Aplicaciones Numéricas en

Investigación de Operaciones
6

Prof. Gonzalo Müller

gmullerb@mail.com
Postgrado de Investigación de Operaciones
Facultad de Ingeniería
Universidad Central de Venezuela
Clase Anterior

Resolución Numérica de un problema

Métodos Secuenciales ó Directos.

Métodos Iterativos.

Métodos Evolutivos.

Iteración.

Solución Aceptable.

Algebra clásica:

Sucesión, Sumatoria, Productoria.

Evaluación de un Polinomio:

Forma tradicional, Forma factorizada.

polyval.
Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 6 – GM – 2
Clase Anterior

Evaluación de la derivada de un polinomio:

polyder.

Raíces de una ecuación cuadrática.

Raíces de una función:

Bisección.

Secante.

Newton-Raphson.

Búsqueda incremental.

fzero.
Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 6 – GM – 3
Clase Anterior

Raíces de un polinomio:

Laguerre´s.

División sintética de un polinomio.

Regla de Descartes.

roots.

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 6 – GM – 4

Desempeño de un Algoritmo

Algoritmo constituyen una secuencia de pasos que
permiten resolver un problema.

Un algoritmo es totalmente inútil si no es capaz de
resolver en un tiempo finito (tiempo aceptable) el
problema para el que fue diseñado.

Hoy en día se han popularizado debido a la evolución
de las computadoras, lo que permite gran velocidad de
cálculo, y sin ellas sería imposible resolver problemas
reales complejos.

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 6 – GM – 5

Desempeño de un Algoritmo

Factores del Desempeño:

El tiempo dependerá en gran parte del computador
utilizado, es por ello que el desempeño de un
algoritmo generalmente es medido por la cantidad
de operaciones elementales requeridas por éste
en un computador hipotético.

El desempeño se verá afectado por la cantidad de
atributos que deba manejar para resolver el
problema.

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 6 – GM – 6

Desempeño de un Algoritmo

Dado estos factores, al describir el desempeño de un
algoritmo se define un número de n atributos,
variables o entradas y se expresa el desempeño como
el numero de operaciones elementales requeridas en
función de un número de entradas n.

A esto se le conoce como complejidad del
algoritmo.

Normalmente la complejidad se expresa como el
limite superior número de pasos requeridos.

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 6 – GM – 7

Desempeño de un Algoritmo

La función O (de orden) permite expresar la
complejidad de un algoritmo:
Dada dos funciones f(n), f: N→R y g(n), g:N→R
f(n): Número de paso requeridos por el algoritmo.
g(n): Limite superior de la complejidad del algoritmo.
Se dice que el algoritmo tiene complejidad O(g(n))
cuando n → ∞ si existe K > 0 y n0 tal que:
|f(n)| ≤ K |g(n)| ∀n > n0

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 6 – GM – 8

Desempeño de un Algoritmo

K g(n)

f(n)

n0

Ejemplo: Determinar la complejidad de un algoritmo

que requiere n5 – 2 n2 + 2

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 6 – GM – 9

Desempeño de un Algoritmo

K g(n)

f(n)

n0

Ejemplo: Determinar la complejidad de un algoritmo

que requiere n5 – 2 n2 + 2
|n5 – 2 n2 + 2|≤ n5 + 2 n2 + 2 para n0 > 1

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 6 – GM – 10

Desempeño de un Algoritmo

K g(n)

f(n)

n0

Ejemplo: Determinar la complejidad de un algoritmo

que requiere n5 – 2 n2 + 2
|n5 – 2 n2 + 2|≤ n5 + 2 n2 + 2 para n0 > 1
|n5 – 2 n2 + 2|≤ n5 + 2 n5 + 2 n5

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 6 – GM – 11

Desempeño de un Algoritmo

K g(n)

f(n)

n0

Ejemplo: Determinar la complejidad de un algoritmo

que requiere n5 – 2 n2 + 2
|n5 – 2 n2 + 2|≤ n5 + 2 n2 + 2 para n0 > 1
|n5 – 2 n2 + 2|≤ n5 + 2 n5 + 2 n5
|n5 – 2 n2 + 2|≤ 5 n5 → O(n5)
Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 6 – GM – 12
Desempeño de un Algoritmo

Propiedades:

Suma:
O(g(n)+ h(n)) = O(max{g(n),h(n)})

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 6 – GM – 13

Desempeño de un Algoritmo

Propiedades:

Suma:
O(g(n)+ h(n)) = O(max{g(n),h(n)})

Suma una constante:
O(K+g(n)) = O(g(n))

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 6 – GM – 14

Desempeño de un Algoritmo

Propiedades:

Suma:
O(g(n)+ h(n)) = O(max{g(n),h(n)})

Suma una constante:
O(K+g(n)) = O(g(n))

Producto:
O(g(n) * h(n)) = O(g(n) * h(n))

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 6 – GM – 15

Desempeño de un Algoritmo

Propiedades:

Suma:
O(g(n)+ h(n)) = O(max{g(n),h(n)})

Suma una constante:
O(K+g(n)) = O(g(n))

Producto:
O(g(n) * h(n)) = O(g(n) * h(n))

Producto por una constante:
O(K*g(n)) = O(g(n))
Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 6 – GM – 16
Desempeño de un Algoritmo
Ejemplo:
Un algoritmo que requiere 3 bucles anidados donde el
número de operaciones realizadas en cada bucle es
igual al numero de entradas del algoritmo, se dice que
tiene complejidad O(n3):
… n operaciones
V
…
F
V
… O(n3)
F
V
…
F
Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 6 – GM – 17
Desempeño de un Algoritmo
Ejemplo: Determinar la complejidad del algoritmo del
simplex:
1. Se realizan un máximo:
 n  iteraciones
 
m

2. En cada iteración se requiere el producto de una

matriz por un vector:
m * m operaciones

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 6 – GM – 18

Desempeño de un Algoritmo
La complejidad será:

 n  
O  *m*m 
 m  

n m
  ≤ n
m

O(n m *m 2 )
O(n m
)
Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 6 – GM – 19
Desempeño de un Algoritmo

Determinar la complejidad de un
algoritmo es una arte que requiere de
mucha destreza, ingenio y experiencia

La complejidad de un algoritmo
establecerá su utilidad práctica

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 6 – GM – 20

Desempeño de un Algoritmo

Un algoritmo se considera útil si su complejidad es
polinomial con respecto del número de entradas.

Algoritmos de tiempo polinomial:
O(n), O(n3) , O(n2.5), O(n log n)

Algoritmos de tiempo no polinomial:
O(n!), O(2n) , O(nn)
O(n3) es considerado el límite
aceptable para el tiempo polinomial
Generalmente el estudio de algoritmos no polinomiales
es abandonado por los investigadores al surgir
algoritmos polinomiales para el problema el cuestión
Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 6 – GM – 21
Solución de un sistema de ecuaciones
lineales

Ax=c

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 6 – GM – 22

Método Tipo Trunca
Eliminación Gaussiana(n3) Directo No

Resolver:
x = A-1 c

 A 11 A 12 ... A 1n   c1 
A A 2n   
 21  
 ... ...   
  
 A n1 A n2 ... A nn  cn 

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 6 – GM – 23

Eliminación Gaussiana

Fase 1: Triangularización de la matriz A

Obtener 1 en Ae11. Se opera sobre
toda la fila

Obtener 0 en Ae21 ... Aen1.

Repetir el proceso para Aekk . 2 ≤ k ≤ n - 1
k=1
Obtener 1 en Aekk Se opera
sobre toda
Obtener 0 en Ae(k+1)k ... Aenk la fila

k=k+1
Mientras (k ≤ n - 1)

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 6 – GM – 24

Eliminación Gaussiana

Fase 2: Resolución por sustitución

Obtener xn.

Sustituir xn en ecuación n – 1 y obtener xn-1.

Repetir hasta obtener x1.

x n = c' n / Ae' nn
n
x k = c' k − ∑ Ae' kj x j
j = k +1

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 6 – GM – 25

Eliminación Gaussiana

Fase 2:
xn = c’n /Ann
k=n–1
xk = c’k
j=k+1
xk = xk – Akj*xj
j=j+1
Mientras (j ≤ n)
k=k–1
Mientras (k ≥ 1)

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 6 – GM – 26

Eliminación Gaussiana

Pros Contras

Fácil de implementar Los errores de redondeo

tienden a propagarse, x1
presentar el mayor efecto
n
x k = c' k − ∑ A ' kj x j
j= k +1

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 6 – GM – 27


Construir una función en Matlab que obtenga las
soluciones de un sistema de ecuaciones por
eliminación gaussiana.

Matriz
Raices

3x+2y+z-4t=0
6x+4y+2z+t=0
9x+6y+3z-12t=0
3x+2y+z+5t=0
Método Tipo Trunca
Gauss(n2) Iterativo No

Se basa en el despeje de la ecuaciones que forman el
sistema:

 n 
x k =  c' k − ∑ A kj x j  / A kk
 j=1, j≠ k 

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 6 – GM – 29

Gauss

Si se denota x(t) la solución en una iteración t, se tiene:

Esquema iterativo:

 n 
x k =  c' k − ∑ A kj x j  / A kk
{t +1} {t}

 j=1, j≠ k 

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 6 – GM – 30

Gauss
k=0
xk= c’k
j=1

V
j~=k

xk = xk – Akj*yj
j=j+1
Mientras (j ≤ n)
xk = xk /Akk
k=k–1
Mientras (k ≥ 1)
Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 6 – GM – 31
Gauss

Condición de Convergencia Suficiente y Necesaria: El
método converge si la suma de los valores absolutos
de los elementos que no pertenecen a la diagonal son
menores que la suma de los valores absolutos de la
diagonal:
k =n j= n k =n

∑ ∑A
k =1 j=1, j≠ k
kj < ∑ A kk
k =1

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 6 – GM – 32


Construir una función en Matlab que determine si un
sistema converge con el método de Gauss.

Matriz
true o false

3x+2y+z-4t=0 9x+3y+4t=0
6x+4y+2z+t=0 x+6y-4t=0
9x+6y+3z-12t=0 8x+y+9t=0
3x+2y+z+5t=0

Construir una función en Matlab que obtenga las
soluciones de un sistema de ecuaciones por el método
de Gauss.

Matriz
Raices

3x+2y+z-4t=0 9x+3y+4t=0
6x+4y+2z+t=0 x+6y-4t=0
9x+6y+3z-12t=0 8x+y+9t=0
3x+2y+z+5t=0
Método Tipo Trunca
Gauss-Seidel(n2) Iterativo No

Se basa en el despeje de la ecuaciones que forman el
sistema:

 n 
x k =  c' k − ∑ A kj x j  / A kk
 j=1, j≠ k 

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 6 – GM – 35

Gauss-Seidel

Si se denota x(t) la solución en una iteración t, se tiene:

 n 
x k =  c' k − ∑ A kj x j  / A kk
{t +1} {t}

 j=1, j≠ k 

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 6 – GM – 36

Gauss-Seidel

Si a medida que se estiman los valores se sustituyen
inmediatamente se tiene:

 k -1 n 
x k =  c' k −∑ A kj x j − ∑ A kj x j  / A kk
{t +1} {t +1} {t}

 j=1 j = k +1 
Recién evaluadas Obtenidas en la
iteración anterior

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 6 – GM – 37

Gauss-Seidel

Si a medida que se estiman los valores se sustituyen
inmediatamente se tiene:

Esquema iterativo:
 k -1 n 
x k =  c' k −∑ A kj x j − ∑ A kj x j  / A kk
{t +1} {t +1} {t}

 j=1 j = k +1 

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 6 – GM – 38

Gauss-Seidel
k=0
xk= c’k
j=1

V
j~=k

xk = xk – Akj*xj
j=j+1
Mientras (j ≤ n)
xk = xk /Akk
k=k–1
Mientras (k ≥ 1)
Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 6 – GM – 39
Gauss-Seidel

Condición de Convergencia Necesaria: El método
converge si la suma de los valores absolutos de los
elementos que no pertenecen a la diagonal son
menores que la suma de los valores absolutos de la
diagonal:
k =n j= n k =n

∑ ∑A
k =1 j=1, j≠ k
kj < ∑ A kk
k =1

Si la matriz es estrictamente dominante

diagonalmente el método de Gauss siempre converge
pero el método Gauss-Seidel puede no converger

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 6 – GM – 40

Gauss-Seidel

Pros Contras

•Más fácil de implementar que Menos estable que Gauss

Gauss (al menos una variables
menos)
•Converge más rápidamente
que Gauss

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 6 – GM – 41


Construir una función en Matlab que obtenga las
soluciones de un sistema de ecuaciones por el método
de Gauss-Seidel.

Matriz
Raices

3x+2y+z-4t=0 9x+3y+4t=0
6x+4y+2z+t=0 x+6y-4t=0
9x+6y+3z-12t=0 8x+y+9t=0
3x+2y+z+5t=0
 Matriz Inversa

A-1

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 6 – GM – 43

Método Tipo Trunca
Gauss-Jordan(n3) Directo No

El procedimiento es similar a la Fase 1 de Eliminación
de Gauss, pero en se requiere obtener una matriz
diagonal

 A 11 0 ... 0 
 0 A 22 0 
 
 ... ... 
 
 0 0 ... A nn 

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 6 – GM – 44

Gauss-Jordan

La matriz A se extiende para contener una matriz
identidad

 A 11 A 12 ... A 1n 1 0 ... 0 
 
 A 21 A 2n 0 1 0
 ... ... ... ...
 
 A n1 A n2 ... A nn 0 0 ... 1 

Al finalizar el procedimiento esta matriz

constituirá la matriz inversa de A

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 6 – GM – 45

Gauss-Jordan

Diagonalización de la matriz A

Obtener 1 en Ae1k. 1 ≤ k ≤ n Se opera sobre
toda la fila

Obtener 0 en Aej1. 1 ≤ j ≤ n, j ≠ k

k=1
Obtener 1 en Aekk
Obtener 0 en Aej1. 1 ≤ j ≤ n, j ≠ k
k=k+1
Mientras (k ≤ n - 1)

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 6 – GM – 46

Gauss-Jordan

Si se incluye un vector c de constantes es posible
resolver el sistema de ecuaciones A x = c

 A 11 A 12 ... A 1n c1 1 0 ... 0
 
 A 21 A 2n 0 1 0
 ... ... .. .. 
 
 A n1 A n2 ... A nn cn 0 0 ... 1

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 6 – GM – 47

Gauss-Jordan

Es recomendable intercambiar las filas de la matriz de
tal manera de que en la diagonal se encuentren los
mayores elementos de esta manera se reducen los
errores por redondeo.

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 6 – GM – 48

Resumen

Desempeño de un Algoritmo

Solución de un sistema de ecuaciones lineales

Eliminación Gaussiana

Gauss

Gauss-Seidel

Matriz Inversa

Gauss-Jordan

Aplicaciones Numéricas en Investigación de Operaciones – Prof. Gonzalo Müller – Clase 6 – GM – 49