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

Numeerinen integrointi mahdollistaa käyrien alle jäävän pinta-alan laskemisen sekä sellaisten yhtälöiden ratkaisemisen, joilla ei ole analyyttistä ratkaisua. Tieteellisessä laskennassa kohtaat usein tarpeen arvioida määrättyjä integraaleja tai ratkaista tavallisia differentiaaliyhtälöitä (ODE), joissa tarkat ratkaisut ovat joko tuntemattomia tai liian monimutkaisia saatavaksi. **scipy.integrate**-moduuli SciPy-kirjastossa tarjoaa tehokkaat ja helppokäyttöiset työkalut näihin tehtäviin, mahdollistaen integroinnin ja ODE-yhtälöiden numeerisen ratkaisun vain muutamalla `python`-koodirivillä.

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()

Kun käytät `scipy.integrate.quad`-funktiota, se palauttaa sekä lasketun integraalin arvon että virhearvion. Yllä olevassa esimerkissä `sin(x)`-funktion integrointi välillä 0–π antaa tuloksen, joka on hyvin lähellä arvoa 2, mikä vastaa tarkkaa analyyttista ratkaisua. Tämä osoittaa numeerisen integrointirutiinin tarkkuuden ja luotettavuuden.

Tavallisille differentiaaliyhtälöille `scipy.integrate.solve_ivp` laskee ratkaisun määritellyllä välillä. Differentiaaliyhtälön esimerkissä yhtälö `dy/dt = -2y` alkuarvolla `y(0) = 1` kuvaa eksponentiaalista vähenemistä. Ratkaisu osoittaa, kuinka `y` pienenee tasaisesti ajan myötä, ja tämän voi havainnollistaa yksinkertaisella kuvaajalla. Tulokset vastaavat odotettua analyyttista ratkaisua `y(t) = exp(-2t)`.

Mitä funktiota käytetään määrättyyn integrointiin SciPyssa?

Mitä `scipy.integrate.solve_ivp` ratkaisee?

Miksi numeerinen integrointi on tärkeää tieteellisessä laskennassa?

Kattava kurssi, joka on suunniteltu opiskelijoille, joilla on vahva matemaattinen tausta ja keskitason tai edistyneet Python-taidot, keskittyen SciPyn hyödyntämiseen tieteellisessä laskennassa, optimoinnissa, integroinnissa ja edistyneissä matemaattisissa operaatioissa.

Tutustu SciPyn rakenteeseen, ydinkirjastoihin ja keskeisiin ominaisuuksiin tieteellisessä laskennassa.

Syvenny SciPyn tehokkaisiin lineaarialgebran ominaisuuksiin todellisten matemaattisten ongelmien ratkaisemiseksi.

Hallitse optimointitekniikat ja juurtenetsintäalgoritmit SciPy:n avulla tieteellisiin ja teknisiin ongelmiin.

Tutustu edistyneisiin matemaattisiin operaatioihin, kuten integrointiin, interpolointiin ja perussignaalinkäsittelyyn SciPy-kirjastolla.

Numeerinen Integrointi Scipy.Integrate-Kirjastolla

1. Mitä funktiota käytetään määrättyyn integrointiin SciPyssa?

2. Mitä `scipy.integrate.solve_ivp` ratkaisee?

3. Miksi numeerinen integrointi on tärkeää tieteellisessä laskennassa?

Numeerinen Integrointi Scipy.Integrate-Kirjastolla

1. Mitä funktiota käytetään määrättyyn integrointiin SciPyssa?

2. Mitä scipy.integrate.solve_ivp ratkaisee?

3. Miksi numeerinen integrointi on tärkeää tieteellisessä laskennassa?

2. Mitä `scipy.integrate.solve_ivp` ratkaisee?