Tema2 Recursividad Parte1

Departamento de
Métodos
Cuantitativos
Tema 2.1. Análisis de Complejidad

Antonio Manuel Durán Rosal (amduran@uloyola.es)
Programación Avanzada
2º de Grado en Ingeniería Informática y Tecnologías Virtuales
Curso 2020-2021
Octubre 2020
Índice de contenidos
1. Algoritmos
2. Complejidad de un Algoritmo
3. Notación Asintótica
4. Cálculo de la Complejidad
A.M. Durán-Rosal 2/51

1. Algoritmos
1. Algoritmos
Definición
Características de un Algoritmo

1. Algoritmos→ Definición
¿Qué entendemos por algoritmo?
Conjunto de reglas y pasos seguidos para realizar un determinado

cálculo, ya sea de tipo manual o en una máquina. Ejemplos: méto-
dos que aprendimos para sumar, restar, multiplicar y dividir.
Un algoritmo muy famoso es el propuesto por Euclides para calcular
el mcd entre dos enteros:
Sean a y b dos números Algoritmo mcd(a,b)

inicio
enteros, tal que a > b, si b = 0 entonces
devolver a
entonces el mcd(a, b) = sino
mcd(b, r ) siendo r el resto r <- a mod b
devolver mcd(b,r)
de dividir a entre b. finsi
fi

1. Algoritmos→ Características de un Algoritmo
Características de un algoritmo
• Precisión: las reglas de los algoritmos han de ser precisas y

no dar lugar a la ambigüedad. Por ejemplo, un algoritmo no
puede tener una regla del tipo sume una cantidad de dinero
a su gusto. No obstante, los algoritmos probabilísticos pueden
violar en parte esta rigidez.
• Determinismo: ante unas mismas condiciones, el algoritmo
debe comportarse exactamente igual.
• General: capaz de resolver una clase de problemas lo más am-
plia posible.
• Eficiente: debe consumir poca cantidad de recursos (tiempo,
memoria, procesador). Nos centraremos en el tiempo.

1. Algoritmos→ Características de un Algoritmo
Algorítmica: ¿Qué algoritmo escoger?

1. Algoritmos
Complejidad
Factores
Enfoques

2. Complejidad de un Algoritmo→ Complejidad
Definición
El cálculo de la eficiencia o complejidad de un algoritmo consiste
en la evaluación de los recursos necesarios para su ejecución, de
forma que para un determinado problema podamos elegir el mejor
algoritmo.

2. Complejidad de un Algoritmo→ Complejidad
¿Es necesario su cálculo?
Ordenación de vector de 100.000 Cálculo de determinante de

enteros 25x25
Método Burbuja Quicksort Recursivo Gauss-Jordan

varios minutos segundos años fracción seg

2. Complejidad de un Algoritmo→ Factores
Factores que influyen en el cálculo
• El tamaño de los datos de entrada o tamaño del ejemplar.

• El contenido de los datos de entrada.
• El computador y el código generado por el compilador.
Definimos T (n) como el tiempo empleado para ejecutar el algoritmo
con una entrada de tamaño n.

Tamaño de los datos de entrada
Aunque el tamaño de un ejemplar se corresponde formalmente con

el número de dígitos necesarios para representarlo en un ordenador,
se suele identificar como el número de elementos lógicos contenidos
en el ejemplar. Por ejemplo:
• Ordenar n número enteros → tamaño n.
• Factorial de un número → tamaño en función del valor.
• Matrices cuadradas → tamaño en función de su orden.

Contenido de los datos de entrada
Se distinguen tres estrategias:

• Estudio de la eficiencia en el caso peor Tmax (n): se fija un
tamaño del problema y se estudia la eficiencia en situaciones
que emplean más tiempo para dar una cota superior.
• Estudio en el caso medio Tmed (n): se debe conocer el tiempo
de ejecución de todas las situaciones y su frecuencia de ocu-
rrencia → es muy complejo y casi no se usa.
• Estudio en el mejor caso Tmin (n): se estudia la eficiencia en
situaciones en las que se emplea menor tiempo posible para
dar una cota inferior. No es recomendable su uso ya que es
demasiado optimista.

Computador y código generado por compilador
No se suele tener en cuenta debido a:

• Se pretende analizar la eficiencia de modo totalmente indepen-
diente a las máquinas y lenguajes existentes.
• Principio de invarianza: dos implementaciones de un mismo
algoritmo no diferirán más que en una constante multiplicativa.

2. Complejidad de un Algoritmo→ Enfoques
Enfoques en la evaluación
Enfoques
Empírico o a
Teórico o a priori Híbrido
posteriori

1. Algoritmos
Definición
Notación Orden de f (n) (O())
Notación Omega de f (n) (Ω())
Notación Orden Exacto de f (n) (Θ())
Propiedades de la Notación Orden O()
Jerarquía de los Órdenes de Complejidad

3. Notación Asintótica→ Definición
Definición
Estudia el comportamiento del algoritmo cuando el tamaño de las

entradas es lo suficientemente grande (n → ∞), sin tener en cuenta
lo que ocurre para entradas pequeñas y obviando factores constan-
tes.
En otras palabras, si f es la función que indica cuanto tarda en
ejecutarse un algoritmo, entonces f (n) es el tiempo que requiere
cuando el tamaño del problema es n. La eficiencia se estudia por
medio de f (n) cuando n es lo suficientemente grande, por eso se
denomina análisis asintótico.

3. Notación Asintótica→ Notación Orden de f (n) (O())
Notación orden de f (n) (O())
Sea f : N → R+ ∪ {0}. El conjunto de las funciones de orden de

f (n), denotado por O(f (n)), se define como:
O(f (n)) = T : N → R+ ∪ {0}|∃c ∈ R+ , n0 ∈ N, ∀n ≥ n0 , T (n) ≤ cf (n) .

O expresado de otra forma: decimos que una función T (n) es O(f (n))
si existen constantes n0 y c tales que T (n) ≤ cf (n) para todo
n ≥ n0 .
T (n) es O(f (n)) ↔ ∃c ∈ R+ , ∃n0 ∈ N, tal que ∀n ≥ n0 , T (n) ≤ cf (n).

3. Notación Asintótica→ Notación Orden de f (n) (O())
Notación orden de f (n) (O())
Resumiendo, se dice que T (n) es del orden de f (n) cuando está aco-
tada superiormente por f (n) para valores suficientemente grandes
de n y haciendo abstracción de posibles constantes multiplicativas.

3. Notación Asintótica→ Notación Omega de f (n) (Ω())
Notación omega de f (n) (Ω())
Sea f : N → R+ ∪ {0}. El conjunto de las funciones de orden de

f (n), denotado por Ω(f (n)), se define como:
Ω(f (n)) = T : N → R+ ∪ {0}|∃c ∈ R+ , n0 ∈ N, ∀n ≥ n0 , T (n) ≥ cf (n) .

O expresado de otra forma: decimos que una función T (n) es Ω(f (n))
si existen constantes n0 y c tales que T (n) ≥ cf (n) para todo
n ≥ n0 .
T (n) es Ω(f (n)) ↔ ∃c ∈ R+ , ∃n0 ∈ N, tal que ∀n ≥ n0 , T (n) ≥ cf (n).

3. Notación Asintótica→ Notación Omega de f (n) (Ω())
Notación omega de f (n) (Ω())
Resumiendo, se dice que T (n) está en omega de f (n) cuando es-

tá acotada inferiormente por f (n) para valores suficientemente
grandes de n y haciendo abstracción de posibles constantes multi-
plicativas.
Las notaciones orden y omega son independientes de que el
análisis sea en el mejor caso, peor caso o caso medio. Si T (n)
representa el tiempo de ejecución de un algoritmo y T (n) ∈
Ω(f (n)), entonces la medida Ω(f (n)) no se refiere al mejor
tiempo del mismo, sino a una cota inferior de T (n).

3. Notación Asintótica→ Notación Orden Exacto de f (n) (Θ())
Notación orden exacto de f (n) (Θ())
Sea f : N → R+ ∪ {0}. El conjunto de las funciones de orden exacto

de f (n), denotado por Θ(f (n)), se define como:
Θ(f (n)) = O(f (n)) ∩ Ω(f (n)).
Es decir, T (n) es Θ(f (n)) cuando T (n) es O(f (n)) y T (n) es

Ω(f (n)).
NOS CENTRAREMOS EN LA NOTACIÓN ORDEN O()

3. Notación Asintótica→ Propiedades de la Notación Orden O()
Propiedades de O()
Nº Expresión
1 Reflexiva: f (n) ∈ O(f (n)).
2 Transitiva: Si f (n) ∈ O(g(n)) y g(n) ∈ O(h(n)) → f (n) ∈ O(h(n)).
3 Si g(n) ∈ O(f (n)) y f (n) ∈ O(g(n)) → O(f (n)) ∈ O(g(n)).
4 ∀c ∈ R+ O(cf (n)) = O(f (n)).
5 Si a, b > 1 → O(loga n) = O(logb n) = O(log n).
6 Regla del máximo o suma: O(f (n) + g(n)) = O(máx(f (n), g(n))).
Regla del límite:
f (n)
1. Si lı́m ∈ R+ → f (n) ∈ O(g(n)) y g(n) ∈ O(f (n))
n→∞ g(n)
7 f (n)
2. Si lı́m = 0 → f (n) ∈ O(g(n)) y g(n) ∈
/ O(f (n))
n→∞ g(n)
f (n)
3. Si lı́m = ∞ → f (n) ∈
/ O(g(n)) y g(n) ∈ O(f (n))
n→∞ g(n)

3. Notación Asintótica→ Jerarquía de los Órdenes de Complejidad
Jerarquía de los órdenes

Como se ha comentado, elegiremos como representante del orden
de complejidad a la función f (n) más sencilla perteneciente a esta
familia. Así:
Orden Nombre
O(1) Complejidad constante
O(log n) Complejidad logarítmica
O(n) Complejidad lineal
O(n log n) Complejidad cuasilineal
O(n2 ) Complejidad cuadrática
O(n3 ) Complejidad cúbica
O(nk ) Complejidad polinómica
O(2n ) Complejidad exponencial
O(n!) Complejidad factorial
O(1) ⊂ O(log n) ⊂ O(n) ⊂ O(n log n) ⊂ O(n2 ) ⊂ O(n3 ) ⊂ O(nk ) ⊂ O(2n ) ⊂ O(n!)

Jerarquía de los órdenes
1. Complejidad constante: no depende del tamaño de los datos

de entrada.
2. Complejidad algorítmica: aparece en determinados algoritmos
con iteración o recursión no estructural (búsqueda binaria).
3. Complejidad lineal: buena y usual. Bucles simples.
4. Complejidad cuasilineal: algoritmos del tipo divide y vencerás.
5. Complejidad cuadrática: bucles doblemente anidados.
6. Complejidad cúbica: bucles con triple anidación. Al crecer n,
el tiempo crece drásticamente.
7. Complejidad polinómica: bastante mala si n crece.
8. Complejidad exponencial: debe evitarse.
9. Complejidad factorial: el tiempo de ejecución crece de manera
inviable.

Comparativa gráfica

Comparativa analítica
Duplicar el tamaño del problema Duplicar el tiempo disponible

T (n) n = 100 n = 200 T (n) t = 1s t = 2s
log n 1s 1,15s log n n=100 n=100000
n 1s 2s n n=100 n=200
n log n 1s 2,3s n log n n=100 n=178
n2 1s 4s n2 n=100 n=141
n3 1s 8s n3 n=100 n=126
2 n 1s 1,27 · 1030 s 2n n=100 n=101

Consideraciones importantes
• Un algoritmo eficientemente bueno en términos generales no

implica que no exista otro algoritmo que resuelva el mismo
problema de una forma más eficiente.
• En la notación asintótica estamos obviando las constantes ya
que estamos ante valores de n suficientemente grandes.
I Con valores de n pequeños no tiene porque ocurrir lo mismo.
I Habrá que determinar cuando es mejor usar un algoritmo u otro
en función de este tamaño si fuera necesario.

Ejercicio 1
En Moodle tenéis disponible una carpeta con los algoritmos de or-

denación Burbuja y Quicksort.
a) Probaremos el problema de aumentar el tamaño de entrada de
los datos.
b) Comprobaremos cuando afecta más en términos de tiempo se-
gún su orden de complejidad.

1. Algoritmos
Introducción
Algoritmos No Recursivos
Algoritmos Recursivos

4. Cálculo de la Complejidad→ Introducción
Cálculo de la complejidad
• Como se ha comentado, un algoritmo puede tener tres tiem-

pos de ejecución Tmin (n) (mejor caso), Tmax (n) (peor caso), y
Tmed (n) muy difícil de determinar.
• Utilizaremos el peor caso ya que el tiempo mínimo es dema-
siado optimista y refleja en pocas ocasiones la realidad en la
ejecución de los programas.
• Hablaremos de tiempo total de ejecución y orden de eficiencia
(Notación O(n)).
• Distinguimos entre algoritmos no recursivos y algoritmos recur-
sivos.

4. Cálculo de la Complejidad→ Algoritmos No Recursivos
Sentencias simples
El tiempo de ejecución necesario para la evaluación de una cons-

tante, una expresión formada por términos simples, lectura y escri-
tura o una asignación simple es constante.
Su orden de eficiencia es O(1).

Secuencia de instrucciones
El tiempo de ejecución es igual a la suma de los tiempos de eje-
cución de cada una de las sentencias del bloque.
Ts (n) = Ts1 (n) + Ts2 (n) + · · · + Tsk (n).
Su orden, aplicando la regla de la suma, es:
O(Ts (n)) = O(máx(Ts1 (n), Ts2 (n), . . . , Tsk (n))).
s1;
s2;
...
sk;

Sentencias condicionales
El tiempo de ejecución es igual a la suma del tiempo de evaluación
Tg (n) más el máximo de los tiempos del consecuente Ts1 (n) y la
alternativa Ts2 (n).
Tif (n) = Tg (n) + máx(Ts1 (n), Ts2 (n)).
O(Tif (n)) = O(máx(Tg (n), Ts1 (n), Ts2 (n))).
if(g) {
s1;
}
else{
s2;
}

Sentencias iterativas

Tg (n) más la de los tiempos de las sucesivas iteraciones (I): Ts (n)+
Tg (n).
Tit (n) = Tg (n) + (Ts (n) + Tg (n)).
X
O(Tit (n)) = O(n máx(Ts (n), Tg (n))).
while(g){
s;
}

Llamada a funciones

de los argumentos Ta (n) más el de ejecución del cuerpo Tc (n).
Tf (n) = Ta (n) + Tc (n).
O(Tf (n)) = O(máx(Ta (n), Tc (n))).
F(a1, a2, ..., an){

c;
}

Ejercicio 2
a) Calcula el tiempo de ejecución (peor caso) y el orden de com-

plejidad de los siguientes algoritmos:
1 int i; 1 i=1; 1 for(i=1; i<=n; i++){

2 for(i=1; i<=n; i++) 2 while(i<=n){ 2 for(j=1; j<=n; j++){
3 { 3 s = s + i; 3 suma = suma + a[i][j];
4 r+=a*i; 4 i = i + r; 4 }
5 } 5 } 5 }
1 if(n %2==0){ 1 i=1; 1 x=1;

2 for(i=1;i<=n;i++){ 2 while(i<=n){ 2 while(x<=n)
3 a[i] = -a[i]; 3 x=x*i; 3 {
4 } 4 i=i+2; 4 x=2*x;
5 } 5 } 5 }

4. Cálculo de la Complejidad→ Algoritmos Recursivos
Algoritmos recursivos
Antes de comenzar con el análisis de complejidad de algoritmos

recursivos, vamos a definir y a explicar lo que son estos algoritmos.
Para ello, veremos el pdf:
Tema2.2_Presentación.pdf

Métodos
Se pueden utilizar distintos métodos para resolver ecuaciones recu-

rrentes:
• Método de la ecuación característica.
• Acotación.
• Expansión de recurrencias.
• Etcétera.

Expansión de recurrencias
• Este método consiste en sustituir las recurrencias por su igual-

dad hasta llegar a cierta T (n) conocida, es decir, hasta los casos
base.
• Nos proporciona una cota superior.
• Es relativamente sencillo de aplicar en los programas y algorit-
mos que vamos a tratar durante el curso.

Supongamos la siguiente función que calcula el factorial de un nú-

mero:
1 int factorial (int n)
2 {
3 if (n <= 1)
4 {
5 return 1;
6 }
7 else
8 {
9 return (n*factorial(n-1));
10 }
11 }

Escribimos una ecuación de recurrencia que acota a T (n) superior-

mente:
1 int factorial (int n)
2 {
3 if (n <= 1)
4 {
5 return 1; (
1 si n ≤ 1
6 }
T (n) =
7 else T (n − 1) + 3 si n > 1
8 {
9 return (n*factorial(n-1));
10 }
11 }

Expandimos la función:
(
1 si n ≤ 1
T (n) =
T (n − 1) + 3 si n > 1
T (n) = T (n − 1) + 3
T (n) = T (n − 2) + 3 + 3
T (n) = T (n − 3) + 3 + 3 + 3
···
T (n) = T (n − k) + 3k

Damos un valor a k para llegar al caso base:

(
1 si n ≤ 1
T (n) =
T (n − 1) + 3 si n > 1
T (n) = T (n − k) + 3k
Si k es igual a n → T (n) = T (n − n) + 3n = T (0) + 3n
O(T (n)) = n

Ejercicio 3 (1/3)
Dados los siguientes algoritmos:
a) Calcular la función de recurrencia de T (n).
b) Calcular el orden de complejidad.
1 int Recursiva(int n)
1 int Recursiva(int n)
2 {
2 {
3 if(n<=1)
3 if(n<=1)
4 {
4 {
5 return 1;
5 return 1;
6 }
6 }
7 else
7 else
8 {
8 {
9 return (Recursiva(n-1) +
9 return (2*Recursiva(n-1));
Recursiva(n-1));
10 }
10 }
11 }
11 }

Ejercicio 3 (2/3)
1 int Recursiva(int n, int x)
1 int Recursiva(int n) 2 {
2 { 3 if(n<=1)
3 if(n<=1) 4 {
4 { 5 return 1;
5 return 1; 6 }
6 } 7 else{
7 else 8 for(int i=1; i<=n; i++){
8 { 9 x = x + 1;
9 return (2*Recursiva(n/2)); 10 }
10 } 11 return Recursiva(n-1,x);
11 } 12 }
13 }

Ejercicio 3 (3/3)

1 int fibonacci(int n)
2 {
3 if(n<=1)
4 {
5 return n;
6 }
7 else
8 {
9 return (fibonacci(n-1) + fibonacci(n-2));
10 }
11 }

Series recurrentes de utilidad
• Progresión aritmética: an = an−1 + c, siendo c constante.

n
n(a1 + an )
ai =
X
.
i=1
2
• Progresión geométrica: an = ran−1 , siendo r 6= 1 constante.

n
an r − a1
ai =
X
.
i=1
r −1
• Suma de cuadrados:
n
n(n + 1)(2n + 1)
i2 =
X
.
i=1
6

Ejercicio 4
Obtener el orden de complejidad de los siguientes algoritmos:
a) Método de la burbuja recursivo:
(
1 si n = 1
T (n) =
T (n − 1) + (n − 1) si n > 1
b) Búsqueda en árbol binario ordenado y balanceado:

(
1 si n = 1
T (n) =
T (n/2) + 1 si n > 1
c) Búsqueda en árbol binario ordenado y no balanceado:

(
1 si n = 1
T (n) =
2T (n/2) + 1 si n > 1

Referencias
Recursos electrónicos
• cppreference. (2020). Referencia C++:
https://en.cppreference.com/w/.
• Goalkicker.com (2018). C++: Note for Professionals.
• Goalkicker.com (2018). Algorithms: Notes for Professionals.
• Joyanes, L. (2000). Programación en C++: Algoritmos, Estruc-
turas de datos y Objetos.

Referencias
Libros:
• Brassard, G., Bratley, P. (1997). Fundamentos de Algoritmia.
• Guerequeta, R., Vallecillo, A. (1998). Técnicas de diseño de
algoritmos.
• Joyanes, L. (2008). Fundamentos de programación: algoritmos,
estructura de datos y objetos.
• Knuth, D. (2011). The Art of Computer Programming, Volu-
mes 1-4. Third Edition.
• Martí, N., Ortega, Y., Verdejo, J.A. (2003). Estructuras de da-
tos y métodos algorítmicos: Ejercicios resueltos.
• Parker, A. Algorithms and Data Structures in C++. CRC Press.

¿Preguntas?

Tema2 Recursividad Parte1

Cargado por

Información del documento

Título original

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

Tema2 Recursividad Parte1

Cargado por

Copyright:

Formatos disponibles

Departamento de

Tema 2.1. Análisis de Complejidad

A.M. Durán-Rosal 2/51

A.M. Durán-Rosal 3/51

¿Qué entendemos por algoritmo?

Conjunto de reglas y pasos seguidos para realizar un determinado

Sean a y b dos números Algoritmo mcd(a,b)

A.M. Durán-Rosal 4/51

• Precisión: las reglas de los algoritmos han de ser precisas y

A.M. Durán-Rosal 5/51

Algorítmica: ¿Qué algoritmo escoger?

A.M. Durán-Rosal 6/51

A.M. Durán-Rosal 7/51

A.M. Durán-Rosal 8/51

¿Es necesario su cálculo?

Ordenación de vector de 100.000 Cálculo de determinante de

Método Burbuja Quicksort Recursivo Gauss-Jordan

A.M. Durán-Rosal 9/51

Factores que influyen en el cálculo

• El tamaño de los datos de entrada o tamaño del ejemplar.

A.M. Durán-Rosal 10/51

Tamaño de los datos de entrada

Aunque el tamaño de un ejemplar se corresponde formalmente con

A.M. Durán-Rosal 11/51

Contenido de los datos de entrada

Se distinguen tres estrategias:

A.M. Durán-Rosal 12/51

Computador y código generado por compilador

No se suele tener en cuenta debido a:

A.M. Durán-Rosal 13/51

A.M. Durán-Rosal 14/51

A.M. Durán-Rosal 15/51

Estudia el comportamiento del algoritmo cuando el tamaño de las

A.M. Durán-Rosal 16/51

Notación orden de f (n) (O())

Sea f : N → R+ ∪ {0}. El conjunto de las funciones de orden de

O(f (n)) = T : N → R+ ∪ {0}|∃c ∈ R+ , n0 ∈ N, ∀n ≥ n0 , T (n) ≤ cf (n) .

T (n) es O(f (n)) ↔ ∃c ∈ R+ , ∃n0 ∈ N, tal que ∀n ≥ n0 , T (n) ≤ cf (n).

A.M. Durán-Rosal 17/51

Notación orden de f (n) (O())

A.M. Durán-Rosal 18/51

Notación omega de f (n) (Ω())

Sea f : N → R+ ∪ {0}. El conjunto de las funciones de orden de

Ω(f (n)) = T : N → R+ ∪ {0}|∃c ∈ R+ , n0 ∈ N, ∀n ≥ n0 , T (n) ≥ cf (n) .

T (n) es Ω(f (n)) ↔ ∃c ∈ R+ , ∃n0 ∈ N, tal que ∀n ≥ n0 , T (n) ≥ cf (n).

A.M. Durán-Rosal 19/51

Notación omega de f (n) (Ω())

Resumiendo, se dice que T (n) está en omega de f (n) cuando es-

A.M. Durán-Rosal 20/51

Notación orden exacto de f (n) (Θ())

Sea f : N → R+ ∪ {0}. El conjunto de las funciones de orden exacto

Θ(f (n)) = O(f (n)) ∩ Ω(f (n)).

Es decir, T (n) es Θ(f (n)) cuando T (n) es O(f (n)) y T (n) es

NOS CENTRAREMOS EN LA NOTACIÓN ORDEN O()

A.M. Durán-Rosal 21/51

A.M. Durán-Rosal 22/51

Jerarquía de los órdenes

A.M. Durán-Rosal 23/51

Jerarquía de los órdenes

1. Complejidad constante: no depende del tamaño de los datos

A.M. Durán-Rosal 24/51

A.M. Durán-Rosal 25/51

Duplicar el tamaño del problema Duplicar el tiempo disponible