Algoritmia

Ricardo Baeza Yates,

Dpto. de Cs. de la Computación, Univ. de Chile
rbaeza@dcc.uchile.cl , www.baeza.cl

Introducción

Algoritmo, según la Real Academia, es un conjunto ordenado y finito de operaciones que permite
encontrar la solución a un problema cualquiera. Ejemplos sencillos de algoritmos son una receta de
cocina o las instrucciones para armar una bicicleta. Los primeros algoritmos registrados datan de
Babilonia, originados en las matemáticas como un método para resolver un problema usando una
secuencia de cálculos más simples. Esta palabra tiene su origen en el nombre de un famoso
matemático y erudito árabe del siglo IX, Al-Khorezmi, a quien también le debemos las palabras
guarismo y álgebra (ver anexo). Actualmente algoritmo se usa para denominar a la secuencia de
pasos a seguir para resolver un problema usando un computador (ordenador). Por esta razón, la
algoritmia o ciencia de los algoritmos, es uno de los pilares de la informática (ciencia de la
computación en inglés).

En este artículo veremos distintos tipos de algoritmos y distintas técnicas para resolver problemas a
través de varios ejemplos, muchos de ellos no computacionales. Todos los ejemplos resuelven
variantes de un problema genérico: la búsqueda de información, un dilema que tenemos a diario. El
objetivo final será encontrar el algoritmo que utilice menos operaciones o gaste menos recursos,
dependiendo del caso.

Diseño y Análisis de Algoritmos

El desarrollo de un algoritmo tiene varias etapas (ver figura). Primero se modela el problema que se
necesita resolver, a continuación se diseña la solución, luego ésta se analiza para determinar su
grado de corrección y eficiencia, y finalmente se traduce a instrucciones de un lenguaje de
programación que un computador entenderá. El modelo especifica todos los supuestos acerca de los
datos de entrada y de la capacidad computacional del algoritmo. El diseño se basa en distintos
métodos de resolución de problemas, muchos de los cuales serán presentados más adelante. Para el
análisis de un algoritmo debemos estudiar cuántas operaciones se realizan para resolver un
problema. Si tenemos un problema x diremos que el algoritmo realiza A(x) operaciones (costo del
algoritmo). Al valor máximo de A(x) se le denomina el peor caso y al mínimo el mejor caso. En la
práctica, interesa el peor caso, pues representa una cota superior al costo del algoritmo. Sin
embargo, en muchos problemas esto ocurre con poca frecuencia o sólo existe en teoría. Entonces se
estudia el promedio de A(x), para lo cual es necesario definir la probabilidad de que ocurra cada x,
p(x), y calcular la suma ponderada de p(x) por A(x). Aunque esta medida es mucho más realista,
muchas veces es difícil de calcular y otras ni siquiera podemos definir p(x) porque no conocemos
bien la realidad o es muy difícil de modelar. Si podemos demostrar que no existe un algoritmo que
realice menos operaciones para resolver un problema, se dice que el algoritmo es óptimo, ya sea en
el peor caso o en el caso promedio, dependiendo del modelo. Por esta razón, el análisis realimenta
al diseño, para mejorar el algoritmo.
Problema Modelo Diseño Análisis Programación

Datos: x, p(x) Algoritmo Costo: A(x) Programa

Búsqueda Secuencial

Veamos un primer ejemplo. Supongamos que hemos comprado el número x de una rifa en que se
sortean n premios. El día del sorteo estamos presentes mientras se escogen los números ganadores.
¿Cuánto tiempo esperaremos para saber si hemos ganado algún premio? Analicemos el modelo.
Podemos decir que el tiempo es proporcional a cada número premiado, así que nuestra operación
básica será comparar x con cada número premiado. Enumeraremos la secuencia de números
premiados de 1 a n y usaremos la notación número(j) para el j-ésimo número premiado. El diseño
de la solución es inmediato: comparamos x con cada número premiado hasta que ganamos o no
quedan más números. Veamos el análisis del peor caso: compararemos n veces, ya sea cuando
ganamos con el último número o si el sorteo termina y no obtenemos ningún premio. Esto no es
muy realista, pues si x es un número premiado, terminaremos antes. Para el caso promedio,
supongamos que ganaremos un premio (esto no siempre es cierto pero simplifica los cálculos) y
que la probabilidad de que x sea premiado es la misma para cada número, es decir p(x) = 1/n es la
probabilidad de que x sea igual a número(j) para cualquier j. Por lo tanto, con probabilidad 1/n
compararemos j números, para cualquier j. Luego tenemos la suma de j/n desde j igual 1 hasta n,
que es igual a (n+1)/2, aproximadamente la mitad de los números, lo que debiera coincidir con
nuestra intuición. Este algoritmo se dice que es en línea (on-line) porque los datos (números) no se
conocen de antemano, lo que es frecuente en la realidad. En el modelo usado este algoritmo es
óptimo en el peor caso, pues siempre podemos no obtener un premio y realizar n comparaciones.
Este algoritmo se llama búsqueda secuencial y lo presentamos en pseudo-código de programación
a continuación:

Algoritmo: Búsqueda secuencial de x

Desde j ← 1 hasta n repetir {
Si x = número(j) entonces { Ganamos }
}
Perdemos

Buscando un número

El ejemplo anterior es una simplificación del problema de buscar un número x en un conjunto de n

números distintos. ¿Se puede hacer mejor? Sí. La idea es organizar los n números de manera que
se agilice la búsqueda. La solución es ordenar los números, tal como en una guía o directorio
telefónico, donde los nombres están ordenados alfabéticamente. Por supuesto ordenar estos números
tiene un costo, pero la idea es que este costo se amortiza mediante muchas búsquedas. Si todos los
datos son conocidos al comienzo, como en este caso, se dice que el algoritmo es fuera de línea (off-
line). De lo contrario no podríamos ordenarlos ni tampoco acceder directamente a un número
cualquiera. En este caso usaremos número(j) para denotar el j-ésimo número en el conjunto
ordenado. Al estar el conjunto ordenado, tenemos que número(j) < número(j+1) (recordar que no
hay números repetidos). Por lo tanto, si comparamos x con número(j) sabemos que si es mayor sólo
puede estar en una posición k > j. Por lo tanto descartamos una gran cantidad de números. Algo
similar ocurre si x resulta ser menor. Para asegurar que siempre descartamos la misma cantidad de
números escogemos j = n/2 1. Así, siempre eliminamos la mitad de los elementos en cada paso.
Luego seguimos la búsqueda en la mitad correspondiente, hasta que quede sólo un número, el cual
es comparado con x. Este es el método de dividir para reinar o dividir para conquistar, y a este
algoritmo se le llama búsqueda binaria y se presenta a continuación:

Algoritmo: Búsqueda binaria de x (n > 1)

min ← 1; max ← n
Mientras min < max repetir {
j ← (max+min)/2 [ mitad del segmento por revisar
Si x > número(j) entonces {
min ← j+1 [ es mayor
}
sino {
max ← j [ es menor
}
}
Si x = número(min) entonces { Está }
sino { No está }

El análisis de búsqueda binaria no es tan sencillo. En cada paso dividimos el conjunto por dos hasta
que sólo queda un número (min=max). Luego, si dividimos el conjunto k veces, dividiremos el
problema por 2 k . Como queremos que quede sólo un elemento, debemos encontrar k tal que
n/2 k = 1. Es decir n=2 k , lo que implica que k=log 2 (n)2. Entonces comparamos k veces x y luego
vemos si x es igual al número restante. Comparado con la búsqueda secuencial, la mejora es
espectacular. Por ejemplo, si n=2 10 =1024, tenemos que log 2 (n) + 1 = 11 comparaciones en el
peor caso en vez de 1024 que necesitaría la búsqueda secuencial. Este algoritmo tarda lo mismo en
promedio, pues siempre hace el mismo número de comparaciones. Un algorítmico preguntaría: ¿Se
puede hacer mejor?. En el peor caso no. Sin embargo en promedio sí se puede mejorar y es lo que
hacemos todos los días cuando buscamos un número telefónico en la guía. Si estamos buscando
Baeza, no abrimos la guía en la mitad sino que más cerca del comienzo, porque sabemos que las
letras van de la A a la Z. Por lo tanto, si agregamos a nuestro modelo que conocemos el rango de
valores de los números y que ellos están distribuidos de manera uniforme, podemos usar una
interpolación lineal. De manera que si estamos buscando x entre los valores 1 a n y empezamos en
la posición más cercana a x/n en vez de en la mitad. Este algoritmo se llama búsqueda por
interpolación y su análisis es muy difícil. Si la distribución es uniforme, el número de
comparaciones crece de forma proporcional a 2 log 2 ( log 2 (n)) (es decir, dos veces el logaritmo

1 k
Para simplificar supondremos que n es una potencia de 2, es decir, existe un k > 0 tal que n=2 .
2
El logaritmo en base b de un número x, log b (x), es tal que b elevado al logaritmo es igual a x.
del logaritmo). En nuestro ejemplo serían alrededor de 6 comparaciones. La desventaja es que en el
peor caso, podríamos tener que hacer n comparaciones, aunque es muy poco probable. Por estas
razones y el hecho de que su programación es también más complicada, generalmente se usa la
búsqueda binaria. La siguiente figura esquematiza las diferencias entre los tres tipos de búsqueda
descritos indicando la primera comparación:

x< >x x< >x

cualquier orden ordenado ordenado
1 n 1 n/2 n 1 x/n n
Búsqueda secuencial Búsqueda binaria Búsqueda por interpolación

Para comparar dos algoritmos se usa la noción de orden, que indica cual es la relación entre el
número de instrucciones ejecutadas (proporcional al tiempo de ejecución) y el tamaño del problema.
Decimos que un algoritmo es de orden f(n) (denotado por O(f(n)) ) si el tiempo de ejecución es
menor o igual a una constante por f(n), donde n representa el tamaño de los datos. En nuestro
ejemplo de búsqueda, n es el número de elementos a buscar y podemos entonces decir que la
búsqueda secuencial es O(n) (lineal) , la búsqueda binaria es O(log(n)) (logarítmica) y la búsqueda
por interpolación es O(log(log(n))). El siguiente gráfico muestra la diferencia entre estos tres
algoritmos.

f(n)
n

log(n)

log(log(n))

Búsqueda en paralelo

Actualmente los computadores tienen más de un procesador. En otras palabras, pueden realizar
varias operaciones al mismo tiempo. Los algoritmos que aprovechan esta capacidad de
multiprocesamiento se llaman paralelos. Sin embargo, no todos los problemas pueden paralelizarse,
pues en muchos casos hay operaciones que dependen de otras y por lo tanto no pueden realizarse al
mismo tiempo. Podemos citar la búsqueda secuencial, donde los elementos arriban uno a uno y
entonces no podemos procesarlos más rápido. Si tenemos todos los elementos ordenados en
memoria, sí podremos agilizar la búsqueda. Supongamos que tenemos p procesadores y cada uno
conoce el elemento buscado x (consideraremos que la memoria se puede leer en forma concurrente).
Si p ≥ n podremos tener un procesador comparando cada elemento y el que encuentra el elemento
buscado escribe su posición en una variable determinada. Por lo tanto tardaremos un tiempo
constante. Sin embargo, en la práctica, n es mucho más grande que el número de procesadores, y
entonces necesitaremos otro algoritmo. La idea es dividir los elementos en p+1 partes, dejando
fuera p elementos que dividen las partes y que llamaremos d(i) (ver figura). El procesador j compara
el elemento buscado x con los elementos d(j-1) y d(j) (el primer y último procesador se preocupan
del caso en que el elemento es menor que d(1) o mayor que d(p), respectivamente). Si uno de ellos
encuentra a x, terminamos. De otro modo, sólo uno de ellos encontrará que x debe estar en uno de
los segmentos definidos. Luego aplicamos el mismo algoritmo en este segmento, hasta que quedan a
lo más p elementos. En ese caso, podemos comparar cada elemento restante con x. Veamos el
análisis. En cada etapa dividimos el problema en p+1 partes, así que en forma análoga a la
búsqueda binaria el tiempo es de O(log p+1 (n)). Debe tenerse en cuenta que si sólo hay un
procesador tenemos logaritmo en base 2, obteniendo, como debía ser, la búsqueda binaria.
d(1) d(2) d(p-1) d(p)

1 2 3 ..... p p+1

El uso del mismo algoritmo como parte de sí mismo se llama recursividad. Esta técnica permite
simplificar el diseño y la exposición de muchos algoritmos, como veremos en otros ejemplos.

Un juego de números

Considere el siguiente juego entre dos personas: una de ellas piensa un número entero positivo
cualquiera y lo escribe en un papel; y la otra debe adivinar este número preguntando si es mayor,
igual o menor a otro número. El juego termina cuando se adivina el número y el objetivo es realizar
el menor número posible de preguntas. Este juego es similar al de buscar un número (ver secciones
anteriores), pero en un rango no acotado, pues el valor del número es arbitrario. Si conociéramos
un número mayor al que queremos adivinar, podríamos luego usar búsqueda binaria para
encontrarlo. Para hallar un número mayor al que queremos adivinar, podemos ir preguntando por
un número cada vez más grande. Hay muchas formas de hacer esto, pero si avanzamos lentamente
tardaremos mucho y si avanzamos muy rápido, sobre estimaremos demasiado su valor. La mejor
manera es ir doblando el número cada vez. Supongamos que preguntamos si es menor que 1, 2, 4, 8,
etc. Existirá un valor m tal que el número es mayor que 2 m y menor que 2 m+1 (si es que no es igual
a uno de ellos), el cual, encontraremos después de hacer m+1 preguntas. Luego podemos usar
búsqueda binaria entre esos dos valores para adivinar el número (ver figura). Como hay 2 m
números entre 2 m y 2 m+1 , necesitamos log 2 (2 m ) = m preguntas. En total son 2m+1 preguntas.
Notar que si n es el número adivinado, m es aproximadamente log 2 (n) y entonces necesitamos 2
log 2 (n) preguntas, lo que es sólo el doble de búsqueda binaria, pese a que el rango de búsqueda es
infinito.

1 2 4 8 2m 2 m+1

Búsqueda binaria
El número de comparaciones se puede mejorar a log 2 (n) preguntas más términos de menor orden
usando la misma idea para buscar m aplicada en forma recursiva (es decir, sobre sí misma). Esta
mejora queda como ejercicio para el lector.

Búsqueda con recursos acotados

En todos los ejemplos anteriores hemos supuesto que podemos preguntar un número ilimitado de
veces. Sin embargo, no siempre esto es cierto, pues cada pregunta puede usar un recurso que es
finito. Consideremos el siguiente problema ficticio. Una empresa necesita comprobar la resistencia
de un nuevo tipo de ladrillos. Uno de los experimentos consiste en encontrar la altura máxima desde
la cual se puede dejar caer un ladrillo sin que éste se rompa, realizando una serie de pruebas. Para
ello se utiliza un edificio de n pisos. Sin embargo, sólo se tienen k de los ladrillos nuevos y
queremos minimizar el número de pruebas. Esto significa que no podemos quebrar todos los
ladrillos antes de encontrar la altura máxima. La primera tentación sería usar búsqueda binaria. De
esta manera, tiramos un ladrillo desde la mitad del edificio, si se quiebra repetimos lo mismo en la
mitad inferior, y sino seguimos en la mitad superior. En el peor caso, el ladrillo se quiebra y sólo
nos quedarán k-1 ladrillos. Si k es menor que log 2 (n) (el peor caso de búsqueda binaria),
quebraremos todos los ladrillos antes de encontrar la altura máxima. Por lo tanto este algoritmo sólo
es útil cuando k es mayor o igual a log 2 (n). Si tan sólo hubiera un ladrillo, la única alternativa es
usar búsqueda secuencial. Esto implica que debemos probar el piso 1, 2, 3, ... hasta encontrar el
primer piso del cual se quiebra el ladrillo. Si tenemos 2 ladrillos, debemos tratar de balancear el
trabajo de ambos ladrillos. Para esto, podemos dividir el edificio en p partes, cada parte con n/p
pisos. Comenzamos tirando el primer ladrillo desde el piso n/p, luego 2n/p, 3n/p, hasta que se
quiebra el ladrillo. En ese momento, usamos el segundo ladrillo en los n/p pisos que quedan entre el
piso en que se quebró el primer ladrillo y el anterior en que no se quebró (ver figura).

n
. ladrillo 2
.
.
Edificio 2n/p

n/p ladrillo 1

En el peor caso, el primer ladrillo se rompe en el último piso, luego de ser tirado p veces. De igual
modo, en el peor caso, el segundo se romperá en el último de los n/p pisos que se están verificando.
En total, n/p + p pruebas. El valor mínimo de esta expresión se obtiene cuando n/p = p, lo que
implica p = n . Luego el número total de pruebas es 2 n . Si tenemos más ladrillos, podemos
usar esta misma idea en forma recursiva. Es decir, cuando nos quedan n/p pisos, dividimos en p
partes y usamos la misma idea, hasta que sólo nos queda un ladrillo, el cual deberá ser usado en
forma secuencial. Si tenemos k ladrillos, en el peor caso cada uno de los k-1 ladrillos será usado p
veces. El último será usado en un segmento con n/p k −1 pisos (porque dividimos k-1 veces en p
partes). El total es (k-1)p + n/p k −1 . Nuevamente el mínimo se obtiene cuando cada ladrillo realiza
el mismo número de pruebas. Esto implica que p = n/p k −1 , o p = k n (raíz k-ésima de n). En total
k k n pruebas. El lector puede comprobar que cuando k es logarítmico, esta expresión coincide con
búsqueda binaria. Esta técnica se conoce como división balanceada del trabajo.

Búsqueda sin información

En la realidad no sólo tenemos recursos finitos, sino que también desconocemos parcial o
totalmente el contexto del problema. Por ejemplo, supongamos que estamos perdidos en el desierto
y de pronto encontramos una carretera completamente recta. ¿Cómo encontramos el lugar habitado
más cercano? El objetivo será minimizar la distancia que tenemos que caminar y lo que no
conocemos es la dirección del lugar habitado. Para abstraer este problema, podemos pensar que
queremos encontrar un número entero desconocido que puede ser negativo o positivo comenzando
en el origen (el cero) y usando como función de costo la distancia que tenemos que recorrer. Para
encontrar ese número, debemos progresar tanto en los números positivos como en los negativos,
debiendo volver cada vez sobre nuestros pasos para explorar la dirección contraria. Este es otro
ejemplo de algoritmo en línea, donde a medida que vamos avanzando, obtenemos información. Para
comparar algoritmos de este tipo se usa una medida llamada competitividad que se define como el
costo del algoritmo sobre el costo óptimo que considera que toda la información del problema es
conocida desde el principio. En nuestro ejemplo, la competitividad sería la distancia recorrida con
respecto a la distancia directa desde el origen en donde se encontraba el número. Aunque la
secuencia óptima de pasos tiene una forma muy simple, demostrar que minimiza la competitividad
no es trivial. Primero avanzamos 1 a la derecha y volvemos al punto de partida, luego 2 a la
izquierda y luego al punto de partida, después 4 a la derecha, etc. En otras palabras, potencias de 2
a partir del origen, alternando la dirección. El peor caso se obtiene cuando llegamos a un número
antes del buscado, cambiamos de dirección alejándonos casi dos veces más lejos hacia el otro lado,
para luego encontrar el número a la vuelta (ver figura). Un simple cálculo muestra que la
competitividad es 9. Esto significa que debemos caminar 9 veces más que la distancia real por no
saber la dirección.

Este problema se puede extender a dos o más dimensiones. Como en el caso de un plano en que
podríamos querer encontrar una recta (un camino en un desierto). Si la distancia es conocida, el
problema es más simple, pero no trivial. En este caso la solución consiste en encontrar una tangente
cualquiera a un círculo que tiene por radio la distancia dada. Así habrá de hacerse si queremos
encontrar un camino que sabemos está a un kilómetro en un bosque muy denso o en la selva. Es
posible demostrar que la competitividad es aproximadamente 6.39. La solución inmediata es
caminar un kilómetro en cualquier dirección y luego seguir un círculo imaginario de ese radio hasta
encontrar el camino, que en el peor de los casos se encontrará casi al final del círculo. La distancia
recorrida será un kilómetro más el perímetro del círculo dando un total aproximado de 7.28. Para
lograr este resultado debemos caminar fuera del círculo, aunque parezca poco intuitivo, pues así
cubrimos ambos lados del círculo imaginario. Luego volvemos al círculo usando una tangente al
mismo cuando el ángulo entre ésta y la recta que hemos escogido es 60°. Continuamos por el
perímetro del círculo hasta tomar una tangente perpendicular a la peor ubicación posible del
camino, pues el camino más corto hasta una recta es una perpendicular a ella (ver figura al
comienzo de la próxima página).

Cuando no conocemos la distancia, podemos usar una espiral logarítmica para encontrar la recta,
logrando una competitividad de 13.81. Esta es una solución que se conjetura como óptima, pero
que no ha podido ser demostrada.
 Peor posición
del camino

Solución trivial Solución óptima

Epílogo

En la práctica los problemas reales son más complejos que los que hemos descrito aquí. Sin
embargo, tienen un poco de cada caso: recursos acotados, información incompleta, etc. Cabe
mencionar que otra técnica útil para resolver un problema es usar el azar. Así, muchos algoritmos
funcionan mejor si los datos de entrada tiene una cierta distribución de probabilidades. Luego, el
primer paso podría ser aleatorizar los datos de modo que tengan la distribución deseada. Otras
veces, podemos tomar decisiones aleatorias. Apliquemos esta idea a búsqueda secuencial. Ya
sabemos que si un número esta en un conjunto de números, en el peor caso se deben hacer n
comparaciones si hay n números. Sin embargo, si al comienzo de una búsqueda secuencial tiramos
una moneda y de acuerdo a su valor buscamos de izquierda a derecha o de derecha a izquierda en
los números, el peor caso será distinto, pues ahora tenemos dos algoritmos. Supongamos que el
elemento buscado está en la posición j. Con probabilidad ½ lo encontraremos usando j
comparaciones. Si no, si buscamos de derecha a izquierda usaremos n-j+1 comparaciones. En total:
j/2 + (n-j+1)/2 = (n+1)/2. Lo que implica que el peor caso promedio entre los dos algoritmos es
(n+1)/2. En otras palabras, la peor situación se produce cuando el elemento está en el medio y
ambos algoritmos necesitan el mismo trabajo.

Existen otras técnicas más avanzadas para resolver problemas, pero hemos presentado las más
importantes. Si alguien desea profundizar en el tema, existen muchos libros de texto acerca de
algoritmos y estructuras de datos que permiten almacenar y recuperar información. Hemos
clasificado los algoritmos sobre la base del método que usan: secuenciales, paralelos, aleatorios, etc.
Otros algoritmos no dan siempre respuestas exactas o se equivocan con probabilidad muy baja. Otra
forma de clasificar algoritmos es basándose en los problemas que resuelven, como los algoritmos
para buscar palabras, numéricos, geométricos, asociados a la biología (por ejemplo encontrar dos
secuencias de ADN similares), etc. En el futuro se inventarán nuevos tipos de algoritmos y
aparecerán nuevas aplicaciones. También se pueden clasificar los problemas. Todos los problemas
mencionados son resueltos en tiempo polinomial. Hay una clase de problemas más difíciles para los
cuales no se conocen soluciones polinomiales. Un ejemplo clásico es el problema del vendedor
viajero, que consiste en encontrar un camino que recorre todas las ciudades que debe visitar,
volviendo a la inicial, sin pasar más de una vez por la misma ciudad. Finalmente, hay problemas
que no tienen solución.

Nuestra intención principal ha sido entregar al lector la riqueza y belleza de las técnicas de
resolución de problemas que existen. Muchas veces es más elegante y barato mejorar un algoritmo
que comprar un computador más rápido. Los dilemas algorítmicos están presentes en todas las
actividades humanas y resolverlos en forma rápida y eficiente puede ser un desafío entretenido si
gustamos de la lógica y las matemáticas.

BIBLIOGRAFIA COMPLEMENTARIA

SEARCHING: AN ALGORITHMIC TOUR. R. Baeza-Yates, en Encyclopedia of Computer Science and

Technology 37, dirigido por Allen Kent y James G. Williams. Marcel Dekker, Inc., 1997.
ALGORITHMICS: THEORY AND PRACTICE. G. Brassard y P. Bratley. Prentice-Hall, 1988, (segunda
edición), 1995.
INTRODUCTION TO ALGORITHMS. T. Cormen, C. Leiserson y R. Rivest, MIT Press, 1991.
HANDBOOK OF ALGORITHMS AND DATA STRUCTURES. G. Gonnet y R. Baeza-Yates. Addison-
Wesley, (segunda edición), 1991.
THEORY AND PRACTICE. D. Knuth, en Theoretical Computer Science, vol. 90, 1991.
INTRODUCTION TO ALGORITHMS: A CREATIVE APPROACH. U. Manber, Addison-Wesley, 1989.
COMPARED TO WHAT? AN INTRODUCTION TO ANALYSIS OF ALGORITHMS. G. Rawlins, Computer
Science Press, 1991.
Anexo: Al-Khorezmi

Muhammad ibn Musa abu Djafar Al-Khorezmi nació alrededor del 780 DC en Khorezm, al sur del
Mar de Aral (hoy Khiva, Uzbekistán), que había sido conquistado 70 años antes por los árabes. Su
nombre ya dice mucho, pues significa “Mohamed, hijo de Moisés, padre de Jafar, el de Khorezm”.
Su fama debió ser muy grande para que todo el mundo lo conociera por su lugar de origen (en el
caso de los griegos se anteponía un nombre, por ejemplo, Tales de Mileto). Hacia el 820, Al-
Khorezmi fue llamado a Bagdad por el califa abasida Al-Mamun, segundo hijo de Harun ar-Rashid,
por todos conocido gracias a las “Mil y una Noches”. Al-Mamun continuó el enriquecimiento de la
ciencia árabe y de la Academia de Ciencias (llamada la Casa de la Sabiduría) creada por su padre, la
cual traería importantes consecuencias en el desarrollo de la ciencia en Europa, principalmente a
través de España. Poco se sabe de su vida, pero realizó viajes a Afganistán, el sur de Rusia y
Bizancio (hoy Turquía). Falleció en Bagdad hacia el 850 DC.

La mayoría de sus diez obras son conocidas en forma indirecta o por traducciones hechas más tarde
al latín. De un par de ellas sólo se conoce el título. Al-Khorezmi fue un recopilador del
conocimiento de los griegos y de la India, principalmente matemáticas, pero también astronomía,
astrología, geografía e historia. Su trabajo más conocido y usado fueron sus Tablas Astronómicas,
basadas en la astronomía india. Incluyen algoritmos para calcular fechas y las primeras tablas
conocidas de las funciones trigonométricas seno y cotangente. Lo más increíble es que no usó los
números negativos (que aún no se conocían), ni el sistema decimal ni fracciones, aunque sí el
concepto del cero. Su Aritmética, traducida al latín como “Algorithmi de numero Indorum”
introduce el sistema numérico de la India (sólo conocido por los árabes unos 50 años antes) y los
algoritmos para calcular con él. Finalmente tenemos el Algebra, una introducción compacta al
cálculo, usando reglas para completar y reducir ecuaciones. Además de sistematizar la resolución de
ecuaciones cuadráticas, también trata de geometría, cálculos comerciales y de herencias. Quizás éste
es el libro árabe más antiguo conocido y parte de su título “Kitab al-jabr wa’l-muqabala” da origen
a la palabra álgebra. Aunque los historiadores no se han puesto de acuerdo en la mejor traducción
del título, éste significa “El libro de restaurar e igualar” o “El arte de resolver ecuaciones”.

El trabajo de Al-Khorezmi permitió preservar y difundir el conocimiento de indios y griegos (con la

notable excepción del trabajo de Diofanto), pilares de nuestra civilización. Rescató de los griegos la
rigurosidad y de los indios la simplicidad (sustituye una larga demostración, por un diagrama junto
a la palabra “Mira!”). Sus libros son intuitivos y prácticos y su principal contribución fue
simplificar las matemáticas a un nivel entendible por no expertos. En particular muestran las
ventajas de usar el sistema decimal indio, un atrevimiento para su época, dado lo tradicional de la
cultura árabe. La exposición clara de cómo calcular de una manera sistemática a través de
algoritmos diseñados para ser usados con algún tipo de dispositivo mecánico similar a un ábaco,
más que con lápiz y papel, muestra la intuición y el poder de abstracción de Al-Khorezmi. Hasta se
preocupaba de reducir el número de operaciones necesarias en cada cálculo. Por esta razón, aunque
no haya sido él el inventor del primer algoritmo, merece que este concepto se encuentre asociado a
su nombre. Al-Khorezmi fue sin duda el primer pensador algorítmico.