2.4. Estructuras de Datos y Algoritmos (DSA)

2.4. Estructuras de Datos y Algoritmos (DSA)

Esta área proporciona el conjunto de herramientas fundamental para diseñar y analizar soluciones computacionales eficientes. Cubre los fundamentos teóricos de la complejidad algorítmica, la implementación práctica de estructuras de datos fundamentales y avanzadas, y los principios de diseño detrás de algoritmos eficientes para búsqueda, ordenamiento, procesamiento de grafos y optimización combinatoria. Este conocimiento forma el núcleo computacional que permite a los estudiantes desarrollar soluciones eficientes en todas las demás áreas de las matemáticas computacionales.

Tabla 2.4: Lista de KUs del área de Estructuras de Datos y Algoritmos.

2.4.1. DSA/Complejidad Algorítmica y Análisis Asintótico  (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba

Temas:
Core

  • Medidas de complejidad y notación asintótica
  • Análisis del mejor caso, caso promedio y peor caso
  • Relaciones de recurrencia y técnicas de resolución
  • Análisis empírico de algoritmos
  • Complejidad espacial y compensaciones

Aprendizaje esperado (Learning Outcomes):
Core:

  1. Analizar algoritmos usando notación asintótica (Big O, Omega, Theta) [Usar]
  2. Diferenciar entre complejidades del mejor caso, caso promedio y peor caso [Evaluar]
  3. Resolver relaciones de recurrencia para análisis de algoritmos [Usar]
  4. Comparar algoritmos mediante mediciones empíricas [Evaluar]

2.4.2. DSA/Estructuras de Datos Fundamentales y Avanzadas  (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba

Temas:
Core

  • Arreglos, listas enlazadas y arreglos dinámicos
  • Pilas, colas y deques
  • Tablas hash y resolución de colisiones
  • árboles y árboles de búsqueda binaria
  • Montículos y colas de prioridad

Aprendizaje esperado (Learning Outcomes):
Core:

  1. Implementar estructuras de datos básicas desde cero [Usar]
  2. Analizar complejidad temporal/espacial de operaciones de estructuras de datos [Evaluar]
  3. Seleccionar estructuras de datos apropiadas para problemas dados [Evaluar]
  4. Manejar colisiones hash usando diferentes estrategias [Usar]

2.4.3. DSA/Algoritmos de Búsqueda y Ordenamiento  (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba

Temas:
Core

  • Búsqueda lineal y binaria
  • Ordenamiento basado en comparación (QuickSort, MergeSort, HeapSort)
  • Ordenamiento sin comparación (RadixSort, CountingSort)
  • Algoritmos de selección y estadísticas de orden
  • Ordenamiento externo y procesamiento a gran escala

Aprendizaje esperado (Learning Outcomes):
Core:

  1. Implementar y comparar algoritmos de búsqueda [Usar]
  2. Analizar complejidad temporal/espacial de algoritmos de ordenamiento [Evaluar]
  3. Seleccionar algoritmo de ordenamiento apropiado para características de datos [Evaluar]
  4. Implementar algoritmos de estadísticas de orden [Usar]

2.4.4. DSA/Algoritmos de Grafos y Optimización Combinatoria  (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba

Temas:
Core

  • Representación de grafos y recorrido (BFS, DFS)
  • Algoritmos de camino más corto (Dijkstra, Bellman-Ford)
  • árboles de expansión mínima (Prim, Kruskal)
  • Flujo en redes y emparejamiento
  • NP-completitud y algoritmos de aproximación

Aprendizaje esperado (Learning Outcomes):
Core:

  1. Implementar algoritmos de recorrido de grafos [Usar]
  2. Resolver problemas de camino más corto usando algoritmos apropiados [Usar]
  3. Construir árboles de expansión mínima [Usar]
  4. Analizar complejidad de algoritmos de grafos [Evaluar]
  5. Diseñar algoritmos de aproximación para problemas NP-difíciles [Usar]

2.4.5. DSA/Algoritmos Paralelos y Distribuidos  (Core Tier1: 1 hr, Core Tier2: 1 hr) ↑ Volver arriba

Temas:
Core

  • Modelos de computación paralela (PRAM)
  • Algoritmos paralelos básicos (reducción, scan)
  • Algoritmos distribuidos y consenso
  • Sincronización y balanceo de carga
  • MapReduce y procesamiento distribuido de datos

Aprendizaje esperado (Learning Outcomes):
Core:

  1. Analizar algoritmos paralelos usando el modelo trabajo-span [Evaluar]
  2. Implementar operaciones de reducción y scan paralelas [Usar]
  3. Diseñar algoritmos distribuidos para consenso [Usar]
  4. Aplicar el paradigma MapReduce al procesamiento de datos [Usar]

¿Encontraste una errata, un curso desactualizado, un enlace roto, o tienes una sugerencia? Cuéntanos.

Escanea para abrir en tu teléfono