Cap 2

Estruturas Discretas 2.1.
Algoritmos e sua complexidade
2. Algoritmos
2.1. Algoritmos e sua complexidade
Na matemática discreta abordamos muitos tipos de problemas. Em muitos deles, para chegarmos
à solução, temos que seguir um procedimento que, num número finito de passos, conduz à tão
desejada solução. A uma tal sequência chama-se algoritmo6 . Um algoritmo é um procedimento
para resolver um problema num número finito de passos.
Exemplo. O problema da determinação do maior elemento numa sequência finita de inteiros

pode ser facilmente descrito por um algoritmo, formulado em português da seguinte maneira:
• Tome o máximo temporário igual ao primeiro inteiro da sequência. (O máximo temporário

será o maior inteiro encontrado até ao momento, em cada passo do procedimento.)
• Compare o inteiro seguinte na sequência com o máximo temporário, e se for maior, tome
o máximo temporário igual a esse inteiro.
• Repita o passo anterior se existirem mais inteiros na sequência.
• Pare quando chegar ao fim da sequência. O máximo temporário será então o maior inteiro
da sequência.
Abreviadamente:
procedure max(a1 , a2 , . . . , an : inteiros)

max := a1
for i := 2 to n
if max < ai then max := ai
{max é o maior elemento}
É claro que um algoritmo pode ser formulado explicitamente numa qualquer linguagem de
computação, mas nesse caso só poderemos utilizar expressões válidas dessa linguagem. Exempli-
fiquemos isso convertendo cada linha do algoritmo acima em código Maple7 . Podemos considerar
uma lista de números como um vector (matriz). Para usar esta funcionalidade no Maple temos
primeiro que abrir a package de Álgebra Linear linalg:
6 O termo algoritmo deriva do nome al-Khowarizmi de um matemático persa do século IX, cujo livro sobre
numerais hindus esteve na base da notação decimal moderna que hoje utilizamos.
7 Se estiver interessado no programa de cálculo simbólico Maple recomendamos a leitura do manual Maple
Experiments in Discrete Mathematics de James Hein (www.cs.pdx.edu/∼jhein/books/MapleLabBook09.pdf).

Alternativamente, recomendamos, na biblioteca do DMUC, o livro Exploring Discrete Mathematics with Maple
de Kenneth Rosen (o mesmo autor do manual indicado na Bibliografia do curso).
37
Estruturas Discretas 2.1. Algoritmos e sua complexidade
Continuando:
Fica assim traduzido o algoritmo em Maple. Dando como input uma qualquer sequência t
basta mandar calcular M ax(t):
Em geral, os algoritmos têm caracterı́sticas comuns:
• Entrada (Input): conjunto de valores de entrada, definidos num determinado conjunto.
• Saı́da (Output): a partir de cada conjunto de valores de entrada, um algoritmo produz

valores de saı́da num determinado conjunto. Estes valores de saı́da contêm a solução do
problema.
• Precis~
ao: os passos do algoritmo têm que estar definidos com precisão.
• Finitude: o algoritmo deve produzir os valores de saı́da ao cabo de um número finito de

passos.
• Realizável: deve ser possı́vel realizar cada passo do algoritmo em tempo útil.
• Generalidade: o procedimento deve ser aplicável a todos os problemas da forma desejada,

e não somente a um conjunto particular de valores de entrada.
Algoritmos recursivos. Encontramos muitas vezes algoritmos recursivos quando pretende-

mos resolver problemas discretos. Um algoritmo chama-se recursivo se resolve um problema
reduzindo-o a uma instância do mesmo problema com input mais pequeno.
38
Uma definição recursiva exprime o valor de uma função num inteiro positivo em termos dos
valores da função em inteiros mais pequenos. Isto significa que podemos ter sempre um algoritmo
recursivo para calcular o valor de uma função definida por recursão. Por exemplo:
Teste. Especifique um algoritmo recursivo para calcular a potência an de um número real a

para qualquer inteiro não negativo n.
Solução. A definição recursiva de an diz-nos que an+1 = a × an e a0 = 1 (condição inicial).

Então podemos fazer:
procedure potencia(a : número real 6= 0, n : inteiro não negativo)

if n = 0 then potencia(a, n) := 1
else potencia(a, n) := a ∗ potencia(a, n − 1)
Também não é difı́cil especificar um algoritmo recursivo para o cálculo do máximo divisor
comum de dois inteiros:
procedure mdc(a, b : inteiros não negativos com a < b)

if a = 0 then mdc(0, b) := b
else mdc(a, b) := mdc(b mod a, a)
Há outro modo de calcular a função potência f (n) = an a partir da sua definição recursiva:
em vez de reduzir sucessivamente o cálculo a inteiros mais pequenos, podemos começar com o
valor da função em 1 e aplicar sucessivamente a definição recursiva para encontrar os valores
da função em números sucessivamente maiores. Tal procedimento diz-se iterativo. Por outras
palavras, para calcular an usando um processo iterativo, começamos em 1 e multiplicamos
sucessivamente por cada inteiro positivo ≤ n:
procedure potencia iterativa(a : número real 6= 0, n : inteiro positivo)

x := 1
for i := 1 to n
x := a ∗ x
{x é an }
Apresentemos mais um exemplo. A famosa conjectura de Collatz (ou conjectura “3x+1”),

que até hoje ninguém conseguiu provar (!), afirma que se pegarmos num inteiro x arbitrário, e
se iterarmos sucessivamente a função
 x


 2 se x é par
f (x) =


 3x + 1 se x é ı́mpar
chegaremos inevitavelmente ao inteiro 1 ao cabo de um número finito de passos.
39
procedure Collatz(n : inteiro positivo)

x := n
while x 6= 1 do
if x mod 2 = 0 then x := x/2
else x := 3x + 1
Se simularmos este algoritmo para os primeiros 200 inteiros e contarmos o número de iterações
necessárias para levar a função até 1 obtemos a seguinte tabela:
Verificação da conjectura para os primeiros 200 inteiros:
0, 1, 7, 2, 5, 8, 16, 3, 19, 6, 14, 9, 9, 17, 17, 4, 12

20, 20, 7, 7, 15, 15, 10, 23, 10, 111, 18, 18, 18, 106, 5, 26, 13,
13, 21, 21, 21, 34, 8, 109, 8, 29, 16, 16, 16, 104, 11, 24, 24, 24,
11, 11, 112, 112, 19, 32, 19, 32, 19, 19, 107, 107, 6, 27, 27, 27, 14,
14, 14, 102, 22, 115, 22, 14, 22, 22, 35, 35, 9, 22, 110, 110, 9, 9,
30, 30, 17, 30, 17, 92, 17, 17, 105, 105, 12, 118, 25, 25, 25, 25, 25,
87, 12, 38, 12, 100, 113, 113, 113, 69, 20, 12, 33, 33, 20, 20, 33, 33,
20, 95, 20, 46, 108, 108, 108, 46, 7, 121, 28, 28, 28, 28, 28, 41, 15,
90, 15, 41, 15, 15, 103, 103, 23, 116, 116, 116, 23, 23, 15, 15, 23, 36,
23, 85, 36, 36, 36, 54, 10, 98, 23, 23, 111, 111, 111, 67, 10, 49, 10,
124, 31, 31, 31, 80, 18, 31, 31, 31, 18, 18, 93, 93, 18, 44, 18, 44,
106, 106, 106, 44, 13, 119, 119, 119, 26, 26, 26, 119, 26
Por exemplo, para n = 27 são necessárias 111 iterações:
40
Desde o valor inicial 27 até 1 a função atinge um pico na 77a iteração com o valor 9232. Grafi-
camente:
Para n = 3 a sequência é muito mais curta, bastam 7 iterações:
Eficiência de algoritmos. Além de produzir uma solução satisfatória e precisa para o problema
que pretende resolver, um algoritmo tem que ser eficiente (em termos de velocidade de execução).
Um dos objectivos da algoritmia consiste em medir a eficiência de algoritmos. Muitas vezes
dispomos de diferentes algoritmos que resolvem correctamente o problema, mas algum poderá
41
ser mais eficiente que os outros. Uma medida de eficiência será, claro, o tempo dispendido por
um computador para resolver o problema executando o algoritmo.
Seja P um problema e A um algoritmo para resolver P . O tempo de execução de A pode
ser analisado contando o número de determinadas operações que são efectuadas durante a sua
execução. Esta contagem pode depender do tamanho do input.
Exemplos. (1) No problema da determinação do elemento máximo de uma sequência com

n elementos, será natural tomar como medida de eficiência o número de comparações entre
elementos, que dependerá evidentemente de n. Calculemos esse número. Para encontrar o
elemento máximo, o máximo temporário começa por ser igual ao termo inicial da sequência.
Em seguida, depois de uma comparação ter sido feita para verificar que o final da sequência
ainda não foi atingido, o máximo temporário é comparado com o segundo termo da sequência,
actualizando o máximo temporário para este valor, caso seja maior. O procedimento continua,
fazendo mais duas comparações no passo seguinte. Como são feitas duas comparações em cada
um dos passos (desde o segundo termo da sequência até ao último) e mais uma comparação é
feita para sair do ciclo (quando i = n + 1), são feitas ao todo
2(n − 1) + 1 = 2n − 1
comparações.
(2) Se P consiste em verificar se um determinado objecto pertence a uma dada lista, será também
natural contar o número de comparações efectuadas por A, que dependerá do tamanho da lista.
(3) Para resolver o problema da ordenação de listas existem diversos algoritmos de ordenação,
entre os quais o chamado algoritmo da inserção. A ideia por detrás deste algoritmo consiste em
dividir a lista L que se pretende ordenar em duas sublistas. A sublista L1 inclui os elementos
de L já ordenados e a sublista L2 , que é um sufixo da lista inicial, inclui os elementos de L
ainda não analisados. Cada passo do algoritmo consiste na inserção do primeiro elemento de L2
ordenadamente na lista L1 e, claro, na sua remoção da lista L2 . O algoritmo inicia-se com
L1 = {P rimeiro[L]} e L2 = Resto[L]
e termina quando L2 = ∅. No caso dos algoritmos de ordenação é tı́pico tomar-se como medida
de eficiência o número de comparações entre elementos. Claro que o número de comparações
depende da lista dada inicialmente.
Simulemos o algoritmo para a lista inicial
[3,8,6,2,5,4,10,9,7,1]
As seguintes figuras dão uma visão dinâmica da ordenação sucessiva efectuada pelo algoritmo.
As bolas verdes correspondem a elementos já ordenados (ou seja, elementos da sublista L1 ),
enquanto que as vermelhas correspondem aos elementos ainda não ordenados da sublista L2 .
42
3, 8, 6, 2, 5, 4, 10, 9, 7, 1 3, 8, 6, 2, 5, 4, 10, 9, 7, 1
3, 6, 8, 2, 5, 4, 10, 9, 7, 1 2, 3, 6, 8, 5, 4, 10, 9, 7, 1
2, 3, 5, 6, 8, 4, 10, 9, 7, 1 2, 3, 4, 5, 6, 8, 10, 9, 7, 1
43
2, 3, 4, 5, 6, 8, 10, 9, 7, 1 2, 3, 4, 5, 6, 8, 9, 10, 7, 1
2, 3, 4, 5, 6, 7, 8, 9, 10, 1 1, 2, 3, 4, 5, 6, 7, 8, 9, 10
Em todos estes exemplos, a análise da eficiência baseia-se na contagem do número de com-

parações a realizar, o que obviamente depende do tamanho da lista. Para determinar essa
eficiência é costume considerar dois casos:
• pior situação (ou seja, situação mais desfavorável dos dados)
• situação média.
Um input no caso da pior situação é um input que leva A a executar o maior número de
operações. No caso da determinação do elemento máximo de uma sequência (exemplo (1)),
fixado o comprimento n da sequência, a pior situação acontece para qualquer lista de números
(pois o número de comparações é constante, igual a 2n − 1). No exemplo (2) a pior situação
será uma lista que não contém o objecto procurado.
No caso do algoritmo de inserção (exemplo (3)), a pior situação é quando a lista dada está
ordenada por ordem inversa.
A análise na situação média obriga a considerações probabilı́sticas pois é necessário atribuir
a cada situação uma probabilidade. Muitas vezes considera-se que as situações têm todas a
mesma probabilidade (a distribuição das mesmas é então uniforme).
44
Estudemos um pouco o caso da pior situação. Seja TA (n) o tempo de execução máximo de
A para inputs de tamanho n. A função TA chama-se a função da pior situação para A. Um
algoritmo A para resolver um problema P diz-se optimal na pior situação se qualquer algoritmo
B que resolve P satisfaz
TA (n) ≤ TB (n) para qualquer n ∈ N.
Uma árvore de decisão para um algoritmo é uma árvore cujos nós representam pontos de
decisão no algoritmo e cujas folhas representam os resultados.
Teste. Dado um conjunto de nove moedas, uma das quais é mais pesada que as outras, use
uma balança de dois pratos (sem pesos) para determinar a moeda mais pesada.
Solução. Denotemos as moedas por 1, 2, . . . , 9 (e por P a mais pesada). Podemos fazer a

seguinte sequência de pesagens (cada nó interno representa uma pesagem; os números de cada
lado de cada nó interno representam os conjuntos de moedas colocados em cada prato da balança,
na respectiva pesagem; P = 1, P = 2, . . . , P = 9 são os 9 resultados possı́veis):
1 2 3 4 Hu 5678
HH
H
12 u 34
u 5 6 Hu 7 8
H
@ P =9
@
@ @
1 u 2 3 @u 4 5 u 6 7 @u 8
A A A A
A A A A
u
Au u Au u Au u Au
P =1 P =2 P =3 P =4 P =5 P =6 P =7 P =8
Esta árvore tem profundidade três8 , o que significa que, neste algoritmo, o caso da pior
situação são 3 pesagens.
Será o algoritmo optimal na pior situação? Em cada pesagem pode acontecer uma de três
coisas: o prato da esquerda está mais pesado, o prato da direita está mais pesado ou os pratos
estão equilibrados. Portanto, neste tipo de problemas com balanças, as árvores de decisão são
ternárias (em cada nó haverá no máximo três ramos). Uma árvore ternária de profundidade d
tem, no máximo, 3d folhas. Como há 9 possı́veis resultados, então
3d ≥ 9, isto é, d ≥ log3 9 = 2.
Portanto, poderá haver, eventualmente, algum algoritmo cuja árvore tenha profundidade 2.
E, de facto, há:
8 A profundidade de uma árvore é o comprimento do maior caminho desde a raiz da árvore até às folhas. Na
árvore em questão, desde a raiz até às folhas há caminhos com um ramo (no caso da folha P = 9) ou três ramos
(nas restantes folhas). Mais tarde, quando estudarmos os grafos, estudaremos as árvores com mais cuidado.
45
u456
1 2 3H
HH
H
HH

u3 u 9 4 Hu 6
H
H
1 7

JJ

JJ
JJ

J
J
J

J
J
J
u

u Ju u

u Ju u

u Ju
P =1 P =2 P =3 P =7 P =8 P =9 P =4 P =5 P =6
Pela discussão acima podemos agora concluir que este é um algoritmo optimal na pior si-
tuação (2 pesagens).
Teste. Dado um conjunto de nove moedas, uma das quais é defeituosa (mais pesada ou mais
leve que as outras), determine um algoritmo optimal na pior situação para balanças de dois
pratos (sem pesos) que determine a moeda defeituosa e dê como output se a moeda é mais
pesada ou mais leve.
Solução. Comecemos por determinar um minorante para a profundidade da árvore de decisão.

Denotemos as moedas por 1, 2, . . . , 9 e usemos a letra P quando a moeda defeituosa for mais
pesada e a letra L caso contrário. Existem assim 18 resultados possı́veis:
1P , 1L, . . . , 9P, 9L.
Uma árvore de decisão ternária com profundidade d terá no máximo 3d folhas, donde 3d ≥ 18,
isto é,
d ≥ log3 18 ≥ dlog3 18e = 3.
(A função d−e : R → N nos números reais é a chamada função tecto (ceiling) e aplica cada
número real x no menor inteiro dxe tal que dxe ≥ x. De modo análogo, podemos definir a
função chão (floor) b−c : R → N que a cada real x faz corresponder o maior inteiro bxc ≤ x.
Por exemplo, b 12 c = 0, d 12 e = 1, b− 12 c = −1, d− 12 e = 0.)
Portanto, qualquer algoritmo que resolva o problema terá sempre que efectuar pelo menos 3
pesagens. No algoritmo seguinte esse valor é igual a 3:
1 2!
3 !a u 456
! aa
! ! aa
!! aa
! aa
u u 1 2 3au
! ! a
1 2 3 7 8 9
! 7 8 Q7 8 9
@ Q
@ Q
@ Q
Q
1 u

3 4 u 6 7 u 9 7 u 9 7
@@ u 9 4 u 6 1Qu 3
Q
B B B B B B
B B B B B B
B B B B B B
u
u BBu u
u BBu u
u u
BBu u BBu u
u BBu u
u BBu
1P 2P 3P 6L 5L 4L 7P 8L 9L 9P 8P 7L 4P 5P 6P 3L 2L 1L
46
Portanto, este é um algoritmo optimal para a pior solução.
O Maple tem algumas ferramentas que permitem medir a performance de um algoritmo.

Nomeadamente, com a função time(-) que indica a hora actual, é fácil medir o tempo de CPU
(Unidade de Processamento Central) que uma função leva a calcular um resultado:
> ha := time():
> Funcaoqualquer(x):
> time() - ha;
Vamos agora usar estas funções para comparar dois algoritmos (ver Exercı́cios 11 e 12 da
ficha prática) que calculam o valor de um polinómio p(x) = a0 + a1 x + a2 x2 + · · · + an xn num
ponto especı́fico c, ou seja, o número p(c) = a0 + a1 c + a2 c2 + · · · + an cn . Os valores de entrada
são o número c e a lista de coeficientes a0 , a1 , a2 , . . . , an do polinómio.
> Polinomio := proc(c::float, coef::list)

> local potencia, i, y;
> potencia := 1;
> y := coef[1];
> for i from 2 to nops(coef) do
> potencia := potencia*c;
> y := y + coef[i] * potencia;
> od;
> RETURN(y);
> end:
> Horner := proc(c::float, coef::list)

> local i, y;
> y := coef[nops(coef)];
> for i from nops(coef)-1 by -1 to 1 do
> y := y * c + coef[i];
> od;
> RETURN(y);
> end:
Por exemplo, para o polinómio p(x) = 4 + 3x + 2x2 + x3 , o valor de p(5) é igual a 194:
> input_lista := [4,3,2,1];
> Polinomio(5.0, input_lista);

194.000
> Horner(5.0, input_lista);

194.000
47
De modo a testarmos um algoritmo contra o outro precisamos de gerar listas de coeficientes.

O comando seguinte gera aleatoriamente um polinómio de grau 2000:
> p2000 := randpoly(x,degree=2000,dense):
e se fizermos
> q2000 := subs(x=1,convert(p2000,list)):
obtemos a lista dos coeficientes correspondentes, que podemos usar como input nos algoritmos
Polinomio e Horner. Agora, usando as ferramentas para medir o tempo de execução, obtemos:
> ha := time():
> Horner(104567890000000.0, q2000);
0.3913255222 1027971
> time() - ha;

0
> ha := time():
> Polinomio(104567890000000.0, q2000);
0.3913255222 1027971
> time() - ha;

0
Experimentando polinómios de grau superior obtemos os tempos de execução seguintes:
4000 6000 8000

Polinomio 0.031 0.047 0.063
Horner 0 0.015 0.031
Podemos assim concluir que o método de Horner de cálculo polinomial é marginalmente mais
rápido que o método tradicional da substituição da indeterminada x pelo valor onde queremos
calcular a função polinomial.
Voltemos ao primeiro algoritmo Max desta secção (determinação do elemento máximo de

uma sequência). Na altura verificámos que para uma sequência de comprimento n, o algoritmo
efectua 2n − 1 comparações. Usando a chamada notação assimptótica da seguinte definição,
diz-se que o número de comparações no pior caso para este algoritmo é O(n).
Definição. Diz-se que uma função f : N → R é da ordem de g : N → R, o que se denota por

f (n) = O(g(n)) se existe uma constante real c e um k ∈ N tais que
|f (n)| ≤ c |g(n)| para n ≥ k.
48
Teste. Mostre que qualquer função polinomial p com coeficientes reais, dada por p(n) = at nt +
at−1 nt−1 + · · · + a1 n + a0 , é da ordem de q onde q(n) = nt .
No algoritmo Max, tomando f (n) = 2n − 1 então f (n) = O(n): basta tomar c = 2 e k = 1,

pois 2n − 1 ≤ 2n para qualquer n ∈ N. Portanto, o algoritmo Max tem complexidade O(n), ou
seja, linear, na pior situação, atendendo à seguinte classificação:
Complexidade Terminologia
O(1) Complexidade constante
O(log n) Complexidade logarı́tmica
O(n) Complexidade linear
O(n log n) Complexidade n log n
O(nb ) Complexidade polinomial
O(bn ), onde b > 1 Complexidade exponencial
O(n!) Complexidade factorial
Qual é a complexidade do algoritmo de inserção (de ordenação de listas)? No pior caso, onde
a lista está ordenada por ordem inversa, para cada i é necessário fazer i − 1 comparações. Como
i varia de 2 até ao comprimento n da lista, temos que o número de comparações no pior caso é
igual a
Xn
(i − 1) = 1 + 2 + 3 + · · · + (n − 1),
i=2
ou seja, é dado pela soma dos n − 1 primeiros números naturais (termos de uma progressão
aritmética de razão 1):
n
X n2 − n
(i − 1) = 1 + 2 + 3 + · · · + (n − 1) = .
i=2
2
Poderı́amos ter calculado este somatório com o auxı́lio do WolframAlpha9 :
> sum((i-1), i=2..n)
1
(n − 1)n.
2
Demonstrámos, assim, o seguinte resultado:
Proposição. O número de comparações na pior situação para o algoritmo da inserção é O(n2 ).

Tem assim complexidade polinomial.
Façamos agora um exemplo de análise do caso médio no caso do algoritmo da inserção.

9 Calculadora simbólica de acesso público em http://www.wolframalpha.com, baseada no Mathematica.
49
Estruturas Discretas 2.2. Somatórios
Suponhamos que queremos inserir um elemento na parte da lista já ordenada (a sublista L1
com i − 1 elementos) de modo que a lista resultante com i elementos esteja ordenada. Potenci-
almente, existem i posições onde esse elemento pode ser colocado (para além das i − 1 ocupadas
pela lista dada, ainda existe a possibilidade do novo elemento ser maior que todos os outros).
Vamos impor uma hipótese probabilı́stica que consiste em assumir que todas as posições são
equiprováveis para colocar o novo elemento. Isto é, cada posição tem probabilidade 1/i.
O número de comparações necessárias se o novo elemento tiver que ser colocado na posição
k ≥ 2 é i − k + 1 e na posição k = 1 é i − 1. Logo o número médio de comparações para introduzir
o novo elemento numa das i posições é dado pelo somatório
i
!
X 1 1
(i − k + 1) + (i − 1).
i i
k=2
Acedendo ao WolframAlpha, podemos calcular este somatório:
> sum((i-k+1)/i, k=2...i) + (i-1)/i
i−1 i−2
+
i 2
que é igual a
i2 + i − 2
.
2i
Logo, o número médio de comparações para que a lista fique ordenada é dado pelo somatório
n
X 1 1 i
− + .
i=2
2 i 2
2.2. Somatórios
Como estamos a ver, ao determinar as medidas de eficiência de algoritmos surgem somatórios,

às vezes não triviais, para calcular. Portanto, se quisermos fazer análise de algoritmos temos que
saber calcular somatórios. Estudaremos, em seguida, algumas técnicas de cálculo de somatórios.
Proposição. Seja I um conjunto finito. Os somatórios gozam das seguintes propriedades:

X X
(1) Distributividade: c ai = c ai .
i∈I i∈I
X X X
(2) Associatividade: (ai + bi ) = ai + bi .
i∈I i∈I i∈I
X X
(3) Comutatividade: ai = ap(i) para qualquer bijecção (permutação) p : I → I.
i∈I i∈I
X
(4) Progressão constante: c = c |I|.
i∈I
50
X X X X
(5) Aditividade dos ı́ndices: ai + ai = ai + ai (sendo J um conjunto finito
i∈I i∈J i∈(I∪J) i∈(I∩J)
também).
X X
(6) Mudança de variável: af (i) = aj , para qualquer função bijectiva f : I → J; mais
i∈I j∈J
X X
aj · #(f −1 ({j})) .

geralmente, para qualquer função f : I → J, af (i) =
i∈I j∈J
P P
Teste. Mostre que 0≤i<n (ai+1 − ai )bi = an bn − a0 b0 − 0≤i<n ai+1 (bi+1 − bi ).
Vejamos alguns exemplos de aplicação destas propriedades.
Exemplo: progressão aritmética de razão r. Provemos que
n
X 1 n+1 n+1
(a + ri) = a + rn (n + 1) = (2a + rn) = [a + (a + rn)]
i=0
2 2 2
n
X n
X
(a + ri) = (a + r(n − i)) (por comutatividade, com p(i) = n − i)
i=0 i=0
n
X n
X
⇔ (a + ri) = (a + rn − ri)
i=0 i=0
n
X n
X n
X
⇔ 2 (a + ri) = (a + rn − ri) + (a + ri)
i=0 i=0 i=0
n
X n
X
⇔ 2 (a + ri) = ((a + rn − ri) + (a + ri)) (por associatividade)
i=0 i=0
n
X n
X
⇔ 2 (a + ri) = (2a + rn)
i=0 i=0
n
X n
X
⇔ 2 (a + ri) = (2a + rn) 1 (por distributividade)
i=0 i=0
n
X
⇔ 2 (a + ri) = (2a + rn)(n + 1) (por progressão constante)
i=0
n
X 1
⇔ (a + ri) = (a + rn)(n + 1).
i=0
2
51
Alternativamente, se tivermos já na mão a prova da fórmula

n−1
X n2 − n
i=
i=1
2
(é o caso a = 0, r = 1) que usámos anteriormente, podemos simplificar muito a demonstração

do caso geral:
n
X n
X n
X
(a + ri) = a+ ri (por associatividade)
i=0 i=0 i=0
n
X n
X
= a 1+r i (por distributividade)
i=0 i=0
n n−1
!
X X
= a 1+r i+n (por progressão constante)
i=0 i=1
n2 − n

= a(n + 1) + r +n
2
n2 + n

= a(n + 1) + r .
2
Exemplo: progressão geométrica de razão r. Provemos que
n
X arn+1 − a
ari =
i=0
r−1
n
X n+1
X
ari + arn+1 = ari (por aditividade com I = {0, . . . , n} e J = {n + 1})
i=0 i=0
Xn n+1
X
⇔ ari + arn+1 = ar0 + ari (por aditividade com I = {0} e J = {1, . . . , n + 1})
i=0 i=1
Xn Xn
⇔ ari + arn+1 = ar0 + ari+1 (por mudança de variável com I = {0, . . . , n})
i=0 i=0
Xn n
X
⇔ ari + arn+1 = a + r ari (por distributividade)
i=0 i=0
n
X arn+1 − a
⇔ ari = .
i=0
r−1
Leituras suplementares. Como vimos, muitos problemas algorı́tmicos relativamente simples

requerem por vezes o cálculo de somatórios um pouco complicados. Não se conhecem métodos
gerais que permitam resolver qualquer somatório, a maior parte das vezes os problemas têm que
52
ser atacados de forma ad hoc (esta é uma das caracterı́sticas de muitas áreas da matemática
discreta: a não existência de métodos gerais de resolução que obrigam uma abordagem ad hoc ao
problema; aqui o conhecimento e a destreza na manipulação dos diversos métodos particulares
de resolução, que poderão só funcionar em alguns casos, é crucial).
Nestas observações finais indicaremos muito resumidamente algumas das técnicas mais ele-
gantes e importantes para resolver somatórios.
Método 1: Método ad hoc. Calculando as primeiras somas parciais do somatório (a1 +a2 , a1 +
a2 + a3 , etc.), é por vezes possı́vel adivinhar a correspondente fórmula geral. A ilustração deste
método em muitos exemplos interessantes pode ser vista e experimentada (interactivamente) no
módulo Somatórios10 na página da disciplina.
A fórmula deverá depois ser confirmada com uma prova formal, para termos a certeza da
sua validade. Essa prova pode ser feita de modo análogo como fizemos nalguns exemplos acima,
usando as propriedades dos somatórios que enunciámos, ou, mais facilmente, pelo método de
indução matemática estudado na secção anterior.
Método 2: Método da perturbação. A ideia por detrás deste método é a seguinte: tentar
obter duas expressões diferentes que tenham o mesmo valor, “perturbando” levemente a soma
a calcular. Um exemplo ilustra o funcionamento deste método:
Pn 2
Suponhamos que pretendemos calcular o valor de q(n) = i=1 i . Vamos perturbar le-
vemente a sua definição e tentar escrever q(n + 1) de duas formas diferentes. Por um lado,
q(n + 1) = q(n) + (n + 1)2 e, por outro lado, por uma mudança de variável,
n
X
q(n + 1) = (i + 1)2
i=0
n
X
= (i2 + 2i + 1)
i=0
n
X n
X n
X
= i2 + 2 i+ 1
i=0 i=0 i=0
n
X
= q(n) + 2 i + (n + 1).
i=0
Comparando ambos os resultados obtemos

n
X
q(n) + (n + 1)2 = q(n) + 2 i + (n + 1),
i=0
ou seja,
n n
X (n + 1)2 − (n + 1)
X
(n + 1)2 = 2 i + (n + 1) ⇔ i= .
i=1 i=1
2
Pn
Parece que não fizemos muitos progressos! Limitámo-nos a obter a soma i=1 i (note também
Pn−1
que temos aqui uma prova formal, rigorosa, da fórmula para i=1 i que utilizámos anterior-
mente, na página 40). Mas isto sugere imediatamente o seguinte: se perturbando um pouco a
10 www.mat.uc.pt/∼picado/ediscretas/somatorios.
53
Pn
soma q(n) dos quadrados conseguimos obter uma fórmula para i=1 i, será que perturbando a
Pn
soma c(n) = i=1 i3 dos cubos conseguimos uma fórmula para q(n)?
A fórmula de recorrência de c(n) é c(n + 1) = c(n) + (n + 1)3 e, por outro lado, por uma
mudança de variável,
n
X
c(n + 1) = (i + 1)3
i=0
n
X
= (i3 + 3i2 + 3i + 1)
i=0
n
X n
X n
X n
X
= i3 + 3 i2 + 3 i+ 1
i=0 i=0 i=0 i=0
3
= c(n) + 3q(n) + n(n + 1) + (n + 1).
2
Igualando ambas as expressões, obtemos
3
c(n) + (n + 1)3 = c(n) + 3q(n) + n(n + 1) + (n + 1),
2
ou seja,
3 3
(n + 1)3 = 3q(n) + n(n + 1) + (n + 1) ⇔ 3q(n) = (n + 1)3 − n(n + 1) − (n + 1)
2 2
2(n + 1)3 − 3n(n + 1) − 2(n + 1)
⇔ q(n) =
6
2n3 + 6n2 + 6n + 2 − 3n2 − 3n − 2n − 2
⇔ q(n) =
6
2n3 + 3n2 + n
⇔ q(n) =
6
1
⇔ q(n) = n(n + 1)(2n + 1).
6
Em www.mat.uc.pt/∼picado/ediscretas/somatorios/Matematica sem palavras files/
soma quadrados.html pode ver uma “prova” geométrica, sem palavras, desta fórmula.
Método 3: Método do integral. Este método consiste em aproximar o somatório por

Pn Rn
um integral. Por exemplo, para calcular q(n) = i=0 i2 , aproximamos q(n) por 0 x2 dx que
podemos calcular facilmente no WolframAlpha:
> int(x^2, x=0...n)
n3
3
n3
Analisemos agora o erro e(n) = q(n) − 3 desta aproximação:
n3
e(n) = q(n − 1) + n2 −
3
(n − 1)3 n3 (n − 1)3
= q(n − 1) − + n2 − +
3 3 3
1
= e(n − 1) + n − .
3
54
De modo análogo, podemos concluir que e(n − 1) = e(n − 2) + (n − 1) − 31 . Portanto,

n
X 1 (n + 1)n n
e(n) = 0 + (i − ) = − .
i=1
3 2 3
Consequentemente,
n3 (n + 1)n n
q(n) = + − .
3 2 3
Coincide com o resultado calculado anteriormente pelo método da perturbação? Basta reduzir
ao mesmo denominador e simplificar:
n(n + 1)(2n + 1)
.
6
Sim, coincide, claro!
55

Cap 2

Enviado por

Dados do documentoclique para ver informações do documento

Direitos autorais:

Formatos disponíveis

Cap 2

Enviado por

Dados do documento

Título original

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

Cap 2

Enviado por

Direitos autorais:

Formatos disponíveis

Estruturas Discretas 2.1.

Algoritmos e sua complexidade

2.1. Algoritmos e sua complexidade

Exemplo. O problema da determinação do maior elemento numa sequência finita de inteiros

• Tome o máximo temporário igual ao primeiro inteiro da sequência. (O máximo temporário

• Repita o passo anterior se existirem mais inteiros na sequência.

procedure max(a1 , a2 , . . . , an : inteiros)

Experiments in Discrete Mathematics de James Hein (www.cs.pdx.edu/∼jhein/books/MapleLabBook09.pdf).

basta mandar calcular M ax(t):

Em geral, os algoritmos têm caracterı́sticas comuns:

• Entrada (Input): conjunto de valores de entrada, definidos num determinado conjunto.

• Saı́da (Output): a partir de cada conjunto de valores de entrada, um algoritmo produz

• Finitude: o algoritmo deve produzir os valores de saı́da ao cabo de um número finito de

• Generalidade: o procedimento deve ser aplicável a todos os problemas da forma desejada,

Algoritmos recursivos. Encontramos muitas vezes algoritmos recursivos quando pretende-

Teste. Especifique um algoritmo recursivo para calcular a potência an de um número real a

Solução. A definição recursiva de an diz-nos que an+1 = a × an e a0 = 1 (condição inicial).

procedure potencia(a : número real 6= 0, n : inteiro não negativo)

procedure mdc(a, b : inteiros não negativos com a < b)

procedure potencia iterativa(a : número real 6= 0, n : inteiro positivo)

Apresentemos mais um exemplo. A famosa conjectura de Collatz (ou conjectura “3x+1”),

chegaremos inevitavelmente ao inteiro 1 ao cabo de um número finito de passos.

procedure Collatz(n : inteiro positivo)

Verificação da conjectura para os primeiros 200 inteiros:

0, 1, 7, 2, 5, 8, 16, 3, 19, 6, 14, 9, 9, 17, 17, 4, 12

Por exemplo, para n = 27 são necessárias 111 iterações:

Para n = 3 a sequência é muito mais curta, bastam 7 iterações:

Exemplos. (1) No problema da determinação do elemento máximo de uma sequência com

Em todos estes exemplos, a análise da eficiência baseia-se na contagem do número de com-

• pior situação (ou seja, situação mais desfavorável dos dados)

TA (n) ≤ TB (n) para qualquer n ∈ N.

Solução. Denotemos as moedas por 1, 2, . . . , 9 (e por P a mais pesada). Podemos fazer a

3d ≥ 9, isto é, d ≥ log3 9 = 2.

Solução. Comecemos por determinar um minorante para a profundidade da árvore de decisão.

1P , 1L, . . . , 9P, 9L.

Portanto, este é um algoritmo optimal para a pior solução.

O Maple tem algumas ferramentas que permitem medir a performance de um algoritmo.

> Polinomio := proc(c::float, coef::list)

> Horner := proc(c::float, coef::list)

> input_lista := [4,3,2,1];

> Polinomio(5.0, input_lista);

> Horner(5.0, input_lista);

De modo a testarmos um algoritmo contra o outro precisamos de gerar listas de coeficientes.

> p2000 := randpoly(x,degree=2000,dense):

> q2000 := subs(x=1,convert(p2000,list)):

> time() - ha;

> time() - ha;

Experimentando polinómios de grau superior obtemos os tempos de execução seguintes:

4000 6000 8000

Voltemos ao primeiro algoritmo Max desta secção (determinação do elemento máximo de

Definição. Diz-se que uma função f : N → R é da ordem de g : N → R, o que se denota por

|f (n)| ≤ c |g(n)| para n ≥ k.

No algoritmo Max, tomando f (n) = 2n − 1 então f (n) = O(n): basta tomar c = 2 e k = 1,

Poderı́amos ter calculado este somatório com o auxı́lio do WolframAlpha9 :

> sum((i-1), i=2..n)

Demonstrámos, assim, o seguinte resultado:

Proposição. O número de comparações na pior situação para o algoritmo da inserção é O(n2 ).

Façamos agora um exemplo de análise do caso médio no caso do algoritmo da inserção.