El documento habla sobre la complejidad algorítmica. Explica que el tiempo de ejecución de un programa depende del tamaño de los datos de entrada y que existen diferentes estructuras de datos como lineales (pilas, listas, colas) y no lineales (árboles, gráficos). También describe los casos mejor, peor y promedio, así como diferentes notaciones como O(1), O(n), O(n log n) y O(n!) para expresar la complejidad de los algoritmos.

1. Es el tiempo de ejecución
de cualquier programa en base a
'n' datos de entrada.

2. Según el tamaño del problema ya que
el tiempo de ejecución está dado por
los n datos de entrada

4. Los datos se
estructuran
de forma
Interna: dentro de
un sistema y tiene
2 estructuras
Estáticas (vectores y
matrices)
Dinámica se clasifica en:
Externa: archivos de otra
compañía
Lineales
(Pilas, Listas,
Colas)
No Lineales
(Arboles,
Gráficos)
Base de
datos
Archivos

6. El peor caso consiste en verificar cuántas
operaciones tienen que realizar los algoritmos
para llegar a la solución, entre más
operaciones se hagan el caso es peor

7. Se Busca un promedio de operaciones que se realizan para la
solución de un problema. Se considera todas las entradas posibles
con un tamaño determinado

8. El mejor caso, es aquel en el que el algoritmo utiliza la menor
cantidad de recursos (tiempo, por ejemplo) para solucionar el
problema.

10. Se necesita analizar la potencia de los
algoritmos independientemente de la
potencia de la máquina q lo vaya a ejecutar
o la habilidad que tenga el programador.

11. Se describe pro medio de una
función cuyo dominio son los
números naturales N

13. Complejidad Terminología
O(1) Complejidad constante
O(n2) Complejidad cuadrática
O(log n) Complejidad logarítmica
O(n) Complejidad lineal
O(n log n) Complejidad casi-lineal
O(n^b) Complejidad polinómica
O(b^n) Complejidad exponencial
O(n!) Complejidad factorial