Want to create interactive content? It’s easy in Genially!

Pensamiento Computacional

Jhonattan Miranda Me

Created on June 17, 2025

Start designing with a free template

Discover more than 1500 professional designs like these:

Microcourse: Team Cybersecurity

Microcourse: Key Skills for the Professional Environment

Microcourse: Introduction to HTML

The Meeting Microlearning

The Meeting Microlearning Mobile

Isometric video mobile

Circles video mobile

Explore all templates

Implementación de Soluciones con Pensamiento Computacional

Desarrolla habilidades clave en pensamiento computacional.

Bienvenida

Acerca del curso y Bienvenida

Módulo 1

Procedimiento y Pensamiento Computacional

Módulo 2

Abstracción

Módulo 3

Descomposición

Módulo 4

Patrones

Módulo 5

Algoritmos

Objetivo

Evaluación

Autores

Temario

Bienvenida

Curso en línea: Implementación de Soluciones con Pensamiento Computacional

Da clic para visualizar el video de bienvenida al curso.

Este curso introductorio tiene como objetivo desarrollar en los participantes una comprensión integral del Pensamiento Computacional como competencia clave para resolver problemas de manera lógica, estructurada y eficiente. A través de herramientas conceptuales y metodológicas, se busca fortalecer la capacidad de análisis, diseño de soluciones y toma de decisiones fundamentadas en diversos contextos. Este curso está estructurado en cinco módulos. El primero introduce los fundamentos del pensamiento computacional, y los cuatro siguientes abordan de manera específica cada una de sus subcompetencias: abstracción, descomposición, reconocimiento de patrones y algoritmos.

Antes de comenzar:(1) Firma tu Compromiso de honor académico Esta firma, es requisito para acceder al certificado de terminación.

FIRMAR

Accede al contenido del curso:

1. Procedimiento y Pensamiento Computacional

4. Patrones

3. Descomposición

5. Algoritmos

2. Abstracción

Módulo 4

Módulo 5

Módulo 3

Módulo 2

Módulo 1

Compromiso de honor académico

Firma aquí.

Al aceptar, te comprometes con el Compromiso de honor académico.

Declaración de compromiso de honor académico

Me comprometo a realizar de manera individual todas las actividades y productos de este curso, asegurando que reflejan mi propio esfuerzo y comprensión. Reconozco la importancia de actuar con integridad académica y utilizar de forma ética cualquier recurso digital o herramienta de inteligencia artificial. Evitaré el plagio, el uso inapropiado de tecnologías y cualquier acción que comprometa el aprendizaje genuino o la equidad del proceso formativo. Me comprometo a:

Concluir este curso de manera individual.

Actuar con honestidad e integridad.

Usar de forma ética las herramientas digitales y de inteligencia artificial.

Atentamente Participante inscrito

Regresar

Módulo 1: Procedimiento y Pensamiento Computacional

Glosario

Referencias

Procedimiento y Pensamiento Computacional

Instrucciones: En este módulo explorarás los fundamentos del Pensamiento Computacional. Te invitamos a recorrer cada sección siguiendo el orden recomendado para aprovechar mejor tu experiencia de aprendizaje. A continuación, visualiza el video de introducción al Módulo 1.

1.1. Objetivo

1.2. Aprende

1.3. Construye

1.4. Reflexiona

1.5. Saber más...

Glosario

Referencias

1.1. Objetivo

Instrucciones: Lee con atención esta sección para identificar los objetivos del módulo y comprender el enfoque desde el cual se abordará el pensamiento complejo y las subcompetencias que lo conforman.

1.1. Objetivo

Objetivo del módulo:

1.2. Aprende

Identificar el pensamiento computacional como una competencia que permite estructurar y resolver problemas mediante subprocesos como la abstracción, descomposición, reconocimiento de patrones y diseño de algoritmos. Este módulo tiene como propósito que las y los participantes apliquen esta forma de razonamiento para diseñar, implementar y evaluar soluciones en distintos contextos, de acuerdo con los criterios del nivel 5 del estándar CONOCER, vinculando sus decisiones con procesos de liderazgo, análisis de datos, uso de tecnologías emergentes y contribución a los Objetivos de Desarrollo Sostenible.

1.3. Construye

Al finalizar este módulo, serás capaz de:

1.4. Reflexiona

Comprender qué es el pensamiento computacional y por qué es una competencia clave en el siglo XXI.

Identificar las principales subcompetencias que lo conforman: abstracción, descomposición, patrones y algoritmos.

Reconocer aplicaciones prácticas del pensamiento computacional en contextos educativos, laborales y sociales.

Reflexionar sobre cómo esta competencia puede mejorar tu toma de decisiones y solución de problemas reales.

1.5. Saber más...

Glosario

Referencias

1.2. Aprende

Instrucciones: Visualiza el siguiente video y responde el quiz al finalizar. Esta actividad te permitirá reforzar los conceptos clave antes de continuar.

1.1. Objetivo

El Pensamiento Computacional es una forma de abordar problemas que permite organizar ideas, analizar información y proponer soluciones paso a paso. Esta competencia es cada vez más necesaria para actuar en contextos donde se requiere claridad, eficiencia y toma de decisiones fundamentadas. En este video, conocerás qué es el Pensamiento Computacional, cuáles son sus componentes principales y cómo aplicarlo en situaciones reales, desde la vida cotidiana hasta entornos profesionales o educativos.

1.2. Aprende

1.3. Construye

Introducción al Pensamiento computacional y su estructura

1.4. Reflexiona

Quiz

1.5. Saber más...

00:30

Quiz

1/3

You have only one chance to answer this question. Please make it count.

Saltar pregunta

00:30

Quiz

1/3

You have only one chance to answer this question. Please make it count.

Saltar pregunta

Glosario

Referencias

1.3. Construye

Instrucciones: Explora tres simuladores interactivos diseñados para introducirte al procedimiento y subcompetencias del pensamiento computacional (abstracción, descomposición, identificación de patrones y diseño de algoritmos). En cada simulador, analizarás un problema cotidiano, definirás variables, aplicarás razonamiento lógico y observarás los resultados obtenidos.

1.1. Objetivo

Objetivo:

Aplicar las subcompetencias del pensamiento computacional para analizar datos, construir modelos predictivos y proponer soluciones sostenibles en distintos contextos de la vida diaria.

1.2. Aprende

¿Cómo usar el simulador?

1.3. Construye

Explora los escenarios: selecciona uno de los tres simuladores disponibles:

🚌 EcoBus

Define variables y parámetros: ingresa los datos solicitados según el contexto del simulador (por ejemplo, número de estudiantes, consumo energético o capacidad del tanque de agua).

⚡EnerBalance

Ejecuta la simulación: observa los resultados y analiza cómo cambian al modificar los valores de entrada.

1.4. Reflexiona

💧H2OPlan

Reflexiona: responde las preguntas finales y justifica tus decisiones aplicando razonamiento lógico y principios del pensamiento computacional.

1.5. Saber más...

Desarrollar estas subcompetencias fortalece nuestra capacidad para analizar, predecir y transformar situaciones reales mediante decisiones más sostenibles y responsables.

Para avanzar, debes de marcar como realizada esta actividad.

Marcar

Módulo 1: Procedimiento y Pensamiento Computacional

Glosario

Referencias

1.4. Reflexiona

Instrucción: Participa en la nube colaborativa escribiendo una palabra que represente lo que has comprendido sobre el pensamiento computacional.

¡Gracias por reflexionar y compartir tu perspectiva!

1.1. Objetivo

¿Cómo podrías aplicar el pensamiento computacional en tu entorno académico, profesional o personal?

Instrucciones para participar:

Escribe una palabra que asocies con el pensamiento computacional. Puede ser algo que hayas aprendido, una habilidad que consideres clave o una idea que te haya marcado.

1.2. Aprende

Envía tu palabra. Al hacerlo, se sumará automáticamente a la nube colaborativa junto con las aportaciones de tus compañeros.

1.3. Construye

Observa cómo evoluciona la nube. Las palabras más mencionadas aparecerán más grandes. Así podremos ver qué ideas están resonando más en el grupo.

Aporta con intención. Elige una palabra clara, relevante y conectada con lo trabajado. Este ejercicio ayuda a construir una visión colectiva del pensamiento computacional.

1.4. Reflexiona

¡Participa!

1.5. Saber más...

Para avanzar, debes de marcar como realizada esta actividad.

Marcar

Glosario

Referencias

1.5. Saber más...

A continuación, se presentan recursos educativos con acceso abierto que abordan el pensamiento computacional en la práctica:

1.1. Objetivo

Artículo

Video (3min)

Reporte

4. Pensamiento computacional desenchufado

1. Computational thinking in STEM education: current state-of-the-art and future research directions

2. Plan un País Digital: Capítulo de Competencias y habilidades digitales

3. Pensamiento Computacional Educativo

1.2. Aprende

1.3. Construye

1.4. Reflexiona

Tariq, R., Aponte Babines, B. M., Ramirez, J., Alvarez-Icaza, I., & Naseer, F. (2025). Computational thinking in STEM education: current state-of-the-art and future research directions. Frontiers in Computer Science

Vídeo tráiler del MOOC de #AprendeINTEF "Pensamiento computacional educativo" #MoocBot. Para más información, visita: http://enlinea.intef.es/

Fundación País Digital. (2021). Plan Un País Digital 2021.

Zapata-Ros, M. (2019). Pensamiento computacional desenchufado. Education in the Knowledge Society (EKS), 20, 1–17.

1.5. Saber más...

Estos recursos proporcionan una base sólida para comprender y aplicar el pensamiento computacional en diversos contextos educativos.

Evaluación

Módulo 1: Procedimiento y Pensamiento Computacional

Evaluación del Módulo 1

Es momento de realizar la evaluación del módulo para consolidar lo aprendido.

¡Comienza ahora!

Comenzar

Evaluación del Módulo 1

Quiz

1/3

You have only one chance to answer this question. Please make it count.

Saltar pregunta

00:30

Quiz

1/3

You have only one chance to answer this question. Please make it count.

Saltar pregunta

00:30

Quiz

1/3

You have only one chance to answer this question. Please make it count.

Saltar pregunta

00:30

Quiz

1/3

You have only one chance to answer this question. Please make it count.

Saltar pregunta

00:30

Quiz

1/3

You have only one chance to answer this question. Please make it count.

Saltar pregunta

Referencias

Glosario

Conclusión

Dedica un momento a la reflexión acerca de los beneficios de integrar esta competencia a tu aprendizaje.

Ahora que has explorado los fundamentos del pensamiento computacional, es momento de profundizar en sus componentes y comenzar a aplicarlos en situaciones concretas. En la siguiente sección, interactuarás con contenidos que te ayudarán a reconocer cómo se manifiestan estas habilidades en distintos contextos. Recuerda: aprender a pensar computacionalmente es como aprender a pensar mejor. Te ayuda a ser más estratégico, más organizado, y más creativo en todo lo que haces.

Continúa con el curso y comienza tu camino hacia el desarrollo de tu competencia de Pensamiento Computacional. Ve ahora al Módulo 2.

Glosario

Referencias

Abstracción

Instrucciones: En este módulo, exploraremos las bases que sustentan la subcompetencia de abstracción. Te invitamos a revisar cada sección en orden para comprender los conceptos, aplicar lo aprendido y reflexionar sobre su relevancia en tu contexto. A continuación, visualiza el video de introducción al Módulo 2.

2.1. Objetivo

2.2. Aprende

2.3. Construye

2.4. Reflexiona

2.5. Saber más...

Glosario

Referencias

2.1. Objetivo

Instrucciones: Explora esta sección para conocer el objetivo del Módulo 2 y las habilidades que comenzarás a desarrollar en torno a implementar la subcompetencia de abstracción. Esta información será necesaria para orientarte sobre las actividades del curso.

2.1. Objetivo

Objetivo del módulo:

2.2. Aprende

Desarrollar la subcompetencia de abstracción como una capacidad clave del pensamiento computacional, que permite enfocar la atención en los elementos esenciales de un problema, ignorando aquellos detalles que no aportan a su solución. Esta habilidad resulta fundamental para representar y modelar situaciones complejas, facilitando el diseño de soluciones transferibles y adaptables a distintos contextos.

2.3. Construye

Al finalizar este módulo, serás capaz de:

2.4. Reflexiona

Identificar los componentes esenciales de un problema, descartando información irrelevante para su análisis computacional.

Aplicar la abstracción como herramienta para representar situaciones complejas de forma clara y estructurada.

Explorar casos reales y construir modelos funcionales mediante simulaciones, reflexión colaborativa y análisis contextual.

2.5. Saber más...

Utilizar la abstracción como base para diseñar soluciones computacionales alineadas con los desafíos de los ODS.

Glosario

Referencias

2.2. Aprende

Instrucciones: Visualiza el siguiente video. Esta actividad te permitirá reforzar los conceptos clave antes de continuar.

2.1. Objetivo

¡Acompáñanos en este recorrido para descubrir la relevancia que tiene aplicar la subcompetencia de abstracción en el mundo actual! En este video descubrirás qué es la abstracción computacional, por qué es una subcompetencia fundamental del pensamiento computacional, y cómo puedes aplicarla en contextos reales vinculados con los Objetivos de Desarrollo Sostenible (ODS).

2.2. Aprende

2.3. Construye

Abstracción

2.4. Reflexiona

Quiz

2.5. Saber más...

00:30

Quiz

1/3

You have only one chance to answer this question. Please make it count.

Saltar pregunta

00:30

Quiz

1/3

You have only one chance to answer this question. Please make it count.

Saltar pregunta

Glosario

Referencias

2.3. Construye

Instrucciones: Explora dos escenarios donde deberás aplicar la subcompetencia de abstracción. En cada caso, analizarás un conjunto de datos, seleccionarás la información relevante, construirás un modelo predictivo y justificarás tus decisiones. Esta actividad te permitirá comprender cómo abstraer lo esencial para resolver problemas reales en salud y educación.

2.1. Objetivo

Objetivo:

Aplicar la subcompetencia de abstracción para seleccionar datos relevantes, eliminar información innecesaria y construir modelos predictivos simples en distintos contextos.

2.2. Aprende

¿Cómo usar el simulador?

Ir al simulador

Comienza con el caso del centro de salud: analiza los datos de pacientes, selecciona variables relevantes y formula una regla para predecir riesgo médico.

2.3. Construye

Resuelve el caso educativo: explora los datos de estudiantes, construye un modelo que prediga riesgo académico y justifica tus elecciones.

2.4. Reflexiona

Justifica tus decisiones en ambos casos con argumentos basados en los datos.

Responde las preguntas de reflexión para cerrar tu análisis.

Para avanzar, debes de marcar como realizada esta actividad.

2.5. Saber más...

Desarrollar estas subcompetencias potencia nuestra capacidad para actuar con conciencia y responsabilidad. Integrar el pensamiento complejo en la educación y las decisiones nos permite construir soluciones más humanas, colaborativas y sostenibles.

Marcar

Glosario

Referencias

2.4. Reflexiona

Instrucción: Realiza una reflexión aplicada en la que expliques cómo utilizaste la abstracción computacional para analizar un problema real vinculado con un Objetivo de Desarrollo Sostenible (ODS).

En esta actividad aplicarás lo aprendido sobre abstracción para analizar un problema real vinculado con un ODS (Objetivo de Desarrollo Sostenible). Al completarla, habrás demostrado tu capacidad para identificar lo esencial de un problema y estructurarlo usando pensamiento computacional. Aquí los pasos que debes seguir:

2.1. Objetivo

¡Bien hecho! Con esta reflexión, aplicaste la abstracción para analizar un problema real y representar sus elementos clave.

Instrucciones para utilizar el cuaderno de trabajo:

IIdentificación del problema. Elige un problema real de tu entorno laboral o académico. Describe claramente su título, contexto, actores involucrados, antecedentes, características clave y una conclusión preliminar sobre su importancia. Incluye una referencia en formato APA.

2.2. Aprende

Mapa funcional. Crea un mapa funcional que muestre los elementos más importantes del problema y cómo se relacionan entre sí. Puedes usar Genially, Canva o una herramienta de tu preferencia. Asegúrate de agregar notas explicativas que ayuden a interpretar tu diagrama.

2.3. Construye

Reflexión guiada. Responde las preguntas indicadas para explicar cómo aplicaste la abstracción, qué decisiones tomaste y qué aprendiste durante el proceso.

2.4. Reflexiona

Ir a cuaderno

2.5. Saber más...

Para avanzar, debes de marcar como realizada esta actividad.

Marcar

Glosario

Referencias

2.5. Saber más...

Instrucciones: A continuación, se presentan recursos abiertos como complemento que abordan la abstracción computacional:

2.1. Objetivo

Video (3min)

Video (2min)

Video (4min)

Video (2min)

4. Abstracción y descomposición computacional en el campo de la epidemiología

1. Pensamiento computacional: abstracción

2. Introducción al Pensamiento Científico en Coursera

3. Estrategias de abstracción y descomposición para comprender el ODS 1 y reconocer las...

2.2. Aprende

2.3. Construye

2.4. Reflexiona

Research 4 Challenges. (2024, octubre 17). Estrategias de abstracción y descomposición para comprender el ODS 1 y reconocer las diferentes formas de pobreza [Video]. YouTube. https://www.youtube.com/watch?v=DSbV55eGVQo

Research 4 Challenges. (s. f.). Abstracción y descomposición computacional en el campo de la epidemiología [Video]. YouTube. https://www.youtube.com/watch?v=ZJ9Utd_VtNE

Pensamiento Computacional. (2024, junio 3). Abstracción en problemas [Video]. YouTube. https://www.youtube.com/watch?v=VZKCktZCQ_Q

Research 4 Challenges. (2024, octubre 21). Pensamiento computacional: abstracción [Video]. YouTube. https://www.youtube.com/watch?v=JNWdQ6leR1k

2.5. Saber más...

Estos recursos proporcionan una base sólida para comprender y aplicar la abstracción computacional como una subcompetencia del pensamiento computacional en diversos contextos educativos.

Evaluación

Módulo 2: Abstracción

Evaluación del Módulo 2

Es momento de realizar la evaluación del módulo para consolidar lo aprendido.

¡Comienza ahora!

Comenzar

Evaluación del Módulo 2

00:30

Quiz

1/3

You have only one chance to answer this question. Please make it count.

Saltar pregunta

00:30

Quiz

1/3

You have only one chance to answer this question. Please make it count.

Saltar pregunta

00:30

Quiz

1/3

You have only one chance to answer this question. Please make it count.

Saltar pregunta

00:30

Quiz

1/3

You have only one chance to answer this question. Please make it count.

Saltar pregunta

00:30

Quiz

1/3

You have only one chance to answer this question. Please make it count.

Saltar pregunta

Glosario

Referencias

Conclusión

Hemos descubierto qué es la abstracción computacional, por qué es esencial en el pensamiento computacional y cómo nos ayuda a enfrentar problemas complejos centrándonos en lo verdaderamente importante. Esta subcompetencia no solo permite simplificar lo complejo, también favorece la toma de decisiones estratégicas en entornos reales, como los vinculados con los Objetivos de Desarrollo Sostenible (ODS). ¡Es momento de aplicar la abstracción para modelar soluciones claras, útiles y transferibles en tu entorno!

Te invitamos a seguir avanzando en el curso y poner en práctica lo aprendido para resolver desafíos reales con mayor claridad y propósito. Ve ahora al Módulo 3.

Glosario

Referencias

Descomposición

Instrucciones: Explora cómo la descomposición te ayuda a resolver problemas complejos dividiéndolos en partes simples. Te invitamos a revisar cada sección en orden para comprender los conceptos, aplicar lo aprendido y reflexionar sobre su relevancia en tu contexto. A continuación, visualiza el video de introducción al Módulo 3.

3.1. Objetivo

3.2. Aprende

3.3. Construye

3.4. Reflexiona

3.5. Saber más...

Glosario

Referencias

3.1. Objetivo

Instrucciones: Lee con atención esta sección para identificar los objetivos del módulo y comprender el enfoque desde el cual se desarrollará la subcompetencia de descomposición, clave del pensamiento computacional para resolver problemas complejos vinculados a los ODS.

3.1. Objetivo

Objetivo del módulo:

3.2. Aprende

Desarrollar la subcompetencia de descomposición como parte esencial del pensamiento computacional, mediante experiencias de aprendizaje que permitan dividir problemas complejos en partes más pequeñas, analizables y solucionables. A través de esta estrategia, se promueve la formulación de soluciones más eficientes, transferibles y sostenibles, especialmente en contextos reales como el acceso al agua potable (ODS 6).

3.3. Construye

Al finalizar este módulo, serás capaz de:

3.4. Reflexiona

Identificar subproblemas en sistemas complejos y analizarlos por separado.

Aplicar la descomposición para diseñar soluciones lógicas y escalables.

Utilizar herramientas como diagramas de flujo y simuladores para modelar sistemas reales.

Resolver retos vinculados con los ODS mediante un enfoque computacional, ordenado y reflexivo.

3.5. Saber más...

Glosario

Referencias

3.2. Aprende

Instrucciones: Visualiza el video y, al finalizar, responde el quiz para comprobar tu comprensión. Esto te ayudará a identificar cómo aplicar la descomposición a problemas complejos antes de continuar.

3.1. Objetivo

En muchos contextos, resolver un problema complejo puede parecer abrumador. La descomposición es una estrategia clave del pensamiento computacional que te permite dividir ese problema en partes más simples para analizarlas por separado y encontrar soluciones más efectivas. En este video, descubrirás qué es la descomposición, por qué es esencial en el pensamiento computacional, y cómo puedes aplicarla en situaciones reales, incluyendo un reto vinculado al ODS 6: Agua limpia y saneamiento.

3.2. Aprende

3.3. Construye

Introducción al Pensamiento Crítico

3.4. Reflexiona

Quiz

3.5. Saber más...

00:30

Quiz

1/3

You have only one chance to answer this question. Please make it count.

Saltar pregunta

00:30

Quiz

1/3

You have only one chance to answer this question. Please make it count.

Saltar pregunta

Glosario

Referencias

3.3. Construye

Instrucciones: Imagina que deseas aportar una solución al problema de abastecimiento de agua en tu localidad. Tu reto es diseñar un sistema de captación de agua de lluvia utilizando el simulador “Laboratorio de Agua”, que te permitirá identificar los subsistemas del proceso, descomponer el problema y construir un diagrama de flujo con base en el pensamiento computacional y el método científico.

3.1. Objetivo

Objetivo:

Aplicar la subcompetencia de descomposición para analizar un sistema complejo, identificar variables clave y desarrollar un procedimiento lógico que permita diseñar un sistema de captación de agua de lluvia.

3.2. Aprende

Ir al simulador

¿Cómo usar el simulador?

3.3. Construye

Explora el caso: Abre el Laboratorio de Agua e identifica los componentes principales del sistema (precipitación, superficie de captación, canaletas y tanque).

Define variables: Introduce los valores solicitados (localidad, precipitación, dimensiones del techo, tipo de canaleta y tanque).

3.4. Reflexiona

Ejecuta la simulación: Observa los cálculos generados y ajusta los parámetros hasta obtener un sistema eficiente.

Analiza: Justifica decisiones que tomaste y el proceso lógico que seguiste.

3.5. Saber más...

Desarrollar estas subcompetencias fortalece nuestra capacidad para analizar, predecir y transformar situaciones reales mediante decisiones más sostenibles y responsables.

Para avanzar, debes de marcar como realizada esta actividad.

Marcar

Módulo 3: Descomposición

Glosario

Referencias

3.4. Reflexiona

¡Bien hecho! has demostrado tu capacidad para descomponer un problema complejo

Instrucción: Realiza una reflexión aplicada para demostrar cómo utilizaste la descomposición computacional para analizar un problema real vinculado con un ODS o tu contexto profesional.

Cuando termines, da clic en Ir a cuaderno y enviar tu trabajo. Este documento constituye la segunda parte de tu portafolio.

3.1. Objetivo

Instrucciones para utilizar el cuaderno de trabajo:

IIdentificación del problema. Elige un problema real de tu entorno laboral o académico. Describe claramente su título, el contexto en el que ocurre, los actores involucrados, antecedentes, características clave y una conclusión preliminar sobre su importancia.

3.2. Aprende

Diagrama de flujo o árbol de decisiones. Crea Representa cómo dividiste el problema en partes. Construye un esquema visual que muestre la estructura lógica del problema, los pasos que seguiste, los elementos analizados y la ruta que tomaste para llegar a una posible solución. Justifica tu secuencia usando el método científico.

3.3. Construye

Reflexión guiada. Responde con claridad las siguientes preguntas:

3.4. Reflexiona

Ir a cuaderno

3.5. Saber más...

Para avanzar, debes de marcar como realizada esta actividad.

Marcar

Glosario

Referencias

3.5. Saber más...

A continuación, se presentan recursos abiertos que complementan tu aprendizaje en la subcompetencia de descomposición en pensamiento computacional.

3.1. Objetivo

Actividad (50min)

Video (11min)

Video (1min)

Video (2min)

4. Pensamiento Computacional - Sesión 2 - Descomposición (ESPAÑOL)

1. Pensamiento computacional: descomposición

2. Computational Thinking: Decomposition

3. Descomposición: Habilidad del Pensamiento Computacional

3.2. Aprende

3.3. Construye

3.4. Reflexiona

Rutatec. (2020, junio 12). Pensamiento Computacional – Sesión 2: Descomposición (ESPAÑOL) [Video]. YouTube. https://www.youtube.com/watch?v=yQVTijX437c

Buitrago, C. (2022, mayo 24). Descomposición, habilidad del pensamiento computacional [Video]. YouTube. https://www.youtube.com/watch?v=WHvB3teRacI

Curriki. (2016, marzo 2). Computational Thinking: Decomposition [Video]. YouTube. https://www.youtube.com/watch?v=9DWvbbvnp6s

Casillas Muñoz, F. A. G., Vázquez Parra, J. C., Alcántar Nieblas, C., & Martínez Reyes, M. (2024, octubre 21). Pensamiento computacional: descomposición [Video]. YouTube. Research 4 Challenges. https://www.youtube.com/watch?v=9DWvbbvnp6s

3.5. Saber más...

Estos recursos proporcionan una base sólida para comprender y aplicar la subcompetencia de descomposición del pensamiento computacional.

Evaluación

Módulo 3: Descomposición

Evaluación del Módulo 3

Es momento de realizar la evaluación del módulo para consolidar lo aprendido.

¡Comienza ahora!

Comenzar

Evaluación del Módulo 3

00:30

Quiz

1/3

You have only one chance to answer this question. Please make it count.

Saltar pregunta

00:30

Quiz

1/3

You have only one chance to answer this question. Please make it count.

Saltar pregunta

00:30

Quiz

1/3

You have only one chance to answer this question. Please make it count.

Saltar pregunta

00:30

Quiz

1/3

You have only one chance to answer this question. Please make it count.

Saltar pregunta

00:30

Quiz

1/3

You have only one chance to answer this question. Please make it count.

Saltar pregunta

Glosario

Referencias

Conclusión

Hemos explorado qué es la descomposición computacional, por qué es una subcompetencia clave del pensamiento computacional y cómo nos permite resolver problemas complejos dividiéndolos en partes más simples y manejables. Esta habilidad no solo facilita el análisis lógico de situaciones reales, también permite diseñar soluciones más ordenadas, eficientes y sostenibles, especialmente cuando enfrentamos desafíos vinculados con los Objetivos de Desarrollo Sostenible (ODS).

Regresar

¡Ahora es momento de aplicar la descomposición para transformar problemas grandes en rutas claras de solución en tu contexto!. Ve ahora al Módulo 4.

Para avanzar, debes de marcar como realizada esta actividad.

Marcar

Glosario

Referencias

Patrones

Instrucciones: Explora cómo los patrones permiten identificar regularidades en los datos o en las soluciones a problemas, facilitando su análisis y resolución. Te invitamos a revisar cada sección en orden para comprender los conceptos, aplicar lo aprendido y reflexionar sobre su relevancia en tu contexto. A continuación, visualiza el video de introducción al Módulo 4.

4.1. Objetivo

4.2. Aprende

4.3. Construye

4.4. Reflexiona

4.5. Saber más...

Glosario

Referencias

4.1. Objetivo

Instrucciones: Lee con atención esta sección para identificar los objetivos del módulo y comprender el enfoque desde el cual se desarrollará la subcompetencia de identificación de patrones, clave del pensamiento computacional para reconocer regularidades y resolver problemas complejos vinculados a los ODS.

4.1. Objetivo

Objetivo del módulo:

4.2. Aprende

Desarrollar la subcompetencia de identificación de patrones como parte fundamental del pensamiento computacional, aplicable en contextos educativos diversos. Esta subcompetencia permite reconocer regularidades, secuencias y estructuras en la información, con el fin de abstraer elementos clave y formular soluciones más eficientes, generalizables y escalables. A través del análisis de patrones, los participantes podrán enfrentar problemas reales de forma reflexiva, especialmente en contextos vinculados con los Objetivos de Desarrollo Sostenible (como el ODS 7 y el ODS 12).

4.3. Construye

Al finalizar este módulo, serás capaz de:

4.4. Reflexiona

Reconocer patrones, secuencias y estructuras en problemas complejos.

Abstraer características clave de datos o situaciones para generalizar soluciones.

Diseñar respuestas computacionales reutilizables y escalables.

Resolver retos vinculados con los ODS mediante el análisis de patrones y el pensamiento lógico.

4.5. Saber más...

Glosario

Referencias

4.2. Aprende

Instrucciones: Visualiza el video completo y, al finalizar, responde el quiz para verificar tu comprensión. Este recurso te ayudará a entender cómo la identificación de patrones se aplica en problemas reales vinculados a los ODS.

4.1. Objetivo

La identificación de patrones permite reconocer secuencias y regularidades en datos o situaciones, facilitando la abstracción, la toma de decisiones y el diseño de soluciones escalables en contextos complejos.

4.2. Aprende

En este video conocerás cómo aplicar la identificación de patrones en contextos reales, desde una mirada analítica y sostenible. Se exploran ejemplos concretos vinculados al ODS 12: Producción y consumo responsables, mostrando cómo esta subcompetencia puede ayudarte a enfrentar desafíos globales con un enfoque lógico, reflexivo y orientado a la acción.

4.3. Construye

Introducción al Pensamiento Sistémico

4.4. Reflexiona

Quiz

4.5. Saber más...

00:30

Quiz

1/3

You have only one chance to answer this question. Please make it count.

Saltar pregunta

00:30

Quiz

1/3

You have only one chance to answer this question. Please make it count.

Saltar pregunta

Glosario

Referencias

4.3. Construye

Instrucciones: En esta sección aplicarás de manera práctica el procedimiento de identificación de patrones utilizando un simulador interactivo. Trabajarás con datos reales y escenarios vinculados a retos sociales y ambientales, construyendo una historia basada en patrones a partir del análisis de información.

4.1. Objetivo

Objetivo:

Aplicar el procedimiento de identificación de patrones mediante la exploración, visualización e interpretación de datos en un simulador, para comprender fenómenos complejos y relacionarlos con problemáticas alineadas a los Objetivos de Desarrollo Sostenible (ODS).

4.2. Aprende

Ir a simulador

¿Cómo usar el simulador?

Selecciona un reto: Ingresa al simulador y elige uno de los escenarios disponibles, por ejemplo:

Spatiotemporal Patterns in Global Temperatures
Titanic Survival Patterns

Lee el contexto del problema y el reto asociado.

4.3. Construye

Explora y analiza los datos: Interactúa con los conjuntos de datos y las visualizaciones propuestas. Observa tendencias, regularidades, contrastes o anomalías que te permitan identificar patrones relevantes.

4.4. Reflexiona

Construye tu historia con datos: Con base en los patrones identificados, redacta una breve narrativa que explique lo que ocurre en el escenario analizado y reflexiona sobre su impacto social, ambiental o económico. Si el simulador lo permite, apóyate en el modelo de machine learning sugerido para fortalecer tu interpretación.

4.5. Saber más...

Identificaste patrones, analizaste datos y construiste una historia con sentido.Sigue avanzando: cada paso fortalece tu pensamiento complejo.

Para avanzar, debes de marcar como realizada esta actividad.

Marcar

Módulo 4: Patrones

Glosario

Referencias

¡Bien hecho! has demostrado tu capacidad para identificar patrones en un problema complejo

4.4. Reflexiona

Instrucción: Realiza una reflexión aplicada para mostrar cómo empleaste la abstracción computacional en el análisis de un problema real vinculado con un ODS, identificando patrones o variables que puedan ser generalizadas para su comprensión y resolución.

“Identifica patrones y da el siguiente paso en tu portafolio. ¡Tu análisis es clave para resolver problemas reales!”

4.1. Objetivo

Instrucciones para utilizar el cuaderno de trabajo:

4.2. Aprende

Revisión del problema seleccionado. Retoma brevemente el problema abordado en los módulos anteriores (abstracción y descomposición).

Identificación de patrones. Crea Realiza un reporte enfocado exclusivamente en los patrones detectados dentro problema. Utiliza datos, atributos, eventos o estructuras analizadas en los pasos previos.

4.3. Construye

Reflexión guiada. Responde con claridad las preguntas asignadas en el cuaderno del trabajo.

4.4. Reflexiona

Ir a cuaderno

4.5. Saber más...

Para avanzar, debes de marcar como realizada esta actividad.

Marcar

Glosario

Referencias

4.5. Saber más...

Instrucciones: A continuación, se presentan recursos educativos abiertos con licencia Creative Commons que abordan el pensamiento complejo:

4.1. Objetivo

Video (50min)

Video (1:20 min)

Video (2min)

Video (1:50 min)

4. Descifrando el código con Ada: Reconocimiento de patrones

1.Representaciones y patrones - Pensamiento Computacional #PCtubers

2. Pensamiento computacional: reconocimiento de patrones

3. Identificación de patrones y diseño de algoritmos en bioinformática

4.2. Aprende

4.3. Construye

4.4. Reflexiona

Research 4 Challenges. (2024, 17 de abril). Identificación de patrones y diseño de algoritmos en bioinformática [Video]. YouTube. https://www.youtube.com/watch?v=9mKaUkVY6hU

Duque Hernández, Á. Y., & Gil Ramos, L. P. (s. f.). Reconocimiento de patrones. INTEF – Ministerio de Educación y Formación Profesional. Recuperado el 6 de octubre de 2025, de https://descargas.intef.es/recursos_educativos/ODES_SGOA/Primaria/Descifrando_el_codigo_con_Ada/reconocimiento_de_patrones.html .

Research 4 Challenges. (2024, 21 de octubre). Pensamiento computacional: reconocimiento de patrones [Video]. YouTube. https://www.youtube.com/watch?v=r5HKiwHLOks

Ceibal. (2021, 19 de mayo). Representaciones y patrones - pensamiento computacional #PCtubers [Video]. YouTube. https://www.youtube.com/watch?v=R1TScQpaLZI

4.5. Saber más...

Desarrollar el pensamiento computacional amplía nuestra capacidad para comprender la complejidad del mundo, analizar información con sentido crítico y crear soluciones innovadoras que generen impacto positivo.

Evaluación

Módulo 4: Patrones

Evaluación del Módulo 4

Es momento de realizar la evaluación del módulo para consolidar lo aprendido.

¡Comienza ahora!

Comenzar

Evaluación del Módulo 4

00:30

Quiz

1/3

You have only one chance to answer this question. Please make it count.

Saltar pregunta

00:30

Quiz

1/3

You have only one chance to answer this question. Please make it count.

Saltar pregunta

00:30

Quiz

1/3

You have only one chance to answer this question. Please make it count.

Saltar pregunta

00:30

Quiz

1/3

You have only one chance to answer this question. Please make it count.

Saltar pregunta

00:30

Quiz

1/3

You have only one chance to answer this question. Please make it count.

Saltar pregunta

Conclusión

Te invitamos a seguir avanzando en el curso y a observar con atención los patrones que se repiten en tu entorno.Identificarlos puede ser el primer paso para resolver problemas de forma más lógica, eficiente y sostenible. ¡Aún hay mucho por descubrir!

Te invitamos a seguir explorando el curso y descubrir cómo la identificación de patrones puede fortalecer tu capacidad para resolver problemas de manera lógica y sostenible. ¡El pensamiento computacional apenas comienza!. Ve ahora al Módulo 5.

Glosario

Referencias

Algoritmos

Instrucciones: Explora cómo los algoritmos permiten resolver problemas mediante pasos lógicos, ordenados y repetibles. Te invitamos a revisar cada sección en orden para comprender los conceptos, aplicar lo aprendido y reflexionar sobre su relevancia en tu contexto. A continuación, visualiza el video de introducción al Módulo 5.

5.1. Objetivo

5.2. Aprende

5.3. Construye

5.4. Reflexiona

5.5. Saber más...

Glosario

Referencias

5.1. Objetivo

¿Cómo podrías abordar ese problema desde una perspectiva diferente?

Instrucciones: Lee con atención esta sección para identificar los objetivos del módulo y comprender el enfoque desde el cual se abordará el pensamiento computacional a través del diseño de algoritmos.

5.1. Objetivo

Objetivo del módulo:

5.2. Aprende

Explorar la subcompetencia de diseño de algoritmos como parte del pensamiento computacional, mediante la comprensión de sus características, estructuras de control y representaciones básicas. Este módulo te permitirá conocer cómo estructurar soluciones paso a paso para problemas reales, con énfasis en su aplicación en contextos sociales, educativos o profesionales vinculados a los ODS.

5.3. Construye

Al finalizar este módulo, serás capaz de:

Comprender qué es un algoritmo y cuáles son sus componentes esenciales.

5.4. Reflexiona

Identificar las principales subcompetencias que lo conforman: abstracción, descomposición, patrones y algoritmos.

Representar algoritmos utilizando diagramas de flujo, pseudocódigo o herramientas visuales.

Analizar problemas reales y proponer soluciones algorítmicas claras, eficientes y transferibles.

Reflexionar sobre la utilidad de los algoritmos en contextos cotidianos y profesionales.

5.5. Saber más...

Glosario

Referencias

5.2. Aprende

Instrucciones: Visualiza el video y, al finalizar, responde el quiz para comprobar tu comprensión. Esto te ayudará a consolidar los conceptos clave antes de continuar.

5.1. Objetivo

Un algoritmo es una secuencia ordenada de pasos que permite resolver un problema de forma lógica y eficiente. Este tipo de procedimientos se utiliza no solo en programación, sino también en situaciones cotidianas como seguir una receta, planificar tareas o resolver problemas paso a paso.

5.2. Aprende

5.3. Construye

En este video, conocerás qué es un algoritmo, sus principales características y cómo representarlo visualmente.

5.4. Reflexiona

Quiz

5.5. Saber más...

00:30

Quiz

1/3

You have only one chance to answer this question. Please make it count.

Saltar pregunta

00:30

Quiz

1/3

You have only one chance to answer this question. Please make it count.

Saltar pregunta

Glosario

Referencias

5.3. Construye

Instrucciones: Explora el laboratorio interactivo y sigue los pasos del caso para diseñar un algoritmo que responda a un reto real. Reflexiona sobre las decisiones que tomas y registra tus resultados al final de la actividad.

5.1. Objetivo

Objetivo:

Aplicar la subcompetencia de diseño de algoritmos en un caso práctico vinculado al ODS 7 (energía asequible y no contaminante), mediante la construcción de una secuencia lógica de pasos que permita calcular la demanda energética de una vivienda y proponer una solución autónoma basada en energía solar.

5.2. Aprende

Ir a simulador

Tutorial

Caso de Estudio

¿Cómo usar el simulador?

Accede a los botones de caso de estudio, tutorial, e ir a simulador y analiza la información proporcionada.

5.3. Construye

Activa los electrodomésticos: Dentro del simulador, haz clic sobre cada aparato para encenderlo y poder ingresar su información.

Registra los datos de consumo: indica cuántos aparatos hay, cuántas horas se usan por día y cuánta energía consumen.

5.4. Reflexiona

Analiza los resultados: revisa la demanda diaria de energía y los cálculos del sistema solar (paneles, batería, inversor, controlador).

Diseña tu algoritmo: utiliza los resultados obtenidos para crear un algoritmo que represente todo el proceso de solución, usando pseudocódigo o diagrama de flujo.

5.5. Saber más...

Para avanzar, debes de marcar como realizada esta actividad.

¡Buen trabajo! Has puesto en práctica la subcompetencia de algoritmos para resolver un problema real de forma estructurada. Este es un paso clave para fortalecer tu pensamiento computacional en situaciones del mundo real.

Marcar

Glosario

Referencias

5.4. Reflexiona

Instrucción: Este cuaderno de trabajo marca la culminación de tu proceso analítico. Con el mismo problema de los módulos previos, diseña un algoritmo que plantee una solución lógica y validable, aplicando pensamiento computacional en un escenario profesional complejo.

Has demostrado cómo un algoritmo bien pensado puede aportar soluciones reales.Sigue aplicando esta subcompetencia para enfrentar desafíos con lógica, orden y propósito.

Hazlo con claridad, propósito y confianza en tu capacidad para transformar tu entorno.

5.1. Objetivo

✨ Tienes la oportunidad de aplicar lo aprendido a un problema real.

💡 Esta reflexión es tu espacio para demostrar cómo piensas y propones soluciones.

Instrucciones para utilizar el cuaderno de trabajo:

5.2. Aprende

Identifica un problema real de tu entorno personal, profesional o comunitario que pueda resolverse mediante un algoritmo. Piensa en situaciones donde organizar pasos o automatizar procesos sea clave.

Describe el problema y su contexto. Explica por qué es relevante, cuáles son sus elementos clave, qué variables están involucradas y qué condiciones o supuestos se deben considerar.

5.3. Construye

Proporciona una solución algorítmica. Propón una secuencia lógica de pasos que permita resolver el problema. Puedes usar pseudocódigo o lenguaje natural estructurado. Justifica por qué tu solución es clara, eficiente y transferible.

5.4. Reflexiona

Redacta tu participación con un mínimo de 150 palabras. Argumenta tus ideas con claridad. Después, responde de manera respetuosa a la reflexión de al menos un compañero o compañera para enriquecer el diálogo colectivo.

5.5. Saber más...

Para avanzar, debes de marcar como realizada esta actividad.

Marcar

Ir a cuaderno

Módulo 5: Algoritmos

Glosario

Referencias

5.5. Saber más...

Consulta los siguientes recursos para profundizar en el diseño de algoritmos y su aplicación en distintos contextos. Todos los materiales están disponibles con licencias abiertas para que puedas explorarlos libremente.

5.1. Objetivo

Video (4min)

Video (2:30min)

Video (22min)

Video (2:40min)

4. El pensamiento computacional para resolver problemas y asumir retos

1. Algoritmos en la vida diaria | IdeoDigital

2. Algoritmos - Pensamiento Computacional

3. Pláticas de pensamiento computacional: Algoritmos en la vida cotidiana

5.2. Aprende

5.3. Construye

5.4. Reflexiona

Rutatec. (2020, junio 12). Pensamiento Computacional – Sesión 2: Descomposición (ESPAÑOL) [Video]. YouTube. https://www.youtube.com/watch?v=yQVTijX437c

Buitrago, C. (2022, mayo 24). Descomposición, habilidad del pensamiento computacional [Video]. YouTube. https://www.youtube.com/watch?v=WHvB3teRacI

Curriki. (2016, marzo 2). Computational Thinking: Decomposition [Video]. YouTube. https://www.youtube.com/watch?v=9DWvbbvnp6s

5.5. Saber más...

Estos recursos te brindan herramientas adicionales para comprender y aplicar el diseño de algoritmos en situaciones reales.

Evaluación

Módulo 5: Algoritmos

Evaluación del Módulo 5

Es momento de realizar la evaluación del módulo para consolidar lo aprendido.

¡Comienza ahora!

Comenzar

Evaluación del Módulo 5

00:30

Quiz

1/3

You have only one chance to answer this question. Please make it count.

Saltar pregunta

00:30

Quiz

1/3

You have only one chance to answer this question. Please make it count.

Saltar pregunta

00:30

Quiz

1/3

You have only one chance to answer this question. Please make it count.

Saltar pregunta

00:30

Quiz

1/3

You have only one chance to answer this question. Please make it count.

Saltar pregunta

00:30

Quiz

1/3

You have only one chance to answer this question. Please make it count.

Saltar pregunta

Glosario

Referencias

Conclusión

Hemos aprendido qué es un algoritmo, por qué es una subcompetencia esencial del pensamiento computacional y cómo nos ayuda a resolver problemas mediante pasos lógicos y ordenados. Diseñar algoritmos permite estructurar soluciones claras, eficientes y reutilizables, especialmente ante desafíos reales vinculados con los Objetivos de Desarrollo Sostenible (ODS).

Regresar

Has llegado al final de este viaje, pero el aprendizaje apenas comienza: sigue cultivando tu curiosidad y el poder del pensamiento computacional.

Para avanzar, debes de marcar como realizada esta actividad.

Marcar

Finalizar

Implementación de Soluciones con Pensamiento Computacional

¡Lo lograste!

Completado

Terminar

Regresar

Evidencias

Regresar

Modulo 1

Glosario

Referencias

FAQs

Introducción al Pensamiento Complejo

Instrucciones: En este módulo explorarás los fundamentos del pensamiento complejo. Te invitamos a revisar cada sección en orden para comprender los conceptos, aplicar lo aprendido y reflexionar sobre su relevancia en tu contexto.

1.1. Objetivo

1.2. Aprende

1.3. Construye

1.4. Reflexiona

1.5. Saber más...

Modulo 2

2. Introducción al Pensamiento Sistémico

2.1. Objetivo

2.2. Aprende

2.3. Construye

2.4. Reflexiona

2.5. Saber más...

Modulo 1

Glosario

Referencias

FAQs

Introducción al Pensamiento Complejo

1.1. Objetivo

1.2. Aprende

1.3. Construye

1.4. Reflexiona

1.5. Saber más...

Referencias

Bishop, C. M. (2006). Pattern recognition and machine learning. Springer.

Cleveland, W. S. (1993). Visualizing data. Hobart Press.

Duque Hernández, Á. Y., & Gil Ramos, L. P. (s. f.). Reconocimiento de patrones. INTEF, Ministerio de Educación y Formación Profesional. Recuperado el 11 de febrero de 2026, de https://descargas.intef.es/recursos_educativos/ODES_SGOA/Primaria/Descifrando_el_codigo_con_Ada/reconocimiento_de_patrones.html

Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning: Data mining, inference, and prediction (2nd ed.). Springer.

Ramírez Montoya, M. S., Basabe, F. E., Arroyo, M. C., Patiño Zúñiga, I. A., & Portuguez Castro, M. (2024). Modelo abierto de pensamiento complejo para el futuro de la educación. Octaedro. https://hdl.handle.net/11285/652033

Tukey, J. W. (1977). Exploratory data analysis. Addison Wesley.

United Nations General Assembly. (2015). Transforming our world: The 2030 Agenda for Sustainable Development (A/RES/70/1). https://www.un.org/sustainabledevelopment/es/2015/09/la-asamblea-general-adopta-la-agenda-2030-para-el-desarrollo-sostenible

Ceibal. (2021, mayo 19). Representaciones y patrones, pensamiento computacional #PCtubers [Video]. YouTube. https://www.youtube.com/watch?v=R1TScQpaLZI

Research 4 Challenges. (2024, octubre 21). Pensamiento computacional: reconocimiento de patrones [Video]. YouTube. https://www.youtube.com/watch?v=r5HKiwHLOks

Research 4 Challenges. (2024, abril 17). Identificación de patrones y diseño de algoritmos en bioinformática [Video]. YouTube. https://www.youtube.com/watch?v=9mKaUkVY6hU

Referencias

Parnas, D. L. (1972). On the criteria to be used in decomposing systems into modules. Communications of the ACM, 15(12), 1053–1058. https://doi.org/10.1145/361598.361623

Pólya, G. (1945). How to solve it: A new aspect of mathematical method. Princeton University Press.

Simon, H. A. (1962). The architecture of complexity. Proceedings of the American Philosophical Society, 106(6), 467–482.

Shute, V. J., Sun, C., & Asbell Clarke, J. (2017). Demystifying computational thinking. Educational Research Review, 22, 142–158. https://doi.org/10.1016/j.edurev.2017.09.003

United Nations General Assembly. (2015). Transforming our world: The 2030 Agenda for Sustainable Development (A/RES/70/1). https://www.un.org/sustainabledevelopment/es/2015/09/la-asamblea-general-adopta-la-agenda-2030-para-el-desarrollo-sostenible

Wing, J. M. (2006). Computational thinking. Communications of the ACM, 49(3), 33–35. https://doi.org/10.1145/1118178.1118215

Casillas Muñoz, F. A. G., Vázquez Parra, J. C., Alcántar Nieblas, C., & Martínez Reyes, M. (2024, octubre 21). Pensamiento computacional: descomposición [Video]. YouTube. https://www.youtube.com/watch?v=9DWvbbvnp6s

Curriki. (2016, marzo 2). Computational Thinking: Decomposition [Video]. YouTube. https://www.youtube.com/watch?v=9DWvbbvnp6s

Rutatec. (2020, junio 12). Pensamiento Computacional, sesión 2: Descomposición (español) [Video]. YouTube. https://www.youtube.com/watch?v=yQVTijX437c

Buitrago, C. (2022, mayo 24). Descomposición, habilidad del pensamiento computacional [Video]. YouTube. https://www.youtube.com/watch?v=WHvB3teRacI

Glosario

Abstracción: proceso de identificar las características esenciales de un problema o sistema y representar solo la información relevante para su análisis o solución.

Algoritmo: conjunto finito de instrucciones no ambiguas que transforman una entrada en una salida para resolver una clase de problemas.

Descomposición: estrategia de particionar un problema en subproblemas más pequeños, con interfaces o dependencias claras, para facilitar su resolución.

Eficiencia: medida del desempeño de una solución respecto al consumo de recursos, típicamente tiempo de ejecución y uso de memoria, o recursos operativos en un modelo.

Escenario: configuración específica de parámetros, entradas y restricciones utilizada para evaluar el comportamiento de un modelo o simulación bajo ciertas condiciones.

Modelo predictivo: modelo que estima resultados futuros o no observados a partir de patrones en datos y relaciones entre variables.

Parámetro: valor de configuración que controla el comportamiento de un modelo, algoritmo o simulación y se define antes o durante su ejecución.

Pensamiento computacional: enfoque de formulación y resolución de problemas mediante abstracción, descomposición, reconocimiento de patrones y diseño algorítmico.

Procedimiento: secuencia definida de operaciones para ejecutar una tarea, con pasos especificados y condiciones de aplicación.

Razonamiento lógico: proceso inferencial basado en reglas de validez para derivar conclusiones a partir de premisas y condiciones.

Reconocimiento de patrones: identificación sistemática de regularidades, similitudes o estructuras repetibles que permiten generalizar o reutilizar soluciones.

Variable: entidad cuantificable o categórica cuyo valor puede cambiar y que representa un atributo relevante del sistema o problema modelado.

Glosario

Anomalía: observación que se desvía de la regularidad esperada dentro de un conjunto de datos.

Atributo: característica observable usada para describir instancias en un conjunto de datos.

Conjunto de datos: colección estructurada de observaciones, variables y registros para análisis.

Correlación: medida de asociación estadística entre variables.

Patrón: regularidad identificable en datos, secuencias o comportamientos.

Patrón espaciotemporal: regularidad que combina variación espacial y temporal (por ejemplo, temperatura global por región y tiempo).

Serie temporal: secuencia de observaciones ordenadas por tiempo.

Tendencia: cambio direccional dominante en una serie de datos a lo largo del tiempo.

Visualización de datos: representación gráfica para explorar relaciones, distribuciones y patrones.

Modelo de aprendizaje automático: modelo computacional entrenado con datos para clasificar, predecir o detectar patrones.

Referencias

Bishop, C. M. (2006). Pattern recognition and machine learning. Springer.

Cleveland, W. S. (1993). Visualizing data. Hobart Press.

Duque Hernández, Á. Y., & Gil Ramos, L. P. (s. f.). Reconocimiento de patrones. INTEF, Ministerio de Educación y Formación Profesional. Recuperado el 11 de febrero de 2026, de https://descargas.intef.es/recursos_educativos/ODES_SGOA/Primaria/Descifrando_el_codigo_con_Ada/reconocimiento_de_patrones.html

Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning: Data mining, inference, and prediction (2nd ed.). Springer.

Ramírez Montoya, M. S., Basabe, F. E., Arroyo, M. C., Patiño Zúñiga, I. A., & Portuguez Castro, M. (2024). Modelo abierto de pensamiento complejo para el futuro de la educación. Octaedro. https://hdl.handle.net/11285/652033

Tukey, J. W. (1977). Exploratory data analysis. Addison Wesley.

United Nations General Assembly. (2015). Transforming our world: The 2030 Agenda for Sustainable Development (A/RES/70/1). https://www.un.org/sustainabledevelopment/es/2015/09/la-asamblea-general-adopta-la-agenda-2030-para-el-desarrollo-sostenible

Ceibal. (2021, mayo 19). Representaciones y patrones, pensamiento computacional #PCtubers [Video]. YouTube. https://www.youtube.com/watch?v=R1TScQpaLZI

Research 4 Challenges. (2024, octubre 21). Pensamiento computacional: reconocimiento de patrones [Video]. YouTube. https://www.youtube.com/watch?v=r5HKiwHLOks

Research 4 Challenges. (2024, abril 17). Identificación de patrones y diseño de algoritmos en bioinformática [Video]. YouTube. https://www.youtube.com/watch?v=9mKaUkVY6hU

Referencias

Barr, V., & Stephenson, C. (2011). Bringing computational thinking to K-12: What is Involved and What is the Role of the Computer Science Education Community? ACM Inroads, 2(1), 48–54. https://doi.org/10.1145/1929887.1929905

Papert, S. (1980). Mindstorms: Children, computers, and powerful ideas. Basic Books.

Shute, V. J., Sun, C., & Asbell Clarke, J. (2017). Demystifying computational thinking. Educational Research Review, 22, 142–158. https://doi.org/10.1016/j.edurev.2017.09.003

Wing, J. M. (2006). Computational thinking. Communications of the ACM, 49(3), 33–35. https://doi.org/10.1145/1118178.1118215

UNESCO. (2021). Marco de competencias de los docentes en materia de TIC (versión 3). Organización de las Naciones Unidas para la Educación, la Ciencia y la Cultura. https://unesdoc.unesco.org/

Ramírez Montoya, M. S., Basabe, F. E., Arroyo, M. C., Zúñiga, I. A. P., & Portuguez Castro, M. (2024). Modelo abierto de pensamiento complejo para el futuro de la educación. Octaedro. https://hdl.handle.net/11285/652033

Tariq, R., Aponte Babines, B. M., Ramirez, J., Alvarez Icaza, I., & Naseer, F. (2025). Computational thinking in STEM education: current state of the art and future research directions. Frontiers in Computer Science.

Zapata Ros, M. (2019). Pensamiento computacional desenchufado. Education in the Knowledge Society (EKS), 20, 1–17.

Referencias

Naciones Unidas. (2015, septiembre 25). La Asamblea General adopta la Agenda 2030 para el Desarrollo Sostenible. https://www.un.org/sustainabledevelopment/es/2015/09/la-asamblea-general-adopta-la-agenda-2030-para-el-desarrollo-sostenible/

Ramírez Montoya, M. S., Basabe, F. E., Arroyo, M. C., Patiño Zúñiga, I. A., & Portuguez Castro, M. (2024). Modelo abierto de pensamiento complejo para el futuro de la educación. Octaedro. https://hdl.handle.net/11285/652033

Research 4 Challenges. (2024, octubre 21). Pensamiento computacional: abstracción [Video]. YouTube. https://www.youtube.com/watch?v=JNWdQ6leR1k

Pensamiento Computacional. (2024, junio 3). Abstracción en problemas [Video]. YouTube. https://www.youtube.com/watch?v=VZKCktZCQ_Q

Research 4 Challenges. (2024, octubre 17). Estrategias de abstracción y descomposición para comprender el ODS 1 y reconocer las diferentes formas de pobreza [Video]. YouTube. https://www.youtube.com/watch?v=DSbV55eGVQo

Research 4 Challenges. (s. f.). Abstracción y descomposición computacional en el campo de la epidemiología [Video]. YouTube. https://www.youtube.com/watch?v=ZJ9Utd_VtNE

Coursera. (s. f.). Introducción al pensamiento científico [Curso en línea]. Coursera. (En tu módulo aparece el recurso, pero sin liga explícita).

Barr, V., & Stephenson, C. (2011). Bringing computational thinking to K 12: What is involved and what is the role of the computer science education community? ACM Inroads, 2(1), 48–54. https://doi.org/10.1145/1929887.1929905

Shute, V. J., Sun, C., & Asbell Clarke, J. (2017). Demystifying computational thinking. Educational Research Review, 22, 142–158. https://doi.org/10.1016/j.edurev.2017.09.003

Wing, J. M. (2006). Computational thinking. Communications of the ACM, 49(3), 33–35. https://doi.org/10.1145/1118178.1118215

Glosario

Anomalía: observación que se desvía de la regularidad esperada dentro de un conjunto de datos.

Atributo: característica observable usada para describir instancias en un conjunto de datos.

Conjunto de datos: colección estructurada de observaciones, variables y registros para análisis.

Correlación: medida de asociación estadística entre variables.

Patrón: regularidad identificable en datos, secuencias o comportamientos.

Patrón espaciotemporal: regularidad que combina variación espacial y temporal (por ejemplo, temperatura global por región y tiempo).

Serie temporal: secuencia de observaciones ordenadas por tiempo.

Tendencia: cambio direccional dominante en una serie de datos a lo largo del tiempo.

Visualización de datos: representación gráfica para explorar relaciones, distribuciones y patrones.

Modelo de aprendizaje automático: modelo computacional entrenado con datos para clasificar, predecir o detectar patrones.

Referencias

Bishop, C. M. (2006). Pattern recognition and machine learning. Springer.

Cleveland, W. S. (1993). Visualizing data. Hobart Press.

Duque Hernández, Á. Y., & Gil Ramos, L. P. (s. f.). Reconocimiento de patrones. INTEF, Ministerio de Educación y Formación Profesional. Recuperado el 11 de febrero de 2026, de https://descargas.intef.es/recursos_educativos/ODES_SGOA/Primaria/Descifrando_el_codigo_con_Ada/reconocimiento_de_patrones.html

Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning: Data mining, inference, and prediction (2nd ed.). Springer.

Ramírez Montoya, M. S., Basabe, F. E., Arroyo, M. C., Patiño Zúñiga, I. A., & Portuguez Castro, M. (2024). Modelo abierto de pensamiento complejo para el futuro de la educación. Octaedro. https://hdl.handle.net/11285/652033

Tukey, J. W. (1977). Exploratory data analysis. Addison Wesley.

United Nations General Assembly. (2015). Transforming our world: The 2030 Agenda for Sustainable Development (A/RES/70/1). https://www.un.org/sustainabledevelopment/es/2015/09/la-asamblea-general-adopta-la-agenda-2030-para-el-desarrollo-sostenible

Ceibal. (2021, mayo 19). Representaciones y patrones, pensamiento computacional #PCtubers [Video]. YouTube. https://www.youtube.com/watch?v=R1TScQpaLZI

Research 4 Challenges. (2024, octubre 21). Pensamiento computacional: reconocimiento de patrones [Video]. YouTube. https://www.youtube.com/watch?v=r5HKiwHLOks

Research 4 Challenges. (2024, abril 17). Identificación de patrones y diseño de algoritmos en bioinformática [Video]. YouTube. https://www.youtube.com/watch?v=9mKaUkVY6hU

Glosario

Algoritmo: conjunto finito de instrucciones no ambiguas para transformar una entrada en una salida.

Ambigüedad: propiedad indeseable de una instrucción que admite interpretaciones múltiples.

Diagrama de flujo: notación gráfica para representar el flujo de control de un algoritmo mediante símbolos normalizados.

Eficiencia: desempeño respecto al consumo de recursos (tiempo, memoria u otros recursos operativos).

Estructura de control: constructo que determina el orden de ejecución (secuencia, selección, iteración).

Finitud: propiedad de un algoritmo que garantiza terminación tras un número limitado de pasos.

Generalidad: capacidad de resolver múltiples instancias de un mismo tipo de problema.

Iteración: repetición controlada de un conjunto de instrucciones mediante una condición de parada.

Pseudocódigo: descripción semiformaI de un algoritmo independiente de un lenguaje de programación.

Secuencia: ejecución ordenada de instrucciones en el orden establecido.

Referencias

Barr, V., & Stephenson, C. (2011). Bringing computational thinking to K-12: What is Involved and What is the Role of the Computer Science Education Community? ACM Inroads, 2(1), 48–54. https://doi.org/10.1145/1929887.1929905

Papert, S. (1980). Mindstorms: Children, computers, and powerful ideas. Basic Books.

Shute, V. J., Sun, C., & Asbell Clarke, J. (2017). Demystifying computational thinking. Educational Research Review, 22, 142–158. https://doi.org/10.1016/j.edurev.2017.09.003

Wing, J. M. (2006). Computational thinking. Communications of the ACM, 49(3), 33–35. https://doi.org/10.1145/1118178.1118215

UNESCO. (2021). Marco de competencias de los docentes en materia de TIC (versión 3). Organización de las Naciones Unidas para la Educación, la Ciencia y la Cultura. https://unesdoc.unesco.org/

Ramírez Montoya, M. S., Basabe, F. E., Arroyo, M. C., Zúñiga, I. A. P., & Portuguez Castro, M. (2024). Modelo abierto de pensamiento complejo para el futuro de la educación. Octaedro. https://hdl.handle.net/11285/652033

Tariq, R., Aponte Babines, B. M., Ramirez, J., Alvarez Icaza, I., & Naseer, F. (2025). Computational thinking in STEM education: current state of the art and future research directions. Frontiers in Computer Science.

Zapata Ros, M. (2019). Pensamiento computacional desenchufado. Education in the Knowledge Society (EKS), 20, 1–17.

Glosario

Árbol de decisiones: representación jerárquica de decisiones y resultados posibles mediante nodos y ramas.

Componente: unidad funcional identificable dentro de un sistema o problema descompuesto.

Descomposición: estrategia de particionar un problema complejo en subproblemas abordables.

Diagrama de flujo: representación gráfica de un procedimiento mediante símbolos y flechas que describen el flujo de acciones.

Procedimiento: secuencia definida de pasos para ejecutar una tarea o resolver un subproblema.

Proceso: conjunto de operaciones que transforman entradas en salidas dentro de un sistema.

Subproblema: parte del problema original que puede analizarse y resolverse de manera independiente o semiautónoma.

Subsistema: subconjunto de elementos de un sistema que cumple una función específica e interactúa con otros subsistemas.

Variable: atributo del sistema o problema cuyo valor puede cambiar y afectar los resultados.

Secuencia: orden explícito de pasos que establece la ejecución lógica de un procedimiento.

Referencias

Cormen, T. H., Leiserson, C. E., Rivest, R. L., & Stein, C. (2022). Introduction to algorithms (4th ed.). The MIT Press. https://mitpress.mit.edu/9780262046305/introduction-to-algorithms

Dijkstra, E. W. (1976). A discipline of programming. Prentice Hall.

ISO. (1985). ISO 5807:1985 Information processing, documentation symbols and conventions for data, program and system flowcharts, program network charts and system resources charts. https://www.iso.org/standard/11955.html

Knuth, D. E. (1997). The art of computer programming, Volume 1: Fundamental algorithms (3rd ed.). Addison Wesley. https://dl.acm.org/doi/book/10.5555/260999

Ramírez Montoya, M. S., Basabe, F. E., Arroyo, M. C., Patiño Zúñiga, I. A., & Portuguez Castro, M. (2024). Modelo abierto de pensamiento complejo para el futuro de la educación. Octaedro. https://hdl.handle.net/11285/652033

United Nations General Assembly. (2015). Transforming our world: The 2030 Agenda for Sustainable Development (A/RES/70/1). https://www.un.org/sustainabledevelopment/es/2015/09/la-asamblea-general-adopta-la-agenda-2030-para-el-desarrollo-sostenible

IdeoDigitalChile. (s. f.). Algoritmos en la vida diaria [Video]. YouTube. https://www.youtube.com/watch?v=X5hqLqWEh4s

Ceibal. (s. f.). Algoritmos, pensamiento computacional #PCtubers [Video]. YouTube. https://www.youtube.com/watch?v=eKjJXgIbeb8

IIMAS UNAM. (s. f.). Pláticas de pensamiento computacional: Algoritmos en la vida cotidiana [Video]. YouTube. https://www.youtube.com/watch?v=RlMA3FhZ_ZQ

UNICEF Perú. (s. f.). +TEC, episodio 6: El pensamiento computacional para resolver problemas y asumir retos [Video]. YouTube. https://www.youtube.com/watch?v=iBw1zDOkRn0

Glosario

Abstracción: proceso de identificar las características esenciales de un problema o sistema y representar solo la información relevante para su análisis o solución.

Algoritmo: conjunto finito de instrucciones no ambiguas que transforman una entrada en una salida para resolver una clase de problemas.

Descomposición: estrategia de particionar un problema en subproblemas más pequeños, con interfaces o dependencias claras, para facilitar su resolución.

Eficiencia: medida del desempeño de una solución respecto al consumo de recursos, típicamente tiempo de ejecución y uso de memoria, o recursos operativos en un modelo.

Escenario: configuración específica de parámetros, entradas y restricciones utilizada para evaluar el comportamiento de un modelo o simulación bajo ciertas condiciones.

Modelo predictivo: modelo que estima resultados futuros o no observados a partir de patrones en datos y relaciones entre variables.

Parámetro: valor de configuración que controla el comportamiento de un modelo, algoritmo o simulación y se define antes o durante su ejecución.

Pensamiento computacional: enfoque de formulación y resolución de problemas mediante abstracción, descomposición, reconocimiento de patrones y diseño algorítmico.

Procedimiento: secuencia definida de operaciones para ejecutar una tarea, con pasos especificados y condiciones de aplicación.

Razonamiento lógico: proceso inferencial basado en reglas de validez para derivar conclusiones a partir de premisas y condiciones.

Reconocimiento de patrones: identificación sistemática de regularidades, similitudes o estructuras repetibles que permiten generalizar o reutilizar soluciones.

Variable: entidad cuantificable o categórica cuyo valor puede cambiar y que representa un atributo relevante del sistema o problema modelado.

Referencias

Barr, V., & Stephenson, C. (2011). Bringing computational thinking to K-12: What is Involved and What is the Role of the Computer Science Education Community? ACM Inroads, 2(1), 48–54. https://doi.org/10.1145/1929887.1929905

Papert, S. (1980). Mindstorms: Children, computers, and powerful ideas. Basic Books.

Shute, V. J., Sun, C., & Asbell Clarke, J. (2017). Demystifying computational thinking. Educational Research Review, 22, 142–158. https://doi.org/10.1016/j.edurev.2017.09.003

Wing, J. M. (2006). Computational thinking. Communications of the ACM, 49(3), 33–35. https://doi.org/10.1145/1118178.1118215

UNESCO. (2021). Marco de competencias de los docentes en materia de TIC (versión 3). Organización de las Naciones Unidas para la Educación, la Ciencia y la Cultura. https://unesdoc.unesco.org/

Ramírez Montoya, M. S., Basabe, F. E., Arroyo, M. C., Zúñiga, I. A. P., & Portuguez Castro, M. (2024). Modelo abierto de pensamiento complejo para el futuro de la educación. Octaedro. https://hdl.handle.net/11285/652033

Tariq, R., Aponte Babines, B. M., Ramirez, J., Alvarez Icaza, I., & Naseer, F. (2025). Computational thinking in STEM education: current state of the art and future research directions. Frontiers in Computer Science.

Zapata Ros, M. (2019). Pensamiento computacional desenchufado. Education in the Knowledge Society (EKS), 20, 1–17.

Glosario

Árbol de decisiones: representación jerárquica de decisiones y resultados posibles mediante nodos y ramas.

Componente: unidad funcional identificable dentro de un sistema o problema descompuesto.

Descomposición: estrategia de particionar un problema complejo en subproblemas abordables.

Diagrama de flujo: representación gráfica de un procedimiento mediante símbolos y flechas que describen el flujo de acciones.

Procedimiento: secuencia definida de pasos para ejecutar una tarea o resolver un subproblema.

Proceso: conjunto de operaciones que transforman entradas en salidas dentro de un sistema.

Subproblema: parte del problema original que puede analizarse y resolverse de manera independiente o semiautónoma.

Subsistema: subconjunto de elementos de un sistema que cumple una función específica e interactúa con otros subsistemas.

Variable: atributo del sistema o problema cuyo valor puede cambiar y afectar los resultados.

Secuencia: orden explícito de pasos que establece la ejecución lógica de un procedimiento.

Referencias

Bishop, C. M. (2006). Pattern recognition and machine learning. Springer.

Cleveland, W. S. (1993). Visualizing data. Hobart Press.

Duque Hernández, Á. Y., & Gil Ramos, L. P. (s. f.). Reconocimiento de patrones. INTEF, Ministerio de Educación y Formación Profesional. Recuperado el 11 de febrero de 2026, de https://descargas.intef.es/recursos_educativos/ODES_SGOA/Primaria/Descifrando_el_codigo_con_Ada/reconocimiento_de_patrones.html

Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning: Data mining, inference, and prediction (2nd ed.). Springer.

Ramírez Montoya, M. S., Basabe, F. E., Arroyo, M. C., Patiño Zúñiga, I. A., & Portuguez Castro, M. (2024). Modelo abierto de pensamiento complejo para el futuro de la educación. Octaedro. https://hdl.handle.net/11285/652033

Tukey, J. W. (1977). Exploratory data analysis. Addison Wesley.

United Nations General Assembly. (2015). Transforming our world: The 2030 Agenda for Sustainable Development (A/RES/70/1). https://www.un.org/sustainabledevelopment/es/2015/09/la-asamblea-general-adopta-la-agenda-2030-para-el-desarrollo-sostenible

Ceibal. (2021, mayo 19). Representaciones y patrones, pensamiento computacional #PCtubers [Video]. YouTube. https://www.youtube.com/watch?v=R1TScQpaLZI

Research 4 Challenges. (2024, octubre 21). Pensamiento computacional: reconocimiento de patrones [Video]. YouTube. https://www.youtube.com/watch?v=r5HKiwHLOks

Research 4 Challenges. (2024, abril 17). Identificación de patrones y diseño de algoritmos en bioinformática [Video]. YouTube. https://www.youtube.com/watch?v=9mKaUkVY6hU

Autoría

Agradecimiento

Los autores agradecen al Tecnológico de Monterrey por el apoyo financiero brindado a través del Programa de Fondos de Investigación Basada en Retos 2023. Este proyecto fue financiado por el Challenge-Based Research Funding Program 2023 del Tecnológico de Monterrey, como parte de la convocatoria 2022, bajo el ID de proyecto IJXT070-23EG99001, titulado: “Complex Thinking Education for All (CTE4A): A Digital Hub and School for Lifelong Learners.

Glosario

Árbol de decisiones: representación jerárquica de decisiones y resultados posibles mediante nodos y ramas.

Componente: unidad funcional identificable dentro de un sistema o problema descompuesto.

Descomposición: estrategia de particionar un problema complejo en subproblemas abordables.

Diagrama de flujo: representación gráfica de un procedimiento mediante símbolos y flechas que describen el flujo de acciones.

Procedimiento: secuencia definida de pasos para ejecutar una tarea o resolver un subproblema.

Proceso: conjunto de operaciones que transforman entradas en salidas dentro de un sistema.

Subproblema: parte del problema original que puede analizarse y resolverse de manera independiente o semiautónoma.

Subsistema: subconjunto de elementos de un sistema que cumple una función específica e interactúa con otros subsistemas.

Variable: atributo del sistema o problema cuyo valor puede cambiar y afectar los resultados.

Secuencia: orden explícito de pasos que establece la ejecución lógica de un procedimiento.

Glosario

Abstracción: proceso de identificar las características esenciales de un problema o sistema y representar solo la información relevante para su análisis o solución.

Algoritmo: conjunto finito de instrucciones no ambiguas que transforman una entrada en una salida para resolver una clase de problemas.

Descomposición: estrategia de particionar un problema en subproblemas más pequeños, con interfaces o dependencias claras, para facilitar su resolución.

Eficiencia: medida del desempeño de una solución respecto al consumo de recursos, típicamente tiempo de ejecución y uso de memoria, o recursos operativos en un modelo.

Escenario: configuración específica de parámetros, entradas y restricciones utilizada para evaluar el comportamiento de un modelo o simulación bajo ciertas condiciones.

Modelo predictivo: modelo que estima resultados futuros o no observados a partir de patrones en datos y relaciones entre variables.

Parámetro: valor de configuración que controla el comportamiento de un modelo, algoritmo o simulación y se define antes o durante su ejecución.

Pensamiento computacional: enfoque de formulación y resolución de problemas mediante abstracción, descomposición, reconocimiento de patrones y diseño algorítmico.

Procedimiento: secuencia definida de operaciones para ejecutar una tarea, con pasos especificados y condiciones de aplicación.

Razonamiento lógico: proceso inferencial basado en reglas de validez para derivar conclusiones a partir de premisas y condiciones.

Reconocimiento de patrones: identificación sistemática de regularidades, similitudes o estructuras repetibles que permiten generalizar o reutilizar soluciones.

Variable: entidad cuantificable o categórica cuyo valor puede cambiar y que representa un atributo relevante del sistema o problema modelado.

Glosario

Árbol de decisiones: representación jerárquica de decisiones y resultados posibles mediante nodos y ramas.

Componente: unidad funcional identificable dentro de un sistema o problema descompuesto.

Descomposición: estrategia de particionar un problema complejo en subproblemas abordables.

Diagrama de flujo: representación gráfica de un procedimiento mediante símbolos y flechas que describen el flujo de acciones.

Procedimiento: secuencia definida de pasos para ejecutar una tarea o resolver un subproblema.

Proceso: conjunto de operaciones que transforman entradas en salidas dentro de un sistema.

Subproblema: parte del problema original que puede analizarse y resolverse de manera independiente o semiautónoma.

Subsistema: subconjunto de elementos de un sistema que cumple una función específica e interactúa con otros subsistemas.

Variable: atributo del sistema o problema cuyo valor puede cambiar y afectar los resultados.

Secuencia: orden explícito de pasos que establece la ejecución lógica de un procedimiento.

Glosario

Árbol de decisiones: representación jerárquica de decisiones y resultados posibles mediante nodos y ramas.

Componente: unidad funcional identificable dentro de un sistema o problema descompuesto.

Descomposición: estrategia de particionar un problema complejo en subproblemas abordables.

Diagrama de flujo: representación gráfica de un procedimiento mediante símbolos y flechas que describen el flujo de acciones.

Procedimiento: secuencia definida de pasos para ejecutar una tarea o resolver un subproblema.

Proceso: conjunto de operaciones que transforman entradas en salidas dentro de un sistema.

Subproblema: parte del problema original que puede analizarse y resolverse de manera independiente o semiautónoma.

Subsistema: subconjunto de elementos de un sistema que cumple una función específica e interactúa con otros subsistemas.

Variable: atributo del sistema o problema cuyo valor puede cambiar y afectar los resultados.

Secuencia: orden explícito de pasos que establece la ejecución lógica de un procedimiento.

Referencias

Naciones Unidas. (2015, septiembre 25). La Asamblea General adopta la Agenda 2030 para el Desarrollo Sostenible. https://www.un.org/sustainabledevelopment/es/2015/09/la-asamblea-general-adopta-la-agenda-2030-para-el-desarrollo-sostenible/

Ramírez Montoya, M. S., Basabe, F. E., Arroyo, M. C., Patiño Zúñiga, I. A., & Portuguez Castro, M. (2024). Modelo abierto de pensamiento complejo para el futuro de la educación. Octaedro. https://hdl.handle.net/11285/652033

Research 4 Challenges. (2024, octubre 21). Pensamiento computacional: abstracción [Video]. YouTube. https://www.youtube.com/watch?v=JNWdQ6leR1k

Pensamiento Computacional. (2024, junio 3). Abstracción en problemas [Video]. YouTube. https://www.youtube.com/watch?v=VZKCktZCQ_Q

Research 4 Challenges. (2024, octubre 17). Estrategias de abstracción y descomposición para comprender el ODS 1 y reconocer las diferentes formas de pobreza [Video]. YouTube. https://www.youtube.com/watch?v=DSbV55eGVQo

Research 4 Challenges. (s. f.). Abstracción y descomposición computacional en el campo de la epidemiología [Video]. YouTube. https://www.youtube.com/watch?v=ZJ9Utd_VtNE

Coursera. (s. f.). Introducción al pensamiento científico [Curso en línea]. Coursera. (En tu módulo aparece el recurso, pero sin liga explícita).

Barr, V., & Stephenson, C. (2011). Bringing computational thinking to K 12: What is involved and what is the role of the computer science education community? ACM Inroads, 2(1), 48–54. https://doi.org/10.1145/1929887.1929905

Shute, V. J., Sun, C., & Asbell Clarke, J. (2017). Demystifying computational thinking. Educational Research Review, 22, 142–158. https://doi.org/10.1016/j.edurev.2017.09.003

Wing, J. M. (2006). Computational thinking. Communications of the ACM, 49(3), 33–35. https://doi.org/10.1145/1118178.1118215

Glosario

Abstracción computacional: subcompetencia del pensamiento computacional que permite centrarse en los elementos esenciales de un problema y omitir detalles que no aportan a su solución.Abstracción de datos: tipo de abstracción que organiza y representa información mediante estructuras o entidades, ocultando detalles de implementación.

Abstracción estructural: tipo de abstracción que describe un sistema por su organización y relaciones entre componentes, sin entrar en detalles internos.

Abstracción funcional: tipo de abstracción que encapsula instrucciones reutilizables como funciones o bloques, priorizando el propósito sobre el detalle.

Abstracción jerárquica: tipo de abstracción que organiza un sistema por niveles, separando componentes generales y específicos.

Componente esencial: elemento indispensable del problema o sistema que debe conservarse en la representación para que la solución sea válida.

Encapsulación: principio de diseño que agrupa instrucciones o lógica en una unidad reutilizable, ocultando su complejidad interna.

Modelado: proceso de construir una representación simplificada de una situación o sistema para analizarlo y tomar decisiones.

Simulación: ejecución de un modelo bajo condiciones definidas para observar comportamientos y comparar escenarios.

Variable: atributo del modelo o problema cuyo valor puede cambiar y afectar los resultados de una simulación o análisis.

Glosario

Árbol de decisiones: representación jerárquica de decisiones y resultados posibles mediante nodos y ramas.

Componente: unidad funcional identificable dentro de un sistema o problema descompuesto.

Descomposición: estrategia de particionar un problema complejo en subproblemas abordables.

Diagrama de flujo: representación gráfica de un procedimiento mediante símbolos y flechas que describen el flujo de acciones.

Procedimiento: secuencia definida de pasos para ejecutar una tarea o resolver un subproblema.

Proceso: conjunto de operaciones que transforman entradas en salidas dentro de un sistema.

Subproblema: parte del problema original que puede analizarse y resolverse de manera independiente o semiautónoma.

Subsistema: subconjunto de elementos de un sistema que cumple una función específica e interactúa con otros subsistemas.

Variable: atributo del sistema o problema cuyo valor puede cambiar y afectar los resultados.

Secuencia: orden explícito de pasos que establece la ejecución lógica de un procedimiento.

Referencias

Parnas, D. L. (1972). On the criteria to be used in decomposing systems into modules. Communications of the ACM, 15(12), 1053–1058. https://doi.org/10.1145/361598.361623

Pólya, G. (1945). How to solve it: A new aspect of mathematical method. Princeton University Press.

Simon, H. A. (1962). The architecture of complexity. Proceedings of the American Philosophical Society, 106(6), 467–482.

Shute, V. J., Sun, C., & Asbell Clarke, J. (2017). Demystifying computational thinking. Educational Research Review, 22, 142–158. https://doi.org/10.1016/j.edurev.2017.09.003

United Nations General Assembly. (2015). Transforming our world: The 2030 Agenda for Sustainable Development (A/RES/70/1). https://www.un.org/sustainabledevelopment/es/2015/09/la-asamblea-general-adopta-la-agenda-2030-para-el-desarrollo-sostenible

Wing, J. M. (2006). Computational thinking. Communications of the ACM, 49(3), 33–35. https://doi.org/10.1145/1118178.1118215

Casillas Muñoz, F. A. G., Vázquez Parra, J. C., Alcántar Nieblas, C., & Martínez Reyes, M. (2024, octubre 21). Pensamiento computacional: descomposición [Video]. YouTube. https://www.youtube.com/watch?v=9DWvbbvnp6s

Curriki. (2016, marzo 2). Computational Thinking: Decomposition [Video]. YouTube. https://www.youtube.com/watch?v=9DWvbbvnp6s

Rutatec. (2020, junio 12). Pensamiento Computacional, sesión 2: Descomposición (español) [Video]. YouTube. https://www.youtube.com/watch?v=yQVTijX437c

Buitrago, C. (2022, mayo 24). Descomposición, habilidad del pensamiento computacional [Video]. YouTube. https://www.youtube.com/watch?v=WHvB3teRacI

Glosario

Anomalía: observación que se desvía de la regularidad esperada dentro de un conjunto de datos.

Atributo: característica observable usada para describir instancias en un conjunto de datos.

Conjunto de datos: colección estructurada de observaciones, variables y registros para análisis.

Correlación: medida de asociación estadística entre variables.

Patrón: regularidad identificable en datos, secuencias o comportamientos.

Patrón espaciotemporal: regularidad que combina variación espacial y temporal (por ejemplo, temperatura global por región y tiempo).

Serie temporal: secuencia de observaciones ordenadas por tiempo.

Tendencia: cambio direccional dominante en una serie de datos a lo largo del tiempo.

Visualización de datos: representación gráfica para explorar relaciones, distribuciones y patrones.

Modelo de aprendizaje automático: modelo computacional entrenado con datos para clasificar, predecir o detectar patrones.

Glosario

Algoritmo: conjunto finito de instrucciones no ambiguas para transformar una entrada en una salida.

Ambigüedad: propiedad indeseable de una instrucción que admite interpretaciones múltiples.

Diagrama de flujo: notación gráfica para representar el flujo de control de un algoritmo mediante símbolos normalizados.

Eficiencia: desempeño respecto al consumo de recursos (tiempo, memoria u otros recursos operativos).

Estructura de control: constructo que determina el orden de ejecución (secuencia, selección, iteración).

Finitud: propiedad de un algoritmo que garantiza terminación tras un número limitado de pasos.

Generalidad: capacidad de resolver múltiples instancias de un mismo tipo de problema.

Iteración: repetición controlada de un conjunto de instrucciones mediante una condición de parada.

Pseudocódigo: descripción semiformaI de un algoritmo independiente de un lenguaje de programación.

Secuencia: ejecución ordenada de instrucciones en el orden establecido.

Referencias

Naciones Unidas. (2015, septiembre 25). La Asamblea General adopta la Agenda 2030 para el Desarrollo Sostenible. https://www.un.org/sustainabledevelopment/es/2015/09/la-asamblea-general-adopta-la-agenda-2030-para-el-desarrollo-sostenible/

Ramírez Montoya, M. S., Basabe, F. E., Arroyo, M. C., Patiño Zúñiga, I. A., & Portuguez Castro, M. (2024). Modelo abierto de pensamiento complejo para el futuro de la educación. Octaedro. https://hdl.handle.net/11285/652033

Research 4 Challenges. (2024, octubre 21). Pensamiento computacional: abstracción [Video]. YouTube. https://www.youtube.com/watch?v=JNWdQ6leR1k

Pensamiento Computacional. (2024, junio 3). Abstracción en problemas [Video]. YouTube. https://www.youtube.com/watch?v=VZKCktZCQ_Q

Research 4 Challenges. (2024, octubre 17). Estrategias de abstracción y descomposición para comprender el ODS 1 y reconocer las diferentes formas de pobreza [Video]. YouTube. https://www.youtube.com/watch?v=DSbV55eGVQo

Research 4 Challenges. (s. f.). Abstracción y descomposición computacional en el campo de la epidemiología [Video]. YouTube. https://www.youtube.com/watch?v=ZJ9Utd_VtNE

Coursera. (s. f.). Introducción al pensamiento científico [Curso en línea]. Coursera. (En tu módulo aparece el recurso, pero sin liga explícita).

Barr, V., & Stephenson, C. (2011). Bringing computational thinking to K 12: What is involved and what is the role of the computer science education community? ACM Inroads, 2(1), 48–54. https://doi.org/10.1145/1929887.1929905

Shute, V. J., Sun, C., & Asbell Clarke, J. (2017). Demystifying computational thinking. Educational Research Review, 22, 142–158. https://doi.org/10.1016/j.edurev.2017.09.003

Wing, J. M. (2006). Computational thinking. Communications of the ACM, 49(3), 33–35. https://doi.org/10.1145/1118178.1118215

Glosario

Abstracción computacional: subcompetencia del pensamiento computacional que permite centrarse en los elementos esenciales de un problema y omitir detalles que no aportan a su solución.Abstracción de datos: tipo de abstracción que organiza y representa información mediante estructuras o entidades, ocultando detalles de implementación.

Abstracción estructural: tipo de abstracción que describe un sistema por su organización y relaciones entre componentes, sin entrar en detalles internos.

Abstracción funcional: tipo de abstracción que encapsula instrucciones reutilizables como funciones o bloques, priorizando el propósito sobre el detalle.

Abstracción jerárquica: tipo de abstracción que organiza un sistema por niveles, separando componentes generales y específicos.

Componente esencial: elemento indispensable del problema o sistema que debe conservarse en la representación para que la solución sea válida.

Encapsulación: principio de diseño que agrupa instrucciones o lógica en una unidad reutilizable, ocultando su complejidad interna.

Modelado: proceso de construir una representación simplificada de una situación o sistema para analizarlo y tomar decisiones.

Simulación: ejecución de un modelo bajo condiciones definidas para observar comportamientos y comparar escenarios.

Variable: atributo del modelo o problema cuyo valor puede cambiar y afectar los resultados de una simulación o análisis.

Referencias

Parnas, D. L. (1972). On the criteria to be used in decomposing systems into modules. Communications of the ACM, 15(12), 1053–1058. https://doi.org/10.1145/361598.361623

Pólya, G. (1945). How to solve it: A new aspect of mathematical method. Princeton University Press.

Simon, H. A. (1962). The architecture of complexity. Proceedings of the American Philosophical Society, 106(6), 467–482.

Shute, V. J., Sun, C., & Asbell Clarke, J. (2017). Demystifying computational thinking. Educational Research Review, 22, 142–158. https://doi.org/10.1016/j.edurev.2017.09.003

United Nations General Assembly. (2015). Transforming our world: The 2030 Agenda for Sustainable Development (A/RES/70/1). https://www.un.org/sustainabledevelopment/es/2015/09/la-asamblea-general-adopta-la-agenda-2030-para-el-desarrollo-sostenible

Wing, J. M. (2006). Computational thinking. Communications of the ACM, 49(3), 33–35. https://doi.org/10.1145/1118178.1118215

Casillas Muñoz, F. A. G., Vázquez Parra, J. C., Alcántar Nieblas, C., & Martínez Reyes, M. (2024, octubre 21). Pensamiento computacional: descomposición [Video]. YouTube. https://www.youtube.com/watch?v=9DWvbbvnp6s

Curriki. (2016, marzo 2). Computational Thinking: Decomposition [Video]. YouTube. https://www.youtube.com/watch?v=9DWvbbvnp6s

Rutatec. (2020, junio 12). Pensamiento Computacional, sesión 2: Descomposición (español) [Video]. YouTube. https://www.youtube.com/watch?v=yQVTijX437c

Buitrago, C. (2022, mayo 24). Descomposición, habilidad del pensamiento computacional [Video]. YouTube. https://www.youtube.com/watch?v=WHvB3teRacI

Referencias

Bishop, C. M. (2006). Pattern recognition and machine learning. Springer.

Cleveland, W. S. (1993). Visualizing data. Hobart Press.

Duque Hernández, Á. Y., & Gil Ramos, L. P. (s. f.). Reconocimiento de patrones. INTEF, Ministerio de Educación y Formación Profesional. Recuperado el 11 de febrero de 2026, de https://descargas.intef.es/recursos_educativos/ODES_SGOA/Primaria/Descifrando_el_codigo_con_Ada/reconocimiento_de_patrones.html

Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning: Data mining, inference, and prediction (2nd ed.). Springer.

Ramírez Montoya, M. S., Basabe, F. E., Arroyo, M. C., Patiño Zúñiga, I. A., & Portuguez Castro, M. (2024). Modelo abierto de pensamiento complejo para el futuro de la educación. Octaedro. https://hdl.handle.net/11285/652033

Tukey, J. W. (1977). Exploratory data analysis. Addison Wesley.

United Nations General Assembly. (2015). Transforming our world: The 2030 Agenda for Sustainable Development (A/RES/70/1). https://www.un.org/sustainabledevelopment/es/2015/09/la-asamblea-general-adopta-la-agenda-2030-para-el-desarrollo-sostenible

Ceibal. (2021, mayo 19). Representaciones y patrones, pensamiento computacional #PCtubers [Video]. YouTube. https://www.youtube.com/watch?v=R1TScQpaLZI

Research 4 Challenges. (2024, octubre 21). Pensamiento computacional: reconocimiento de patrones [Video]. YouTube. https://www.youtube.com/watch?v=r5HKiwHLOks

Research 4 Challenges. (2024, abril 17). Identificación de patrones y diseño de algoritmos en bioinformática [Video]. YouTube. https://www.youtube.com/watch?v=9mKaUkVY6hU

Glosario

Algoritmo: conjunto finito de instrucciones no ambiguas para transformar una entrada en una salida.

Ambigüedad: propiedad indeseable de una instrucción que admite interpretaciones múltiples.

Diagrama de flujo: notación gráfica para representar el flujo de control de un algoritmo mediante símbolos normalizados.

Eficiencia: desempeño respecto al consumo de recursos (tiempo, memoria u otros recursos operativos).

Estructura de control: constructo que determina el orden de ejecución (secuencia, selección, iteración).

Finitud: propiedad de un algoritmo que garantiza terminación tras un número limitado de pasos.

Generalidad: capacidad de resolver múltiples instancias de un mismo tipo de problema.

Iteración: repetición controlada de un conjunto de instrucciones mediante una condición de parada.

Pseudocódigo: descripción semiformaI de un algoritmo independiente de un lenguaje de programación.

Secuencia: ejecución ordenada de instrucciones en el orden establecido.

Glosario

Anomalía: observación que se desvía de la regularidad esperada dentro de un conjunto de datos.

Atributo: característica observable usada para describir instancias en un conjunto de datos.

Conjunto de datos: colección estructurada de observaciones, variables y registros para análisis.

Correlación: medida de asociación estadística entre variables.

Patrón: regularidad identificable en datos, secuencias o comportamientos.

Patrón espaciotemporal: regularidad que combina variación espacial y temporal (por ejemplo, temperatura global por región y tiempo).

Serie temporal: secuencia de observaciones ordenadas por tiempo.

Tendencia: cambio direccional dominante en una serie de datos a lo largo del tiempo.

Visualización de datos: representación gráfica para explorar relaciones, distribuciones y patrones.

Modelo de aprendizaje automático: modelo computacional entrenado con datos para clasificar, predecir o detectar patrones.

Referencias

Naciones Unidas. (2015, septiembre 25). La Asamblea General adopta la Agenda 2030 para el Desarrollo Sostenible. https://www.un.org/sustainabledevelopment/es/2015/09/la-asamblea-general-adopta-la-agenda-2030-para-el-desarrollo-sostenible/

Ramírez Montoya, M. S., Basabe, F. E., Arroyo, M. C., Patiño Zúñiga, I. A., & Portuguez Castro, M. (2024). Modelo abierto de pensamiento complejo para el futuro de la educación. Octaedro. https://hdl.handle.net/11285/652033

Research 4 Challenges. (2024, octubre 21). Pensamiento computacional: abstracción [Video]. YouTube. https://www.youtube.com/watch?v=JNWdQ6leR1k

Pensamiento Computacional. (2024, junio 3). Abstracción en problemas [Video]. YouTube. https://www.youtube.com/watch?v=VZKCktZCQ_Q

Research 4 Challenges. (2024, octubre 17). Estrategias de abstracción y descomposición para comprender el ODS 1 y reconocer las diferentes formas de pobreza [Video]. YouTube. https://www.youtube.com/watch?v=DSbV55eGVQo

Research 4 Challenges. (s. f.). Abstracción y descomposición computacional en el campo de la epidemiología [Video]. YouTube. https://www.youtube.com/watch?v=ZJ9Utd_VtNE

Coursera. (s. f.). Introducción al pensamiento científico [Curso en línea]. Coursera. (En tu módulo aparece el recurso, pero sin liga explícita).

Barr, V., & Stephenson, C. (2011). Bringing computational thinking to K 12: What is involved and what is the role of the computer science education community? ACM Inroads, 2(1), 48–54. https://doi.org/10.1145/1929887.1929905

Shute, V. J., Sun, C., & Asbell Clarke, J. (2017). Demystifying computational thinking. Educational Research Review, 22, 142–158. https://doi.org/10.1016/j.edurev.2017.09.003

Wing, J. M. (2006). Computational thinking. Communications of the ACM, 49(3), 33–35. https://doi.org/10.1145/1118178.1118215

Referencias

Parnas, D. L. (1972). On the criteria to be used in decomposing systems into modules. Communications of the ACM, 15(12), 1053–1058. https://doi.org/10.1145/361598.361623

Pólya, G. (1945). How to solve it: A new aspect of mathematical method. Princeton University Press.

Simon, H. A. (1962). The architecture of complexity. Proceedings of the American Philosophical Society, 106(6), 467–482.

Shute, V. J., Sun, C., & Asbell Clarke, J. (2017). Demystifying computational thinking. Educational Research Review, 22, 142–158. https://doi.org/10.1016/j.edurev.2017.09.003

United Nations General Assembly. (2015). Transforming our world: The 2030 Agenda for Sustainable Development (A/RES/70/1). https://www.un.org/sustainabledevelopment/es/2015/09/la-asamblea-general-adopta-la-agenda-2030-para-el-desarrollo-sostenible

Wing, J. M. (2006). Computational thinking. Communications of the ACM, 49(3), 33–35. https://doi.org/10.1145/1118178.1118215

Casillas Muñoz, F. A. G., Vázquez Parra, J. C., Alcántar Nieblas, C., & Martínez Reyes, M. (2024, octubre 21). Pensamiento computacional: descomposición [Video]. YouTube. https://www.youtube.com/watch?v=9DWvbbvnp6s

Curriki. (2016, marzo 2). Computational Thinking: Decomposition [Video]. YouTube. https://www.youtube.com/watch?v=9DWvbbvnp6s

Rutatec. (2020, junio 12). Pensamiento Computacional, sesión 2: Descomposición (español) [Video]. YouTube. https://www.youtube.com/watch?v=yQVTijX437c

Buitrago, C. (2022, mayo 24). Descomposición, habilidad del pensamiento computacional [Video]. YouTube. https://www.youtube.com/watch?v=WHvB3teRacI

Glosario

Análisis de datos: Etapa del pensamiento científico que consiste en interpretar la información recopilada para identificar tendencias, relaciones o patrones que ayuden a explicar un fenómeno o resolver un problema.

Aplicación práctica: Uso del pensamiento científico en situaciones reales para generar soluciones, evaluar estrategias o proponer intervenciones. En este curso, se ejemplifica mediante el análisis del desperdicio de alimentos vinculado con el ODS 12.

Contexto del problema: Conjunto de condiciones, factores y circunstancias que rodean un fenómeno o situación que se desea comprender o resolver. Analizar el contexto permite delimitar variables relevantes y comprender mejor la complejidad del problema.

Evidencia: Conjunto de datos objetivos obtenidos mediante la observación o experimentación, que permiten respaldar afirmaciones, validar hipótesis y sustentar la toma de decisiones con base científica.

Hipótesis: Suposición o afirmación provisional que plantea una posible explicación sobre un fenómeno o relación. Se formula con base en conocimientos previos y debe ser comprobada o refutada mediante evidencia.

Método científico: Proceso sistemático que permite investigar un fenómeno mediante la formulación de hipótesis, la recolección y análisis de datos, y la obtención de conclusiones. Este método es clave para validar conocimientos y fundamentar soluciones en contextos dinámicos e inciertos.

Observación sistemática: Acción de registrar hechos, comportamientos o fenómenos de manera controlada y organizada, con el fin de obtener datos objetivos que sirvan como base para la formulación de hipótesis o la verificación de afirmaciones.

Pensamiento científico: Forma de razonamiento basada en la observación rigurosa, la formulación de preguntas, la construcción de explicaciones fundamentadas y la evaluación crítica de evidencias. Permite comprender fenómenos complejos de manera estructurada y fundamentada, contribuyendo a la toma de decisiones informadas en distintos ámbitos.

Variable: Elemento o característica que puede cambiar o adoptar distintos valores en el estudio de un fenómeno. Las variables permiten establecer relaciones, identificar patrones y construir explicaciones verificables.

Referencias

Naciones Unidas. (2015, septiembre 25). La Asamblea General adopta la Agenda 2030 para el Desarrollo Sostenible. https://www.un.org/sustainabledevelopment/es/2015/09/la-asamblea-general-adopta-la-agenda-2030-para-el-desarrollo-sostenible/

Ramírez Montoya, M. S., Basabe, F. E., Arroyo, M. C., Patiño Zúñiga, I. A., & Portuguez Castro, M. (2024). Modelo abierto de pensamiento complejo para el futuro de la educación. Octaedro. https://hdl.handle.net/11285/652033

Research 4 Challenges. (2024, octubre 21). Pensamiento computacional: abstracción [Video]. YouTube. https://www.youtube.com/watch?v=JNWdQ6leR1k

Pensamiento Computacional. (2024, junio 3). Abstracción en problemas [Video]. YouTube. https://www.youtube.com/watch?v=VZKCktZCQ_Q

Research 4 Challenges. (2024, octubre 17). Estrategias de abstracción y descomposición para comprender el ODS 1 y reconocer las diferentes formas de pobreza [Video]. YouTube. https://www.youtube.com/watch?v=DSbV55eGVQo

Research 4 Challenges. (s. f.). Abstracción y descomposición computacional en el campo de la epidemiología [Video]. YouTube. https://www.youtube.com/watch?v=ZJ9Utd_VtNE

Coursera. (s. f.). Introducción al pensamiento científico [Curso en línea]. Coursera. (En tu módulo aparece el recurso, pero sin liga explícita).

Barr, V., & Stephenson, C. (2011). Bringing computational thinking to K 12: What is involved and what is the role of the computer science education community? ACM Inroads, 2(1), 48–54. https://doi.org/10.1145/1929887.1929905

Shute, V. J., Sun, C., & Asbell Clarke, J. (2017). Demystifying computational thinking. Educational Research Review, 22, 142–158. https://doi.org/10.1016/j.edurev.2017.09.003

Wing, J. M. (2006). Computational thinking. Communications of the ACM, 49(3), 33–35. https://doi.org/10.1145/1118178.1118215

Referencias

Bishop, C. M. (2006). Pattern recognition and machine learning. Springer.

Cleveland, W. S. (1993). Visualizing data. Hobart Press.

Duque Hernández, Á. Y., & Gil Ramos, L. P. (s. f.). Reconocimiento de patrones. INTEF, Ministerio de Educación y Formación Profesional. Recuperado el 11 de febrero de 2026, de https://descargas.intef.es/recursos_educativos/ODES_SGOA/Primaria/Descifrando_el_codigo_con_Ada/reconocimiento_de_patrones.html

Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning: Data mining, inference, and prediction (2nd ed.). Springer.

Ramírez Montoya, M. S., Basabe, F. E., Arroyo, M. C., Patiño Zúñiga, I. A., & Portuguez Castro, M. (2024). Modelo abierto de pensamiento complejo para el futuro de la educación. Octaedro. https://hdl.handle.net/11285/652033

Tukey, J. W. (1977). Exploratory data analysis. Addison Wesley.

United Nations General Assembly. (2015). Transforming our world: The 2030 Agenda for Sustainable Development (A/RES/70/1). https://www.un.org/sustainabledevelopment/es/2015/09/la-asamblea-general-adopta-la-agenda-2030-para-el-desarrollo-sostenible

Ceibal. (2021, mayo 19). Representaciones y patrones, pensamiento computacional #PCtubers [Video]. YouTube. https://www.youtube.com/watch?v=R1TScQpaLZI

Research 4 Challenges. (2024, octubre 21). Pensamiento computacional: reconocimiento de patrones [Video]. YouTube. https://www.youtube.com/watch?v=r5HKiwHLOks

Research 4 Challenges. (2024, abril 17). Identificación de patrones y diseño de algoritmos en bioinformática [Video]. YouTube. https://www.youtube.com/watch?v=9mKaUkVY6hU

Glosario

Anomalía: observación que se desvía de la regularidad esperada dentro de un conjunto de datos.

Atributo: característica observable usada para describir instancias en un conjunto de datos.

Conjunto de datos: colección estructurada de observaciones, variables y registros para análisis.

Correlación: medida de asociación estadística entre variables.

Patrón: regularidad identificable en datos, secuencias o comportamientos.

Patrón espaciotemporal: regularidad que combina variación espacial y temporal (por ejemplo, temperatura global por región y tiempo).

Serie temporal: secuencia de observaciones ordenadas por tiempo.

Tendencia: cambio direccional dominante en una serie de datos a lo largo del tiempo.

Visualización de datos: representación gráfica para explorar relaciones, distribuciones y patrones.

Modelo de aprendizaje automático: modelo computacional entrenado con datos para clasificar, predecir o detectar patrones.

Glosario

Abstracción computacional: subcompetencia del pensamiento computacional que permite centrarse en los elementos esenciales de un problema y omitir detalles que no aportan a su solución.Abstracción de datos: tipo de abstracción que organiza y representa información mediante estructuras o entidades, ocultando detalles de implementación.

Abstracción estructural: tipo de abstracción que describe un sistema por su organización y relaciones entre componentes, sin entrar en detalles internos.

Abstracción funcional: tipo de abstracción que encapsula instrucciones reutilizables como funciones o bloques, priorizando el propósito sobre el detalle.

Abstracción jerárquica: tipo de abstracción que organiza un sistema por niveles, separando componentes generales y específicos.

Componente esencial: elemento indispensable del problema o sistema que debe conservarse en la representación para que la solución sea válida.

Encapsulación: principio de diseño que agrupa instrucciones o lógica en una unidad reutilizable, ocultando su complejidad interna.

Modelado: proceso de construir una representación simplificada de una situación o sistema para analizarlo y tomar decisiones.

Simulación: ejecución de un modelo bajo condiciones definidas para observar comportamientos y comparar escenarios.

Variable: atributo del modelo o problema cuyo valor puede cambiar y afectar los resultados de una simulación o análisis.

Referencias

Cormen, T. H., Leiserson, C. E., Rivest, R. L., & Stein, C. (2022). Introduction to algorithms (4th ed.). The MIT Press. https://mitpress.mit.edu/9780262046305/introduction-to-algorithms

Dijkstra, E. W. (1976). A discipline of programming. Prentice Hall.

ISO. (1985). ISO 5807:1985 Information processing, documentation symbols and conventions for data, program and system flowcharts, program network charts and system resources charts. https://www.iso.org/standard/11955.html

Knuth, D. E. (1997). The art of computer programming, Volume 1: Fundamental algorithms (3rd ed.). Addison Wesley. https://dl.acm.org/doi/book/10.5555/260999

Ramírez Montoya, M. S., Basabe, F. E., Arroyo, M. C., Patiño Zúñiga, I. A., & Portuguez Castro, M. (2024). Modelo abierto de pensamiento complejo para el futuro de la educación. Octaedro. https://hdl.handle.net/11285/652033

United Nations General Assembly. (2015). Transforming our world: The 2030 Agenda for Sustainable Development (A/RES/70/1). https://www.un.org/sustainabledevelopment/es/2015/09/la-asamblea-general-adopta-la-agenda-2030-para-el-desarrollo-sostenible

IdeoDigitalChile. (s. f.). Algoritmos en la vida diaria [Video]. YouTube. https://www.youtube.com/watch?v=X5hqLqWEh4s

Ceibal. (s. f.). Algoritmos, pensamiento computacional #PCtubers [Video]. YouTube. https://www.youtube.com/watch?v=eKjJXgIbeb8

IIMAS UNAM. (s. f.). Pláticas de pensamiento computacional: Algoritmos en la vida cotidiana [Video]. YouTube. https://www.youtube.com/watch?v=RlMA3FhZ_ZQ

UNICEF Perú. (s. f.). +TEC, episodio 6: El pensamiento computacional para resolver problemas y asumir retos [Video]. YouTube. https://www.youtube.com/watch?v=iBw1zDOkRn0

Evaluación

Implementación de Soluciones con Pensamiento Computacional

Para obtener el certificado, se requiere cumplir con lo siguiente:

Declaración de compromiso de honor académico firmada.
Quizzes completados con mínimo 80 por ciento de aciertos acumulados (30 de 37).
Cuaderno de trabajo completado y entregado.

Nota: Los certificados se emiten cada fin de mes.

Sube aquí tu cuaderno completo.

Evidencia

Glosario

Abstracción computacional: subcompetencia del pensamiento computacional que permite centrarse en los elementos esenciales de un problema y omitir detalles que no aportan a su solución.Abstracción de datos: tipo de abstracción que organiza y representa información mediante estructuras o entidades, ocultando detalles de implementación.

Abstracción estructural: tipo de abstracción que describe un sistema por su organización y relaciones entre componentes, sin entrar en detalles internos.

Abstracción funcional: tipo de abstracción que encapsula instrucciones reutilizables como funciones o bloques, priorizando el propósito sobre el detalle.

Abstracción jerárquica: tipo de abstracción que organiza un sistema por niveles, separando componentes generales y específicos.

Componente esencial: elemento indispensable del problema o sistema que debe conservarse en la representación para que la solución sea válida.

Encapsulación: principio de diseño que agrupa instrucciones o lógica en una unidad reutilizable, ocultando su complejidad interna.

Modelado: proceso de construir una representación simplificada de una situación o sistema para analizarlo y tomar decisiones.

Simulación: ejecución de un modelo bajo condiciones definidas para observar comportamientos y comparar escenarios.

Variable: atributo del modelo o problema cuyo valor puede cambiar y afectar los resultados de una simulación o análisis.

Referencias

Naciones Unidas. (2015, septiembre 25). La Asamblea General adopta la Agenda 2030 para el Desarrollo Sostenible. https://www.un.org/sustainabledevelopment/es/2015/09/la-asamblea-general-adopta-la-agenda-2030-para-el-desarrollo-sostenible/

Ramírez Montoya, M. S., Basabe, F. E., Arroyo, M. C., Patiño Zúñiga, I. A., & Portuguez Castro, M. (2024). Modelo abierto de pensamiento complejo para el futuro de la educación. Octaedro. https://hdl.handle.net/11285/652033

Research 4 Challenges. (2024, octubre 21). Pensamiento computacional: abstracción [Video]. YouTube. https://www.youtube.com/watch?v=JNWdQ6leR1k

Pensamiento Computacional. (2024, junio 3). Abstracción en problemas [Video]. YouTube. https://www.youtube.com/watch?v=VZKCktZCQ_Q

Research 4 Challenges. (2024, octubre 17). Estrategias de abstracción y descomposición para comprender el ODS 1 y reconocer las diferentes formas de pobreza [Video]. YouTube. https://www.youtube.com/watch?v=DSbV55eGVQo

Research 4 Challenges. (s. f.). Abstracción y descomposición computacional en el campo de la epidemiología [Video]. YouTube. https://www.youtube.com/watch?v=ZJ9Utd_VtNE

Coursera. (s. f.). Introducción al pensamiento científico [Curso en línea]. Coursera. (En tu módulo aparece el recurso, pero sin liga explícita).

Barr, V., & Stephenson, C. (2011). Bringing computational thinking to K 12: What is involved and what is the role of the computer science education community? ACM Inroads, 2(1), 48–54. https://doi.org/10.1145/1929887.1929905

Shute, V. J., Sun, C., & Asbell Clarke, J. (2017). Demystifying computational thinking. Educational Research Review, 22, 142–158. https://doi.org/10.1016/j.edurev.2017.09.003

Wing, J. M. (2006). Computational thinking. Communications of the ACM, 49(3), 33–35. https://doi.org/10.1145/1118178.1118215

Referencias

Barr, V., & Stephenson, C. (2011). Bringing computational thinking to K-12: What is Involved and What is the Role of the Computer Science Education Community? ACM Inroads, 2(1), 48–54. https://doi.org/10.1145/1929887.1929905

Papert, S. (1980). Mindstorms: Children, computers, and powerful ideas. Basic Books.

Shute, V. J., Sun, C., & Asbell Clarke, J. (2017). Demystifying computational thinking. Educational Research Review, 22, 142–158. https://doi.org/10.1016/j.edurev.2017.09.003

Wing, J. M. (2006). Computational thinking. Communications of the ACM, 49(3), 33–35. https://doi.org/10.1145/1118178.1118215

UNESCO. (2021). Marco de competencias de los docentes en materia de TIC (versión 3). Organización de las Naciones Unidas para la Educación, la Ciencia y la Cultura. https://unesdoc.unesco.org/

Ramírez Montoya, M. S., Basabe, F. E., Arroyo, M. C., Zúñiga, I. A. P., & Portuguez Castro, M. (2024). Modelo abierto de pensamiento complejo para el futuro de la educación. Octaedro. https://hdl.handle.net/11285/652033

Tariq, R., Aponte Babines, B. M., Ramirez, J., Alvarez Icaza, I., & Naseer, F. (2025). Computational thinking in STEM education: current state of the art and future research directions. Frontiers in Computer Science.

Zapata Ros, M. (2019). Pensamiento computacional desenchufado. Education in the Knowledge Society (EKS), 20, 1–17.

Glosario

Abstracción: proceso de identificar las características esenciales de un problema o sistema y representar solo la información relevante para su análisis o solución.

Algoritmo: conjunto finito de instrucciones no ambiguas que transforman una entrada en una salida para resolver una clase de problemas.

Descomposición: estrategia de particionar un problema en subproblemas más pequeños, con interfaces o dependencias claras, para facilitar su resolución.

Eficiencia: medida del desempeño de una solución respecto al consumo de recursos, típicamente tiempo de ejecución y uso de memoria, o recursos operativos en un modelo.

Escenario: configuración específica de parámetros, entradas y restricciones utilizada para evaluar el comportamiento de un modelo o simulación bajo ciertas condiciones.

Modelo predictivo: modelo que estima resultados futuros o no observados a partir de patrones en datos y relaciones entre variables.

Parámetro: valor de configuración que controla el comportamiento de un modelo, algoritmo o simulación y se define antes o durante su ejecución.

Pensamiento computacional: enfoque de formulación y resolución de problemas mediante abstracción, descomposición, reconocimiento de patrones y diseño algorítmico.

Procedimiento: secuencia definida de operaciones para ejecutar una tarea, con pasos especificados y condiciones de aplicación.

Razonamiento lógico: proceso inferencial basado en reglas de validez para derivar conclusiones a partir de premisas y condiciones.

Reconocimiento de patrones: identificación sistemática de regularidades, similitudes o estructuras repetibles que permiten generalizar o reutilizar soluciones.

Variable: entidad cuantificable o categórica cuyo valor puede cambiar y que representa un atributo relevante del sistema o problema modelado.

Referencias

Cormen, T. H., Leiserson, C. E., Rivest, R. L., & Stein, C. (2022). Introduction to algorithms (4th ed.). The MIT Press. https://mitpress.mit.edu/9780262046305/introduction-to-algorithms

Dijkstra, E. W. (1976). A discipline of programming. Prentice Hall.

ISO. (1985). ISO 5807:1985 Information processing, documentation symbols and conventions for data, program and system flowcharts, program network charts and system resources charts. https://www.iso.org/standard/11955.html

Knuth, D. E. (1997). The art of computer programming, Volume 1: Fundamental algorithms (3rd ed.). Addison Wesley. https://dl.acm.org/doi/book/10.5555/260999

Ramírez Montoya, M. S., Basabe, F. E., Arroyo, M. C., Patiño Zúñiga, I. A., & Portuguez Castro, M. (2024). Modelo abierto de pensamiento complejo para el futuro de la educación. Octaedro. https://hdl.handle.net/11285/652033

United Nations General Assembly. (2015). Transforming our world: The 2030 Agenda for Sustainable Development (A/RES/70/1). https://www.un.org/sustainabledevelopment/es/2015/09/la-asamblea-general-adopta-la-agenda-2030-para-el-desarrollo-sostenible

IdeoDigitalChile. (s. f.). Algoritmos en la vida diaria [Video]. YouTube. https://www.youtube.com/watch?v=X5hqLqWEh4s

Ceibal. (s. f.). Algoritmos, pensamiento computacional #PCtubers [Video]. YouTube. https://www.youtube.com/watch?v=eKjJXgIbeb8

IIMAS UNAM. (s. f.). Pláticas de pensamiento computacional: Algoritmos en la vida cotidiana [Video]. YouTube. https://www.youtube.com/watch?v=RlMA3FhZ_ZQ

UNICEF Perú. (s. f.). +TEC, episodio 6: El pensamiento computacional para resolver problemas y asumir retos [Video]. YouTube. https://www.youtube.com/watch?v=iBw1zDOkRn0

Curso en línea: Implementación de Soluciones con Pensamiento Computacional

Objetivo del curso

Al finalizar este curso, las y los participantes serán capaces de comprender y aplicar los fundamentos del pensamiento computacional como una competencia clave para abordar problemas de manera lógica, estructurada y eficiente. A lo largo de cinco módulos, se explorarán subcompetencias esenciales (procedimiento, abstracción, descomposición, patrones y algoritmos) que ofrecerán herramientas prácticas para analizar información, diseñar soluciones y enfrentar desafíos reales en distintos contextos, desde la vida cotidiana hasta entornos profesionales, educativos y vinculados a los Objetivos de Desarrollo Sostenible.

Abstracción: para identificar la información más relevante y construir representaciones simplificadas que faciliten la comprensión y resolución de situaciones complejas. Descomposición: para dividir un problema en partes más manejables y analizarlas por separado, encontrando soluciones específicas y efectivas. Reconocimiento de patrones: para identificar regularidades, similitudes y estructuras repetitivas que puedan aplicarse a distintos contextos. Algoritmos: para diseñar soluciones ordenadas, lógicas y replicables que permitan automatizar procesos o resolver problemas paso a paso.

En este curso, te formarás en las siguientes subcompetencias del pensamiento computacional:

Duración: 10 horas

Modalidad: En línea en formato Flexible-Digital

Idioma: Español

Certificación: Curso alineado al estándar de competencia CONOCER (México)

Este curso es una invitación a mirar los problemas con lógica, creatividad y sentido estratégico, convirtiendo la complejidad en una oportunidad para actuar con claridad, innovación y propósito.

Referencias

Parnas, D. L. (1972). On the criteria to be used in decomposing systems into modules. Communications of the ACM, 15(12), 1053–1058. https://doi.org/10.1145/361598.361623

Pólya, G. (1945). How to solve it: A new aspect of mathematical method. Princeton University Press.

Simon, H. A. (1962). The architecture of complexity. Proceedings of the American Philosophical Society, 106(6), 467–482.

Shute, V. J., Sun, C., & Asbell Clarke, J. (2017). Demystifying computational thinking. Educational Research Review, 22, 142–158. https://doi.org/10.1016/j.edurev.2017.09.003

United Nations General Assembly. (2015). Transforming our world: The 2030 Agenda for Sustainable Development (A/RES/70/1). https://www.un.org/sustainabledevelopment/es/2015/09/la-asamblea-general-adopta-la-agenda-2030-para-el-desarrollo-sostenible

Wing, J. M. (2006). Computational thinking. Communications of the ACM, 49(3), 33–35. https://doi.org/10.1145/1118178.1118215

Casillas Muñoz, F. A. G., Vázquez Parra, J. C., Alcántar Nieblas, C., & Martínez Reyes, M. (2024, octubre 21). Pensamiento computacional: descomposición [Video]. YouTube. https://www.youtube.com/watch?v=9DWvbbvnp6s

Curriki. (2016, marzo 2). Computational Thinking: Decomposition [Video]. YouTube. https://www.youtube.com/watch?v=9DWvbbvnp6s

Rutatec. (2020, junio 12). Pensamiento Computacional, sesión 2: Descomposición (español) [Video]. YouTube. https://www.youtube.com/watch?v=yQVTijX437c

Buitrago, C. (2022, mayo 24). Descomposición, habilidad del pensamiento computacional [Video]. YouTube. https://www.youtube.com/watch?v=WHvB3teRacI

Referencias

Parnas, D. L. (1972). On the criteria to be used in decomposing systems into modules. Communications of the ACM, 15(12), 1053–1058. https://doi.org/10.1145/361598.361623

Pólya, G. (1945). How to solve it: A new aspect of mathematical method. Princeton University Press.

Simon, H. A. (1962). The architecture of complexity. Proceedings of the American Philosophical Society, 106(6), 467–482.

Shute, V. J., Sun, C., & Asbell Clarke, J. (2017). Demystifying computational thinking. Educational Research Review, 22, 142–158. https://doi.org/10.1016/j.edurev.2017.09.003

United Nations General Assembly. (2015). Transforming our world: The 2030 Agenda for Sustainable Development (A/RES/70/1). https://www.un.org/sustainabledevelopment/es/2015/09/la-asamblea-general-adopta-la-agenda-2030-para-el-desarrollo-sostenible

Wing, J. M. (2006). Computational thinking. Communications of the ACM, 49(3), 33–35. https://doi.org/10.1145/1118178.1118215

Casillas Muñoz, F. A. G., Vázquez Parra, J. C., Alcántar Nieblas, C., & Martínez Reyes, M. (2024, octubre 21). Pensamiento computacional: descomposición [Video]. YouTube. https://www.youtube.com/watch?v=9DWvbbvnp6s

Curriki. (2016, marzo 2). Computational Thinking: Decomposition [Video]. YouTube. https://www.youtube.com/watch?v=9DWvbbvnp6s

Rutatec. (2020, junio 12). Pensamiento Computacional, sesión 2: Descomposición (español) [Video]. YouTube. https://www.youtube.com/watch?v=yQVTijX437c

Buitrago, C. (2022, mayo 24). Descomposición, habilidad del pensamiento computacional [Video]. YouTube. https://www.youtube.com/watch?v=WHvB3teRacI

Referencias

Referencias General, O. A. (2015). Agenda 2030 para el Desarrollo Sostenible. https://www.un.org/sustainabledevelopment/es/2015/09/la-asamblea-general-adopta-la-agenda-2030-para-el-desarrollo-sostenible Ramírez-Montoya, M. S., Basabe, F. E., Arroyo, M. C., Zúñiga, I. A. P., & Portuguez-Castro, M. (2024). Modelo abierto de pensamiento complejo para el futuro de la educación. Barcelona, Spain: Octaedro. https://hdl.handle.net/11285/652033

Referencias

Bishop, C. M. (2006). Pattern recognition and machine learning. Springer.

Cleveland, W. S. (1993). Visualizing data. Hobart Press.

Duque Hernández, Á. Y., & Gil Ramos, L. P. (s. f.). Reconocimiento de patrones. INTEF, Ministerio de Educación y Formación Profesional. Recuperado el 11 de febrero de 2026, de https://descargas.intef.es/recursos_educativos/ODES_SGOA/Primaria/Descifrando_el_codigo_con_Ada/reconocimiento_de_patrones.html

Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning: Data mining, inference, and prediction (2nd ed.). Springer.

Ramírez Montoya, M. S., Basabe, F. E., Arroyo, M. C., Patiño Zúñiga, I. A., & Portuguez Castro, M. (2024). Modelo abierto de pensamiento complejo para el futuro de la educación. Octaedro. https://hdl.handle.net/11285/652033

Tukey, J. W. (1977). Exploratory data analysis. Addison Wesley.

United Nations General Assembly. (2015). Transforming our world: The 2030 Agenda for Sustainable Development (A/RES/70/1). https://www.un.org/sustainabledevelopment/es/2015/09/la-asamblea-general-adopta-la-agenda-2030-para-el-desarrollo-sostenible

Ceibal. (2021, mayo 19). Representaciones y patrones, pensamiento computacional #PCtubers [Video]. YouTube. https://www.youtube.com/watch?v=R1TScQpaLZI

Research 4 Challenges. (2024, octubre 21). Pensamiento computacional: reconocimiento de patrones [Video]. YouTube. https://www.youtube.com/watch?v=r5HKiwHLOks

Research 4 Challenges. (2024, abril 17). Identificación de patrones y diseño de algoritmos en bioinformática [Video]. YouTube. https://www.youtube.com/watch?v=9mKaUkVY6hU

Glosario

Abstracción: proceso de identificar las características esenciales de un problema o sistema y representar solo la información relevante para su análisis o solución.

Algoritmo: conjunto finito de instrucciones no ambiguas que transforman una entrada en una salida para resolver una clase de problemas.

Descomposición: estrategia de particionar un problema en subproblemas más pequeños, con interfaces o dependencias claras, para facilitar su resolución.

Eficiencia: medida del desempeño de una solución respecto al consumo de recursos, típicamente tiempo de ejecución y uso de memoria, o recursos operativos en un modelo.

Escenario: configuración específica de parámetros, entradas y restricciones utilizada para evaluar el comportamiento de un modelo o simulación bajo ciertas condiciones.

Modelo predictivo: modelo que estima resultados futuros o no observados a partir de patrones en datos y relaciones entre variables.

Parámetro: valor de configuración que controla el comportamiento de un modelo, algoritmo o simulación y se define antes o durante su ejecución.

Pensamiento computacional: enfoque de formulación y resolución de problemas mediante abstracción, descomposición, reconocimiento de patrones y diseño algorítmico.

Procedimiento: secuencia definida de operaciones para ejecutar una tarea, con pasos especificados y condiciones de aplicación.

Razonamiento lógico: proceso inferencial basado en reglas de validez para derivar conclusiones a partir de premisas y condiciones.

Reconocimiento de patrones: identificación sistemática de regularidades, similitudes o estructuras repetibles que permiten generalizar o reutilizar soluciones.

Variable: entidad cuantificable o categórica cuyo valor puede cambiar y que representa un atributo relevante del sistema o problema modelado.

Glosario

Abstracción: proceso de identificar las características esenciales de un problema o sistema y representar solo la información relevante para su análisis o solución.

Algoritmo: conjunto finito de instrucciones no ambiguas que transforman una entrada en una salida para resolver una clase de problemas.

Descomposición: estrategia de particionar un problema en subproblemas más pequeños, con interfaces o dependencias claras, para facilitar su resolución.

Eficiencia: medida del desempeño de una solución respecto al consumo de recursos, típicamente tiempo de ejecución y uso de memoria, o recursos operativos en un modelo.

Escenario: configuración específica de parámetros, entradas y restricciones utilizada para evaluar el comportamiento de un modelo o simulación bajo ciertas condiciones.

Modelo predictivo: modelo que estima resultados futuros o no observados a partir de patrones en datos y relaciones entre variables.

Parámetro: valor de configuración que controla el comportamiento de un modelo, algoritmo o simulación y se define antes o durante su ejecución.

Pensamiento computacional: enfoque de formulación y resolución de problemas mediante abstracción, descomposición, reconocimiento de patrones y diseño algorítmico.

Procedimiento: secuencia definida de operaciones para ejecutar una tarea, con pasos especificados y condiciones de aplicación.

Razonamiento lógico: proceso inferencial basado en reglas de validez para derivar conclusiones a partir de premisas y condiciones.

Reconocimiento de patrones: identificación sistemática de regularidades, similitudes o estructuras repetibles que permiten generalizar o reutilizar soluciones.

Variable: entidad cuantificable o categórica cuyo valor puede cambiar y que representa un atributo relevante del sistema o problema modelado.

1. Caso de Estudio

Escenario de uso a través de retos de ODS

En esta sección, pondremos en práctica la subcompetencia de diseño de algoritmos del pensamiento computacional con el fin de abordar una problemática global: El acceso a energía eléctrica limpia y no contaminante, correspondiente al ODS 7.

Caso de estudio. En una zona rural situada en una región en vías de desarrollo, el acceso a una fuente confiable de electricidad es escaso, lo que representa un reto significativo para cubrir las necesidades energéticas esenciales. La población está conformada por viviendas pequeñas, cuyos requerimientos de energía son relativamente bajos, centrados principalmente en iluminación, refrigeración y ventilación. No obstante, ante la ausencia de una red eléctrica centralizada, los habitantes dependen en gran medida de combustibles fósiles, los cuales resultan costosos y perjudiciales para el medio ambiente. Te invitamos a analizar la situación y a aplicar el diseño de algoritmos para calcular la demanda energética de una vivienda en una comunidad rural, y proponer un dimensionamiento de un sistema fotovoltaico. Para apoyar este proceso, usaremos el “laboratorio de energía”.

Referencias

Barr, V., & Stephenson, C. (2011). Bringing computational thinking to K-12: What is Involved and What is the Role of the Computer Science Education Community? ACM Inroads, 2(1), 48–54. https://doi.org/10.1145/1929887.1929905

Papert, S. (1980). Mindstorms: Children, computers, and powerful ideas. Basic Books.

Shute, V. J., Sun, C., & Asbell Clarke, J. (2017). Demystifying computational thinking. Educational Research Review, 22, 142–158. https://doi.org/10.1016/j.edurev.2017.09.003

Wing, J. M. (2006). Computational thinking. Communications of the ACM, 49(3), 33–35. https://doi.org/10.1145/1118178.1118215

UNESCO. (2021). Marco de competencias de los docentes en materia de TIC (versión 3). Organización de las Naciones Unidas para la Educación, la Ciencia y la Cultura. https://unesdoc.unesco.org/

Ramírez Montoya, M. S., Basabe, F. E., Arroyo, M. C., Zúñiga, I. A. P., & Portuguez Castro, M. (2024). Modelo abierto de pensamiento complejo para el futuro de la educación. Octaedro. https://hdl.handle.net/11285/652033

Tariq, R., Aponte Babines, B. M., Ramirez, J., Alvarez Icaza, I., & Naseer, F. (2025). Computational thinking in STEM education: current state of the art and future research directions. Frontiers in Computer Science.

Zapata Ros, M. (2019). Pensamiento computacional desenchufado. Education in the Knowledge Society (EKS), 20, 1–17.

Glosario

Abstracción computacional: subcompetencia del pensamiento computacional que permite centrarse en los elementos esenciales de un problema y omitir detalles que no aportan a su solución.Abstracción de datos: tipo de abstracción que organiza y representa información mediante estructuras o entidades, ocultando detalles de implementación.

Abstracción estructural: tipo de abstracción que describe un sistema por su organización y relaciones entre componentes, sin entrar en detalles internos.

Abstracción funcional: tipo de abstracción que encapsula instrucciones reutilizables como funciones o bloques, priorizando el propósito sobre el detalle.

Abstracción jerárquica: tipo de abstracción que organiza un sistema por niveles, separando componentes generales y específicos.

Componente esencial: elemento indispensable del problema o sistema que debe conservarse en la representación para que la solución sea válida.

Encapsulación: principio de diseño que agrupa instrucciones o lógica en una unidad reutilizable, ocultando su complejidad interna.

Modelado: proceso de construir una representación simplificada de una situación o sistema para analizarlo y tomar decisiones.

Simulación: ejecución de un modelo bajo condiciones definidas para observar comportamientos y comparar escenarios.

Variable: atributo del modelo o problema cuyo valor puede cambiar y afectar los resultados de una simulación o análisis.

Referencias

Parnas, D. L. (1972). On the criteria to be used in decomposing systems into modules. Communications of the ACM, 15(12), 1053–1058. https://doi.org/10.1145/361598.361623

Pólya, G. (1945). How to solve it: A new aspect of mathematical method. Princeton University Press.

Simon, H. A. (1962). The architecture of complexity. Proceedings of the American Philosophical Society, 106(6), 467–482.

Shute, V. J., Sun, C., & Asbell Clarke, J. (2017). Demystifying computational thinking. Educational Research Review, 22, 142–158. https://doi.org/10.1016/j.edurev.2017.09.003

United Nations General Assembly. (2015). Transforming our world: The 2030 Agenda for Sustainable Development (A/RES/70/1). https://www.un.org/sustainabledevelopment/es/2015/09/la-asamblea-general-adopta-la-agenda-2030-para-el-desarrollo-sostenible

Wing, J. M. (2006). Computational thinking. Communications of the ACM, 49(3), 33–35. https://doi.org/10.1145/1118178.1118215

Casillas Muñoz, F. A. G., Vázquez Parra, J. C., Alcántar Nieblas, C., & Martínez Reyes, M. (2024, octubre 21). Pensamiento computacional: descomposición [Video]. YouTube. https://www.youtube.com/watch?v=9DWvbbvnp6s

Curriki. (2016, marzo 2). Computational Thinking: Decomposition [Video]. YouTube. https://www.youtube.com/watch?v=9DWvbbvnp6s

Rutatec. (2020, junio 12). Pensamiento Computacional, sesión 2: Descomposición (español) [Video]. YouTube. https://www.youtube.com/watch?v=yQVTijX437c

Buitrago, C. (2022, mayo 24). Descomposición, habilidad del pensamiento computacional [Video]. YouTube. https://www.youtube.com/watch?v=WHvB3teRacI

Glosario

Árbol de decisiones: representación jerárquica de decisiones y resultados posibles mediante nodos y ramas.

Componente: unidad funcional identificable dentro de un sistema o problema descompuesto.

Descomposición: estrategia de particionar un problema complejo en subproblemas abordables.

Diagrama de flujo: representación gráfica de un procedimiento mediante símbolos y flechas que describen el flujo de acciones.

Procedimiento: secuencia definida de pasos para ejecutar una tarea o resolver un subproblema.

Proceso: conjunto de operaciones que transforman entradas en salidas dentro de un sistema.

Subproblema: parte del problema original que puede analizarse y resolverse de manera independiente o semiautónoma.

Subsistema: subconjunto de elementos de un sistema que cumple una función específica e interactúa con otros subsistemas.

Variable: atributo del sistema o problema cuyo valor puede cambiar y afectar los resultados.

Secuencia: orden explícito de pasos que establece la ejecución lógica de un procedimiento.

Temario

Implementación de Soluciones con Pensamiento Complejo

Módulo:Procedimiento y Pensamiento Computacional

Módulo : Algoritmos

Da clic para ir a un subtema específico

1.1. Objetivo

5.1. Objetivo

1.2. Aprende

5.2. Aprende

1.3. Construye

5.3. Construye

1.4. Reflexiona

5.4. Reflexiona

1.5. Saber más...

5.5. Saber más...

Módulo: Abstracción

Módulo : Patrones

Da clic para ir a un subtema específico

2.1. Objetivo

4.1. Objetivo

2.2. Aprende

Módulo : Algoritmos

4.2. Aprende

2.3. Construye

4.3. Construye

2.4. Reflexiona

4.4. Reflexiona

2.5. Saber más...

4.5. Saber más...

Da clic para ir a un subtema específico

3.1. Objetivo

3.2. Aprende

3.3. Construye

3.4. Reflexiona

3.5. Saber más...

Glosario

Abstracción computacional: subcompetencia del pensamiento computacional que permite centrarse en los elementos esenciales de un problema y omitir detalles que no aportan a su solución.Abstracción de datos: tipo de abstracción que organiza y representa información mediante estructuras o entidades, ocultando detalles de implementación.

Abstracción estructural: tipo de abstracción que describe un sistema por su organización y relaciones entre componentes, sin entrar en detalles internos.

Abstracción funcional: tipo de abstracción que encapsula instrucciones reutilizables como funciones o bloques, priorizando el propósito sobre el detalle.

Abstracción jerárquica: tipo de abstracción que organiza un sistema por niveles, separando componentes generales y específicos.

Componente esencial: elemento indispensable del problema o sistema que debe conservarse en la representación para que la solución sea válida.

Encapsulación: principio de diseño que agrupa instrucciones o lógica en una unidad reutilizable, ocultando su complejidad interna.

Modelado: proceso de construir una representación simplificada de una situación o sistema para analizarlo y tomar decisiones.

Simulación: ejecución de un modelo bajo condiciones definidas para observar comportamientos y comparar escenarios.

Variable: atributo del modelo o problema cuyo valor puede cambiar y afectar los resultados de una simulación o análisis.

Glosario

Algoritmo: conjunto finito de instrucciones no ambiguas para transformar una entrada en una salida.

Ambigüedad: propiedad indeseable de una instrucción que admite interpretaciones múltiples.

Diagrama de flujo: notación gráfica para representar el flujo de control de un algoritmo mediante símbolos normalizados.

Eficiencia: desempeño respecto al consumo de recursos (tiempo, memoria u otros recursos operativos).

Estructura de control: constructo que determina el orden de ejecución (secuencia, selección, iteración).

Finitud: propiedad de un algoritmo que garantiza terminación tras un número limitado de pasos.

Generalidad: capacidad de resolver múltiples instancias de un mismo tipo de problema.

Iteración: repetición controlada de un conjunto de instrucciones mediante una condición de parada.

Pseudocódigo: descripción semiformaI de un algoritmo independiente de un lenguaje de programación.

Secuencia: ejecución ordenada de instrucciones en el orden establecido.

Glosario

Anomalía: observación que se desvía de la regularidad esperada dentro de un conjunto de datos.

Atributo: característica observable usada para describir instancias en un conjunto de datos.

Conjunto de datos: colección estructurada de observaciones, variables y registros para análisis.

Correlación: medida de asociación estadística entre variables.

Patrón: regularidad identificable en datos, secuencias o comportamientos.

Patrón espaciotemporal: regularidad que combina variación espacial y temporal (por ejemplo, temperatura global por región y tiempo).

Serie temporal: secuencia de observaciones ordenadas por tiempo.

Tendencia: cambio direccional dominante en una serie de datos a lo largo del tiempo.

Visualización de datos: representación gráfica para explorar relaciones, distribuciones y patrones.

Modelo de aprendizaje automático: modelo computacional entrenado con datos para clasificar, predecir o detectar patrones.

Referencias

Naciones Unidas. (2015, septiembre 25). La Asamblea General adopta la Agenda 2030 para el Desarrollo Sostenible. https://www.un.org/sustainabledevelopment/es/2015/09/la-asamblea-general-adopta-la-agenda-2030-para-el-desarrollo-sostenible/

Ramírez Montoya, M. S., Basabe, F. E., Arroyo, M. C., Patiño Zúñiga, I. A., & Portuguez Castro, M. (2024). Modelo abierto de pensamiento complejo para el futuro de la educación. Octaedro. https://hdl.handle.net/11285/652033

Research 4 Challenges. (2024, octubre 21). Pensamiento computacional: abstracción [Video]. YouTube. https://www.youtube.com/watch?v=JNWdQ6leR1k

Pensamiento Computacional. (2024, junio 3). Abstracción en problemas [Video]. YouTube. https://www.youtube.com/watch?v=VZKCktZCQ_Q

Research 4 Challenges. (2024, octubre 17). Estrategias de abstracción y descomposición para comprender el ODS 1 y reconocer las diferentes formas de pobreza [Video]. YouTube. https://www.youtube.com/watch?v=DSbV55eGVQo

Research 4 Challenges. (s. f.). Abstracción y descomposición computacional en el campo de la epidemiología [Video]. YouTube. https://www.youtube.com/watch?v=ZJ9Utd_VtNE

Coursera. (s. f.). Introducción al pensamiento científico [Curso en línea]. Coursera. (En tu módulo aparece el recurso, pero sin liga explícita).

Barr, V., & Stephenson, C. (2011). Bringing computational thinking to K 12: What is involved and what is the role of the computer science education community? ACM Inroads, 2(1), 48–54. https://doi.org/10.1145/1929887.1929905

Shute, V. J., Sun, C., & Asbell Clarke, J. (2017). Demystifying computational thinking. Educational Research Review, 22, 142–158. https://doi.org/10.1016/j.edurev.2017.09.003

Wing, J. M. (2006). Computational thinking. Communications of the ACM, 49(3), 33–35. https://doi.org/10.1145/1118178.1118215

Referencias

Bishop, C. M. (2006). Pattern recognition and machine learning. Springer.

Cleveland, W. S. (1993). Visualizing data. Hobart Press.

Duque Hernández, Á. Y., & Gil Ramos, L. P. (s. f.). Reconocimiento de patrones. INTEF, Ministerio de Educación y Formación Profesional. Recuperado el 11 de febrero de 2026, de https://descargas.intef.es/recursos_educativos/ODES_SGOA/Primaria/Descifrando_el_codigo_con_Ada/reconocimiento_de_patrones.html

Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning: Data mining, inference, and prediction (2nd ed.). Springer.

Ramírez Montoya, M. S., Basabe, F. E., Arroyo, M. C., Patiño Zúñiga, I. A., & Portuguez Castro, M. (2024). Modelo abierto de pensamiento complejo para el futuro de la educación. Octaedro. https://hdl.handle.net/11285/652033

Tukey, J. W. (1977). Exploratory data analysis. Addison Wesley.

United Nations General Assembly. (2015). Transforming our world: The 2030 Agenda for Sustainable Development (A/RES/70/1). https://www.un.org/sustainabledevelopment/es/2015/09/la-asamblea-general-adopta-la-agenda-2030-para-el-desarrollo-sostenible

Ceibal. (2021, mayo 19). Representaciones y patrones, pensamiento computacional #PCtubers [Video]. YouTube. https://www.youtube.com/watch?v=R1TScQpaLZI

Research 4 Challenges. (2024, octubre 21). Pensamiento computacional: reconocimiento de patrones [Video]. YouTube. https://www.youtube.com/watch?v=r5HKiwHLOks

Research 4 Challenges. (2024, abril 17). Identificación de patrones y diseño de algoritmos en bioinformática [Video]. YouTube. https://www.youtube.com/watch?v=9mKaUkVY6hU

Glosario

Anomalía: observación que se desvía de la regularidad esperada dentro de un conjunto de datos.

Atributo: característica observable usada para describir instancias en un conjunto de datos.

Conjunto de datos: colección estructurada de observaciones, variables y registros para análisis.

Correlación: medida de asociación estadística entre variables.

Patrón: regularidad identificable en datos, secuencias o comportamientos.

Patrón espaciotemporal: regularidad que combina variación espacial y temporal (por ejemplo, temperatura global por región y tiempo).

Serie temporal: secuencia de observaciones ordenadas por tiempo.

Tendencia: cambio direccional dominante en una serie de datos a lo largo del tiempo.

Visualización de datos: representación gráfica para explorar relaciones, distribuciones y patrones.

Modelo de aprendizaje automático: modelo computacional entrenado con datos para clasificar, predecir o detectar patrones.

Glosario

Anomalía: observación que se desvía de la regularidad esperada dentro de un conjunto de datos.

Atributo: característica observable usada para describir instancias en un conjunto de datos.

Conjunto de datos: colección estructurada de observaciones, variables y registros para análisis.

Correlación: medida de asociación estadística entre variables.

Patrón: regularidad identificable en datos, secuencias o comportamientos.

Patrón espaciotemporal: regularidad que combina variación espacial y temporal (por ejemplo, temperatura global por región y tiempo).

Serie temporal: secuencia de observaciones ordenadas por tiempo.

Tendencia: cambio direccional dominante en una serie de datos a lo largo del tiempo.

Visualización de datos: representación gráfica para explorar relaciones, distribuciones y patrones.

Modelo de aprendizaje automático: modelo computacional entrenado con datos para clasificar, predecir o detectar patrones.

Referencias

Bishop, C. M. (2006). Pattern recognition and machine learning. Springer.

Cleveland, W. S. (1993). Visualizing data. Hobart Press.

Duque Hernández, Á. Y., & Gil Ramos, L. P. (s. f.). Reconocimiento de patrones. INTEF, Ministerio de Educación y Formación Profesional. Recuperado el 11 de febrero de 2026, de https://descargas.intef.es/recursos_educativos/ODES_SGOA/Primaria/Descifrando_el_codigo_con_Ada/reconocimiento_de_patrones.html

Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning: Data mining, inference, and prediction (2nd ed.). Springer.

Ramírez Montoya, M. S., Basabe, F. E., Arroyo, M. C., Patiño Zúñiga, I. A., & Portuguez Castro, M. (2024). Modelo abierto de pensamiento complejo para el futuro de la educación. Octaedro. https://hdl.handle.net/11285/652033

Tukey, J. W. (1977). Exploratory data analysis. Addison Wesley.

United Nations General Assembly. (2015). Transforming our world: The 2030 Agenda for Sustainable Development (A/RES/70/1). https://www.un.org/sustainabledevelopment/es/2015/09/la-asamblea-general-adopta-la-agenda-2030-para-el-desarrollo-sostenible

Ceibal. (2021, mayo 19). Representaciones y patrones, pensamiento computacional #PCtubers [Video]. YouTube. https://www.youtube.com/watch?v=R1TScQpaLZI

Research 4 Challenges. (2024, octubre 21). Pensamiento computacional: reconocimiento de patrones [Video]. YouTube. https://www.youtube.com/watch?v=r5HKiwHLOks

Research 4 Challenges. (2024, abril 17). Identificación de patrones y diseño de algoritmos en bioinformática [Video]. YouTube. https://www.youtube.com/watch?v=9mKaUkVY6hU

Glosario

Anomalía: observación que se desvía de la regularidad esperada dentro de un conjunto de datos.

Atributo: característica observable usada para describir instancias en un conjunto de datos.

Conjunto de datos: colección estructurada de observaciones, variables y registros para análisis.

Correlación: medida de asociación estadística entre variables.

Patrón: regularidad identificable en datos, secuencias o comportamientos.

Patrón espaciotemporal: regularidad que combina variación espacial y temporal (por ejemplo, temperatura global por región y tiempo).

Serie temporal: secuencia de observaciones ordenadas por tiempo.

Tendencia: cambio direccional dominante en una serie de datos a lo largo del tiempo.

Visualización de datos: representación gráfica para explorar relaciones, distribuciones y patrones.

Modelo de aprendizaje automático: modelo computacional entrenado con datos para clasificar, predecir o detectar patrones.

Referencias

Barr, V., & Stephenson, C. (2011). Bringing computational thinking to K-12: What is Involved and What is the Role of the Computer Science Education Community? ACM Inroads, 2(1), 48–54. https://doi.org/10.1145/1929887.1929905

Papert, S. (1980). Mindstorms: Children, computers, and powerful ideas. Basic Books.

Shute, V. J., Sun, C., & Asbell Clarke, J. (2017). Demystifying computational thinking. Educational Research Review, 22, 142–158. https://doi.org/10.1016/j.edurev.2017.09.003

Wing, J. M. (2006). Computational thinking. Communications of the ACM, 49(3), 33–35. https://doi.org/10.1145/1118178.1118215

UNESCO. (2021). Marco de competencias de los docentes en materia de TIC (versión 3). Organización de las Naciones Unidas para la Educación, la Ciencia y la Cultura. https://unesdoc.unesco.org/

Ramírez Montoya, M. S., Basabe, F. E., Arroyo, M. C., Zúñiga, I. A. P., & Portuguez Castro, M. (2024). Modelo abierto de pensamiento complejo para el futuro de la educación. Octaedro. https://hdl.handle.net/11285/652033

Tariq, R., Aponte Babines, B. M., Ramirez, J., Alvarez Icaza, I., & Naseer, F. (2025). Computational thinking in STEM education: current state of the art and future research directions. Frontiers in Computer Science.

Zapata Ros, M. (2019). Pensamiento computacional desenchufado. Education in the Knowledge Society (EKS), 20, 1–17.

Referencias

Cormen, T. H., Leiserson, C. E., Rivest, R. L., & Stein, C. (2022). Introduction to algorithms (4th ed.). The MIT Press. https://mitpress.mit.edu/9780262046305/introduction-to-algorithms

Dijkstra, E. W. (1976). A discipline of programming. Prentice Hall.

ISO. (1985). ISO 5807:1985 Information processing, documentation symbols and conventions for data, program and system flowcharts, program network charts and system resources charts. https://www.iso.org/standard/11955.html

Knuth, D. E. (1997). The art of computer programming, Volume 1: Fundamental algorithms (3rd ed.). Addison Wesley. https://dl.acm.org/doi/book/10.5555/260999

Ramírez Montoya, M. S., Basabe, F. E., Arroyo, M. C., Patiño Zúñiga, I. A., & Portuguez Castro, M. (2024). Modelo abierto de pensamiento complejo para el futuro de la educación. Octaedro. https://hdl.handle.net/11285/652033

United Nations General Assembly. (2015). Transforming our world: The 2030 Agenda for Sustainable Development (A/RES/70/1). https://www.un.org/sustainabledevelopment/es/2015/09/la-asamblea-general-adopta-la-agenda-2030-para-el-desarrollo-sostenible

IdeoDigitalChile. (s. f.). Algoritmos en la vida diaria [Video]. YouTube. https://www.youtube.com/watch?v=X5hqLqWEh4s

Ceibal. (s. f.). Algoritmos, pensamiento computacional #PCtubers [Video]. YouTube. https://www.youtube.com/watch?v=eKjJXgIbeb8

IIMAS UNAM. (s. f.). Pláticas de pensamiento computacional: Algoritmos en la vida cotidiana [Video]. YouTube. https://www.youtube.com/watch?v=RlMA3FhZ_ZQ

UNICEF Perú. (s. f.). +TEC, episodio 6: El pensamiento computacional para resolver problemas y asumir retos [Video]. YouTube. https://www.youtube.com/watch?v=iBw1zDOkRn0

Glosario

Abstracción computacional: subcompetencia del pensamiento computacional que permite centrarse en los elementos esenciales de un problema y omitir detalles que no aportan a su solución.Abstracción de datos: tipo de abstracción que organiza y representa información mediante estructuras o entidades, ocultando detalles de implementación.

Abstracción estructural: tipo de abstracción que describe un sistema por su organización y relaciones entre componentes, sin entrar en detalles internos.

Abstracción funcional: tipo de abstracción que encapsula instrucciones reutilizables como funciones o bloques, priorizando el propósito sobre el detalle.

Abstracción jerárquica: tipo de abstracción que organiza un sistema por niveles, separando componentes generales y específicos.

Componente esencial: elemento indispensable del problema o sistema que debe conservarse en la representación para que la solución sea válida.

Encapsulación: principio de diseño que agrupa instrucciones o lógica en una unidad reutilizable, ocultando su complejidad interna.

Modelado: proceso de construir una representación simplificada de una situación o sistema para analizarlo y tomar decisiones.

Simulación: ejecución de un modelo bajo condiciones definidas para observar comportamientos y comparar escenarios.

Variable: atributo del modelo o problema cuyo valor puede cambiar y afectar los resultados de una simulación o análisis.

View

Microcourse: Team Cybersecurity

View

Microcourse: Key Skills for the Professional Environment

View

Microcourse: Introduction to HTML

View

The Meeting Microlearning

View

The Meeting Microlearning Mobile

View

Isometric video mobile

View

Circles video mobile

Pensamiento Computacional

Start designing with a free template

View

Microcourse: Team Cybersecurity

View

Microcourse: Key Skills for the Professional Environment

View

Microcourse: Introduction to HTML

View

The Meeting Microlearning

View

The Meeting Microlearning Mobile

View

Isometric video mobile

View

Circles video mobile

Transcript

Implementación de Soluciones con Pensamiento Computacional

Desarrolla habilidades clave en pensamiento computacional.

Bienvenida

Curso en línea: Implementación de Soluciones con Pensamiento Computacional

Da clic para visualizar el video de bienvenida al curso.

Accede al contenido del curso:

Compromiso de honor académico

Firma aquí.

Al aceptar, te comprometes con el Compromiso de honor académico.

Declaración de compromiso de honor académico

Módulo 1: Procedimiento y Pensamiento Computacional

Glosario

Referencias

Procedimiento y Pensamiento Computacional

1.1. Objetivo

1.2. Aprende

1.3. Construye

1.4. Reflexiona

1.5. Saber más...

Módulo 1: Procedimiento y Pensamiento Computacional

Glosario

Referencias

1.1. Objetivo

1.1. Objetivo

1.2. Aprende

1.3. Construye

1.4. Reflexiona

1.5. Saber más...

Módulo 1: Procedimiento y Pensamiento Computacional

Glosario

Referencias

1.2. Aprende

1.1. Objetivo

1.2. Aprende

1.3. Construye

Introducción al Pensamiento computacional y su estructura

1.4. Reflexiona

1.5. Saber más...

1.2. Aprende

00:30

Quiz

1.2. Aprende

00:30

Quiz

Módulo 1: Procedimiento y Pensamiento Computacional

Glosario

Referencias

1.3. Construye

1.1. Objetivo

Aplicar las subcompetencias del pensamiento computacional para analizar datos, construir modelos predictivos y proponer soluciones sostenibles en distintos contextos de la vida diaria.

1.2. Aprende

1.3. Construye

1.4. Reflexiona

1.5. Saber más...

Módulo 1: Procedimiento y Pensamiento Computacional

Glosario

Referencias

1.4. Reflexiona

¡Gracias por reflexionar y compartir tu perspectiva!

1.1. Objetivo

¿Cómo podrías aplicar el pensamiento computacional en tu entorno académico, profesional o personal?

Instrucciones para participar:

1.2. Aprende