Tecnología · 8o Básico · Pensamiento Computacional y Algoritmos Complejos · 1er Semestre

Introducción a la Complejidad Algorítmica

Los estudiantes analizan cómo el tiempo y los recursos necesarios para ejecutar un algoritmo varían con el tamaño de la entrada.

• Objetivos de Aprendizaje (OA)
• OA TEC 8oB: Evaluación y Mejora de Soluciones Tecnológicas

Acerca de este tema

La introducción a la complejidad algorítmica guía a los estudiantes de 8° básico a analizar cómo el tiempo y los recursos para ejecutar un algoritmo varían con el tamaño de la entrada. Analizan ejemplos como la búsqueda lineal, que recorre todos los elementos, frente a la búsqueda binaria, que divide el conjunto por la mitad en cada paso. Esta comparación directa cumple con las Bases Curriculares de MINEDUC en Tecnología, específicamente el objetivo de evaluación y mejora de soluciones tecnológicas, OA TEC 8oB.

Dentro de la unidad de Pensamiento Computacional y Algoritmos Complejos, los estudiantes responden preguntas clave: cómo comparar la eficiencia de algoritmos para el mismo problema, las implicaciones en software a gran escala y su relación con la experiencia del usuario. Aprenden notación básica como O(n) para lineal y O(log n) para binaria, midiendo pasos en tablas o cronometrando ejecuciones simples. Esto desarrolla habilidades de análisis crítico y optimización, esenciales para el diseño tecnológico.

El aprendizaje activo beneficia este tema porque hace tangibles conceptos abstractos mediante simulaciones prácticas. Cuando los estudiantes ejecutan algoritmos manualmente en grupos o programan versiones en Scratch, visualizan el crecimiento exponencial de recursos y discuten mejoras reales, fortaleciendo la retención y aplicación.

Preguntas Clave

1. ¿Cómo podemos comparar la eficiencia de dos algoritmos que resuelven el mismo problema?
2. ¿Qué implicaciones tiene la complejidad algorítmica en el diseño de software a gran escala?
3. ¿Cómo se relaciona la complejidad de un algoritmo con la experiencia del usuario?

Objetivos de Aprendizaje

• Comparar la eficiencia de dos algoritmos de búsqueda (lineal y binaria) midiendo la cantidad de pasos necesarios para encontrar un elemento en un conjunto de datos de diferentes tamaños.
• Explicar la relación entre el tamaño de la entrada de un algoritmo y el tiempo de ejecución o los recursos consumidos, utilizando notación Big O básica (O(n), O(log n)).
• Evaluar cómo la elección de un algoritmo más eficiente impacta la experiencia del usuario en aplicaciones que manejan grandes volúmenes de datos.
• Identificar escenarios donde la complejidad algorítmica es un factor crítico en el diseño de software a gran escala.

Antes de Empezar

Conceptos básicos de algoritmos y pseudocódigo

Por qué: Los estudiantes necesitan comprender qué es un algoritmo y cómo representarlo de forma simplificada para poder analizar su funcionamiento.

Estructuras de datos básicas (listas/arreglos)

Por qué: Es fundamental que los estudiantes estén familiarizados con la organización de datos en listas o arreglos para entender cómo los algoritmos operan sobre ellos.

Vocabulario Clave

Algoritmo	Un conjunto finito de instrucciones o reglas bien definidas, ordenadas y finitas que permiten realizar una actividad mediante pasos sucesivos. Es la base para resolver un problema.
Complejidad algorítmica	La medida de los recursos (tiempo o espacio de memoria) que un algoritmo necesita para ejecutarse en función del tamaño de la entrada.
Tamaño de la entrada (n)	La cantidad de datos que recibe un algoritmo para procesar. Por ejemplo, el número de elementos en una lista a ordenar.
Búsqueda lineal	Un algoritmo que busca un elemento en una lista revisando cada uno de sus miembros secuencialmente hasta encontrarlo o agotar la lista.
Búsqueda binaria	Un algoritmo eficiente que busca un elemento en una lista ordenada dividiendo repetidamente a la mitad el intervalo de búsqueda.
Notación Big O (O(n), O(log n))	Una notación matemática que describe el límite superior del crecimiento de la complejidad de un algoritmo a medida que el tamaño de la entrada aumenta.

Cuidado con estas ideas erróneas

Idea errónea común

Todos los algoritmos tardan aproximadamente lo mismo, sin importar el tamaño de los datos.

Qué enseñar en su lugar

La complejidad muestra que algunos crecen lineal o cuadráticamente. Actividades de simulación manual ayudan porque los estudiantes cuentan pasos reales, viendo cómo O(n²) explota en listas grandes, corrigiendo esta idea con evidencia propia.

Idea errónea común

La complejidad solo importa para computadoras potentes o datos enormes.

Qué enseñar en su lugar

Incluso en entradas medianas, algoritmos ineficientes ralentizan apps diarias. Enfoques activos como cronometrar búsquedas en parejas revelan esto temprano, fomentando discusiones sobre optimización en contextos reales.

Idea errónea común

Big O mide el tiempo exacto de ejecución en segundos.

Qué enseñar en su lugar

Big O describe crecimiento asintótico, no tiempo preciso. Experimentos grupales midiendo pasos versus tiempo real aclaran esto, ya que estudiantes comparan hardware variable y enfocan en tendencias.

Ideas de aprendizaje activo

Enseñanza entre Pares: Carrera de Búsquedas

Los estudiantes reciben listas ordenadas de números y simulan búsqueda lineal y binaria contando pasos en voz alta. Cronometran cada método con entradas de tamaño 10, 20 y 50. Comparan resultados en una tabla compartida y discuten cuál es más eficiente para listas grandes.

30 min·Parejas

Grupos Pequeños: Simulación de Burbuja vs. Inserción

En grupos, simulan ordenamiento burbuja y por inserción con cartas numeradas de 10 a 30 elementos. Cuentan comparaciones y movimientos, registran en gráficos. Al final, presentan hallazgos sobre por qué uno escala peor.

45 min·Grupos pequeños

Clase Completa: Debate de Eficiencia

Divide la clase en equipos para defender algoritmos: lineal para pequeños datos vs. binario para grandes. Usan ejemplos reales como buscar en un directorio telefónico. Votan por el mejor basado en evidencia cronometrada.

35 min·Toda la clase

Individual: Gráfico de Crecimiento

Cada estudiante dibuja curvas de complejidad O(n) y O(n²) usando datos de sus simulaciones previas. Etiqueta ejes con tamaño de entrada y tiempo, predice para n=1000. Comparte en plenaria.

20 min·Individual

Conexiones con el Mundo Real

• Los ingenieros de software que desarrollan sistemas de bases de datos para redes sociales como Instagram o TikTok deben considerar la complejidad algorítmica para asegurar que las búsquedas de perfiles o publicaciones sean rápidas, incluso con miles de millones de usuarios.
• Los desarrolladores de videojuegos emplean algoritmos eficientes para la inteligencia artificial de los personajes no jugadores (NPCs) y la gestión de grandes mundos virtuales, asegurando una experiencia de juego fluida sin retrasos perceptibles.
• Los científicos de datos que trabajan en motores de recomendación para plataformas de streaming como Netflix o Spotify utilizan algoritmos optimizados para procesar rápidamente grandes cantidades de datos de usuarios y sugerir contenido relevante.

Ideas de Evaluación

Verificación Rápida

Presenta a los estudiantes dos fragmentos de código pseudocódigo: uno para búsqueda lineal y otro para búsqueda binaria. Pide que identifiquen cuál es cuál y expliquen por qué uno podría ser más rápido que el otro para listas grandes, basándose en los pasos que observan.

Pregunta para Discusión

Formula la pregunta: 'Imagina que estás diseñando una aplicación para buscar vuelos. ¿Por qué es importante que tu algoritmo de búsqueda sea eficiente si hay miles de vuelos disponibles? ¿Cómo afectaría un algoritmo lento la experiencia del usuario y qué tipo de algoritmo (lineal o binario) sería más apropiado y por qué?'

Boleto de Salida

Entrega a cada estudiante una tarjeta. Pide que escriban un ejemplo de una situación real donde la velocidad de un algoritmo sea crucial (ej. búsqueda en un catálogo grande, procesamiento de datos médicos). Luego, deben indicar si un algoritmo O(n) o O(log n) sería preferible y por qué.

Preguntas frecuentes

¿Cómo comparar la eficiencia de dos algoritmos en 8° básico?

Usa tablas para contar operaciones básicas como comparaciones en entradas crecientes: 10, 50, 100 elementos. Simula manualmente o en Scratch, grafica resultados. Esto muestra visualmente cómo uno escala mejor, conectando con diseño de software escalable y experiencia de usuario fluida.

¿Qué es la notación Big O y para qué sirve?

Big O describe cómo el tiempo o recursos de un algoritmo crecen con el tamaño de la entrada, como O(n) para lineal o O(log n) para binaria. Sirve para predecir escalabilidad en apps grandes. En clase, estudiantes la aplican midiendo pasos simples, entendiendo implicaciones en proyectos reales.

¿Cómo el aprendizaje activo ayuda a entender complejidad algorítmica?

Actividades prácticas como simular búsquedas con cartas o cronometrar en parejas hacen visible el crecimiento de recursos, transformando abstracciones en experiencias concretas. Discusiones grupales corrigen ideas erróneas y fomentan decisiones informadas sobre eficiencia, mejorando retención y habilidades de pensamiento computacional.

¿Qué implicaciones tiene la complejidad en la experiencia del usuario?

Algoritmos ineficientes causan esperas largas en apps con datos grandes, frustrando usuarios. Enseñar con ejemplos como ordenar playlists musicales muestra cómo O(n log n) como quicksort mantiene fluidez. Estudiantes proponen mejoras, vinculando teoría a impactos prácticos en software cotidiano.