Introdução a Algoritmos e Estruturas de Dados

Um algoritmo é simplesmente um conjunto de passos bem definidos para resolver um problema.

No dia a dia, seguimos algoritmos o tempo todo. Preparar uma refeição, montar um móvel ou seguir uma receita são exemplos de processos organizados em etapas. Na computação, o conceito é exatamente o mesmo: um algoritmo define como uma determinada operação será executada.

Dentro de um sistema, operações como buscar um elemento, inserir um valor, remover um dado ou ordenar uma lista podem ser realizadas de diferentes maneiras. Cada maneira representa um algoritmo diferente.

O ponto central é que dois algoritmos podem resolver o mesmo problema, mas com níveis de eficiência muito diferentes. É aqui que começa a importância de medir desempenho.

Quando analisamos um algoritmo, não basta dizer que ele executa "20 passos" ou "300 passos". Isso porque o número de passos depende diretamente da quantidade de dados processados.

Se a entrada dobra de tamanho, o tempo de execução pode permanecer igual, dobrar, quadruplicar ou crescer ainda mais.

Para descrever esse comportamento de crescimento de forma padronizada, utilizamos a Notação Big O.

A Notação Big O é uma forma de descrever como o número de operações de um algoritmo cresce conforme a quantidade de dados aumenta.

Ela não mede tempo em segundos, nem depende do hardware. Ela mede crescimento relativo do número de passos.

Em outras palavras, Big O responde à seguinte pergunta: como o desempenho do algoritmo se comporta à medida que o volume de dados cresce?

Um algoritmo O(1) executa sempre o mesmo número de operações, independentemente do tamanho da entrada.

Exemplos comuns incluem acessar um elemento pelo índice ou inserir um valor no final de uma estrutura adequada.

Mesmo que a quantidade de dados aumente, o custo permanece estável.

Um algoritmo O(N) executa um número de operações proporcional ao tamanho da entrada.

Se a entrada possui N elementos, o algoritmo pode executar até N passos.

Um exemplo é a busca linear em uma lista. Se o tamanho dobra, o tempo de execução também dobra.

Um algoritmo O(N²) executa um número de operações proporcional ao quadrado da entrada.

Isso significa que pequenos aumentos no tamanho dos dados causam grandes aumentos no tempo de execução.

Um exemplo são algoritmos simples de ordenação com comparações aninhadas.

Dois algoritmos podem pertencer à mesma categoria Big O e ainda assim ter desempenhos diferentes na prática.

Por exemplo, um pode executar aproximadamente N² operações e outro pode executar aproximadamente N² / 2 operações. Ambos são classificados como O(N²).

Isso acontece porque a Notação Big O ignora constantes multiplicativas.

Big O foca no comportamento de crescimento a longo prazo. Constantes não alteram a taxa de crescimento da função.

Por exemplo, O(100N) e O(N²). Mesmo que o primeiro tenha um fator 100, em algum ponto ele será mais eficiente que o segundo, porque crescimento linear sempre supera crescimento quadrático quando os dados são grandes o suficiente.

O que importa é o tipo de crescimento, não o fator constante.

Por padrão, quando classificamos um algoritmo usando Big O, estamos considerando o pior cenário possível.

Isso significa que estamos analisando o máximo de operações que o algoritmo pode executar.

Essa abordagem é importante porque nos prepara para situações extremas e ajuda na tomada de decisões estruturais.

À medida que o tamanho da entrada aumenta, o comportamento das principais notações pode ser resumido assim:

• O(1) — crescimento constante
• O(N) — crescimento proporcional
• O(N²) — crescimento acelerado

Quanto maior o volume de dados, maior a diferença prática entre essas categorias.

Um algoritmo O(log n) reduz pela metade o problema a cada etapa. O tempo de execução cresce muito lentamente conforme a entrada aumenta.

Um exemplo clássico é a busca binária em uma lista ordenada. A cada comparação, o algoritmo descarta metade dos elementos restantes.

Essa eficiência faz algoritmos logarítmicos extremamente poderosos para grandes volumes de dados.

Uma estrutura de dados é a forma como os dados são organizados na memória para que possam ser acessados e manipulados de maneira eficiente.

Não se trata apenas de armazenar informações, mas de definir como elas serão organizadas para permitir operações como leitura, busca, inserção e remoção. A escolha da estrutura impacta diretamente o desempenho dessas operações.

A forma como os dados são organizados pode fazer seu programa rodar de forma rápida e fluida, ou se tornar lento e ineficiente.

Essa diferença não é pequena. Dependendo da estrutura escolhida, a performance pode variar em ordens de magnitude — ou seja, um algoritmo pode ser dezenas ou centenas de vezes mais rápido apenas por causa da organização dos dados.

Quando lidamos com poucos dados, a diferença pode parecer irrelevante. Mas em cenários como aplicações que manipulam grandes volumes de informação, sistemas que processam milhares ou milhões de registros, ou aplicações web com muitos usuários simultâneos, a escolha da estrutura de dados pode determinar se o sistema continua funcionando de forma estável ou começa a falhar por não suportar a carga.

Em sistemas reais, desempenho não é detalhe — é requisito.

Cada estrutura de dados possui características próprias que influenciam o custo das operações.

Algumas são mais rápidas para acesso direto. Outras são mais eficientes para inserções frequentes, remoções dinâmicas ou buscas ordenadas. Não existe uma estrutura "melhor" de forma absoluta. Existe a estrutura mais adequada para o problema específico.

Compreender estruturas de dados não melhora apenas a velocidade do programa. Também permite escrever código mais previsível, reduzir complexidade desnecessária e tomar decisões arquiteturais mais sólidas.

Um desenvolvedor que entende as implicações de cada estrutura consegue produzir soluções mais elegantes e escaláveis.