Fyskode Learning

SDC-102 · Curso 2 de 10 · 6 semanas · 44 horas de trabajo estimado

Programación y graficación científica en Python

Código reproducible para modelos y datos

Progresión completa con Python básico, funciones propias, NumPy, integración, Matplotlib y API pública de Hidden Attractors FO.

¿Cómo programar y verificar un experimento dinámico reproducible?

Requisitos

Álgebra elemental y manejo básico de archivos; no se requiere experiencia previa en Python.

Resultado del curso

Programa verificable con funciones propias, datos, diagnósticos finitos y figuras interpretadas.

Objetivos

  • Usar sintaxis, tipos, colecciones, control de flujo, funciones, módulos y archivos de Python.
  • Representar estados y trayectorias con NumPy y probar un integrador propio.
  • Crear gráficas básicas, series temporales, retratos de fase y animaciones con Matplotlib.
  • Ejecutar funciones públicas de Hidden Attractors FO y distinguir diagnósticos finitos de pruebas de caos u ocultamiento.

Temario

5 unidades. Las 44 horas son la suma de exposición, ejemplos trabajados, práctica y evidencia evaluable de cada unidad; no se añaden horas sólo por citar un libro.

Desglose total: 9 h de desarrollo conceptual · 7 h de ejemplos guiados · 5 h de lectura contrastada · 18 h de práctica · 5 h de evidencia evaluable.

  1. 01

    Fundamentos de Python para cálculo científico

    Dominar variables, tipos, colecciones, control de flujo, funciones, módulos, excepciones y archivos mientras se organiza un experimento reproducible.

    Actividad evaluable: Script ejecutable con entradas validadas y salida documentada. Distribución de la carga: 1 h desarrollo conceptual · 1 h ejemplos guiados · 1 h lectura contrastada · 3 h práctica · 1 h evidencia evaluable.
    7 h
  2. 02

    NumPy para estados, trayectorias y mallas

    Distinguir escalares, vectores y matrices; evitar bucles innecesarios; y comprobar formas y unidades.

    Actividad evaluable: Implementación vectorizada contrastada con un cálculo manual. Distribución de la carga: 2 h desarrollo conceptual · 1 h ejemplos guiados · 1 h lectura contrastada · 3 h práctica · 1 h evidencia evaluable.
    8 h
  3. 03

    Funciones, integradores y pruebas numéricas

    Separar el campo vectorial, el integrador y las comprobaciones en funciones pequeñas que puedan revisarse de forma independiente.

    Actividad evaluable: Integrador elemental con pruebas sobre un problema de solución conocida. Distribución de la carga: 2 h desarrollo conceptual · 1 h ejemplos guiados · 1 h lectura contrastada · 4 h práctica · 1 h evidencia evaluable.
    9 h
  4. 04

    Matplotlib: gráficas básicas y dinámica

    Elegir ejes, escalas, color, contraste, leyendas y pies de figura adecuados para tiempo, fase y parámetros.

    Actividad evaluable: Atlas de cuatro gráficas con una interpretación escrita por figura. Distribución de la carga: 2 h desarrollo conceptual · 2 h ejemplos guiados · 1 h lectura contrastada · 4 h práctica · 1 h evidencia evaluable.
    10 h
  5. 05

    Hidden Attractors FO: análisis y visualización

    Organizar un pipeline reproducible y usar la API pública de Hidden Attractors FO para integrar, analizar y graficar trayectorias.

    Actividad evaluable: Experimento reconstruible con funciones propias, API pública, diagnósticos finitos y gráficas. Distribución de la carga: 2 h desarrollo conceptual · 2 h ejemplos guiados · 1 h lectura contrastada · 4 h práctica · 1 h evidencia evaluable.
    10 h

Fuentes consultadas

La documentación oficial sostiene la sintaxis y las interfaces. Los libros de dinámica aportan los experimentos científicos del tramo final.

  • Documentación oficial de Python — Python Software Foundation

    tutorial, entornos, módulos, funciones, excepciones y pruebas.

  • Documentación oficial de NumPy y SciPy — Comunidades de NumPy y SciPy

    arreglos, difusión, álgebra lineal, integración y manejo de datos.

  • Documentación oficial de Matplotlib — Matplotlib Development Team

    figuras, ejes, estilos, animación y exportación reproducible.

  • Casos computacionales de dinámica y caos — Devaney; Alligood, Sauer y Yorke; Tél y Gruiz; Fuchs; Sprott

    experimentos con mapas, flujos, bifurcaciones, secciones y sistemas caóticos.

  • Referencia pública de hidden-attractors-fo — Hidden Attractors Fractional Order project

    API estable y experimental, integración, análisis de trayectorias y graficación.

Proyecto integrador

Explica el mismo experimento mediante serie temporal, retrato de fase y animación; identifica la pregunta y las limitaciones de cada representación.