Método de Newton: encontre raízes rapidamente com aproximação iterativa

Algumas equações simplesmente não têm uma solução algébrica elegante.

Você pode fatorar e substituir à vontade, mas algumas equações não têm forma fechada. Por exemplo, um polinômio de grau cinco ou superior não possui solução algébrica geral. Funções que misturam exponenciais com polinômios, como e^x = 3x, entram na mesma categoria. Nesses casos, é preciso outra abordagem.

O método de Newton é essa abordagem. Ele encontra raízes numericamente fazendo palpites cada vez mais inteligentes — cada um guiado pela reta tangente da função no chute atual.

Neste artigo, vou apresentar a fórmula por trás do método de Newton, como ele funciona passo a passo, quando converge e quando não converge — com exemplos concretos para fixar a teoria.

Procurando mais tópicos de matemática essenciais para quem trabalha com dados? Leia nosso post Séries geométricas: fórmula, convergência e exemplos para ver como se aplica a finanças, física e computação.

O que é o método de Newton?

O método de Newton é uma técnica iterativa para encontrar as raízes de uma função. As raízes são os valores de entrada para os quais a função é igual a zero.

Você começa esse processo com um chute inicial. Em seguida, o método usa a geometria da função nesse ponto para propor um chute melhor. Você repete o processo, e cada iteração aproxima você ainda mais da raiz real.

Essa é a ideia. Tudo o que você precisa é de uma regra de atualização esperta e repetível que convirja para a resposta.

A fórmula do método de Newton

O coração do método de Newton é uma única regra de atualização que você aplica repetidamente até ficar perto o suficiente da raiz.

Aqui está a fórmula:

Fórmula do método de Newton

Cada iteração pega sua estimativa atual x_n e produz uma melhor, x_{n+1}. Você segue atualizando até que o resultado esteja próximo o suficiente de zero.

A fórmula tem três componentes:

• x_n — sua estimativa atual da raiz

• f(x_n) — o valor da função nessa estimativa

• f'(x_n) — a derivada da função nessa estimativa, que indica a inclinação da reta tangente

Se f(x_n) é grande, você está longe da raiz. Se f'(x_n) é íngreme, a função muda rápido, então dá para dar um passo maior. A razão f(x_n) / f'(x_n) diz exatamente o quanto avançar — e você a subtrai do chute atual para se aproximar.

Se f'(x_n) é zero ou muito próximo de zero, a fórmula não funciona. Você estaria dividindo por zero, o que impede o método de produzir a próxima estimativa. Vou detalhar isso na seção de limitações.

Como funciona o método de Newton

O método de Newton segue os mesmos quatro passos em cada iteração.

1. Escolha um chute inicial: Selecione um valor inicial x_0 perto da raiz. Não precisa ser exato — basta estar suficientemente próximo para que a função se comporte de forma previsível por ali. Vou explicar o que é "próximo o suficiente" na seção de convergência.

2. Calcule o valor da função: Avalie f(x_0). Isso mostra o quão longe a função está de zero na sua estimativa atual. Se f(x_0) = 0, acabou — você encontrou a raiz.

3. Calcule a derivada: Avalie f'(x_0). Isso dá a inclinação da função em x_0, que é a inclinação da reta tangente nesse ponto.

4. Atualize a estimativa: Aplique a regra de atualização de acordo com a fórmula da seção anterior.

E pronto!

Esse novo valor x_1 é onde a reta tangente cruza o eixo x. Geometricamente, você desenha uma linha reta que toca a curva em x_0 e a segue até zero. Esse ponto de interseção é seu próximo chute — e melhor.

Depois é só repetir. Substitua x_1 nos passos 2 a 4 para obter x_2, depois x_3 e assim por diante. Cada iteração traça uma nova tangente no ponto atualizado e encontra onde ela cruza o eixo x.

O processo para quando f(x_n) fica próximo o suficiente de zero — geralmente quando cai abaixo de um pequeno limite que você define antes.

Interpretação geométrica do método de Newton

Imagine uma curva em um gráfico — essa é sua função f(x). A raiz é onde a curva cruza o eixo x. Você ainda não sabe onde fica esse cruzamento, então começa com um chute x_0 em algum ponto do eixo x.

A cada passo, você marca o ponto (x_0, f(x_0)) na curva e desenha a reta tangente ali — uma linha que toca a curva nesse ponto e segue sua inclinação. Essa tangente não é horizontal. Ela é inclinada e, se você a seguir, cruza o eixo x em algum ponto. Esse cruzamento é sua próxima estimativa, x_1.

Depois, repita. Em x_1, desenhe uma nova tangente e veja onde ela cruza o eixo x. Isso dá x_2. Cada tangente é uma aproximação linear local da curva, e cada ponto de cruzamento cai mais perto da raiz verdadeira.

O gráfico abaixo mostra duas iterações do método de Newton aplicado a f(x) = x^2 - 2, começando em x_0 = 2.5:

Gráfico de interpretação geométrica

Isso funciona porque a reta tangente é a melhor aproximação por linha reta de uma curva em um ponto. Quanto mais perto você está da raiz, mais a tangente se parece com a própria curva — e mais preciso fica o próximo passo.

Na prática, as estimativas não apenas se arrastam até a raiz. Elas chegam rápido, muitas vezes dobrando o número de casas decimais corretas a cada iteração.

Exemplo passo a passo do método de Newton

Vamos aplicar o método de Newton a f(x) = x^2 - 2. A raiz dessa função é x = sqrt(2) ≈ 1.4142 — ou seja, estamos calculando a raiz quadrada de 2.

A derivada é f'(x) = 2x, então a regra de atualização vira:

Exemplo (regra de atualização)

Vamos começar com um chute inicial x_0 = 2.5.

Iteração 1:

Exemplo (iteração 1)

Iteração 2:

Exemplo (iteração 2)

Iteração 3:

Exemplo (iteração 3)

Depois de apenas três iterações, já estamos corretos até a quarta casa decimal. O erro caiu de 1.086 em x_0 para 0.0001 em x_3 — e continua diminuindo a cada passo.

Veja como essa estimativa e os valores de erro se comportam visualmente:

Visão visual da estimativa e do erro

O painel esquerdo mostra como cada estimativa se aproxima de sqrt(2) ≈ 1.4142, enquanto o painel direito mostra o erro diminuindo em escala logarítmica — cada iteração aproximadamente quadruplica a precisão da anterior.

Convergência do método de Newton

O método de Newton pode convergir rapidamente, mas só nas condições certas.

Quando o chute inicial está próximo da raiz e a função é suave nessa região, o método apresenta convergência quadrática. Esse é o termo técnico para o que você viu no exemplo: cada iteração aproximadamente eleva ao quadrado o erro da anterior. Duas casas decimais corretas viram quatro, quatro viram oito e assim por diante.

Duas condições precisam valer para isso funcionar:

• Um bom chute inicial: quanto mais perto x_0 estiver da raiz verdadeira, mais rápido o método converge. Se você começa muito longe, a tangente nesse ponto pode mandar você na direção errada.
• Uma função bem comportada: a função precisa ser suave e derivável perto da raiz. Curvas muito bruscas ou regiões muito planas atrapalham a aproximação pela tangente.

A falha mais comum é a derivada próxima de zero. 

Se f'(x_n) está perto de zero, você divide por um número muito pequeno na regra de atualização, o que joga a próxima estimativa para longe da raiz. No pior caso, f'(x_n) = 0 e os cálculos travam porque não dá para dividir por zero.

Um ponto de partida ruim também pode fazer o método oscilar ou divergir. Em vez de se aproximar da raiz, as estimativas ficam indo e voltando ou se afastando a cada iteração.

O método de Newton recompensa uma boa preparação. Um chute inicial razoável e uma função suave são tudo de que ele precisa para convergir — e convergir rápido.

Vantagens do método de Newton

Quando as condições ajudam, o método de Newton é difícil de superar.

A maior vantagem é a convergência quadrática. A maioria dos métodos numéricos se aproxima da raiz a uma taxa linear, ou seja, cada iteração reduz o erro por uma quantia fixa. O método de Newton, por outro lado, eleva o erro ao quadrado — o que significa que chega à precisão desejada muito rápido, com poucas iterações.

Ele também é versátil. Dá para aplicá-lo a uma ampla gama de funções — polinomiais, trigonométricas, exponenciais — sem mudar nada. Por isso aparece em tantas áreas, de simulações de engenharia ao treinamento de modelos de machine learning.

Limitações do método de Newton

Em troca dessa velocidade, o método de Newton exige bastante. Aqui vão algumas limitações para ter em mente:

• Exige a derivada: Você precisa de uma expressão analítica para f'(x) antes mesmo de rodar a primeira iteração. Para funções cuja derivada é difícil de obter (ou não existe), é preciso outra abordagem.

• É sensível ao chute inicial: se você começa muito longe da raiz, o método pode levar você para o lado errado.

• Pode não convergir: se a função tiver regiões planas ou curvas muito acentuadas, a aproximação pela tangente simplesmente não funciona.

• Pode divergir ou oscilar: em casos ruins, as estimativas não convergem e se afastam da raiz ou ficam pulando indefinidamente.

Então, antes de recorrer ao método de Newton, certifique-se de entender bem sua função.

Método de Newton vs. outros métodos de busca de raízes

O método de Newton não é a única forma de encontrar raízes — e nem sempre é a melhor para você.

Dois outros métodos aparecem com frequência: o método da bisseção e o método da secante. Vou explicar rapidamente.

Método da bisseção

O método da bisseção é o mais simples dos três. Você começa com um intervalo [a, b] no qual a função muda de sinal — o que garante que existe uma raiz lá dentro. Depois, corta o intervalo ao meio repetidamente, mantendo a metade que ainda contém a mudança de sinal.

Funciona, mas é lento. O erro cai pela metade a cada iteração, o que é convergência linear. Em compensação, é garantido que funcione desde que a função seja contínua e seu intervalo inicial de fato isole uma raiz. Não requer derivadas.

Método da secante

O método da secante é um parente próximo do método de Newton. Em vez de calcular a derivada analiticamente, ele a aproxima usando duas estimativas anteriores:

Fórmula do método da secante

É uma boa opção quando a derivada é difícil de calcular. Você paga com velocidade de convergência — o método da secante é mais rápido que a bisseção, mas mais lento que o método de Newton.

Aplicações do método de Newton

O método de Newton aparece o tempo todo em ciência, engenharia e machine learning. Veja como ele é usado na prática.

Resolução numérica de equações

A aplicação mais direta. Quando uma função não tem solução em forma fechada, o método de Newton encontra a raiz. Isso surge o tempo todo em computação científica — como ao achar pontos de equilíbrio em reações químicas ou resolver equações transcendentais em processamento de sinais.

Otimização

Encontrar o mínimo ou máximo de uma função f(x) significa achar onde sua derivada f'(x) = 0. Isso é um problema de encontrar raízes — então o método de Newton pode ser aplicado. Você apenas roda o algoritmo em f'(x) em vez de f(x), usando a segunda derivada f''(x) no lugar da primeira.

Essa variação é chamada de método de Newton para otimização e costuma convergir mais rápido que o gradiente descendente em funções suaves e bem comportadas.

Machine learning

Em machine learning, treinar um modelo significa minimizar uma função de perda. O método de Newton e suas variantes aparecem em alguns pontos aqui.

L-BFGS (Limited-memory Broyden-Fletcher-Goldfarb-Shanno) é um otimizador quase-Newton que aproxima a segunda derivada para evitar calculá-la diretamente. É escolha padrão para regressão logística e outros problemas convexos. O método de Newton também é a base das atualizações de Newton-Raphson usadas no ajuste de modelos estatísticos, como modelos lineares generalizados.

Física e engenharia

O método de Newton está em toda parte em simulação e projeto. Engenheiros o usam para resolver sistemas não lineares de equações que descrevem sistemas físicos — pense em análise de tensões estruturais e dinâmica de fluidos. Em todos os casos, o problema se reduz a encontrar onde um conjunto de equações é igual a zero.

Erros comuns com o método de Newton

A maioria dos erros com o método de Newton se resume aos mesmos quatro pontos. Vamos a eles:

• Começar muito longe da raiz: um chute inicial ruim é o motivo mais comum para o método divergir ou oscilar. Se você não tem boa intuição de onde está a raiz, primeiro faça o gráfico da função. Isso indica por onde começar.

• Errar a derivada: a regra de atualização depende de f'(x). Uma derivada incorreta — seja por erro de conta ou de código — produz estimativas erradas desde a primeira iteração, e o erro se acumula.

• Não checar divisão por zero. Se f'(x_n) é zero ou fica muito perto disso, o passo de atualização não funciona. Coloque uma proteção na sua implementação: se a derivada cair abaixo de um limite pequeno, pare e reporte a falha em vez de gerar um resultado sem sentido.

• Parar cedo demais. Encerrar as iterações antes da convergência deixa você com uma resposta que parece boa, mas não é. Defina sua condição de parada no erro real — seja |f(x_n)| ou |x_{n+1} - x_n| — caindo abaixo de um limite escolhido de forma deliberada, e não apenas um número fixo de iterações.

Conclusão

O método de Newton é uma das ferramentas mais úteis na computação numérica. Uma única regra de atualização, aplicada repetidas vezes, encontra raízes com precisão arbitrária em poucas iterações.

Você paga essa velocidade com condições. Para convergir rápido, é preciso um bom chute inicial, uma função sem trechos planos, sem picos bruscos e com derivada diferente de zero. Entenda essas condições e você saberá quando usar o método de Newton e quando optar por outra técnica (como bisseção ou secante).

A melhor forma de criar essa intuição é praticar com exemplos simples. Comece com f(x) = x^2 - 2, teste pontos de partida diferentes e observe o que acontece. Depois avance para funções com múltiplas raízes ou regiões planas e veja onde o método desanda.

Se você curte a ideia de otimização por iteração, precisa conhecer o gradiente descendente. Leia Gradient Descent in Machine Learning: A Deep Dive para entender como ele otimiza modelos de machine learning.