2 Ordem de Crescimento e Somatorio

Ordem de Crescimento &
Somatórios
ÉFREN L. SOUZA
EFREN L. SOUZA / PROJETO E ANÁLISE DE ALGORITMOS / UFOPA – IEG – PC 1

Computadores & Problemas
Nós usamos os computadores para resolver
problemas difíceis ou processar grandes quantidades
de dados
Inevitavelmente essas tarefas nos levarão a questões
como: Quanto tempo demora meu programa?
Por que meu programa extrapola os
limites de memória?
Análise de Algoritmos
A análise de algoritmos vem para responder tais
questões “Analisar um algoritmo significa prever os
recursos que o algoritmo necessita.”
[Cormen, 2012]
“A análise de algoritmos é importante na
programação de computadores porque
geralmente há vários algoritmos disponíveis
para uma aplicação específica e gostaríamos
de saber qual é o melhor.” [Knuth, 1973]
Como Responder essas Questões?
Através de Avaliações Experimentais
Através de Modelos Matemáticos

Análise por Avaliação Experimental
Quanto tempo int threeSum( int[] a ) {
demora esse int N = a.length;
programa? int cnt = 0;

for (int i = 0; i < N; i++)
 Esse algoritmo conta a for (int j = i+1; j < N; j++)
quantidade de triplas que
somam 0 em um vetor de for (int k = j+1; k < N; k++)
𝑁 inteiros if (a[i]+a[j]+a[k] == 0)
 Esse programa pode ser cnt++;
executado em um tempo
razoável? return cnt;
 Qual a relação do tempo }
de execução com o
tamanho da entrada? EFREN L. SOUZA / PROJETO E ANÁLISE DE ALGORITMOS / UFOPA – IEG – PC 6
Diferentes
Cenários
 O tamanho do problema
é quem caracteriza a
dificuldade da tarefa
computacional
 O tempo de execução
aumenta com o tamanho
da entrada
 Variamos o tamanho da
entrada de 1K, 2K, 4K e 8K
Resultado
 Esse resultado vai ser
diferente em
computadores
diferentes
 Essa diferença se dá
por um fator
constante
 Qual a relação do
tempo de execução
com o tamanho da
entrada?! EFREN L. SOUZA / PROJETO E ANÁLISE DE ALGORITMOS / UFOPA – IEG – PC 8
Limitações da Análise Experimental
Necessidade de se implementar e executar o algoritmo
Experimentos podem ser feitos apenas em um número

limitado de cenários
Para comparar dois ou mais algoritmos é necessário

executar os experimentos:
Na mesma máquina
Usando a mesma linguagem de programação
E o mesmo ambiente de execução
Análise por Modelo Matemático
Fatores Determinantes na Análise
Na abordagem experimental há inúmeros fatores que
interferem no tempo de execução que são difíceis de tratar
Dessa forma, D.E Knuth mostrou que é possível construir

um modelo matemático para descrever o tempo de
execução de um programa
O tempo de execução de um programa depende de :

O custo de executar cada comando
A frequência com que cada comando é executado
Frequência int threeSum( int[] a ) {
de Execução int N = a.length;

int cnt = 0;
 Consistem em determinar for (int i = 0; i < N; i++)
quantas vezes cada - Executa apenas uma vez
comando é executado for (int j = i+1; j < N; j++)
- Sua frequência de execução não
 Alguns comandos são for (intdakentrada
depende = j+1; k < N; k++)
fáceis de analisar, pois são if (a[i]+a[j]+a[k] == 0)
executados um número
constante de vezes cnt++;
 Outros precisam de mais return cnt; 3 2
𝑁 𝑛 𝑛
raciocínio, pois a 3 2
− + vezes
} - Executa de 0- aExecuta
𝑁 𝑛 𝑛
− 6+ vezes2 3
frequência com que são 6 2 3
- Sua frequência depende do tamanho da
executados dependem da - Sua frequência depende do tamanho da
entrada entrada
entrada e dos dados da entrada 12
EFREN L. SOUZA / PROJETO E ANÁLISE DE ALGORITMOS / UFOPA – IEG – PC
𝑁 3 𝑛2 𝑛 𝑁 𝑁 − 1 𝑁 − 2
− + =
6 2 3 6
𝑞𝑢𝑎𝑛𝑑𝑜 𝑁 = 1000 temos
Aproximações 𝑁3
≅ 166.666.667 −
𝑁2 𝑁
+ = 499.667
6 2 3
 Esse tipo de análise

pode levar a longas
expressões matemáticas
 Apenas o termo de mais
alta ordem prevalece
 Os outros termos
podem ser
desconsiderados,
simplificando a fórmula

Ordem de
Crescimento
 Além de ignorar os
termos de mais baixa
ordem, também
podemos ignorar os
fatores constantes
 Assim obtemos a
ordem de
crescimento
Grandes Constantes
Com as aproximações, nós ignoramos coeficientes
constantes dos termos de mais baixa ordem que podem ser
importantes
Por exemplo, quando aproximamos a função 2𝑁 2 + 𝑐𝑁
para 2𝑁 2 , estamos assumindo que 𝑐 é pequeno
Mas supondo que 𝑐 é 106 ou 1015 essa aproximação pode
levar a uma interpretação errada
Dessa forma, temos que ficar abertos à possibilidade de
grandes constantes em cenários práticos
Análise
 Cada linha é executada
com uma determinada
frequência
 A ideia principal que é
somente as instruções
executadas com mais
frequência são
determinantes
 Essas instruções ficam
localizadas no laço mais
interno do programa
(inner loop) EFREN L. SOUZA / PROJETO E ANÁLISE DE ALGORITMOS / UFOPA – IEG – PC 16
Classificação das Ordens de Crescimento
Principais
Ordens de
Crescimento
 Frequentemente, a
ordem de
crescimento de um
algoritmo é uma de
algumas funções

Constante [1]
Um programa cujo tempo de execução da ordem de
crescimento é constante executa um número fixo de
operações para terminar seu trabalho
Consequentemente seu tempo de funcionamento

não depende do tamanho da entrada

Logarítmico [log 𝑏 𝑁]
Um pouco mais lento que um programa de tempo
constante
Um exemplo clássico é a busca binária (binary-search)
A base do logaritmo não é relevante

Todos os logaritmos com uma base constante estão relacionados
por um fator constante
Por isso é comum usar log 𝑁

Linear [𝑁]
Algoritmo que faz uma operação para cada elemento
da entrada (busca linear)
Programas dessa ordem geralmente são compostos
por um único laço de repetição
O tempo de execução é proporcional a 𝑁

Linearítmico [𝑁 log 𝑏 𝑁]
Descreve programas cuja ordem de crescimento é
𝑁 log 𝑏 𝑁
Aqui a base do logaritmo também é irrelevante
Exemplos clássicos dessa ordem de crescimento são
os algoritmos de ordenação Quick-Sort e Merge-Sort

2 3 4
Polinomial [𝑁 , 𝑁 , 𝑁 , ...]
A ordem de crescimento polinomial tem 𝑁 como base e
uma constante 𝑒 como expoente, tendo a forma 𝑁 𝑏
A ordem de crescimento 𝑁 2 é chamada quadrática
Representa algoritmos com dois laços aninhados
Exemplos clássicos são o Insertion-Sort e o Selection-Sort
A ordem de crescimento 𝑁 3 é chamada cúbica
Representa algoritmos com três laços aninhados
Exemplos comuns são ThreeSum e Matrix-Multiplication

𝑛
Exponencial [𝑏 ]
O termo exponencial é usado para algoritmos cuja ordem
de crescimento é 𝑏 𝑛
Para qualquer constante 𝑏 > 1
Os diferentes valores de 𝑛 levam a diferentes tempos de execução
Algoritmos exponenciais são extremamente lentos
Nunca terminam de executar para um problema grande
Mesmo assim são importantes na computação, pois existe uma
grande classe de problemas para os quais parece que um
algoritmo exponencial é a única escolha possível
Gráfico das
Principais
Ordens de
Crescimento

Somatório
Ferramentas Matemáticas
Quando analisamos algoritmos precisamos de
ferramentas matemáticas
Quando um algoritmo possui repetição,
expressamos o seu tempo de execução como a soma
dos tempos cada execução do laço
Isso pode ser feito avaliando somatórios

Somatório
Dada uma sequência de números 𝑎1 , 𝑎2 , … , 𝑎𝑛 ,
podemos escrever a soma finita 𝑎1 + 𝑎2 + ⋯ + 𝑎𝑛 ,
onde 𝑛 é um inteiro não negativo, como
𝑎𝑘
𝑘=1

Fórmulas Comuns
Para qualquer número real 𝑐 temos que
𝑛
𝑐 = 𝑐𝑛
𝑛 𝑘=1
𝑐 = 𝑐(𝑛 − 𝑚 + 1)
𝑘=𝑚 𝑛
𝑛 = 𝑛2
𝑘=1

Linearidade
Para qualquer número real 𝑐 e quaisquer sequências finitas
𝑎1 , 𝑎2 , … , 𝑎𝑛 e 𝑏1 , 𝑏2 , … 𝑏𝑛 temos
𝑛 𝑛
𝑐𝑎𝑘 = 𝑐 𝑎𝑘
𝑘=1 𝑘=1
𝑛 𝑛 𝑛
(𝑎𝑘 ± 𝑏𝑘 ) = 𝑎𝑘 ± 𝑏𝑘
𝑘=1 𝑘=1 𝑘=1

Série Aritmética
O somatório
𝑛
𝑘 = 1 + 2 + ⋯+ 𝑛
𝑘=1
é uma série aritmética e tem o valor
𝑛
𝑛 𝑛+1
𝑘=
2
𝑘=1

Soma dos Quadrados e Cubos
Temos os seguintes somatórios de quadrados e cubos
𝑛
𝑛 𝑛 + 1 2𝑛 + 1
2
𝑘 =
6
𝑘=0
𝑛 2 2
3
𝑛 𝑛+1
𝑘 =
4
𝑘=0
Série Geométrica
Para números reais 𝑥 ≠ 1, o somatório
𝑛
𝑥𝑘 = 1 + 𝑥 + 𝑥2 + ⋯ + 𝑥𝑛
𝑘=0
é uma série geométrica ou exponencial e tem o valor

𝑛 𝑛+1
𝑥 − 1
𝑥𝑘 =
𝑥−1
𝑘=0
void bubbleSort( int a[] ) {
𝑐1 for( int i=a.length-1; i>0; i-- )
Do laço para 𝑐2 for( int j=0; j<i; j++ )
o somatório 𝑐3
𝑐4
if ( a[j] > a[j+1] )
swap(a, j, j+1);
}
 Qual comando
determina o tempo 𝑛−1 𝑖−1 𝑛−1 𝑛−1
de execução desse 𝑆3 = 𝑐3 = 𝑐3 (𝑖 − 1 − 0 + 1) = 𝑐3 𝑖
𝑖=1 𝑗=0 𝑖=1 𝑖=1
algoritmo? 𝑛−1
𝑛(𝑛 + 1) 𝑛2 + 𝑛
= 𝑐3 𝑖 = 𝑐3 − 𝑛 = 𝑐3 −𝑛
 Quantas vezes ele é 𝑖=1
2 2
executado? 𝑛2 −𝑛
= 𝑐3
2
 Qual a sua ordem de
crescimento?
Bibliografia
Sedgewick, R.; Wayne, K. Algorithms. 4th Edition.
Pearson, 2011.
Cormen, T.H.; Rivest, R.L.; Leiserson, C.E.; Stein, C.
Algoritmos: Teoria e Prática. Campus, 3a Edição, 2012.
Ascencio, A.F.G.; Araújo, G.S. Estruturas de Dados:
Algoritmos, Análise da Complexidade e
Implementações em JAVA e C/C++. Pearson, 2011.

2 Ordem de Crescimento e Somatorio

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

2 Ordem de Crescimento e Somatorio

Enviado por

Direitos autorais:

Formatos disponíveis

Ordem de Crescimento &

EFREN L. SOUZA / PROJETO E ANÁLISE DE ALGORITMOS / UFOPA – IEG – PC 1

Através de Avaliações Experimentais

Através de Modelos Matemáticos

EFREN L. SOUZA / PROJETO E ANÁLISE DE ALGORITMOS / UFOPA – IEG – PC 4

demora esse int N = a.length;

programa? int cnt = 0;

Experimentos podem ser feitos apenas em um número

Para comparar dois ou mais algoritmos é necessário

Dessa forma, D.E Knuth mostrou que é possível construir

O tempo de execução de um programa depende de :

de Execução int N = a.length;

 Esse tipo de análise

EFREN L. SOUZA / PROJETO E ANÁLISE DE ALGORITMOS / UFOPA – IEG – PC 13

EFREN L. SOUZA / PROJETO E ANÁLISE DE ALGORITMOS / UFOPA – IEG – PC 19

Consequentemente seu tempo de funcionamento

EFREN L. SOUZA / PROJETO E ANÁLISE DE ALGORITMOS / UFOPA – IEG – PC 20

Um exemplo clássico é a busca binária (binary-search)

A base do logaritmo não é relevante

EFREN L. SOUZA / PROJETO E ANÁLISE DE ALGORITMOS / UFOPA – IEG – PC 21

EFREN L. SOUZA / PROJETO E ANÁLISE DE ALGORITMOS / UFOPA – IEG – PC 22

EFREN L. SOUZA / PROJETO E ANÁLISE DE ALGORITMOS / UFOPA – IEG – PC 23

EFREN L. SOUZA / PROJETO E ANÁLISE DE ALGORITMOS / UFOPA – IEG – PC 24

EFREN L. SOUZA / PROJETO E ANÁLISE DE ALGORITMOS / UFOPA – IEG – PC 26

EFREN L. SOUZA / PROJETO E ANÁLISE DE ALGORITMOS / UFOPA – IEG – PC 28

EFREN L. SOUZA / PROJETO E ANÁLISE DE ALGORITMOS / UFOPA – IEG – PC 29

EFREN L. SOUZA / PROJETO E ANÁLISE DE ALGORITMOS / UFOPA – IEG – PC 30

EFREN L. SOUZA / PROJETO E ANÁLISE DE ALGORITMOS / UFOPA – IEG – PC 31

EFREN L. SOUZA / PROJETO E ANÁLISE DE ALGORITMOS / UFOPA – IEG – PC 32

é uma série geométrica ou exponencial e tem o valor

EFREN L. SOUZA / PROJETO E ANÁLISE DE ALGORITMOS / UFOPA – IEG – PC 36

Você também pode gostar