• 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
    • Encuestas: Tamaño de Muestra
    • Lotería: Probabilidad de Ganar
    • Reparto de Escaños (D’Hondt)
    • Tres en Raya con IA
  • 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
  • IA Generativa
  • Python
  • Pandas
  • NumPy
  • R
  • Excel

El método de Laguerre e implementación en Python

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.

Publicidad


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.

Programador de tareas de Windows: Guía definitiva para automatizar tu trabajo (BAT, PowerShell y Python)
En Analytics Lane
Programador de tareas de Windows: Guía definitiva para automatizar tu trabajo (BAT, PowerShell y Python)

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.

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

Publicidad


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

  • Programador de tareas de Windows: Guía definitiva para automatizar tu trabajo (BAT, PowerShell y Python)
  • La Paradoja del Cumpleaños, o por qué no es tan raro compartir fecha de nacimiento
  • Cómo abrir una ventana de Chrome con tamaño y posición específicos desde la línea de comandos en Windows
  • Curiosidad: El sesgo de supervivencia, o por qué prestar atención sólo a los que “llegaron” puede engañarte
  • Documentar tu API de Express con TypeScript usando OpenAPI (Swagger)
  • Data Lake y Data Warehouse: diferencias, usos y cómo se complementan en la era del dato
  • ¿Media, mediana o moda en variables ordinales? Guía práctica para el análisis de datos
  • Cómo ejecutar JavaScript desde Python: Guía práctica con js2py
  • Cómo generar contraseñas seguras con Python (y entender su nivel de seguridad)

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

Curiosidad: ¿Por qué los datos “raros” son tan valiosos?

noviembre 6, 2025 Por Daniel Rodríguez

Cómo generar contraseñas seguras con Python (y entender su nivel de seguridad)

noviembre 4, 2025 Por Daniel Rodríguez

Cómo ejecutar JavaScript desde Python: Guía práctica con js2py

octubre 30, 2025 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Instantáneas de VirtualBox (Snapshots) publicado el marzo 27, 2019 | en Herramientas
  • Cómo configurar Llama 3 en Python y Ollama: Todo lo que necesitas saber publicado el diciembre 6, 2024 | en Herramientas
  • ¿Es aconsejable jugar a la lotería? publicado el enero 29, 2020 | en Opinión
  • NumPy NumPy: Concatenar matrices en NumPy con np.concatenate() publicado el agosto 17, 2021 | en Python
  • Dealine Modelos BG/NBD para CLV publicado el junio 13, 2018 | en Ciencia de datos

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

4.5 (10)

Diferencias entre var y let en JavaScript

Publicidad

Comentarios recientes

  • 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
  • Daniel Rodríguez en Tutorial de Mypy para Principiantes

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 © 2018-2025 Analytics Lane ·Términos y condiciones ·Política de Cookies ·Política de Privacidad ·Herramientas de privacidad ·Contacto