Ejercicios · Bloque 3: Estructuras Avanzadas y Modularidad
20 ejercicios resueltos paso a paso.
3.1 Diccionarios
1.
Diseñar dos funciones en Python para la gestión de balances de gastos compartidos en proyectos de nanotecnología: nueva_partida(d, nombre), que inicializa a un participante en el diccionario d con saldo [0.0, 0.0] (pagado, debido), y reiniciar_balances(d), que restablece a cero los saldos de todos los participantes existentes modificando la estructura in situ.
Para gestionar balances compartidos en proyectos de nanotecnología empezaremos por implementar la función de alta con saldo inicial neutro, programaremos el reinicio in situ de saldos y verificaremos el comportamiento sobre un diccionario contable de prueba.
Implementar la función registrar_gasto_compartido(d, pagador, importe, participantes) que impute un gasto realizado por un miembro a partes iguales entre todos los miembros beneficiarios, actualizando los saldos del diccionario.
Para repartir costes compartidos entre instalaciones comunes empezaremos por calcular la cuota equitativa por participante, actualizaremos los saldos pagados y debidos en el diccionario y auditaremos la consistencia financiera resultante.
Diseñar una función liquidar_cuentas(d) que calcule el saldo neto (pagado menos debido) de cada miembro de un proyecto de investigación y determine quién debe pagar a quién para saldar las deudas pendientes.
Para calcular la liquidación neta de saldos contables empezaremos por evaluar la diferencia entre importes pagados y debidos, clasificaremos a los participantes en acreedores o deudores y emitiremos el informe detallado de transferencias pendientes.
Construir un catálogo anidado de nanomateriales sintetizados en el laboratorio y programar una función buscar_por_elemento(cat, elem) que devuelva la lista de códigos de muestra que incorporan un elemento químico dado.
Para consultar el catálogo anidado de nanomuestras empezaremos por estructurar las fichas técnicas en diccionarios anidados, implementaremos la función de filtrado por elemento químico constituyente y ejecutaremos la búsqueda para identificar los materiales basados en carbono.
Implementar una función invertir_diccionario_espectros(d) que reciba un diccionario cuyas claves son compuestos químicos y sus valores son su longitud de onda de emisión en nanómetros, devolviendo un nuevo diccionario invertido que asocie cada longitud de onda con la lista de compuestos que emiten en ella.
Para invertir el diccionario de espectros con gestión de colisiones empezaremos por crear la estructura destino vacía, agruparemos los emisores bajo su longitud de onda en listas independientes y verificaremos la agrupación resultante con fluoróforos de prueba.
Diseñar una función llamada calcular_desviacion(serie) que reciba una lista de valores numéricos de medidas nanotecnológicas y retorne la media aritmética y la desviación estándar muestral en una tupla (media, s).
Para calcular los estadísticos de dispersión en medidas nanotecnológicas empezaremos por verificar el tamaño muestral y calcular la media aritmética, evaluaremos la suma de residuos cuadráticos mediante la función pow y determinaremos la desviación estándar muestral con math.. sqrt.
Desarrollar una función filtrar_senales(lecturas, umbral_min=0.0, umbral_max=100.0) que acepte una lista de amplitudes experimentales y dos umbrales numéricos con valores por defecto, devolviendo una nueva lista con únicamente los valores contenidos en dicho intervalo inclusivo.
Para filtrar las lecturas de nanosensores en rangos admisibles empezaremos por definir la signatura de la función con parámetros por defecto, aplicaremos una comprensión condicional de listas para seleccionar valores en el intervalo cerrado y comprobaremos el filtrado sobre una serie ruidosa.
Escribir una función modificar_escala(matriz_medidas, factor_escala) que reciba una lista de listas representando una cuadrícula de rugosidad superficial y multiplique cada elemento por factor_escala modificando la estructura in situ.
Para transformar la escala de rugosidad superficial in situ empezaremos por recorrer la estructura bidimensional mediante índices enteros de fila y columna, aplicaremos la mutación directa sobre cada celda en la referencia compartida y comprobaremos que la matriz original queda actualizada sin crear copias.
Desarrollar una función componer_informe(sensor_id, *lecturas, unidad="mV", calibrado=True) que admita un identificador obligatorio, un número variable de argumentos numéricos posicionales (*args) y dos argumentos con nombre opcionales, retornando un diccionario resumen con los datos formateados.
Para estructurar el reporte telemétrico del sensor empezaremos por definir la función con empaquetado posicional de lecturas y argumentos nombrados, evaluaremos el promedio estadístico de las observaciones y empaquetaremos el diccionario de estado con los campos obligatorios y opcionales.
Implementar una función recursiva llamada calcular_potencia_rapida(base, exponente) que calcule una potencia entera no negativa utilizando la técnica de exponenciación binaria, reduciendo la complejidad de operaciones.
Para resolver la exponenciación binaria de forma recursiva empezaremos por establecer el caso base para exponente nulo, aplicaremos la descomposición por paridad para dividir el exponente a la mitad reduciendo la complejidad y comprobaremos el algoritmo con potencias testigo.
Desarrollar una función simular_camino_aleatorio(pasos, difusion=1.0) que simule una trayectoria browniana en 2D en pasos discretos utilizando random.. gauss y calcule el desplazamiento cuadrático medio desde el origen.
Para modelar el movimiento browniano en dos dimensiones empezaremos por inicializar las coordenadas espaciales en el origen, acumularemos los saltos térmicos independientes mediante muestreo gaussiano con desviación proporcional a la raíz de la difusión y determinaremos la distancia cuadrática final al origen.
Diseñar una función decaimiento_radiactivo(n0, semivida_dias, dias_totales) que utilice math.. exp y math.. log(2) para calcular la cantidad de núcleos remanentes y la actividad decaída tras un periodo experimental dado.
Para modelizar la cinética de desintegración radiactiva empezaremos por calcular la constante analítica de desintegración a partir del periodo de semivida, evaluaremos la ley exponencial continua para determinar los núcleos remanentes y calcularemos el balance total de átomos desintegrados.
Implementar una función angulo_vectores_3d(v1, v2) que reciba dos vectores tridimensionales como tuplas o listas y calcule el ángulo entre ellos en grados utilizando math.. acos y math.. degrees.
Para calcular el ángulo entre dos vectores tridimensionales empezaremos por calcular el producto escalar y las normas euclídeas mediante potencias cuadráticas, aplicaremos acotación defensiva al coseno para prevenir errores de coma flotante y convertiremos el arcoseno en grados sexagesimales.
Crear una función muestrear_esfera(radio=1.0) que genere un punto aleatorio distribuido uniformemente sobre la superficie de una nanoesfera 3D utilizando el método de coordenadas esféricas con corrección de área.
Para generar una distribución rigurosamente uniforme sobre la nanoesfera empezaremos por muestrear la coordenada axial z de forma uniforme en el intervalo cerrado de menos uno a uno, calcularemos el radio ecuatorial corregido y proyectaremos los ángulos azimutales sobre las coordenadas cartesianas espaciales.
Diseñar la estructura completa de un archivo de módulo modular_sensores.. py que defina dos constantes físicas (VOLTAJE_REFERENCIA = 3.3, BITS_ADC = 10), una función adc_a_voltios(lectura) y un bloque de prueba bajo el guardián principal que valide la conversión para los valores extremos 0 y 1023.
Para estructurar un módulo profesional en instrumentación de sensores empezaremos por declarar las constantes físicas globales del convertidor, implementaremos la función lineal de conversión analógico-digital mediante pow y agregaremos el guardián de ejecución para pruebas automatizadas.
Implementar una función transponer_matriz(matriz) que reciba una matriz rectangular de dimensiones m por n y devuelva su matriz transpuesta n por m sin utilizar bibliotecas externas.
Para transponer una matriz rectangular en Python puro empezaremos por validar las dimensiones y obtener el número de filas y columnas, construiremos la nueva estructura intercambiando los índices mediante comprensión anidada de listas y comprobaremos la transposición sobre una cuadrícula de prueba.
Desarrollar una función sumar_matrices(A, B) que valide si dos matrices tienen idénticas dimensiones y retorne una nueva matriz con la suma elemento a elemento, lanzando ValueError si las dimensiones difieren.
Para implementar la suma matricial elemento a elemento empezaremos por validar defensivamente la igualdad de dimensiones espaciales, calcularemos la suma puntual de componentes mediante comprensión anidada de listas y verificaremos la operación sobre dos matrices compatibles.
Escribir una función multiplicar_matrices(A, B) que calcule el producto algebraico de dos matrices rectangulares compatibles de dimensiones m por k y k por n mediante bucles anidados en Python puro.
Para calcular el producto algebraico matricial empezaremos por comprobar la compatibilidad de la dimensión interna k entre ambas matrices, evaluaremos el producto escalar entre filas y columnas mediante acumulación y comprobaremos la multiplicación sobre dos matrices testigo.
Desarrollar una función convolucion_suavizado(matriz) que aplique un filtro de media móvil sobre una malla topográfica 2D, calculando para cada celda interior el promedio de su vecindario de 8 celdas adyacentes más la propia celda en un bloque de 3x3.
Para aplicar el filtro de convolución y suavizado topográfico empezaremos por crear una copia profunda de la malla para preservar lecturas, recorreremos los nodos interiores de la cuadrícula evaluando el bloque de tres por tres y calcularemos el promedio amortiguado de cada celda.
Implementar una función encontrar_puntos_silla(matriz) que examine una cuadrícula numérica y retorne una lista de coordenadas (fila, columna) de todos los puntos de silla existentes que sean mínimo de su fila y máximo de su columna.
Para localizar los puntos de silla sobre la matriz numérica empezaremos por identificar el valor mínimo en cada fila de la cuadrícula, comprobaremos si dicho candidato es simultáneamente el valor máximo en su respectiva columna y emitiremos las coordenadas nodales de equilibrio.
Solo los usuarios registrados pueden acceder a las soluciones completas de los ejercicios y al reproductor interactivo de ejercicios y de teoría.
🎁
¡Promoción de lanzamiento!
El acceso es gratuito de por vida y sin necesidad de introducir datos de pago para los 100 primeros usuarios registrados. A partir de los 100 primeros costará 4,99 €/mes (+IVA) o 49,99 €/año (+IVA).
Regístrate gratis para obtener acceso inmediato a todos los recursos. Si ya estás registrado en matemas.com, entra con tu usuario y contraseña: