Programmations

1 import numpy as np Remarque : Différence avec R, les indices commencent à 0. Création manuelle à partir d’un ensemble de valeurs 1 tab = np.array([1, 2, 2.5, 3.2, 1.8]) Type de la structure 1 print(type(tab)) Type des données 1 print(tab.dtype) # float64 Nombre de dimensions 1 print(tab.ndim) # 1 vecteur, 2 matrice Nombre de lignes et de colonnes 1 print(tab.shape) Nombre total de valeurs 1 print(tab.size) Type des données 1 2 3 4 5 6 7 8 tab = np. [Lire]

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 """ Simulation du suivi conductimétrique pour le titrage du sérum physiologique. [Lire]

Code le plus simple possible et donc pas modulable du tout 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 """ Différences finies centrées, ordre 02 en h. Mise en évidence des erreurs de troncature et d'arrondis. """ from math import sin, cos def df(x): return cos(x) def err_centree(x, f, df, h): return abs(df(x) - (f(x + h / 2) - f(x - h / 2)) / h) def err_progressive(x, f, df, h): return abs(df(x) - (f(x + h) - f(x)) / h) def err_retrograde(x, f, df, h): return abs(df(x) - (f(x) - f(x - h)) / h) def main(): f = lambda x: sin(x) # Fonction étudiée df = lambda x: cos(x) # Fonction dérivée de la fonction étudiée x0 = 1 # Point où le nombre dérivé est calculé hs = [1 / (10**i) for i in range(1, 15)] # Liste des pas h print( "h \t\t Diff. [Lire]