Método de Newton: encuentra raíces rápido con aproximación iterativa

Hay ecuaciones que simplemente no tienen una solución algebraica limpia.

Puedes factorizar y sustituir todo lo que quieras, pero algunas ecuaciones no admiten forma cerrada. Por ejemplo, un polinomio de grado cinco o superior no tiene una solución algebraica general. Las funciones que combinan exponenciales con polinomios, como e^x = 3x, caen en la misma categoría. En estos casos, necesitas otro enfoque.

El método de Newton es ese enfoque. Encuentra raíces numéricamente haciendo conjeturas cada vez más inteligentes, guiadas en cada paso por la recta tangente de la función en la estimación actual.

En este artículo, te explico la fórmula detrás del método de Newton, cómo funciona paso a paso, cuándo converge y cuándo no, con ejemplos concretos para que la teoría cale.

¿Buscas más temas de matemáticas que necesitas dominar como data scientist? Lee nuestro artículo Series geométricas: fórmula, convergencia y ejemplos para ver cómo se aplican a finanzas, física e informática.

¿Qué es el método de Newton?

El método de Newton es una técnica iterativa para encontrar las raíces de una función. Las raíces son los valores de entrada donde la función vale cero.

Empiezas el proceso con una estimación inicial. Luego, el método usa la geometría de la función en ese punto para proponer una mejor estimación. Repites el proceso y, con cada iteración, te acercas a la raíz real.

Esa es toda la idea. Solo necesitas una regla de actualización inteligente y repetible que converja a la respuesta.

La fórmula del método de Newton

El núcleo del método de Newton es una única regla de actualización que aplicas repetidamente hasta estar lo bastante cerca de la raíz.

Esta es la fórmula:

Fórmula del método de Newton

Cada iteración toma tu estimación actual x_n y produce una mejor, x_{n+1}. Sigues actualizando hasta que el resultado esté lo bastante cerca de cero.

La fórmula tiene tres componentes:

• x_n: tu estimación actual de la raíz

• f(x_n): el valor de la función en esa estimación

• f'(x_n): la derivada de la función en esa estimación, que te da la pendiente de la recta tangente

Si f(x_n) es grande, estás lejos de la raíz. Si f'(x_n) es pronunciada, la función cambia rápido, así que puedes dar un paso mayor. El cociente f(x_n) / f'(x_n) te dice exactamente cuánto moverte, y lo restas a tu conjetura actual para acercarte.

Si f'(x_n) es cero o cercano a cero, la fórmula no funcionará. Estarías dividiendo entre cero, lo que impide que el método produzca la siguiente estimación. Entraré en más detalle en la sección de limitaciones.

Cómo funciona el método de Newton

El método de Newton sigue los mismos cuatro pasos en cada iteración.

1. Elige una estimación inicial: escoge un valor inicial x_0 cerca de la raíz. No hace falta que sea exacto, solo lo bastante próximo como para que la función se comporte de forma predecible en esa zona. Verás qué significa «lo bastante cerca» en la sección sobre convergencia.

2. Calcula el valor de la función: evalúa f(x_0). Esto te dice cuán lejos está la función de cero en tu estimación actual. Si f(x_0) = 0, has terminado: has encontrado la raíz.

3. Calcula la derivada: evalúa f'(x_0). Te da la pendiente de la función en x_0, es decir, la pendiente de la recta tangente en ese punto.

4. Actualiza la estimación: aplica la regla de actualización según la fórmula de la sección anterior.

¡Y listo!

Este nuevo valor x_1 es donde la recta tangente corta el eje x. Geométricamente, dibujas una recta que toca la curva en x_0 y la sigues hasta cero. Ese punto de corte es tu siguiente y mejor conjetura.

Luego repites. Sustituye x_1 en los pasos 2 a 4 para obtener x_2, luego x_3, y así sucesivamente. Cada iteración traza una nueva tangente en el punto actualizado y busca dónde cruza el eje x.

El proceso se detiene cuando f(x_n) está lo bastante cerca de cero, normalmente cuando cae por debajo de un umbral pequeño que defines de antemano.

Interpretación geométrica del método de Newton

Imagina una curva en un gráfico: esa es tu función f(x). La raíz es donde la curva cruza el eje x. Aún no sabes dónde está ese cruce, así que empiezas con una conjetura x_0 en el eje x.

En cada paso, representas el punto (x_0, f(x_0)) en la curva y trazas la tangente en ese punto, una recta que toca la curva allí y sigue su pendiente. Esa tangente no es horizontal; está inclinada y, si la sigues, corta el eje x en algún punto. Ese cruce es tu siguiente estimación, x_1.

Luego repites. En x_1, dibujas una nueva tangente y ves dónde corta el eje x. Eso te da x_2. Cada tangente es una aproximación lineal local de la curva, y cada punto de corte cae más cerca de la raíz real.

El gráfico siguiente muestra dos iteraciones del método de Newton aplicado a f(x) = x^2 - 2, comenzando en x_0 = 2.5:

Gráfico de interpretación geométrica

Esto funciona porque la tangente es la mejor aproximación lineal de una curva en un punto dado. Cuanto más cerca estás de la raíz, más se parece la tangente a la propia curva y más preciso se vuelve tu siguiente paso.

En la práctica, las estimaciones no se arrastran hacia la raíz: saltan rápido, a menudo duplicando el número de decimales correctos en cada iteración.

Ejemplo paso a paso del método de Newton

Apliquemos el método de Newton a f(x) = x^2 - 2. La raíz de esta función es x = sqrt(2) ≈ 1.4142; en otras palabras, estamos calculando la raíz cuadrada de 2.

La derivada es f'(x) = 2x, así que la regla de actualización queda:

Ejemplo (regla de actualización)

Empecemos con una estimación inicial x_0 = 2.5.

Iteración 1:

Ejemplo (iteración 1)

Iteración 2:

Ejemplo (iteración 2)

Iteración 3:

Ejemplo (iteración 3)

Tras solo tres iteraciones, ya tenemos precisión de cuatro decimales. El error bajó de 1.086 en x_0 a 0.0001 en x_3, y sigue reduciéndose en cada paso.

Así se ven visualmente estas estimaciones y sus errores:

Resumen visual de estimación y error

El panel izquierdo muestra cómo cada estimación se acerca a sqrt(2) ≈ 1.4142, mientras que el derecho muestra el error decreciendo en escala logarítmica: cada iteración aproximadamente cuadra la precisión de la anterior.

Convergencia del método de Newton

El método de Newton puede converger muy rápido, pero solo bajo las condiciones adecuadas.

Cuando tu estimación inicial está cerca de la raíz y la función es suave en esa región, el método muestra convergencia cuadrática. Es el término técnico para lo que viste en el ejemplo: cada iteración aproximadamente eleva al cuadrado el error de la anterior. Dos decimales correctos pasan a cuatro, cuatro a ocho, y así sucesivamente.

Para que esto funcione deben cumplirse dos condiciones:

• Una buena estimación inicial: cuanto más cerca esté x_0 de la raíz real, más rápido converge el método. Si empiezas demasiado lejos, la tangente en ese punto puede enviarte en la dirección equivocada.
• Una función bien comportada: la función debe ser suave y derivable cerca de la raíz. Giros bruscos o regiones planas pueden estropear la aproximación por la tangente.

El fallo más común es una derivada cercana a cero. 

Si f'(x_n) está cerca de cero, estás dividiendo por un número muy pequeño en la regla de actualización, lo que envía la siguiente estimación lejos de la raíz. En el peor caso, f'(x_n) = 0 y los cálculos dejan de funcionar porque no puedes dividir entre cero.

Un mal punto de partida también puede hacer que el método oscile o diverja. En lugar de acercarse a la raíz, las estimaciones van y vienen o se alejan con cada iteración.

El método de Newton premia una buena preparación. Una estimación inicial razonable y una función suave son suficientes para que converja, y lo haga rápido.

Ventajas del método de Newton

Cuando se dan las condiciones adecuadas, el método de Newton es difícil de superar.

La mayor ventaja es la convergencia cuadrática. La mayoría de métodos numéricos se acercan a la raíz a un ritmo lineal, es decir, cada iteración reduce el error en una cantidad fija. El método de Newton, en cambio, cuadra el error, por lo que alcanza gran precisión con muy pocas iteraciones.

Además, es versátil. Puedes aplicarlo a una amplia gama de funciones (polinómicas, trigonométricas, exponenciales) sin cambiar nada. Por eso aparece en tantos ámbitos, desde simulaciones de ingeniería hasta el entrenamiento de modelos de machine learning.

Limitaciones del método de Newton

A cambio de esa velocidad, el método de Newton exige bastante. Ten en cuenta estas limitaciones:

• Requiere la derivada: necesitas una expresión analítica para f'(x) antes de ejecutar una sola iteración. Si la derivada es difícil de calcular (o no existe), necesitas otro enfoque.

• Es sensible a la estimación inicial: si empiezas demasiado lejos de la raíz, el método puede llevarte en la dirección equivocada.

• Puede no converger: si la función tiene zonas planas o curvas muy pronunciadas, la aproximación con la tangente simplemente no funciona.

• Puede divergir u oscilar: en los peores casos, las estimaciones no convergen y se alejan de la raíz o rebotan indefinidamente.

Así que, antes de recurrir al método de Newton, asegúrate de entender bien tu función.

Método de Newton frente a otros métodos para hallar raíces

El método de Newton no es la única forma de encontrar raíces, y no siempre es la más adecuada para ti.

Hay otros dos métodos que suelen aparecer: el método de bisección y el método de la secante. Te los explico brevemente.

Método de bisección

El método de bisección es el más sencillo de los tres. Empiezas con un intervalo [a, b] donde la función cambia de signo, lo que implica que debe existir una raíz dentro. Luego vas partiendo el intervalo a la mitad y te quedas con la mitad en la que se mantiene el cambio de signo.

Funciona, pero es lento. El error se reduce a la mitad en cada iteración (convergencia lineal). Aun así, está garantizado que funciona siempre que la función sea continua y el intervalo inicial encierre una raíz. No requiere derivadas.

Método de la secante

El método de la secante es un pariente cercano del método de Newton. En vez de calcular analíticamente la derivada, la aproxima usando dos estimaciones previas:

Fórmula del método de la secante

Es una buena opción cuando la derivada es difícil de calcular. A cambio, pierde algo de velocidad de convergencia: es más rápido que la bisección, pero más lento que el método de Newton.

Aplicaciones del método de Newton

El método de Newton aparece por toda la ciencia, la ingeniería y el machine learning. Veamos cómo exactamente.

Resolución numérica de ecuaciones

La aplicación más directa. Cuando una función no tiene solución en forma cerrada, el método de Newton encuentra la raíz. Esto surge constantemente en computación científica: por ejemplo, al hallar puntos de equilibrio en reacciones químicas o resolver ecuaciones trascendentes en procesado de señales.

Optimización

Encontrar el mínimo o el máximo de una función f(x) equivale a hallar dónde su derivada cumple f'(x) = 0. Es un problema de búsqueda de raíces, así que puedes aplicar el método de Newton ejecutando el algoritmo sobre f'(x) en lugar de f(x), usando la segunda derivada f''(x) en lugar de la primera.

Esta variante se conoce como método de Newton para optimización y converge más rápido que el descenso de gradiente en funciones suaves y bien comportadas.

Machine learning

En machine learning, entrenar un modelo significa minimizar una función de pérdida. El método de Newton y sus variantes aparecen aquí en varios frentes.

L-BFGS (Limited-memory Broyden-Fletcher-Goldfarb-Shanno) es un optimizador cuasi-Newton que aproxima la segunda derivada para evitar calcularla directamente. Es una opción estándar para regresión logística y otros problemas convexos. El método de Newton también es la base de las actualizaciones de Newton-Raphson usadas en el ajuste de modelos estadísticos, como los modelos lineales generalizados.

Física e ingeniería

El método de Newton está por todas partes en simulación y diseño. Los ingenieros lo usan para resolver sistemas no lineales de ecuaciones que describen sistemas físicos, como el análisis de esfuerzos estructurales o la dinámica de fluidos. En cada caso, el problema subyacente se reduce a encontrar dónde un conjunto de ecuaciones vale cero.

Errores comunes con el método de Newton

La mayoría de errores con el método de Newton se reducen a los mismos cuatro fallos. Vamos a verlos:

• Empezar demasiado lejos de la raíz: una mala estimación inicial es la razón más habitual de que el método diverja u oscile. Si no tienes buena intuición sobre dónde está la raíz, dibuja primero la función. Te dirá dónde empezar.

• Equivocarte con la derivada: la regla de actualización depende de f'(x). Una derivada incorrecta (por un error de cálculo o de código) genera estimaciones erróneas desde la primera iteración, y el error se amplifica con las siguientes.

• No comprobar la división entre cero. Si f'(x_n) es cero o se acerca mucho, el paso de actualización no puede funcionar. Añade una salvaguarda en tu implementación: si la derivada cae por debajo de un umbral pequeño, detén el proceso e informa del fallo en lugar de producir un resultado sin sentido.

• Parar demasiado pronto. Cortar las iteraciones antes de que la estimación haya convergido te deja con una respuesta que parece cercana pero no lo es. Define tu condición de parada sobre el error real: que |f(x_n)| o |x_{n+1} - x_n| caigan por debajo de un umbral elegido a propósito, no solo un número fijo de iteraciones.

Conclusión

El método de Newton es una de las herramientas más útiles en computación numérica. Una sola regla de actualización, aplicada repetidamente, puede encontrar raíces con precisión arbitraria en apenas unas iteraciones.

Esa velocidad viene con condiciones. Necesitas una buena estimación inicial, una función no plana, sin picos bruscos y con derivada no nula para lograr una convergencia rápida. Si entiendes estas condiciones, sabrás cuándo usar el método de Newton y cuándo optar por otra cosa (como los métodos de bisección o secante).

La mejor manera de afinar esa intuición es practicar con ejemplos sencillos. Empieza con f(x) = x^2 - 2, prueba distintos puntos de partida y observa qué ocurre. Pasa a funciones con múltiples raíces o zonas planas y comprueba dónde se rompe el método.

Si te interesa la optimización por iteraciones, tienes que conocer el descenso de gradiente. Lee nuestro Gradient Descent in Machine Learning: A Deep Dive para aprender cómo optimiza modelos de machine learning.