TP n°6.
Etude d’un élastique (corrigé)
November 16, 2023
1 Bibliothèques nécessaires
[1]: import numpy as np
import [Link] as plt
2 Mesure de la constante de raideur de l’élastique
[2]: m=[Link]([50,100,150,200,250,300,70,170])*10**-3
leq=[Link]([15.1,16,17.1,18.5,19.9,21.4,15.6,17.6])*10**-2
mg=m*9.81
3 La force exercée par l’élastique est-elle de la forme −k(` − `0 ) ?
3.1 Mesures
[3]: m=[Link]([50,100,150,200,250,300,70,170])*10**-3 # kg
leq=[Link]([15.1,16,17.1,18.5,19.9,21.4,15.6,17.6])*10**-2 # m
g=9.81
mg=m*g
l0=13.6*10**-2 #m
[4]: k=m*g/(leq-l0)
print(k)
[32.7 40.875 42.04285714 40.04081633 38.92857143 37.73076923
34.335 41.6925 ]
[5]: kmoy=[Link](k)
print("kmoy=",kmoy)
s_k=[Link](k,ddof=1) # écart type de la série de mesures
u_k=s_k/len(k) # incertitude-type sur la moyenne de k
print("u(k)=",u_k)
1
kmoy= 38.54318926609106
u(k)= 0.42914555077729305
Résultat de l’expérience : k = 38, 54 N/m ; u(k ) = 0, 43 N/m
3.2 Première courbe
[6]: # Réprésentation graphique de leq en fonction du poids mg
[Link](mg,leq,'*')
[Link](r'mg (N)')
[Link](r'leq (m)')
[Link]()
[Link]()
## Ajout des barres d’incertitudes
Afin d’exploiter plus quantitativement la courbe, il faut étudier les incertitudes.
[7]: # demie largeur de l'intervalle au sein duquel on est "certain" de trouver le
,→résultat de la mesure
Delta_leq=0.2*10**-2 # m
# incertitudes type
u_leq= Delta_leq/[Link](3)
2
[8]: # Réprésentation graphique de leq en fonction du poids, avec les barres
,→d'incertitude
# xerr = valeur ou tableau qui contient les incertitudes-types sur l'abscisse
# yerr = valeur ou tableau qui contient les incertitudes-types sur l'ordonnée
[Link]( mg , leq , yerr = u_leq , fmt = 'b.')
[Link](r'mg (N)')
[Link](r'leq (m)')
[Link]()
[Link]()
Observation : les points peuvent laisser penser qu’ils s’alignent sur une droite (encore que. . . )
3.3 Régression linéaire
[9]: # Régression linéaire, on modélise par un polynôme de degré 1
reg = [Link]( mg , leq ,1)
a = reg[0] # pente
b = reg[1] # ordonnée à l'origine
print('a=',a,'b=',b)
a= 0.025451918614118652 b= 0.13623856439127374
[10]: # Constante de raideur issue de la régression linéaire
k = 1/a
print('k=',k)
3
k= 39.289768883878224
[11]: # tableau des valeurs du polynôme reg issu de la régression linéaire
# évalué aux éléments du tableau des poids mg
# ici, reg est un polynôme de degré N=1 :
# tableau des reg[0]*P[i]**1+reg[1]*P[i]**0
tab_leq_reg = [Link]( reg , mg)
[12]: [Link]( mg , leq , yerr = u_leq , fmt = 'b.',label='Points
,→expérimentaux')
[Link]( mg , tab_leq_reg , label='régression')
[Link](r' mg(N) ')
[Link](r' leq(m) ')
[Link]()
[Link]()
[Link]()
Conclusion : les barres d’incertitudes n’atteignent pas la droite de régression linéaire, cela laisse
penser que le modèle linéaire de la force élastique −k (`q − `0 ) utilisé pour analyser les mesures
n’est pas valable.
4
3.4 Ecarts normalisés
[13]: # Ecart normalisé entre les mesures expérimentales (leq) et les résultats issus
,→de la régression linéaire
EN=(leq-tab_leq_reg)/u_leq
[Link](mg,EN,'bo')
[Link](r'$mg$ (N)')
[Link]('EN')
[Link]()
[Link]()
`éq, mesurées − `éq, calculées à partir de la régression
On a représenté les écarts normalisés EN = , en fonction
u(`q )
de mg. On constate que pour beaucoup de mesures, cet écart normalisé est en valeur absolue
supérieure à 2. Le modèle linéaire n’est pas compatible avec les mesures effectuées.
Cela peut venir de : - le modèle de la force de rappel élastique ne s’applique pas à l’élastique étudié
ici, dans les conditions dans lequel on l’a étudié, - ou incertitudes sur la mesure de la longueur à
l’équilibre sous-évaluées, - ou des mesures mal effectuées (problème de paralaxe important ici !)
Je pencherai plutôt sur la première raison. . .
3.5 Régression linéaire et Monte-Carlo
Si le modèle linéaire avait validé par les expériences précédentes, pour obtenir les incertitudes-
types sur `0 et sur k (sur les abscisses et les ordonnées à l’origine), il est nécessaire d’utiliser la
simulation Monte-Carlo.
5
[14]: N= 1000 # nombre d'expériences simulées
l0_MC=[] # liste des N ordonnées à l'origine générées par régression linéaire
k_MC=[] # liste des N valeurs de k calculées, à partir de la pente de la
,→régression linéaire
for i in range(N):
# chaque valeur de i correspond à une expérience simulée
# pour chaque valeur de m et léq précédente on génère une valeur
# dans l'intervalle [leq-Delta_leq,leq+Delta_leq] pour la longueur à
,→l'équilibre
leq_MC=[] # liste des valeurs de leq générées pour une expérience
for j in range(len(m)):
leqij=[Link](leq[j]-Delta_leq,leq[j]+Delta_leq)
leq_MC.append(leqij)
p=[Link](mg,leq_MC,1)
l0_MC.append(p[1])
k_MC.append(1/p[0])
[Link](mg, [Link] (p , mg ))
[Link](mg,leq,yerr=Delta_leq/[Link](3),fmt='+')
[Link](r'mg(N)')
[Link](r'léq (m)')
[Link]()
l0_moy=[Link](l0_MC)
u_l0=[Link](l0_MC,ddof=1)
k_moy=[Link](k_MC)
u_k=[Link](k_MC,ddof=1)
6
[15]: # Résultats de l'expérience :
print('Constante de raideur : k=', k_moy ,' ; u(k)=', u_k )
print('Longueur à vide : l0=', l0_moy ,' ; u(l0)=', u_l0)
Constante de raideur : k= 39.338891741064025 ; u(k)= 0.8123560429234016
Longueur à vide : l0= 0.13625897641014859 ; u(l0)= 0.0009479051704359583
Résultat :
k = 39, 29 N/m ; u(k ) = 0, 81 N/m
`0 = 13, 62 cm ; u(`0 ) = 0, 09 cm
