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'integrazione numerica consente di calcolare l'area sotto le curve e di risolvere equazioni che non hanno soluzioni analitiche. Nel calcolo scientifico, spesso si presenta la necessità di valutare integrali definiti o risolvere equazioni differenziali ordinarie (ODE) in cui le soluzioni esatte sono sconosciute o troppo complesse da ottenere. Il modulo **scipy.integrate** di SciPy offre strumenti potenti e facili da usare per questi compiti, rendendo possibile eseguire integrazioni e risolvere ODE numericamente con poche righe di codice `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()

Quando si utilizza `scipy.integrate.quad`, la funzione restituisce sia il valore calcolato dell'integrale sia una stima dell'errore. Nell'esempio sopra, l'integrazione di `sin(x)` da 0 a π fornisce un risultato molto vicino a 2, che corrisponde al risultato analitico esatto. Questo dimostra sia l'accuratezza che l'affidabilità della routine di integrazione numerica.

Per le equazioni differenziali ordinarie, `scipy.integrate.solve_ivp` calcola la soluzione su un intervallo specificato. Nell'esempio ODE, l'equazione `dy/dt = -2y` con la condizione iniziale `y(0) = 1` descrive un decadimento esponenziale. La soluzione mostra come `y` diminuisce in modo regolare nel tempo, e si può visualizzare questo comportamento con un semplice grafico. L'output corrisponde alla soluzione analitica attesa `y(t) = exp(-2t)`.

Quale funzione viene utilizzata per l'integrazione definita in SciPy?

Cosa risolve `scipy.integrate.solve_ivp`?

Perché l'integrazione numerica è importante nel calcolo scientifico?

Un corso completo progettato per studenti con solide basi matematiche e competenze intermedie o avanzate in Python, incentrato sull'utilizzo di SciPy per il calcolo scientifico, l'ottimizzazione, l'integrazione e operazioni matematiche avanzate.

Esplora la struttura, i moduli principali e le funzionalità essenziali di SciPy per il calcolo scientifico.

Esplora le potenti capacità di algebra lineare di SciPy per risolvere problemi matematici del mondo reale.

Padroneggiare le tecniche di ottimizzazione e gli algoritmi di ricerca degli zeri utilizzando SciPy per problemi scientifici e ingegneristici.

Esplora operazioni matematiche avanzate tra cui integrazione, interpolazione ed elaborazione di segnali di base con SciPy.

Integrazione Numerica con scipy.integrate

1. Quale funzione viene utilizzata per l'integrazione definita in SciPy?

2. Cosa risolve `scipy.integrate.solve_ivp`?

3. Perché l'integrazione numerica è importante nel calcolo scientifico?

Integrazione Numerica con scipy.integrate

1. Quale funzione viene utilizzata per l'integrazione definita in SciPy?

2. Cosa risolve scipy.integrate.solve_ivp?

3. Perché l'integrazione numerica è importante nel calcolo scientifico?

2. Cosa risolve `scipy.integrate.solve_ivp`?