⏱️ Por que analisamos algoritmos?

Analisar algoritmos é como calcular a carga que uma ponte suporta antes de construí-la. Não basta fazer o código funcionar; precisamos garantir que ele continue funcionando bem fora de exemplos pequenos e controlados.

Analisar um algoritmo é como calcular a capacidade de carga de uma ponte antes de sua construção: garante que a estrutura não desabe sob forte demanda. Não basta que o código funcione em casos de teste pequenos; ele precisa performar de forma sustentável no mundo real.

Aqui estão os principais motivos para fazer essa análise:

1. Escalabilidade: o comportamento perante o crescimento dos dados

No ambiente de desenvolvimento, normalmente testamos com poucas entradas. O problema aparece quando a quantidade de dados cresce.

Analisamos algoritmos para responder perguntas como: se a lista passar de 100 elementos para 1 milhão, a solução continua razoável ou começa a ficar lenta demais?

A análise nos ajuda a prever esse comportamento sem depender apenas de teste e tentativa.

2. Eficiência também tem custo

Em sistemas reais, processamento e memória são recursos limitados e caros. Quanto mais trabalho um algoritmo exige, mais recursos ele consome, o que pode se traduzir em maior custo de infraestrutura ou lentidão para o usuário final. Quanto mais trabalho um algoritmo exige, mais recursos ele consome.

Uma solução que roda milhares de vezes por dia pode se tornar cara ou difícil de escalar se cada execução fizer trabalho demais.

3. Comparação objetiva entre soluções

Muitas vezes existem várias formas de resolver o mesmo problema.

Imagine duas soluções para verificar se existe um número repetido em uma lista:

Solução A: compara cada elemento com todos os outros (duas repetições aninhadas).

def has_duplicates(items: list) -> bool:
    n = len(items)
    for i in range(n):
        for j in range(i + 1, n):
            if items[i] == items[j]:
                return True
    return False

Solução B: usa um conjunto (set) para registrar os valores já vistos.

def has_duplicates(items: list) -> bool:
    seen = set()
    for item in items:
        if item in seen:
            return True
        seen.add(item)
    return False

Sem análise, a escolha pode parecer só uma questão de preferência. Com análise, ganhamos um critério técnico para comparar o esforço de cada abordagem.

4. Hardware não resolve tudo

Máquinas melhores ajudam, mas não consertam uma solução ruim sozinhas. Se o esforço de um algoritmo cresce rápido demais conforme a entrada aumenta, chega um ponto em que mais hardware deixa de ser uma solução prática.

O ponto chave: analisamos algoritmos para transformar a programação de tentativa e erro em uma disciplina baseada em previsibilidade técnica.