Numerikus integrálás és deriválás

A mátrixműveletek, a lineáris algebra és a kalkulus a Pythonban a leggyorsabban és leghatékonyabban a NumPy és a SciPy könyvtárakkal valósíthatók meg. 

Az alábbiakban egy átfogó, mégis könnyen áttekinthető Python szkriptet írtam, amely bemutatja a legfontosabb alapműveleteket, a lineáris algebrát (pl. sajátértékek) és a kalkulus alkalmazását (pl. numerikus integrálás és deriválás).

Főbb alkalmazott eszközök:numpy: A mátrixok létrehozásáért, azok összeadásáért, szorzásáért, transzponálásáért, valamint a lineáris algebrai műveletekért (inverz, determináns, sajátértékek) felelős alapkönyvtár.scipy.integrate.quad: 

Egy fejlett matematikai algoritmus, amellyel egy adott függvény határozott integrálját számíthatjuk ki numerikusan Scipy integrate.np.diff / np.gradient: Ezzel a két NumPy függvénnyel diszkrét adatsorokból (pontokból) számíthatjuk ki a numerikus deriváltakat, íme a program;

-----------------------

import numpy as np

from scipy import integrate

# ==========================================

# 1. MÁTRIXMŰVELETEK ÉS LINEÁRIS ALGEBRA

# ==========================================

# Két mátrix definiálása

A = np.array([[1, 2], 

              [3, 4]])

B = np.array([[5, 6], 

              [7, 8]])

# Mátrix összeadás

osszeadas = A + B

print("Mátrix összeadás (A + B):\n", osszeadas)

# Mátrix szorzás (skaláris és mátrixszorzás)

matrix_szorzas = np.dot(A, B) # vagy A @ B

print("\nMátrix szorzás (A @ B):\n", matrix_szorzas)

# Transzponálás

transzponalt = A.T

print("\nAz A mátrix transzponáltja:\n", transzponalt)

# Determináns és Inverz mátrix számítás

det_A = np.linalg.det(A)

inverz_A = np.linalg.inv(A)

print(f"\nAz A mátrix determinánsa: {det_A:.2f}")

print("Az A mátrix inverze:\n", inverz_A)

# Sajátértékek és sajátvektorok (Lineáris algebra)

sajat_ertekek, sajat_vektorok = np.linalg.eig(A)

print("\nAz A mátrix sajátértékei:\n", sajat_ertekek)

print("Az A mátrix sajátvektorai:\n", sajat_vektorok)

# ==========================================

# 2. KALKULUS ALKALMAZÁSA

# ==========================================

# Példa függvény: f(x) = x^2 + 3x + 2

def f(x):

    return x**2 + 3*x + 2

# A. Numerikus integrálás (határozott integrál: pl. 0-tól 2-ig)

# A quad függvény a Scipy-ból adja vissza az eredményt és a hibakorlátot

eredmeny, hiba = integrate.quad(f, 0, 2)

print(f"\nAz f(x) integrálja 0 és 2 között: {eredmeny:.4f}")

# B. Numerikus deriválás

x_pontok = np.array([0.0, 1.0, 2.0, 3.0])

y_pontok = f(x_pontok)

# A np.diff és np.gradient segítségével közelíthetjük a deriváltat (változási sebességet)

derivalt = np.diff(y_pontok) / np.diff(x_pontok)

print("Az f(x) numerikus deriváltjai a pontok között:\n", derivalt)

-------------

Eredmény

----------------

Mátrix összeadás (A + B):

 [[ 6  8]

 [10 12]]

Mátrix szorzás (A @ B):

 [[19 22]

 [43 50]]

Az A mátrix transzponáltja:

 [[1 3]

 [2 4]]

Az A mátrix determinánsa: -2.00

Az A mátrix inverze:

 [[-2.   1. ]

 [ 1.5 -0.5]]

Az A mátrix sajátértékei:

 [-0.37228132  5.37228132]

Az A mátrix sajátvektorai:

 [[-0.82456484 -0.41597356]

 [ 0.56576746 -0.90937671]]

Az f(x) integrálja 0 és 2 között: 12.6667

Az f(x) numerikus deriváltjai a pontok között:

 [4. 6. 8.]

** Process exited - Return Code: 0 **