Analisis de Algoritmos

Unidad 1
Eficiencia de
Algoritmos
03
/0
1
8/
Cgloria Calderon1
Conceptos Bsicos
Informalmente un algoritmo se define como
cualquier procedimiento computacional bien
definido que toma algn valor como entrada y
produce un valor de salida
Un algoritmo es una secuencia de pasos finita,
lgica y secuencial que transforma los datos de
entrada en datos de salida.
0
3/
/
08
16
Conceptos Bsicos
Estos son analizados para predecir los recursos que
consumir (memoria, medios de comunicacin, y el
ms importante es el tiempo que tomar en
ejecutarse el programa que tiene implementado
nuestro algoritmo.)
Dentro del anlisis de algoritmos se concentran
principalmente en determinar el peor de los casos
para el cual se ejecutar el algoritmo.
3/
/
08
16
Conceptos Bsicos
El anlisis de algoritmos proporciona los mtodos
necesarios para poder comparar distintos
algoritmos que resuelven un mismo problema.
Un algoritmo es eficiente si administra en forma
correcta los recursos.
3/
/
08
16
Porqu estudiar Algoritmos?

Para evitar probar y ver qu sucede. Evitar
ambigedad
Medir tiempos de ejecucin.
Problemas:
Los tests podran no ser representativos de
todas las entradas.
Los tests no nos dicen si hay otras soluciones.
3/
/
08
16
Porqu estudiar Algoritmos?

Ventajas:
Sirve para predecir si el algoritmo es
utilizable.
Permite compararlo con otros algoritmos.
Ayuda a entender mejor el algoritmo.
Efectos:
Hacer mejoras en la eficiencia
Ayuda en la correctitud.
Permite definir nuevas estructuras de datos.
6
1
/
0
3/
Tipos de Algoritmos
Fuerza Bruta:
Buscan una solucin ptima a travs de una bsqueda
exhaustiva.
3/
/
08
16
UNIDAD I DIAGRAMA DE FLUJO
Tipos de Algoritmos
Heursticos: Producen con rapidez soluciones buenas, pero
no necesariamente son ptimas.
Su funcionamiento se basa en la experiencia, en un conocimiento
experto, en una informacin externa al problema que, proporciona
soluciones para una situacin que se est considerando.
3/
/
08
16
Tipos de Algoritmos
ALGORITMO HEURISTICO:
VENDEDOR VIAJERO
Ejemplo Heursticos
A
3
5
1
D
7
3
21
2
35
CAMINO OPTIMO, SIN PASAR MS DE UNA VEZ POR CADA CIUDAD:
A B8/16 E C D F A = 33
0
0
3/
Tipos de Algoritmos
Avidos:
Un algoritmo vido inicia con una solucin a un pequeo
subproblema y construye una solucin a un problema mayor .
Es una tcnica algortmica para hallar soluciones a diferentes
Problemas.
Toma decisiones de corto alcance, basadas en informacin
inmediatamente disponible.
Los algoritmos vidos completan soluciones parciales para dar,
al final, la solucin completa, ordenando las alternativas y
seleccionando la mejor.
3/
/
08
16
0
Nunca
reconsideran nuevas decisiones (nunca vuelven atrs).
10
Tipos de Algoritmos
ALGORITMOS AVIDOS:
SERVIDOR DE IMPRESIN
1 Servidor de Impresin con 3 clientes, cuyos tiempos de espera son:
CLIENTE A
:5
CLIENTE B
: 10
CLIENTE C
:3
COMBINACIONES POSIBLES: 6
TIEMPO DE ESPERA
0
3/
8/
16
ORDEN
TOTAL
A-B-C
5+10
20
A-C-B
5+3
13
B-A-C
10
10+5
25
B-C-A
10
10+3
23
C-A-B
5+3
11
C-B-A
0 UNIDAD 3I DIAGRAMA
3+10DE FLUJO
16
11
Caractersticas de un Algoritmo
Bien definido
No ambiguo
Finito (siempre termina)
Ser Eficiente
Ser legible
Claridad: programacin estructurada
Correctitud: satisfacer especificacin
Cero y ms entradas y una o ms salidas.
3/
/
08
16
12
EFICIENCIA DE ALGORITMOS
Anlisis de un algoritmos
Evaluacin de los recursos que un algoritmo requiere.
Esto se refiere:
La cantidad de memoria que requiere
El nmero de operaciones que involucra, o

cantidad de datos de comunicacin que requiere
Tiempo de cmputo utilizado.
3/
/
08
16
13
La eficiencia de los algoritmos
Criterio empresarial: Maximizar la eficiencia.
Eficiencia: Relacin entre los recursos consumidos y los
productos conseguidos.
Recursos consumidos:
Tiempo de ejecucin.
Memoria principal.
Entradas/salidas a disco.
Comunicaciones, procesadores,...
3/
/
08
16
14
Cmo decidir cul de los algoritmos es preferible?
- Enfoque emprico:
Programar las tcnicas y probarlas sobre diferentes
instancias con ayuda del computador.
- Enfoque terico:
Determinar matemticamente la cantidad de
recursos necesitados por cada algoritmo como una
funcin del tamao de las instancias consideradas.
Los6 recursos de mayor inters son el tiempo
/1
15
08
/
computacional
y
el
espacio
de
memoria.
03
Cmo decidir cul de los algoritmos es preferible?
Enfoque hbrido:
La forma de la funcin es determinada
tericamente y los parmetros son determinados
empricamente.
3/
/
08
16
16
Cuando un algoritmo se va a usar repetidamente

resulta importante que los algoritmos implicados sean
eficientes.
Generalmente, asociaremos eficiencia con el tiempo
de ejecucin del programa, y mas raramente con la
utilizacin de espacio de memoria.
3/
/
08
16
17
Definicin de Eficiencia
Tiempo de ejecucin de un algoritmo en funcin del
tamao de su entrada.
A la eficiencia de un algoritmo tambin se le denomina
coste, rendimiento o complejidad del algoritmo.
Eficiencia de los algoritmos dependen de:

Tiempo: cantidad de tiempo de ejecucin.
Espacio: cantidad de memoria requerida
Ambas dependen del computador, por lo que

normalmente se estudia la eficiencia de los
algoritmos.
0
3/
/
08
16
18
Medir la eficiencia de un Algoritmo es medir la
cantidad de recursos necesarios para su ejecucin, para
poder compararlo con otros algoritmos.
La eficiencia importa?
3/
/
08
Program
a
Consum
o
N=1.000
Bytes
Tiempo
A1
Log2n
=10
10
10 seg
A2
1.000
1kb
16 mins
A3
n2
1.000.000
1mb
11 dias
16
19
Multiplicado por 1000 el tamao de datos
3/
/
08
Programa Consumo N=1.000
Bytes
Tiempo
A1
Log2n
=20
20
20 seg
A2
1.000.000
1mb
11 das
A3
n2
1.012
1000
Gb
30.000
aos
16
20
COMPLEJIDAD DE ALGORITMOS
Complejidad en algoritmos:
Se define como la medida del tiempo de ejecucin de un
algoritmo.
Se representa como una tasa de crecimiento de la cantidad
de
datos de entrada.
Depende de varios factores:
Los datos de entrada del programa. (Cantidad, su
disposicin, etc.)
La calidad del cdigo generado por el compilador.
La naturaleza y rapidez de las instrucciones empleados por la
mquina
y la propia mquina.
6
1
/
21
08
/
La propia
complejidad
del
algoritmo
base
del
programa.
03
Complejidad en algoritmos:
Por ejemplo:
Ordenar tres nmeros tomar distinto tiempo que ordenar 1000, y en
general, el tiempo tomado por un algoritmo crece con el tamao de
la entrada.
Al algoritmo se le asocia un nmero n llamado tamao del problema,
que es una medida de la cantidad de datos de entrada.
3/
/
08
16
22
T (n) = Tiempo de ejecucin de un algoritmo en funcin de
n
datos de entrada.
Las unidades de T(n) se dejan sin especificar, pero se puede
considerar a T(n) como el nmero de instrucciones
ejecutadas
en un computador ideal, y es lo que se entiende por
complejidad.
No se puede determinar el tiempo de ejecucin en
segundos
de un programa, a menos que se conozca cul es la
mquina
y el compilador
3/
/
08
16
23
COMPLEJIDAD COMPUTACIONAL
Para comparar algoritmos se puede utilizar una
medida
del grado de dificultad del algoritmo: la complejidad
computacional
Indica el esfuerzo que hay que realizar para
aplicar un algoritmo y lo costoso que ste
resulta.
Dicho coste que se puede medir de diversas
formas (espacio, tiempo...)
3/
/
08
16
24
Un algoritmo es ms eficiente cuanto menos complejo
sea.
La eficiencia suele medirse en trminos de consumo
de
recursos:
Espaciales: Cantidad de memoria que un algoritmo consume o utiliza durante su
ejecucin Complejidad espacial
Temporales: Tiempo que necesita el algoritmo para ejecutarse Complejidad
temporal
Otros: Utilizacin de CPU, utilizacin de perifricos, tiempo y coste de
implementacin...
0
3/
/
08
16
25
COMPLEJIDAD TEMPORAL/ESPACIAL
Complejidad Temporal Asinttica:
Tiempo requerido (unidades de tiempo) por un

algoritmo para procesar una entrada de tamao n.
Complejidad Espacial Asinttica:
Comportamiento lmite del algoritmo conforme el

tamao del problema se incrementa.
Determinar el tamao del problema que puede ser
resuelto por un algoritmo.
3/
/
08
16
26
Objetivo:
Encontrar algoritmos con la menor complejidad
espacial y temporal
Menor complejidad espacial suele implicar mayor
complejidad temporal
Nos centraremos en complejidad temporal por
ser el recurso ms crtico
3/
/
08
16
27
Factores que influyen en la complejidad
Tamao del problema: Magnitud(es) que al
aumentar incrementan la complejidad del
algoritmo.
Ejemplos:
Ordenacin de un vector: nmero de elementos
Factorizar un nmero en sus factores primos: valor
Del nmero
3/
/
08
16
28
Naturaleza de los datos de entrada: En funcin
de cules sean los datos del problema se ejecutarn
o no determinadas instrucciones de decisin y ser
distinto el nmero de iteraciones de los bucles el
problema se resolver en ms o en menos tiempo.
Ejemplo:
buscar en un vector el valor que est almacenado en la primera celda resulta
trivial en la bsqueda lineal.
3/
/
08
16
29
Naturaleza de los datos
de entrada:
Caso mejor: los datos de
entrada consumen el mnimo
Caso peor: los datos de
entrada consumen el mximo
(cota superior).
Caso promedio: los datos
se distribuyen de forma
aleatoria. Difcil de calcular.
3/
/
08
16
30
Enfoques para medir la complejidad de un
algoritmo:
Enfoque empricos o a posteriori
Enfoque terico o a priori.
3/
/
08
16
31
Enfoque empricos o a posteriori
1. Escribir un programa que
implemente el algoritmo, por
ejemplo en visual.
2. Ejecutar el programa con
entradas de tamao y
composicin variadas
3. Usar un mtodo para
obtener una medida exacta
del tiempo de ejecucin real
4. Trazar
6
los resultados
/1
0
0
3/
32
Enfoque tericos o a priori
1. Utilizar una descripcin de alto nivel del
algoritmo (ejemplo en pseudocdigo)
2. Determinar, matemticamente, la cantidad de
recursos necesarios para ejecutar el algoritmo
3. Obtener una funcin genrica f(n) que permita
hacer predicciones sobre la utilizacin de
recursos, siendo n el tamao del problema
3/
/
08
16
33
Ventajas e inconvenientes
1. El estudio a posteriori requiere la implementacin del algoritmo (mayor
coste). El estudio a priori solo requiere de una descripcin de alto nivel
(pseudocdigo).
2. En el estudio a posteriori no se tiene la seguridad de los recursos que
realmente se van a consumir si varan las entradas. El estudio a priori
es independiente de los datos de entrada.
3. En el estudio a posteriori, los resultados slo sern vlidos para unas
determinadas condiciones de ejecucin. Es difcil extrapolar los
resultados si se producen cambios en el hardware, sistema operativo,
lenguaje utilizado, etc.
3/
/
08
16
34
Ventajas e inconvenientes
4.- El estudio a priori es independiente de las condiciones
de ejecucin.
5.- El estudio a posteriori permite hacer una evaluacin
experimental de los recursos consumidos que no es
posible en el estudio a priori.
3/
/
08
16
35
Principio de invarianza:
Dos implementaciones de un mismo algoritmo no diferirn
ms que en una constante multiplicativa.
Si f1(n) y f2(n) son los tiempos consumidos por dos
implementaciones de un mismo algoritmo, se
verifica que:
c, d R,
f1(n) cf2(n)
f2(n) df1(n)
El estudio a posteriori trata con programas. El estudio a priori trata con algoritmos
Es preferible el estudio a priori
3/
/
08
16
36
El estudio a posteriori trata con programas. El estudio

a
priori trata con algoritmos
Es preferible el estudio a priori
3/
/
08
16
37
COMPLEJIDAD COMPUTACIONAL Y
ASINTTICA
COMPLEJIDAD ASINTTICA
Consiste en el clculo de la complejidad temporal a priori
de un algoritmo en funcin del tamao del problema, n,
prescindiendo de factores constantes multiplicativos y
suponiendo valores de n muy grandes
No sirve para establecer el tiempo exacto de ejecucin,
sino que permite especificar una cota (inferior, superior o
ambas) para el tiempo de ejecucin de un algoritmo
0
3/
/
08
16
38
EJEMPLOS DE COMPLEJIDAD ASINTTICA

1.- Ejemplo en pseudocdigo:
Buscar el mximo valor de un array
maximoArray(A)mximo
Entrada A array de n enteros
Salida elemento mximo de A
INICIO
maxActual A[0]
PARA i 1 HASTA n 1 HACER
SI A[i] maxActual
ENTONCESmaxActual A[i]
DEVOLVER maxActual
FIN
3/
/
08
16
39

Ejemplo en pseudocdigo: Operaciones
primitivas
Cmputos bsicos realizados por

un algoritmo
Identificables en pseudocdigo
Muy independiente del lenguaje de
programacin
La definicin exacta no es
importante
3/
/
08
16
Ejemplos:
Evaluar una
expresin
Asignar un valor a
una variable
Indexar un array
Llamar a un
mtodo
Retornar un valor
40

Revisando el pseudocdigo, se puede estipular el nmero
mximo de operaciones primitivas ejecutadas por un
algoritmo, como una funcin del tamao de la entrada
maximoArray(A)
INICIO
maxActual A[0]
PARA i 1 HASTA n 1 HACER
SI A[ i] maxActual
ENTONCES maxActual A[i]
{ incrementar contador i }
DEVOLVER maxActual
operaciones
2
2+n
2(n 1)
2(n 1)
2(n 1)
1
FIN
3/
/
08
16
Total
7n 1
41

El algoritmo maximoArray ejecuta 7n 1 operaciones
primitivas en el peor de los casos
Se definen:
a
Tiempo tardado por la operacin primitiva ms rpida
b
Tiempo tardado por la operacin primitiva ms lenta
Sea T(n) el tiempo de ejecucin real para el peor de los
casos
de maximoArray . Entonces:
a (7n 1) T(n) b(7n 1)
Por lo tanto, el tiempo de ejecucin T(n) est acotado
por
6
/1
8
/0
3
dos
funciones
lineales.
0
42

Un cambio en el entorno hardware/software
Afecta a T(n) en un factor constante, pero
No altera la tasa de crecimiento de T(n)
La tasa de crecimiento lineal del tiempo de
ejecucin
T(n) es una propiedad intrnseca del
algoritmo
maximoArray
0
3/
/
08
16
43

Tasa de crecimiento:
Lineal n
Cuadrtica n2
Cbica n3
En un diagrama
logartmico, la
pendiente de la lnea
corresponde a la tasa
de crecimiento de la
funcin
0
3/
/
08
16
44

La tasa de
crecimiento no se
ve afectada por:
Factores constantes
Trminos de orden
menor
Ejemplos
102n + 105 es una funcin
lineal
105n2 + 108n es una
funcin cuadrtica
3/
/
08
16
45
LA NOTACIN O
Dadas las funciones f(n) y
g(n), se dice que f(n) es
O(g(n)) si existen
constantes positivas c y n0
tales que
f(n) cg(n) para n n0
Ejemplo: 2n + 10 es O(n)
2n + 10 cn
(c 2) n 10
n 10/(c 2)
Elegir c = 3 y n0 = 10
0
3/
/
08
16
46
NOTACIN O (Mayscula)
Ejemplo2: Graficar
T(n) = (n+1)2 es O(n2)
n2+2n+1 <= c*n2
n >= n0
c=2
Orden n2 es O(n2)
Ejemplo3: Graficar
T(n) = 3n3 + 2n2 es O(n3).
Comprobacin:
n0 = 06 y c = 5, entonces para n>= 0; 3n 3 + 2n2 <= 5n3.
0
0
3/
8/
47
LA NOTACIN O
Ejercicio:
5n3 + 3n2 +1 O(n3)
3/
/
08
16
48
LA NOTACIN O
Existen diferentes notaciones para la complejidad
asinttica
Una de ellas es la notacin O, que permite
especificar
la cota superior de la ejecucin de un algoritmo
La sentencia f(n) es O(g(n)) significa que la tasa
de crecimiento de f(n) no es mayor que la tasa de
crecimiento de g(n)
La notacin O sirve para clasificar las funciones
de
acuerdo con su tasa de crecimiento
0
3/
/
08
16
49
LA NOTACIN O
Ejemplo: la funcin
n2 no es O(n)
n2 cn
n c
La desigualdad
anterior no puede
satisfacerse porque c
debe ser una
constante
3/
/
08
16
50
Propiedades de la notacin O
1.- Los factores constantes pueden ser ignorados
(kf)(n) es O(f(n)) para cualquier k
Ejemplo:
T(n)=5n2 es 0(n2)
2. La razn de crecimiento de una suma est dada por el trmino cuya razn
de crecimiento es mayor
Si f es O(g) y g es O(h) entonces f es O(h)
Ejemplo:
O(n2) + O(n3) = O(n3)
3. Si f crece ms rpido que g, que crece ms rpido que h, entonces f crece
ms rpido que h.
4. Potencias
mayores de n crecen ms rpido que potencias menores
16
/
UNIDAD
I DIAGRAMA DE FLUJO
r
s
s
r
08
Si O 0<=
3/ r < s, entonces n es O(n ) y n no es O(n )
51
5. La razn de crecimiento de un polinomio est dado por el trmino mayor,
(ignorando factores constantes)
Si p(n) es un polinomio de grado d, entonces p(n) es O(nd)
Ejemplo:
5n3 + 2n2 + 3n + 2 = O(n3)
6. La razn de crecimiento de un producto est dado por la multiplicacin de
la razn de crecimiento.
Si f es O(n) y g es O(k). entonces fg es O(nk)
Ejemplo:
O(n) *O(n) = O(n2)
7. Las funciones exponenciales crecen ms rpido que las potencias.
Si b > k, entonces nk es O(bn) y bn no es 0(nk)
6
8. Las funciones
logaritmo crecen ms lento queUNIDAD
las potencias
/1
I DIAGRAMA DE FLUJO
8
0
/
3
k
0 0. entonces Iogn es O(n )
Si k >
52
9. Todas las funciones logaritmo crecen a la misma razn.
Si b > 1 y c > 1. Entonces logbn es O (logcn)
10. La suma de las primeras n r-simas potencias crecen a la misma razn
que la (r+1) potencia de n
3/
/
08
16
53
LA NOTACIN O
Jerarqua de rdenes de complejidad
3/
O(1)
Constante
No depende del tamao del

problema
O(log n)
Logartmica
Bsqueda binaria
O(n)
Lineal
Bsqueda lineal
O(nlog n)
Casi lineal
Quick-sort
O(n2)
Cuadrtica
Algoritmo de la burbuja
O(n3)
Cbica
Producto de matrices
O(nk) k>3
Polinmica
O(kn) k>1
Exponencial
O(n!)
Factorial
/
08
16
Algunos algoritmos de
grafos
Eficiente
Tratable
Intratable
54
CLASIFICACIN DE ALGORITMOS
Es posible clasificar a los algoritmos de acuerdo con estimaciones
aproximadas del tiempo de ejecucin. El parmetro de inters
primario es el nmero de elementos a procesar (n).
La mayora de los algoritmos que se analizarn tienen un tiempo
de ejecucin proporcional a:
1: La mayor parte de las instrucciones se ejecutan una o muy pocas veces

(tiempo constante).
log n (logartmico): Desempeo tpico de algoritmos que resuelven un

problema de gran tamao transformndolo en uno ms pequeo,
dividindolo mediante un fraccin constante.
3/
/
08
16
55
CLASIFICACIN DE ALGORITMOS
n(lineal): Para cada elemento de entrada se realiza una operacin.
n log n: Algoritmos que resuelven un problema dividindolos en

pequeos subproblemas y resolvindolos independientemente y
combinando despus las soluciones.
n2(cuadrtico): Prctico para conjuntos de datos pequeos.

Tpicamente aparecen cuando se procesan pares de elementos de
datos.
n3(cbico): Aparecen cuando se procesan ternas de elementos de

datos.
2n(exponencial): Son poco tiles en la prctica y aparecen al aplicar

mtodos de 'fuerza bruta' o al utilizar inapropiadamente la
recursin.
3/
/
08
16
56
ORDEN DE COMPLEJIDAD DE
ALGORITMOS
El orden de complejidad de un algoritmo en cuanto a tiempo de
ejecucin es una expresin matemtica que indica cmo crece
el tiempo de ejecucin cuando crece el tamao del problema
que resuelve el algoritmo.
Es una indicacin del crecimiento del tiempo de ejecucin cuando crece

el tamao del problema.
Por ejemplo, en un algoritmo de ordenacin que ordene los registros de
arreglo.
El tiempo de ejecucin crece cuando crece el nmero de registros o
elementos a ordenar.
3/
/
08
16
57
ALGORITMOS
Indica cmo crece el tiempo de ejecucin. Cuando se habla de

coste asinttico no se trata de expresar una medida absoluta del
tiempo de ejecucin del algoritmo. Se trata de expresar cmo
vara el tiempo de ejecucin cuando el tamao del problema
crece.
Se han de tener en cuenta otros factores al analizar el coste de

ejecucin de un algoritmo.
El contenido de los datos de entrada influye tambin en el
tiempo de ejecucin de muchos algoritmos.
3/
/
08
16
58
ALGORITMOS
Ejemplo:
El tiempo de ejecucin de un algoritmo de ordenacin
de elementos puede ser muy distinto segn el arreglo contenga
datos ya ordenados, o casi ordenados, o no.
En general, cuando se hable de coste asinttico, se refiere al
caso de contenido de datos ms desfavorable, es decir el caso
peor.
3/
/
08
16
59
Velocidad de Crecimiento
Ejemplo: Con una combinacin determinada de compilador y

mquina.
Programa 1: 100 n2 milisegundos
Programa 2: 5 n3 milisegundos
Programa 1 es mejor que el programa 2???
3/
/
08
16
60
Suponer: Se dispone de 1000 segundos, o alrededor de 17

minutos para resolver un problema.
Aumento
porcentual
Tamao mximo
de problema
para 103 seg.
Tamao mximo de
problema para
104 seg.
Incremento en el
tamao
mximo del
problema
100n
10
100
10.0
1000%
5n2
14
45
3.2
320%
N3/2
12
27
2.3
230%
2n
10
13
1.3
30%
Tiempo de
Ejecucin
T(n)
Suponer: ahora se dispone de 10 veces ms tiempo que antes

(10000 seg.)
Mientras exista la necesidad de resolver problemas cada vez ms grandes,
se producir una situacin casi paradjica. A medida que los computadores
aumenten su rapidez y disminuyan su precio, tambin el deseo de resolver
problemas ms grandes y complejos seguir creciendo. As la importancia
del descubrimiento y el empleo de algoritmos eficientes (aquellos cuyas
velocidades de crecimiento sean pequeas) ir en aumento.
3/
/
08
16
61
COMPARACIN ENTRE DIFERENTES COMPLEJIDADES:

n
lg n
n lg n
n2
n3
2n
3n
n!
16
64
16
81
24
24
64
512
256
6.561
40.320
16
64
256
4.096
65.536
43.046.721
20.922.789.888.000
32
160
1.024
32.768
4.294.967.296
64
384
4.096
262.144
128
896
16.38
4
2.097.152
**
* el nmero de instrucciones que puede ejecutar un supercomputador en 500 aos.

** sera 500 billones de veces la edad del universo (20 billones de aos) en nanosegundos.
3/
/
08
16
62
Anlisis del mejor caso, peor caso y caso
promedio
Para propsitos de comparacin del rendimiento
de diferentes algoritmos, se requiere de una
medida de rendimiento de algoritmos; la medida
ms ampliamente aceptada es el tiempo que el
algoritmo en cuestin consume antes de producir
la solucin final.
3/
/
08
16
63
Anlisis del peor caso:
Es apropiado para un algoritmo cuyo tiempo de
respuesta es crtico (control de una planta
nuclear).
Si un algoritmo ser usado muchas veces
sobre diferentes instancias, puede ser ms
importante conocer el tiempo de ejecucin
promedio en instancias de tamao n.
3/
/
08
16
64
ANLISIS DEL CASO PEOR, CASO

MEJOR O CASO PROMEDIO
Se puede analizar cualquier algoritmo desde este punto
de vista o una clase de ellos.
Una clase de algoritmos para un problema son aquellos
que se pueden clasificar por el tipo de operacin
fundamental que realizan, por ejemplo,
Problema: Ordenamiento.
Clase: Ordenamiento por comparacin.
0
3/
/
08
16
65

Para otros algoritmos, diferentes entradas para un tamao
dado pueden requerir diferentes cantidades de tiempo.
Ejemplo: considerar la posicin de un valor k en un arreglo de
n elementos y suponer que slo se recorre una vez y el valor

est y no se repite tenemos que:
a. El mejor caso es cuando el elemento est en la primera
posicin del arreglo.
b. El peor caso es cuando el elemento se encuentra en la ltima
posicin del arreglo.
c. El
caso
promedio
es
cuando
debemos
encontrarlo
considerando todas las posibles posiciones descartando las
dos anteriores.
0
3/
/
08
16
66
ANLISIS DEL CASO PEOR, CASO MEJOR O

CASO PROMEDIO
La ventaja de analizar los algoritmos de acuerdo a cada uno
de sus casos es que si examinamos el peor o mejor caso,
sabemos que el algoritmo se desempear alguna vez de
esa manera, en cambio cuando un algoritmo se ejecuta
muchas veces con muchos tipos de entradas nos interesa el
comportamiento promedio o comn. Desafortunadamente,
esto supone que sabemos cmo estn distribuidos los
datos.
Si se conoce la distribucin de los datos se puede realizar
un mejor anlisis y diseo de algoritmos. Sino lo conocemos
es mejor considerar el peor de los casos.
0
3/
/
08
16
67

Peor caso: indica el mayor tiempo obtenido, teniendo
en consideracin todas las entradas posibles.
Mejor caso: indica el menor tiempo obtenido, teniendo
en consideracin todas las entradas posibles.
Media: indica el tiempo medio obtenido, considerando
todas las entradas posibles.
Es difcil analizar el comportamiento de todas las entradas posibles
entonces se analizar cada caso por problema o algoritmo que se tenga,
siendo el caso promedio la medida ms realista, pero ms difcil de
calcular ya que supone que todas las entradas son igualmente probables
(lo que puede ser verdadero o no).
0
3/
/
08
16
68
EJEMPLO:
Se tiene una lista A de n elementos A1, A2, A3, , A n.
Ordenar significa permutar estos elementos de tal forma que
los mismos queden de acuerdo con un orden preestablecido:
Ascendente A1 <= A2 <= A3 <= A n
Descendente A1 >= A2 >= A3 >= A n
Caso peor: que el vector est ordenado en sentido inverso.
Caso mejor: que el vector est ordenado.
Caso medio: cuando el vector est ordenado en forma aleatoria.
3/
/
08
16
69
Anlisis Mejor, Peor y Caso Promedio

Ejercicio: Programa de clasificacin burbuja que ordena un
arreglo de enteros de menor a mayor.
procedure burbuja (var A : array [1..n] of integer);
var
i, j, temp : integer;
begin
(1)
for i := 1 to n-1 do
(2)
for j := n downto i+1 do
(3)
if A[j-1] > A[j] then begin

{intercambia A[j-1] y A[j]}
(4)
temp. := A[j-1];
(5)
A[j-1] := A[j];
(6)
A[j] := temp;
End
End; {burbuja}
3/
/
08
16
70

Ejemplo:
Algoritmo busca un cierto valor en un conjunto:
BUSCAR (dado un arreglo V de N elementos, buscar si el elemento X est
o no en el arreglo)
1.-
esta = no
2.-
I=1
3.-
While I <= N and (esta = no)

3.1.- If V[I] = X
then esta := si
else I := I + 1
4.-
write (valor de, X, esta, fue encontrado)
fin
3/
/
08
16
71

Mejor Caso
El mejor caso sucede cuando se ingresa la menor cantidad de
veces al while de la lnea 3, independiente del valor de N.
Esto sucede si la primera vez que verifica la condicin de la lnea
3.1 resulta verdadera, con lo cual el mejor caso para este
algoritmo es que el valor buscado se encuentre en la primera
posicin del vector.
Se realiza una cantidad constante de operaciones (no depende de N).
3/
/
08
16
72

Peor Caso
Si se ingresa N veces a la iteracin, y en el ltimo ingreso la
condicin de la lnea 3.1 es verdadera. Esto significa que los
valores que hacen que el algoritmo realice la mayor cantidad de
trabajo es un arreglo en el cual el valor buscado est en la ltima
posicin.
Se realiza una cantidad de operaciones proporcional al
tamao del arreglo (C*N)
3/
/
08
16
73

Caso Promedio
Hiptesis: cualquier arreglo tiene la misma posibilidad que
cualquier otro.
En un arreglo de N posiciones el valor buscado puede estar en
cualquiera de ellas o no estar. Por lo tanto se deben considerar
N+1 casos.
Para los casos en que el elemento buscado est, el trabajo
realizado es proporcional a la posicin donde se encuentra el
elemento, y para el caso en que no se encuentra es prcticamente
igual al caso de encontrarse en el ltimo lugar.
3/
/
08
16
74
REGLAS GENERALES PARA ANLISIS

DE PROGRAMAS
T(n) de cada proposicin de asignacin (lectura y
escritura), por
lo comn puede tomarse como O(1).
Excepciones:
Una asignacin puede implicar matrices arbitrariamente
grandes
Cualquier lenguaje donde se permitan llamadas a
funciones
en las proposiciones de asignacin
T(n) de una secuencia de proposiciones se determina
por la regla de la suma.
0
3/
/
08
16
75
REGLAS GENERALES PARA ANLISIS

DE PROGRAMAS
T(n) de una proposicin condicional if es el costo de las
proposiciones que se ejecutan condicionalmente, ms
el tiempo para evaluar la condicin.
El tiempo para evaluar la condicin, por lo general, es O(1).
El tiempo para un ciclo if-then-else es la suma del tiempo
requerido para evaluar la condicin ms el mayor de
los tiempos necesarios para ejecutar las proposiciones
cuando la condicin es verdadera y el tiempo de
ejecucin de las proposiciones cuando la condicin es
falsa.
3/
/
08
16
76
Ejemplo.
Cuntos recursos de tiempo y memoria consume el
siguiente algoritmo sencillo?
i:= 0
repetir
i:= i + 1
hasta a[i] = x
Respuesta: Depende.
De qu depende?
De lo que valga n y x, de lo que haya en a, de los
tipos de datos, de la mquina...
Mejor caso. Se encuentra x en la 1 posicin:
6
Peor
caso. No se encuentra x:UNIDAD I DIAGRAMA DE FLUJO
/1
8
0
/
03 Caso medio. Se encuentra x con probabilidad P:
77
REGLAS DE LA NOTACIN O GRANDE

1.- Si multiplicamos el orden de una funcin por una constante, el
Orden del algoritmo sigue siendo el mismo.
O(c-f(n)) = O(f(n))
2.- La suma del orden de dos funciones es igual al orden de la mayor.
O(f(n)+g(n)) = O(mx(f(n)*g(n)).
3.-Si multiplicamos el orden de dos funciones el resultado esta
multiplicacin de los ordenes.
Orden de crecimiento de funciones conocidas.

O(1) < O(log(n)) < O(n) < O(nlog(n)) < O(nk) < O(kn)
3/
/
08
16
78
Reglas de calculo de complejidad de T(n)

1.- Sentencias Sencillas.
Corresponden a las sentencias de entrada/salida, asignacin.
La inmensa mayora de las sentencias de un algoritmo
requieren un tiempo constante de ejecucin.
Complejidad O(1).
2.- Secuencia.
La complejidad de una serie de elementos de un programa es
el orden de la suma de las complejidades individuales.
3/
/
08
16
79

3.- Bifurcaciones.
Para las sentencias de bifurcacin (IF, CASE) el orden resultante

ser el de la bifurcacin con mayor orden.
4.-Bucles.
Para los bucles es el orden del cuerpo del bucle sumado tantas
veces como se ejecute el bucle.
El orden de una llamada a un subprograma no recursivo es el
orden del subprograma.
5.-Decisin.
La condicin suele ser O(1); complejidad a sumar con la peor
6
posible
complejidad, entre la rama THEN
oI DIAGRAMA
bien la rama
ELSE.
/1
80
UNIDAD
DE
FLUJO
8
0
/
03 las decisiones mltiples, se toma la peor rama
En

6.- Ciclos.
En los ciclos con contador explcito, se puede distinguir dos
casos, que el tamao N forme parte de los lmites o que no.
Si el ciclo se realiza un nmero fijos de veces, independiente
de N, entonces
La repeticin solo introduce una constante multiplicativa que
puede absorberse.
3/
/
08
16
81
EJEMPLOS CICLOS
1)
FOR i : 1 to k DO
A lg o_de_O( 1 )
2)
END;
FOR i : 1 to n DO
A lg o_de_O( 1 )
END;
3/
/
08
16
k * O(1) O(1)
n * O(1) O(n)
82
EJERCICIO
Calcule el orden de complejidad de
T1( n): lnea 1
T2( n): lneas2-4 y
T3( n): lneas 5-6 y
el orden del algoritmo.
[1] readln(n);
[2] for i:=1 to n {
[3] for j:=1 to n
[4] A[i,j]:= 0; }
[5] for i:=1 to n do
[6] A[i,i]:=1
Respuesta:
3/
/
08
16
T1( n)=1 es (1) ; T2( n)= (n2 ) ; T3 (n)=(n)

Luego: T1( n) + T2( n) + T3 (n)= (n2)
83
EJEMPLO
a) x a + b
(ts)=O(1)
b) para i 1 hasta n
xa+b
ts=O (n)
c) para i 1 hasta n
para i 1 hasta n
xa+b
(ts)=n2
3/
/
08
16
84
EJEMPLO
De (1) -> O(1)
(1)for i:=1 to n do
De (2) -> O(n)
(2) for j:=1 to n do
Luego la complejidad de (1) y (2)
(3)
end;
algo_de_O(1)
es O(1) * O(n) = O(n)

De (3) -> O(n)
Luego la complejidad es:
f(n)=O(n)*O(n)= O(n2)
3/
/
08
16
85
EJEMPLO
c:=1
while (c< n) do
Algo_de_O(1);
n<= 2k /log
n<=k log 2
c:=2 * c;
k=log2(n) Entero inmediato

superior
la complejidad es O(log n)
0
3/
/
08
16
86

Analisis de Algoritmos

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

Analisis de Algoritmos

Cargado por

Copyright:

Formatos disponibles

Unidad 1

Porqu estudiar Algoritmos?

Porqu estudiar Algoritmos?

UNIDAD I DIAGRAMA DE FLUJO

UNIDAD I DIAGRAMA DE FLUJO

El nmero de operaciones que involucra, o

Cuando un algoritmo se va a usar repetidamente

Eficiencia de los algoritmos dependen de:

Ambas dependen del computador, por lo que

UNIDAD I DIAGRAMA DE FLUJO

UNIDAD I DIAGRAMA DE FLUJO

Programa Consumo N=1.000

UNIDAD I DIAGRAMA DE FLUJO

UNIDAD I DIAGRAMA DE FLUJO

UNIDAD I DIAGRAMA DE FLUJO

UNIDAD I DIAGRAMA DE FLUJO

Tiempo requerido (unidades de tiempo) por un

Comportamiento lmite del algoritmo conforme el

UNIDAD I DIAGRAMA DE FLUJO

UNIDAD I DIAGRAMA DE FLUJO

UNIDAD I DIAGRAMA DE FLUJO

UNIDAD I DIAGRAMA DE FLUJO

UNIDAD I DIAGRAMA DE FLUJO

UNIDAD I DIAGRAMA DE FLUJO

UNIDAD I DIAGRAMA DE FLUJO

UNIDAD I DIAGRAMA DE FLUJO

UNIDAD I DIAGRAMA DE FLUJO

UNIDAD I DIAGRAMA DE FLUJO

Es preferible el estudio a priori

UNIDAD I DIAGRAMA DE FLUJO

El estudio a posteriori trata con programas. El estudio

Es preferible el estudio a priori

UNIDAD I DIAGRAMA DE FLUJO

UNIDAD I DIAGRAMA DE FLUJO

EJEMPLOS DE COMPLEJIDAD ASINTTICA

UNIDAD I DIAGRAMA DE FLUJO

EJEMPLOS DE COMPLEJIDAD ASINTTICA

Cmputos bsicos realizados por

UNIDAD I DIAGRAMA DE FLUJO

EJEMPLOS DE COMPLEJIDAD ASINTTICA

UNIDAD I DIAGRAMA DE FLUJO

EJEMPLOS DE COMPLEJIDAD ASINTTICA

EJEMPLOS DE COMPLEJIDAD ASINTTICA

UNIDAD I DIAGRAMA DE FLUJO

EJEMPLOS DE COMPLEJIDAD ASINTTICA

UNIDAD I DIAGRAMA DE FLUJO

EJEMPLOS DE COMPLEJIDAD ASINTTICA

UNIDAD I DIAGRAMA DE FLUJO

UNIDAD I DIAGRAMA DE FLUJO

UNIDAD I DIAGRAMA DE FLUJO

UNIDAD I DIAGRAMA DE FLUJO

UNIDAD I DIAGRAMA DE FLUJO

UNIDAD I DIAGRAMA DE FLUJO

UNIDAD I DIAGRAMA DE FLUJO

No depende del tamao del

UNIDAD I DIAGRAMA DE FLUJO

1: La mayor parte de las instrucciones se ejecutan una o muy pocas veces

log n (logartmico): Desempeo tpico de algoritmos que resuelven un

UNIDAD I DIAGRAMA DE FLUJO

n(lineal): Para cada elemento de entrada se realiza una operacin.

n log n: Algoritmos que resuelven un problema dividindolos en

n2(cuadrtico): Prctico para conjuntos de datos pequeos.

n3(cbico): Aparecen cuando se procesan ternas de elementos de

2n(exponencial): Son poco tiles en la prctica y aparecen al aplicar