Big-O對于小o ≤來說就是如此<。Big-O是包含上限，而little-o是嚴格的上限。

例如，函數f(n) = 3n是：

• 在O(n2)，o(n2)和O(n)

• 不是O(lg n)，o(lg n)或o(n)

類似地，數字1是：

• ≤ 2，< 2和≤ 1

• 不是≤ 0，< 0或< 1

這是一張表，顯示了一般的想法：

（注意：該表是一個很好的指南，但它的限制定義應該是上限而不是正常限制。例如，3 + (n mod 2) 永遠在3到4之間振蕩。O(1)盡管沒有正常的限制，它仍然存在，因為它仍然有a lim sup：4.）

我建議記住Big-O符號如何轉換為漸近比較。比較更容易記住，但不太靈活，因為你不能說n ^O（1） = P之類的東西。

我發現當我無法在概念上掌握某些東西時，思考為什么要使用X有助于理解X.（不是說你沒有嘗試過，我只是在設置舞臺。）

[你知道的東西]分類算法的常用方法是運行時，通過引用算法的大復雜性，你可以很好地估計哪一個是“更好” - 無論哪個具有“最小”功能在O！即使在現實世界中，O（N）比O（N2）“更好”，除非像超大質量常數之類的傻事。[/你知道的東西]

假設有一些在O（N）中運行的算法。很好，對吧？但是，讓我們說你（你很聰明的人，你）想出一個在O（^N / _{loglogloglogN}）中運行的算法。好極了！它更快！但是當你撰寫論文時，你會一遍又一遍地寫下傻傻的寫作。所以你寫了一次，然后你可以說“在本文中，我已經證明了算法X，以前可以在時間O（N）中計算，實際上是在o（n）中可計算的?！?/p>

因此，每個人都知道你的算法更快 - 有多少不清楚，但他們知道它更快。理論上。:)