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 integration möjliggör beräkning av arean under kurvor och lösning av ekvationer som saknar analytiska lösningar. Inom vetenskapliga beräkningar uppstår ofta behovet av att utvärdera bestämda integraler eller lösa ordinära differentialekvationer (ODE) där exakta lösningar antingen är okända eller för komplexa att erhålla. Modulen **scipy.integrate** i SciPy tillhandahåller kraftfulla och lättanvända verktyg för dessa uppgifter, vilket gör det möjligt att utföra integration och lösa ODE:er numeriskt med bara några rader `python`-kod.

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()

När du använder `scipy.integrate.quad` returnerar funktionen både det beräknade värdet av integralen och en uppskattning av felet. I exemplet ovan ger integrering av `sin(x)` från 0 till π ett resultat mycket nära 2, vilket stämmer överens med det exakta analytiska resultatet. Detta visar både noggrannheten och tillförlitligheten hos den numeriska integrationsrutinen.

För ordinära differentialekvationer beräknar `scipy.integrate.solve_ivp` lösningen över ett specificerat intervall. I ODE-exemplet beskriver ekvationen `dy/dt = -2y` med begynnelsevillkoret `y(0) = 1` exponentiell avklingning. Lösningen visar hur `y` minskar jämnt över tid, och du kan visualisera detta med en enkel graf. Utdata stämmer överens med den förväntade analytiska lösningen `y(t) = exp(-2t)`.

Vilken funktion används för bestämd integration i SciPy?

Varför är numerisk integration viktig inom vetenskaplig databehandling?

En omfattande kurs utformad för studenter med starka matematiska kunskaper och medelgoda till avancerade Python-färdigheter, med fokus på att använda SciPy för vetenskapliga beräkningar, optimering, integration och avancerade matematiska operationer.

Utforska strukturen, kärnmodulerna och de grundläggande funktionerna i SciPy för vetenskapliga beräkningar.

Fördjupa dig i SciPys kraftfulla linjäralgebrafunktioner för att lösa verkliga matematiska problem.

Behärska optimeringstekniker och rotfinningsalgoritmer med hjälp av SciPy för vetenskapliga och tekniska problem.

Utforska avancerade matematiska operationer inklusive integration, interpolation och grundläggande signalbehandling med SciPy.

Numerisk Integration med scipy.integrate

1. Vilken funktion används för bestämd integration i SciPy?

2. Vad löser `scipy.integrate.solve_ivp`?

3. Varför är numerisk integration viktig inom vetenskaplig databehandling?

Numerisk Integration med scipy.integrate

1. Vilken funktion används för bestämd integration i SciPy?

2. Vad löser scipy.integrate.solve_ivp?

3. Varför är numerisk integration viktig inom vetenskaplig databehandling?

2. Vad löser `scipy.integrate.solve_ivp`?