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

A integração numérica permite calcular a área sob curvas e resolver equações que não possuem soluções analíticas. Na computação científica, é comum a necessidade de avaliar integrais definidas ou resolver equações diferenciais ordinárias (EDOs) cujas soluções exatas são desconhecidas ou muito complexas para serem obtidas. O módulo **scipy.integrate** do SciPy oferece ferramentas poderosas e fáceis de usar para essas tarefas, tornando possível realizar integrações e resolver EDOs numericamente utilizando apenas algumas linhas de código em `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()

Ao utilizar `scipy.integrate.quad`, a função retorna tanto o valor calculado da integral quanto uma estimativa do erro. No exemplo acima, integrar `sin(x)` de 0 a π fornece um resultado muito próximo de 2, que corresponde ao resultado analítico exato. Isso demonstra tanto a precisão quanto a confiabilidade da rotina de integração numérica.

Para equações diferenciais ordinárias, `scipy.integrate.solve_ivp` calcula a solução em um intervalo especificado. No exemplo de EDO, a equação `dy/dt = -2y` com a condição inicial `y(0) = 1` descreve um decaimento exponencial. A solução mostra como `y` diminui suavemente ao longo do tempo, e é possível visualizar isso com um gráfico simples. A saída corresponde à solução analítica esperada `y(t) = exp(-2t)`.

Qual função é usada para integração definida no SciPy?

O que `scipy.integrate.solve_ivp` resolve?

Por que a integração numérica é importante na computação científica?

Um curso abrangente projetado para estudantes com forte base em matemática e habilidades intermediárias a avançadas em Python, com foco no uso do SciPy para computação científica, otimização, integração e operações matemáticas avançadas.

Explore a estrutura, os módulos principais e os recursos essenciais do SciPy para computação científica.

Mergulhe nas poderosas capacidades de álgebra linear do SciPy para resolver problemas matemáticos do mundo real.

Domine técnicas de otimização e algoritmos de busca de raízes usando SciPy para problemas científicos e de engenharia.

Explore operações matemáticas avançadas, incluindo integração, interpolação e processamento de sinais básico com o SciPy.

Integração Numérica com scipy.integrate

1. Qual função é usada para integração definida no SciPy?

2. O que `scipy.integrate.solve_ivp` resolve?

3. Por que a integração numérica é importante na computação científica?

Integração Numérica com scipy.integrate

1. Qual função é usada para integração definida no SciPy?

2. O que scipy.integrate.solve_ivp resolve?

3. Por que a integração numérica é importante na computação científica?

2. O que `scipy.integrate.solve_ivp` resolve?