabel("x")
plt.ylabel("y")
plt.legend()
plt.grid()
plt.show()

### on obtient : a = 20.395   b = -6.193



## Détermination des incertitudes-types sur les paramètres
# Valeurs expérimentales
T = [270,280,290,300,310,320,330]
cexp = [329,334,342,349,351,358,365]
ucexp = 3
# Création des variables
x = np.sqrt(T)
y = cexp
# Définition du nombre d'expériences à simuler
N = 10000
# Création des listes vides
liste_a = []
liste_b = []
# Simulation des N expériences
for i in range(N):
    # Tirage aléatoire des valeurs de y pour l'expérience
    ytirage = []
    for k in range(len(y)):
        ytirage.append(np.random.normal(y[k],ucexp))
    # Régression linéaire pour l'expérience
    (a,b) = np.polyfit(x,ytirage,1)
    # Enregistrement des résultats de l'expérience
    liste_a.append(a)
    liste_b.append(b)
# Calcul des moyennes et des incertitudes-types
am = np.mean(liste_a)
bm = np.mean(liste_b)
ua = np.std(liste_a,ddof=1)
ub = np.std(liste_b,ddof=1)
# Affichage des résultats
print("SIMULATION MONTE-CARLO POUR LA REGRESSION LINEAIRE")
print("La moyenne du paramètre a est :",am)
print("L'incertitude-type associée est :",ua)
print("La moyenne du paramètre b est :",bm)
print("L'incertitude-type associée est :",ub)

### on obtient am = 20.415   ua = 1.969   bm = -6.546   ub = 34.877


