• Saltar al contenido principal
  • Skip to secondary menu
  • Saltar a la barra lateral principal
  • Saltar al pie de página
  • Inicio
  • Secciones
    • Ciencia de datos
    • Criptografía
    • Herramientas
    • Machine Learning
    • Noticias
    • Opinión
    • Productividad
    • Programación
      • JavaScript
      • Julia
      • Matlab
      • Python
      • R
  • Programación
    • JavaScript
    • Julia
    • Matlab
    • Python
    • R
  • Laboratorio
    • Estadística
      • Calculadora del Tamaño Muestral en Encuestas
      • Calculadora de estadísticos descriptivos
      • Test de normalidad
      • Calculadora de contrastes de hipotesis
      • Calculadora de tamano del efecto
      • Simulador de Regresión Lineal con Ruido
      • Visualizador de PCA
      • Visualizador de Series Temporales
      • Simulador de Regresión Logística
      • Simulador de K-Means
      • Simulador de DBSCAN
      • Detector de la Ley de Benford
    • Probabilidad
      • Calculadora de Probabilidad de Distribuciones
      • Calculadora de Probabilidades de Lotería
      • Simulador del Problema de Monty Hall
      • Simulador de la Estrategia Martingala
    • Finanzas
      • Calculadora de Préstamos e Hipotecas
      • Conversor TIN ↔ TAE
      • Calculadora DCA con ajuste por inflación
      • Calculadora XIRR con Flujos Irregulares
      • Simulador FIRE (Financial Independence, Retire Early)
    • Riesgo
      • Constructor de Scorecards de Crédito
      • Aplicar Scorecard de Crédito
    • Herramientas
      • Formateador / Minificador de JSON
      • Conversor CSV ↔ JSON
      • Comparador y Formateador de Texto y JSON
      • Formateador y Tester de Expresiones Regulares
      • Inspector de JWT
      • Generador y verificador de hashes
      • Codificador / Decodificador Base64 y URL
      • Conversor de bases numericas
      • Conversor de Timestamp Unix
      • Conversor de colores
      • Generador de UUIDs
    • Juegos
      • Tres en Raya
      • Nim con Q-Learning
    • Más
      • Método D’Hondt
      • Generador de Contraseñas Seguras
  • Noticias
  • Boletín
  • Contacto
  • Tienda
    • Libros
    • Equipamiento de oficina
    • Equipamiento en movilidad

Analytics Lane

Ciencia e ingeniería de datos aplicada

  • Ciencia de datos
  • Machine Learning
  • IA Generativa
  • Python
  • Pandas
  • NumPy
  • R
  • Excel

El método de la secante e implementación en Python

junio 17, 2022 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 4 minutos

Un algoritmo alternativo al de la bisección para la búsqueda de raíces es el método de la secante. Generalmente es un método más eficiente ya que, mientras el primero utiliza el punto intermedio para buscar el punto de corte y aproximar la raíz, el método de la secante emplea como aproximación la secante para buscar la solución. Siendo esta una aproximación de la forma de la función. Al igual que el método de la bisección para que este obtenga un resultado es necesario que la función sea continua el intervalo y el signo de la función en ambos extremos sea diferente.

Secante como aproximación de la raíz

La implementación del método de la secante es relativamente sencillo. Si se tiene una función continua f(x) tal que en un intervalo inicial [a_0, b_0] se cumpla la desigualdad f(a_0)f(b_0) < 0 entonces se pueden encontrar valor x tal que f(x) = 0 . Ahora, la línea que una los valores del punto inicial (a_0, f(a_0)) y final del intervalo (b_0, f(b_0)) se llama secante y su fórmula es la siguiente

y = \frac{f(b_0) -f(a_0)}{b_0 - a_0} (x - a_0) + f(a)

Una fórmula que se puede usar como una aproximación lineal de la función original. Para esta expresión se puede obtener fácilmente el punto de corte en con el eje x, simplemente igualado su valor a 0 y despejando x. Obteniéndose como resultado

Nuevo test de normalidad interactivo en el laboratorio de Analytics Lane
En Analytics Lane
Nuevo test de normalidad interactivo en el laboratorio de Analytics Lane

x = a_0 -f(a_0) \frac{b_0 -a_0}{f(b_0) - f(a_0)}

Algoritmo para implementar el método de la secante

Los pasos para la implementación del método de la secante son casi idénticos a los de la bisección. El único cambio es la forma en la que se dividen los intervalos

  1. Seleccionar un intervalo inicial [a_0, b_0] en que el valor de la función cambia de signo f(a_0)f(b_0)<0
  2. Calcular el punto de corte del intervalo usando para ello la raíz de la secante x_m = a_0 -f(a_0) \frac{b_0 -a_0}{f(b_0) - f(a_0)}
  3. Si f(x_0) es distinto de cero, entonces obtener el siguiente intervalo, para ellos si f(a_0)f(x_0) < 0 entonces [a_1, b_1] = [a_0, x_0], en caso contrario se usará [a_1, b_1] = [x_0, b_1]
  4. Repetir los pasos 2 y 3 hasta que el intervalo sea tan pequeño como se desee o se encuentre la raíz.
  5. En el caso de que no se hubiese encontrado la raíz, entonces usar como aproximación el punto x_n

En el método de la bisección era posible conocer cuál sería el error máximo en la estimación después de N pasos, debido a que los intervalos siempre se dividen por la mitad. Pero para el método de la secante esto no es así y por lo tanto no se puede conocer acotar el error antes de comenzar el proceso.

Publicidad


Implementación en Python

En base a los pasos explicados en la sección anterior es fácil implementar una función secant() en Python tal que pueda obtener la raíz de una función en base al método de la secante.

def secant(fun, x_a, x_b, steps=50):
    # El método de la secante no se puede aplicar
    if fun(x_a) * fun(x_b) >= 0:
        print('El método de la secante no se puede aplicar')
        return None
    
    # El método de la secante 
    for n in range(steps + 1):
        # Cálculo de la secante
        x_n = x_a - fun(x_a)*(x_b - x_a)/(fun(x_b) - fun(x_a))
        
        if fun(x_n) == 0:
            return x_n
        
        if fun(x_a) * fun(x_n) < 0:
            x_b = x_n
        else:
            x_a = x_n

    return x_n

Una función que tiene como entrada la función, los valores del intervalo inicial, y el número máximo de pasos que se desea ejecutar. Lo primero que hace el código es comprobar que es posible aplicar el método sobre la función en el intervalo dado, para lo que comprueba que el signo es diferente en ambos puntos.

Una vez realizada la comprobación inicial se procede a dividir el intervalo de forma recurrente hasta que se encubra la solución o se llega al máximo de pasos permitidos.

Validación de los resultados

Ahora se puede probar el correcto funcionamiento de la función con un polinomio tal como x^2 + 2 x - 8x que tiene una raíz en -4 y otra en 2. Llamando a la función con diferentes números de pasos máximo vemos como el resultado obtenido se acerca cada vez más a la raíz.

f = lambda x: x**2 + 2*x - 8

secant(f, 0, 5,  5) # 1.995887594242632
secant(f, 0, 5, 15) # 1.9999999303082814
secant(f, 0, 5, 25) # 1.9999999999988198
secant(f, 0, 5, 35) # 2.0

Conclusiones

En esta ocasión se ha visto otro método clásico para la búsqueda numérica de raíces en funciones. A pesar de su sencillez, el método de la secante suele obtener buenos resultados en la mayoría de los casos.

Imagen de Alicja en Pixabay

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 0 / 5. Votos emitidos: 0

Ya que has encontrado útil este contenido...

¡Síguenos en redes sociales!

¡Siento que este contenido no te haya sido útil!

¡Déjame mejorar este contenido!

Dime, ¿cómo puedo mejorar este contenido?

Publicidad


Publicaciones relacionadas

  • Nuevo test de normalidad interactivo en el laboratorio de Analytics Lane
  • Nuevo conversor de timestamp Unix en el laboratorio de Analytics Lane
  • Calculadora de Contrastes de Hipótesis: interpreta correctamente el p-valor y toma decisiones estadísticas con confianza
  • Calculadora de Tamaño del Efecto: la herramienta clave para entender cuánto importa realmente una diferencia
  • Simulador de DBSCAN: descubre cómo encontrar clusters reales (y ruido) sin fijar K
  • Conversor de Colores: convierte, compara y valida cualquier color en tiempo real
  • Analytics Lane lanza su Generador de UUIDs: identificadores únicos, seguros y listos para producción en segundos
  • 1200 publicaciones en Analytics Lane
  • Analytics Lane lanza su Conversor TIN ↔ TAE: la herramienta definitiva para entender el coste real de depósitos, préstamos e hipotecas

Publicado en: Ciencia de datos Etiquetado como: Métodos numéricos

Interacciones con los lectores

Deja una respuesta Cancelar la respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

I accept the Terms and Conditions and the Privacy Policy

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.

Barra lateral principal

Suscríbete a nuestro boletín

Suscríbete al boletín semanal para estar al día de todas las publicaciones.

Política de Privacidad

Analytics Lane en redes sociales

  • Amazon
  • Bluesky
  • Facebook
  • GitHub
  • Instagram
  • Mastodon
  • Pinterest
  • RSS
  • Telegram
  • Tumblr
  • Twitter
  • YouTube

Publicidad

Entradas recientes

Costes hundidos en ciencia de datos: cuándo mantener un modelo y cuándo migrar

mayo 7, 2026 Por Daniel Rodríguez

WOE e IV: La Base Matemática del Credit Scoring

mayo 5, 2026 Por Daniel Rodríguez

Noticias

Lanzamiento de la versión 1.0 del laboratorio de Analytics Lane con nuevas herramientas de scoring

mayo 2, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Costes hundidos en ciencia de datos: cuándo mantener un modelo y cuándo migrar publicado el mayo 7, 2026 | en Ciencia de datos, Opinión
  • Hoja de cálculo para repartir los escaños en base al método D’Hont Aplicar el método D’Hondt en Excel publicado el abril 14, 2021 | en Herramientas
  • Creación de gráficos de barras y gráficos de columnas con Seaborn publicado el julio 18, 2023 | en Python
  • Método del codo (Elbow method) para seleccionar el número óptimo de clústeres en K-means publicado el junio 9, 2023 | en Ciencia de datos
  • Buscar en Excel con dos o más criterios publicado el septiembre 7, 2022 | en Herramientas

Publicidad

Lo mejor valorado

4.9 (24)

Seleccionar filas y columnas en Pandas con iloc y loc

4.6 (16)

Archivos JSON con Python: lectura y escritura

4.4 (14)

Ordenación de diccionarios en Python mediante clave o valor

4.7 (13)

Operaciones de filtrado de DataFrame con Pandas en base a los valores de las columnas

4.9 (11)

Pandas: Cambiar los tipos de datos en los DataFrames

Comentarios recientes

  • M. Pilar en Cómo eliminar las noticias en Windows 11 y recuperar tu concentración
  • Daniel Rodríguez en Probabilidad básica: cómo entender el azar en nuestra vida diaria
  • Pepe en Probabilidad básica: cómo entender el azar en nuestra vida diaria
  • CARLOS ARETURO BELLO CACERES en Justicio: La herramienta gratuita de IA para consultas legales
  • Piera en Ecuaciones multilínea en Markdown

Publicidad


Footer

Analytics Lane

  • Acerca de Analytics Lane
  • Boletín de noticias
  • Contacto
  • Libros
  • Lo más popular
  • Noticias
  • Tienda
  • Tiendas afiliadas

Secciones

  • Ciencia de datos
  • Criptografía
  • Herramientas
  • Machine Learning
  • Opinión
  • Productividad
  • Programación
  • Reseñas

Sobre de Analytics Lane

En Analytics Lane tratamos de explicar los principales conceptos de la ciencia e ingeniería de datos con un enfoque práctico. Los principales temas tratados son ciencia de datos, ingeniería de datos, inteligencia artificial, machine learning, deep learning y criptografía. Además, también se habla de los principales lenguajes de programación y herramientas utilizadas por los científicos e ingenieros de datos.

Copyright © 2018-2026 Analytics Lane ·Términos y condiciones ·Política de Cookies ·Política de Privacidad ·Herramientas de privacidad ·Contacto