Bruk Python på R2-pensum: integrasjon og differensiallikninger.
Faglig kvalitetssikret av lærere og toppstudenter · Følger læreplanen (LK20) · Sist oppdatert 2026-09-06
To kapitler: integrasjon og differensiallikninger.
Du integrerer symbolsk med SymPy når du trenger et eksakt uttrykk, og numerisk med SciPy når integralet ikke har en antiderivert som kan skrives ned. Sistnevnte er ikke en nødløsning — det er slik de fleste integraler i virkeligheten løses.
Malthus-modellen for populasjonsvekst og Eulers metode står sentralt. Eulers metode er verdt å skrive selv én gang, selv om SciPy kan gjøre det: når du har programmert stegene, forstår du hva en differensiallikning faktisk beskriver.
Og du ser hvorfor steglengden betyr noe — for stort steg gir feil svar, og det er en innsikt formelen alene ikke gir.
I del 2 forventes dokumentasjon: hva du ba om, hva du fikk, og hva det betyr. Ved numeriske metoder bør du også si noe om nøyaktigheten — hvor mange steg, og hvorfor det er nok.
Når integralet ikke har en antiderivert som kan skrives ned, eller når du bare trenger verdien. Numerisk integrasjon er ikke en nødløsning — det er slik de fleste integraler i praksis løses.
Fordi du forstår hva en differensiallikning beskriver først når du har programmert stegene. Du ser også hvorfor steglengden betyr noe.
Hva du regnet ut, hvilken metode du brukte, hvor mange steg, og hvorfor nøyaktigheten er god nok for oppgaven.