COMPLEJIDAD ALGORITMICA

ALUMNOS:
ANDREA KATHERINE CHAVEZ RIOS
[Dirección de la compañía]
1
Índice
1) Introducción .......................................................................................................... 3
2) ¿Qué es la complejidad algorítmica? ..................................................................... 3
3) Tiempo de ejecución ...............................................................................................5
3.1) IMPORTANCIA DE LA EFICIENCIA .................................................................... 6
4) Asíntotas ................................................................................................................ 8
5) El tamaño de un problema .................................................................................... 8
6) La complejidad no es un número: es una función................................................. 9
7) Órdenes de Complejidad ....................................................................................... 9
8) Impacto Práctico.....................................................................................................10
9) Reglas Prácticas ...................................................................................................... 13
Sentencias sencillas ................................................................................................... 13
9.1) Secuencia (;) ....................................................................................................... 13
9.2) Decisión (if) ........................................................................................................ 13
9.3) Bucles ................................................................................................................ 14
10) conclusión .............................................................................................................. 18
11) Anexos .................................................................................................................... 19
12) Bibliografía............................................................................................................. 21

2
 1) Introducción

Cuando solucionamos un
problema mediante la
construcción de un
algoritmo, normalmente
podemos atacar el
problema desde distintos
puntos de vista, aplicando distintas estrategias, y por tanto, llegando a
soluciones algorítmicas distintas.

Desde el punto de vista computacional, es necesario disponer de alguna

forma de comparar una solución algorítmica con otra, para conocer cómo
se comportarán cuando las implementemos, especialmente al atacar
problemas "grandes".

Entender la complejidad es importante porque a la hora de resolver

muchos problemas, utilizamos algoritmos ya diseñados. Saber valorar su
valor de complejidad puede ayudarnos mucho a conocer cómo se va a
comportar el algoritmo e incluso a escoger uno u otro.

Ante un mismo problema, puede haber mejores ideas y peores ideas acerca
de cómo afrontar su solución. En lo que sigue sólo nos ocuparemos de
algoritmos correctos, es decir, que nos llevan a una solución válida del
problema planteado. Dentro de lo que es correcto, el análisis de algoritmos
nos lleva a poder decir si una idea es mejor que otra.

Con un mismo algoritmo podemos escribir un programa mejor o peor. No

se puede escribir un programa correcto basado en un algoritmo incorrecto;
pero dentro de la corrección de la idea, hay programadores y compiladores
que son mejores que otros.

2) ¿Qué es la complejidad algorítmica?

3
 La complejidad algorítmica es una
métrica teórica que se aplica a los
algoritmos en este sentido. Es un
concepto que fundamental para todos los
programadores, pero sin embargo, a
menudo se desconoce por completo. En
muchos cursos y libros se elude el tema
porque a menudo se considera farragoso.

Pero eso no es necesariamente cierto. La complejidad de un algoritmo es

un concepto complicado pero sólo desde un punto de vista estrictamente
formal. La obtención y el estudio de la complejidad de un algoritmo
requiere ciertamente de unas cuantas destrezas matemáticas que no todos
tenemos y la aplicación de una serie de técnicas bastante particulares. Sin
embargo, no es un concepto difícil de entender.

La complejidad algorítmica representa la cantidad de recursos

(temporales) que necesita un algoritmo para resolver un problema y por
tanto permite determinar la eficiencia de dicho algoritmo.

Los criterios que se van a emplear para evaluar la complejidad algorítmica

no proporcionan medidas absolutas sino medidas relativas al tamaño del
problema

Por lo general un algoritmo debe ser :

 Fácil de entender, codificar y depurar Algoritmo

 Uso efectivo de los recursos del computador
 Menor tiempo de ejecución cuando se resuelve un problema

4
 3) Tiempo de ejecución

Una medida que suele ser útil

conocer es el tiempo de ejecución de
un programa en función de N, lo que
denominaremos T(N). Esta función
se puede medir físicamente
(ejecutando el programa, reloj en
mano), o calcularse sobre el código
contando instrucciones a ejecutar y
multiplicando por el tiempo
requerido por cada instrucción.
Así, un trozo sencillo de programa como
S1;
for (i= 0; i < N; i++)
S2;

requiere
T(N) = t1 + t2*N

siendo t1 el tiempo que lleve ejecutar la serie "S1" de sentencias, y t2 el que

lleve la serie "S2".
Prácticamente todos los programas reales incluyen alguna sentencia
condicional, haciendo que las sentencias efectivamente ejecutadas
dependan de los datos concretos que se le presenten. Esto hace que más
que un valor T(N) debamos hablar de un rango de valores

Tmin(N) = T(N) = Tmax(N)

Los extremos son habitualmente conocidos como "caso peor" y "caso

mejor". Entre ambos se hallara algún "caso promedio" o más frecuente.
Cualquier fórmula T(N) incluye referencias al parámetro N y a una serie de
constantes "Ki" que dependen de factores externos al algoritmo como
pueden ser la calidad del código generado por el compilador y la velocidad
de ejecución de instrucciones del ordenador que lo ejecuta. Dado que es
fácil cambiar de compilador y que la potencia de los ordenadores crece a
un ritmo vertiginoso, intentaremos analizar los algoritmos con algún nivel
de independencia de estos factores; es decir, buscaremos estimaciones
generales ampliamente válidas.

5
3.1) IMPORTANCIA DE LA EFICIENCIA

¿Qué utilidad tiene

diseñar algoritmos
eficientes si las
computadoras
procesan
la información cada
vez más rápido?
Bien; para demostrar
la importancia de la
elaboración de
algoritmos eficientes,
se plantea el siguiente
problema:

Contamos con una computadora capaz de procesar datos en 10-4 seg. En

esta computadora se ejecuta un algoritmo que lee registros de una base de
datos, dicho algoritmo tiene una complejidad exponencial 2n, ¿Cuánto
tiempo se tardará en procesar una entrada n de datos?

n TIEMPO

10 » 1 décima de segundo

20 » 2 minutos

30 > 1 día

40 > 3 años

50 = 3 570 años

100 = 4,019,693,684,133,150 milenios

Ahora se tiene la misma computadora capaz de procesar datos en 10-4 seg.

Pero se ejecuta un algoritmo que hace el mismo trabajo antes citado, pero
este algoritmo tiene una complejidad cúbica n3, ¿Cuánto tiempo se tardará
en procesar una entrada n de datos?

6
 n TIEMPO

10 = 1 décima de segundo

20 = 8 décimas de segundo

100 = 1.7 minutos

200 = 13.3 minutos

1000 » 1 día

Se puede concluir, que solo un algoritmo eficiente, con un orden de

complejidad bajo, puede tratar grandes volumen de datos, se razona que
un algoritmo es:

 Muy eficiente si su complejidad es de orden log n

 Eficiente si su complejidad es de orden na

 Ineficiente si su complejidad es de orden 2n

Se considera que un problema es tratable si existe un algoritmo que lo

resuelve con complejidad menor que 2n, y que es intratable o desprovisto
de solución en caso contrario

7
 4) Asíntotas

Por una parte necesitamos analizar la potencia de los algoritmos

independientemente de la potencia de la máquina que los ejecute e incluso
de la habilidad del programador que los codifique. Por otra, este análisis
nos interesa especialmente cuando el algoritmo se aplica a problemas
grandes. Casi siempre los problemas pequeños se pueden resolver de
cualquier forma, apareciendo las limitaciones al atacar problemas grandes.
No debe olvidarse que cualquier técnica de ingeniería, si funciona, acaba
aplicándose al problema más grande que sea posible: las tecnologías de
éxito, antes o después, acaban llevándose al límite de sus posibilidades.
Las consideraciones anteriores nos llevan a estudiar el comportamiento de
un algoritmo cuando se fuerza el tamaño del problema al que se aplica.
Matemáticamente hablando, cuando N tiende a infinito. Es decir, su
comportamiento asintótico.

5) El tamaño de un problema
La idea que subyace tras el concepto de complejidad temporal de un algoritmo es,
básicamente, medir cuánto tarda en resolver el problema.
Para resolver cualquier problema, son necesarios unos datos de entrada sobre los que
trabaja el algoritmo y que describen una ocurrencia concreta del problema que queremos
resolver. El algoritmo, finalmente obtiene una o varias soluciones al problema (si es que
el problema tiene soluciones).
Sin embargo, debemos tener en cuenta algunas consideraciones. Por ejemplo, piensa en
un típico algoritmo para ordenar los elementos de un vector. Seguro que conoces alguno.
El algoritmo consta de una serie de instrucciones que se repiten una y otra vez (bucles),
y probablemente, de una serie de selecciones (comparaciones) que hacen que se ejecute
uno u otro camino dentro del algoritmo.
Se hace necesaria una pregunta: ¿Tardará lo mismo un algoritmo de ordenación en
ordenar un vector con 100 valores que uno con 100000 valores?.... Obviamente no. Pues
aquí es donde tenemos que empezar a hablar del tamaño o talla del problema.
Un algoritmo de ordenación debería ser capaz de ordenar un vector con cualquier
número de elementos. Sin embargo, el tamaño del vector incide directamente en el
tiempo que tarda el algoritmo en resolverse.
Pues cualquier problema tiene un tamaño, que es un valor o un conjunto de valores que
se pueden obtener de los datos de entrada y que si varían, normalmente tienen una
repercusión en el tiempo que tardará el algoritmo en finalizar (aunque en algunos casos
no).
Por ejemplo, del problema de ordenar un vector, la talla del problema nos la da el
número de elementos del vector.
En un algoritmo que halle el término n-ésimo de la, la talla nos la da el propio término
número n que queremos hallar.
Cada problema tiene uno o varios valores que determinan su talla.

8
La complejidad se calcula en función de una talla genérica, y no concreta. Por ejemplo,
la complejidad de un algoritmo de ordenación se calcula pensando en un array de
longitud n, y no 5, 120 o 100000.

6) La complejidad no es un número: es una función

Otra consideración a tener en cuenta a la hora de tratar con la complejidad
es que si estamos contando el tiempo que tarda un algoritmo en resolver
un problema ¿En qué ordenador lo ejecutamos? Parece obvio que el mismo
algoritmo ejecutado en un ordenador el doble de rápido que otro tardará la
mitad en encontrar la solución. ¿Cuál debería ser entonces la unidad de
medida de la complejidad? Ninguna unidad de tiempo nos vale: ni
segundos ni milisegundos, porque el resultado variaría de un ordenador a
otro.
Además... parece obvio también que el mismo algoritmo tardará más o
menos en solucionar un problema de una talla u otra. Es decir, no puede
tardarse lo mismo en ordenar un array de 100 valores que uno de 100000.
Bueno... pues vamos a adoptar una simplificación que nos permita no tener
en cuenta en qué ordenador se ejecutará el algoritmo: en lugar de medir
tiempos, vamos a contar las instrucciones que debe realizar el algoritmo.
Supondremos que cada instrucción se ejecuta en un tiempo constante.
Nos podemos permitir esa simplificación porque lo que realmente
queremos saber es cómo crece el número de instrucciones necesarias para
resolver el problema con respecto a la talla del problema. Eso es realmente
la complejidad.
Por ejemplo, observa ésta función escrita en un pseudocódigo (da igual
cuál sea su propósito).
//pseudocódigo
funcion ejemplo(n: entero):entero
empieza
variables: a, j, k enteros
para j desde 1 hasta n hacer
a=a+j
fin para
para k desde n hasta 1 hacer
a=a-1
a=a*2
fin para
devolver a
termina

7) Órdenes de Complejidad

9
Se dice que O(f(n)) define un "orden de complejidad". Escogeremos como
representante de este orden a la función f(n) más sencilla del mismo. Así
tendremos

O(1) orden constante

O(log n) orden logarítmico

O(n) orden lineal

O(n log n)

O(n2) orden cuadrático

O(na) orden polinomial (a > 2)

O(an) orden exponencial (a > 2)

O(n!) orden factorial

Es más, se puede identificar una jerarquía de órdenes de complejidad que

coincide con el orden de la tabla anterior; jerarquía en el sentido de que cada
orden de complejidad superior tiene a los inferiores como subconjuntos. Si un
algoritmo A se puede demostrar de un cierto orden O1, es cierto que también
pertenece a todos los órdenes superiores (la relación de orden çota superior de'
es transitiva); pero en la práctica lo útil es encontrar la "menor cota superior", es
decir el menor orden de complejidad que lo cubra.
8) Impacto Práctico
Para captar la importancia relativa de los órdenes de complejidad conviene
echar algunas cuentas.

Sea un problema que sabemos resolver con algoritmos de diferentes

complejidades. Para compararlos entre si, supongamos que todos ellos
requieren 1 hora de ordenador para resolver un problema de tamaño
N=100.

¿Qué ocurre si disponemos del doble de tiempo? Nótese que esto es lo

mismo que disponer del mismo tiempo en un ordenador el doble de
potente, y que el ritmo actual de progreso del hardware es exactamente ese:

"duplicación anual del número de instrucciones por segundo".

¿Qué ocurre si queremos resolver un problema de tamaño 2n?

10
 O(f(n)) N=100 t=2h N=200

log n 1 h 10000 1.15 h

n 1h 200 2h

n log n 1 h 199 2.30 h

n2 1h 141 4h

n3 1h 126 8h

2n 1h 101 1030 h

Los algoritmos de complejidad O(n) y O(n log n) son los que muestran un
comportamiento más "natural": prácticamente a doble de tiempo, doble de datos
procesables.

Los algoritmos de complejidad logarítmica son un descubrimiento fenomenal,

pues en el doble de tiempo permiten atacar problemas notablemente mayores,
y para resolver un problema el doble de grande sólo hace falta un poco más de
tiempo (ni mucho menos el doble).

Los algoritmos de tipo polinómico no son una maravilla, y se enfrentan con

dificultad a problemas de tamaño creciente. La práctica viene a decirnos que
son el límite de lo "tratable".

Sobre la tratabilidad de los algoritmos de complejidad polinómica habría mucho

que hablar, y a veces semejante calificativo es puro eufemismo. Mientras
complejidades del orden O(n2) y O(n3) suelen ser efectivamente abordables,
prácticamente nadie acepta algoritmos de orden O(n100), por muy polinómicos
que sean. La frontera es imprecisa.

Cualquier algoritmo por encima de una complejidad polinómica se dice

"intratable" y sólo será aplicable a problemas ridículamente pequeños.

A la vista de lo anterior se comprende que los programadores busquen

algoritmos de complejidad lineal. Es un golpe de suerte encontrar algo de
complejidad logarítmica. Si se encuentran soluciones poligonales, se puede
vivir con ellas; pero ante soluciones de complejidad exponencial, más vale
seguir buscando.

No obstante lo anterior ...

 ... si un programa se va a ejecutar muy pocas veces, los costes de

codificación y depuración son los que más importan, relegando la
complejidad a un papel secundario.

11
 ... si a un programa se le prevé larga vida, hay que pensar que le tocará
mantenerlo a otra persona y, por tanto, conviene tener en cuenta su
legibilidad, incluso a costa de la complejidad de los algoritmos
empleados.
 ... si podemos garantizar que un programa sólo va a trabajar sobre datos
pequeños (valores bajos de N), el orden de complejidad del algoritmo
que usemos suele ser irrelevante, pudiendo llegar a ser incluso
contraproducente.

Por ejemplo, si disponemos de dos algoritmos para el mismo problema,

con tiempos de ejecución respectivos:

algoritmo tiempo complejidad

f 100 n O(n)

G n2 O(n2)

Asintóticamente, "f" es mejor algoritmo que "g"; pero esto es cierto a

partir de N > 100.
Si nuestro problema no va a tratar jamás problemas de tamaño mayor
que 100, es mejor solución usar el algoritmo "g".

El ejemplo anterior muestra que las constantes que aparecen en las

fórmulas para T(n), y que desaparecen al calcular las funciones de
complejidad, pueden ser decisivas desde el punto de vista de ingeniería.
Pueden darse incluso ejemplos más dramáticos:

algoritmo tiempo complejidad

f n O(n)

g 100 n O(n)

Aún siendo dos algoritmos con idéntico comportamiento asintótico, es

obvio que el algoritmo "f" es siempre 100 veces más rápido que el "g"
y candidato primero a ser utilizado.

 ... usualmente un programa de baja complejidad en cuanto a tiempo de

ejecución, suele conllevar un alto consumo de memoria; y viceversa. A
veces hay que sopesar ambos factores, quedándonos en algún punto de
compromiso.

12
  ... en problemas de cálculo numérico hay que tener en cuenta más
factores que su complejidad pura y dura, o incluso que su tiempo de
ejecución: queda por considerar la precisión del cálculo, el máximo
error introducido en cálculos intermedios, la estabilidad del algoritmo,
etc. etc.

9) Reglas Prácticas
Aunque no existe una receta que siempre funcione para calcular la
complejidad de un algoritmo, si es posible tratar sistematicamente una gran
cantidad de ellos, basandonos en que suelen estar bien estructurados y
siguen pautas uniformes.

Loa algoritmos bien estructurados combinan las sentencias de alguna de las

formas siguientes sentencias sencillas

 secuencia (;)
 decisión (if)
 bucles
 llamadas a procedimientos

Sentencias sencillas
Nos referimos a las sentencias de asignación, entrada/salida, etc. siempre y
cuando no trabajen sobre variables estructuradas cuyo tamaño este
relacionado con el tamaño N del problema. La inmensa mayoría de las
sentencias de un algoritmo requieren un tiempo constante de ejecución,
siendo su complejidad O(1).
9.1) Secuencia (;)

La complejidad de una serie de elementos de un programa es del orden de la

suma de las complejidades individuales, aplicándose las operaciones arriba
expuestas.
9.2) Decisión (if)

La condición suele ser de O(1), complejidad a sumar con la peor posible, bien
en la rama THEN, o bien en la rama ELSE. En decisiones multiples (ELSE IF,
SWITCH CASE), se tomara la peor de las ramas.

13
9.3) Bucles

En los bucles con contador explícito, podemos distinguir dos casos, que el
tamaño N forme parte de los límites o que no. Si el bucle se realiza un
número fijo de veces, independiente de N, entonces la repetición sólo
introduce una constante multiplicativa que puede absorberse.
Ej.- for (int i= 0; i < K; i++) { algo_de_O(1) } => K*O(1) =
O(1)
Si el tamaño N aparece como límite de iteraciones ...
Ej.- for (int i= 0; i < N; i++) { algo_de_O(1) } => N * O(1) = O(n)

Ej.- for (int i= 0; i < N; i++) {

for (int j= 0; j < N; j++) {
algo_de_O(1)
}
}
tendremos N * N * O(1) = O(n2)
Ej.- for (int i= 0; i < N; i++) {
for (int j= 0; j < i; j++) {
algo_de_O(1)
}
}
el bucle exterior se realiza N veces, mientras que el interior se realiza 1, 2,
3, ... N veces respectivamente. En total,

1 + 2 + 3 + ... + N = N*(1+N)/2 -> O(n2)

A veces aparecen bucles multiplicativos, donde la evolución de la variable de

control no es lineal (como en los casos anteriores)
Ej.- c= 1;
while (c < N) {
algo_de_O(1)
c= 2*c;
}
El valor incial de "c" es 1, siendo "2k" al cabo de "k" iteraciones. El número de
iteraciones es tal que
2k >= N => k= eis (log2 (N)) [el entero inmediato superior]
y, por tanto, la complejidad del bucle es O(log n).
Ej.- c= N;
while (c > 1) {
algo_de_O(1)
c= c / 2;
}
Un razonamiento análogo nos lleva a log2(N) iteraciones y, por tanto, a un
orden O(log n) de complejidad.

14
Ej.- for (int i= 0; i < N; i++) {
c= i;
while (c > 0) {
algo_de_O(1)
c= c/2;
}
}
tenemos un bucle interno de orden O(log n) que se ejecuta N veces, luego el
conjunto es de orden O(n log n)
4.4. Llamadas a procedimientos
La complejidad de llamar a un procedimiento viene dada por la complejidad
del contenido del procedimiento en sí. El coste de llamar no es sino una
constante que podemos obviar inmediatamente dentro de nuestros análisis
asintóticos.

El cálculo de la complejidad asociada a un procedimiento puede complicarse

notáblemente si se trata de procedimientos recursivos. Es fácil que tengamos
que aplicar técnicas propias de la matemática discreta, tema que queda fuera de
los límites de esta nota técnica.

. Ejemplo: evaluación de un polinomio

Vamos a aplicar lo explicado hasta ahora a un problema de fácil
especificación: diseñar un programa para evaluar un polinomio P(x) de grado
N;
class Polinomio {
private double[] coeficientes;

Polinomio (double[] coeficientes) {

this.coeficientes= new double[coeficientes.length];
System.arraycopy(coeficientes, 0, this.coeficientes, 0,
coeficientes.length);
}

double evalua_1 (double x) {

double resultado= 0.0;
for (int termino= 0; termino < coeficientes.length; termino++) {
double xn= 1.0;
for (int j= 0; j < termino; j++)
xn*= x; // x elevado a n
resultado+= coeficientes[termino] * xn;
}
return resultado;
}
}

Como medida del tamaño tomaremos para N el grado del polinomio, que es el
número de coeficientes en C. Así pues, el bucle más exterior (1) se ejecuta N
veces. El bucle interior (2) se ejecuta, respectivamente

15
 1 + 2 + 3 + ... + N veces = N*(1+N)/2 => O(n2)
Intuitivamente, sin embargo, este problema debería ser menos complejo,
pues repugna al sentido común que sea de una complejidad tan elevada. Se
puede ser más inteligente a la hora de evaluar la potencia xn:
double evalua_2 (double x) {
double resultado= 0.0;
for (int termino= 0; termino < coeficientes.length; termino++) {
resultado+= coeficientes[termino] * potencia(x, termino);
}
return resultado;
}

private double potencia (double x, int n) {

if (n == 0)
return 1.0;
// si es potencia impar ...
if (n%2 == 1)
return x * potencia(x, n-1);
// si es potencia par ...
double t= potencia(x, n/2);
return t*t;
}

El análisis de la función Potencia es delicado, pues si el exponente es par, el

problema tiene una evolución logarítmica; mientras que si es impar, su
evolución es lineal. No obstante, como si "j" es impar entonces "j-1" es par, el
caso peor es que en la mitad de los casos tengamos "j" impar y en la otra
mitad sea par. El caso mejor, por contra, es que siempre sea "j" par.

Un ejemplo de caso peor seria x31, que implica la siguiente serie para j:
31 30 15 14 7 6 3 2 1
cuyo número de terminos podemos acotar superiormente por
2 * eis (log2(j)),
donde eis(r) es el entero inmediatamente superior (este cálculo responde al
razonamiento de que en el caso mejor visitaremos eis(log2(j)) valores pares
de "j"; y en el caso peor podemos encontrarnos con otros tantos números
impares entremezclados).

Por tanto, la complejidad de Potencia es de orden O(log n).

Insertada la función Potencia en la función EvaluaPolinomio, la complejidad

compuesta es del orden O(n log n), al multiplicarse por N un subalgoritmo de
O(log n).

16
Así y todo, esto sigue resultando estravagante y excesivamente costoso. En
efecto, basta reconsiderar el algoritmo almacenando las potencias de "X" ya
calculadas para mejorarlo sensiblemente:

double evalua_3 (double x) {

double xn= 1.0;
double resultado= coeficientes[0];
for (int termino= 1; termino < coeficientes.length; termino++) {
xn*= x;
resultado+= coeficientes[termino] * xn;
}
return resultado;
}

que queda en un algoritmo de O(n).

Habiendo N coeficientes C distintos, es imposible encontrar ningun algoritmo

de un orden inferior de complejidad.

En cambio, si es posible encontrar otros algoritmos de idéntica complejidad:

double evalua_4 (double x) {

double resultado= 0.0;
for (int termino= coeficientes.length-1; termino >= 0; termino--)
{
resultado= resultado * x +
coeficientes[termino];
}
return resultado;
}

No obstante ser ambos algoritmos de idéntico orden de complejidad, cabe

resaltar que sus tiempos de ejecución serán notablemente distintos. En efecto,
mientras el último algoritmo ejecuta N multiplicaciones y N sumas, el
penúltimo requiere 2N multiplicaciones y N sumas. Si, como es frecuente, el
tiempo de ejecución es notablemente superior para realizar una multiplicación,
cabe razonar que el último algoritmo ejecutará en la mitad de tiempo que el
anterior

17
10) conclusión
Antes de realizar un programa conviene elegir un buen algoritmo, donde por bueno
entendemos que utilice pocos recursos, siendo usualmente los más importantes el
tiempo que lleve ejecutarse y la cantidad de espacio en memoria que requiera. Es
engañoso pensar que todos los algoritmos son "más o menos iguales" y confiar en
nuestra habilidad como programadores para convertir un mal algoritmo en un
producto eficaz. Es asimismo engañoso confiar en la creciente potencia de las
máquinas y el abaratamiento de las mismas como remedio de todos los problemas
que puedan aparecer.
En el análisis de algoritmos se considera usualmente el caso peor, si bien a veces
conviene analizar igualmente el caso mejor y hacer alguna estimación sobre un caso
promedio. Para independizarse de factores coyunturales tales como el lenguaje de
programación, la habilidad del codificador, la máquina soporte, etc. se suele trabajar
con un cálculo asintótico que indica como se comporta el algoritmo para datos muy
grandes y salvo algún coeficiente multiplicativo. Para problemas pequeños es cierto
que casi todos los algoritmos son "más o menos iguales", primando otros aspectos
como esfuerzo de codificación, legibilidad, etc. Los órdenes de complejidad sólo son
importantes para grandes problemas.

18
11) Anexos

Fácil de
entender,
codificar y
depurar
Algoritmo

Uso efectivo
de los
recursos del
computador
Menor tiempo de
ejecución cuando se
resuelve un
problema

19
 Naturaleza y rapidez
de las instrucciones
maquina Complejidad
de tiempo del
algoritmo

Tiempo
Datos de entrada de complejidad del
tiempo del algoritmo
ejecucion

Calidad del código

generado para crear
el código objeto.

20
12) Bibliografía

 http://www.virtual.unal.edu.co/cursos/sedes/manizales/4060024/Lecciones/Capitulo

%20II/rbasicas.htm

 http://es.slideshare.net/rezzaca/u1-analisis-algoritmos-complejidad

 www.it.uc3m.es/tlp/materiales/es/2%20compl.pdf

 dmi.uib.es/~mascport/tp/perweb/tema1.html

 www.lab.dit.upm.es/~lprg/material/apuntes/o/

 www.dit.upm.es/~pepe/doc/adsw/apuntes/Complejidad.pdf

21