- ES Español (Latinoamérica)

- EN English

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.
| Área de Conocimiento (KA) | Core Tier1 | Core Tier2 |
2.4.1 Complejidad Algorítmica y Análisis Asintótico | 1 | 1 |
2.4.2 Estructuras de Datos Fundamentales y Avanzadas | 1 | 1 |
2.4.3 Algoritmos de Búsqueda y Ordenamiento | 1 | 1 |
2.4.4 Algoritmos de Grafos y Optimización Combinatoria | 1 | 1 |
2.4.5 Algoritmos Paralelos y Distribuidos | 1 | 1 |
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:
- Analizar algoritmos usando notación asintótica (Big O, Omega, Theta) [Usar]
- Diferenciar entre complejidades del mejor caso, caso promedio y peor caso [Evaluar]
- Resolver relaciones de recurrencia para análisis de algoritmos [Usar]
- 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:
- Implementar estructuras de datos básicas desde cero [Usar]
- Analizar complejidad temporal/espacial de operaciones de estructuras de datos [Evaluar]
- Seleccionar estructuras de datos apropiadas para problemas dados [Evaluar]
- 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:
- Implementar y comparar algoritmos de búsqueda [Usar]
- Analizar complejidad temporal/espacial de algoritmos de ordenamiento [Evaluar]
- Seleccionar algoritmo de ordenamiento apropiado para características de datos [Evaluar]
- 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:
- Implementar algoritmos de recorrido de grafos [Usar]
- Resolver problemas de camino más corto usando algoritmos apropiados [Usar]
- Construir árboles de expansión mínima [Usar]
- Analizar complejidad de algoritmos de grafos [Evaluar]
- 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:
- Analizar algoritmos paralelos usando el modelo trabajo-span [Evaluar]
- Implementar operaciones de reducción y scan paralelas [Usar]
- Diseñar algoritmos distribuidos para consenso [Usar]
- Aplicar el paradigma MapReduce al procesamiento de datos [Usar]