Equações Não Lineares

Aula 6 - Sistemas de Equações Não Lineares

- Método de Newton -
Versão 1.2

março-2023

Sumário

Sistemas de Equações Não lineares

Exemplo
Caso geral
Ideia para método iterativo (caso n-dimensional)
Método de Newton
Algoritmo do método de Newton
Exemplo de aplicação do método de Newton
Convergência do método de Newton
Exercício
Anexo
Exemplo
Pretende-se determinar x = (x , x )T tal que
1 2

x +x −4=0
2 2


x x −1=0
1 2 .
1 2

Indique:
(a) n.º de equações do sistema;
(b) n.º de incógnitas do sistema;
(c) n.º de soluções do sistema (ver Figuras).

Exemplo - Curvas de nível

-4 -2 2 4

-2

-4
Caso geral

Um sistema de equações não lineares com n equações e n

incógnitas pode ser escrito na forma
f (x , x , . . . , x ) = 0

 f (x , x , . . . , x ) = 0

 1 1 2 n

..

2 1 2 n

f (x , x , . . . , x ) = 0




n 1 2 n

onde f : R → R.
i
n

Forma matricial F(x) = 0 onde


x1
 
f1 (x1 , x2 , . . . , xn )
 
0
 0 


x .. Fx .. e 0 =  ..  .
 x2   f2 (x1 , x2 , . . . , xn ) 
= , ( )=
   


0
   
xn fn (x1 , x2 , . . . , xn )

Problema a resolver

Seja F : R → R .
n n

Queremos determinar o vetor xe ∈ R tal que F(ex) = 0.n

O vetor ex diz-se um zero da função F ou uma solução da equação

vetorial F(x) = 0.
Exemplo:

x12 + x22 − = 4 0
x1 x2 − = 1 0 .

Forma matricial
"
f1 (x1 , x2 )
# "
x12 + x22 − 4# "0#
−1 0
= = .
f2 (x1 , x2 ) x1 x2
Observações

▶ Não existe um método geral que permita determinar as

soluções dos sistemas de equações não lineares.
▶ Os sistemas de equações não lineares podem não ter solução
ou ter uma innidade de soluções
ou ter um número nito de soluções (uma ou mais).

Ideia para método iterativo (caso n-dimensional)

F(x) = 0 ⇔ x = G(x)
O vetor ~x que é solução da equação matricial F(x) = 0 designa-se
ponto xo da função G.
Método Iterativo do ponto xo

x = G x , k = 0, 1, 2, . . .
(k+1)
 
(k)

com uma iteração inicial x ∈ R dada.

(0) n
Função iteradora

Exemplos de diferentes escolhas da função iteradora G.

Exemplo 1:
F(x) = 0 ⇔ λF(x) = 0 ⇔ x = x| − {zλF(x})
G(x)

onde λ ̸= 0 é uma constante.

Exemplo 2:
F(x) = 0 ⇔ A(x)F(x) = 0 ⇔ x = x| − A({zx)F(x})
G(x)

onde A(x) é uma matriz n × n, não singular no ponto xo ~x de G,

cujos elementos são funções de R em R. n

Observação: No método de Newton, A(x) é a matriz inversa da matriz

Jacobiana da função vetorial F.

Algoritmo do método de Newton

Algoritmo do método de Newton

x x − J x F(x ), k = 0, 1, . . . (1)
−1
(k+1)

(k) (k) (k)
= F

x escolhido sucientemente próximo da solução

(0)

A matriz Jacobiana da função F : R → R , J (x), é dada por

n n
F

(x) (x) · · · (x)

 ∂f1 ∂f1
 ∂f1
∂x1 ∂x2 ∂xn

(x) (x) · · · (x) 

 
 
 ∂f2 ∂f2  ∂f2

J (x) = 
 ∂x1 ∂x2 ∂xn

. . . .
 

.
.
.
F
. . .
 
 
 
 
(x) (x) · · · (x)
 
∂fn ∂fn ∂fn
∂x1 ∂x2 ∂xn
Algoritmo do método de Newton (alternativo)

Como
x x x F(x
−1
(k+1)

(k) (k) (k)
= − JF )⇔

x x −x x x F(x
  −1
(k+1)
   
(k) (k) (k) (k) (k)
⇔ JF = − JF JF ),
| {z }
=In

para evitar o cálculo da matriz inversa da matriz Jacobiana,

implementa-se o método de Newton usando
J x x − x = −F(x ), k = 0, 1, . . . (2)
 
(k+1)

(k) (k) (k)
F

que corresponde a efetuar os cálculos de cada iteração k + 1 em

dois passos.

Algoritmo do método de Newton alternativo - etapas

x x x Fx 01
 
(k+1)

(k) (k) (k)
JF − =− ( ), k = , ,...
| {z }
y

Passo 1: Determina-se um vetor y que satisfaz o sistema linear

J x y = −F(x ).
 
(k) (k)
F

Passo 2: Obtém-se a nova aproximação x adicionando y ao (k+1)

valor da iteração anterior x : (k)

x = x + y. (k+1) (k)
Exercício TPC

Mostrar que as soluções exatas do sistema

x +x =4 2 2


x x −1=0
1
. 2
1 2

são
 x = ± 2 − 3 = ±0.51763809
 p √
1
= ± 2 + 3 = ±1.93185165
1
p
1
√
 x = = √
2 x1 √
± 2− 3

e
 x = ± 2 + 3 = ±1.93185165
 p √
1
= ± 2 − 3 = ±0.51763809
1
p
1
√ .
 x = = √
2 x1 √
± 2+ 3

Exemplo

Determine aproximações de uma das soluções do sistema não linear

x +x =4 2 2


x x −1=0
.1 2
1 2

calculando duas iterações do método de Newton partindo de

x = (2, 0) .
(0) T

Resolução

f1 (x1 , x2 )
 
x12 + x22 − 4
F(x) =  = 
1

f2 (x1 , x2 ) x1 x2 −
 ∂f1 ∂f1  
2x 2x 

x ∂x1 ∂x2 1 2
J( ) =  =  
∂f2 ∂f2 x2 x1
∂x1 ∂x2
1.ª iteração - passo 1
x (1) =? x
(0) = ( , )T 20 ;

x12 + x22 − 4 
2x 2x 

Fx e x
1 2
( )= J( ) =  .
1

x1 x2 − x2 x1

Passo 1: Resolver o sistema linear

J(x ) y = −F(x
(0) (0)
)

4 0y   0 

1
 = −
0 2 y −1
   
2

4y = 0 ⇔  y = 0
2y = 1
1 1
1
2y = 2 2

Portanto, y = 0,
.1 T
2

1.ª iteração - passo 2 e estimativa do erro

Passo 2: Actualizar x : (0)

x =x +y (1) (0)

2
  
0 2
x =   +   =  .
(1)

0 1
2
1
2

2 + 3 2 √ 
 p  

Erro = ∥~
x − x ∥ =  p √  −  
(1)
2
2 − 3
1
2 2

(1.93185165 − 2) + (0.51763809 − 0.5)

q
≈ 2 2

= 0.07039389.
Estimativa do erro = ∥x(1) − x(0) ∥2 = 0.5
2.ª iteração - passo 1
x (2) =? (1) =

x 2 1
2



x12 + x22 − 4 
2x 2x 

F(x) =  e x
1 2
J( ) =  .
1

x1 x2 − x 2 x1

Passo 1: Resolver o sistema linear

J(x ) y = −F(x ) (1) (1)


4 1y    1
1
4
 = −
2 y 0
   
1
2 2

4y + y = − ⇔  y = − 1 1

y + 2y = 0
1 2 4 1 15
1 1
2 1 2 y = 2 60

Portanto, y = − ,
. 1 1 T
15 60

2.ª iteração - passo 2 e estimativa do erro

Passo 2: Atualizar x : (1)

x(2)
x
= (1) + y

2  1
− 15
  29 
1.93333333 


x(1)
= + =
15
≈ .
1
2
1
60
31
60 0.51666666
2 + 3
√  29
 p  

Erro = ∥ −~x x ∥ = (2)

2

−
  15

2− 3

√
 p
31
60
0.00177174.
2
≈

Estimativa do erro = ∥x(2) − x(1) ∥2 = Completar!

Tabela de resultados

Para mais informações sobre a norma innito consultar o Anexo.

k x (k)
∥x (k)
− x (k−1)
∥∞

0 20
( , )T 
1 (2, 0.5) T
0.5
2 (1.93333333333333, 0.51666666666667)T
0.066666666666667
3 (1.93185274109644, 0.517637054821929)T
0.001480592236895
4 (1.93185165257893, 0.517638090204244)T
1.088517504E − 006
5 (1.93185165257814, 0.517638090205042)T
7.979695663E − 013

Convergência do método de Newton

Teorema
Suponhamos que o sistema não linear F(x) = 0 tem uma raiz
~x e que em alguma vizinhança (aberta) V de ~x, onde F está
denida e é contínua, todas as segundas derivadas de F tam-
bém estão denidas e são contínuas. Suponhamos ainda que
a matriz Jacobiana J (~x) é não singular.
F

Então a sucessão (x ) denida pelo método de Newton, con-

(k)

verge para a solução ~x, desde que a aproximação inicial x (0)

esteja sucientemente perto de ~x.

Além disso, a convergência da sucessão (x ) para ~x é pelo
(k)

menos quadrática.
Exercício
Resolva o sistema 
3x − y = 0
2 2

3xy − x − 1 = 0
2 2

usando o método de Newton, partindo de x = (1, 1) , e

(0) T

determine estimativas do erro absoluto em cada iteração usando a

norma innito.
Solução:

-2 2 4

-2

-4

Exercício - Solução

k x(k) ∥ x
(k) − x(k−1) ∥
∞

0 11
( , )T 
1 (0.63157894737, 0.89473684211) T 0.36842105263
2 (0.52717457981, 0.89500746931) T 0.10440436756
3 (0.52077182793, 0.90196189980) T 0.0069544304921
4 (0.52078583387, 0.90202752618) T 6.5626378135E − 005
5 (0.52078583296, 0.90202752255) T 3.6321742810E − 009
Normas vetoriais

Seja x = x , x , . . . , x
∈ R .
1 2 n
n

▶ Norma 2 (ou norma euclideana): ∥x∥ ;

n
X 1/2
2
2 = xi
i=1

Norma 1: ∥x∥ ;
n
X
▶ 1 = |xi |
i=1

Norma p (com p ≥ 1): ∥x∥ = ;

n
p 1/p
X 
▶ p xi
i=1
▶ Norma innito: ∥x∥ = max ∞ |xi | .
i=∈{1,2,...,n}

Vetor de erros, erro absoluto e erro relativo

Seja x ∈ R um vetor e x um vetor de valores aproximando os

n

valores de x.
▶ Vetor de erros: e = x − x;
▶ Erro absoluto: ∆ = ∥x − x∥;
x
∥x − x∥
▶ Erro relativo: δ = .
∥x∥
x

(NOTA: ∥ · ∥ representa uma norma vetorial qualquer. Tipicamente

usa-se a norma 1, a norma 2 ou a norma innito.)