• 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 Muller e implementación en Python

marzo 24, 2023 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 4 minutos

Uno de los métodos numéricos más sencillos para obtener las raíces de una función es el método de la secante. Existe una modificación de este método en el que se usa una aproximación cuadrática en lugar de una línea llamado método de Muller. Este cambio permite una convergencia más rápida hacia el resultado y una mayor estabilidad.

El método de Muller

Al igual que el método de las aproximaciones sucesivas, el de Newton o el de Steffensen, el método de Muller es un método numérico iterativo para encontrar las raíces de una función. El método combina el método de interpolación cuadrática inversa y el método de la secante para obtener una fórmula que converge rápidamente a la raíz de la función.

El algoritmo del método de Muller es el siguiente:

  1. Seleccionar tres puntos iniciales (x_0, x_1, x_2) cercanos a la raíz de la función f(x).
  2. Usando los tres puntos iniciales, calcular los coeficientes a, b y c de la interpolación cuadrática inversa:f(x) = a(x - x_2)^2 + b(x - x_2) + c donde: a = \frac{f(x_0) - f(x_1)}{(x_0 - x_1)(x_0 - x_2)} - \frac{f(x_1) - f(x_2)}{(x_1 - x_2)(x_0 - x_2)} b = \frac{f(x_0) - f(x_1)}{(x_0 - x_1)} - a(x_0 - x_1) c = f(x_2)
  3. Calcular las raíces de la ecuación cuadrática f(x) = 0: x_3 = x_2 - \frac{2c}{b + sign(b) \sqrt{b^2 - 4ac}} donde sign(b) es la función signo de b (1 si b es positivo, -1 si b es negativo).
  4. Si la diferencia entre x_3 y x_2 es menor que una tolerancia predefinida, entonces x_3 es la raíz buscada. De lo contrario, actualizar los valores de x_0, x_1 y x_2 con x_1 = x_2, x_2 = x_3 y x_0 = x_1.
  5. Repetir los pasos 2 a 4 hasta que la diferencia entre x3 y x2 sea menor que la tolerancia predefinida.

Ventajas del método de Muller

Este método puede ser útil para encontrar raíces de funciones no lineales donde otros métodos pueden ser ineficientes o fallar. Sin embargo, puede requerir más iteraciones que otros métodos para converger a la solución. Entre las ventajas del método de Muller se pueden destacar las siguientes:

  1. Es un método rápido de convergencia: combina el método de interpolación cuadrática inversa y el método de la secante para acelerar la convergencia a la raíz de la función.
  2. No requiere conocimiento previo de la función: no necesita que la función sea diferenciable o que se conozca su derivada. Por lo tanto, es aplicable a una amplia variedad de funciones.
  3. Puede encontrar múltiples raíces: puede encontrar múltiples raíces de una función no lineal, siempre y cuando se inicien los puntos iniciales cercanos a cada raíz.

Implementación en Python

La implementación del método de Muller es algo más complicada que otras como pueden ser el método de la secante, el método de Newton o el método de Steffensen. En cada una de las iteraciones requiere calcular bastantes puntos intermedios, pero, si se siguen los pasos de la sección anterior se puede crear una función como la siguiente.

Publicidad


import math

def muller(f, x0, x1, x2, epsilon=1e-10, max_iter=100):
    h1 = x1 - x0
    h2 = x2 - x1
    y1 = (f(x1) - f(x0)) / h1
    y2 = (f(x2) - f(x1)) / h2
    d = (y2 - y1) / (h2 + h1)
    n_iter = 3
    x = None

    while n_iter <= max_iter:
        b = y2 + h2*d
        D = math.sqrt(b**2 - 4*f(x2)*d)

        if abs(b-D) < abs(b+D):
            E = b + D
        else:
            E = b - D

        h = -2*f(x2)/E
        p = x2 + h

        if abs(h) < epsilon:
            x = p
            break

        x0, x1, x2 = x1, x2, p
        h1 = x1 - x0
        h2 = x2 - x1
        y1 = (f(x1) - f(x0)) / h1
        y2 = (f(x2) - f(x1)) / h2
        d = (y2 - y1) / (h2 + h1)
        n_iter += 1

    if x is None:
        raise ValueError("El método no converge")

    return x

Validación de la implementación

Para validar la implementación de la sección anterior se puede usar la misma función que se empleó en anteriormente en métodos como el de la secante, el de Newton o el de Steffensen. Comprobando si la función puede encontrar las dos raíces de f(x) = x^2 + 2x -8.

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

muller(fun, 0, 4, 8)     # 2.0
muller(fun, -10, -6, -1) # -4.0

Observándose que, en función de los puntos de inicio, se puede obtener cada una de las dos raíces de la función: 2 o -4.

Conclusiones

En esta ocasión se ha visto un nuevo método numérico para obtener la raíz de una función. Aunque es un poco más complicado de implementar que otros anteriores, ofrece mejores resultados en funciones complejas.

Image by Alicja 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!

Publicidad


¡Déjame mejorar este contenido!

Dime, ¿cómo puedo mejorar este contenido?

Publicaciones relacionadas

  • Método de la interpolación cuadrática inversa e implementación en Python
    Método de la interpolación cuadrática inversa e…
  • Implementación del método descenso del gradiente en Python
    Implementación del método descenso del gradiente en Python
  • Cómo funciona k-modes e implementación en Python
    Cómo funciona k-modes e implementación en Python
  • Muestreo de Thompson y BayesUCB para un problema Bandido Multibrazo (Multi-Armed Bandit)
    Muestreo de Thompson y BayesUCB para un problema Bandido…
  • El método de la secante e implementación en Python
    El método de la secante e implementación en Python
  • El método de las aproximaciones sucesivas e implementación en Python
    El método de las aproximaciones sucesivas e implementación…

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
  • pandas Pandas: Cómo iterar sobre las filas de un DataFrame en Pandas publicado el septiembre 13, 2021 | en Python

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