Complejidad temporal y espacial

← SE-054 — Algoritmos, corrección y terminación · ↑ Parte 04 · 📚 Índice completo · 🌐 Portal · SE-056 — Heurísticas, aproximación y límites computacionales →

Punto profesional y fundamento pedagógico

Punto profesional. La clase existe para comparar crecimiento temporal y espacial antes de interpretar benchmarks.

Por qué aparece aquí. Se sitúa después de Algoritmos, corrección y terminación y antes de Heurísticas, aproximación y límites computacionales: convierte el conocimiento anterior en una decisión observable que la clase siguiente podrá reutilizar. La continuidad se comprueba en el artefacto, no por compartir vocabulario.

Error conceptual que debe corregir. Equiparar Big‑O con segundos o descartar constantes en cargas reales.

Secuencia de aprendizaje. Antes de leer la solución, el estudiante predice el resultado del caso normal y del error conceptual anterior. Luego explica un caso resuelto paso a paso, construye un contraejemplo que cambie la decisión y, sin consultar el texto, reconstruye el mecanismo y lo aplica a una entrada nueva. La secuencia usa predicción, explicación propia, contraste y recuperación. ICAP distingue participación de construcción de conocimiento; How People Learn II exige conectar conocimiento previo, contexto y transferencia; la práctica de recuperación respalda producir de nuevo la explicación tras una demora; y Education for Life and Work exige devolución que explique la causa del error.

Evidencia de aprendizaje. Complexity.md con conteo, cota, gráfica y medición que no contradiga su alcance. Debe contener predicción previa, observación, explicación causal, contraejemplo, criterio de aceptación y una nota de qué dato haría cambiar la conclusión.

Límite de la conclusión. El análisis asintótico no predice por sí solo el umbral práctico.

Trazabilidad fuente → afirmación

Antes de empezar

Esta clase continúa el modelo de decisión diagnóstica, que convierte la evidencia de la petición observable de extremo a extremo en una siguiente decisión explicable. Recupera SE-054: escribe qué artefacto dejó, qué supuesto permanece abierto y qué propiedad debe sobrevivir al nuevo modelo. La matemática se usa para restringir interpretaciones y encontrar errores; no como ornamentación.

Prerrequisitos

• Poder separar hecho, interpretación, hipótesis y decisión.
• Manejar tablas, diagramas y pseudocódigo legible; Python es opcional.
• Trabajar con datos sintéticos del caso del modelo de decisión diagnóstica y conservar cada versión en Git.

Problema auténtico

El modelo de decisión diagnóstica funciona con 20 hipótesis y se bloquea con 20.000. Medir una sola máquina no explica crecimiento ni identifica si la entrada relevante es nodos, aristas o reglas. Hace falta análisis asintótico y medición honesta.

Objetivos observables

Al finalizar podrás explicar el mecanismo con ejemplo y contraejemplo; construir un modelo con dominio y límites; derivar una prueba que pueda refutarlo; comparar al menos dos representaciones; y entregar una decisión cuya evidencia pueda revisar otra persona.

Mapa conceptual

flowchart LR
    P[Problema situado] --> A[Abstracción explícita]
    A --> R[Reglas e invariantes]
    R --> S[Solución o estrategia]
    S --> C[Casos y contraejemplos]
    C --> E[Evidencia de aceptación]
    E -->|modelo insuficiente| A

El mapa separa el problema de su representación. Los casos no reemplazan reglas; las reglas no prueban que el problema esté bien encuadrado. La pregunta de esta clase es: ¿Cómo crecen tiempo y memoria con el tamaño que realmente domina la carga?

Temas y por qué importan

Conceptos y decisiones

1. Modelo de costo y tamaño

Antes de contar se define operación básica y tamaño n. En un grafo importan V y E; reducir todo a n puede ocultar densidad. El modelo RAM abstrae costos constantes, pero cadenas, enteros grandes, caché y E/S pueden invalidar esa simplificación.

2. O, Ω y Θ

O acota crecimiento superior, Ω inferior y Θ ajustado bajo constantes. Decir que un algoritmo O(n²) también es O(n³) es cierto pero poco informativo. Las cotas se aplican a una función y régimen; no son tiempos en segundos.

3. Casos mejor, promedio y peor

El peor caso fija garantía; promedio exige distribución justificada; amortizado reparte secuencias de operaciones sin asumir azar. Presentar el caso favorable como promedio es un error. El modelo de decisión diagnóstica usa peor caso para deadline y medición para distribución observada.

4. Tiempo versus espacio

Guardar visitados usa O(V) memoria y evita repetir caminos exponencialmente. Un algoritmo in-place puede ahorrar memoria y complicar invariantes. La decisión considera límites del entorno y costo de recomputar, no una métrica aislada.

5. Análisis y benchmark

El análisis predice forma de crecimiento independiente del equipo; el benchmark captura constantes, runtime y datos. Se prueban tamaños crecientes, calentamiento, repeticiones y mediana/rango. Si la curva contradice el modelo, se investiga antes de concluir.

Definiciones de trabajo

• complejidad: crecimiento de recursos respecto al tamaño.
• cota: límite matemático de crecimiento.
• peor caso: máximo costo entre entradas del mismo tamaño.
• amortizado: costo promedio garantizado sobre una secuencia.
• benchmark: medición controlada de una implementación.

Las definiciones fijan el uso en el modelo de decisión diagnóstica. Si una fuente usa otra convención, documenta la traducción. Una palabra definida no equivale a una propiedad demostrada.

Ejemplo mínimo

Cuenta comparaciones de búsqueda lineal y binaria para n=8,16,32. Declara precondición de orden de la binaria y explica cuándo ordenar primero elimina su ventaja.

Antes de resolver, predice el resultado y la propiedad que debería conservarse. Después marca qué parte del resultado procede de la regla y cuál depende del ejemplo.

Ejemplo profesional

El modelo de decisión diagnóstica modela recorrido O(V+E) y memoria O(V). El benchmark genera grafos dispersos y densos, separa construcción de consulta y registra versión. Un presupuesto cancela antes de agotar memoria y reporta salida parcial como incompleta.

La entrega profesional hace visible el costo de simplificar. Incluye al menos una alternativa descartada y la condición que obligaría a revisar la decisión.

Práctica guiada

1. define tamaño y operación dominante.
2. deriva una suma de costo.
3. clasifica cota sin borrar variables.
4. predice duplicar tamaño.
5. mide cinco tamaños y compara tendencia.
6. solicita una revisión adversarial y corrige el modelo sin borrar la versión que falló.

Ejercicios

1. Comprensión: define dos conceptos con ejemplo, no-ejemplo y límite.
2. Construcción: aplica el mecanismo a un caso del modelo de decisión diagnóstica no usado en la explicación.
3. Refutación: fabrica la entrada mínima que rompa una solución ingenua.
4. Transferencia: usa el mismo razonamiento en planificación de entregas o validación de datos.

Reto verificable

Entrega problem.md, model.md y checks.md. Una persona revisora debe poder reconstruir dominio, supuestos, regla, resultado y límite; además debe encontrar qué caso refutaría la solución sin preguntarte oralmente.

Demostración guiada

1. Declara el dominio y selecciona un caso pequeño calculable a mano.
2. Ejecuta la estrategia paso a paso y conserva estados intermedios.
3. Comprueba el resultado contra la definición, no contra intuición.
4. Introduce el fallo controlado y localiza la primera regla violada.
5. Repara el modelo y repite el caso original y el contraejemplo.

Preguntas frecuentes

¿Formal significa usar símbolos difíciles?

No. Significa que dominio, reglas y criterio permiten decidir si una afirmación se sostiene. Una tabla precisa puede ser más formal que una fórmula ambigua.

¿Un conjunto grande de pruebas demuestra corrección?

No para un dominio ilimitado. Las pruebas aportan evidencia y detectan defectos; un argumento cubre clases de entradas, siempre bajo supuestos declarados.

¿Puedo implementar antes de especificar todo?

Puedes explorar, pero el prototipo no redefine silenciosamente el problema. Registra qué aprendiste y actualiza contrato y casos antes de aprobar.

Fallo controlado y diagnóstico

Cronometra dos algoritmos una vez con n=10 y declara ganador universal. Repite con escala, múltiples series y separación de setup; documenta el punto de cruce.

Conserva el modelo fallido, la entrada que lo expone, la regla violada y la corrección. No ajustes solo el resultado esperado para hacer pasar el caso.

Errores comunes y cómo corregirlos

Entorno y archivos clave

work/SE-055/
├── problem.md     # contexto, dominio, supuestos y exclusiones
├── model.md       # definiciones, reglas, diagrama y estrategia
├── checks.md      # ejemplos, contraejemplos y aceptación
└── review.md      # objeciones y revisión del modelo

El pseudocódigo debe ser independiente de lenguaje y cada diagrama necesita explicación textual. Si usas código para explorar, registra versión, entrada y salida; no lo presentes automáticamente como producto de la clase.

Laboratorio integrado de la Parte 04

Genera operation_counts() de la especificación contrastable para tamaños crecientes y deriva las expresiones lineal y por pares. Después, si mides tiempo, conserva versión, máquina y repeticiones por separado. La tendencia teórica no predice milisegundos universales y un benchmark pequeño no refuta una cota asintótica.

Seguridad, ética y accesibilidad

• usa incidentes sintéticos y evita convertir direcciones o usuarios en datos de práctica;
• trata autorización y privacidad como invariantes, no como pasos opcionales;
• registra a quién perjudica un falso positivo, falso negativo o prioridad automática;
• ofrece tablas y texto alternativo para diagramas y símbolos;
• define mecanismo de revisión humana y apelación para recomendaciones;
• no uses un modelo parcial para justificar una decisión irreversible.

Transferencia

Aplica el mecanismo a otro dominio y conserva la estructura del argumento, no los nombres del modelo de decisión diagnóstica. Explica qué dominio, invariante o medida cambia. Si el razonamiento deja de funcionar, identifica el supuesto que pertenecía al caso original.

Evaluación y evidencia

Completar archivos no concede aprobación. La evidencia debe sostener la afirmación exacta, y la revisión de otra persona debe poder contradecirla.

Fuentes

• MIT 6.006 — Introduction to Algorithms — aporta definiciones, invariantes y análisis de estructuras y algoritmos usados en la clase.
• MIT 6.042J — Mathematics for Computer Science — aporta lógica, inducción, relaciones, grafos y técnicas de demostración aplicadas.
• MIT 18.404J — Theory of Computation — delimita computabilidad, complejidad y los límites de las soluciones algorítmicas.

Los cursos y SWEBOK aportan definiciones y métodos; no validan automáticamente el modelo del modelo de decisión diagnóstica. Cada aplicación se sostiene con el artefacto y sus casos.

Límites y siguiente paso

Complejidad asintótica no sustituye perfilado ni incluye automáticamente red y energía. La próxima clase aborda problemas donde exactitud completa resulta demasiado costosa o imposible.

Glosario

• complejidad: crecimiento de recursos respecto al tamaño.
• cota: límite matemático de crecimiento.
• peor caso: máximo costo entre entradas del mismo tamaño.
• amortizado: costo promedio garantizado sobre una secuencia.
• benchmark: medición controlada de una implementación.

← SE-054 — Algoritmos, corrección y terminación · ↑ Parte 04 · 📚 Índice completo · 🌐 Portal · SE-056 — Heurísticas, aproximación y límites computacionales →