Summary  
This chapter covers how to use SciPy’s integrate module to perform numerical integration of functions with `quad` and solve ordinary differential equations with `solve_ivp`.  

General domain of usage  
Scientific computing

La integración numérica permite calcular el área bajo curvas y resolver ecuaciones que no tienen soluciones analíticas. En la computación científica, a menudo surge la necesidad de evaluar integrales definidas o resolver ecuaciones diferenciales ordinarias (ODEs) donde las soluciones exactas son desconocidas o demasiado complejas de obtener. El módulo **scipy.integrate** en SciPy proporciona herramientas potentes y fáciles de usar para estas tareas, haciendo posible realizar integraciones y resolver ODEs numéricamente utilizando solo unas pocas líneas de código en `python`.

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()

Cuando se utiliza `scipy.integrate.quad`, la función devuelve tanto el valor calculado de la integral como una estimación del error. En el ejemplo anterior, al integrar `sin(x)` desde 0 hasta π se obtiene un resultado muy cercano a 2, que coincide con el resultado analítico exacto. Esto demuestra tanto la precisión como la fiabilidad del método de integración numérica.

Para ecuaciones diferenciales ordinarias, `scipy.integrate.solve_ivp` calcula la solución en un intervalo especificado. En el ejemplo de EDO, la ecuación `dy/dt = -2y` con la condición inicial `y(0) = 1` describe un decaimiento exponencial. La solución muestra cómo `y` disminuye suavemente con el tiempo, y esto se puede visualizar con un gráfico sencillo. El resultado coincide con la solución analítica esperada `y(t) = exp(-2t)`.

¿Qué función se utiliza para la integración definida en SciPy?

¿Qué resuelve `scipy.integrate.solve_ivp`?

¿Por qué es importante la integración numérica en la computación científica?

Un curso integral diseñado para estudiantes con sólidos conocimientos matemáticos y habilidades intermedias o avanzadas en Python, enfocado en aprovechar SciPy para la computación científica, optimización, integración y operaciones matemáticas avanzadas.

Explora la estructura, los módulos principales y las características esenciales de SciPy para la computación científica.

Sumérgete en las potentes capacidades de álgebra lineal de SciPy para resolver problemas matemáticos del mundo real.

Domina técnicas de optimización y algoritmos de búsqueda de raíces utilizando SciPy para problemas científicos e ingenieriles.

Explora operaciones matemáticas avanzadas, incluyendo integración, interpolación y procesamiento básico de señales con SciPy.

Integración Numérica con scipy.integrate

1. ¿Qué función se utiliza para la integración definida en SciPy?

2. ¿Qué resuelve `scipy.integrate.solve_ivp`?

3. ¿Por qué es importante la integración numérica en la computación científica?

Integración Numérica con scipy.integrate

1. ¿Qué función se utiliza para la integración definida en SciPy?

2. ¿Qué resuelve scipy.integrate.solve_ivp?

3. ¿Por qué es importante la integración numérica en la computación científica?

2. ¿Qué resuelve `scipy.integrate.solve_ivp`?