• 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
  • Noticias
  • Boletín
  • Contacto
  • Tienda
    • Libros
    • Equipamiento de oficina
    • Equipamiento en movilidad
    • Tiendas afiliadas
      • AliExpress
      • Amazon
      • Banggood
      • GeekBuying
      • Lenovo

Analytics Lane

Ciencia e ingeniería de datos aplicada

  • Ciencia de datos
  • Machine Learning
  • Python
  • Pandas
  • NumPy
  • Matlab
  • Julia
  • JavaScript
  • Excel

El método de Steffensen e implementación en Python

marzo 17, 2023 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 3 minutos

El método de Steffensen es un algoritmo para encontrar las raíces de una función propuesto por el matemático danés Johan Frederik Steffensen en 1924. Siendo un método que suele converger rápidamente a la solución. Además, a diferencia del método de Newton, no es necesario disponer de la función deriva, por lo que su implementación es más sencilla.

El método de Steffensen

Al igual que el método de las aproximaciones sucesivas y el método de Newton, el método de Steffensen obtiene las raíces de las funciones de forma iterativa. Aproximándose en cada iteración más al resultado. Para obtener la serie de valores simplemente se debe partir de un punto inicial x_0 y utilizar la siguiente expresión para obtener una mejor aproximación a la raíz

x_{n+1} = x_n - \frac{(f(x_n))^2}{f(x_n+ f(x_n)) - f(x_n)}

En donde x_n es la aproximación en la iteración n y f(x) es la función a la que se le desea encontrar la raíz. Como se puede apreciar en esta expresión, solamente es necesario conocer la función y el punto de la iteración anterior. No es necesario conocer la derivada de la función como en el caso de Newton. Algo que se traduce en una serie de ventajas respecto a otros métodos como el método de la bisección o el método de Newton:

  1. Convergencia más rápida: suele converger más rápidamente que el método de bisección y el método de Newton.
  2. Fácil de implementar: es relativamente fácil de implementar, ya que solo requiere la evaluación de la función en cada iteración. No es necesario disponer la derivada como es el caso del método de Newton.
  3. Mayor estabilidad numérica: es más estable numéricamente que el método de Newton, lo que significa que es menos propenso a errores de redondeo y otros problemas numéricos.

Implementación en Python del método de Steffensen

La implementación del método de Steffensen en Python es algo relativamente sencillo. Solamente se tiene que incluir la función anterior en un bucle do while hasta que la diferencia entre x_n y x_{n+1} sea inferior a un criterio de convergencia o se alcance el máximo número de iteraciones. Lo que se puede resolver con el siguiente código.

def steffensen(fun, x_n, epsilon=1e-6, max_iter=50):
    n_iter = 0

    while n_iter == 0 or (abs(x_p - x_n) > epsilon and n_iter <= max_iter):
        x_p = x_n
        den = (fun(x_n + fun(x_n)) - fun(x_n))
        if den == 0:
            return x_n
        else:
            x_n = x_n - fun(x_n)**2 / den
        n_iter += 1

    if n_iter > max_iter:
        print("El método de Steffensen no converge en las iteraciones máximas permitidas.")

    return x_n

En ese caso, como no existe la estructura do while para que entre en el bucle en la primera iteración se usa la condición adicional n_iter == 0. Además, se calcula el denominado de la función para evitar divisiones por cero, lo que sucede cuando se ha encontrado la raíz del problema. Por lo demás, el método es transcribir la función descrita en la sección anterior.

Publicidad


Evaluación del método de Steffensen

La implementación del método de Steffensen presentada en la sección anterior se puede validar fácilmente con las mismas funciones que se usaron para validar otros métodos como el de la secante y el de Newton. Simplemente se puede comprobar como para la función f(x) = x^2 + 2x -8 puede encontrar las dos soluciones (-4 y 2) en función del punto de inicio.

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

steffensen(f, 4) # 2.000000000000036
steffensen(f, 0) # -4

Conclusiones

En esta publicación se ha visto un método para la obtención de las raíces de una función que es más eficiente y fácil de implementar que otros. Ya que solamente necesita la función y no su deriva, como en el caso de método de Newton, ni una función aproximada, como puede ser el método de las aproximaciones sucesivas. Lo que hace del método de Steffensen una opción a tener en cuenta para resolver estos problemas.

Image by Gerd Altmann from 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?

Publicaciones relacionadas

  • Cómo funciona k-modes e implementación en Python
    Cómo funciona k-modes e implementación en Python
  • Algoritmos de seguimiento (pursuit) para un problema Bandido Multibrazo (Multi-Armed Bandit)
    Algoritmos de seguimiento (pursuit) para un problema Bandido…
  • KL-UCB para un problema Bandido Multibrazo (Multi-Armed Bandit)
    KL-UCB para un problema Bandido Multibrazo (Multi-Armed…
  • El método Sainte-Laguë y su implementación en Python
    El método Sainte-Laguë y su implementación en Python
  • El método de las aproximaciones sucesivas e implementación en Python
    El método de las aproximaciones sucesivas e implementación…
  • Cómo funciona k-means e implementación en Python
    Cómo funciona k-means e implementación en Python

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.

Publicidad




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
  • Facebook
  • GitHub
  • Instagram
  • Pinterest
  • RSS
  • Twitter
  • Tumblr
  • YouTube

Publicidad

Entradas recientes

El método de Hare-Niemeyer y su implementación en Python

septiembre 29, 2023 Por Daniel Rodríguez

Redimensionar una partición de disco LVM con espacio no asignado en Linux

septiembre 27, 2023 Por Daniel Rodríguez

¿Cómo saber la versión de Pandas o cualquier otra librería en Python?

septiembre 25, 2023 Por Daniel Rodríguez

Publicidad

Es tendencia

  • ¿Cómo cambiar el nombre de las columnas en Pandas? publicado el mayo 6, 2019 | en Python
  • Seleccionar filas y columnas en Pandas con iloc y loc publicado el junio 21, 2019 | en Python
  • ¿Cómo eliminar columnas y filas en un dataframe pandas? publicado el marzo 25, 2019 | en Python
  • Archivos Guardar y leer archivos CSV con Python publicado el junio 15, 2018 | en Python
  • Instantáneas de VirtualBox (Snapshots) publicado el marzo 27, 2019 | en Herramientas

Publicidad

Lo mejor valorado

4.9 (22)

Seleccionar filas y columnas en Pandas con iloc y loc

4.7 (12)

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

4.6 (15)

Archivos JSON con Python: lectura y escritura

4.5 (10)

Diferencias entre var y let en JavaScript

4.3 (12)

Ordenación de diccionarios en Python mediante clave o valor

Publicidad

Comentarios recientes

  • Daniel Rodríguez en ¿Cómo eliminar columnas y filas en un dataframe pandas?
  • Miguel en ¿Cómo eliminar columnas y filas en un dataframe pandas?
  • alberto en Resolver problema de credenciales en Bitbucket
  • Pablo en Aplicar el método D’Hondt en Excel
  • Agapito en Creación de un EXE desde un archivo Python en Windows

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 © 2018-2023 Analytics Lane ·Términos y condiciones ·Política de Cookies ·Política de Privacidad ·Herramientas de privacidad ·Contacto