Numerische Ableitungen sind für die Analyse von Funktionen unerlässlich, wenn analytische Ableitungen schwer zu erhalten sind. Python-Bibliotheken wie NumPy und SciPy bieten Werkzeuge, um diese Ableitungen effizient zu berechnen. Dieser Artikel erklärt, wie man diese Bibliotheken für die numerische Differenzierung verwendet.

Verwenden von NumPy für numerische Derivate

NumPy bietet grundlegende Methoden zur Annäherung von Derivaten durch endliche Differenzen an. Der häufigste Ansatz ist, den Differenzquotienten zu verwenden, um das Derivat an einem Punkt zu schätzen.

Um beispielsweise die Ableitung einer Funktion f(x) an einem Punkt x0 zu berechnen, können Sie Folgendes verwenden:

Die Funktion FLT:0 berechnet den Gradienten eines Arrays, der für numerische Ableitungen über einen Bereich von Punkten verwendet werden kann.

Beispielcode:

Verwenden von SciPy für genauere Derivate

SciPy stellt die Funktion FLT:2 zur Berechnung von Derivaten an bestimmten Punkten mit höherer Genauigkeit bereit. Es verwendet interne endliche Unterschiede, bietet jedoch Optionen für die Reihenfolge und Schrittgröße.

Beispielcode:

Anwendungen im Engineering

Numerische Ableitungen werden in verschiedenen technischen Aufgaben eingesetzt, einschließlich Sensitivitätsanalyse, Optimierung und Lösung von Differentialgleichungen.

Die Wahl der geeigneten Methode hängt von der erforderlichen Genauigkeit und den Rechenressourcen ab. NumPy eignet sich für schnelle Schätzungen über Arrays, während SciPy präzisere Berechnungen an bestimmten Punkten bietet.