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

Numerische Integration ermöglicht die Berechnung von Flächen unter Kurven und das Lösen von Gleichungen, für die keine analytischen Lösungen existieren. In der wissenschaftlichen Datenverarbeitung tritt häufig die Notwendigkeit auf, bestimmte Integrale zu berechnen oder gewöhnliche Differentialgleichungen (ODEs) zu lösen, bei denen exakte Lösungen entweder unbekannt oder zu komplex sind. Das Modul **scipy.integrate** in SciPy stellt leistungsfähige und einfach zu verwendende Werkzeuge für diese Aufgaben bereit und ermöglicht es, Integrationen und das Lösen von ODEs numerisch mit nur wenigen Zeilen `python`-Code durchzuführen.

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()

Bei der Verwendung von `scipy.integrate.quad` gibt die Funktion sowohl den berechneten Wert des Integrals als auch eine Schätzung des Fehlers zurück. Im obigen Beispiel ergibt die Integration von `sin(x)` von 0 bis π ein Ergebnis, das sehr nahe bei 2 liegt und somit mit dem exakten analytischen Ergebnis übereinstimmt. Dies zeigt sowohl die Genauigkeit als auch die Zuverlässigkeit der numerischen Integrationsroutine.

Für gewöhnliche Differentialgleichungen berechnet `scipy.integrate.solve_ivp` die Lösung über ein angegebenes Intervall. Im ODE-Beispiel beschreibt die Gleichung `dy/dt = -2y` mit der Anfangsbedingung `y(0) = 1` einen exponentiellen Zerfall. Die Lösung zeigt, wie `y` im Laufe der Zeit gleichmäßig abnimmt, und dies lässt sich mit einem einfachen Plot visualisieren. Das Ergebnis stimmt mit der erwarteten analytischen Lösung `y(t) = exp(-2t)` überein.

Welche Funktion wird in SciPy für bestimmte Integrationen verwendet?

Warum ist numerische Integration in der wissenschaftlichen Datenverarbeitung wichtig?

Ein umfassender Kurs, der für Studierende mit fundierten Mathematikkenntnissen und fortgeschrittenen Python-Kenntnissen konzipiert ist und sich auf die Nutzung von SciPy für wissenschaftliches Rechnen, Optimierung, Integration und fortgeschrittene mathematische Operationen konzentriert.

Erkunden Sie die Struktur, Kernmodule und wesentlichen Funktionen von SciPy für wissenschaftliches Rechnen.

Tauchen Sie ein in die leistungsstarken linearen Algebra-Funktionen von SciPy zur Lösung realer mathematischer Probleme.

Beherrschung von Optimierungstechniken und Nullstellenalgorithmen mit SciPy für wissenschaftliche und technische Fragestellungen.

Erkunden Sie fortgeschrittene mathematische Operationen wie Integration, Interpolation und grundlegende Signalverarbeitung mit SciPy.

Numerische Integration mit Scipy.Integrate

1. Welche Funktion wird in SciPy für bestimmte Integrationen verwendet?

2. Was löst `scipy.integrate.solve_ivp`?

3. Warum ist numerische Integration in der wissenschaftlichen Datenverarbeitung wichtig?

Numerische Integration mit Scipy.Integrate

1. Welche Funktion wird in SciPy für bestimmte Integrationen verwendet?

2. Was löst scipy.integrate.solve_ivp?

3. Warum ist numerische Integration in der wissenschaftlichen Datenverarbeitung wichtig?

2. Was löst `scipy.integrate.solve_ivp`?