update browser

docs/tasks/_category_.json

@@ -1,6 +1,6 @@
 {
   "label": "Tasks",
-  "position": 11,
+  "position": 12,
   "link": {
     "type": "generated-index"
   }

docs/tasks/tasks.md

@@ -0,0 +1,27 @@
+---
+sidebar_position: 1
+---
+
+# Метод оценки сложности алгоритма O(n) 
+
+Метод оценки сложности алгоритма **O(n)** используется для анализа времени выполнения алгоритма в зависимости от размера входных данных. Обозначение **O(n)** означает, что время выполнения алгоритма растёт линейно с увеличением размера входных данных.
+
+## Пример на JavaScript:
+Рассмотрим простой пример алгоритма, который проходит по всем элементам массива и выполняет какую-то операцию (например, вывод в консоль):
+```js
+function printArrayElements(arr) {
+    for (let i = 0; i < arr.length; i++) {
+        console.log(arr[i]);
+    }
+}
+const array = [1, 2, 3, 4, 5];
+printArrayElements(array);
+```
+
+## Объяснение:
+1. **Цикл `for`:** В этом примере цикл `for` проходит по каждому элементу массива `arr`. Количество итераций цикла равно длине массива `n`.
+2. **Линейная зависимость:** Если массив увеличивается в размере (например, в 2 раза), то количество итераций цикла также увеличивается в 2 раза. Это означает, что время выполнения алгоритма растёт линейно с увеличением размера входных данных.
+3. **Сложность O(n):** Таким образом, сложность этого алгоритма оценивается как **O(n)**, где `n` — это количество элементов в массиве.
+
+## Заключение:
+Метод оценки сложности **O(n)** помогает понять, как будет вести себя алгоритм при увеличении объёма данных. В данном случае, если массив станет очень большим, время выполнения алгоритма будет пропорционально увеличиваться.