Método Newton-Raphson para aproximar zeros de funções

Cálculo Numérico
Aula 03 - 09/dez/2020
Wilson H. Hirota
Universidade Federal de São Paulo
wilson.hirota@unifesp.br
Zeros de Funções Reais
• Métodos iterativos (Fase II: Refinamento)
2. Método Newton-Raphson (ou Método das tangentes)
• O método de Newton-Raphson é um do métodos mais conhecidos e usados
para se determinar as raı́zes de equações não lineares, uma vez que combina
a rapidez de convergência com a simplicidade do processo iterativo
Existem diversas maneiras de deduzir o método de Newton-Raphson. Uma

W delas é através do método do ponto fixo1 - que será abordado mais
adiante, e através da expansão em série de Taylor. A dedução que
apresentaremos aqui está baseada na segunda abordagem.
O método de Newton combina duas idéias comuns nas aproximações numéricas:

a linearização e a iteração
1 O método de Newton-Raphson é um caso particular do método do ponto fixo com convergência local
quadrática
2 / 47
O método de Newton combina duas idéias comuns nas aproximações numéricas:

a linearização e a iteração
• Na linearização, procuramos substituir (em uma certa vizinhança) um

problema complicado por sua aproximação linear que, por via de regra, é
facilmente resolvida
• Um processo iterativo consiste na repetição sistemática de um

procedimento até que seja atingido uma precisão preestabelecida
No caso do método de Newton, a linearização consiste na substituição de

W um pequeno arco da curva y = f (x ) por uma reta tangente, traçada a
partir de um ponto x0 da curva (aproximação inicial da raiz)
3 / 47
Seja x0 uma aproximação inicial da raiz,

como ilustra a figura ao lado. Aproximando
f (x ) a curva y = f (x ) por sua reta tangente tra-
çada no ponto (x0 , f (x0 )) obtemos a aproxi-
mação linear.
f (x0 ) Encontrando o ponto de intersecção desta
reta com o eixo x , encontraremos uma nova
aproximação para a raiz, o ponto x1 da fi-
gura.
O processo iterativo será obtido pela repeti-
ção do procedimento. A nova aproximação,
x2 x1 x0 x
representada na figura pelo ponto x2 , foi
calculada a partir da reta tangente à curva
y = f (x ) no ponto (x1 , f (x1 ))
4 / 47

Demonstração:
Suponha que a função f admita desenvolvimento
em série de Taylor em torno do ponto x = xn ,
f (x ) então:
f 00 (xn )
f (x0 ) f (x ) = f (xn )+(x −xn )f 0 (xn )+(x −xn )2 +. . .
2!
Truncando a série de Taylor no termo de primeira

ordem e admitindo que estamos suficientemente
próximos da raiz α, tem-se
x2 x1 x0 x f 00 (ξ)
f (α) ≈ f (xn ) + (α − xn )f 0 (xn ) + (α − xn )2 =0
2!
com ξ ∈ [α, xn ]
5 / 47

Demonstração:
f 00 (ξ)
f (x ) f (α) ≈ f (xn ) + (α − xn )f 0 (xn ) + (α − xn )2 =0
2!
f (x0 ) Disso resulta que:
f (xn )
α ≈ xn −
f 0 (xn )
que pode ser obviamente escrita na forma recursiva
expressando o lado direito dessa aproximação como
xn+1 , ou seja:
x2 x1 x0 x
f (xn )
xn+1 = xn − , n = 0, 1, 2 . . .
f 0 (xn )
6 / 47
Algoritmo 1: Método de Newton

f (x ) 1 Dados: f , f 0 , x 0, max, tol
2 inı́cio
3 para k ← 1 até max faça
f (x0 ) 4 x ← x 0 − f (x 0)/f 0 (x 0)
5
6 se |(x − x 0)/x | < tol então
7 imprimir x e sair do laço
8 fim
9
10 x0 ← x
x2 x1 x0 x
11 fim
12 fim
7 / 47
Exemplo 22:
Use o método de Newton para aproximar um zero de f (x ) = x 2 +ln(x ), com = 0.01

e x0 = 1
Observação: Solução obtida pelo método da bissecção (ver exemplo 21). Os

valores intermediários foram omitidos.
k ak bk xk f (ak ) f (bk ) f (xk ) tol
0 0.00000 1.00000 0.50000 −

... ... ... ... ... ... ... ...
7 0.64844 0.65625 0.65235 -0.01271 0.00945 -0.00163 0.00781
8 / 47
Exemplo 22:

e x0 = 1
Solução:
Equação de recorrência para o método de Newton:
f (xn )
z }| {
x 2 + ln(x )
xn+1 = xn − n
2xn + 1/xn
| {z }
f 0 (xn )
9 / 47
Exemplo 22:

e x0 = 1
Solução:
Sequência de soluções aproximadas:
x02 + ln(x0 ) 12 + ln(1)

x1 = x0 − =1− = 0.6666667
2 × x0 + 1/x0 2 × 1 + 1/1

x1 − x0 0.6666667 − 1
Erro: δr = =
0.6666667 = 0.5 >

x
1
10 / 47
Exemplo 22:

e x0 = 1
Solução:
x12 + ln(x1 ) 0.66666672 + ln(0.6666667)

x2 = x1 − = 0.6666667 − = 0.6529093
2 × x1 + 1/x1 2 × 0.6666667 + 1/0.6666667

x2 − x1 0.6529093 − 0.6666667
Erro: δr = = = 0.0210709 >
x2
0.6529093
11 / 47
Exemplo 22:

e x0 = 1
Solução:
x22 + ln(x2 ) 0.65290932 + ln(0.6529093)

x3 = x2 − = 0.6529093 − = 0.6529186
2 × x2 + 1/x2 2 × 0.6529093 + 1/0.6529093

x3 − x2 0.6529186 − 0.6529093
Erro: δr = = = 1.4 × 10−5 <
x3
0.6529186
12 / 47
Exemplo 22:

e x0 = 1
Observe que o método de Newton con-
k xk δr
W verge mais rapidamente do que o mé-
todo da bissecção. Para atingir a tole-
0 1 − rância desejada, foi necessário fazer ape-
1 0.6666667 0.5 nas 3 iterações.
2 0.6529093 0.0210709 Para que isso possa ser colocado em um
3 0.6529186 4 × 10−5 contexto mais rigoroso, é conveniente
fazer uma análise mais detalhada da or-
dem de convergência.
13 / 47
2.1. Ordem de convergência
A ordem de convergência de um método iterativo mede a velocidade com

J que as iterações produzidas por esse método aproximam-se da solução
exata. Assim, quanto maior for a ordem de convergência melhor será o
método numérico pois mais rapidamente chegaremos à solução.
Ordem de convergência: definição
Seja {xk }∞ ∗
n=0 uma sequência que converge para x (a solução do problema) e
seja ek = xk − x̄ o erro na iteração k . Se
|ek +1 |
lim = c, p ≥ 1 e c > 0
k →∞ |ek |p
dizemos que a sequência converge com ordem p e com constante assintótica c
14 / 47

Ordem de convergência: definição
Seja {xk }∞
n=0 uma sequência que converge para x
∗ (a solução do
problema) e seja ek = xk − x̄ o erro na iteração k . Se
|ek +1 |
lim = c, p ≥ 1 e c > 0
k →∞|ek |p
dizemos que a sequência converge com ordem p e com constante
assintótica c
• A constante c afeta a velocidade de convergência, mas não é tão

importante como a ordem de convergência p
• Assim quanto maior for o valor de p, menor será o erro |ek +1 |. Para
p = 1, 2, 3, . . ., a convergência é dita linear, quadrática, cúbica,...,
respectivamente
15 / 47
• No caso do método de Newton sabemos que a sequência {xk }∞
n=0 é
gerada pela processo iterativo
f (xk )
xk +1 = xk −
f 0 (xk )
• Subtraindo x ∗ de cada lado, temos:
f (xk ) f (xk )
xk +1 − x ∗ = xk − x ∗ − =⇒ ek +1 = ek − 0
f 0 (xk ) f (xk )
• Expandindo a função f em série de Taylor, em torno de xk , obtemos:
f 00 (ξk )
f (x ) = f (xk ) + f 0 (xk )(x − xk ) + (x − xk )2 , ξk ∈ [x , xn ]
2
• Fazendo x = x ∗ e lembrando que f (x ∗ ) = 0, temos:
f 00 (ξk ) ∗
0 = f (x ∗ ) = f (xk ) + f 0 (xk )(x ∗ − xk ) + (x − xk )2
2
16 / 47
f 00 (ξk ) ∗
0 = f (x ∗ ) = f (xk ) + f 0 (xk )(x ∗ − xk ) + (x − xk )2
2
• Dividindo a relação acima por f 0 (x ) e fazendo ek = xk − x ∗ , temos:
−e
k
f (xk ) ∗ f 00 (ξk ) z ∗ }| { 2 f (xk ) f 00 (ξk ) 2
= − (x − xk ) − (x − xk ) =⇒ 0 = ek − 0 e
0
f (xk ) | {z } 2f (xk ) 0 f (xk ) 2f (xk ) k
−ek
f (xk )
• Como ek +1 = ek − , temos:
f 0 (xk )
ek +1
z
}| {
f (xk ) f 00 (ξk ) 2 f (xk ) f 00 (ξk ) 2
= ek − e =⇒ ek − 0 = e
f 0 (xk ) 2f 0 (xk ) k f (xk ) 2f 0 (xk ) k
17 / 47
• Portanto:
ek +1 f 00 (ξk )
=
ek2 2f 0 (xk )
• Aplindo o módulo e calculando o limite quando k tende ao infinito,
temos:
00
f (ξk ) f 00 (x ∗ )

|ek +1 |
lim = lim =
2f 0 (x ∗ ) = c

k →∞ |ek |2 k →∞ 2f 0 (xk )
Portanto, o método de Newton tem convergência quadrática. Isso significa

J que a quantidade de dı́gitos significativos corretos, duplica à medida que
os elementos da sequência se aproximam de x ∗
18 / 47
00
f (ξk ) f 00 (x ∗ )

|ek +1 |
lim = lim = =c
k →∞ |ek |2 k →∞ 2f 0 (xk )
2f 0 (x ∗ )
Pela expressão anterior, se identificarmos um majorante para a deri-

J vada segunda e um minorante para a derivada primeira em um
intervalo [a, b], podemos concluir que:
maxx ∈[a,b] |f 00 (x )|
|ek +1 | ≤ |ek |2
minx ∈[a,b] |f 0 (x )|
19 / 47
• O teorema abaixo enumera um conjunto de condições que, uma vez

satisfeitas, e no caso da aproximação inicial x0 pertencer a um certo
intervalo, o método de Newton converge necessariamente para a raiz a
equação que se encontra nesse intervalo.
Condições necessárias para a convergência do método de Newton
Seja f uma função real definida no intervalo I = [a, b]. Se

1. f (a)f (b) < 0;
2. f 0 (x ) 6= 0 ∀x ∈ [a, b]
3. f 00 (x ) > 0 ou f 00 (x ) < 0 para x ∈ [a, b]
então, qualquer que seja a aproximação inicial x0 ∈ [a, b], o método de
Newton converge quadraticamente para a única raiz x ∗ de f em I .
20 / 47
Exemplo 23:
Calcular a raiz da equação x − e x −2 = 0, localizada no intervalo (0, 1), com 5

algarismos significativos corretos. Usar o método de Newton-Raphson.
ª • Aproximação com n algarismos significativos corretos:

k +1
x − x k

−n
x k +1 ≤ 0.5 × 10

• y = e x =⇒ y 0 = x 0 e x
f (xk )
• Método de Newton-Raphson: xk +1 = xk − , k = 0, 1, 2, . . .
f 0 (xk )
21 / 47
Exemplo 23:

Solução:
Condição de parada:
k +1
− x k

x −n
x k +1 ≤ 0.5 × 10
= 0.5 × 10−5 ∴ δr ≤ 0.5 × 10−5
22 / 47
Exemplo 23:

Solução:
Equação de recorrência:
f (x )
z }| {
xk − e xk −2 xk 1 − e xk −2 − xk + e xk −2 e xk −2 (1 − xk )

xk +1 = xk − = =
1 − e xk −2 1 − e xk −2 1 − e xk −2
| {z }
f 0 (x )
23 / 47
Exemplo 23:

Solução:
Sequência de soluções aproximadas (x0 = 0.9):

e x0 −2 (1 − x0 ) e −1.1 (1 − 0.9)
x1 = −2
= = 0.049896
1−e 0 x 1 − e −1.1

x1 − x0 0.049896 − 0.900000
Erro: δr = = = 17.037494 > 0.5 × 10−5
x1 0.049896
24 / 47
Exemplo 23:

Solução:

e x1 −2 (1 − x1 ) e 0.049896−2 (1 − 0.049896)
x2 = x −2
= = 0.157578
1−e 1 1 − e 0.049896−2

x2 − x1 0.157578 − 0.049896
Erro: δr = = = 0.683356 > 0.5 × 10−5
x2 0.157578
25 / 47
Exemplo 23:

Solução:

e x2 −2 (1 − x2 ) e 0.157578−2 (1 − 0.157578)
x3 = x −2
= = 0.158594
1−e 2 1 − e 0.157578−2

x3 − x2 0.158594 − 0.157578
Erro: δr = = = 0.006408 > 0.5 × 10−5
x3 0.158594
26 / 47
Exemplo 23:

Solução:

e x3 −2 (1 − x3 ) e 0.158594−2 (1 − 0.158594)
x4 = = = 0.158594
1 − e x3 −2 1 − e 0.158594−2

x4 − x3 0.158594 − 0.158594
Erro: δr = = = 0.000001 < 0.5 × 10−5
x4 0.158594
Portanto, a raiz com 5 casas decimais corretas é 0.15859

27 / 47
Exemplo 24:
Calcular a raiz positiva da função f (x ) = cos(x ) − x 2 , com precisão 10−4 . Usar o

método de Newton-Raphson e x0 = 1.
ª • y = u n =⇒ y 0 = nu n−1 u 0
• y = cos(x ) =⇒ y 0 = −u 0 sen(u)
28 / 47
Exemplo 24:

Solução:
Equação de recorrência:
f (x )
z }|k {
cos(xk ) − xk2 cos(xk ) − xk2
xk +1 = xk − = xk +
−sen(xk ) − 2xk sen(xk ) + 2xk
| {z }
f 0 (xk )
29 / 47
Exemplo 24:

Solução:
Sequência de aproximações:
cos(x0 ) − x02 cos(1.000000) − 1.0000002
x1 = x0 + = 1.000000 + = 0.838218
sen(x0 ) + 2x0 sen(1.000000) + 2 × 1.000000

x1 − x0 0.838218 − 1.000000
Erro: δr = = = 0.193006 > 10−4
x1
0.838218
30 / 47
Exemplo 24:

Solução:
cos(x1 ) − x12 cos(0.838218) − 0.8382182
x2 = x1 + = 0.838218 + = 0.824242
sen(x1 ) + 2x1 sen(0.838218) + 2 × 0.838218

x2 − x1 0.824242 − 0.838218
Erro: δr = = = 0.016957 > 10−4
x2
0.824242
31 / 47
Exemplo 24:

Solução:
cos(x2 ) − x22 cos(0.824242) − 0.8242422
x3 = x2 + = 0.824242 + = 0.824132
sen(x2 ) + 2x2 sen(0.824242) + 2 × 0.824242

x3 − x2 0.824132 − 0.824242
Erro: δr = = = 0.000133 > 10−4
x3
0.824132
32 / 47
Exemplo 24:

Solução:
cos(x3 ) − x32 cos(0.824132) − 0.8241322
x4 = x3 + = 0.824132 + = 0.824132
sen(x3 ) + 2x3 sen(0.824132) + 2 × 0.824132

x4 − x3 0.824132 − 0.824132
Erro: δr = = = 0.000000 < 10−4
x4
0.824132
33 / 47
• Embora o método de Newton seja em geral muito eficiente e facilmente
generalizado para o caso de sistema de equações não lineares, esta técnica
ainda apresenta algumas desvantagens:
J • Dependendo das caracterı́sticas da função, há o risco de loop infinito

(casos raros)
• Problemas de convergência podem ocorrer quando a primeira derivada
f 0 (x ) é próximo de zero na vizinhança da solução
• Requer o conhecimento da forma analı́tica da primeira derivada. Em
alguns casos, isto pode ser muito complicado. Para contornar esse
problema, normalmente a derivada é substituı́da pelo quociente das
diferenças, ou seja:
f (xk ) − f (xk −1 )
f 0 (xk ) ≈
xk − xk −1
34 / 47
Esta técnica é chamada de método das secantes
3. Método das secantes
• O método das secantes é uma variação do método de Newton no qual a
forma analı́tica da primeira derivada é substituı́da por um quociente de
diferenças
y
C
f (x0 ) No método das secantes, toma-
mos a reta que passa pelos pon-
tos (x0 , f (x 0)) e (x1 , f (x1 )) como
uma aproximação linear da curva
y = f (x ), como indica a figura ao
D
f (x1 ) lado.
x∗ E B
x
A x1 x0
35 / 47
diferenças
y
Demonstração:
Para estabelecer a função de iteração do
método das secantes, usamos a semelhança
de triângulos aplicada no ∆ABC e no
C
f (x0 ) ∆AED:
f (x0 ) f (x1 )
=
x0 − x2 x1 − x2
D onde x2 é ponto denotado por A na figura.
f (x1 ) Explicitando o valor da incógnita x2 ,
temos:
x∗ E B
x x0 f (x1 ) − x1 f (x0 )
A x1 x0 x2 =
f (x1 ) − f (x0 )
36 / 47
diferenças
y Demonstração:
Generalizando, no método das secantes
usamos duas aproximações, xk −1 e xk ,
para calcular uma nova aproximação xk +1 ,
C através da fórmula
f (x0 )
xk −1 f (xk ) − xk f (xk −1 )
xk +1 =
D f (xk ) − f (xk −1 )
f (x1 )
ou seja, este método requer duas
x∗ E B aproximações iniciais, sendo, portanto, um
x
A x1 x0 método iterativo de passo dois.
37 / 47
Algoritmo 2: Método das Secantes

1 Dados: x0 , x1 , f (x ), max, tol
2 inı́cio
3 para k ← 1 até max faça
4 x ← x 0 − (x 0 ∗ f (x 1) − x 1 ∗ f (x 0))/(f (x 1) − f (x 0))
5
6 se |(x − x 1)/x | < tol então
7 imprimir x e sair do laço
8 fim
9
10 x0 ← x1
11 x1 ← x
12 fim
13 fim
38 / 47
Exemplo 25:
Calcular a raiz da equação x 3 − 2x 2 + 2x − 5 = 0, pertencente ao intervalo (2,2.5),

por meio do método da secante.
ª • Método das Secantes: xk +1 =

xk −1 f (xk ) − xk f (xk −1 )
f (xk ) − f (xk −1 )
• Em métodos numéricos, um outro critério de parada muitas vezes
utilizado é o critério do valor da função f (x ). Se este valor for
próximo de zero (ou for inferior a uma precisão), então as iterações
podem ser interrompidas.
39 / 47
Exemplo 25:

Solução:
Aproximações iniciais: x0 = 2 e x1 = 2.5
f (x0 ) = 23 − 2 × 22 + 2 × 2 − 5 = −1.000000
f (x1 ) = 2.53 − 2 × 2.52 + 2 × 2.5 − 5 = 3.125000
x0 f (x1 ) − x1 f (x0 ) 2 × 3.125000 − 2.5 × (−1.000000)
x2 = = = 2.121212
f (x1 ) − f (x0 ) 3.125000 + 1.000000
f (x2 ) = 2.1212123 − 2 × 2.1212122 + 2 × 2.121212 − 5 = −0.212177

40 / 47
Exemplo 25:

Solução:
x1 f (x2 ) − x2 f (x1 ) 2.5 × (−0.212177) − 2.121212 × 3.125000
x3 = = = 2.145295
f (x2 ) − f (x1 ) −0.212177 − 3.125000
f (x3 ) = 2.1452953 − 2 × 2.1452952 + 2 × 2.145295 − 5 = −0.040718

x2 f (x3 ) − x3 f (x2 ) 2.121212 × (−0.040718) − 2.145295 × (−0.212177)
x4 = = = 2.151015
f (x3 ) − f (x2 ) −0.040718 + 0.212177
f (x4 ) = 2.1510153 − 2 × 2.1510152 + 2 × 2.151015 − 5 = 0.000753

41 / 47
Exemplo 25:

Solução:
x3 f (x4 ) − x4 f (x3 ) 2.145295 × 0.000753 − 2.151015 × (−0.040718)
x5 = = = 2.150911
f (x4 ) − f (x3 ) 0.000753 + −0.040718
f (x5 ) = 2.1509112 − 2 × 2.1509112 + 2 × 2.150911 − 5 = −0.000003

Portanto, a raiz com 5 casas decimais corretas é 2.15091.
42 / 47
Exemplo 26:
Calcular a raiz da equação x − e x −2 = 0, localizada no intervalo (0, 1), por meio do

método da secante.
Observação: Solução obtida pelo método de Newton (ver exemplo 23).
k xk δk
0 0.900000 −
1 0.049896 17.037494
2 0.157578 0.683356
3 0.158594 0.006408
4 0.158594 0.000001
43 / 47
Exemplo 26:

Solução:
Aproximações iniciais: x0 = 0 e x1 = 1
f (x0 ) = 0 − e 0−2 = −0.135335
f (x1 ) = 1 − e 1−2 = 0.632121
x0 f (x1 ) − x1 f (x0 ) 0 × 0.632121 − 1 × (−0.135335)
x2 = = = 0.176343
f (x1 ) − f (x0 ) 0.632121 + 0.135335
f (x2 ) = 0.176343 − e 0.176343−2 = 0.014908

44 / 47
Exemplo 26:

Solução:
x1 f (x2 ) − x2 f (x1 ) 1 × 0.014908 − 0.176343 × 0.632121
x3 = = = 0.156448
f (x2 ) − f (x1 ) 0.014908 − 0.632121
f (x3 ) = 0.156448 − e 0.156448−2 = −0.001807

x2 f (x3 ) − x3 f (x2 ) 0.176343 × (−0.001807) − 0.156448 × 0.014908
x4 = = = 0.158598
f (x3 ) − f (x2 ) −0.001807 − 0.014908
f (x4 ) = 0.158598 − e 0.158598−2 = 0.000003

45 / 47
Exemplo 26:

Observe que foram necessárias poucas iterações para atingir a tolerância

J desejada.
Visto que o método das secantes é uma aproximação para o método de
Newton, a velocidade e as condições de convergência do método são pra-
ticamente as mesmas.
46 / 47
Exemplo 26:

Usando os mesmos argumentos que levaram à determinação da fórmula

J de erro para o método de Newton, é possı́vel demonstrar que a ordem de
convergência do método das secantes é dada pela seguinte relação:
00 ∗
f (x )
|ek +1 | = 0 ∗ |ek ||ek −1 |
2f (x )
ou seja, a ordem de convergência do método das secantes não é
quadrática, mas também não é linear.
47 / 47

Método Newton-Raphson para aproximar zeros de funções

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Método Newton-Raphson para aproximar zeros de funções

Enviado por

Direitos autorais:

Formatos disponíveis

Cálculo Numérico

Universidade Federal de São Paulo

Existem diversas maneiras de deduzir o método de Newton-Raphson. Uma

O método de Newton combina duas idéias comuns nas aproximações numéricas:

O método de Newton combina duas idéias comuns nas aproximações numéricas:

• Na linearização, procuramos substituir (em uma certa vizinhança) um

• Um processo iterativo consiste na repetição sistemática de um

No caso do método de Newton, a linearização consiste na substituição de

Seja x0 uma aproximação inicial da raiz,

2. Método Newton-Raphson (ou Método das tangentes)

Truncando a série de Taylor no termo de primeira

2. Método Newton-Raphson (ou Método das tangentes)

f (x0 ) Disso resulta que:

2. Método Newton-Raphson (ou Método das tangentes)

Algoritmo 1: Método de Newton

Use o método de Newton para aproximar um zero de f (x ) = x 2 +ln(x ), com  = 0.01

Observação: Solução obtida pelo método da bissecção (ver exemplo 21). Os

k ak bk xk f (ak ) f (bk ) f (xk ) tol

0 0.00000 1.00000 0.50000 −

2. Método Newton-Raphson (ou Método das tangentes)

Use o método de Newton para aproximar um zero de f (x ) = x 2 +ln(x ), com  = 0.01

Use o método de Newton para aproximar um zero de f (x ) = x 2 +ln(x ), com  = 0.01

x02 + ln(x0 ) 12 + ln(1)

Use o método de Newton para aproximar um zero de f (x ) = x 2 +ln(x ), com  = 0.01

x12 + ln(x1 ) 0.66666672 + ln(0.6666667)

Use o método de Newton para aproximar um zero de f (x ) = x 2 +ln(x ), com  = 0.01

x22 + ln(x2 ) 0.65290932 + ln(0.6529093)

Use o método de Newton para aproximar um zero de f (x ) = x 2 +ln(x ), com  = 0.01

Observe que o método de Newton con-

A ordem de convergência de um método iterativo mede a velocidade com

Ordem de convergência: definição

2.1. Ordem de convergência

problema) e seja ek = xk − x̄ o erro na iteração k . Se

• A constante c afeta a velocidade de convergência, mas não é tão

2. Método Newton-Raphson (ou Método das tangentes)

2.1. Ordem de convergência

Portanto, o método de Newton tem convergência quadrática. Isso significa

2.1. Ordem de convergência

Pela expressão anterior, se identificarmos um majorante para a deri-

2.1. Ordem de convergência

• O teorema abaixo enumera um conjunto de condições que, uma vez

Condições necessárias para a convergência do método de Newton

Seja f uma função real definida no intervalo I = [a, b]. Se

Calcular a raiz da equação x − e x −2 = 0, localizada no intervalo (0, 1), com 5

ª • Aproximação com n algarismos significativos corretos:

2. Método Newton-Raphson (ou Método das tangentes)

Calcular a raiz da equação x − e x −2 = 0, localizada no intervalo (0, 1), com 5

2. Método Newton-Raphson (ou Método das tangentes)

Calcular a raiz da equação x − e x −2 = 0, localizada no intervalo (0, 1), com 5

2. Método Newton-Raphson (ou Método das tangentes)

Calcular a raiz da equação x − e x −2 = 0, localizada no intervalo (0, 1), com 5

Sequência de soluções aproximadas (x0 = 0.9):

2. Método Newton-Raphson (ou Método das tangentes)

Calcular a raiz da equação x − e x −2 = 0, localizada no intervalo (0, 1), com 5

Sequência de soluções aproximadas (x0 = 0.9):

2. Método Newton-Raphson (ou Método das tangentes)

Calcular a raiz da equação x − e x −2 = 0, localizada no intervalo (0, 1), com 5

Sequência de soluções aproximadas (x0 = 0.9):

Calcular a raiz da equação x − e x −2 = 0, localizada no intervalo (0, 1), com 5

Sequência de soluções aproximadas (x0 = 0.9):

Portanto, a raiz com 5 casas decimais corretas é 0.15859

Calcular a raiz positiva da função f (x ) = cos(x ) − x 2 , com precisão 10−4 . Usar o

Calcular a raiz positiva da função f (x ) = cos(x ) − x 2 , com precisão 10−4 . Usar o

Use o método de Newton para aproximar um zero de f (x ) = x 2 +ln(x ), com = 0.01

Use o método de Newton para aproximar um zero de f (x ) = x 2 +ln(x ), com = 0.01

Use o método de Newton para aproximar um zero de f (x ) = x 2 +ln(x ), com = 0.01

Use o método de Newton para aproximar um zero de f (x ) = x 2 +ln(x ), com = 0.01

Use o método de Newton para aproximar um zero de f (x ) = x 2 +ln(x ), com = 0.01

Use o método de Newton para aproximar um zero de f (x ) = x 2 +ln(x ), com = 0.01