Summary  
This chapter covers how to perform numerical integration (definite integrals) and solve ordinary differential equations numerically using SciPy’s integrate module.

General domain of usage  
Scientific computing

Numerisk integration muliggør beregning af arealet under kurver og løsning af ligninger, der ikke har analytiske løsninger. Inden for videnskabelig databehandling opstår ofte behovet for at evaluere bestemte integraler eller løse ordinære differentialligninger (ODE'er), hvor eksakte løsninger enten er ukendte eller for komplekse at opnå. **scipy.integrate**-modulet i SciPy tilbyder effektive og brugervenlige værktøjer til disse opgaver, hvilket gør det muligt at udføre integration og løse ODE'er numerisk med blot få linjer `python`-kode.

from scipy import integrate
import numpy as np

# Define the function to integrate
def f(x):
    return np.sin(x)

# Compute the definite integral of sin(x) from 0 to pi
result, error = integrate.quad(f, 0, np.pi)
print("Integral result:", result)
print("Estimated error:", error)

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

# Define the ODE: dy/dt = -2y
def dydt(t, y):
    return -2 * y

# Initial condition
y0 = [1]

# Time span for the solution
t_span = (0, 5)

# Solve the ODE
solution = solve_ivp(dydt, t_span, y0, t_eval=np.linspace(0, 5, 100))

# Plot the solution
plt.plot(solution.t, solution.y[0])
plt.xlabel("t")
plt.ylabel("y(t)")
plt.title("Solution of dy/dt = -2y with y(0) = 1")
plt.show()

Når du bruger `scipy.integrate.quad`, returnerer funktionen både den beregnede værdi af integralet og et estimat af fejlen. I eksemplet ovenfor giver integrationen af `sin(x)` fra 0 til π et resultat meget tæt på 2, hvilket stemmer overens med det præcise analytiske resultat. Dette demonstrerer både nøjagtigheden og pålideligheden af den numeriske integrationsrutine.

For ordinære differentialligninger beregner `scipy.integrate.solve_ivp` løsningen over et specificeret interval. I ODE-eksemplet beskriver ligningen `dy/dt = -2y` med begyndelsesbetingelsen `y(0) = 1` en eksponentiel henfald. Løsningen viser, hvordan `y` falder jævnt over tid, og dette kan visualiseres med en simpel graf. Outputtet stemmer overens med den forventede analytiske løsning `y(t) = exp(-2t)`.

Hvilken funktion bruges til bestemt integration i SciPy?

Hvorfor er numerisk integration vigtig i videnskabelig databehandling?

Et omfattende kursus designet til studerende med stærke matematiske forudsætninger og mellemliggende til avancerede Python-færdigheder, med fokus på at udnytte SciPy til videnskabelig databehandling, optimering, integration og avancerede matematiske operationer.

Udforsk strukturen, kernemodulerne og de væsentlige funktioner i SciPy til videnskabelig databehandling.

Dyk ned i SciPys kraftfulde lineære algebrafunktioner til løsning af virkelige matematiske problemer.

Behersk optimeringsteknikker og rodfindingsalgoritmer ved hjælp af SciPy til videnskabelige og ingeniørmæssige problemer.

Udforsk avancerede matematiske operationer, herunder integration, interpolation og grundlæggende signalbehandling med SciPy.

Numerisk Integration med scipy.integrate

1. Hvilken funktion bruges til bestemt integration i SciPy?

2. Hvad løser `scipy.integrate.solve_ivp`?

3. Hvorfor er numerisk integration vigtig i videnskabelig databehandling?

Numerisk Integration med scipy.integrate

1. Hvilken funktion bruges til bestemt integration i SciPy?

2. Hvad løser scipy.integrate.solve_ivp?

3. Hvorfor er numerisk integration vigtig i videnskabelig databehandling?

2. Hvad løser `scipy.integrate.solve_ivp`?