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

Numerisk integrasjon gjør det mulig å beregne arealet under kurver og løse ligninger som ikke har analytiske løsninger. Innen vitenskapelig databehandling oppstår det ofte behov for å evaluere bestemte integraler eller løse ordinære differensialligninger (ODE-er) der eksakte løsninger enten er ukjente eller for komplekse å finne. Modulen **scipy.integrate** i SciPy tilbyr kraftige og brukervennlige verktøy for disse oppgavene, slik at du kan utføre integrasjon og løse ODE-er numerisk med bare noen få linjer `python`-kode.

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()

Når du bruker `scipy.integrate.quad`, returnerer funksjonen både den beregnede verdien av integralet og et estimat på feilen. I eksempelet ovenfor gir integrering av `sin(x)` fra 0 til π et resultat svært nær 2, som samsvarer med det eksakte analytiske resultatet. Dette demonstrerer både nøyaktigheten og påliteligheten til den numeriske integrasjonsrutinen.

For ordinære differensialligninger beregner `scipy.integrate.solve_ivp` løsningen over et spesifisert intervall. I ODE-eksempelet beskriver ligningen `dy/dt = -2y` med initialbetingelsen `y(0) = 1` en eksponentiell avtagning. Løsningen viser hvordan `y` avtar jevnt over tid, og du kan visualisere dette med et enkelt plott. Utdataene samsvarer med den forventede analytiske løsningen `y(t) = exp(-2t)`.

Hvilken funksjon brukes for bestemt integrasjon i SciPy?

Hvorfor er numerisk integrasjon viktig innen vitenskapelig databehandling?

Et omfattende kurs utviklet for studenter med solid matematisk bakgrunn og middels til avanserte Python-ferdigheter, med fokus på å utnytte SciPy for vitenskapelig databehandling, optimalisering, integrasjon og avanserte matematiske operasjoner.

Utforsk strukturen, kjernemodulene og essensielle funksjoner i SciPy for vitenskapelig databehandling.

Fordyp deg i SciPys kraftige lineær algebra-funksjoner for å løse matematiske problemer fra virkeligheten.

Bli ekspert på optimaliseringsteknikker og rotfinningsalgoritmer ved bruk av SciPy for vitenskapelige og tekniske problemer.

Utforsk avanserte matematiske operasjoner inkludert integrasjon, interpolasjon og grunnleggende signalbehandling med SciPy.

Numerisk Integrasjon med scipy.integrate

1. Hvilken funksjon brukes for bestemt integrasjon i SciPy?

2. Hva løser `scipy.integrate.solve_ivp`?

3. Hvorfor er numerisk integrasjon viktig innen vitenskapelig databehandling?

Numerisk Integrasjon med scipy.integrate

1. Hvilken funksjon brukes for bestemt integrasjon i SciPy?

2. Hva løser scipy.integrate.solve_ivp?

3. Hvorfor er numerisk integrasjon viktig innen vitenskapelig databehandling?

2. Hva løser `scipy.integrate.solve_ivp`?