#--------------------------------------------------------#
#
#            Exemple de regression linéaire
#
#  -  Loi de Cauchy n  = A + B/lambda^2
#  - On dispose d'un ensemble de valeurs mesurées pour n
#  - Et d'un ensemble de valeurs tabulées pour lambda
#
#  - On effectue la régression linéaire avec contrôle
#    visuel par les résidus ou par l'écart normalisé
#
#  - On établit A et B et leur incertitude type par
#    simulation Monte-Carlo

#--------------------------------------------------------#




## Importation des bibliothèques utiles
import numpy as np                   # pour le traitement vectoriel des données
import matplotlib.pyplot as plt      # pour les tracés
import numpy.random as rd            # pour les tirages aléatoires

#--------------------------------------------------------#
#     Données expérimentales
#--------------------------------------------------------#

d = np.array([99.4-41.9,108.6-42,128.1-42.3,87.57-42.5,77.2-43.2,65.6-44.9])
D = np.array([80,90,110,70,60,50])

X = -4/D
Y = (d/D)**2





#--------------------------------------------------------#
#    Ajustement affine 
#--------------------------------------------------------#
p = np.polyfit(X, Y, 1)

# p est un tableau contenant les coefficients de l'ajustement 
# p[0] : pente ; p[1] : ordonnée à l'origine


# calcul des ordonnées des points du modèle
Yreg = p[0]*X + p[1]

# Affichage du résultat: 
print("Pente = ", p[1])
print("Ordonnée à l'origine = ", p[0])





#-----------------------------------------------------------#
#     Tracé des points expérimentaux et de la droite modèle
#-----------------------------------------------------------#
plt.figure("Direct")
#plt.errorbar(X, Y, yerr = u_n, fmt = 'bo',label = "Points expérimentaux")    # points expérimentaux
plt.plot(X, Yreg, '-',label = "Modèle affine",color="magenta")                            # points issus de l'ajustement
plt.plot(X,Y,marker="o")
# Axes et légendes

