Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 69 vistas

    Lait301 Ai Ortizanaya Hugo

    Cargado por

    Hugo Alberto Ortiz Anaya
    Este documento describe diferentes órdenes de complejidad algorítmica (Big-O) como O(1), O(n), O(log n), O(n^2), y O(2^n) y explica brevemente la eficiencia de cada uno. También incluye ejemplos de algoritmos que caen dentro de cada orden de complejidad como una búsqueda binaria para O(log n) y el método de la burbuja para O(n^2). El documento destaca la importancia de analizar la complejidad algorítmica para optimizar el rendimiento

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd

    Lait301 Ai Ortizanaya Hugo

    Cargado por

    Hugo Alberto Ortiz Anaya
    69 vistas9 páginas
    Este documento describe diferentes órdenes de complejidad algorítmica (Big-O) como O(1), O(n), O(log n), O(n^2), y O(2^n) y explica brevemente la eficiencia de cada uno. También incluye ejemplos de algoritmos que caen dentro de cada orden de complejidad como una búsqueda binaria para O(log n) y el método de la burbuja para O(n^2). El documento destaca la importancia de analizar la complejidad algorítmica para optimizar el rendimiento

    Descripción original:

    ninguno

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    DOCX, PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Este documento describe diferentes órdenes de complejidad algorítmica (Big-O) como O(1), O(n), O(log n), O(n^2), y O(2^n) y explica brevemente la eficiencia de cada uno. También incluye ejemplos de algoritmos que caen dentro de cada orden de complejidad como una búsqueda binaria para O(log n) y el método de la burbuja para O(n^2). El documento destaca la importancia de analizar la complejidad algorítmica para optimizar el rendimiento

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
    Descargar como docx, pdf o txt
    69 vistas9 páginas

    Lait301 Ai Ortizanaya Hugo

    Cargado por

    Hugo Alberto Ortiz Anaya
    Este documento describe diferentes órdenes de complejidad algorítmica (Big-O) como O(1), O(n), O(log n), O(n^2), y O(2^n) y explica brevemente la eficiencia de cada uno. También incluye ejemplos de algoritmos que caen dentro de cada orden de complejidad como una búsqueda binaria para O(log n) y el método de la burbuja para O(n^2). El documento destaca la importancia de analizar la complejidad algorítmica para optimizar el rendimiento

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
    Descargar como docx, pdf o txt
    de 9

    INSTITUTO ROSARIO CASTELLANOS

    HUGO ALBERTO ORTIZ ANAYA

    TRABAJO: Actividad integradora:


    Solución informática: aplicación
    Eco viaje

    MATERIA: ESTRUCTURA DE DATOS


    Elabora en un documento de texto, una tabla con las funciones de orden de magnitud o(f(n))
    conocidas también como Big-O década método o función implementada con una explicación muy
    breve sobre la eficiencia de los algoritmos utilizados. Integra a ese mismo documento una reflexión
    sobre la importancia que tienen las estructuras de datos para hacer un uso eficiente del espacio de
    almacenamiento en memoria, optimizar el tiempo de acceso a los datos almacenados y lograr formas
    efectivas de inserción, eliminación, recuperación, ordenamiento y búsqueda de dato

    O (1) O(n) O (log n) O ( n2 ) O ( 2n ) O (n!)


    Constantes Lineal Algorítmico Cuadrático Exponencial Combinatoria
    Es el tiempo de ejecución Es el tiempo Forma de Realiza una serie Son las funciones El algoritmo que
    no de crecimiento de que siga
    varía conforme aumenta ejecución que es que crece desde iteraciones por duplican su esta complejidad es
    el cada el todos complejidad un
    tamaño de los datos vez mayor de inicio, pero los elementos en con cada elemento algoritmo
    de modo tiende a cada añadido
    totalmente
    entrada proporcional estabilizarse uno de los al procesamiento. fallido.
    conforme elementos a
    aumentan el procesar
    tamaño
    de entrada
    ¿QUÉ ES EL BIG O NOTATION EN PROGRAMACIÓN?

    En el mundo del software, no todo es escribir código y programar como si no hubiese un mañana. Más allá de entender nuestro objetivo y lo que
    queremos hacer al programar, existen otras variables que tenemos que tener en cuenta al momento de desarrollar software. Dígase complejidad,
    mantenibilidad, escalabilidad, algoritmos a implementar, etcétera. Una de las más importantes es el rendimiento de nuestra aplicación en cuanto a
    la implementación de un algoritmo.
    El rendimiento de nuestro algoritmo permitirá, no sólo hacernos sentir como que somos los dioses de la tecnología al hacer que el software que
    hemos creado haga mil y un cosas por segundo, sino también ayudará a que el usuario (dígase usuario común o un profesional en el ámbito
    tecnológico) no tenga que esperar durante horas a que la tarea para la que nuestro software fue desarrollado, se cumpla, sin importar que las
    computadoras y dispositivos de hoy en día sean lo más capaces para desarrollar una larga lista de tareas medianamente complejas y otra lista un
    poco menos larga de tareas complejas.
    Existen varios factores que interfieren al hablar de rendimiento en nuestro algoritmo, como lo son: el uso de espacio en disco, de memoria para su
    ejecución, tiempo de ejecución en general, etcétera.
    Una de las herramientas más importantes para determinar el rendimiento de nuestro algoritmo es la Notación Big O.

    NOTACION BIG O
    La notación Big O es una herramienta muy funcional para determinar la complejidad de un algoritmo que estemos utilizando, permitiéndonos medir
    su rendimiento en cuanto a uso de espacio en disco, recursos (memoria y ciclos del reloj del CPU) y tiempo de ejecución, entre otras, ayudándonos a
    identificar el peor escenario donde el algoritmo llegue a su más alto punto de exigencia.

    Los términos de complejidad Big O más utilizados son:

     O(1) -> constante.

     O(n) -> linear.

     O(log n) -> logarítmica.

     O(n ^ 2) -> cuadrática.

     O(2 ^ n) -> exponencial.

    Cuando investigues un poco más sobre el tema, te encontrarás con temas matemáticos algo complejos, que, si tú especialidad no eran las
    matemáticas, creo que te sentirás algo confundido y ansioso. Pero no te preocupes, te explicaré lo más amigable y entendible posible, más cuando
    hablemos de logaritmos. A su vez, acompañaré la explicación con un ejemplo en Javascript relacionado con el tema.
    O(1): Complejidad Constante
    La complejidad constante nos indica que, sin importar el tamaño de entrada o salida, el tiempo de
    ejecución y recursos utilizados por nuestro algoritmo siempre será el mismo. Podemos verlas
    como funciones “estáticas” debido a que siempre se comportarán de la misma manera, no
    importa las veces que sea ejecutada ni dónde. Por ejemplo:

    Tomando el ejemplo anterior, podemos ser testigos de un pequeño algoritmo con complejidad
    constante. Esto gracias a que, no importa el tamaño del arreglo que sea pasado como argumento,
    el resultado siempre será obtener el último elemento que este arreglo contenga. La única variante
    será el resultado entregado, ya que el dato contenido en el último espacio de un arreglo puede
    variar.

    O(n): Complejidad Linear


    Decimos que un algoritmo tiene complejidad linear, cuando su tiempo de ejecución y/o uso de
    recursos es directamente proporcional (es decir que se incrementa linealmente) al tamaño del
    valor de entrada necesario para la ejecución del algoritmo. Usando el siguiente fragmento como
    ejemplo:
    Para entenderlo de una manera mucho más sencilla, podemos compararlo con una actividad
    sumamente común como leer un libro o ver una película. El tiempo que tardemos en terminar de
    leer dicho libro o ver dicha película, dependerá de su duración. Si la película dura una hora,
    tardaremos una hora en terminar de ver la película. Si el libro es de 100 páginas y lees 50 páginas
    en hora (realmente depende en tu capacidad de lectura y comprensión), entonces tardarás 2
    horas en terminar de leer dicho libro.

    O(log n): Complejidad Logarítmica


    La complejidad logarítmica es dada cuando el tiempo de ejecución o uso de recursos es
    directamente proporcional al resultado logarítmico del tamaño del valor de entrada. Es decir, si
    tenemos un dato de entrada cuyo tamaño es 10 y nos toma 1 segundo en la implementación del
    algoritmo, significa que por un valor de entrada cuyo tamaño es 100, nos debe tomar 2 segundos
    en realizar el algoritmo, un valor de 1000 nos debe tomar 3 segundos y así consecuentemente.
    Un ejemplo muy claro es al momento de ejecutar una búsqueda binaria. En este algoritmo
    particionamos un arreglo, previamente ordenado, en dos. Tomamos el indice medio como punto
    de referencia para obtener el valor que se encuentra a la mitad del arreglo. Si el dato a la mitad
    del arreglo es igual al dato que estamos buscando, regresamos el indice medio sumándole el
    prefijo que usaremos como base para encontrar el espacio donde el dato que estamos buscando
    se ubica. Consecuentemente, si el número que buscamos es mayor al dato medio del arreglo,
    buscaremos en el lado derecho del arreglo y le sumaremos a nuestro prefijo el indice medio; por
    otra parte, si el dato que buscamos es menor al dato que se encuentra a la mitad del arreglo,
    buscaremos en el lado izquierdo del arreglo. Posteriormente utilizamos el prefijo que tenemos
    actualmente para que sea la base de la siguiente iteración de manera recursiva. Repetimos este
    ciclo hasta encontrar el número dado por parámetro en la función.

    O(n ^ 2): Complejidad Cuadrática


    Encontramos complejidad cuadrática en los algoritmos, cuando su rendimiento es directamente
    proporcional al cuadrado del tamaño del valor de entrada. Es decir, si tenemos como dato de
    entrada un arreglo con un tamaño de 4 elementos que queremos comparar para ver si hay
    elementos repetidos, tendremos que hacer 16 comparaciones en total para completar nuestro
    algoritmo. Esta complejidad es común encontrarla en algoritmos de ordenamiento de datos como
    el método de la burbuja, el de inserción y el método de selección, entre algunos otros.

    La complejidad puede incrementarse con más ciclos anidados, hasta llegar a ser una complejidad n
    * n.

    O(2 ^ n): Complejidad Exponencial


    Cuando un algoritmo tiene complejidad exponencial, su rendimiento se incrementa al doble cada
    vez que se agregue un nuevo dato al valor de entrada, por ende, incrementando su tamaño de
    manera exponencial. Esto quiere decir que, si tenemos un arreglo con 1 elemento y nos toma 10
    segundos ejecutar el algoritmo, con 2 elementos nos deberá tomar 20 segundos, con 3 nos deberá
    tomar 30 y así de manera sucesiva.
    Un ejemplo bastante común de complejidad exponencial es la sucesión de Fibonacci.

    METODO EXPLICACION O FUNCIONAMIENTO


    La complejidad constante nos indica que, sin
    importar el tamaño de entrada o salida, el tiempo de
    O(1) -> constante. ejecución y recursos utilizados por nuestro algoritmo
    siempre será el mismo.

    Decimos que un algoritmo tiene complejidad linear,


    cuando su tiempo de ejecución y/o uso de recursos
    O(n) -> linear. es directamente proporcional (es decir que se
    incrementa linealmente) al tamaño del valor de
    entrada necesario para la ejecución del algoritmo.

    La complejidad logarítmica es dada cuando el tiempo


    de ejecución o uso de recursos es directamente
    O(log n) -> logarítmica. proporcional al resultado logarítmico del tamaño del
    valor de entrada.

    Encontramos complejidad cuadrática en los


    algoritmos, cuando su rendimiento es directamente
    O(n ^ 2) -> cuadrática. proporcional al cuadrado del tamaño del valor de
    entrada.

    Cuando un algoritmo tiene complejidad exponencial,


    su rendimiento se incrementa al doble cada vez que
    O(2 ^ n) -> exponencial. se agregue un nuevo dato al valor de entrada, por
    ende, incrementando su tamaño de manera
    exponencial.
    Reflexión:
    Las estructuras de datos nos sirven para poder resolver problemas de
    una manera más fácil, también nos sirven para manipular u organizar
    información de una manera más eficaz, además pueden optimizar los
    recursos almacenados que se encuentran en nuestro Software

    REFRENCIAS

    J. (2016, 14 junio). Rendimiento de algoritmos y notación Big-O. Recuperado 28 de octubre de 2021,


    de https://www.campusmvp.es/recursos/post/Rendimiento-de-algoritmos-y-notacion-Big-O.aspx

    Alarcón, J. M. (s. f.). Rendimiento de algoritmos y notación Big-O - campusMVP.es. campusMVP.es.


    https://www.campusmvp.es/recursos/post/Rendimiento-de-algoritmos-y-notacion-Big-
    O.aspx#:~:text=En%20programaci%C3%B3n%20el%20rendimiento%20o,siglo%20pasado%2C
    %20Edmund%20Landau

    Notación big O. (s. f.). Programador web Pablo Cianes. https://pablocianes.com/notacion-big-o/

    También podría gustarte

    pFad - Phonifier reborn

    Pfad - The Proxy pFad of © 2024 Garber Painting. All rights reserved.

    Note: This service is not intended for secure transactions such as banking, social media, email, or purchasing. Use at your own risk. We assume no liability whatsoever for broken pages.


    Alternative Proxies:

    Alternative Proxy

    pFad Proxy

    pFad v3 Proxy

    pFad v4 Proxy