• 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
      • Ajuste de Curvas
      • Calculadora de Matrices
    • 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)
    • Negocios
      • CLV
      • Scoring
    • 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 Laguerre e implementación en Python

Métodos numéricos

abril 14, 2023 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 3 minutos

Cuando se necesita encontrar las raíces de polinomios complejos uno de los algoritmos que se pueden emplear es el método de Laguerre. Un método numérico propuesto por el matemático francés Edmond Laguerre en 1880. El método, al igual que el de Newton-Raphson para las raíces de funciones, utiliza las derivadas para aproximarse de manera iterativa a las raíces de los polinomios desde un punto inicial. Veamos los fundamentos del método de Laguerre y una posible implementación en Python.

El método de Laguerre

El método de Laguerre es un algoritmo iterativo para localizar las raíces de polinomios. En este, partiendo de una suposición inicial para la raíz del polinomio, x_0, se genera una serie de aproximaciones cada de las cuales se acerca más a la solución. Serie que se genera corrigiendo la aproximación con una fórmula basada en las derivadas del polinomio.

Los pasos para implementar el método de Laguerre son los siguientes:

  1. Seleccionar una suposición inicial de la raíz a la que se le denomina x_0.
  2. Calcular el valor de la función (f(x_0)), la primera derivada (f'(x_0)) y la segunda derivada (f''(x_0)) en el punto inicial.
  3. Usando los valores obtenidos al evaluar el polinomio y las derivadas se definen los siguientes términos: g = \frac{f'(x_0)}{f(x_0)} y h = g^2 - \frac{f''(x_0)}{f(x_0)}.
  4. Calcular el término de corrección, al que se le denomina d, utilizando la siguiente expresión: d = \frac{n}{g + \operatorname{sign}(g) \sqrt{(n-1)(n h -g^2)}}, donde n es el grado del polinomio y \operatorname{sign}(g) es el signo de g.
  5. Obtener una nueva aproximación de la raíz restando el término anterior a la aproximación inicial: x_1 = x_0 - d.
  6. Repetir los pasos 2-6 hasta que la aproximación de la raíz sea lo suficientemente precisa o se llegue a un máximo de iteraciones permitidas.

Implementación del método de Laguerre en Python

En base a la descripción del algoritmo que se vio en la sección anterior se puede realizar una implementación en Python con el siguiente código.

Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
En Analytics Lane
Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)

import numpy as np

def laguerre(poly, x0, tol=1e-6, max_iter=100):
    """
    Encuentra una raíz de un polinomio utilizando el método de Laguerre.
    
    Parámetros
    ----------
    poly : array
        Coeficientes del polinomio. Los coeficientes deben estar en orden
        descendente, es decir, el término de mayor grado viene primero.
    x0 : float
        Suposición inicial para la raíz del polinomio.
    tol : float, opcional (valor por defecto = 1e-6)
        Tolerancia de convergencia. El algoritmo se detendrá cuando la
        diferencia entre dos aproximaciones consecutivas sea menor o igual
        que tol.
    maxiter : int, opcional (valor por defecto = 100)
        Número máximo de iteraciones permitidas.
    
    Devuelve
    --------
    root : float. Aproximación de la raíz del polinomio.
    """
    n = len(poly) - 1 # grado del polinomio
    x = x0
    for _ in range(max_iter):
        f = np.polyval(poly, x)
        if abs(f) < tol:
            return x

        g = np.polyval(np.polyder(poly), x) / f
        h = g**2 - np.polyval(np.polyder(poly, 2), x) / f

        if g > 0:
            d = n / (g + np.sqrt((x-1)*(n*h - g**2)))
        else:
            d = n / (g - np.sqrt((x-1)*(n*h - g**2)))

        x = x - d

        if abs(np.polyval(poly, x)) < tol:
            return x.real

    raise ValueError(f"El método no converge después de {max_iter} iteraciones.")

En donde se usan la funciones de NumPy np.polyval() para evaluar el polinomio en los puntos y np.polyder() para obtener la derivada de este.

Publicidad


Evaluación de la implementación

La función implementada en la sección anterior se puede evaluar con un polinomio para comprobar que se obtienen las raíces de este. Por ejemplo, se puede probar con f(x) = x^2 - 5x + 6 que tiene como raíces 2 y 3. Lo que se muestra en el siguiente código.

import numpy as np

# Definir el polinomio
poly = np.array([1, -5, 6])

# Imprimir la raíz encontrada
print(f"Una raíz es: {laguerre(poly, 1)}")
print(f"Una raíz es: {laguerre(poly, 5)}")
Una raíz es: 2.0000000000000004
Una raíz es: 3.000000000000902

Como se puede ver, cuando se parte de 1 el método obtiene un valor próximo a 2, mientras que cuando se parte de 5 el resultado es 3

Conclusiones

El método de Laguerre es una excelente solución para encontrar las raíces de un polinomio. Partiendo de un punto inicial y empleando las derivadas es capaz de llegar a una buena aproximación a la solución en pocos pasos.

Imagen de wendy CORNIQUET 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?

Publicaciones relacionadas

  • Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
  • Lanzamos el video de ScoreFlow: crea scorecards de crédito de forma ágil y sin IT
  • Data Leakage en Credit Scoring: El Error que Invalida tu Modelo
  • La liga internacional, o cuando Harvard y Johns Hopkins suman peras con manzanas – El bestiario de los indicadores económicos absurdos (parte 6)
  • Los indicadores que se autocumplen, o cuando medir es modificar – El bestiario de los indicadores económicos absurdos (parte 7)
  • Customer Lifetime Value: la fórmula clásica que todo analista debería dominar
  • Segmentación RFM: cómo clasificar tu cartera de clientes antes de calcular el CLV
  • PSI: Cómo Saber Cuándo tu Modelo de Credit Scoring se ha Degradado
  • Champion vs Challenger: Cómo los Bancos Validan Modelos Nuevos antes de Ponerlos en Producción

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

Champion vs Challenger: Cómo los Bancos Validan Modelos Nuevos antes de Ponerlos en Producción

agosto 4, 2026 Por Daniel Rodríguez

Cómo Comparar Dos Hipotecas con Todos los Gastos Incluidos

julio 30, 2026 Por Daniel Rodríguez

Segmentación RFM: cómo clasificar tu cartera de clientes antes de calcular el CLV

julio 28, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Buscar en Excel con dos o más criterios publicado el septiembre 7, 2022 | en Herramientas
  • Seleccionar filas y columnas en Pandas con iloc y loc publicado el junio 21, 2019 | en Python
  • Gráficos de barras en Matplotlib publicado el julio 5, 2022 | en Python
  • Página web del proyecto WinPython WinPython publicado el enero 10, 2020 | en Herramientas, Python
  • pandas Ordenar un DataFrame en base a dos o más columnas publicado el julio 3, 2023 | en Python

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

4.1 (11)

Aplicar el método D’Hondt en Excel

Comentarios recientes

  • Daniel Rodríguez en Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
  • Juan en Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
  • bif en JSON en bases de datos: cuándo es buena idea y cuándo no
  • bif en Cómo desinstalar Oracle Database 19c en Windows
  • M. Pilar en Cómo eliminar las noticias en Windows 11 y recuperar tu concentración

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