Documentos de Académico
Documentos de Profesional
Documentos de Cultura
los ciclos nos permiten repetir determinadas acciones dentro de un programa, bien sean
por un cierto número de veces o hasta que una condición se satisfaga: los ciclos por
elementos, comúnmente conocidos como ciclos for, y los ciclos por condiciones, también
llamados ciclos while.
CICLO FOR: NUMERO DEL 1-10
ciclos while se diferencian de los ciclos for en el hecho de que estos se ejecutan siempre y cuando
una cierta condicion se satisfaga. Note que while traduce al español como mientras. Así pues,
puede decirse que estos ciclos podría ser ejecutados infinitamente mientras la condición nunca
deje de satisfacerse. Por ejemplo, consideremos el siguiente pseudo-codigo bastante “cercano” al
lenguaje Python, en el que se plantea sumar todos los numeros enteros positivos menores o
iguales que 45.
Proporcionalidad directa: entre dos cantidades con relación crecientes existe proporcionalidad
directa si el cociente entre cualquier par de valores correspondientes de ellas es siempre el
mismo; este cociente lo llamamos constante de proporcionalidad. Observe que en este caso, el
aumento en una cantidad por unidad de la otra es precisamente dicha constante. En consecuencia,
si representamos las cantidades mediante las variables y y x, el modelo que representa las
cantidades con relación proporcional directa (y ∝ x)
Proporcionalidad inversa: entre dos cantidades con relación decrecientes existe proporcionalidad
inversa si el producto entre cualquier par de valores de ellas es siempre el mismo, este producto
lo llamamos constante de proporcionalidad. el aumento en una cantidad por unidad del inverso de
la otra es precisamente dicha constante. En consecuencia, si representamos las cantidades
mediante las variables y y x, el modelo que representa las cantidades con relación proporcional
inversa (y ∝ 1/ x ) seria, xy = k, o equivalentemente, y = k 1/ x ,
import numpy as np
import matplotlib.pyplot as plt
# del sistema de ecuaciones diferenciales
def edo_ejemplo(x,y): # Dos argumentos
dx_dt = x*(y-1)
dy_dt = 2-x**2-y**2
return dx_dt, dy_dt # Dos salidas
para graficar:
Graficar el resultado de la regresión junto con los datos (SE MUESTRA
EL GRAFICO DE LOS DATOS ORIGINALES Y LA REGRESION LINEAL)
plt.plot( volumen, presion, 'o', label='observaciones')
plt.plot( volumen, presion_volumen_modelo, '-', label='regresión')
#se pone la predicción del modelo
plt.xlabel('presion')
plt.ylabel('volumen')
plt.legend(loc='lower right')
plt.title('1/V VS P')
plt.grid()
plt.show()
#EL AJUSTE LINEAL SI DESCRIBE ADECUADAMENTE LOS DATOS PUES SU
REGRESIÓN MUESTRA QUE LOS DATOS ORIGINAL ESTAN CERCA DE LA REGRESIÓN.
plt.figure(figsize = (5,2.8))
plt.style.use ('default')
plt.plot(distancia, diferencia_porc,'-', label = ' diferencial Y')
plt.xlabel('distancia ($m$)')
plt.ylabel('diferencia_porc')
plt.title('Comparación de diferencial vs modelo')
plt.grid()
plt.legend()
plt.show()
# definir variable
a=2
if ( a > 0 ) :
resultado = ’el numero es positivo ’
else : resultado = ’el numero NO es positivo ’
print ( resultado )
d.pa
Respuesta: Es necesario generar una lista o un arreglo que te permita conocer los
datos. Luego debemos plantear el ciclo for o while para los elementos contenidos
en la lista o arreglo, asimismo se debe plantear si existen condiciones dentro del
ciclo y por ultimo se plantea la suma que permite que el ciclo se lleve a cabo para
imprimirlo.
3. Describa los pasos más importantes para la implementación en python del
algoritmo de regresión lineal por minimos cuadrados
Respuesta:
Los pasos mas importantes para realizar un modelo son: analizar el problema,
obtener los datos orginales, graficar los datos originales para saber la
proporcinalidad entre las variables, plantear una hipotesis, realizar el cambio de
variable para confirmar o refutar la hipotesis planteada, realizar la regresion lineal
la cual se debe a encontrar la linea que se ajuste mas a los puntos y que su
distancia entre la linea y el punto (dato) sea minima, crear el modelo y ejecutarlo.
Respuesta:
Haga un resumen de los conceptos teóricos relacionados con la regresión lineal por
mínimos cuadrados:
**Respuesta:** 1. Inicio
2. Planteo de problema
3. describe situación
4. se usan supuestos, parametros, datos
5. planteo de modelo
6. resolución del modelo
7. solución es correcta o no, si lo es seguir, si no lo es, plantear
de nuevo el modelo
8. aplicar modelo
9. ¿existe un nuevo problema?
10. fin
Codigo.pacl
#Importo librerias a usar
import matplotlib.pyplot as plt
import numpy as np
import scipy.stats as stat
datos_recuperados = np.loadtxt('Datos_Grupo-09am.dat')
np.loadtxt('Datos_Grupo-09am.dat')
distancia = datos_recuperados [:, 0] # toda la primera columna (m)
intensidad = datos_recuperados [:, 1] # toda la segunda columna (cm)
print('distancia=', distancia)
print('intensidad=',intensidad)
#Carga de datos
datos_CS = np.loadtxt('Datos_P01_Gr09am.dat')
print('\n\n', datos_CS[0:10, :], '\n ...')
Graficar los datos dados
Temperatura_K = datos_CS[:,0]
Cv = datos_CS[:,1]
plt.figure(figsize = (5,2.8))
plt.style.use('default')
plt.plot(Temperatura_K, Cv , marker='.')
plt.xlabel('T ($K$)')
plt.ylabel('Cv ($J/(mol*K)$)')
plt.title('Gráfica Cv $vs$ T')
plt.grid()
plt.show()
#Planteo del modelo para confirmar la hipotesis
#si la hipotesis es potencial debo usar ln(y)=ln(b)+a⋅x
ln_T= np.log(Temperatura_K)
ln_Cv= np.log(Cv)
# Negación de hipotesis
plt.figure(figsize = (5,2.8))
plt.style.use('default')
plt.xlabel('T($K$)')
plt.ylabel('ln Cv($J/(mol*K)$)')
plt.title('Hipotesis Exponencial')
plt.grid()
plt.show()
#Confirmación de hipotesis
plt.figure(figsize = (5,2.8))
plt.style.use('default')
plt.xlabel('ln T($K$)')
plt.ylabel('ln Cv($J/(mol*K)$)')
plt.title('Hipotesis Potencial')
plt.grid()
plt.show()
#Regresión lineal para determinar el modelo
Regresion_lineal = stat.linregress(ln_T, ln_Cv)
plt.xlabel('ln T($K$)')
plt.ylabel('ln Cv($J/(mol*K)$)')
plt.title('Regresión Lineal')
plt.grid()
plt.legend()
plt.show()
#Datos para la Tabla
TK = np.arange(10, 220, 5)
Temperatura_C = TK- 273.15
CV = B + (m*Temperatura_C)
CvK = B + (m*TK)
#Datos en lista
Tabla_datos = np.column_stack([TK, Temperatura_C, CvK])
encabezado = np.column_stack(['T (k)], T (°C), Cv'])
#Muestra de datos
print(' T (k) T (°C) Cv')
print(Tabla_datos)
nombre_archivo = 'Resultados_analisis.dat'
encabezado = ' T (k) T (°C) Cv'
np.savetxt(nombre_archivo, Tabla_datos, delimiter='\t',
header=encabezado, fmt='%12.4f')
plt.figure(figsize = (5.5,3.5))
plt.plot(TK, CvK, color= 'green', linestyle = '-')
plt.plot(Temperatura_K, Regresion, marker='.' , linestyle=':')
plt.xlabel('T$(°C)$')
plt.ylabel('Cv$(J/(mol*K))$')
plt.title('Cv en función de la temperatura (modelo)')
plt.grid()
plt.show()
plt.savefig('Resultados_analisis.jpg', dpi=150)
Es aquel en el que sus parámetros no son fijos sino que dependen de una variable independiente
que suele ser el tiempo.
el punto sobre una superficie en el que la pendiente es cero pero no se trata de un extremo
local (máximo o mínimo). Es el punto sobre una superficie en el que la elevación es máxima
en una dirección y mínima en la dirección perpendicular. Y punto de equilibrio es una solución
constante a una ecuación diferencial.
TK = np.arange(10, 220, 5)
nombre_archivo = 'Resultados_analisis.dat'
encabezado = ' T (k) T (°C) Cv'
np.savetxt(nombre_archivo, Tabla_datos, delimiter='\t',
header=encabezado, fmt='%12.4f')