Crecimiento Asintotico

Crecimiento Asintótico
Análisis y Diseño de Algoritmos

Dra. Aurea Soriano Vargas
1
Clase pasada
Análisis y Diseño de Algoritmos, Aurea Soriano Vargas (2020) 2

Clase pasada
● Problema de emparejamiento estable. Dados n hombres y n mujeres, y sus preferencias,

encuentre una coincidencia estable, si existe.
● Algoritmo Gale-Shapley. Garantiza encontrar una coincidencia estable para cada instancia
de problema.

Clase pasada

de problema.

Clase pasada

de problema.

Clase pasada

de problema.

Clase pasada

de problema.

Clase pasada

de problema.

Clase Pasada
Preferencias de
hombres
0 1 2 3 4
Victor Bertha Amy Diane Erika Claire
William Diane Bertha Amy Claire Erika

Algoritmo Gale-Shapley: n2
Xavier Bertha Erika Claire Diane Amy
Yancey Amy Diane Claire Bertha Erika
Zeus Bertha Diane Amy Erika Claire
Preferencias de
mujeres
0 1 2 3 4
Amy Zeus Victor William Yancey Xavier
Bertha Xavier William Yancey Victor Zeus
Claire William Xavier Yancey Zeus Victor
Diane Victor Zeus Yancey Xavier William
Erika y Diseño
Análisis Yancey William
de Algoritmos, Zeus Soriano
Aurea Xavier Victor
Vargas (2020) 9
Hoy
● ¿Qué es la eficiencia?
● Herramientas:
○ Análisis del peor caso
○ Analizar el crecimiento asintótico de funciones
● Notación asintótica
● Práctica de cómo encontrar tiempos de ejecución asintóticos de algoritmos
● Teorema del Maestro

Hoy
● ¿Qué es la eficiencia?
● Herramientas:
○ Análisis del peor caso
○ Analizar el crecimiento asintótico de funciones
● Notación asintótica
● Estructuras de datos básicas
● Práctica de cómo encontrar tiempos de ejecución asintóticos de algoritmos

¿Asíntota?

¿Asíntota?

¿Es eficiente mi algoritmo?


Idea: Implementarlo, calcular el tiempo que toma en procesar.

¿Problemas?
¿Efectos del lenguaje de programación?
¿Efectos del procesador?
¿Efectos de la cantidad de memoria?
¿Efectos de otras cosas que se ejecutan
en la computadora?
¿Efectos de los valores de entrada?
¿Efectos del tamaño de entrada?

¿Problemas?
¿Efectos del lenguaje de programación?
¿Efectos del procesador?
¿Efectos de la cantidad de memoria?
¿Efectos de otras cosas que se ejecutan
en la computadora?
¿Efectos de los valores de entrada?
¿Efectos del tamaño de entrada?

Análisis del peor caso
Tiempo de ejecución en el peor de los casos: retorna el mayor tiempo de

ejecución posible en cualquier entrada de tamaño N.


Parece pesimista, pero:

● Efectivo en la práctica
● Es difícil encontrar una buena alternativa
○ Ventajas: garantía muy fuerte
○ Contras: garantía muy fuerte






Este es mi algoritmo!
Algoritmo:
Hacer esto
Hacer lo otro
Retornar la respuesta

Parece pesimista, pero: Esta es mi entrada

Este es mi algoritmo!
Algoritmo:
Hacer esto
Hacer lo otro
Retornar la respuesta
Fuerza Bruta
Buen punto de partida para pensar en la eficiencia: ¿podemos

hacerlo mejor que una solución de “fuerza bruta”?
¿Cuál es la solución de fuerza bruta para el problema de

emparejamiento estable?

Gale-Shapley
Preferencias de
hombres
0 1 2 3 4

Preferencias de
mujeres
0 1 2 3 4
Erika y Diseño
Aurea Xavier Victor
Vargas (2020) 25
Gale-Shapley
Preferencias de
hombres
0 1 2 3 4

Preferencias de
mujeres
0 1 2 3 4
Erika y Diseño
Aurea Xavier Victor
Vargas (2020) 26
Fuerza Bruta
Preferencias de
hombres
0 1 2 3 4

Preferencias de
mujeres
0 1 2 3 4

Calcular todas las posibles
Claire William Xavier Yancey Zeus Victor permutaciones(todos los posibles
emparejamientos perfectos)
Erika y Diseño
Aurea Xavier Victor
Vargas (2020) 27
Fuerza Bruta
Preferencias de
hombres
0 1 2 3 4

Preferencias de
mujeres
0 1 2 3 4

Claire William Xavier Yancey Zeus Victor permutaciones(todos los posibles
= n! × (tiempo de comprobar si un
Erika y Diseño
Aurea Xavier Victor
Vargas (2020) emparejamiento es estable) 28
Fuerza Bruta
Preferencias de
hombres
0 1 2 3 4

Preferencias de
mujeres
0 1 2 3 4

Claire William Xavier Yancey Zeus Victor = Θ(n! n2)
permutaciones(todos los posibles
= n! × (tiempo de comprobar si un
Erika y Diseño
Aurea Xavier Victor
Fuerza Bruta
Preferencias de
hombres
0 1 2 3 4

Preferencias de
mujeres
0 1 2 3 4

Calcular todas2
las posibles
Claire William Xavier Yancey Zeus Victor = Θ(n! n )
permutaciones(todos los posibles
Θ (big-theta) ⇒perfectos)
emparejamientos caso promedio
= n!Solución
× (tiempodedeFuerza Bruta
comprobar si un
Erika y Diseño
Aurea Xavier Victor
Peor de los casos: Gale-Shapley(GS) vs la fuerza bruta

Peor de los casos: Gale-Shapley vs la fuerza bruta
Implementación Implementación
“ingenua” (GS) eficiente(GS)
Operaciones n3 n2
n=4 0.06 segundos 0.02 segundos
n=6 0.21 segundos 0.04 segundos
n=10 1 segundo 0.1 segundos
n=100 > 15 minutos 10 segundos
n=1000 > 275 horas > 15 minutos
n=10000 > 30 años > 25 horas
suponiendo 1ms por iteración del

bucle.
Implementación Implementación Fuerza Bruta

Operaciones n3 n2 n!*n2
n=4 0.06 segundos 0.02 segundos 0.38 segundos
n=6 0.21 segundos 0.04 segundos > 25 segundos
n=10 1 segundo 0.1 segundos > 4 días
n=100 > 15 minutos 10 segundos ...
n=1000 > 275 horas > 15 minutos ...
n=10000 > 30 años > 25 horas ...

bucle.
Implementación Implementación Fuerza Bruta

Operaciones n3 n2 n!*n2
n=4 0.06 segundos 0.02 segundos 0.38 segundos
n=6 0.21 segundos 0.04 segundos > 25 segundos
n=10 1 segundo 0.1 segundos > 4 días
n=100 > 15 minutos 10 segundos ...
n=1000 > 275 horas > 15 minutos ...
n=10000 > 30 años > 25 horas ...

bucle.

Con un truco de
visualización: log2

Tiempos de ejecución en función del tamaño de entrada

Tiempo de ejecución
● ¿A qué nos referimos cuando medimos el tiempo de ejecución?


○ Probablemente nos preocupemos por el tiempo en la pared: ¿cuánto tiempo se tarda en
resolver el problema, en segundos, minutos u horas?


● Esto depende en gran medida del lenguaje de programación, la

arquitectura, etc.



arquitectura, etc.
● Estas cosas son muy importantes, pero no son el objetivo de esta clase.



arquitectura, etc.
● Estas cosas son muy importantes, pero no son el objetivo de esta clase.
● Queremos una forma de hablar sobre el tiempo de ejecución de un
algoritmo, independiente de estas consideraciones.

Peor de los casos

Peor de los casos
Cambiamos n log(n) a 5n log(n) ....

Peor de los casos
Cambiamos 5n log(n) a 100n log(n) ....

Análisis asintótico:

¿Cómo escala el tiempo de ejecución a medida que n aumenta?


Ventajas
Abstrae sin considerar las
especificaciones de hardware y
lenguaje de programación.
Hace que el análisis de algoritmos

sea mucho más manejable.
Ventajas
especificaciones de hardware y
lenguaje de programación.

Ventajas Desventajas
especificaciones de hardware y Solo tiene sentido si n es
lenguaje de programación. grande (en comparación con
los factores constantes).
Crecimiento asintótico:

Objetivo: crear
herramientas para
ayudar a clasificar de
forma aproximada
los tiempos de
ejecución del
algoritmo

Objetivo: crear Tiempo de ejecución=

herramientas para número de "pasos"
ayudar a clasificar de primitivos (por
forma aproximada
los tiempos de ejemplo, línea de
ejecución del código o
algoritmo instrucciones)


forma aproximada


forma aproximada


forma aproximada
1.62n2 + 3.5n + 8 es demasiado detallado

Notación:

Notación:

Notación:
● Sea T(n) una función que define el

peor tiempo de ejecución de un
algoritmo.
● A partir de ahora para toda esta clase,

asumimos que todas las funciones
T(n), f(n), g(n), etc. son no negativas

Recordatorios rápidos:
● ∃: “Existe”

● ∀: “Para todo”

● Ejemplo:
○ ∀ estudiante de ADA, ∃ un problema de algoritmos que
realmente emociona al estudiante.

● Ejemplo:
● Declaración mucho más fuerte:

● Ejemplo:
○ ∃ un problema de algoritmos de manera que, ∀
estudiantes de ADA, cada estudiante se emociona por el
problema.

● Ejemplo:
○ ∃ un problema de algoritmos de manera que, ∀
estudiantes de ADA, cada estudiante se emociona por el
problema.

● Vamos a definir formalmente un límite superior:

○ “T(n) crece no más rápido que f(n)”

O (…) significa un límite superior

"gran-o de ...","o de ...","big-o de ..."

● Sean T(n), f(n) funciones de enteros positivos.

○ Pensemos en T(n) como un tiempo de ejecución: positivo
y creciente en n.


y creciente en n.
● Decimos "T(n) es O(f(n))" si f(n) crece al menos tan rápido

como T(n) a medida que n aumenta.


y creciente en n.

● Formalmente,
𝑇(𝑛) = 𝑂(𝑓(𝑛))
⟺
∃𝑐, 𝑛0 > 0 𝑠. 𝑡. ∀𝑛 ≥ 𝑛0,
Análisis y Diseño de Algoritmos, Aurea0 ≤ 𝑇(𝑛)
Soriano 𝑐 ⋅𝑓(𝑛)
Vargas≤(2020) 72

y creciente en n.

● Formalmente,
𝑇(𝑛) = 𝑂(𝑓(𝑛))
⟺
∃𝑐, 𝑛0 > 0 𝑠. 𝑡. ∀𝑛 ≥ 𝑛0,
Vargas≤(2020) 73
Big O
T(n) es O (f(n)) si
T(n) ≤ c · f (n), donde c ≥ 0 para todo n ≥ n0
O(n) es el límite superior asintótico de T(n).

Big O

Big O

Big O
T (n) = O(f(n)) significa:

Finalmente, (para n suficientemente grande)
algo que crece como f(n) siempre es más
grande que T(n).

Ejemplo 1
● T(n) = n, f(n) = n2.

● T(n) = O(f(n))

Ejemplo 1
● T(n) = n, f(n) = n2.

● T(n) = O(f(n))

Ejemplo 2
● g(n) = 2, f(n) = 1.
● g(n) = O(f(n)) (y también also f(n) = O(g(n)))

Ejemplo 2
● g(n) = 2, f(n) = 1.
● g(n) = O(f(n)) (y también also f(n) = O(g(n)))

Ejemplo 3
● f(n) = 1, g(n) como a continuación.

● g(n) = O(f(n)) (y también f(n) = O(g(n)))
Análisis y Diseño de Algoritmos, Aurea Soriano Vargas (2020)

Ejemplo 3


Ejemplo 3


Ejemplo 4 de prueba
● f(n) = n+7
● g(n) = n
Vamos a probar que f(n) es O(g(n))

Ejemplo 4 de prueba
● f(n) = n+7
● g(n) = n
1. Tenemos que probar: n+7 es O(n)

Ejemplo 4 de prueba
● f(n) = n+7
● g(n) = n

2. La condición que tenemos que verificar es que:
N+7 es O(n) si hay dos constantes positivas c y n0
tal que n+7 <= c*n para un n>=n0

Ejemplo 4 de prueba
● f(n) = n+7
● g(n) = n

3. n+7 <= c*n

Ejemplo 4 de prueba
● f(n) = n+7
● g(n) = n

3. n+7 <= c*n
⇔ 7 <= c*n-n

Ejemplo 4 de prueba
● f(n) = n+7
● g(n) = n

3. n+7 <= c*n
⇔ 7 <= c*n-n
⇔ 7<= n*(c-1)

Ejemplo 4 de prueba
● f(n) = n+7
● g(n) = n

3. n+7 <= c*n
⇔ 7 <= c*n-n
⇔ 7<= n*(c-1)
⇔ n*(c-1) >= 7

Ejemplo 4 de prueba
● f(n) = n+7
● g(n) = n

3. n+7 <= c*n
⇔ 7 <= c*n-n
⇔ 7<= n*(c-1)
⇔ n*(c-1) >= 7
⇔ n>= 7/(c-1)
Ejemplo 4 de prueba
● f(n) = n+7
● g(n) = n
3. ⇔ n>= 7/(c-1)

Ejemplo 4 de prueba
● f(n) = n+7
● g(n) = n
3. ⇔ n>= 7/(c-1)
4. Seleccionamos c=2 y n0=7.

Ejemplo 4 de prueba
● f(n) = n+7
● g(n) = n
3. ⇔ n>= 7/(c-1)
5. Por tanto, se sostiene que existen dos constantes positivas c y n0 tales
que n + 7 <= cn para n> = n0.
(n>=7) y (n>=n0)<=> (n>=7)

Ejemplo 4 de prueba
● f(n) = n+7
● g(n) = n
3. ⇔ n>= 7/(c-1)
5. Por tanto, se sostiene que existen dos constantes positivas c y n0 tales
que n + 7 <= cn para n> = n0.
(n>=7) y (n>=n0)<=> (n>=7)
6. Como la afirmación se sostiene, podemos concluir que n+7 es O(n).

Ejemplo 5 de contraejemplo
● f(n) = n2
● g(n) = n
Vamos a probar que f(n) NO es O(g(n))

● f(n) = n2
● g(n) = n
1. La condición a ser verificada: que n2 es O(n) si hay dos constantes

positivas c y n0 tal que n2 <= c*n para un n>=n0

● f(n) = n2
● g(n) = n

2. n2 <= c*n

● f(n) = n2
● g(n) = n

2. n2 <= c*n
n <= c (si n!=0)

● f(n) = n2
● g(n) = n

2. n2 <= c*n
n <= c (si n!=0)
3. La desigualdad no puede ser satisfecha ya que c tiene que ser una
constante...

● f(n) = n2
● g(n) = n

2. n2 <= c*n
n <= c (si n!=0)
3. La desigualdad no puede ser satisfecha ya que c tiene que ser una
constante…
4. Por lo tanto esta afirmación no es mantenida y n2 no es O(n).

Afirmación
1) Todos los polinomios grado k son O(nk)

2) Para cualquier k>=1, nk no es O(nk-1)

Ejemplo 6
● f(n) = 4n
● g(n) = 8n

Ejemplo 6
● f(n) = 4n
● g(n) = 8n

Ejemplo 6
● f(n) = 4n
● g(n) = 8n
1. La condición a ser verificada: que 4n es O(8n) si hay dos constantes

positivas c y n0 tal que 4n <= c*8n para un n>=n0

Ejemplo 6
● f(n) = 4n
● g(n) = 8n

2. 4n <= c*8n

Ejemplo 6
● f(n) = 4n
● g(n) = 8n

2. 4n <= c*8n
4n/8n <= c*8n/8n

Ejemplo 6
● f(n) = 4n
● g(n) = 8n

2. 4n <= c*8n
4n/8n <= c*8n/8n
1/2n <= c*1

Ejemplo 6
● f(n) = 4n
● g(n) = 8n

2. 4n <= c*8n
4n/8n <= c*8n/8n
1/2n <= c*1
1/2n <= c

Ejemplo 6
● f(n) = 4n
● g(n) = 8n

2. 4n <= c*8n
4n/8n <= c*8n/8n
1/2n <= c*1
1/2n <= c
3. seleccionamos n0 = 2
c = 1/22= 1/4

Ejemplo 6
● f(n) = 4n
● g(n) = 8n
c = 1/22= ¼

Ejemplo 6
● f(n) = 4n
● g(n) = 8n
c = 1/22= ¼
4. 4n <= c*8n
4n <= 1/4*8n

Ejemplo 6
● f(n) = 4n
● g(n) = 8n
c = 1/22= ¼
4. 4n <= c*8n
4n <= 1/4*8n
4n <= 1/4*(2n * 4n)

Ejemplo 6
● f(n) = 4n
● g(n) = 8n
c = 1/22= ¼
4. 4n <= c*8n
4n <= 1/4*8n
4n <= 1/4*(2n * 4n)
4n/4n <= 1/4*(2n * 4n)/4n

Ejemplo 6
● f(n) = 4n
● g(n) = 8n
c = 1/22= ¼
4. 4n <= c*8n
4n <= 1/4*8n
4n <= 1/4*(2n * 4n)
4n/4n <= 1/4*(2n * 4n)/4n
1 <= 1/4*(2n)

Ejemplo 6
● f(n) = 4n
● g(n) = 8n
c = 1/22= ¼
4. 4n <= c*8n
4n <= 1/4*8n
4n <= 1/4*(2n * 4n)
4n/4n <= 1/4*(2n * 4n)/4n
1 <= 1/4*(2n)
1 <= 1/22*(2n)

Ejemplo 6
● f(n) = 4n
● g(n) = 8n
c = 1/22= ¼
4. 4n <= c*8n
4n <= 1/4*8n
4n <= 1/4*(2n * 4n)
4n/4n <= 1/4*(2n * 4n)/4n
1 <= 1/4*(2n)
1 <= 1/22*(2n)
1 <= (2n-2) para todo n0 = 2
Ejemplo 6
● f(n) = 4n
● g(n) = 8n
4. 1 <= (2n-2) para todo n0 = 2

Ejemplo 6
● f(n) = 4n
● g(n) = 8n
4. 1 <= (2n-2) para todo n0 = 2

5. Como la afirmación se sostiene, podemos concluir que 4n es O(8n).

Igualdad unilateral:
T(n) = O(f(n))
–No transitiva:
•f(n) = 5n3; g(n) = 3n2
•f(n) = O(n3) = g(n)
pero

Igualdad unilateral:
T(n) = O(f(n))
–No transitiva:
•f(n) = 5n3; g(n) = 3n2
•f(n) = O(n3) = g(n)
pero
–Notación alternativa:

Calculando la complejidad Big-O de algo:

Dos pasos claves:
1) Descartar constantes
2) Eliminar términos menos significativos

Dos pasos claves:

Dos pasos claves:
O(2n) => O(n)
O(1 + n/2 + 100) => O(n)

Dos pasos claves:
O(2n) => O(n)
O(1 + n/2 + 100) => O(n)
O(n + n2) =>O(n2)

O(n3 + 50n2 + 10000) => O(n3)
O((n + 30) * (n + 5)) => O(n2)

Ejemplos:

Ejemplos:

Ejemplos:

Ejemplos:

Ejemplos:

Ejemplos:

A partir de los ejemplos deducimos que...
1. Para demostrar T(n) = O(f(n)), debe obtener c y n0 para que se satisfaga la

definición.

A partir de los ejemplos deducimos que...
1. Para demostrar T(n) = (f(n)), debe obtener c y n0 para que se satisfaga la

definición.
2. Para demostrar que T(n) NO es O (f(n)), una forma es por contradicción:

a. Suponiendo que alguien nos dio un c y un n0 para que se satisfaga la
definición.
b. Demostrando que ese alguien debe estar mintiendo al derivar una
contradicción.

O(…) significa un límite superior, y
Ω(…) significa un límite inferior (omega)

Ω(…) significa un límite inferior
Decimos "T(n) es Ω(f (n))" si f(n) crece como máximo tan rápido como T(n) cuando n
aumenta.

aumenta.
Formalmente:


y creciente en n.

● Formalmente,
𝑇(𝑛) = 𝑂(𝑓(𝑛))
⟺
∃𝑐, 𝑛0 > 0 𝑠. 𝑡. ∀𝑛 ≥ 𝑛0,
Vargas≤(2020) 139
aumenta.
Formalmente:

aumenta.
Formalmente:

aumenta.
Formalmente:

Ω(…)
T(n) es Ω(f(n)) si
c · f(n) ≤ T(n), donde c ≥ 0 para todo n ≥ n0
Ω(n) es el límite inferior asintótico de T(n).

Ω(…)

Ω(…)

Ω(…)

Big O

Θ(…) significa ambos, caso promedio! (theta)
Decimos "T(n) es Θ(f (n))" si
T(n) = O(f(n))
-y-
T(n) = Ω(f(n))

Resumen - O(), Ω(), Θ()
● O () - límite superior
○ T (n) ≤ c · f (n), donde c ≥ 0 para todo n ≥ n0
● Ω () - límite inferior
○ T (n) ≥ c · f (n), donde c ≥ 0 para todo n ≥ n0
● Θ () - límite ajustado
○ Tanto O () como Ω ()

Resumen - O(), Ω(), Θ()
● O () - límite superior
○ T (n) ≤ c · f (n), donde c ≥ 0 para todo n ≥ n0
● Ω () - límite inferior
○ T (n) ≥ c · f (n), donde c ≥ 0 para todo n ≥ n0
● Θ () - límite ajustado
○ Tanto O () como Ω ()

Propiedades - O(), Ω(), Θ()

Propiedades - O(), Ω(), Θ() - Transitividad
Afirmación:
(a) Si f = O(g) y g = O(h), entonces f = O(h)
(b) Si f = Ω(g) y g = Ω(h), entonces f = Ω(h)
(b) Si f = Θ(g) y g = Θ(h), entonces f = Θ(h)

Propiedades - O(), Ω(), Θ() - Adición
Afirmación:
(a) Si f = O(h) y g = O(h), entonces f+g = O(h)
(b) Si f1, f2, ..., fk son cada una O(h), entonces f1 + f2 + ...+ fk es O(h)
(c) Si f = O(g), entonces f+g = Θ(g)

Notaciones o y ω
Las notaciones O y Ω son como <= y >=.

Las notaciones o y ω son como < y >.

Notaciones o y ω
Las notaciones O y Ω son como <= y >=.

Las notaciones o y ω son como < y >.
Por ejemplo:
𝑇(𝑛) = o(𝑓(𝑛))
⟺
∃𝑐, 𝑛0 > 0 𝑠. 𝑡. ∀𝑛 ≥ 𝑛0,
0 ≤ 𝑇(𝑛) < 𝑐 ⋅𝑓(𝑛)

Visión General

Usaremos mucha notación asintótica de aquí en adelante

Esto hace felices tanto a Plucky como a Lucky.

• Plucky está feliz porque hay una definición precisa.

• Lucky está feliz porque no tenemos que prestar mucha atención a todos esos molestos factores
constantes como "4" o "6".


• Pero siempre debemos tener cuidado de no abusar de él.


• Pero siempre debemos tener cuidado de no abusar de él.
• En el curso, (casi) todos los algoritmos que veamos
serán realmente prácticos, sin necesidad de
tomar

Hasta aquí, ¿alguna
pregunta?

Dividir y conquistar para multiplicación
Separar entero de dos dígitos:

Multiplicación

Multiplicación de Karatsuba
¡Karatsuba descubrió cómo hacer esto mejor!

Multiplicación de Karatsuba

Ejemplos de Recursión
• Multiplicación de enteros innecesariamente recursiva

T(n) = 4 T(n/2) + O(n)
T(n) = O(n2)
• Multiplicación de enteros de Karatsuba

T (n) = 3T(n/2) + O(n)
T (n) = O (nlog_2 (3) ≈ n1.6)

Ejemplos de Recursión

T(n) = 4 T(n/2) + O(n)
T(n) = O(n2)

T (n) = 3T(n/2) + O(n)
T (n) = O (nlog_2 (3) ≈ n1.6)
¿Cuál es el patrón?!?!?!?!

El teorema del maestro

Una fórmula que resuelve las recurrencias cuando

todos los subproblemas tienen el mismo tamaño.

Una fórmula útil es.

Conocer por qué
Una fórmula que resuelve las recurrencias cuando funciona deberías...
todos los subproblemas tienen el mismo tamaño.


Tres parámetros:
a: número de subproblemas
b: factor por el cual se reduce el tamaño de entrada
d: necesidad de nd trabajos para crear todos los
subproblemas y combinar sus soluciones.

Muchos símbolos
aquellos son...
Tres parámetros:
a: número de subproblemas
b: factor por el cual se reduce el tamaño de entrada
d: necesidad de nd trabajos para crear todos los
subproblemas y combinar sus soluciones.

Ejemplos

Ejemplos

T(n) = 4 T(n/2) + O(n)
T(n) = O(n2)

T (n) = 3T(n/2) + O(n)
T (n) = O (nlog_2 (3) ≈ n1.6)

Ejemplos

T(n) = 4 T(n/2) + O(n)
T(n) = O(n2)
T(n) = O(nlogb(a)) = O(nlog2(4)) = O(n2)

T (n) = 3T(n/2) + O(n)
T (n) = O (nlog_2 (3) ≈ n1.6)

Ejemplos

T(n) = 4 T(n/2) + O(n)
T(n) = O(n2)

T (n) = 3T(n/2) + O(n)
T (n) = O (nlog_2 (3) ≈ n1.6)

Ejemplos

T(n) = 4 T(n/2) + O(n)
T(n) = O(n2)

T (n) = 3T(n/2) + O(n)
T (n) = O (nlog_2 (3) ≈ n1.6)
T(n) = O(nlogb(a)) = O(nlog2(3)) = O(n1.6)

Prueba del Teorema del Maestro
Supongamos que


El trabajo total es como máximo:

Resumen
● ¿Cómo medimos el tiempo de ejecución de un algoritmo?

○ Análisis del peor de los casos
○ Análisis asintótico
● La notación O () nos facilita la vida.
● Definiciones de O (), Ω (), Θ ()
● Transitividad y aditividad.
● El "Método Maestro" también nos facilita la vida.

Resumen


Resumen

LISTA DE
● Definiciones de O (), Ω (), Θ () EJERCICIOS
● Transitividad y aditividad. 1

Resumen

LISTA DE EJERCICIOS 1

Resumen

● Lista de ejercicios #1.

Lecturas Recomendadas
● Thomas H. Cormen, Charles E. Leiserson, Ronald L. Rivest,

Cliﬀord Stein, Introduction to Algorithms, 3rd Edition, MIT Press
Capítulo 2.3, 3
● Jon Kleinberg, Éva Tardos, Algorithm Design,

Pearson/Addison-Wesley - Capítulo 2

iGracias!
189

Crecimiento Asintotico

Cargado por

Copyright:

Formatos disponibles

Crecimiento Asintotico

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Crecimiento Asintotico

Cargado por

Copyright:

Formatos disponibles

Crecimiento Asintótico

Análisis y Diseño de Algoritmos

Análisis y Diseño de Algoritmos, Aurea Soriano Vargas (2020) 2

● Problema de emparejamiento estable. Dados n hombres y n mujeres, y sus preferencias,

Análisis y Diseño de Algoritmos, Aurea Soriano Vargas (2020) 3

● Problema de emparejamiento estable. Dados n hombres y n mujeres, y sus preferencias,

Análisis y Diseño de Algoritmos, Aurea Soriano Vargas (2020) 4

● Problema de emparejamiento estable. Dados n hombres y n mujeres, y sus preferencias,

Análisis y Diseño de Algoritmos, Aurea Soriano Vargas (2020) 5

● Problema de emparejamiento estable. Dados n hombres y n mujeres, y sus preferencias,

Análisis y Diseño de Algoritmos, Aurea Soriano Vargas (2020) 6

● Problema de emparejamiento estable. Dados n hombres y n mujeres, y sus preferencias,

Análisis y Diseño de Algoritmos, Aurea Soriano Vargas (2020) 7

● Problema de emparejamiento estable. Dados n hombres y n mujeres, y sus preferencias,

Análisis y Diseño de Algoritmos, Aurea Soriano Vargas (2020) 8

Victor Bertha Amy Diane Erika Claire

William Diane Bertha Amy Claire Erika

Yancey Amy Diane Claire Bertha Erika

Zeus Bertha Diane Amy Erika Claire

Amy Zeus Victor William Yancey Xavier

Bertha Xavier William Yancey Victor Zeus

Claire William Xavier Yancey Zeus Victor

Diane Victor Zeus Yancey Xavier William

● Práctica de cómo encontrar tiempos de ejecución asintóticos de algoritmos

● Teorema del Maestro

Análisis y Diseño de Algoritmos, Aurea Soriano Vargas (2020) 10

● Estructuras de datos básicas

● Práctica de cómo encontrar tiempos de ejecución asintóticos de algoritmos

Análisis y Diseño de Algoritmos, Aurea Soriano Vargas (2020) 11

Análisis y Diseño de Algoritmos, Aurea Soriano Vargas (2020) 12

Análisis y Diseño de Algoritmos, Aurea Soriano Vargas (2020) 13

Análisis y Diseño de Algoritmos, Aurea Soriano Vargas (2020) 14

Análisis y Diseño de Algoritmos, Aurea Soriano Vargas (2020) 15

Idea: Implementarlo, calcular el tiempo que toma en procesar.

Análisis y Diseño de Algoritmos, Aurea Soriano Vargas (2020) 16

Idea: Implementarlo, calcular el tiempo que toma en procesar.

Análisis y Diseño de Algoritmos, Aurea Soriano Vargas (2020) 17

Idea: Implementarlo, calcular el tiempo que toma en procesar.

Análisis y Diseño de Algoritmos, Aurea Soriano Vargas (2020) 18

Tiempo de ejecución en el peor de los casos: retorna el mayor tiempo de

Análisis y Diseño de Algoritmos, Aurea Soriano Vargas (2020) 19

Tiempo de ejecución en el peor de los casos: retorna el mayor tiempo de

Parece pesimista, pero:

Análisis y Diseño de Algoritmos, Aurea Soriano Vargas (2020) 20

Tiempo de ejecución en el peor de los casos: retorna el mayor tiempo de

Parece pesimista, pero:

Análisis y Diseño de Algoritmos, Aurea Soriano Vargas (2020) 21

Tiempo de ejecución en el peor de los casos: retorna el mayor tiempo de

Parece pesimista, pero:

Tiempo de ejecución en el peor de los casos: retorna el mayor tiempo de

Parece pesimista, pero: Esta es mi entrada

Buen punto de partida para pensar en la eficiencia: ¿podemos

¿Cuál es la solución de fuerza bruta para el problema de

Análisis y Diseño de Algoritmos, Aurea Soriano Vargas (2020) 24

Victor Bertha Amy Diane Erika Claire

William Diane Bertha Amy Claire Erika

Yancey Amy Diane Claire Bertha Erika

Zeus Bertha Diane Amy Erika Claire

Amy Zeus Victor William Yancey Xavier

Bertha Xavier William Yancey Victor Zeus