avec un tableur

en python
import math import matplotlib.pyplot as plt from scipy import stats import numpy as np import math T=np.array([3500,4000,4500,5000,6000]) londe=np.array([900E-9,800E-9,650E-9,600E-9,500E-9]) #On note invT l'inverse de T : 1/T invT=1/T # regression linéaire slope, intercept, r_value, p_value, std_error = stats.linregress(invT,londe) londemodel=slope*invT+intercept #tracé du nuage de points plt . scatter(invT ,londe,s=100,color ='yellow') #Tracé de la modélisation plt . plot (invT,londemodel,marker=".",color ='blue',markersize=1) plt . ylabel ("1/T avec T en Kelvin (K)") plt . xlabel ("longueur d'onde en nm") plt . grid () # Affichage du graphique plt .show() #affichage des résultats de la modélisation print("a=",slope) print("b=",intercept) print("cofficient de correlation=",r_value)

Le coefficient étant très proche de 1 et b proche de 0 montrent que la relation de linéarité entre lambda et 1/T est validée.
la pente 0.00343 est proche de celle donnée par la loi de Wien (0.0029)
0 commentaire