El pensamiento computacional es un enfoque de resolución de problemas que utiliza conceptos y técnicas fundamentales de la informática. En el contexto de Estructura Discreta, que es una rama de las matemáticas aplicadas enfocada en el estudio de objetos y conceptos discretos, el pensamiento computacional puede aplicarse de diversas maneras para potenciar el aprendizaje y la comprensión de la materia. Aquí hay varias formas de cómo se puede aplicar:
Descomposición : Los problemas de Estructura Discreta a menudo pueden ser grandes y complejos. Utilizando el análisis, un pilar del pensamiento computacional, los estudiantes pueden dividir estos problemas en partes más pequeñas y manejables. Por ejemplo, al estudiar gráficos, se pueden descomponer en sus componentes básicos como vértices y aristas, lo que facilita la comprensión de conceptos más complejos como la búsqueda de caminos o la coloración de gráficos.
Reconocimiento de patrones : La Estructura Discreta se ocupa a menudo de identificar y trabajar con patrones, ya sean secuencias numéricas, propiedades de los gráficos o el comportamiento de algoritmos. El pensamiento computacional enfatiza la identificación de patrones para predecir y modelar el comportamiento de sistemas más grandes, lo que es crucial en el estudio de esta disciplina.
Abstracción : Consiste en identificar la información relevante y descartar los detalles irrelevantes para crear modelos generalizados. En Estructura Discreta, esto se puede ver en la creación de estructuras como árboles, gráficos y conjuntos, donde solo se consideran las propiedades esenciales para el problema en cuestión, ignorando aspectos no pertinentes.
Algoritmos : La creación de procedimientos sistemáticos para resolver problemas es esencial en la programación y en la Estructura Discreta. Al estudiar algoritmos de ordenamiento, búsqueda o algoritmos estructuras sobre como gráficos, los estudiantes pueden aplicar y entender mejor cómo se ejecutan estos procesos paso a paso, optimizándolos y evaluando su eficiencia.
Evaluación de soluciones : En el pensamiento computacional, no solo se busca una solución, sino también la mejor solución posible según ciertos criterios. En la Estructura Discreta, esto puede aplicarse al comparar la eficiencia de diferentes algoritmos o al encontrar la solución más óptima para problemas de combinatoria o teoría de gráficos.
Generalización y transferencia : Una vez que los estudiantes dominan un concepto en Estructura Discreta, el pensamiento computacional anima a aplicar ese conocimiento a nuevos problemas. Por ejemplo, las habilidades adquiridas en el manejo de relaciones pueden aplicarse al estudio de bases de datos relacionales.
Depuración e iteración : Al igual que en la programación, los estudiantes pueden aplicar un enfoque iterativo para corregir errores en sus soluciones matemáticas. A través de este proceso, se fomenta la mejora continua y el desarrollo de soluciones más precisas y efectivas.
Colaboración : Aunque no es exclusivo del pensamiento computacional, el trabajo colaborativo es esencial en el campo de la informática y puede ser igualmente útil en el estudio de la Estructura Discreta. Al colaborar, los estudiantes pueden compartir diferentes enfoques para resolver problemas, lo que puede llevar a soluciones más creativas y efectivas.
La incorporación del pensamiento computacional en la enseñanza de la Estructura Discreta no solo enriquece la comprensión de los estudiantes sobre los conceptos matemáticos, sino que también les proporciona habilidades prácticas aplicables en la informática y otras áreas de su vida académica y profesional.
Ejemplo en Python
Supongamos que queremos escribir un programa en Python que encuentre todos los números primos hasta un número
n. Aplicaremos el pensamiento computacional de la siguiente manera:Descomposición : Podemos dividir el problema en dos tareas: una función para verificar si un número es primo y otra para generar números y verificar cada uno.
Reconocimiento de patrones : Observamos que los números primos tienen el patrón de ser solo divisibles por 1 y por sí mismos.
Abstracción : Abstraemos la verificación de números primos en una función que no necesita preocuparse por cómo se generan los números.
Diseño de algoritmos : Desarrollamos un algoritmo para iterar a través de números y aplicar la función de verificación de números primos a cada uno.
A continuación, el código en Python que representa esto:
- Puedes ejecutar este código en Google Colaboratory.
En este código, la función
es_primogenerar_primos
No hay comentarios:
Publicar un comentario