La Matemática y su impacto en la Programación

def es_primo(numero):
    # Verificar si el número es menor o igual a 1
    if numero <= 1:
        return False
    # Iterar desde 2 hasta la raíz cuadrada del número
    for i in range(2, int(numero**0.5) + 1):
        # Verificar si el número es divisible por algún valor en el rango
        if numero % i == 0:
            return False
    # Si no se encontraron divisores, el número es primo
    return True

# Ejemplo de uso
numero_dado = 17
if es_primo(numero_dado):
    print(f"{numero_dado} es un número primo.")
else:
    print(f"{numero_dado} no es un número primo.")

# Utilizando una lista como estructura de datos para almacenar elementos
mi_lista = [3, 7, 1, 4, 2, 8]

# Aplicando un concepto matemático (ordenamiento) para organizar la lista
mi_lista_ordenada = sorted(mi_lista)

# Imprimiendo la lista original y la lista ordenada
print("Lista Original:", mi_lista)
print("Lista Ordenada:", mi_lista_ordenada)

from scipy.integrate import solve_ivp
import matplotlib.pyplot as plt
import numpy as np

# Definir la ecuación diferencial para simular el movimiento
def ecuacion_diferencial(t, y):
    return [y[1], -y[0]]

# Configurar condiciones iniciales
condiciones_iniciales = [1, 0]

# Definir el intervalo de tiempo
tiempo_inicio = 0
tiempo_final = 10
intervalo_tiempo = (tiempo_inicio, tiempo_final)

# Resolver la ecuación diferencial utilizando scipy
solucion = solve_ivp(ecuacion_diferencial, intervalo_tiempo, condiciones_iniciales, t_eval=np.linspace(tiempo_inicio, tiempo_final, 100))

# Graficar la solución en el espacio tridimensional
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
ax.plot(solucion.y[0], solucion.y[1], solucion.t)
ax.set_xlabel('Eje X')
ax.set_ylabel('Eje Y')
ax.set_zlabel('Tiempo')
plt.show()

import hashlib

# Función para crear un hash utilizando SHA-256
def crear_hash(texto):
    hash_obj = hashlib.sha256(texto.encode())
    return hash_obj.hexdigest()

# Ejemplo de uso
mensaje_original = "Informacion confidencial de Audra"
hash_resultante = crear_hash(mensaje_original)

# Imprimir el mensaje original y el hash resultante
print("Mensaje Original:", mensaje_original)
print("Hash Resultante:", hash_resultante)

from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
import matplotlib.pyplot as plt
import numpy as np

# Generar datos de ejemplo
np.random.seed(42)
X = 2 * np.random.rand(100, 1)
y = 4 + 3 * X + np.random.randn(100, 1)

# Dividir los datos en conjuntos de entrenamiento y prueba
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# Crear un modelo de regresión lineal
modelo = LinearRegression()

# Entrenar el modelo con los datos de entrenamiento
modelo.fit(X_train, y_train)

# Realizar predicciones en los datos de prueba
predicciones = modelo.predict(X_test)

# Graficar los resultados
plt.scatter(X_test, y_test, color='black')
plt.plot(X_test, predicciones, color='blue', linewidth=3)
plt.xlabel('Variable Independiente')
plt.ylabel('Variable Dependiente')
plt.title('Ejemplo de Regresión Lineal en Aprendizaje Automático')
plt.show()