Complexidade de Algoritmos I

Prof. Pedro J. de Rezende

2o¯ Semestre de 2002

Relações de Recorrência∗

1 Introdução
Intuitivamente, a partir de uma demonstração por indução pode-se extrair
um algoritmo recursivo e, da descrição deste assim obtida, pode-se facilmente
imaginar que nasce imediatamente uma expressão recursiva para a função de
complexidade do algoritmo. O objeto de estudo dentro do corrente tópico é
justamente tais funções.
Chamamos de relação de recorrência a uma expressão recursiva para
definição uma função. Estaremos especialmente estudando formas de se
encontrarem soluções (i.é., fórmulas fechadas) para relações de recorrência.
O exemplo clássico de relação de recorrência, que aprendemos desde o
segundo grau, é a fórmula de Fibonacci:

F (n) = F (n − 1) + F (n − 2), F (1) = 1, F (0) = 0.

Para qualquer valor de n ≥ 1, podemos calcular a partir desta expressão, o

valor da função F (n). Por exemplo, F (3) = F (2) + F (1) = (F (1) + F (0)) +
F (1) = (1 + 0) + 1 = 2, F (4) = F (3) + F (2) = 2 + 1 = 3 e assim por diante.
Dada sua natureza recursiva, toda relação de recorrência tem uma ou
mais condições de parada (da recorrência) sem as quais não é possı́vel
calcular seus valores. Para a fórmula de Fibonacci, as condições de parada
são F (1) = 1, F (0) = 0.
Uma fórmula que pode ser usada para definir uma relação de recorrência
T (n) qualquer é a seguinte:

T (n) = f ((T (1), T (2), . . ., T (n − 1), n),

onde f é uma função de n parâmetros onde, para calcular T (n), é necessário

conhecer o valor de T (n0 ) para todos os n0 < n. Daqui por diante, denotaremos
por T , com freqüência, a função que descreve o tempo despendido por um
algoritmo.

2 Revisão de Somatórios
Quando um algoritmo apresenta construções iterativas (como laços) ou
chamadas recursivas, sua complexidade pode ser expressa como a soma dos
∗ Escriba: Fernando José Castor de Lima Filho.

1
tempos gastos em cada iteração ou em cada execução do procedimento recursivo.
Por exemplo: o laço principal do algoritmo MergeSort é responsável por
combinar duas seqüências ordenadas em uma só seqüência ordenada. Esse laço
realiza, no pior caso, n operações de comparação. Além disso, ele é executado
cada vez que o procedimento recursivo mergeSort é chamado, o que ocorre
log2 n vezes, para uma entrada de tamanho n. O número de comparações
realizadas por este algoritmo é dado pelo seguinte somatório:
log2 n
X
n.
i=1

Não é possı́vel, porém, comparar este resultado com outras funções na

forma em que ele está. Para tanto, é necessário torná-lo mais parecido com
as funções com as quais estamos habituados a trabalhar. Para este somatório
extremamente simples, o resultado ou forma fechada é a expressão n log2 n.
Nesta seção apresentamos alguns exemplos mais interessantes de somatórios e
suas formas fechadas.

2.1 Propriedades dos Somatórios

Dada uma seqüência a1 , a2 , ... de números, a soma finita a1 + a2 + ... + an pode
ser escrita como
Xn
ak .
k=1

Se n = 0, o valor da soma é definido como 0. Se n não é um inteiro, supomos

que o limite superior é bnc. O valor da série finita é sempre bem definido e seus
termos podem ser somados em qualquer ordem.
Dada uma seqüência a1 , a2 , ... de números, a soma infinita a1 + a2 + ... pode
ser escrita como
∞
X
ak
k=1

e é interpretada como
∞
X
lim ak .
n→∞
k=1

Se o limite não existe, dizemos que a série diverge; caso contrário, que ela
converge.
Somatórios apresentam a propriedade da linearidade, ou seja, para qualquer
número real c e quaisquer seqüências finitas a1 , a2 , ..., an e b1 , b2 , ..., bn ,
n
X n
X n
X
(cak + bk ) = c ak + bk .
k=1 k=1 k=1

Esta propriedade também é válida para séries infinitas convergentes.

2
 Em decorrência da propriedade de linearidade, é possı́vel colocar em
evidência termos multiplicativos que sejam independentes do somatório. Por
exemplo:
Xn n
X
(f (x)ak ) = f (x) (ak ),
k=1 k=1
onde f (x) é uma função independente de k. Manipulação similar pode ser feita
com somatórios que incorporam notação assintótica. Por exemplo:
n
X n
X
Θ(f (k)) = Θ( f (k)).
k=1 k=1

Nesta equação, a notação Θ no lado esquerdo se aplica à variável k. No lado

direito, porém, ela se aplica a n. Manipulações desta natureza também podem
ser aplicadas a séries infinitas convergentes.

2.2 Exemplos de Somatórios

Saber encontrar a forma fechada de um somatório é muito importante para
a resolução de relações de recorrência. Uma das técnicas que apresentamos
a seguir faz uso do fato de que relações de recorrência podem ser reescritas
como somatórios. Nesta seção, apresentamos alguns somatórios encontrados
com freqüência na análise de algoritmos, junto com suas respectivas formas
fechadas. O leitor interessado poderá encontrar uma rica discussão das técnicas
em [2, 1].

2.2.1 Série Aritmética

Uma seqüência a1 + a2 + a3 + ... + an tal que ak − ak−1 =P
c para 1 < k ≤ n e
n
c constante é chamada de progressão aritmética. Sua soma k=1 ak é chamada
de série aritmética e sua forma fechada é dada por:
n
X n(an + a1 )
ak = .
2
k=1

2.2.2 Série Geométrica

Uma seqüência a1 + a2 + a3 + ... + an tal que ak /ak−1 = cP
para 1 < k ≤ n e c
n
constante é chamada de progressão geométrica. Sua soma k=1 ak é chamada
de série geométrica e sua forma fechada é dada por:
n
X cn+1 − 1
ak = a1 .
c−1
k=1

Quando a série é infinita e |c| < 1, temos uma série geométrica infinita
decrescente cuja soma é dada por:
∞
X a1
ak = .
1−c
k=1

3
2.2.3 Série Harmônica

n
X 1
= ln n + γ + O(1/n),
k
k=1

onde γ = 0, 577... é a constante de Euler.

2.2.4 Soma de Logaritmos

n
X
blog2 kc = (n + 1)blog2 nc − 2blog2 nc+1 + 2 ∈ Θ(n log n).
k=1

2.2.5 Produtos
Qn
O produto finito a1 · a2 · . . . · an é denotado por k=1 ak . Se n = 0, o valor
do produto é definido como 1. Às vezes é conveniente converter uma fórmula
contendo
Qn um produto
Pn em uma fórmula com um somatório usando a identidade:
log ( k=1 ak ) = k=1 log ak .

2.2.6 Somatórios Interessantes

Exemplo 1
n
X n(n + 1)(2n + 1)
k2 = .
6
k=1

Exemplo 2
n
X
k2k = (n − 1)2n+1 + 2.
k=1

Exemplo 3
n
X
k2n−k = 2n+1 − 2 − n.
k=1

3 Técnicas para a resolução de relações de

recorrência
3.1 Expansão Telescópica
Como exemplo de um algoritmo cuja complexidade de tempo pode facilmente ser
expressa através de uma relação de recorrência, considere o que realiza busca
binária em um vetor ordenado. Esse algoritmo usa o seguinte procedimento
recursivo: sejam V um vetor com n elementos ordenado crescentemente e x
um valor que desejamos encontrar em V . Começamos por comparar x com o
elemento V (m) que se encontra na posição do meio (m = (n + 1)/2) do vetor.

4
Se x for igual a V (m), então m é o ı́ndice procurado e a busca termina. Se
x for menor que V (m), o elemento procurado só pode se encontrar à esquerda
de V (m), i.é., na primeira metade do vetor. Podemos considerar, então, que o
vetor no qual estamos realizando a busca passa a ser aquele que vai do primeiro
elemento de V ao elemento imediatamente anterior a m e podemos repetir o
mesmo procedimento recursivamente para esse vetor menor. Similarmente, para
o caso de x ser maior que V (m).
Analisando o comportamento deste algoritmo, percebemos que ele realiza
uma comparação e, logo em seguida, passa a agir sobre um vetor que tem
metade do tamanho de V . O resultado da comparação determina se a metade
de V na qual a busca prosseguirá será a primeira ou a segunda. A complexidade
de comparações deste algoritmo é descrita, então, pela seguinte relação de
recorrência:

T (n) = T (bn/2c) + 1. (1)

De um modo geral, se um algoritmo é definido de maneira recursiva, então
podemos expressar sua complexidade em termos de uma relação de recorrência.
Quando comparamos a eficiência de algoritmos, normalmente estamos
interessados em comparar as funções que descrevem suas complexidades
analisando-as de maneira assintótica (utilizando, portanto, as classes o, O, Θ,
Ω e ω). Se uma função T (n) se encontra, porém, na forma de uma relação de
recorrência, não é possı́vel que se a compare com outras funções conhecidas.
Para resolver esta dificuldade, temos que encontrar uma forma fechada para
T (n), de modo que possamos compará-la com outras funções conhecidas. A
forma fechada de uma relação de recorrência também é chamada de solução da
recorrência.
Voltemos ao exemplo anterior. Ignorando, por enquanto, pisos e tetos, isto
é, assumindo inicialmente que n é uma potência de 2, n = 2k , vamos considerar
que T (n/2k ) = T (1) = 1 e façamos a expansão da relação de recorrência:

T (n) = T ( n2 ) + 1
= (T ( n4 ) + 1) + 1
= ((T ( n8 ) + 1) + 1) + 1
= ...
¡n¢
= (. . .((T 2k
+1) + 1) + . . . + 1) + 1
| {z }
k−1 parcelas
k
X
= 1
i=1

= k = log2 n ∈ O(log n)

A idéia básica da técnica apresentada é expandir a relação de recorrência

até que possa ser detectado o seu comportamento no caso geral. Esta técnica
para fechar relações de recorrência é chamada de Expansão Telescópica. A rigor,

5
deverı́amos fazer uma demonstração indutiva da validade da 5a¯ igualdade acima,
mas a omitiremos.
Convém frisar que trocar o termo ‘1’ por uma constante c qualquer na relação
de recorrência (1) acarretaria apenas na multiplicação do resultado por essa
constante. Neste caso, a solução da recorrência passaria a ser O(c log2 n).
Apesar de interessante como um primeiro exemplo, a relação de recorrência
apresentada em (1) é demasiado simples. Sua resolução se resume em achar o
número de parcelas da soma resultante da expansão telescópica. São comuns,
porém, casos em que há expressões mais complexas na expansão da relação
de recorrência, ao invés de apenas termos simples. Nessas situações, fechar
o somatório pode ser bem mais difı́cil. Tomemos como exemplo a seguinte
recorrência:

T (n) = T (n/2) + n, T (1) =?. (2)

Na expressão acima, o valor da base da recorrência foi deixado em aberto
temporariamente. Fizemos isso porque a fixação posterior do valor da condição
de parada (ou base) pode nos ajudar a fechar mais facilmente o somatório
resultante da expansão telescópica. Esse tipo de artifı́cio pode ser usado sem
maiores preocupações, já que alterar a base de uma relação de recorrência
modifica sua solução em apenas uma constante aditiva.
Podemos expandir a relação de recorrência (2) da seguinte maneira:

T (n) = T (n/2) + n
= (T (n/4) + n/2) + n
= ((T (n/8) + n/4) + n/2) + n
= ...
= (. . .((T (n/2k ) + n/2k−1 ) + n/2k−2 ) + . . . + n/2) + n
= T (1) + 2 + 4 + 8 + 16 + . . . + 2k

Pela série gerada a partir da expansão da recorrência, chegamos à conclusão de

que um bom valor para T (1) é 1, já que isso facilita o fechamento do somatório.

T (n) = 1 + 2 + 4 + 8 + 16 + . . . + 2k
Pk i
= i=0 2
Plog2 n i
= i=0 2

= 2(log2 n)+1 − 1
= 2n − 1

Em princı́pio, todas as relações de recorrência podem ser resolvidas através

de expansão telescópica. Tudo o que é preciso é a devida criatividade para
transformar a recorrência em um somatório conveniente.

6
 T (n ) n n

ænö ænö n n
Tç ÷ Tç ÷
è 2ø è 2ø 2 2

ænö ænö ænö ænö

Tç ÷ Tç ÷ Tç ÷ Tç ÷
è 4ø è 4ø è 4ø è 4ø
(a) (b) (c)

n n

n n n n
+
2 2 2 2
lg n
n n n n n n n n
+ + +
4 4 4 4 4 4 4 4

(...)
(d) Total: O(n lg n)

Figura 1: Árvore de Recorrência para a expressão T (n) = 2T ( n2 ) + n

Vamos tentar encontrar a solução para a relação de recorrência que descreve

o comportamento do algoritmo MergeSort[2]:

T (n) = 2T (n/2) + n, T (1) =?. (3)

Dessa vez, porém, usaremos uma técnica um pouco diferente que consiste de
uma representação gráfica para melhor visualizar as etapas da expansão. Essa
representação é conhecida como Árvore de Recorrência. A árvore de recorrência
para a expressão 3 é apresentada na figura 1.
Através desta representação, torna-se muito fácil ver o que foi gerado pela
expansão a cada passo. Na figura 1, por exemplo, podemos perceber que cada
expansão da recorrência acrescenta n ao resultado final. Conseqüentemente,
para resolvermos a recorrência, é necessário apenas achar a altura da árvore, que
neste caso é log2 n. Portanto, a solução da recorrência é dada pelo somatório
Plog n
i=1 n = nlog n.

3.2 Método da Substituição

Conforme dissemos na seção anterior, o método da expansão telescópica
permite que resolvamos qualquer relação de recorrência. Apesar disso, nem

7
sempre ele leva a uma solução simples, pois podem ser muito difı́ceis as
manipulações algébricas necessárias para se obter uma forma fechada para
algumas recorrências. Nesta seção, apresentamos um método que nos permite
achar a solução de uma recorrência de maneira mais fácil, exigindo apenas um
conhecimento básico de indução matemática.
Indução matemática é uma técnica de demonstração bastante poderosa,
como já foi visto em [3]. Façamos uma rápida revisão da idéia básica da indução
forte.
Seja T um teorema que se quer provar. Suponha que T inclui um parâmetro
n que pode ter como valor qualquer número natural. Ao invés de provar
diretamente que T é verdade para todos os valores de n, provamos as seguintes
condições:

1. T é verdade para n = n0 .
2. Para n > n0 , se T é verdade para todo n0 < n, então T é verdade para n.

Pelo princı́pio da indução forte, estas condições acarretam na veracidade do

teorema T para todos os valores naturais do parâmetro n, a partir de n0 .
Relações de recorrência e provas por indução estão fortemente ligadas. Nas
duas afirmações acima, percebemos a estrutura de uma relação de recorrência:
a primeira pode ser vista como a condição de parada da recorrência enquanto a
segunda está bastante ligada à idéia de uma função que é definida em termos de
seu próprio valor para entradas menores. Dada essa semelhança, é natural supor
que provas por indução sejam uma bom meio para se a validade de soluções de
relações de recorrência.
Vamos, então, provar por indução que a recorrência:

T (n) = 2T (n/2) + n, T (1) =? (4)

pertence a O(n log n), ou seja, vamos mostrar que existem constantes c ∈ N e
n0 ∈ N tais que T (n) ≤ cn log n, para todo n ≥ n0 .
A única diferença da expressão (4) e da expressão (3) é o fato de estarmos
usando o piso de n/2, ao invés da fração pura.2
Para realizar a prova, usaremos como hipótese o caso bn/2c. A hipótese
nos diz que T (bn/2c) ≤ cbn/2c logbn/2c. Por enquanto, deixaremos a base em
aberto, pois esta será a condição de parada da recorrência. A partir da hipótese,
podemos afirmar que

T (n) = 2T (bn/2c) + n ≤ 2cbn/2c logbn/2c + n

Como, pela hipótese de indução, temos que T (bn/2c) ≤ cbn/2c logbn/2c, então
T (bn/2c) também é menor que c(n/2) log(n/2). Conseqüentemente, podemos
2 O fato (verdadeiro) de que na maioria dos casos, pisos e tetos afetam em muito pouco o

resultado de uma relação de recorrência (e podem ser ignorados) pode ser demonstrado por
indução, mas não faremos isso nestas notas.

8
remover os pisos da expressão acima, o que nos leva à seguinte desigualdade:

T (n) ≤ 2c(n/2) log(n/2) + n

= cn(log n − log 2) + n
= cn log n − cn + n
≤ cn log n

A última linha do desenvolvimento acima é verdade para todo c ≥ 1.

Para completar nossa prova, falta apenas encontrarmos a base da indução.
A intuição comum é considerar T (1) = 1. Se usássemos essa idéia, porém,
terı́amos a desigualdade
T (1) ≤ c1 log 1
1 ≤ 0
que obviamente é falsa. Esta dificuldade pode ser facilmente contornada graças
ao fato de a notação assintótica exigir que T (n) seja menor ou igual a cn log n
apenas para n ≥ n0 , onde n0 é uma constante. Se usarmos T (2) e T (3) como
bases, a recorrência não dependerá mais do valor de T (1) diretamente, para
n > 3. A partir da expressão (4), calculamos que T (2) = 4 e T (3) = 5. Para
terminar a prova, falta apenas escolher um c de valor grande o suficiente para
que T (2) ≤ 2c log 2 e T (3) ≤ 3c log 3. É simples verificar que qualquer escolha
de c ≥ 2 satisfaz as duas inequações.
A prova que acabamos de realizar só foi possı́vel porque já tı́nhamos uma
idéia sobre a solução da recorrência. Esta é exatamente a desvantagem do
método da substituição. Só vale a pena usá-lo quando se tem uma idéia razoável
sobre a solução da relação de recorrência em questão. Para o exemplo que
acabamos de apresentar, um palpite muito baixo nos impediria de completar a
prova enquanto um palpite muito alto nos daria um limite correto, mas muito
distante da solução da recorrência. Felizmente, há algumas heurı́sticas que
podem nos ajudar, na hora de tentar um palpite.
Se uma recorrência é muito parecida com outra que já foi vista, é razoável
supor que sua solução também seja parecida. Por exemplo, as recorrências (3)
e (4) são ambas pertencentes a Θ(n log n) (deixamos a prova de que ambas são
pertencentes a Ω(n log n) como exercı́cio para o leitor). O mesmo vale para a
recorrência
T (n) = 2T (bn/2c + 37) + n. (5)
Intuitivamente, isso é verdade porque 37 é uma constante e se fizermos n
suficientemente grande, bn/2c + 37 se torna muito próximo de bn/2c.
Similarmente, a recorrência

T (n) = 2T (bn/2c + 37) + 41n + 101 (6)

também tem solução pertencente a Θ(n log n). A constante 41 multiplicando

o termo n acrescenta apenas uma constante multiplicativa à solução. O termo
101 resulta na adição de uma parcela da ordem de n ao resultado da recorrência

9
 n n

n n n 3n
2 2 2 2
lg n
n n n n n n 9n
4 4 4 4 4 4 4

(...)
Total: O(n lg 3 )

Figura 2: Árvore de Recorrência para a expressão T (n) = 3T (n/2) + n

e também não influi na classe da solução, dado que esta pertence a Θ(n log n) e
n ∈ o(n log n). De maneira mais abrangente, podemos afirmar que acrescentar
termos de menor ordem aditivamente não deve mudar a intuição quanto ao
resultado de uma relação de recorrência.
A situação muda, entretanto, quando acrescentamos termos multiplicativa-
mente. A relação de recorrência

T (n) = 3T (bn/2c) + n, (7)

apesar de muito similar às últimas apresentadas, não tem solução pertencente a
Θ(n log n). Olhando para a árvore de recorrência correspondente a essa relação,
na figura 2, podemos perceber que a soma dos termos de cada passo resulta em
um valor maior que n por um fator multiplicativo que não é constante. De fato,
a expansão telescópica da relação de recorrência (7) tem solução pertencente a
O(nlog2 3 ).
Semelhantemente, alterar o termo pelo qual n é dividido a cada passo
também modifica a solução da recorrência. Uma árvore apresentando a expansão
da relação de recorrência

T (n) = 2T (bn/3c) + n (8)

é apresentada na figura 3. Convidamos o leitor a provar que a solução dessa

relação de recorrência pertence a O(n).
Para uma recorrência com a forma T (n) = aT (bn/bc) + n, se a for igual
a b, ocorrerá que no i-ésimo passo da expansão da recorrência (com i ≥ 0),
teremos a soma de ai termos iguais a n/bi . Como a = b, a expressão resultante
do i-ésimo passo será ai n/ai = n. A árvore resultante de uma expansão como
essa tem altura logb n e, conseqüentemente, a solução da recorrência pertence
a O(n log n). Na próxima seção, apresentaremos um resultado mais geral que
pode ser usado para resolver diversos tipos de relação de recorrência.

10
 n n

n n 2n
3 3 3
lg n
n n n n 4n
9 9 9 9 9

(...)
Total: O (n)

Figura 3: Árvore de Recorrência para a expressão T (n) = 2T (n/3) + n

Há situações em que, apesar de se ter uma conjectura sobre o limite

assintótico, a demonstração de sua correção para o caso geral pode ser
matematicamente laboriosa pois faz-se necessário que a expressão conjecturada
seja precisa ao detalhe. Normalmente, nestes casos, o problema é que a suposição
indutiva não é forte o suficiente para provar uma solução mais detalhada e torna-
se necessário ajustar o palpite através da subtração de algum termo de menor
ordem.
Considere a recorrência
T (n) = T (bn/2c) + T (dn/2e) + 1. (9)
Podemos ter o palpite de que a solução pertence a O(n) e podemos tentar
mostrar que T (n) ≤ cn, para uma escolha apropriada da constante c.
Substituindo nosso palpite na expressão (9), obtemos
T (n) ≤ cbn/2c + cdn/2e + 1
= cn + 1,

que não implica que T (n) ≤ cn, qualquer que seja a escolha de c. A idéia
que surge imediatamente neste caso é tentar um palpite maior, por exemplo,
T (n) ∈ O(n2 ). Um palpite como esse funcionaria, mas não seria necessário pois
o nosso palpite inicial está quase correto, necessitando apenas de um pequeno
ajuste.
Nosso palpite se mostrou grande demais por um termo de menor ordem
(nesse caso, uma constante). Resolvemos o problema então subtraindo de nosso
palpite um termo da mesma ordem de grandeza do termo excedente. Nosso
novo palpite é, então, T (n) ≤ cn − b, onde b ≥ 0 é constante. Agora temos:
T (n) ≤ (cbn/2c − b) + (cdn/2e − b) + 1
= cn − 2b + 1
≤ cn − b,

11
para b ≥ 1.
Pode ser inicialmente contra-intuitivo considerar que se deve subtrair um
termo (ainda que de menor ordem). Afinal de contas, se o algebrismo não
funciona, não deverı́amos tentar aumentar nosso palpite? A chave para entender
este passo é lembrar que estamos usando indução matemática: podemos provar
algo mais apertado para um dado valor através da suposição de algo mais
apertado para valores menores.
É fácil errar quando usamos notação assintótica. Por exemplo, podemos
tentar provar que a relação de recorrência (4) pertence a O(n) usando o palpite
de que T (n) ≤ cn e argumentando

T (n) ≤ 2(cbn/2c) + n
≤ cn + n ∈ O(n),

uma vez que c é uma constante. O erro neste caso é que não provamos a forma
exata da hipótese indutiva, isto é, não provamos que T (n) ≤ cn. Começamos
tentando provar uma coisa (que T (n) ≤ cn) mas saltamos para uma conclusão
alternativa que não corresponde ao que pretendı́amos demonstrar. Note que
T (n) ≤ cn implica que T (n) ∈ O(n), mas, por outro lado, T (n) ≤ cn + n e
cn + n ∈ O(n) não implicam que T (n) ∈ O(n).
Algumas vezes, um pouco de manipulação algébrica pode fazer uma
recorrência aparentemente desconhecida tomar um aspecto mais familiar. Como
exemplo, considere a seguinte relação de recorrência:
√
T (n) = T (b nc) + log2 n.

Embora pareça complicada, essa recorrência pode ser simplificada através de

uma troca de variáveis. Por conveniência, não vamos nos preocupar em
arredondar valores. Renomeando log2 n para m, obtemos

T (2m ) = 2T (2m/2 ) + m.

Podemos então substituir T (2m ) por S(m) e produzir a nova recorrência

S(m) = 2S(m/2) + m,

que é muito parecida com a recorrência (4) e tem a mesma solução: S(m) ∈
O(m log m). Mudando de volta de S(m) para T (2m ) = T (n), obtemos que
T (n) ∈ O(log n log log n).

3.3 O Teorema Master

Até aqui, muitas das relações de recorrência que vimos foram da forma T (n) =
aT (n/b) + f (n) e obtivemos soluções caso a caso. Seria interessante termos um
teorema que nos permita obter, de modo simples, soluções para todas as relações
de recorrência dessa forma. Isto é exatamente o que nos dá o seguinte Teorema
Master:

12
Teorema 1 (Teorema Master[1])
Sejam a ≥ 1 e b ≥ 1 constantes, seja f (n) uma função e seja T (n) definida
para os inteiros não-negativos pela relação de recorrência

T (n) = aT (n/b) + f (n),

onde interpretamos que n/b significa bn/bc ou dn/be. Então T (n) pode ser
limitada assintoticamente da seguinte maneira:
1. Se f (n) ∈ O(nlogb a−² ) para alguma constante ² > 0, então T (n) ∈
Θ(nlogb a )
2. Se f (n) ∈ Θ(nlogb a ), então T (n) ∈ Θ(nlogb a log n)
3. Se f (n) ∈ Ω(nlogb a+² ), para algum ² > 0 e se af (n/b) ≤ cf (n),
para alguma constante c < 1 e para n suficientemente grande, então
T (n) ∈ Θ(f (n))

O teorema é um resultado suficientemente poderoso para resolver grande

parte das relações de recorrência vistas no decorrer desta disciplina. Convidamos
o leitor sagaz a consultar em [1] a prova deste teorema. Em especial, a última
parte daquela prova é interessante para que se possa melhor intuir quando pisos
e tetos fazem ou não diferença no resultado de uma relação de recorrência.
Por questões didáticas, apresentaremos aqui a prova para um caso particular
do teorema acima, que define soluções para um sub-conjunto expressivo das
relações de recorrência resolvidas pelo Teorema Master.

Teorema 2 (Teorema 3.4 [2])

Dada uma relação de recorrência da forma T (n) = aT (n/b) + cnk , onde
a, b ∈ N, a > 1, b ≥ 2 e c, k ∈ R+ ,


 Θ(nlogb a ), se a > bk

T (n) ∈ Θ(nk log n), se a = bk



Θ(nk ), se a < bk

Prova: Por simplicidade, assumimos3 que n = bm de modo que n/b é sempre

um inteiro.
Vamos começar expandindo a relação de recorrência:
T (n) = aT (n/b) + cnk
= a(aT (n/b2 ) + c(n/b)k ) + cnk
= a(a(aT (n/b3 ) + c(n/b2 )k ) + c(n/b)k ) + cnk
= ...
= a(a(...aT (n/bm ) + c(n/bm−1 )k ) + ...) + cnk .
3 Esta prova pode também ser feita sem esta suposição, mas, com ela, evitamos inúmeros

detalhes cuja inclusão aqui obscureceria aspectos interessantes da prova.

13
Assumindo que T (1) = c, ficamos com:

T (n) = cam + cam−1 bk + cam−2 b2k + ... + cbmk

Pm
T (n) = c i=0 am−i bik
Pm
T (n) = cam i=0 (bk /a)i .

Na última linha do desenvolvimento acima, já podemos ver os casos do enunciado

do teorema, com base em como séries geométricas se comportam quando o termo
bk /a é maior, menor ou igual a zero.
Caso 1: a > bk Pm
Neste caso, o somatório i=0 (bk /a)i converge para uma constante. Daı́ temos
que T (n) ∈ Θ(cam ). Como n = bm , então m = logb n, conseqüentemente,
T (n) ∈ Θ(nlogb a )
Caso 2: a = P bk
m
Como b /a = 1, i=0 (bk /a)i = m + 1. Daı́ temos que T (n) ∈ Θ(cam m). Como
k

m = logb n e a = bk , então cam m = nlogb a logb n = nk logb n, o que nos leva à

conclusão de que T (n) ∈ Θ(nk logb n).
Caso 3: a < bk
Neste caso, a série não converge quando m vai para infinito, mas é possı́vel
calcular sua soma para um número finito de termos.
m
X ¡ ¢i
T (n) = cam bk /a
i=0
µ ¶
(bk /a)m+1 − 1
= cam
(bk /a) − 1

Desprezando
³ k m+1 as ´constantes na última linha da expressão acima e sabendo que
am (b (b/a) −1
k /a)−1 = bkm e bm = n, concluı́mos que T (n) ∈ Θ(nk ). CQD
Os resultados dos teoremas 1 e 2 se aplicam a uma grande quantidade de
relações de recorrência e são muito úteis na análise de eficiência de algoritmos.

4 Exemplos de Relações de Recorrência

Nesta seção, apresentaremos as relações de recorrência que definem a complexi-
dade de tempo de alguns algoritmos. Para manter o leitor bem situado, os exem-
plos serão baseados em alguns algoritmos apresentados nas referências (capı́tulos
4 e 5 de[2] e Seção 21.3 de [1]).

4.1 Avaliação de Polinômios

Dada uma seqüência de números reais an , an−1 , ..., a1 , a0 e um número real x,
estamos interessados em avaliar o polinômio Pn (x) = an xn + an−1 xn−1 + ... +
a1 x + a0 .

14
 O primeiro algoritmo que analisaremos parte do pressuposto de que sabemos
calcular o valor do polinômio Pn−1 (x) = an−1 xn−1 + an−2 xn−2 + ... + a1 x + a0 ,
o que nos deixa com o trabalho de calcular apenas Pn (x) = an · xn + Pn−1 (x).
Este último passo requer n multiplicações e uma adição. Como o número de
adições é pequeno comparado ao de multiplicações, nós o ignoraremos quando
calcularmos a complexidade de tempo do algoritmo. Neste caso, a relação de
recorrência resultante é a seguinte:

T (n) = T (n − 1) + n.

A solução dessa recorrência está em Θ(n2 ).

Embora esse algoritmo resolva o problema proposto, ele é muito ineficiente.
É possı́vel projetar outro mais rápido simplesmente fortalecendo nossa pré-
suposição.4 Suponhamos, então, que sabemos calcular o valor do polinômio
Pn−1 (x) = an−1 xn−1 + an−2 xn−2 + ... + a1 x + a0 e que também sabemos
calcular xn−1 . Neste caso, o trabalho que sobra é o de calcular Pn (x) =
an · x · xn−1 + Pn−1 (x). Esta computação pode ser feita com apenas duas
multiplicações e uma adição, o que já é muito melhor que as n multiplicações
do algoritmo anterior. A relação de recorrência que descreve a complexidade de
tempo deste segundo algoritmo é a seguinte:

T (n) = T (n − 1) + 2.

A solução dessa recorrência é igual a 2n.

É possı́vel obter um algoritmo ainda mais rápido se, ao invés de removermos
o último coeficiente do polinômio, removemos o primeiro. O problema
menor se torna então o de avaliar o polinômio representado pelos coeficientes
0
an , an−1 , ..., a1 , a0 e nossa suposição será a de que sabemos calcular Pn−1 (x) =
n−1 n−2 0
an x + an−1 x + ... + a1 . Neste caso, Pn (x) = x ·n−1 (x) + a0 e,
conseqüentemente, temos que realizar apenas uma multiplicação e uma adição,
o que nos leva à recorrência:

T (n) = T (n − 1) + 1,

que tem solução igual a n.

4.2 Subgrafo Induzido Maximal

Este problema consiste em, dados um grafo não-orientado G = (V, E) e um
inteiro k, encontrar um subgrafo induzido H = (U, F ) de G de tamanho máximo
tal que todos os vértices de H tenham grau ≥ k (em H), ou concluir que nenhum
tal subgrafo induzido existe.
Para resolver este problema, pode ser usado o seguinte algoritmo indutivo
baseado no parâmetro n = |V |, o número de vértices de G:
4 O leitor familiarizado com demonstrações por indução já deve ter se dado conta que

estamos (disfarçadamente) fortalecendo a hipótese de indução da prova (por indução) que

estabelece a corretude do algoritmo aqui tratado.

15
 Base: para n = 1, o grafo G tem um subgrafo induzido que satisfaz o
enunciado (o próprio G) somente no caso em que k = 0.
Hipótese: Dados um grafo não-orientado G = (V, E) e um inteiro k,
sabemos encontrar um subgrafo induzido H = (U, F ) de G de tamanho máximo
tal que todos os vértices de H tenham grau ≥ k (em H), ou concluir que nenhum
tal subgrafo induzido existe, desde que o número de vértices de G seja < n.
Passo: Sejam G = (V, E) um grafo não-orientado com |V | = n e k um
inteiro. Se |V | < k + 1, nenhum vértice pode ter grau ≥ k, conseqüentemente,
não há nenhum subgrafo induzido com a propriedade desejada.
Assumamos, então, que n ≥ k + 1. Se todos os vértices de G têm grau ≥ k,
então, basta tomarmos H = G. Caso contrário, selecionamos um vértice v cujo
grau seja < k e o removemos de G, junto com todas as suas arestas incidentes. O
grafo resultante tem n − 1 vértices e, por hipótese de indução, sabemos resolver
esse problema. CQD
Complexidade: Para analisar a complexidade deste algoritmo, é necessário
formalizar um pouco mais a representação do grafo. Vamos levar em
consideração apenas as duas representações mais usuais: lista de adjacências
e matriz de adjacências.

1
3
2
4
5
Figura 4: Exemplo simples de um grafo não-orientado.

1 4

2 3 4 5

3 2
4 1 2 5

5 2 4

Figura 5: Representação de lista de adjacências para o grafo G da figura 4.

Na representação por lista de adjacências, é usado um vetor onde cada

posição corresponde a um vértice do grafo G e, para cada vértice v de G,

16
temos uma lista encadeada onde cada nó da lista corresponde a um vértice
de G adjacente a v. Veja um exemplo na figura 4 cuja representação por lista
de adjacências é apresentada na figura 5.

1 2 3 4 5
1 0 0 0 1 0
2 0 0 1 1 1
3 0 1 0 0 0
4 1 1 0 0 1
5 0 1 0 1 0

Figura 6: Representação por matriz de adjacências para o grafo da figura 4.

Na representação por matriz de adjacências, é construı́da uma matriz n × n,

M , onde as posições Mi,j (1 ≤ i, j ≤ n) são preenchidas de modo que Mi,j = 0
se não há aresta entre os vértices i e j, Mi,j = 1 se há tal aresta. Valores
diferentes de 1 podem ter significados diferentes como a existência de múltiplas
arestas ou de arestas com pesos (ou custos), dependendo da aplicação. A matriz
de adjacências para o grafo da figura 4 é apresentada na figura 6.
É razoável supor que, durante a construção de qualquer das duas
representações, podemos armazenar em cada vértice, seu grau. Assim, a questão
de se determinar se um dado vértice tem grau menor que k se torna uma
operação de tempo constante.
Usando a representação por lista de adjacências, a cada passo é necessário
encontrar um vértice v cujo grau seja menor que k (tempo n, no pior caso).
Uma vez que v seja encontrado, este deve ser removido e devem ser removidas
as entradas correspondentes a ele nas listas de adjacências de todos os vértices
adjacentes a v. Essa segunda operação depende diretamente Pk−1do grau de cada
vértice da lista de adjacências de v e requer um total de i=1 g(vi ) onde, no
pior caso, g(vi ) = n−1. A recorrência que expressa a complexidade do algoritmo
para a representação por lista de adjacências é, portanto, a seguinte:
T (n) = T (n − 1) + n + (k − 1)(n − 1).
Como estamos considerando que k é uma entrada do problema, a solução
desta recorrência pertence a O(kn2 ).

Exercı́cio: O algoritmo acima descrito tem complexidade linear, quadrática

ou exponencial? Justifique sua resposta.

Se usarmos a representação por matriz de adjacências, a tarefa do algoritmo

se torna um pouco mais simples. Neste caso, quando encontramos um vértice v

17
de grau < k, precisamos percorrer apenas uma linha (correspondente ao vértice
v) e uma coluna (correspondente aos vértices aos quais v é adjacente) da matriz.
A complexidade para esta representação é descrita pela seguinte relação de
recorrência:
T (n) = T (n − 1) + n + n.
A solução para esta recorrência pertence a O(n2 ), ou seja, a representação
da informação aumentou a velocidade do algoritmo.
É possı́vel reduzir ainda mais o tempo necessário para se encontrar os vértices
de grau menor que k através do uso de uma estrutura auxiliar como, por
exemplo, um heap [2] com a chave de acesso sendo o grau de cada vértice.
O tempo necessário para construir o heap inicial é O(n log n) e a remoção do
i-ésimo elemento do heap toma tempo O(log(n − i + 1)).

Exercı́cio: Com o uso da estrutura auxiliar de heap como descrito acima,

qual a complexidade final do algoritmo?

Uma importante lição que podemos tirar deste exemplo é que a eficiência
de um algoritmo é freqüentemente melhorada se se escolhe uma estrutura de
dados adequada para representação da informação de modo a facilitar os acessos
requeridos pelo algoritmo.

4.3 O Problema da União e Busca de Conjuntos

4.3.1 A Função Logaritmo Iterado
Antes de entrarmos no Problema propriamente dito, vamos apresentar a Função
Logaritmo Iterado.
Inicialmente, definimos a função5 log(i) n recursivamente para inteiros não-
negativos por:


 n, se i = 0

log(i) n = log(log(i−1) n), se i > 0 e log(i−1) n > 0



indefinida, se i > 0 e log(i−1) n ≤ 0 ou log(i−1) é indefinida

O leitor deve tomar o cuidado de não confundir as notações log(i) n (i-ésima

iterada da função logaritmo) e logi n (i-ésima potência do logaritmo de n); esta
última é o mesmo que (log n)i .
Definimos a função logaritmo iterado, denotada por log∗ n, lê-se ”log estrela
de n”como:
n o
log∗ n = min i ≥ 0 : log(i) n ≤ 1

Vejamos como é lento o crescimento da função logaritmo iterado log∗2 n:

5 Omitimos aqui a base do logaritmo, mas, quando for conveniente, esta pode ser explici-
tada.

18
 log∗2 2 = 1
log∗2 2
2 = log∗2 4 = 2
2
log∗2 22 = log∗2 24 = log∗2 16 = 3
22
log∗2 22 = log∗2 216 = log∗2 65536 = 4
2 22
log∗2 22 = log∗2 265536 = 5
2
22
Exercı́cio: Na representação decimal, quantos dı́gitos tem o número 22
(que é o menor inteiro N para o qual log∗2 N é maior que 4)?

4.3.2 Coleção de Conjuntos Disjuntos

Estudaremos agora o problema de especificar uma estrutura eficiente para
representação de uma coleção de conjuntos disjuntos de modo a podermos
processar rapidamente duas operações: união de pares de conjuntos da coleção,
e busca pelo conjunto ao qual um dado elemento pertence.
Inicialmente, considere que temos uma coleção de n objetos distintos, na
qual cada um destes é univocamente identificado. Podemos pensar neste ponto
que temos uma coleção de n conjuntos unitários, cada um dos quais pode ser
identificado pelo (identificador correspondente ao) seu único elemento. Após
uma seqüência de operações de UNIÃO são formados conjuntos de múltiplos
elementos cada um dos quais é identificado por algum de seus elementos de modo
que operações de BUSCA podem ser processadas para quaisquer elementos.

C F C F

H E D E D
H

G G
B B

(a) (b)

Figura 7: (a) Conjuntos disjuntos {B, C, E, H} e {D, F, G} e suas representações

(b) Resultado da aplicação da operação UNIÃO (C, F )

A estrutura de representação que escolhermos deve dar suporte à operação

de união de conjuntos mantendo um identificador para cada conjunto formado,

19
e à de busca pelo conjunto a que pertence um dado elemento retornando o
identificador do conjunto correspondente.
Uma representação que permite que realizemos eficientemente uma seqüência
destas operações (UNIÃO e BUSCA) utiliza o que chamamos de árvores
enraizadas. Cada árvore representa um conjunto e cada um de seus nós um
elemento do respectivo conjunto.
Cada nó da árvore é um registro contendo o identificador do elemento e
um apontador para seu nó pai na árvore. Ao elemento representado pelo nó
raiz designamos como representante do conjunto (e usamos seu identificador
para identificar o próprio conjunto). (O apontador do nó raiz aponta para si
mesmo.) A figura 7(a) apresenta dois conjuntos representados desta maneira
e a figura 7b) mostra o conjunto resultante da aplicação de uma operação de
união.
Para o Problema da UNIÃO e BUSCA de conjuntos, nosso objetivo é
fazer com que as operações de UNIÃO e de BUSCA possam ser rapidamente
executadas. Para alcançarmos esse objetivo, lançamos mão de duas heurı́sticas
que diminuem substancialmente o tempo de execução dessas duas operações.

D
C D C
B A
B
A

(a) (b)

Figura 8: (a) Uma árvore de conjuntos disjuntos. Os triângulos correspondem

às sub-árvores cujas raı́zes são os vértices desta árvore. (b) A árvore formada
pelos mesmos vértices, depois de realizada uma operação FIND(A).

A primeira heurı́stica, aplicada à operação de UNIÃO, visa que a árvore

resultante tenha a menor altura possı́vel. Para isso, fazemos com que a raiz da
árvore com menor altura aponte para a raiz da árvore com maior altura. Deste
modo, a altura da árvore resultante é no máximo apenas uma unidade a mais
que a altura da mais alta das duas árvores unidas.
A segunda heurı́stica, chamada de compressão de caminho, se aplica durante
cada execução de uma operação de BUSCA e visa encurtar o caminho até a raiz
de todos os nós intermediários do caminho percorrido. Isso se dá através da
ligação direta de cada um destes nós intermediários até a raiz. A figura 8
ilustra a operação desta heurı́stica.
Usando estas duas heurı́sticas apresentadas, pode-se provar que a realização
de uma seqüência de m operações de UNIÃO e BUSCA em uma coleção de n
elementos pode ser feita em tempo O(m log∗ n). Veja a demonstração deste fato

20
em [1]. Uma análise mais acurada (veja [4, 5]) mostra que uma quota superior
ainda melhor é possı́vel, explicitamente, O(m α(m, n)), onde α(m, n) é a inversa
da função de Ackermann (descrita em [1]). A função α(m, n) cresce ainda mais
lentamente que a função log∗ n.

5 Exercı́cios Suplementares
1. Encontre um limite superior para a solução da relação de recorrência
T (n) = 168T (bn/672c + 135) + 168T (bn/672c + 135) + 168T (bn/672c +
189) + 168T (bn/672c + 189) + 456n + 1.

Referências
[1] T. Cormen, C. Leiserson, R. Rivest, C. Stein, Introduction to Algorithms,
segunda edição, MIT Press, 2001.
[2] U. Manber, Algorithms: A Creative Approach, Addison-Wesley, 1989.

[3] J. Porto, P. Rezende, Provas por Indução. Notas de Aula para a Disciplina
de Complexidade de Algoritmos, Instituto de Computação, UNICAMP,
2002.
[4] R. E. Tarjan, “Efficiency of a good but not linear set union algorithm”,
Journal of the ACM, 22(2):215-225, 1975.
[5] R. E. Tarjan, Data Structures and Network Algoritms. SIAM, 1983.

21