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

L'intégration numérique permet de calculer l'aire sous des courbes et de résoudre des équations qui ne possèdent pas de solutions analytiques. En calcul scientifique, il est fréquent de devoir évaluer des intégrales définies ou de résoudre des équations différentielles ordinaires (EDO) dont les solutions exactes sont inconnues ou trop complexes à obtenir. Le module **scipy.integrate** de SciPy propose des outils puissants et faciles à utiliser pour ces tâches, rendant possible l'intégration et la résolution numérique d'EDO en seulement quelques lignes de code `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()

Lorsque vous utilisez `scipy.integrate.quad`, la fonction retourne à la fois la valeur calculée de l'intégrale et une estimation de l'erreur. Dans l'exemple ci-dessus, l'intégration de `sin(x)` de 0 à π donne un résultat très proche de 2, ce qui correspond au résultat analytique exact. Cela démontre à la fois la précision et la fiabilité de la méthode d'intégration numérique.

Pour les équations différentielles ordinaires, `scipy.integrate.solve_ivp` calcule la solution sur un intervalle spécifié. Dans l'exemple d'EDO, l'équation `dy/dt = -2y` avec la condition initiale `y(0) = 1` décrit une décroissance exponentielle. La solution montre comment `y` diminue progressivement au fil du temps, et il est possible de visualiser cela avec un simple graphique. Le résultat correspond à la solution analytique attendue `y(t) = exp(-2t)`.

Quelle fonction est utilisée pour l'intégration définie dans SciPy ?

Que résout `scipy.integrate.solve_ivp` ?

Pourquoi l'intégration numérique est-elle importante en calcul scientifique ?

Un cours complet conçu pour les étudiants ayant de solides bases en mathématiques et des compétences intermédiaires à avancées en Python, axé sur l'utilisation de SciPy pour le calcul scientifique, l'optimisation, l'intégration et les opérations mathématiques avancées.

Découvrez la structure, les modules principaux et les fonctionnalités essentielles de SciPy pour le calcul scientifique.

Plongez dans les puissantes capacités d'algèbre linéaire de SciPy pour résoudre des problèmes mathématiques concrets.

Maîtriser les techniques d'optimisation et les algorithmes de recherche de racines avec SciPy pour des problèmes scientifiques et d'ingénierie.

Explorez des opérations mathématiques avancées, y compris l'intégration, l'interpolation et le traitement du signal de base avec SciPy.

Intégration Numérique Avec scipy.integrate

1. Quelle fonction est utilisée pour l'intégration définie dans SciPy ?

2. Que résout `scipy.integrate.solve_ivp` ?

3. Pourquoi l'intégration numérique est-elle importante en calcul scientifique ?

Intégration Numérique Avec scipy.integrate

1. Quelle fonction est utilisée pour l'intégration définie dans SciPy ?

2. Que résout scipy.integrate.solve_ivp ?

3. Pourquoi l'intégration numérique est-elle importante en calcul scientifique ?

2. Que résout `scipy.integrate.solve_ivp` ?