# Επιστημονικός προγραμματισμός

> Λύνουμε εξισώσεις με ωμή δύναμη και φτιάχνουμε απλά μοντέλα φυσικών φαινομένων σε Python.

Πληροφορική, Γ΄ Γυμνασίου. https://www.akademio.gr/el/gym-c/informatics/computational-modelling

## Τι θα μάθεις

- Να λύνεις μια εξίσωση με ωμή δύναμη, δοκιμάζοντας με βρόχο όλες τις υποψήφιες τιμές.
- Να εξηγείς γιατί η ωμή δύναμη βρίσκει μόνο ό,τι υπάρχει στο εύρος και στο βήμα που διάλεξες.
- Να φτιάχνεις σε Python ένα απλό μοντέλο που προχωρά βήμα βήμα στον χρόνο, όπως η ελεύθερη πτώση ή το κρύωμα ενός ροφήματος.
- Να συγκρίνεις το μοντέλο με μετρήσεις και να λες τι αγνοεί.

## Ο υπολογιστής ως εργαλείο του επιστήμονα

Ένας φυσικός θέλει να ξέρει πού θα πέσει ένας δορυφόρος, ένας μετεωρολόγος τι
καιρό θα κάνει αύριο, ένας γιατρός πώς θα απλωθεί μια επιδημία. Κανείς τους
δεν μπορεί να κάνει το πείραμα πρώτα, για να δει. Γράφουν όμως ένα πρόγραμμα
που **μιμείται** το φαινόμενο, και το τρέχουν.

Αυτό λέγεται **επιστημονικός προγραμματισμός**. Θα δούμε δύο από τα βασικά του
εργαλεία: τη λύση εξισώσεων με **ωμή δύναμη**, και τα **μοντέλα** που
προχωρούν βήμα βήμα στον χρόνο.

## Ωμή δύναμη: δοκίμασε τα όλα

Ποιος ακέραιος $x$ ικανοποιεί την $x^2 + x = 56$; Στα Μαθηματικά θα τη λύσεις
ως εξίσωση δευτέρου βαθμού. Ο υπολογιστής όμως μπορεί κάτι πιο απλό: να
**δοκιμάσει** κάθε υποψήφιο, πολύ γρήγορα.

```python
for x in range(-20, 21):
    if x * x + x == 56:
        print("Λύση:", x)
```

```text
Λύση: -8
Λύση: 7
```

Αυτή η μέθοδος λέγεται **ωμή δύναμη** (brute force): χωρίς έξυπνο κόλπο,
δοκιμάζεις όλες τις πιθανές τιμές και κρατάς όσες ταιριάζουν. Για έναν άνθρωπο
οι $41$ δοκιμές θέλουν ώρα. Για τον υπολογιστή, ένα κλάσμα του δευτερολέπτου.

> **Πρόσεχε**
>
> **Η ωμή δύναμη βρίσκει μόνο ό,τι υπάρχει εκεί που έψαξες.** Αν είχες γράψει
> `range(0, 21)`, το πρόγραμμα θα έβρισκε μόνο το $7$ και δεν θα σου έλεγε ποτέ ότι
> υπάρχει και το $-8$. Και αν η λύση δεν είναι ακέραια, ένας βρόχος με `range`
> δεν θα τη βρει καθόλου.

## Όταν η λύση δεν είναι ακέραια

Ποιος αριθμός υψωμένος στον κύβο δίνει $20$; Το $2^3 = 8$ είναι λίγο, το
$3^3 = 27$ πολύ. Η λύση είναι ανάμεσα, και δεν είναι ακέραια.

Εδώ η ωμή δύναμη αλλάζει λίγο. Δοκιμάζουμε με **μικρό βήμα**, π.χ. $0{,}01$, και
αφού δεν θα πέσουμε ακριβώς πάνω στη λύση, κρατάμε την τιμή με το **μικρότερο
λάθος**:

```python
x = 0
kalyteri = 0
mikrotero_lathos = 1000
while x <= 5:
    lathos = abs(x ** 3 - 20)
    if lathos < mikrotero_lathos:
        mikrotero_lathos = lathos
        kalyteri = x
    x = x + 0.01
print(round(kalyteri, 2), round(mikrotero_lathos, 3))
```

```text
2.71 0.097
```

Η `abs` δίνει την απόλυτη τιμή, ώστε ένα λάθος προς τα κάτω να μετρά όσο ένα
προς τα πάνω. Το $2{,}71^3$ απέχει λιγότερο από $0{,}1$ από το $20$. Με βήμα
$0{,}001$ θα πλησιάζαμε περισσότερο, με δέκα φορές περισσότερες δοκιμές.

Το ίδιο κυνήγι, για τετραγωνικές ρίζες, μπορείς να το κάνεις με το χέρι: κάθε
γύρος στενεύει την παγίδα κατά ένα δεκαδικό ψηφίο.

*Διαδραστικό στη σελίδα: Κυνήγι ρίζας με δοκιμές*

## Ένα μοντέλο που προχωρά στον χρόνο

Ένα **μοντέλο** είναι μια **απλοποιημένη** περιγραφή ενός φαινομένου, που
κρατά ό,τι μετράει περισσότερο και αφήνει έξω τα υπόλοιπα.

Πάρε μια πέτρα που αφήνεις να πέσει. Η Φυσική λέει ότι, αν αγνοήσουμε τον αέρα,
η ταχύτητά της αυξάνεται κατά περίπου $9{,}81$ m/s σε κάθε δευτερόλεπτο. Το
πρόγραμμα δεν χρειάζεται τύπο για τη θέση της. Προχωρά τον χρόνο **σε μικρά
βήματα** `dt`, και σε κάθε βήμα κάνει δύο απλές ενημερώσεις:

```python
g = 9.81
dt = 0.5
t = 0
v = 0
y = 0
while t < 2:
    y = y + v * dt
    v = v + g * dt
    t = t + dt
print(round(y, 1))
```

Η πρώτη γραμμή λέει: στο μικρό διάστημα `dt`, η πέτρα έπεσε περίπου «ταχύτητα
επί χρόνο». Η δεύτερη λέει: στο ίδιο διάστημα, η ταχύτητα μεγάλωσε κατά
`g * dt`.

*Διαδραστικό στη σελίδα: Η πτώση βήμα βήμα, με dt = 0,5 s*

Γιατί βγήκε λιγότερο; Σε κάθε μισό δευτερόλεπτο το μοντέλο χρησιμοποιεί την
ταχύτητα που είχε η πέτρα **στην αρχή** του διαστήματος, ενώ στην
πραγματικότητα η ταχύτητα αυξάνεται συνεχώς. Όσο μικραίνει το βήμα, τόσο
μικραίνει και το λάθος:

| Βήμα `dt`  | Πόσα μέτρα σε 2 s | Λάθος   |
| ---------- | ----------------- | ------- |
| $1$ s      | $9{,}8$           | $9{,}8$ |
| $0{,}5$ s  | $14{,}7$          | $4{,}9$ |
| $0{,}1$ s  | $18{,}6$          | $1{,}0$ |
| $0{,}01$ s | $19{,}5$          | $0{,}1$ |

Δέκα φορές μικρότερο βήμα, περίπου δέκα φορές μικρότερο λάθος, και δέκα φορές
περισσότεροι υπολογισμοί.

> **Κλειδί**
>
> **Ωμή δύναμη:** δοκιμάζεις με βρόχο όλες τις υποψήφιες τιμές και κρατάς όσες
> ταιριάζουν, ή αυτή με το μικρότερο λάθος. Βρίσκει μόνο ό,τι υπάρχει στο
> **εύρος** και στο **βήμα** που διάλεξες.
>
> **Μοντέλο βήμα βήμα:** ξεκινάς από την αρχική κατάσταση και, σε κάθε μικρό
> βήμα χρόνου, ενημερώνεις τις μεταβλητές με απλούς κανόνες. Μικρότερο βήμα
> σημαίνει πιο ακριβές αποτέλεσμα αλλά περισσότερους υπολογισμούς.
>
> Κάθε μοντέλο **απλοποιεί**. Η ερώτηση δεν είναι αν είναι «σωστό», αλλά αν είναι
> **αρκετά κοντά** στις μετρήσεις για αυτό που το χρειάζεσαι.

## Το μοντέλο και η πραγματικότητα

Ένα ζεστό ρόφημα κρυώνει πιο γρήγορα όταν είναι πολύ ζεστό, και πιο αργά όσο
πλησιάζει τη θερμοκρασία του δωματίου. Ένας απλός κανόνας λέει: σε κάθε λεπτό,
η θερμοκρασία πέφτει κατά ένα σταθερό ποσοστό $k$ της **διαφοράς** από το
δωμάτιο.

```python
T = 90
T_dom = 22
k = 0.05
for lepto in range(1, 21):
    T = T - k * (T - T_dom)
    if lepto % 5 == 0:
        print(lepto, round(T, 1))
```

Δίπλα, οι μετρήσεις ενός θερμομέτρου σε ένα φλιτζάνι. Οι μετρήσεις είναι
**φανταστικές**, φτιαγμένες για το παράδειγμα:

| Λεπτό | Μοντέλο (°C) | Μέτρηση (°C) |
| ----- | ------------ | ------------ |
| 5     | 74,6         | 75           |
| 10    | 62,7         | 64           |
| 15    | 53,5         | 56           |
| 20    | 46,4         | 50           |

Στην αρχή το μοντέλο πέφτει σχεδόν πάνω στις μετρήσεις. Όσο περνά ο χρόνος,
απομακρύνεται: το πραγματικό ρόφημα κρυώνει **πιο αργά**. Ίσως το $k$ που
διαλέξαμε είναι μεγάλο. Ίσως το φλιτζάνι κρατά ζέστη και τη δίνει σιγά σιγά
πίσω. Το μοντέλο δεν ξέρει τίποτα για φλιτζάνια, καπάκια ή ρεύματα αέρα.

Αυτή είναι η δουλειά του επιστήμονα με τα μοντέλα: **τρέχει, συγκρίνει με τις
μετρήσεις, διορθώνει**, π.χ. δοκιμάζει άλλο $k$ ή προσθέτει αυτό που λείπει,
και ξανά από την αρχή.

> **Θυμήσου**
>
> Το ότι ένα πρόγραμμα βγάζει αποτελέσματα με πολλά δεκαδικά **δεν** σημαίνει ότι
> είναι ακριβή. Το $46{,}38$ °C δεν είναι πιο σωστό από το $46$: το μοντέλο από
> το οποίο βγήκε απέχει τέσσερις βαθμούς από τη μέτρηση.

## Παραδείγματα

### Παράδειγμα 1: Βρες με ωμή δύναμη δύο θετικούς μονοψήφιους ακέραιους με άθροισμα 10 και γινόμενο 21.

1. **Οι υποψήφιοι:** και οι δύο αριθμοί είναι από $1$ ως $9$. Χρειαζόμαστε **όλα**
   τα ζεύγη, οπότε βάζουμε **βρόχο μέσα σε βρόχο**: για κάθε `a`, όλα τα `b`.
2. ```python
   for a in range(1, 10):
       for b in range(1, 10):
           if a + b == 10 and a * b == 21:
               print(a, b)
   ```
   Γίνονται $9 \cdot 9 = 81$ δοκιμές.
3. **Το αποτέλεσμα:**
   ```text
   3 7
   7 3
   ```
   Το ίδιο ζεύγος βγαίνει δύο φορές, με αντίστροφη σειρά. Οι αριθμοί είναι το
   **3 και το 7**. Αν ξεκινούσε ο εσωτερικός βρόχος από το `a`, με
   `range(a, 10)`, θα έβγαινε μία φορά και θα έκανε λιγότερες δοκιμές.

### Παράδειγμα 2: Με το μοντέλο του ροφήματος (T = 90, θερμοκρασία δωματίου 22, k = 0,05), υπολόγισε με το χέρι τη θερμοκρασία μετά από 1 και μετά από 2 λεπτά.

1. **1ο λεπτό:** η διαφορά από το δωμάτιο είναι $90 - 22 = 68$. Το $5\%$ της
   είναι $0{,}05 \cdot 68 = 3{,}4$. Νέα θερμοκρασία: $90 - 3{,}4 = 86{,}6$ °C.
2. **2ο λεπτό:** η διαφορά είναι τώρα $86{,}6 - 22 = 64{,}6$, μικρότερη. Το $5\%$
   της είναι $3{,}23$. Νέα θερμοκρασία: $86{,}6 - 3{,}23 = 83{,}37$, δηλαδή περίπου
   $83{,}4$ °C.
3. **Τι φαίνεται:** στο 1ο λεπτό έπεσε $3{,}4$ βαθμούς, στο 2ο μόνο $3{,}23$. Όσο
   πλησιάζει το δωμάτιο, κρυώνει πιο αργά, όπως λέει ο κανόνας. Ο βρόχος της
   ενότητας κάνει ακριβώς αυτή την πράξη, $20$ φορές.

## Ερωτήσεις

1. Τι σημαίνει ότι λύνεις μια εξίσωση με ωμή δύναμη;
   - Δοκιμάζεις με βρόχο όλες τις υποψήφιες τιμές και κρατάς όσες ταιριάζουν
   - Χρησιμοποιείς τον τύπο της Άλγεβρας και αφήνεις τον υπολογιστή να τον εφαρμόσει
   - Δοκιμάζεις μερικές τιμές στην τύχη ώσπου κάποια να ταιριάξει κατά σύμπτωση
   - Αλλάζεις την εξίσωση σε άλλη, πιο απλή, που λύνεται πιο εύκολα με το χέρι
2. Η x² + x = 56 έχει λύσεις −8 και 7. Τι τυπώνει η ωμή δύναμη με for x in range(0, 21);
   - Μόνο το 7
   - Το −8 και το 7
   - Μόνο το −8
   - Τίποτα
3. Ψάχνεις τον x με x³ = 20, με βήμα 0,01. Γιατί κρατάς την τιμή με το μικρότερο λάθος αντί να ελέγχεις αν x ** 3 == 20;
   - Γιατί καμία από τις τιμές που δοκιμάζεις δεν δίνει ακριβώς 20
   - Γιατί η Python δεν μπορεί να συγκρίνει δεκαδικούς αριθμούς με ==
   - Γιατί έτσι ο βρόχος κάνει λιγότερες δοκιμές και τελειώνει πιο γρήγορα
   - Γιατί η εξίσωση x³ = 20 έχει πολλές λύσεις και θέλουμε τη μικρότερη
4. Τι είναι ένα μοντέλο στον επιστημονικό προγραμματισμό;
   - Μια απλοποιημένη περιγραφή ενός φαινομένου, που κρατά τα σημαντικά
   - Μια ακριβής αντιγραφή του φαινομένου, με κάθε του λεπτομέρεια
   - Ένας πίνακας με μετρήσεις που πήρε κάποιος σε ένα πείραμα
   - Ένα πρόγραμμα που δοκιμάζει όλες τις τιμές ώσπου να βρει τη λύση
5. Στο μοντέλο της πτώσης, τι γίνεται αν αλλάξεις το βήμα από dt = 0.1 σε dt = 0.01;
   - Πιο ακριβές αποτέλεσμα, αλλά δέκα φορές περισσότεροι υπολογισμοί
   - Λιγότερο ακριβές αποτέλεσμα, αλλά δέκα φορές πιο γρήγορο πρόγραμμα
   - Ακριβώς το ίδιο αποτέλεσμα, γιατί η πέτρα πέφτει πάντα το ίδιο
   - Η πέτρα πέφτει δέκα φορές περισσότερα μέτρα στα ίδια 2 δευτερόλεπτα
6. Στο μοντέλο της πτώσης με g = 9.81 και dt = 0.5, πόση είναι η ταχύτητα v μετά το πρώτο βήμα;
   - 4,905 m/s
   - 9,81 m/s
   - 0 m/s
   - 19,62 m/s
7. Το μοντέλο του ροφήματος απομακρύνεται από τις μετρήσεις όσο περνά ο χρόνος. Τι κάνεις;
   - Αλλάζεις το k ή προσθέτεις ό,τι λείπει, και ξανασυγκρίνεις
   - Κρατάς το μοντέλο, γιατί ο υπολογιστής δεν κάνει λάθη
   - Αλλάζεις τις μετρήσεις ώστε να ταιριάζουν με το μοντέλο
   - Πετάς το μοντέλο, γιατί ένα μοντέλο με λάθος είναι άχρηστο
8. Ένα μοντέλο προβλέπει 46,38 °C και το θερμόμετρο δείχνει 50 °C. Τι συμπεραίνεις για τα δύο δεκαδικά της πρόβλεψης;
   - Δεν κάνουν την πρόβλεψη πιο σωστή: το μοντέλο απέχει σχεδόν 4 βαθμούς
   - Δείχνουν ότι το μοντέλο είναι πιο ακριβές από το θερμόμετρο
   - Δείχνουν ότι το θερμόμετρο είναι χαλασμένο και πρέπει να αλλάξει
   - Δείχνουν ότι η πραγματική θερμοκρασία είναι ο μέσος όρος των δύο

## Ασκήσεις

1. Τι τυπώνει ο κώδικας: for x in range(1, 50): if 3 * x + 5 == 2 * x + 17: print(x)
2. Τρέχεις το μοντέλο της πτώσης με g = 9.81 και βήμα dt = 1, για 2 δευτερόλεπτα. Πόσα μέτρα λέει το μοντέλο ότι έπεσε η πέτρα;
3. Με το μοντέλο του ροφήματος (90 °C στην αρχή, δωμάτιο 22 °C, k = 0,05), μετά από 2 λεπτά η θερμοκρασία είναι 83,37 °C.
   α) Πόση είναι μετά από 3 λεπτά, με ένα δεκαδικό;
   β) Κατά πόσους βαθμούς έπεσε στο 3ο λεπτό, με ένα δεκαδικό;
4. Σκέψου τη δουλειά της ωμής δύναμης και τη σύγκριση με την πραγματικότητα.
   α) Πόσες δοκιμές κάνει το 1ο λυμένο παράδειγμα αν ο εσωτερικός βρόχος είναι range(a, 10);
   β) Αφήνεις μια μπάλα από 19,6 m και μετράς 2,1 s αντί για 2,0 s. Τι αγνοεί το μοντέλο;

---

Οι απαντήσεις, τα διαδραστικά και τα παιχνίδια είναι στη σελίδα της ενότητας: https://www.akademio.gr/el/gym-c/informatics/computational-modelling
