PYTHON PARA INGENIEROS (PPI)

  from collections import Counter def words(text): return re.findall(r'\w+', text.lower()) WORDS = Counter(words(open('big.txt').read())) def P(word, N=sum(WORDS.values())): "Probability of `word`." return WORDS[word] / N def correction(word): "Most probable spelling correction for word." return max(candidates(word), key=P) def candidates(word): "Generate possible spelling corrections for word." return (known([word]) or known(edits1(word)) or known(edits2(w

  Splines Por supuesto, la interpolación lineal por partes produce esquinas en los puntos de datos, donde se unen las piezas lineales. Para producir una curva más suave, puede utilizar cúbica splines, donde la curva de interpolación está hecha de piezas cúbicas con coincidencias primera y segunda derivada. En el código, estos objetos se representan mediante el CubicSpline instancias de clase. Una instancia se construye con el x y y matrices de datos, y luego se pueden evaluar utilizando el objetivo xnew valores:  from scipy.interpolate import CubicSpline spl = CubicSpline ([ 1 , 2 , 3 , 4 , 5 , 6 ], [ 1 , 4 , 8 , 16 , 25 , 36 ]) spl ( 2.5 )   A CubicSpline objeto __call__ El método acepta tanto valores escalares como matrices. Acepta también un segundo argumento, nu , para evaluar la derivada de orden nu . Como ejemplo, trazamos las derivadas de un spline:  from scipy.interpolate import CubicSpline x = np . linspace ( 0 , 10 , num = 11 ) y = np . cos

  Interpolación 1-D Interpolación lineal. Si todo lo que necesita es una interpolación lineal (también conocida como línea discontinua), puede usar el numpy.interp rutina. Se necesitan dos conjuntos de datos para interpolar, x , y y , y una tercera matriz, xnew , de puntos para evaluar la interpolación sobre:    import numpy as np x = np . linspace ( 0 , 10 , num = 11 ) y = np . cos ( - x ** 2 / 9.0 ) xnew = np . linspace ( 0 , 10 , num = 1001 ) ynew = np . interp ( xnew , x , y ) import matplotlib.pyplot as plt plt . plot ( xnew , ynew , '-' , label = 'linear interp' ) plt . plot ( x , y , 'o' , label = 'data' ) plt . legend ( loc = 'best' ) plt . show ()    

  Guía del usuario de SciPy SciPy es una colección de algoritmos matemáticos y funciones de conveniencia creadas en NumPy . Agrega un poder significativo a Python al proporcionar al usuario Comandos y clases de alto nivel para manipular y visualizar datos. Subpaquetes SciPy está organizado en subpaquetes que cubren diferentes temas científicos. dominios informáticos. Estos se resumen en la siguiente tabla:  Subpaquete Descripción cluster Algoritmos de agrupamiento constants Constantes físicas y matemáticas. fft Transformadas discretas de Fourier fftpack Rutinas de transformación rápida de Fourier (heredadas) integrate Integración y solucionadores de ecuaciones diferenciales ordinarias. interpolate Interpolación y suavizado de splines. io Entrada y salida linalg Álgebra lineal ndimage Procesamiento de imágenes N-dimensionales odr Regresión de distancia ortogonal optimize Rutinas de optimización y búsqueda de raíces. signal Procesamiento de señale

  Introducción al campo de la ingeniería de confiabilidad  La ingeniería de confiabilidad es un campo de estudio que se ocupa de la estimación, prevención y gestión de fallas combinando estadística, análisis de riesgos y física. Al comprender cómo pueden ocurrir o han ocurrido las fallas, podemos predecir mejor la vida útil de un producto o sistema, lo que nos permite administrar su ciclo de vida y los riesgos asociados con su falla. Todos los sistemas, componentes y estructuras de ingeniería eventualmente fallarán, y saber cómo y cuándo ocurrirá esa falla es de gran interés para los propietarios y operadores de esos sistemas. Debido a las similitudes entre el ciclo de vida de los sistemas de ingeniería y el ciclo de vida de los humanos, el campo de estudio conocido como análisis de supervivencia tiene muchos conceptos que se utilizan en la ingeniería de confiabilidad. Todo el mundo es muy consciente de la importancia de la confiabilidad, especialmente cuando algo no fun

  Un ejemplo rápido  En este ejemplo, crearemos una distribución Weibull y de esa distribución extraeremos 20 muestras aleatorias. Usando esas muestras ajustaremos una distribución Weibull de 2 parámetros. El proceso de ajuste genera la gráfica de probabilidad. Luego podemos acceder al objeto de distribución para trazar la función de supervivencia.  En google Colab: !pip install reliability from reliability.Distributions import Weibull_Distribution from reliability.Fitters import Fit_Weibull_2P from reliability.Probability_plotting import plot_points import matplotlib.pyplot as plt dist = Weibull_Distribution ( alpha = 30 , beta = 2 ) # creates the distribution object data = dist . random_samples ( 20 , seed = 42 ) # draws 20 samples from the distribution. Seeded for repeatability plt . subplot ( 121 ) fit = Fit_Weibull_2P ( failures = data ) # fits a Weibull distribution to the data and generates the probability plot plt . subplot ( 122 )