From aeb59bcd0aeae5c24958982855b25e7625ebd7a4 Mon Sep 17 00:00:00 2001 From: Chris Cromer Date: Fri, 14 Dec 2018 20:28:04 -0300 Subject: [PATCH] fix typos --- doc/Informe.tex | 23 +++++++---------------- 1 file changed, 7 insertions(+), 16 deletions(-) diff --git a/doc/Informe.tex b/doc/Informe.tex index 5d3124a..00946f3 100644 --- a/doc/Informe.tex +++ b/doc/Informe.tex @@ -82,32 +82,23 @@ Xavier Canales \subsection{Análisis temporal} \subsubsection{Brute Force} \underline{Caso Promedio:} $ \Theta(n log n)) $ \\ - Para el algoritmo de fuerza bruta el tiempo de respuesta es igual en todos los casos de n log n, esto se debe a que este donde este los puntos mas cercanos este recorrerá todo de igual forma. Esto es netamente debido a el cómo se programó las funciones con ciclos for anidados que son altamente costosos en tiempo. - \bigskip - +Para el algoritmo de fuerza bruta el tiempo de respuesta es igual en todos los casos de $ n^2 $ , esto se debe a que este donde este los puntos mas cercanos este recorrerá todo de igual forma. Esto es netamente debido a el cómo se programó las funciones con ciclos for anidados que son altamente costosos en tiempo.\bigskip \underline{Peor Caso:} $ O(n log n) $ \\ - el peor caso es similar al caso promedio - \bigskip - +El peor caso es similar al caso promedio.\bigskip \underline{Mejor Caso:} $ \Omega(n log n)$ \\ - el mejor caso es similar al caso promedio - \bigskip - +El mejor caso es similar al caso promedio.\bigskip \subsubsection{Divide and Conquer} \underline{Caso Promedio:} $ \Theta(n log n)) $ \\ -Para el algoritmo de dividir y conquistar se repite lo del analisis anterior que es la misma complejidad en todos los casos, de nuevo producto de que tiene que recorrer todo el mapa de puntos para llegar a saber cuales son los mas cercanos. Aquí es n log n, ya que este algoritmo divide el mapa para y compara las mitades separadamente lo cual es mucho mas eficiente que el caso anterior. -\bigskip +Para el algoritmo de dividir y conquistar se repite lo del análisis anterior que es la misma complejidad en todos los casos, de nuevo producto de que tiene que recorrer todo el mapa de puntos para llegar a saber cuales son los mas cercanos. Aquí es $ n log(n) $, ya que este algoritmo divide el mapa para y compara las mitades separadamente lo cual es mucho mas eficiente que el caso anterior.\bigskip \underline{Peor Caso:} $ O(n log n) $ \\ -el peor caso es similar al caso promedio -\bigskip +El peor caso es similar al caso promedio.\bigskip \underline{Mejor Caso:} $ \Omega(n log n)$ \\ -el mejor caso es similar al caso promedio -\bigskip +El mejor caso es similar al caso promedio.\bigskip \newpage \subsection{Datos} @@ -121,7 +112,7 @@ La siguiente tabla contiene los resultados de las pruebas de los 2 algoritmos me \hline \rule[-1ex]{0pt}{3.5ex} 1.000.000 & 15403.951[s] & 3[s] \\ \hline - \rule[-1ex]{0pt}{3.5ex} 5.000.000 & 372984[s] & 11.210[s] \\ + \rule[-1ex]{0pt}{3.5ex} 5.000.000 & 372984[s] & 11.210[s] \\ \hline \end{tabular} \end{center}