以具體的次數與時間，顯示演算法的時間複雜度（大O符號）不同時，資料增加後處理時間會相差多少。輸入資料數與電腦每秒可處理的次數，即可知道各複雜度所需的時間。也能估算資料數改變時的處理時間。
收藏與最近使用的工具只儲存在這個瀏覽器（localStorage）中。
步驟次數是直接以忽略係數與常數項的複雜度式子（log 以 2 為底）計算。實際時間會因係數、記憶體與快取的速度、輸入的排列方式等而改變，請作為參考。圖表顯示到資料數 60 為止，超過 10¹² 次的部分會截掉。
其他輸入維持目前的值，只讓選擇的輸入在目前值的 1/4 到 4 倍之間變化時的結果。紅點是目前的值。
大O符號（O 符號）表示資料數 n 變大時，演算法的步驟次數以什麼比例增加。例如需要 3n² + 5n + 2 次步驟時，n 很大時 n² 項占主導地位，因此忽略係數與較小的項，寫成 O(n²)。如此一來，就能不受電腦速度或實作細節影響，比較演算法之間的效率。
假設每秒可處理 1 億次，n = 100 萬時，O(n) 只需 0.01 秒，O(n log n) 約 0.2 秒，但 O(n²) 需要 1 萬秒（約 2.8 小時）。O(2ⁿ) 即使 n = 50 也需要約 130 天，而且 n 每增加 1，時間就變為 2 倍。資料少的時候每一種都瞬間完成，差異不容易看出，資料增加後才會成為問題。請將資料數改為 1000、100 萬、10 億，比較表格中時間一欄的變化。
知道時間複雜度，就能估算資料數改變時的處理時間。若 O(n²) 的程式在資料數 1000 時需要 0.5 秒，資料數 4000 時次數會變為 (4000 ÷ 1000)² = 16 倍，因此可估算約為 8 秒。若是 O(n log n)，則為 4000 × log₂ 4000 ÷ (1000 × log₂ 1000) ≒ 4.8 倍，約 2.4 秒。考試中常出現這類估算，或問哪一種複雜度較快的順序。
二分搜尋每次將要檢查的範圍減半，因此為 O(log n)。已知以比較進行的排序，在最差情況下不可能比 O(n log n) 更快，合併排序與堆積排序達到這個極限。直接計算 n × n 矩陣的乘積為 O(n³)。O(2ⁿ) 或 O(n!) 這類指數時間的演算法，n 超過數十後就無法在實際可行的時間內完成，因此會使用動態規劃或近似演算法等方法減少次數。
正確答案：C. O(n²)
比較的組數為 (n−1) + (n−2) + … + 1 = n(n−1)/2，n = 10 時為45次，n = 1000 時為499,500次。時間複雜度的階只看 n 變大時的增加方式，因此省略係數1/2與低次項，表示為 O(n²)。n 變為2倍時，次數約變為4倍。O(n) 是每個元素只看一次的處理，O(n log n) 則是像合併排序那樣反覆對半分割的處理的複雜度。
正確答案：B. 8秒
O(n²) 的處理時間與資料數的平方成正比，因此資料數變為4倍時，處理時間變為 4² = 16倍，0.5秒 × 16 = 8秒。2秒是與資料數成正比的 O(n) 的情況，32秒則是與立方成正比的 O(n³) 的情況（4³ = 64倍）。實際上，也可能因資料放不進快取等影響而變得更慢。
在大O符號中，底數不同只會造成常數倍的差異，因此通常不寫底數。本工具配合二分搜尋等的步驟次數，以 2 為底。
資料數少時，係數小的 O(n²) 演算法有時反而較快。因此實際的排序實作，有時會在排序短的區段時使用插入排序。資料數變大後，複雜度較小的一方一定較有利。
表示演算法所使用的記憶區域（記憶體）量如何增加。例如合併排序需要 n 個元素份的工作區，因此空間複雜度為 O(n)；堆積排序在陣列內重新排列，因此為 O(1)。
日本基本資訊技術士考試等資訊類證照考試，常考資料數改變時處理時間的估算、選出演算法的時間複雜度，以及複雜度大小順序的題目。可在下方「估算」欄輸入題目中的數值來確認。