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

Numerieke integratie maakt het mogelijk om de oppervlakte onder krommen te berekenen en vergelijkingen op te lossen waarvoor geen analytische oplossingen bestaan. In wetenschappelijke computing komt het vaak voor dat je bepaalde integralen moet evalueren of gewone differentiaalvergelijkingen (ODE's) moet oplossen waarbij exacte oplossingen onbekend zijn of te complex om te verkrijgen. De **scipy.integrate** module in SciPy biedt krachtige en gebruiksvriendelijke hulpmiddelen voor deze taken, waardoor integratie en het oplossen van ODE's numeriek mogelijk wordt met slechts enkele regels `python`-code.

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()

Wanneer je `scipy.integrate.quad` gebruikt, geeft de functie zowel de berekende waarde van het integraal als een schatting van de fout terug. In het bovenstaande voorbeeld levert het integreren van `sin(x)` van 0 tot π een resultaat op dat zeer dicht bij 2 ligt, wat overeenkomt met het exacte analytische resultaat. Dit toont zowel de nauwkeurigheid als de betrouwbaarheid van de numerieke integratieroutine aan.

Voor gewone differentiaalvergelijkingen berekent `scipy.integrate.solve_ivp` de oplossing over een gespecificeerd interval. In het ODE-voorbeeld beschrijft de vergelijking `dy/dt = -2y` met de beginvoorwaarde `y(0) = 1` exponentieel verval. De oplossing laat zien hoe `y` geleidelijk afneemt in de tijd, en je kunt dit visualiseren met een eenvoudige grafiek. De uitvoer komt overeen met de verwachte analytische oplossing `y(t) = exp(-2t)`.

Welke functie wordt gebruikt voor bepaalde integratie in SciPy?

Waarom is numerieke integratie belangrijk in wetenschappelijk rekenen?

Een uitgebreide cursus ontworpen voor studenten met een sterke wiskundige achtergrond en gemiddelde tot gevorderde Python-vaardigheden, gericht op het benutten van SciPy voor wetenschappelijk rekenen, optimalisatie, integratie en geavanceerde wiskundige bewerkingen.

Verken de structuur, kernmodules en essentiële functies van SciPy voor wetenschappelijk rekenen.

Duik in de krachtige lineaire algebra mogelijkheden van SciPy voor het oplossen van wiskundige problemen uit de praktijk.

Beheers optimalisatietechnieken en algoritmen voor het vinden van nulpunten met behulp van SciPy voor wetenschappelijke en technische vraagstukken.

Verken geavanceerde wiskundige bewerkingen, waaronder integratie, interpolatie en basis signaalverwerking met SciPy.

Numerieke Integratie met scipy.integrate

1. Welke functie wordt gebruikt voor bepaalde integratie in SciPy?

2. Wat lost `scipy.integrate.solve_ivp` op?

3. Waarom is numerieke integratie belangrijk in wetenschappelijk rekenen?

Numerieke Integratie met scipy.integrate

1. Welke functie wordt gebruikt voor bepaalde integratie in SciPy?

2. Wat lost scipy.integrate.solve_ivp op?

3. Waarom is numerieke integratie belangrijk in wetenschappelijk rekenen?

2. Wat lost `scipy.integrate.solve_ivp` op?