En esta presentación se muestra la clasificación de las estructura de datos

1. ESTRUCTURA DE DATOS
ALUMNOS :
JOAQUIN LOZANO
NUÑEZ
TEMAS:
Introducción a las
estructuras de datos
1.1 Clasificación de las
estructuras de datos.
1.2 Tipos de datos
abstractos (TDA).
1.3 Ejemplos de TDA´S

2. INTRODUCCIÓN A LAS ESTRUCTURAS DE
DATOS
Las estructuras de datos son formas de organizar y almacenar datos de manera
eficiente en un programa de computadora. Son esenciales para resolver
problemas y optimizar el uso de recursos como tiempo y espacio en memoria.
Existen diversas estructuras de datos, cada una con sus propias características y
ventajas. Algunas de las estructuras de datos más comunes incluyen arrays,
listas enlazadas, pilas, colas, árboles y grafos. Cada estructura de datos tiene
sus propias operaciones y métodos para insertar, eliminar y acceder a los datos
almacenados. La elección de la estructura de datos adecuada depende del
problema que se esté resolviendo y de los requisitos de eficiencia.

3. 1.1 Clasificación de las Estructuras de datos
Las estructuras de datos son
formas de organizar y almacenar
datos en la memoria de una
computadora para que puedan ser
accedidos y gestionados de
manera eficiente. Estas estructuras
se pueden clasificar de varias
maneras, dependiendo de
diferentes criterios.

4. Estructuras primitivas y simples:
Estructuras primitivas:
• Son primitivas aquellas que no están
compuestas por otras estructuras de
datos por ejemplo:
• Enteros
• Booleanos
• Caracteres
• Otras estructuras de datos se
pueden construir de una o mas
primitivas.
Estructuras simples:
Las estructuras de datos simples que
consideramos se construyen a partir
de estructuras primitivas y son:
• Cadenas
• Arreglos
• Registros
A estas estructuras de datos las
respaldan muchos lenguajes de
programación.

8. Estructuras lineales y no lineales:
Las estructuras de datos simples se pueden combinar de varias maneras para formar estructuras
mas complejas.
Las estructuras de datos
lineales
incluyen:
• Pilas
• Colas
• listas ligadas lineales
Las estructuras de datos
no lineales
incluyen:
• Grafos
• Arboles.

14. 1.2Tipos de datos abstractos TDA).
Tipo Abstracto de Datos (TAD) es un concepto que define un conjunto
de valores y las operaciones que se pueden realizar sobre esos
valores sin exponer los detalles internos de cómo se implementan
esas operaciones. Esto ayuda a encapsular la complejidad y
proporcionar una interfaz clara para trabajar con los datos. Aquí hay
algunos ejemplos de tipos abstractos de datos.

15. DATOS ABSTRACTOS
1. LISTAS ENLAZADAS : Implementación con un arreglo dinámico: Un arreglo que puede crecer o
disminuir automáticamente según la cantidad de elementos. Operaciones como `agregar`, `eliminar`
y `obtener` elementos por índice.
2. PILAS: Implementación con arreglo: es una lista ordenada o estructura de datos que permite
almacenar y recuperar datos de acceso a sus elementos de tipo LIFO (del inglés Last In, First Out,
«último en entrar, primero en salir»)
3. COLAS: Implementación con arreglo circular: es un grupo ordenado de elementos del mismo tipo,
en la cual dichos elementos se añaden por un extremo (Final) y se quitan por el otro extremo
(Frente). FIFO (First In First Out), es decir, que el primer elemento en entrar es el primer elemento
en salir.
4. ÁRBOLES: Es un tipo abstracto de datos (TAD) ampliamente usado que imita la estructura
jerárquica de un árbol, con un valor en la raíz y subárboles con un nodo padre, representado como
un conjunto de nodos enlazados.
5. GRAFOS: un grafo es una estructura de datos no lineal que consiste en un conjunto de nodos y
arcos. Los nodos representan los elementos o entidades, mientras que los arcos representan las
relaciones o conexiones entre los elementos.
6. TABLAS DE HASH: Las tablas hash son estructuras de datos que se utilizan para almacenar un
número elevado de datos sobre los que se necesitan operaciones de búsqueda e inserción muy
eficientes. Esta asocia llaves o claves con valores

16. 1.3 Ejemplos de TDA’S

21. Introducción
Integrantes:
Melissa Jimenez Gallardo - 21321069
Pedro Silva Muñoz - 21321213
A la estructura de datos
Lunes, 18 de septiembre de
2023
Estructura de
datos Equipo 3

22. Subtemas.
1.4.- Manejo de memoria.
1.4.1.- Memoria estática.
1.4.2.- Memoria dinámica.
1.5.- Análisis de Algoritmos.
1.5.1.- Complejidad en el tiempo.
1.5.2.- Complejidad en el espacio.
1.5.3.- Eficiencia de los
Algoritmos

23. 1.4.- Manejo de memoria
Todas las variables, arreglos y objetos en general tienen una
duración determinada en el transcurso de un programa. Son
creados y destruidos para su uso y después para que la
memoria sea liberada para que la utilicen otros objetos.
En C# existen tres formas de usar la memoria para
almacenar valores, son:

24. 1.4.1. - Memoria Estática
La memoria estática es la que
se reserva en el momento de
la compilación antes de
comenzar a ejecutarse el
programa. Los objetos son
creados en ese momento y
destruidos al finalizar el
programa. Mantienen la misma
localización en memoria
durante todo el transcurso del
programa.
Los objetos administrados
de ese modo son:
- Variables static
- Variables globales
- Miembros static de clases
- Literales cualquier tipo

25. Arreglos estáticos: Un arreglo estático es una
estructura de datos en la que se reserva una cantidad
fija de memoria para almacenar elementos del mismo
tipo. La cantidad de memoria se asigna en tiempo de
compilación y no puede cambiarse durante la ejecución
del programa. Por ejemplo, en C o C++, puedes
declarar un arreglo estático de enteros como:
Int miArreglo[10];
En este caso, se asigna estáticamente memoria para
10 enteros, y esta asignación no cambia mientras el
programa se ejecuta.
EJEMPLO :

26. Variables estáticas: En muchos lenguajes de programación,
puedes declarar variables estáticas que mantienen su valor
entre llamadas a una función. Estas variables se almacenan
en una ubicación de memoria estática y conservan su valor
entre llamadas. Por ejemplo, en C, puedes declarar una
variable estática de la siguiente manera:
Static int contador = 0;
La variable contador conservará su valor entre llamadas a la
función que la contiene.

27. 1.4.2- Memoria dinámica.
La memoria dinámica es un espacio de
almacenamiento que se solicita en tiempo de
ejecución. De esa manera, a medida que el
proceso va necesitando espacio para más líneas,
va solicitando más memoria al sistema operativo
para guardarlas.
El medio para manejar la memoria que otorga el
sistema operativo, es el puntero, puesto que
no podemos saber en tiempo de compilación
dónde nos dará huecos el sistema operativo
(en la memoria de nuestro PC).

28. VENTAJAS:
1.-Es posible disponer de un espacio de memoria
arbitrario que dependa de información dinámica
(disponible sólo en ejecución): Toda esa memoria que
maneja es implementada por el programador cuando
fuese necesario.
2.-Otra ventaja de la memoria dinámica es que se puede
ir incrementando durante la ejecución del programa.
Esto permite, por ejemplo, trabajar con arreglos
dinámicos.
3.-Es memoria que se reserva en tiempo de ejecución.
Su tamaño puede variar durante la ejecución del
programa y puede ser liberado mediante la función free.

29. DESVENTAJAS:
1.-Es difícil de implementar en el desarrollo de un
programa o aplicación.
2.-Es difícil implementar estructuras de datos
complejas como son los tipos recursivos (árboles,
grafos, etc.).Por ello necesitamos una forma para
solicitar y liberar memoria para nuevas variables que
puedan ser necesarias durante la ejecución de
nuestros programas: Heap.
3.-Una desventaja de la memoria dinámica es que es
más difícil de manejar.

30. 4.-La memoria dinámica puede afectar el rendimiento.
Puesto que con la memoria estática el tamaño de las
variables se conoce en tiempo de compilación, esta
información está incluida en el código objeto generado.
Cuando se reserva memoria de manera dinámica,
5.-Se tienen que llevar a cabo varias tareas, como buscar
un bloque de memoria libre y almacenar la posición y
tamaño de la memoria asignada, de manera que pueda
ser liberada más adelante. Todo esto representa una
carga adicional, aunque esto depende de la
implementación y hay técnicas para reducir su impacto.

31. 1.5.- Análisis de
algoritmos
Son profesionales que se dedican a analizar y
optimizar algoritmos utilizados en el
procesamiento de datos. Su trabajo implica
comprender cómo se almacenan y organizan los
datos en diferentes estructuras, como listas,
árboles, grafos, matrices, entre otros, y evaluar la
eficiencia de los algoritmos que operan sobre
estas estructuras. Estos analistas se aseguran de
que los algoritmos sean eficientes en términos de
tiempo y espacio, identificando y resolviendo
cuellos de botella en el procesamiento de datos.
También pueden estar involucrados en la
selección de la estructura de datos adecuada
para una tarea específica y en la implementación
de algoritmos optimizados.

32. 1.5.1- Complejidad en el tiempo
Se refiere a la cantidad de tiempo que toma realizar operaciones
específicas en esa estructura de datos en función del tamaño de
los datos o elementos involucrados. Esta medida es fundamental
para evaluar la eficiencia de un algoritmo o estructura de datos en
términos de velocidad de ejecución. Por lo general, se expresan
las complejidades en el tiempo en notación big O (O()), que
describe el límite superior asintótico de la cantidad de operaciones
necesarias en función del tamaño de entrada. Algunas de las
complejidades de tiempo comunes para operaciones en
estructuras de datos incluyen:

33. Búsqueda: Representada como O(log n) para estructuras de datos
como árboles binarios de búsqueda y O(1) para tablas de
dispersión (hash tables).
Inserción: La complejidad varía según la estructura de datos. En una
lista enlazada, por ejemplo, puede ser O(1) para la inserción al
principio y O(n) para la inserción en medio.
Eliminación: Al igual que la inserción, la complejidad depende de la
estructura de datos y la posición del elemento a eliminar.
Recorrido (traversal): Por lo general, O(n) ya que suele ser necesario
visitar cada elemento de la estructura.
Ordenamiento: La complejidad depende del algoritmo de
ordenamiento utilizado. Por ejemplo, el ordenamiento por burbuja
es O(n^2), mientras que el ordenamiento rápido (quicksort) es O(n
log n).

34. 1.5.2.- Complejidad en el espacio.
La complejidad en el espacio, también conocida
como uso de memoria, es un concepto
importante en la computación y se refiere a
cuánta memoria se necesita para ejecutar un
algoritmo o almacenar datos. La elección de la
estructura de datos adecuada puede influir
significativamente en la complejidad en el
espacio de un programa. Algunas estructuras de
datos comunes y sus implicaciones en la
complejidad en el espacio incluyen:

35. 1. Arreglos: Los arreglos tienen una complejidad
en el espacio fija, ya que ocupan una cantidad
de memoria predefinida. Sin embargo, su
tamaño debe ser conocido de antemano, lo que
puede ser una limitación.
2. Listas enlazadas: Las listas enlazadas pueden
usar memoria de manera más eficiente que los
arreglos en algunos casos, ya que los nodos
solo ocupan la memoria necesaria para
almacenar su valor y una referencia al siguiente
nodo. Sin embargo, requieren espacio adicional
para las referencias.

36. Árboles y grafos: Estructuras de datos como árboles y
grafos pueden ocupar más memoria que las listas
enlazadas o los arreglos debido a las múltiples
conexiones entre nodos. La complejidad en el
espacio depende de la profundidad y el grado de
ramificación de la estructura.
Tablas de dispersión (hash tables): Las tablas de
dispersión pueden ocupar una cantidad variable de
memoria, dependiendo de la cantidad de elementos
que se almacenan y la eficiencia del factor de carga.
Pueden ser muy eficientes en términos de espacio
si se gestionan correctamente.

37. 1.5.3.- Eficiencia de los algoritmos.
Un algoritmo será más eficiente cuanto menos
recursos computacionales consuma: tiempo y
espacio de memoria requerido para su
ejecución.
La eficiencia de un algoritmo se cuantifica en
términos de su complejidad temporal (tiempo de
cómputo del programa) y su complejidad
espacial (memoria que utiliza el programa
durante su ejecución).

38. • La selección de un algoritmo es un proceso en el que se
deben tener en cuenta muchos factores, entre los cuales
podemos destacar los siguientes:
• La complejidad en tiempo del algoritmo. Es una primera
medida de la calidad de una rutina y establece su
comportamiento cuando el número de datos a procesar es
grande.
• La complejidad en espacio del algoritmo. Sólo cuando esta
complejidad resulta razonable es posible utilizar este
algoritmo con seguridad. Si las necesidades de memoria
del algoritmo crecen considerablemente con el tamaño del
problema el rango de utilidad del algoritmo es baja y se
debe descartar.

39. • La dificultad de implementar el algoritmo . En
algunos casos el algoritmo óptimo puede resultar
tan difícil de implementar que no se justifique
desarrollarlo para la aplicación que se le va a
dar.
• El tamaño del problema que se va a resolver. Un
algoritmo para un proceso tamaño pequeño no
justifica la realización de un análisis, ya que da lo
mismo una implementación que otra.