progra semana 1 a 8 si, Exercises of Engineering

Download progra semana 1 a 8 si and more Exercises Engineering in PDF only on Docsity!

TEORÍA DE LA PROGRAMACIÓN 2

Unidad 1 · Semana 1

MATLAB

Inteligencia Artificial, Machine Learning y Deep Learning Ingeniería Civil · 2 do Semestre | Método ABP · Práctica de Laboratorio

CONTENIDO DE LA SESIÓN 01 ¿Qué es MATLAB? Entorno de programación y cálculo numérico 02 Variables y Matrices Tipos de datos fundamentales en MATLAB 03 Operaciones Básicas Aritmética, lógica y funciones matemáticas 04 Inteligencia Artificial con MATLAB Toolboxes de IA integrados 05 Machine Learning vs Deep Learning Comparación de enfoques y aplicaciones

PRIMER SCRIPT EN MATLAB EJERCICIO 1 · Introducción Escribe y ejecuta tu primer programa: % ===== MI PRIMER SCRIPT EN MATLAB ===== % Teoría de la Programación 2 - Ing. Civil 2 do Semestre clc; % Limpia la ventana de comandos clear all; % Elimina variables del workspace % --- Saludar al usuario --- nombre = 'Estudiante de Ing. Civil'; fprintf('Hola, %s!\n', nombre); fprintf('Bienvenido a MATLAB.\n'); % --- Variables básicas --- semestre = 2 ; nota = 9.5; fprintf('Semestre: %d | Nota: %. 1 f\n', semestre, nota); ▶ SALIDA / OUTPUT

Hola, Estudiante de Ing. Civil!

Bienvenido a MATLAB.

Semestre: 2 | Nota: 9.

💡 Tip: Usa F 5 o el botón ▶ Run para ejecutar el script

VARIABLES Y MATRICES EJERCICIO 2 · Fundamentos

Las matrices son el elemento central de MATLAB:

% Variables escalares altura = 3.5; % metros (columna de concreto) carga = 150 ; % kN (fuerza aplicada) % Vector fila (cargas distribuidas) cargas = [ 10 , 25 , 40 , 55 , 70 ]; % kN/m % Matriz de datos ( 3 vigas x 3 propiedades) vigas = [0.30, 0.50, 200 ; % b, h, E 0.25, 0.40, 200 ; 0.35, 0.60, 210 ]; % Mostrar resultados disp('Matriz de vigas:'); disp(vigas); fprintf('Carga máx: %. 1 f kN/m\n', max(cargas)); 📐 Matriz vigas ( 3 × 3 ) b (m) h (m) E (GPa) 0.30 0.50 200 0.25 0.40 200 0.35 0.60 210 max(cargas) = 70 kN/m

FUNCIONES EN MATLAB EJERCICIO 4 · Modularidad Encapsula cálculos de ingeniería en funciones reutilizables: % ── función: calcular_area.m ── function A = calcular_area(tipo, b, h) switch tipo case 'rectangulo' A = b * h; case 'circulo' A = pi * b^ 2 / 4 ; % b=diámetro case 'T' A = b0.15 + (h-0.15)0.1; otherwise A = NaN; % desconocido end end % ── script principal ── A1 = calcular_area('rectangulo', 0.3, 0.5); A2 = calcular_area('circulo', 0.4, 0); fprintf('Área rect: %.4f m²\n', A1); fprintf('Área circ: %.4f m²\n', A2); % Salida: % Área rect: 0.1500 m² % Área circ: 0.1257 m²

CONTROL DE FLUJO EJERCICIO 5 · Estructuras Verificación de resistencia en varias columnas: % Resistencias de columnas [MPa] columnas = [ 28 , 35 , 21 , 42 , 25 , 30 ]; f_min = 28 ; % Resistencia mínima requerida fprintf('--- VERIFICACIÓN DE COLUMNAS ---\n'); for i = 1 :length(columnas) fc = columnas(i); if fc >= f_min estado = 'OK ✓'; else estado = 'FALLA ✗'; end fprintf('Col %d: %d MPa → %s\n', i, fc, estado); end ▶ OUTPUT --- VERIFICACIÓN DE COLUMNAS --- Col 1 : 28 MPa → OK ✓ Col 2 : 35 MPa → OK ✓ Col 3 : 21 MPa → FALLA ✗ Col 4 : 42 MPa → OK ✓ Col 5 : 25 MPa → FALLA ✗ Col 6 : 30 MPa → OK ✓

MACHINE LEARNING vs DEEP LEARNING 🧠 Machine Learning

• Requiere extracción manual de características
• Funciona bien con pocos datos
• Interpretable (árbol de decisión, regresión)
• Rápido de entrenar
• Ideal para tablas de datos estructurados 🧠 Deep Learning - Aprende características automáticamente - Necesita grandes volúmenes de datos - Menos interpretable (caja negra) - Requiere GPU para entrenamiento - Ideal para imágenes, audio, texto 💡 Deep Learning es una SUBCATEGORÍA de Machine Learning, que a su vez es subcategoría de la IA

MACHINE LEARNING: Ejemplo Práctico EJERCICIO 6 · Clasificación Predicción de resistencia del concreto con árbol de decisión: % Datos: [cemento, agua, arena] → clase_resistencia X = [ 350 , 175 , 680 ; % alta 280 , 190 , 700 ; % media 420 , 160 , 650 ; % alta 240 , 210 , 720 ; % baja 300 , 185 , 690 ; % media 380 , 170 , 665 ]; % alta Y = {'alta','media','alta','baja','media','alta'}'; % Entrenar árbol de clasificación modelo = fitctree(X, Y); % Predecir nueva mezcla nueva = [ 360 , 172 , 670 ]; pred = predict(modelo, nueva); fprintf('Clase predicha: %s\n', pred{ 1 }); % Salida: Clase predicha: alta 📌 Flujo ML 1️ ⃣ Recopilar datos 2️ ⃣ Limpiar y preparar 3️ ⃣ Elegir modelo 4️ ⃣ Entrenar (fit) 5️ ⃣ Predecir (predict) 6️ ⃣ Evaluar accuracy

REGRESIÓN LINEAL EJERCICIO 8 · Regresión Relación carga-deformación en una barra de acero: % Datos experimentales (Ley de Hooke) carga = [ 10 , 20 , 30 , 40 , 50 , 60 ]; % kN delta = [0.5, 1.0, 1.6, 2.1, 2.5, 3.1]; % mm % Regresión lineal: y = m*x + b p = polyfit(carga, delta, 1 ); m = p( 1 ); b = p( 2 ); % Línea de regresión x_fit = linspace( 0 , 70 , 100 ); y_fit = polyval(p, x_fit); % Coeficiente de correlación R² delta_pred = polyval(p, carga); SS_res = sum((delta - delta_pred).^ 2 ); SS_tot = sum((delta - mean(delta)).^ 2 ); R 2 = 1 - SS_res/SS_tot;

fprintf('R² = %. 4 f\n', R 2 ); % R² = 0.9987 0

Carga vs Deformación Datos Regresión

PRÁCTICA DE LABORATORIO Proyecto integrador: Análisis inteligente de datos estructurales PASO 1 Recopilar datos:^ Cargar dataset de 20 columnas con sus propiedades (sección, altura, material) PASO 2 Visualizar:^ Graficar la distribución de cargas y la relación carga-sección con plot() PASO 3 Regresión ML:^ Aplicar fitlm() o polyfit() para predecir la carga de columnas nuevas PASO 4 Evaluar modelo:^ Calcular RMSE y R² del modelo. Comparar predicción vs datos reales PASO 5 Rúbrica:^ Entregar script comentado + informe con capturas de gráficas y análisis

if resistencia >= 28 disp('OK ✓'); elseif r >= 21 disp('Revisar'); else disp('Falla ✗'); end

TEORÍA DE LA PROGRAMACIÓN 2

Unidad 1 · Semana 2 Estructuras de Decisión en MATLAB if · elseif · else · switch Condicionales simples y anidadas Ingeniería Civil · 2do Semestre | Método ABP · Práctica de Laboratorio

CONTENIDO DE LA SESIÓN

Semana 2: Estructuras de Decisión Simple y Anidadas en MATLAB

01 IF simple Estructura básica: condición y bloque de ejecución 02 IF – ELSE Dos caminos de decisión: verdadero y falso 03 IF – ELSEIF – ELSE Múltiples condiciones en cascada 04 Switch – Case Selección múltiple basada en valores discretos 05 Condicionales Anidadas Decisiones dentro de decisiones: estructuras complejas

ESTRUCTURA IF – ELSE EJERCICIO 1 · IF – ELSE Dos caminos: si la condición es verdadera ejecuta un bloque, si es falsa ejecuta el otro. % ── Verificar resistencia del concreto ────────────────── fc = 25; % resistencia obtenida [MPa] fc_min = 28; % resistencia mínima ACI 318 [MPa] if fc >= fc_min fprintf('✓ Concreto APROBADO: fc = %d MPa\n', fc); fprintf(' Cumple con ACI 318 (mín %d MPa)\n', fc_min); else deficit = fc_min - fc; fprintf('✗ Concreto RECHAZADO: fc = %d MPa\n', fc); fprintf(' Déficit: %d MPa por debajo del mínimo\n', deficit); end ▶ OUTPUT ✗ Concreto RECHAZADO: fc = 25 MPa Déficit: 3 MPa por debajo del mínimo ── Si fc = 30: ── ✓ Concreto APROBADO: fc = 30 MPa Cumple con ACI 318 (mín 28 MPa) 💡 El bloque else actúa como 'de lo contrario'. Siempre se ejecuta UNO de los dos bloques, nunca ambos.

IF – ELSEIF – ELSE EJERCICIO 2 · Múltiples condiciones Clasificación de suelos por capacidad portante (kg/cm²): capacidad = 1.8; % toneladas/m² (capacidad portante del suelo) if capacidad >= 3. tipo = 'ROCA SANA'; categoria = 'Excelente'; elseif capacidad >= 2. tipo = 'GRAVA DENSA'; categoria = 'Buena'; elseif capacidad >= 1. tipo = 'ARENA MEDIA'; categoria = 'Regular'; elseif capacidad >= 0. tipo = 'ARCILLA FIRM'; categoria = 'Baja'; else tipo = 'ARCILLA BLAN'; categoria = 'MUY BAJA ⚠'; end fprintf('Suelo: %s | Capacidad: %s\n', tipo, categoria); % Salida: Suelo: ARENA MEDIA | Capacidad: Regular 📊 Tabla de clasificación ≥ 3.0 t/m² Roca ≥ 2.0 t/m² Grava ≥ 1.0 t/m² Arena ≥ 0.5 t/m² Arcilla < 0.5 t/m² Blanda ⚠