Les dérivés numériques sont essentiels en ingénierie pour analyser les fonctions lorsque les dérivés analytiques sont difficiles à obtenir. Les bibliothèques Python comme NumPy et SciPy fournissent des outils pour calculer ces dérivés efficacement. Cet article explique comment utiliser ces bibliothèques pour la différenciation numérique.

Utilisation de NumPy pour les dérivés numériques

NumPy propose des méthodes de base pour approximativement les dérivés par des différences finies. L'approche la plus courante est d'utiliser le quotient de différence pour estimer le dérivé à un moment donné.

Par exemple, pour calculer la dérivée d'une fonction f(x) à un point x0, vous pouvez utiliser:

la fonction calcule le gradient d'un tableau, qui peut être utilisé pour les dérivés numériques sur une gamme de points.

Exemple de code :

Utilisation de SciPy pour des dérivés plus précis

SciPy fournit la fonction pour calculer les dérivés à des points spécifiques avec une plus grande précision. Il utilise des différences finies en interne mais offre des options pour la taille de l'ordre et de l'étape.

Exemple de code :

Applications en génie

Les dérivés numériques sont utilisés dans diverses tâches d'ingénierie, y compris l'analyse de sensibilité, l'optimisation et la résolution des équations différentielles.

Le choix de la méthode appropriée dépend de la précision et des ressources informatiques requises. NumPy est adapté pour des estimations rapides sur des tableaux, tandis que SciPy offre des calculs plus précis à des points spécifiques.