np.loadtxt(path) : Lit les données d’un fichier texte (comme .txt ou .csv). Chaque ligne est traitée comme une ligne et chaque valeur séparée par un espace ou une virgule comme une colonne, retournant un tableau NumPy.np.linspace(start, stop, num) : Génère un tableau de num nombres répartis uniformément sur un intervalle spécifié. C’est idéal pour créer des lignes lisses lors du traçage de fonctions.np.polyfit(x, y, deg) : Ajuste un polynôme de degré deg aux données selon la méthode des moindres carrés. Utiliser deg=1 renvoie la pente ($a$) et l’ordonnée à l’origine ($b$) pour une régression linéaire ($y = ax + b$).np.corrcoef(x, y) : Calcule les coefficients de corrélation de Pearson. Il renvoie une matrice où les valeurs hors diagonale représentent la corrélation entre $x$ et $y$.np.quantile(a, q) : Calcule le $q$-ième quantile des données. Par exemple, 0.5 est la médiane, tandis que 0.1 et 0.9 permettent d’identifier l’étalement ou les limites de la distribution.stats.t.ppf(q, df) : La Percent Point Function (inverse de la fonction de répartition) pour la distribution T de Student. Elle permet de trouver la valeur critique (le seuil) pour un niveau de probabilité q et un nombre de degrés de liberté df. C’est l’outil indispensable pour calculer les marges d’erreur des intervalles de confiance.np.arccos(x) : Fonction arc cosinus (inverse du cosinus). Elle renvoie l’angle en radians pour une valeur de cosinus donnée.np.degrees(x) : Une fonction pratique qui convertit les angles des radians vers les degrés.np.mean(a) : Calcule la moyenne arithmétique des éléments d’un tableau.np.min(a) / np.max(a) : Renvoie la valeur minimale ou maximale trouvée dans un tableau.Dans le contexte de votre code, ces méthodes collaborent pour trouver la « droite d’ajustement » à travers vos points de données. Les méthodes polyfit et corrcoef sont les piliers ici, car elles déterminent mathématiquement à quel point la circonférence de l’eucalyptus (variable indépendante) est corrélée à sa hauteur (variable dépendante).