2.1.1 AL/Análisis Básico

Temas:
Core Tier1

Core Tier2

Objetivos de Aprendizaje (Learning Outcomes):
Core-Tier1:

  1. Explique a que se refiere con “mejor", “esperado" y “peor" caso de comportamiento de un algoritmo [Familiarizarse]
  2. En el contexto de a algoritmos específicos, identifique las características de data y/o otras condiciones o suposiciones que lleven a diferentes comportamientos [Evaluar]
  3. Determine informalmente el tiempo y el espacio de complejidad de simples algoritmos [Usar]
  4. Indique la definición formal de Big O [Familiarizarse]
  5. Lista y contraste de clases estándares de complejidad [Familiarizarse]
  6. Realizar estúdios empíricos para validar una hipótesis sobre runtime stemming desde un análisis matemático Ejecute algoritmos con entrada de varios tamaños y compare el desempeño [Evaluar]
  7. Da ejemplos que ilustran las compensaciones entre espacio y tiempo que se dan en los algoritmos [Familiarizarse]
Core-Tier2:
  1. Use la notación formal de la Big O para dar límites superiores asintóticos en la complejidad de tiempo y espacio de los algoritmos [Usar]
  2. Usar la notación formal Big O para dar límites de casos esperados en el tiempo de complejidad de los algoritmos [Usar]
  3. Explicar el uso de la notación theta grande, omega grande y o pequeña para describir la cantidad de trabajo hecho por un algoritmo [Familiarizarse]
  4. Usar relaciones recurrentes para determinar el tiempo de complejidad de algoritmos recursivamente definidos [Usar]
  5. Resuelve relaciones de recurrencia básicas, por ejemplo. usando alguna forma del Teorema Maestro [Usar]

Generado por Ernesto Cuadros-Vargas , Sociedad Peruana de Computación-Peru, basado en el modelo de la Computing Curricula de IEEE-CS/ACM