为什么要教Big O而不是Big Theta？

大O表示法为函数提供了上限，而大Theta提供了严格的约束。但是，我发现Big O符号在真正意义上是Big Theta时通常被（非正式地）教授和使用。

例如，“ Quicksort是O（N ^ 2）”可以变成更强大的陈述“ Quicksort是Θ（N ^ 2）”

尽管从技术上讲Big O的使用是正确的，但是更普遍地使用Big Theta不会更具表达性，并且可以减少混乱吗？有什么历史原因可导致这种大O的使用更为普遍？

维基百科注释：

非正式地，尤其是在计算机科学中，通常允许在某些情况下使用Big O表示法来描述渐近紧边界，在这种情况下，使用Big ThetaΘ表示法实际上可能更合适。

因为通常在分析性能时您只对最坏的情况感兴趣。因此，知道上限就足够了。

当它的运行速度比给定输入的预期速度快时-没关系，这不是关键点。这些信息几乎可以忽略不计。

正如@Peter Taylor指出的那样，某些算法根本没有严格的界限。例如参见quicksort，它是O（n ^ 2）和Omega（n）。

此外，严格界限通常更难计算。

也可以看看：

• 涵盖深度差异的Stackoverflow线程

原因之一是在很多情况下Θ未知。例如，矩阵乘法为O（n ^ 2.376），但没有已知的严格界限。当然，据我所知，有是开往矩阵乘法一紧，但我们不知道它的价值。