Temas Repaso

Técnicas de Demostración
Herramientas Matemáticas Básicas

Notación Asintótica
Estructuras de Datos
Análisis de Algoritmos por Estructuras de Control
Algoritmos y Complejidad
Repaso de Técnicas y Herramientas
Pablo R. Fillottrani
Depto. Ciencias e Ingeniería de la Computación

Universidad Nacional del Sur
Primer Cuatrimestre 2024
1/36
Pablo R. Fillottrani Algoritmos y Complejidad
Técnicas y Herramientas
1 Técnicas de Demostración
2 Herramientas Matemáticas Básicas
3 Notación Asintótica
4 Estructuras de Datos
5 Análisis de Algoritmos por Estructuras de Control
2/36
pruebas por contradicción

pruebas por inducción
principio de inducción
inducción matemática generalizada
inducción constructiva
Herramientas ya conocidas. Leer apunte y referencias disponible en el
curso Moodle-UNS.
4/36
Lógica: cálculo proposicional y de predicados.

Teoría de Conjuntos: operaciones básicas, producto cartesiano,
cardinalidad.
Teoría de Números: módulo, intervalos, techo y piso.
Elementos básicos de álgebra y análisis: funciones, relaciones,
series, sumatorias y productos, límites, módulos, logaritmos.
Probabilidades: probabilidad condicional, esperanza, varianza.
Combinatoria: permutaciones, combinaciones.
En el final del apunte se presenta un compendio de fórmulas útiles
sobre estos temas.
6/36
Objetivos
Técnicas de Demostración Notación O
Herramientas Matemáticas Básicas Notación Omega
Notación Asintótica Notación Theta
Estructuras de Datos Uso en Ecuaciones
Análisis de Algoritmos por Estructuras de Control Algunas Propiedades útiles
Ejemplos
Objetivos
no interesa conocer los valores absolutos de las funciones

permitir una caracterización simple de la eficiencia de un
algoritmo y comparar las performances relativas de distintos
algoritmos
independizar el análisis de los algoritmos de condiciones
específicas de implementación: lenguaje de programación,
compilador, equipo, etc.
8/36
Objetivos
Ejemplos
se aplica a funciones de tiempo de ejecución o de espacio de

memoria de algoritmos en base a la longitud de la entrada:
f (n) : N −→ R+
se denomina asintótica porque analiza el comportamiento de las
funciones en el límite, es decir su tasa de crecimiento
9/36
Objetivos
Ejemplos
Notación O (·)
O (g (n)) = {f (n) : ∃c ∈ R+ , ∃n0 ∈ N, tal que

f (n) ≤ cg (n) para todo n ≥ n0 }
determina una cota superior en la tasa de crecimiento de una

función, dentro de un factor constante
ejemplos:
6n3 ∈ O (n3 ) ya que se cumple la definición con c = 6, n0 = 1
3 log n ∈ O (n) ya que se cumple la definición con c = 1, n0 = 4
10/36
Objetivos
Ejemplos
Ejemplos:
300n2 ∈ O (n2 )
5n4 − 4n3 + 10n2 + 39 ∈ O (n4 )
logb n ∈ O (loga n), ∀a, b
2n ∈ O (n!)
500000n ∈ O (0,00001n2 )
0,000001n2 ̸∈ O (500000n)
n! ̸∈ O (2n )
11/36
Objetivos
Ejemplos
Notación Ω(·)
Ω(g (n)) = {f (n) : ∃c ∈ R+ , ∃n0 ∈ N, tal que

f (n) ≥ cg (n) para todo n ≥ n0 }
determina una cota inferior en la tasa de crecimiento de una

función, dentro de un factor constante
ejemplos:
6n3 ∈ Ω(n3 ) ya que se cumple la definición con c = 1, n0 = 1
1/3n ∈ Ω(log n) ya que se cumple la definición con
c = 1/3, n0 = 1
12/36
Objetivos
Ejemplos
Ejemplos:
3n5 + 4n3 − 8n2 + 10n ∈ Ω(n4 )
logb n ∈ Ω(loga n), ∀a, b
n! ∈ Ω(2n )
0,00001n2 ∈ Ω(50000n)
50000n ̸∈ Ω(0,00001n2 )
2n ̸∈ Ω(n!)
13/36
Objetivos
Ejemplos
Notación Θ(·)
Θ(g (n)) = {f (n) : ∃c , d ∈ R+ , ∃n0 ∈ N, tal que

cg (n) ≤ f (n) ≤ dg (n) para todo n ≥ n0 }
determina una cota superior e inferior en la tasa de crecimiento

de una función, dentro de un factor constante
ejemplos:
6n3 ∈ Θ(n3 ) ya que se cumple la definición con
c = 6, d = 6, n0 = 1.
1/3n ∈ Θ(n) ya que se cumple la definición con
c = 1/5, d = 1, n0 = 1.
14/36
Objetivos
Ejemplos
Ejemplos:
3n2 ∈ Θ(n2 )
log n ̸∈ Θ(n)
2n+1 ∈ Θ(2n )
500000n2 ∈ Θ(0,00001n2 )
logb n ∈ Θ(loga n) para todo
a, b > 0
15/36
Objetivos
Ejemplos
Uso en Ecuaciones
por ejemplo, f (n) = 2n2 + Θ(n) significa que f (n) es igual a 2n2
más alguna función cualquiera perteneciente a Θ(n)
2n2 + O (n) = O (n2 ) significa que no importando que función
perteneciente a O (n) se sume a 2n2 , siempre el resultado es una
función en O (n2 )
f (n) = O (g (n)) + O (h(n)) significa que f (n) es una función que
se puede obtener sumando punto a punto una función de
O (g (n)) con una función de O (h(n))
se evita hacer referencia a detalles que no afectan el
comportamiento general de la función
16/36
Objetivos
Ejemplos
Algunas Propiedades útiles
O (f1 (n) + f2 (n)) = O (max(f1 (n), f2 (n)))

f (n) ∈ Θ(g (n)) si y solo si g (n) ∈ Θ(f (n))
f (n) ∈ O (g (n)) si y solo si g (n) ∈ Ω(f (n))
f (n) ∈ Θ(g (n)) si y solo si f (n) ∈ O (g (n)) ∧ f (n) ∈ Ω(g (n))
f (n)
si lı́mn→∞ g (n) ∈ R+ entonces f (n) ∈ O (g (n)) y g (n) ∈ O (f (n))
f (n)
si lı́mn→∞ g (n) = 0 entonces f (n) ∈ O (g (n)) pero g (n) ̸∈ O (f (n))
17/36
Objetivos
Ejemplos
ORDENAR UN ARREGLO
Algoritmo: Ordenamiento por Inserción

Costo de la ejecución del algoritmo:
n−1 n−1
TI (n) = c1 n + c2 (n − 1) + c3 (n − 1) + c4 ∑ tj + c5 ∑ (tj − 1) +
j =1 j =1
n−1
+c6 ∑ (tj − 1) + c8 (n − 1)
j =1
n−1 n−1
= (c1 + c2 + c3 + c8 )n − (c2 + c3 + c8 ) + (c4 + c5 + c6 ) ∑ t j − (c 5 + c 6 ) ∑ 1
j =1 j =1
18/36
Objetivos
Ejemplos
para analizar el O (·) se tiene:

n−1 n−1
TI ( n ) = d1 n − d2 + d3 ∑ tj − d4 ∑ 1
j =1 j =1
n−1
≤ d1 n + d3 ∑ t j
j =1
n−1
≤ d1 n + d3 ∑ n
j =1
= d1 n + d3 n(n − 1)
≤ d1 n + d4 n 2
luego T (n) ∈ O (n2 ).

19/36
Objetivos
Ejemplos
para analizar el Ω(·) se tiene:

n−1 n−1
TI ( n ) = d1 n − d2 + d3 ∑ tj − d4 ∑ 1
j =1 j =1
n−1
≥ d1 n − d2 + d3 ∑ j − d4 (n − 1)
j =1
= d1 n − d2 + d3 (n − 1)n/2 − d4 (n − 1)
d3 d3
≥ n 2 + d1 n − ( + d4 )n − (d2 + d4 ) ∈ Ω(n2 )
2 2
recordemos que T (n) es el tiempo de ejecución en el peor caso

para instancias de tamaño n
luego T (n) ∈ Ω(n2 ) y por lo tanto también T (n) ∈ Θ(n2 )
20/36
es necesario un manejo fluído de las siguientes estructuras de

datos:
Arreglos y Matrices
Listas simplemente enlazadas, Pilas y Colas
Grafos, implementados mediante matriz o lista de adyacencia
árboles
Tablas Asociativas (Hash)
Colas con Prioridad (Heaps), implementados por árboles binarios
completos
22/36
ORDENAR UN ARREGLO
Algoritmo: Heapsort (ordenamiento por construcción de un heap)

costo veces
FUNCTION Heapsort(A)
Construir Heap(A) Θ(n) 1
FOR i ::= n DOWNTO 2 c1 ∑ni=2 1
A[1] <=> A[i] c2 ∑ni=2 1
A.tamaño- - c3 ∑ni=2 1
A.heapify(1) Θ(log n) ∑ni=2 1
ENDFOR
23/36
calculando el tiempo de ejecución se tiene:
n
TH ( n ) = Θ(n) + ∑ (c1 + c2 + c3 + Θ(log n)) =
i =2
= Θ(n) + Θ(n log n) ∈ Θ(n log n)
es fundamental en este ejemplo usar la implementación más

eficiente para las operaciones de la estructura de datos
24/36
Técnicas de Demostración Secuencia
Herramientas Matemáticas Básicas Condicional
Notación Asintótica Ciclo FOR
Estructuras de Datos Ciclos WHILE y REPEAT
Análisis de Algoritmos por Estructuras de Control Recursividad
Secuencia
Algoritmo A
P1
P2
sea tA (n) la cantidad de recursos a analizar.

si P1 insume Θ(f1 (n)) recursos y P2 insume Θ(f2 (n)) recursos,
entonces
tA (n ) = Θ(f1 (n)) + Θ(f2 (n)) = Θ(f1 (n) + f2 (n)) =

= Θ(max(f1 (n), f2 (n)))
26/36
Condicional
Algoritmo A
IF (X)
P1
ELSE
P2
ENDIF
el tiempo en el peor de los casos es
tA (n) = tX (n) + max(tP1 (n), tP2 (n)) =

= O (max(tX (n), tP1 (n), tP2 (n)))
27/36
y también
tA (n) ≥ c + max(Θ(f1 (n)), Θ(f2 (n))) =

= Ω(max(c , f1 (n), f2 (n)))
si el O (·) y el Ω(·) coinciden, entonces se puede definir el Θ(·)
28/36
Ciclo FOR
Algoritmo B
FOR i ::= 1 TO m
P(i)
ENDFOR
sean c1 , c2 , c3 los costos de las operaciones elementales

si P (i ) insume t recursos (no depende de i ni de m) entonces
tB (n) = c1 + (m + 1)c3 + mt + mc2 =

= (c2 + c3 + t )m + (c1 + c3 ) ∈ Θ(mt )
29/36
si P (i ) insume t (i ) recursos (dependiendo de i, del tamaño n de

la instancia, o de cada instancia en particular) entonces
m
tB (n) = ∑ t (i )
i =1
para obtener el O (·) o el Ω(·) de esta función se pueden usar las

distintas propiedades vistas para obtener la notación asintótica
30/36
ORDENAR UN ARREGLO
Algoritmo: Ordenamiento por Selección

costo veces
FOR i ::= 1 TO n-1 a n
ind ::= i; min ::= A[i] b n−1
FOR j ::= i+1 TO n c ∑ni =−11 ∑nj =+i1+1 1
IF (A[j]<min) c ∑ni =−11 ∑nj=i +1 1
min ::= A[j] c ∑ni =−11 ∑nj=i +1 1
ind ::= j c ∑ni =−11 ∑nj=i +1 1
ENDIF
ENDFOR
A[ind] ::= A[i]; A[i] ::= min b n−1
ENDFOR
31/36
calculando la cantidad de recursos se tiene

n−1
TS (n) = a + ∑ (a + b + (n − i )c )
i =1
n−1 n−1
= a + ∑ (a + b + cn) − c ∑i=
i =1 i =1
= a + (n − 1)(a + b + cn) − cn(n − 1)/2
cn2 c
= a+ + (a + b − )n − (a + b) ∈ Θ(n2 )
2 2
32/36
Ciclos WHILE y REPEAT
no es tan fácil para los casos de ciclos repeat o while, no se

sabe cuántas veces serán ejecutados.
algunas de las técnicas a aplicar pueden ser:
1 encontrar una función en las variables involucradas cuyo valor
decrezca en cada iteración, y que sea siempre positiva
2 tratar la iteración como si fuese un procedimiento recursivo, y
aplicar el método para recursividad
3 elegir como cota del cuerpo del bucle el tiempo de ejecución de
una de sus sentencias, la cual se denomina barómetro. Luego se
debe contar cuántas veces se ejecuta el barómetro
ningún método es aplicable para todos los casos, y solo a través
de la experiencia se puede detectar cuál usar
33/36
Recursividad
una simple inspección del algoritmo da origen a una recurrencia,

que “simula” el flujo de control del algoritmo
function F(n)
IF (x)
P1(n)
ELSE
P2(n)
F(m); % con m<n
ENDIF
t (n) ∈ O (max (tP1 (n), tP2 (n) + t (m)))
luego se debe aplicar algún método para resolver la recurrencia
34/36
ELEMENTO MAYOR
Function MAXIMO(T)
IF n=1
RETURN T[1]
ELSE
x ::= MAXIMO(T[1..n-1])
IF (x>T[n])
RETURN x
ELSE
RETURN T[n]
ENDIF
ENDIF
35/36
genera la siguiente recurrencia:

a si n = 1.
TMAX (n) =
b + T ( n − 1) si n > 1
36/36

Temas Repaso

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

Temas Repaso

Cargado por

Copyright:

Formatos disponibles

Técnicas de Demostración

Herramientas Matemáticas Básicas

Depto. Ciencias e Ingeniería de la Computación

Primer Cuatrimestre 2024

2 Herramientas Matemáticas Básicas

5 Análisis de Algoritmos por Estructuras de Control

pruebas por contradicción

Lógica: cálculo proposicional y de predicados.

no interesa conocer los valores absolutos de las funciones

se aplica a funciones de tiempo de ejecución o de espacio de

O (g (n)) = {f (n) : ∃c ∈ R+ , ∃n0 ∈ N, tal que

determina una cota superior en la tasa de crecimiento de una

Ω(g (n)) = {f (n) : ∃c ∈ R+ , ∃n0 ∈ N, tal que

determina una cota inferior en la tasa de crecimiento de una

Θ(g (n)) = {f (n) : ∃c , d ∈ R+ , ∃n0 ∈ N, tal que

determina una cota superior e inferior en la tasa de crecimiento

Algunas Propiedades útiles

O (f1 (n) + f2 (n)) = O (max(f1 (n), f2 (n)))

Algoritmo: Ordenamiento por Inserción

para analizar el O (·) se tiene:

luego T (n) ∈ O (n2 ).

para analizar el Ω(·) se tiene:

recordemos que T (n) es el tiempo de ejecución en el peor caso

es necesario un manejo fluído de las siguientes estructuras de

Algoritmo: Heapsort (ordenamiento por construcción de un heap)

calculando el tiempo de ejecución se tiene:

es fundamental en este ejemplo usar la implementación más

sea tA (n) la cantidad de recursos a analizar.

tA (n ) = Θ(f1 (n)) + Θ(f2 (n)) = Θ(f1 (n) + f2 (n)) =

el tiempo en el peor de los casos es

tA (n) = tX (n) + max(tP1 (n), tP2 (n)) =

tA (n) ≥ c + max(Θ(f1 (n)), Θ(f2 (n))) =

si el O (·) y el Ω(·) coinciden, entonces se puede definir el Θ(·)

sean c1 , c2 , c3 los costos de las operaciones elementales

tB (n) = c1 + (m + 1)c3 + mt + mc2 =

si P (i ) insume t (i ) recursos (dependiendo de i, del tamaño n de

para obtener el O (·) o el Ω(·) de esta función se pueden usar las

Algoritmo: Ordenamiento por Selección

calculando la cantidad de recursos se tiene

Ciclos WHILE y REPEAT

no es tan fácil para los casos de ciclos repeat o while, no se

una simple inspección del algoritmo da origen a una recurrencia,

genera la siguiente recurrencia:

También podría gustarte