• 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

Método de Brent e implementación en Python

abril 28, 2023 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 4 minutos

El método de Brent es un método numérico para encontrar las raíces de una función que combina los métodos de la interpolación cuadrática inversa, la secante y la bisección. Convirtiéndolo en un método más robusto y eficiente que los anteriores. Veamos más en detalle los fundamentos de este método y como se puede hacer una implementación en Python.

El método de Brent

Cuando se combinan varios métodos numéricos en uno se puede obtener un algoritmo más eficiente, como sucede en el método de Brent. Un algoritmo que combina los métodos de la interpolación cuadrática inversa, la secante y la bisección de la siguiente manera:

  • Interpolación cuadrática inversa: es el método que se utiliza para obtener una mejor aproximación de la raíz cuando se puede aplicar al intervalo. Para ello, este método utiliza información sobre la función en tres puntos distintos para construir un polinomio cuadrático que se ajusta a la función. Siendo el punto donde el polinomio se hace cero la que se usa como aproximación de la raíz.
  • Secante: cuando no es posible utilizar el método de la interpolación cuadrática inversa para aproximar la raíz en una iteración se usa el método de la secante. Calculando para ello la secante y usado el punto donde se cruza con el origen para mejorar la aproximación de la raíz.
  • Bisección: finalmente, para garantizar la convergencia del algoritmo se usa el método de bisección. En la primera iteración, el método de Brent utiliza el de la bisección para reducir el tamaño del intervalo que contiene la raíz. Después de eso, el método de bisección se utiliza solo cuando el método de interpolación cuadrática inversa o el método de la secante no logran mejorar la aproximación de la raíz.

Implementación en Python del método de Brent

Una posible implementación en Python del método de Brent es la que se muestra en el siguiente código.

def brent(f, a=0.0, b=1.0, tol=1e-12, max_iter=100):
    """
    Encuentra la raíz de la función f(x) en el intervalo [a, b] utilizando el método de Brent.

    Parámetros
    ----------
    f : callable
        Función a la que se desea encontrar su raíz.
    a : float, opcional (valor por defecto = 0.0)
        Extremo inferior del intervalo.
    b : float, opcional (valor por defecto = 1.0)
        Extremo superior del intervalo.
    tol : float, opcional (valor por defecto = 1e-6)
        Tolerancia para el error en la aproximación de la raíz.
    max_iter : int, opcional (valor por defecto = 100)
        Número máximo de iteraciones permitidas.

    Devuelve
    --------
    x : float
        Aproximación de la raíz de f(x).
    """
    fa = f(a)
    fb = f(b)
    if fa*fb >= 0:
        raise ValueError("La función debe tener signos opuestos en los extremos del intervalo.")

    if abs(fa) < abs(fb):
        a, b = b, a
        fa, fb = fb, fa

    c = a
    fc = fa
    d = None
    mflag = True
    i = 0
    while i < max_iter and abs(b-a) > tol:
        if fa != fc and fb != fc:
            # Interpolación cuadrática inversa
            s = a * fb * fc / ((fa - fb) * (fa - fc)) + \
                b * fa * fc / ((fb - fa) * (fb - fc)) + \
                c * fa * fb / ((fc - fa) * (fc - fb))
        elif fa != fb:
            # Método de la secante
            s = b - fb * (b - a)/(fb - fa)

        if (s < (3 * a + b) / 4 or s > b) or \
                (mflag and abs(s - b) >= abs(b - c) / 2) or \
                (not mflag and abs(s - b) >= abs(c - d) / 2) or \
                (mflag and abs(b - c) < tol) or (not mflag and abs(c - d) < tol):
            # Método de la bisección
            s = (a + b) / 2
            mflag = True
        else:
            mflag = False

        fs = f(s)
        d = c
        c = b
        fc = fb
        if fa * fs < 0:
            b = s
            fb = fs
        else:
            a = s
            fa = fs

        if abs(fa) < abs(fb):
            a, b = b, a
            fa, fb = fb, fa

        i += 1

    if i == max_iter:
        raise RuntimeError("El método de Brent no converge")
    else:
        return b

Siendo los pasos que se siguen en el código los siguientes:

  1. Verificación de que los signos de f(a) y f(b) sean diferentes. Si no es así, se lanzará una excepción.
  2. Comprobación de que |f(a)| < |f(b)|, para intercambiar los valores si es necesario.
  3. Inicialización de los valores usados en el cálculo.
  4. Si los valores de f(a), f(b) y f(c) son distintos, se utiliza la interpolación cuadrática inversa para obtener una nueva aproximación s de la raíz de f(). En caso contrario, se utiliza el método de la secante.
  5. Si la nueva aproximación s está fuera del intervalo de búsqueda o si la diferencia entre s y c es mayor que la diferencia entre las dos últimas aproximaciones, se utiliza la bisección para obtener una nueva aproximación de la raíz.
  6. Se evalúa la aproximación s en la función y se actualizan los límites del intervalo.
  7. El proceso se repite hasta que se alcance el límite de iteraciones o el intervalo sea inferior a la tolerancia indicada.

Evaluación de la implementación

Al igual que en entradas anteriores se puede usar diferentes funciones para comprobar que se obtienen buenas aproximaciones de las raíces con esta implementación.

Publicidad


f = lambda x: x - 4
g = lambda x: x**2 + 2*x - 8
h = lambda x: np.cos(2 * x)

brent(f, 0, 5) # 4.0
brent(g, 0, 5) # 1.9999999999997755
brent(h, 0, 2) # 0.7853981633974483

Conclusiones

El método de Brent combina en uno diferentes algoritmos para obtener la raíz de funciones: la interpolación cuadrática inversa, la secante y la bisección. Lo que le permite conseguir una rápida convergencia hacia la solución, aprovechad lo mejor de cada uno.

Imagen de Marcos Garzo 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

  • Aprendizaje supervisado y no supervisado
    Aprendizaje supervisado y aprendizaje no supervisado
  • Paquetes con el algoritmo Apriori en Python
    Paquetes con el algoritmo Apriori en Python
  • Implementación del método descenso del gradiente en Python
    Implementación del método descenso del gradiente en Python
  • El método de Steffensen e implementación en Python
    El método de Steffensen e implementación en Python
  • El método de Laguerre e implementación en Python
    El método de Laguerre e implementación en Python
  • Precio
    Optimizar el precio para maximizar los beneficios

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
  • pandas Pandas: Cambiar los tipos de datos en los DataFrames publicado el julio 15, 2021 | en Python
  • Numpy básico: valores mínimos y máximos en arrays Numpy publicado el octubre 23, 2019 | en Python
  • Unir y combinar dataframes con pandas en Python publicado el septiembre 10, 2018 | 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