Blog Miscelanea

 INICIANDO CON EJEMPLOS

 EJEMPLO DE PRUEBA ESTADISTICA  KOLMOGORNOV SMIRNOV import numpy as np from scipy.stats import kstest, norm import matplotlib.pyplot as plt np.random.seed( 42 ) sample = np.random.normal( 0 , 1 , 100 )   # Generar una muestra de 100 puntos de una distribución normal # Calcular ECDF ecdf = np.linspace( 0 , 1 , len (sample)) # Graficar la ECDF plt.plot(np.sort(sample), ecdf) plt.plot(norm.cdf(np.sort(sample)), 'r--' , label= 'CDF teórica (normal)' ) plt.title( 'ECDF vs CDF Teórica (Normal)' ) plt.xlabel( 'Valores de la Muestra' ) plt.ylabel( 'Probabilidad acumulada' ) plt.legend() plt.show() # Realizar la prueba KS con una distribución normal estándar (media=0, desviación=1) kstest_result = kstest(sample, 'norm' ) print ( 'Estadístico KS:' , kstest_result.statistic) print ( 'Valor p:' , kstest_result.pvalue)

EJEMPLO DE REGRESION LINEAL import numpy as np import matplotlib.pyplot as plt from sklearn.linear_model import LinearRegression # Datos de ejemplo np.random.seed( 42 ) X = 2 * np.random.rand( 100 , 1 ) y = 4 + 3 * X + np.random.randn( 100 , 1 ) plt.scatter(X, y) plt.title( 'Datos de ejemplo para regresión lineal' ) plt.xlabel( 'Variable independiente (X)' ) plt.ylabel( 'Variable dependiente (y)' ) plt.show() # Inicializar el modelo de regresión lineal model = LinearRegression() # Entrenar el modelo model.fit(X, y) # Generar datos para predecir X_new = np.array([[ 0 ], [ 2 ]]) # Realizar predicciones y_pred = model.predict(X_new) plt.scatter(X, y, label= 'Datos de ejemplo' ) plt.plot(X_new, y_pred, 'r-' , label= 'Línea de regresión' ) plt.title( 'Regresión Lineal' ) plt.xlabel( 'Variable independiente (X)' ) plt.ylabel( 'Variable dependiente (y)' ) plt.legend() plt.show() print ( 'Coeficiente (pendient...

  def calcular_densidad ( masa , volumen ):     """     Calcula la densidad de un material a escala nanométrica.     Parámetros:     masa (float): Masa del material en unidades nanométricas.     volumen (float): Volumen del material en unidades nanométricas cúbicas.     Retorna:     float: Densidad del material.     """     densidad = masa / volumen     return densidad # Ejemplo de uso masa_nano = 50   # Supongamos 50 unidades de masa en escala nanométrica volumen_nano = 10   # Supongamos 10 unidades de volumen en escala nanométrica resultado_densidad = calcular_densidad(masa_nano, volumen_nano) print ( "La densidad del material es:" , resultado_densidad) La densidad del material es: 5.0

 EJEMPLO DE USO DE LIBRERIA NUMPY Y MATPLOLIB PARA GENERAR GRAFICA  DE PARTICULAS BROWNIANAS import matplotlib.pyplot as plt import numpy as np   # Configuración de la simulación num_particles = 100 num_steps = 1000 dt = 0.1   # Incremento de tiempo diffusion_coefficient = 0.1   # Coeficiente de difusión   # Inicialización de las posiciones de las partículas particles_x = np.zeros(num_particles) particles_y = np.zeros(num_particles)   # Simulación del movimiento browniano for step in range (num_steps):     for particle in range (num_particles):         dx = np.sqrt( 2 * diffusion_coefficient * dt) * np.random.randn()         dy = np.sqrt( 2 * diffusion_coefficient * dt) * np.random.randn()           particles_x[particle] += dx         particles_y[particle] += dy   # Visualización del movimiento de l...

Iniciamos con chatgpt                                                                                      by: Richard Pascual Castro https://chat.openai.com/share/1689c7fe-dfe1-4793-b857-446a8cfdee59 import numpy as np import pandas as pd # Generar datos aleatorios para pacientes con diabetes tipo 2 np.random.seed( 42 )   # Fijar la semilla para reproducibilidad # Crear un DataFrame con datos simulados num_pacientes = 1000 data = {     'Edad' : np.random.randint( 25 , 85 , num_pacientes),     'Glucosa' : np.random.randint( 70 , 300 , num_pacientes),     'IMC' : np.random.uniform( 18 , 45 , num_pacientes). round ( 1 ),     'HbA1c' : np.random.uniform( 5 , 12 , num_pacientes). round ( 1 ),     'PresionArterial' : np.ra...