Tecnología · 2o de Secundaria · Pensamiento Algorítmico y Lógica de Programación · I Bimestre

Optimización de Algoritmos

Los estudiantes analizan y mejoran la eficiencia de los algoritmos, buscando soluciones que consuman menos recursos.

• Aprendizajes Esperados SEP
• SEP Secundaria: Pensamiento Computacional y Programación
• SEP Secundaria: Evaluación de Sistemas Tecnológicos

Acerca de este tema

La optimización de algoritmos permite a los estudiantes analizar y mejorar la eficiencia de secuencias de instrucciones, enfocándose en el uso mínimo de recursos como tiempo y memoria. En este tema, exploran por qué un programa correcto puede ser ineficiente, miden métricas como complejidad temporal y espacial, y refactorizan código para mayor claridad y mantenimiento. Esto se alinea con los estándares SEP de Pensamiento Computacional y Programación, fomentando la evaluación crítica de sistemas tecnológicos.

En el contexto del pensamiento algorítmico, los estudiantes comparan algoritmos como el ordenamiento burbuja versus inserción, identificando bucles innecesarios o estructuras repetitivas. Aprenden que la legibilidad del código impacta su escalabilidad a largo plazo, desarrollando habilidades para proyectos colaborativos en programación. Estas prácticas construyen lógica deductiva y resolución de problemas reales en tecnología.

El aprendizaje activo beneficia este tema porque las simulaciones y comparaciones directas de ejecución hacen visibles las diferencias en eficiencia. Cuando los estudiantes cronometran algoritmos en parejas o miden iteraciones en pseudocódigo, conceptos abstractos se vuelven concretos y motivadores, mejorando la retención y aplicación práctica.

Preguntas Clave

1. ¿Por qué un programa puede funcionar correctamente pero ser ineficiente?
2. ¿Cómo influye la claridad del código en su mantenimiento a largo plazo?
3. ¿Qué métricas se utilizan para evaluar la eficiencia de un algoritmo?

Objetivos de Aprendizaje

• Comparar la eficiencia de dos algoritmos de ordenamiento (por ejemplo, burbuja vs. inserción) identificando la cantidad de operaciones clave en cada uno.
• Evaluar la complejidad temporal y espacial de algoritmos sencillos utilizando notación Big O para describir su crecimiento.
• Refactorizar un algoritmo dado para mejorar su legibilidad y reducir el consumo de recursos, justificando los cambios realizados.
• Explicar cómo la elección de estructuras de datos puede afectar la eficiencia de un algoritmo en escenarios específicos.
• Diseñar un algoritmo simple para resolver un problema cotidiano y luego proponer al menos una optimización posible.

Antes de Empezar

Fundamentos de Algoritmos y Pseudocódigo

Por qué: Los estudiantes necesitan saber cómo representar secuencias de pasos lógicos antes de poder analizar o mejorar su eficiencia.

Estructuras de Control (Secuencia, Selección, Iteración)

Por qué: La comprensión de bucles y condicionales es fundamental para identificar ineficiencias en la ejecución de algoritmos.

Vocabulario Clave

Complejidad Temporal	Mide el tiempo de ejecución de un algoritmo en función del tamaño de la entrada, usualmente expresado en notación Big O.
Complejidad Espacial	Mide la cantidad de memoria que un algoritmo necesita para ejecutarse en función del tamaño de la entrada.
Notación Big O	Una notación matemática que describe el límite superior del crecimiento de una función, utilizada para clasificar algoritmos según su eficiencia.
Refactorización	El proceso de reestructurar código existente sin cambiar su comportamiento externo, con el fin de mejorar su claridad, simplicidad o rendimiento.
Algoritmo Codicioso (Greedy)	Un algoritmo que toma la decisión localmente óptima en cada etapa con la esperanza de encontrar una solución globalmente óptima.

Cuidado con estas ideas erróneas

Idea errónea común

Un algoritmo más corto en líneas de código es siempre más eficiente.

Qué enseñar en su lugar

La longitud no mide eficiencia; un código conciso puede tener bucles anidados ineficientes. Actividades de cronometraje en parejas revelan que optimizaciones como eliminar redundancias reducen tiempo real, ayudando a estudiantes a priorizar métricas sobre apariencia.

Idea errónea común

Todos los algoritmos correctos funcionan igual en cualquier tamaño de datos.

Qué enseñar en su lugar

La escalabilidad varía; algoritmos lineales fallan con datos grandes. Comparaciones grupales de ejecución con listas crecientes corrigen esto, mostrando curvas de complejidad y fomentando pruebas empíricas.

Idea errónea común

La optimización solo importa para programas muy grandes.

Qué enseñar en su lugar

Incluso scripts simples ganan con eficiencia para mantenimiento. Simulaciones en clase demuestran ahorros inmediatos, incentivando hábitos desde temprana edad mediante discusiones colaborativas.

Ideas de aprendizaje activo

Comparación de Ordenamientos: Burbuja vs Inserción

Proporciona listas desordenadas en pseudocódigo. Los grupos implementan ambos algoritmos, cronometran ejecuciones con datos crecientes y registran iteraciones. Discuten mejoras como reducir comparaciones innecesarias.

45 min·Grupos pequeños

Refactorización Colaborativa: Código Ineficiente

Entrega un programa funcional pero redundante para buscar un elemento en una lista. En parejas, identifican repeticiones, lo optimizan con bucles únicos y comparan métricas antes y después.

30 min·Parejas

Carrera de Algoritmos: Torneo Grupal

Divide la clase en equipos para optimizar rutas de entrega simuladas. Cada equipo propone un algoritmo, lo prueba con datos variables y compite por el más eficiente en tiempo de ejecución.

50 min·Grupos pequeños

Análisis de Métricas: Gráficas de Eficiencia

Usa hojas de cálculo para graficar complejidad de algoritmos comunes. Individualmente, estudiantes evalúan Big O y proponen optimizaciones, luego comparten en plenaria.

35 min·Individual

Conexiones con el Mundo Real

• Los ingenieros de software en empresas como Google o Meta optimizan algoritmos de búsqueda y recomendación para que las aplicaciones respondan más rápido y consuman menos datos móviles, mejorando la experiencia del usuario.
• Los desarrolladores de videojuegos ajustan la lógica de los algoritmos de inteligencia artificial (IA) para que los personajes no jugadores (PNJs) actúen de manera más realista y eficiente, sin sobrecargar la capacidad de procesamiento de las consolas o PCs.
• Los científicos de datos en instituciones financieras diseñan algoritmos para detectar transacciones fraudulentas, buscando la máxima eficiencia para procesar millones de operaciones por segundo y minimizar falsos positivos.

Ideas de Evaluación

Boleto de Salida

Entregue a cada estudiante una tarjeta con dos algoritmos sencillos (pseudocódigo o diagrama de flujo). Pida que identifiquen cuál creen que es más eficiente y expliquen brevemente por qué, mencionando el número aproximado de pasos o el uso de memoria.

Verificación Rápida

Presente en pantalla un fragmento de código con un bucle claramente ineficiente. Pregunte a los estudiantes: '¿Qué parte de este código podría optimizarse y cómo?'. Anote las respuestas correctas en el pizarrón, enfocándose en la identificación de redundancias o pasos innecesarios.

Pregunta para Discusión

Plantee la siguiente pregunta: 'Imaginemos que desarrollamos una app para recomendar películas. ¿Qué métricas de eficiencia (tiempo, memoria) serían más críticas y por qué?'. Guíe la discusión para que los estudiantes conecten la elección de algoritmos con las expectativas del usuario y los recursos del dispositivo.

Preguntas frecuentes

¿Cómo medir la eficiencia de un algoritmo en secundaria?

Usa métricas como complejidad temporal (número de operaciones) y espacial (memoria usada). Estudiantes cronometran ejecuciones con datos variables, grafican resultados y comparan Big O notation simplificada. Esto conecta teoría con práctica, alineado a SEP.

¿Por qué un programa correcto es ineficiente?

Puede tener bucles redundantes o estructuras no óptimas que escalan mal. Ejemplos como ordenamiento burbuja muestran ejecución correcta pero lenta en listas grandes. Enseña refactorización para claridad y rendimiento, clave para mantenimiento a largo plazo.

¿Cómo el aprendizaje activo ayuda en optimización de algoritmos?

Actividades como torneos de algoritmos o refactorizaciones en parejas hacen tangible la eficiencia mediante mediciones reales. Estudiantes ven impactos directos en tiempo y recursos, superando abstracciones. Esto fomenta colaboración, retención y aplicación en programación auténtica, como exige SEP.

¿Qué métricas evalúan algoritmos según SEP?

Complejidad temporal y espacial, legibilidad y escalabilidad. En Pensamiento Computacional, evalúa iteraciones, memoria y claridad para sistemas tecnológicos. Prácticas incluyen pruebas con datasets crecientes y análisis de pseudocódigo para soluciones sostenibles.