Quiz Análisis de Algoritmos Big O - U2

1)      ¿Qué indica la notación Big Theta (Θ) en términos de límites de tiempo de ejecución?

• Solo un límite superior

• Solo un límite inferior

• Un límite superior y uno inferior (acotamiento ajustado)

• Ninguno de los anteriores

Si un algoritmo tiene una complejidad de O(n²), ¿cuál de estas afirmaciones es correcta?

• Su tiempo de ejecución siempre es exactamente n²
  
  

• Su tiempo de ejecución nunca excede n²
  
  

• Su tiempo de ejecución no supera un múltiplo constante de n² en el peor caso
  
  

• Su tiempo de ejecución siempre es menor que n²

¿Qué describe la notación Big O (O grande) en el análisis de algoritmos?

• El mejor caso de un algoritmo

• El peor caso de un algoritmo

• La tasa de crecimiento exacta de un algoritmo

• El promedio de rendimiento de un algoritmo

¿En qué situación práctica es más útil utilizar la notación Big O?

• Cuando queremos analizar el mejor caso de un algoritmo

• Cuando nos importa el caso promedio

• Cuando queremos asegurarnos de que el algoritmo funciona bien incluso en su peor caso

• Cuando calculamos el uso exacto de memoria

Dado que f(n) = 3n² + 2n + 1, ¿Cuál es la notación Big O más ajustada para f(n)?

• O(n)

• O(n²)
  
  

• O(n³)
  
  

• O(log n)

¿Cuál de las siguientes afirmaciones describe correctamente Big Omega?

• Describe el tiempo de ejecución en el peor caso.

• Evalúa el comportamiento en el mejor de los casos o la cota inferior del tiempo de ejecución

• Establece una relación exacta entre el tiempo de ejecución y el tamaño de la entrada.

• Es equivalente a Big O en la mayoría de los algoritmos

¿Cuál es la relación correcta entre las notaciones Big O, Big Omega y Big Theta?

• Big O es siempre mayor que Big Omega

• Big O es equivalente a Big Omega

• Big Theta está entre Big O y Big Omega.

• No hay relación entre ellas.

Si un algoritmo tiene una complejidad de Ω(1), ¿qué significa esto?

• El algoritmo siempre toma el mismo tiempo de ejecución, independientemente del tamaño de la entrada.
  
  

• El tiempo de ejecución del algoritmo crece linealmente con el tamaño de la entrada.

• El algoritmo tiene una complejidad cuadrática.
  
  

• El tiempo de ejecución del algoritmo es logarítmico

¿Por qué es importante optimizar un algoritmo usando Big O?

• a) Para reducir el costo económico de programar el algoritmo.

• Para mejorar la velocidad de ejecución, lo que puede impactar en la experiencia del usuario.

• • Para aumentar la complejidad del algoritmo y hacerlo más interesante.

• • Para hacer que el algoritmo sea compatible con cualquier lenguaje de programación.

¿Qué mide la notación Big O en un algoritmo?

• • La complejidad matemática del problema.

• • El número de operaciones que realiza el algoritmo en función del tamaño de la entrada.

• • El número de errores que puede generar un algoritmo.

• • El costo en dinero de ejecutar el algoritmo.