Introducción a los Algoritmos Sección 1: Fundamentos de Algoritmos y Notación Asintótica ¿Qué es un Algoritmo? Definición: Una secuencia de pasos computacionales bien definidos para transformar una entrada en una salida, resolviendo un problema computacional. Características: Precisión, finitud, determinismo (generalmente), entrada, salida. Ejemplos: Algoritmos de ordenamiento (insertion sort, merge sort), búsqueda de la ruta más corta, problemas de flujo máximo, problemas NP-completos (traveling salesman). El Rol de los Algoritmos como Tecnología Los algoritmos son tan cruciales para el rendimiento del sistema como el hardware rápido. La eficiencia algorítmica se vuelve más pronunciada con tamaños de entrada más grandes (ej., comparación entre insertion sort O(n^2) y merge sort O(n log n)). Una sólida base algorítmica distingue a los programadores expertos. Análisis de Algoritmos Tiempo de Ejecución: Depende del tamaño de la entrada y, en algunos casos, del orden de la entrada. Análisis del peor caso: Proporciona un límite superior en el tiempo de ejecución para cualquier entrada de un tamaño dado. Es el enfoque más común. Análisis del caso promedio: Considera la distribución de las entradas y calcula el tiempo de ejecución esperado. Requiere supuestos sobre la distribución de las entradas o el uso de algoritmos aleatorios. Modelo RAM (Random-Access Machine): Un modelo de computación donde las instrucciones se ejecutan secuencialmente, y cada instrucción básica (aritmética, movimiento de datos, control) toma un tiempo constante. Notación Asintótica Propósito: Describir el comportamiento limitante del tiempo de ejecución o el uso de espacio de un algoritmo a medida que el tamaño de la entrada tiende a infinito, abstrayendo los factores constantes y los términos de orden inferior. O-notación (Big-O): Límite superior asintótico. f(n) = O(g(n)) significa que existen constantes positivas c y n0 tales que 0 ≤ f(n) ≤ c g(n) para todo n ≥ n0. Ω-notación (Big-Omega): Límite inferior asintótico. f(n) = Ω(g(n)) significa que existen constantes positivas c y n0 tales que 0 ≤ c g(n) ≤ f(n) para todo n ≥ n0. Θ-notación (Big-Theta): Límite asintótico estrecho (superior e inferior). f(n) = Θ(g(n)) significa que existen constantes positivas c1, c2 y n0 tales que 0 ≤ c1 g(n) ≤ f(n) ≤ c2 g(n) para todo n ≥ n0. o-notación (Small-o): Límite superior no estrecho. f(n) = o(g(n)) significa que lim (n→∞) f(n)/g(n) = 0. ω-notación (Small-omega): Límite inferior no estrecho. f(n) = ω(g(n)) significa que lim (n→∞) f(n)/g(n) = ∞. Propiedades comunes: Monotonicidad, pisos y techos, factoriales, logaritmos, exponenciales. Uso en ecuaciones: Cuando la notación asintótica aparece en una fórmula, representa alguna función anónima. Sección 2: Diseño de Algoritmos Paradigmas de Diseño Comunes:Divide y Vencerás: Divide un problema en subproblemas más pequeños del mismo tipo, resuelve recursivamente los subproblemas y luego combina sus soluciones para resolver el problema original (ej., merge sort, problema del subarreglo máximo). Análisis con Recurrencias: T(n) = aT(n/b) + D(n) + C(n), donde ‘a’ es el número de subproblemas, ’n/b’ es el tamaño de cada subproblema, ‘D(n)’ es el tiempo de división, y ‘C(n)’ es el tiempo de combinación. Método Maestro: Un método para resolver recurrencias de la forma T(n) = aT(n/b) + f(n) en los tres casos principales. Programación Dinámica: Se aplica a problemas con subestructura óptima y subproblemas superpuestos. Resuelve cada subproblema solo una vez y almacena sus soluciones en una tabla para evitar recálculos. Subestructura Óptima: Una solución óptima al problema contiene soluciones óptimas a subproblemas. Subproblemas Superpuestos: Un algoritmo recursivo resuelve los mismos subproblemas una y otra vez. Enfoques: Top-down con memoización (almacenamiento en caché de resultados de subproblemas) o bottom-up (construyendo soluciones desde los subproblemas más pequeños). Ejemplos: Problema de corte de varillas, multiplicación de cadena de matrices, subsecuencia común más larga, árboles de búsqueda binarios óptimos. Algoritmos Voraces: En cada paso, hace una elección que parece ser la mejor en ese momento, con la esperanza de que conduzca a una solución globalmente óptima. Propiedad de elección voraz: Una elección voraz localmente óptima conduce a una solución globalmente óptima. Subestructura óptima: Similar a la programación dinámica, pero la elección voraz deja solo un subproblema por resolver. Ejemplos: Problema de selección de actividades, códigos de Huffman, algoritmos de Kruskal y Prim para el árbol de expansión mínima, programación de tareas con plazos y penalizaciones. Análisis Amortizado: Analiza una secuencia de operaciones, no el peor caso individual de cada operación, sino el costo total de la secuencia, promediando el costo a lo largo de las operaciones. Métodos: Método de agregación (límite superior en el costo total de n operaciones), método contable (asignar costos amortizados a operaciones individuales, usando “crédito”), método potencial (uso de una función potencial para absorber o liberar costo). Ejemplos: Operaciones de pila (PUSH, POP, MULTIPOP), contadores binarios, tablas dinámicas (expansión/contracción). Sección 3: Estructuras de Datos Fundamentales Estructuras de Datos Elementales Pilas (Stacks): LIFO (Last-In, First-Out) - PUSH, POP. Implementación con arreglos. Colas (Queues): FIFO (First-In, First-Out) - ENQUEUE, DEQUEUE. Implementación con arreglos circulares. Listas Enlazadas (Linked Lists):Sencillamente enlazadas, doblemente enlazadas (prev, next). Operaciones: SEARCH, INSERT (O(1)), DELETE (O(1) si se da un puntero al nodo, O(n) si se busca por clave). Implementación de punteros y objetos usando arreglos para entornos sin tipos de puntero explícitos. Árboles Arraigados (Rooted Trees):Árboles binarios: Punteros a padre, hijo izquierdo, hijo derecho. Árboles con ramificación ilimitada: Representación de hijo-izquierdo, hermano-derecho (O(n) espacio). Tablas Hash (Hash Tables) Propósito: Implementar diccionarios (INSERT, DELETE, SEARCH) con tiempo promedio O(1). Direccionamiento Directo: Si el universo de claves es pequeño, usar un arreglo donde el índice es la clave. Colisiones: Mapeo de múltiples claves a la misma ranura. Encadenamiento (Chaining): Cada ranura de la tabla hash apunta a una lista enlazada de elementos que se han dispersado a esa ranura. Direccionamiento Abierto (Open Addressing): Todas las claves se almacenan directamente en la tabla hash. Las colisiones se resuelven sondeando sistemáticamente ranuras alternativas. Sondeo Lineal, Sondeo Cuadrático, Doble Hashing. Funciones Hash: Una función que mapea una clave a un índice de tabla. Hashing Universal: Una familia de funciones hash donde una función aleatoria de la familia tiene una baja probabilidad de colisión. Análisis Probabilístico: Uso de variables aleatorias indicadoras para analizar el comportamiento promedio. Árboles de Búsqueda Binarios (Binary Search Trees - BSTs) Propiedad: Para cada nodo x, todas las claves en su subárbol izquierdo son menores que x.key, y todas las claves en su subárbol derecho son mayores que x.key. Operaciones: SEARCH, MINIMUM, MAXIMUM, SUCCESSOR, PREDECESSOR, INSERT, DELETE. Todas O(h) donde h es la altura del árbol. Árboles aleatoriamente construidos: Altura esperada O(log n). Análisis del peor caso: La altura puede ser O(n), llevando a operaciones O(n). Árboles Rojo-Negros (Red-Black Trees) Propósito: Mantener el equilibrio de un BST para garantizar que la altura sea O(log n) en el peor caso. Propiedades:Todo nodo es rojo o negro. La raíz es negra. Cada hoja (NIL) es negra. Si un nodo es rojo, entonces ambos hijos son negros. Para cada nodo, todos los caminos simples del nodo a las hojas descendientes contienen el mismo número de nodos negros (altura-negra). Operaciones: SEARCH, MINIMUM, MAXIMUM, SUCCESSOR, PREDECESSOR, INSERT, DELETE. Todas O(log n) en el peor caso. Rotaciones: Operaciones para cambiar la estructura del árbol sin violar la propiedad de BST, utilizadas para mantener las propiedades rojo-negro después de inserciones y eliminaciones. Aumentando Estructuras de Datos Concepto: Almacenar información adicional en una estructura de datos existente y extender las operaciones para mantener y usar esta información. Pasos:Elegir una estructura de datos subyacente (ej., árbol rojo-negro). Determinar la información adicional que se mantendrá en cada nodo. Verificar que la información adicional pueda mantenerse eficientemente con las operaciones del árbol (ej., INSERT, DELETE, ROTATIONS). Desarrollar nuevas operaciones usando la información adicional. Ejemplos: Árboles de estadísticas de orden (para encontrar el i-ésimo elemento más pequeño o el rango de un elemento), árboles de intervalos (para encontrar intervalos superpuestos). Heapsort y Montículos (Heaps) Heap (Montículo binario): Un árbol binario casi completo que satisface la propiedad de montículo (cada nodo es mayor/menor que sus hijos). Max-heap: El padre es mayor o igual que sus hijos. Min-heap: El padre es menor o igual que sus hijos. Operaciones: MAX-HEAPIFY (O(log n)), BUILD-MAX-HEAP (O(n)), HEAPSORT (O(n log n)). Colas de prioridad: Implementadas eficientemente con heaps (INSERT, EXTRACT-MIN/MAX, DECREASE/INCREASE-KEY). Quicksort Concepto: Algoritmo de ordenamiento por divide y vencerás que ordena en su lugar. PARTITION: Un paso clave que divide el arreglo en dos subarreglos alrededor de un elemento pivote. Tiempo de ejecución: O(n^2) en el peor caso, pero O(n log n) esperado. Versiones aleatorizadas: Elige un pivote aleatoriamente para garantizar un buen rendimiento promedio en cualquier entrada. Ordenamiento en Tiempo Lineal Límites inferiores para el ordenamiento por comparación: Cualquier algoritmo de ordenamiento por comparación requiere Ω(n log n) comparaciones en el peor caso (modelo de árbol de decisión). Ordenamiento por Conteo (Counting Sort): Funciona para enteros en un rango pequeño [0, k]. Tiempo O(n + k). Estable. Ordenamiento por Raíces (Radix Sort): Ordena números dígito por dígito utilizando un ordenamiento estable como Counting Sort. Tiempo O(d(n + k)), donde d es el número de dígitos. Ordenamiento por Cubetas (Bucket Sort): Funciona para entradas de una distribución uniforme. Tiempo promedio O(n). Selección (Medianas y Estadísticas de Orden) Problema: Encontrar el i-ésimo elemento más pequeño en un conjunto de n números. Mínimo/Máximo: O(n) tiempo. RANDOMIZED-SELECT: Algoritmo por divide y vencerás con O(n) tiempo esperado. SELECT (tiempo lineal en el peor caso): Garantiza O(n) tiempo en el peor caso mediante una elección cuidadosa del pivote (mediana de medianas). Heaps de Fibonacci (Fibonacci Heaps) Propósito: Colas de prioridad fusionables con tiempos amortizados muy rápidos para ciertas operaciones (INSERT, MINIMUM, DECREASE-KEY, UNION). Operaciones:MAKE-HEAP, INSERT, MINIMUM: O(1) amortizado. EXTRACT-MIN, DELETE: O(log n) amortizado. UNION: O(1) amortizado. Cruciales para algoritmos de grafos asintóticamente rápidos. Árboles van Emde Boas (van Emde Boas Trees - vEB Trees) Propósito: Una estructura de datos para diccionarios (INSERT, DELETE, SEARCH, MINIMUM, MAXIMUM, SUCCESSOR, PREDECESSOR) que opera en tiempo O(log log u) en el peor caso, donde u es el tamaño del universo de claves. Restricciones: Las claves son enteros únicos en un rango restringido [0, u-1], donde u es una potencia exacta de 2. Estructura recursiva: Cada vEB(u) contiene un puntero summary a un vEB(sqrt(u)) y un arreglo cluster de sqrt(u) punteros a vEB(sqrt(u)) (aproximadamente). Coste de espacio: O(u), lo que puede ser grande si u es muy grande. Estructuras de Datos para Conjuntos Disjuntos (Disjoint Sets) Propósito: Mantener una colección de conjuntos disjuntos y admitir operaciones de UNIÓN (unir dos conjuntos) y FIND-SET (determinar el conjunto que contiene un elemento). Representación:Listas enlazadas: O(n) para UNION, O(1) para FIND-SET (si el representante está al principio). Bosques de conjuntos disjuntos (rooted trees): Cada nodo apunta a su padre, la raíz es el representante. Heurística de unión por rango (union by rank): Une el árbol de menor rango al de mayor rango para mantener la poca altura de los árboles. Heurística de compresión de camino (path compression): Durante un FIND-SET, cada nodo en el camino al representante se conecta directamente al representante. Rendimiento: Una secuencia de m operaciones en n elementos toma O(m α(n)) tiempo, donde α(n) es la inversa de la función de Ackermann, que crece increíblemente lento (efectivamente constante, ≤ 4). Sección 4: Algoritmos de Grafos Representaciones de Grafos Listas de adyacencia: Un arreglo de |V| listas, una para cada vértice, donde cada lista contiene los vértices adyacentes. Bueno para grafos dispersos (pocas aristas). Tiempo O(|V| + |E|). Matrices de adyacencia: Una matriz |V| x |V| donde A[i][j] es 1 si existe una arista (i, j), 0 en caso contrario (o el peso para grafos ponderados). Bueno para grafos densos (muchas aristas) y para búsquedas de existencia de aristas en O(1). Tiempo O(|V|^2). Búsqueda en Anchura (Breadth-First Search - BFS) Propósito: Explorar un grafo nivel por nivel, encontrando las distancias de caminos más cortos (en número de aristas) desde un vértice fuente. Uso: Cola para gestionar los vértices a visitar. Colorea los vértices (blanco: no descubierto, gris: descubierto pero no procesado, negro: procesado). Tiempo de ejecución: O(|V| + |E|). Propiedades: Encuentra la distancia de camino más corto δ(s, v), y construye un árbol de anchura (breadth-first tree) compuesto por las aristas predecesoras. Búsqueda en Profundidad (Depth-First Search - DFS) Propósito: Explorar un grafo tan profundo como sea posible a lo largo de cada rama antes de retroceder. Uso: Pila (implícita en la recursión) para gestionar los vértices. Colorea los vértices (blanco, gris, negro). Registra los tiempos de descubrimiento (d[v]) y finalización (f[v]). Tiempo de ejecución: O(|V| + |E|). Propiedades: Identifica tipos de aristas (árbol, retroceso, avance, cruce), y puede usarse para la ordenación topológica y encontrar componentes fuertemente conectados. Bosque de profundidad (Depth-first forest): Colección de árboles de profundidad construidos por el DFS. Ordenación Topológica (Topological Sort) Propósito: Producir una ordenación lineal de los vértices de un grafo dirigido acíclico (DAG) tal que para cada arista (u, v), u aparece antes que v en la ordenación. Algoritmo: Realiza un DFS y, al finalizar cada vértice (cuando se vuelve negro), lo inserta al principio de una lista. Tiempo de ejecución: O(|V| + |E|). Requisito: El grafo debe ser un DAG (sin ciclos). Si hay una arista de retroceso, el grafo no es un DAG. Componentes Fuertemente Conectados (Strongly Connected Components - SCCs) Definición: Para un grafo dirigido, un conjunto máximo de vértices C tal que para cada par de vértices u, v en C, existe un camino de u a v y de v a u. Algoritmo de Kosaraju/Tarjan: Un algoritmo de dos pasadas de DFS (primero en G, luego en G^T en orden decreciente de tiempos de finalización). Tiempo de ejecución: O(|V| + |E|). Árboles de Expansión Mínima (Minimum Spanning Trees - MSTs) Problema: Encontrar un subgrafo de un grafo ponderado, no dirigido y conectado que es un árbol, conecta todos los vértices, y tiene el peso total mínimo de las aristas. Propiedad de la arista ligera (Light-edge property): Para cualquier corte (S, V-S) que no divida las aristas de un subconjunto A de un MST, la arista de menor peso que cruza el corte es segura para A. Algoritmo de Kruskal: Un algoritmo voraz que añade aristas al MST en orden creciente de peso, siempre que no formen un ciclo. Utiliza una estructura de datos de conjuntos disjuntos. Tiempo O(|E| log |E|) o O(|E| log |V|). Algoritmo de Prim: Un algoritmo voraz que crece un árbol desde un vértice inicial, añadiendo en cada paso la arista de menor peso que conecta un vértice en el árbol a un vértice fuera del árbol. Utiliza una cola de prioridad. Tiempo O(|E| log |V|) con un heap binario o O(|E| + |V| log |V|) con un heap de Fibonacci. Caminos más Cortos de Fuente Única (Single-Source Shortest Paths) Problema: Encontrar los caminos de menor peso desde un vértice fuente s a todos los demás vértices en un grafo dirigido y ponderado. Relajación (Relaxation): La operación central que actualiza una estimación de la distancia (d[v]) y el predecesor (π[v]) para un vértice v si se encuentra un camino más corto a través de un vértice u. Algoritmo de Bellman-Ford: Resuelve para grafos con aristas de peso negativo, detecta ciclos de peso negativo. Tiempo O(|V| |E|). Caminos más cortos en DAGs: Funciona ordenando topológicamente los vértices y relajando las aristas en ese orden. Tiempo O(|V| + |E|). Algoritmo de Dijkstra: Funciona para grafos con aristas de peso no negativo. Utiliza una cola de prioridad para extraer el vértice con la estimación de distancia más pequeña. Tiempo O(|E| log |V|) con un heap binario o O(|E| + |V| log |V|) con un heap de Fibonacci. Caminos más Cortos para Todos los Pares (All-Pairs Shortest Paths) Problema: Encontrar los caminos de menor peso entre cada par de vértices en un grafo dirigido y ponderado. Enfoque de multiplicación de matrices: Extiende las rutas más cortas arista por arista. Tiempo O(|V|^3 log |V|) usando exponentiación por cuadrados. Algoritmo de Floyd-Warshall: Utiliza programación dinámica. Tiempo O(|V|^3). Puede manejar aristas de peso negativo pero no ciclos de peso negativo. Cierre transitivo: Determinar si existe un camino entre cada par de vértices, usando una variación de Floyd-Warshall con operaciones lógicas. Algoritmo de Johnson: Para grafos dispersos con aristas de peso negativo. Reweighting (reponderación) de aristas para hacerlas no negativas y luego ejecuta Dijkstra desde cada vértice. Tiempo O(|V| |E| + |V|^2 log |V|) con heap binario o O(|V| |E| + |V|^2 log |V|) con heap de Fibonacci. Flujo Máximo (Maximum Flow) Red de flujo: Un grafo dirigido con capacidades en las aristas, una fuente (s) y un sumidero (t). Flujo: Una función que asigna un valor a cada arista, sujeto a la restricción de capacidad y la conservación del flujo. Red residual: Representa la capacidad disponible en las aristas y permite reducir el flujo en una dirección para aumentar el flujo en la dirección opuesta. Camino de aumento (Augmenting path): Un camino de s a t en la red residual que puede transportar flujo adicional. Método de Ford-Fulkerson: Encuentra iterativamente caminos de aumento y empuja el flujo a través de ellos. Teorema de Flujo Máximo-Corte Mínimo: El valor de un flujo máximo es igual a la capacidad de un corte mínimo (una partición de los vértices en S y T con s en S y t en T). Algoritmos de Push-Relabel: Mantienen un preflujo (relajación de la conservación del flujo) y una función de altura. Mueven el exceso de flujo de vértices “desbordados” a “cuesta abajo” (con menor altura) y “relabelan” (aumentan la altura) de los vértices. Sección 5: Conceptos Avanzados y Temas Seleccionados Algoritmos Multihilo (Multithreaded Algorithms) Concepto: Describen el paralelismo lógico de una computación, indicando qué partes pueden ejecutarse en paralelo. Palabras clave: spawn (ejecución concurrente potencial), sync (esperar a que los hijos spawned terminen). DAG de computación: Un grafo dirigido acíclico que representa las dependencias entre hebras. Medidas de rendimiento:Trabajo (Work, T1): Tiempo de ejecución en un solo procesador (versión serializada). Span (T∞): La longitud de la ruta crítica más larga en el DAG de computación. Paralelismo (T1/T∞): Cantidad promedio de trabajo que se puede realizar en paralelo en cada paso de la ruta crítica. Speedup (T1/TP): Cuántas veces más rápido es el algoritmo en P procesadores que en 1 procesador. Limitado por P (ley del trabajo) y T1/T∞ (ley del span). Planificador voraz (Greedy scheduler): Asigna dinámicamente hebras a procesadores disponibles. Garantiza TP ≤ T1/P + T∞. Carreras de determinismo: Cuando el resultado de un programa multihilo puede variar debido al orden no determinista de las operaciones. Los algoritmos deben garantizar la independencia de las hebras paralelas. Aritmética Modular y Criptosistemas Conceptos básicos: Divisibilidad, números primos, compuestos, congruencia módulo n, MCD (GCD), MCD Extendido. Grupos: Aditivos (Z_n, +_n), multiplicativos (Z*_n, *_n). Inversos modulares: Soluciones a ax ≡ 1 (mod n). Existen si y solo si gcd(a, n) = 1. Exponenciación modular: Calcular a^b mod n eficientemente en O(log b) multiplicaciones. Criptosistema de clave pública RSA:Generación de claves: Elige dos primos grandes p, q; n = pq; φ(n) = (p-1)(q-1); elige e tal que gcd(e, φ(n))=1; calcula d tal que ed ≡ 1 (mod φ(n)). Clave pública: (e, n). Clave secreta: (d, n). Cifrado: C = M^e mod n. Descifrado: M = C^d mod n. Seguridad: Depende de la dificultad de factorizar n en p y q. Pruebas de primalidad (Primality testing):Pseudoprimos: Números compuestos que se comportan como primos para ciertas bases. Test de primalidad de Miller-Rabin: Un algoritmo aleatorizado que prueba si un número es compuesto. Si lo es, siempre devuelve COMPOSITE. Si es primo, devuelve PRIME con alta probabilidad. Sección 6: Conceptos Matemáticos Relevantes Series y Sumas: Fórmula para la suma de series geométricas, aritméticas. Logaritmos y Exponenciales: Propiedades de logaritmos binarios, naturales. Factoriales: n! = n * (n-1)!. Aproximación de Stirling. Números de Fibonacci: F_0=0, F_1=1, F_i = F_{i-1} + F_{i-2}. Relación con la razón áurea. Probabilidad: Eventos, espacio muestral, variables aleatorias indicadoras, valor esperado, distribución uniforme, distribución binomial. Cuestionario Instrucciones: Responda cada pregunta en 2-3 oraciones. ...

Lista de 6 Proyectos Posibles a Implementar Lista de proyectos a immplementar con Docker. Aplicación Web con Base de Datos: Este proyecto consiste en crear un entorno de desarrollo con una aplicación web (por ejemplo, en Python, Node.js o PHP) y una base de datos (como PostgreSQL o MySQL) que se ejecutan en contenedores separados. Es la forma más clásica de empezar con Docker Compose. Blog Estático con Contenedores: Usar Docker para servir un sitio web estático generado con herramientas como Jekyll o Hugo. El contenedor se encargaría de servir los archivos del blog, de forma muy ligera y eficiente. Ambiente de Desarrollo Local: Configurar un stack de contenedores para replicar un entorno de desarrollo de producción. Esto puede incluir un servidor web, una base de datos, un caché como Redis y otras herramientas, todo en contenedores, lo que garantiza que tu entorno sea idéntico al que usarías para deploy. Servidor de CI/CD Básico: Implementar un servidor de integración y despliegue continuo (CI/CD) usando contenedores. Por ejemplo, podrías usar un contenedor de Jenkins para automatizar el proceso de build y deploy de tu código. Microservicio en Contenedor: Construir un microservicio independiente (por ejemplo, una API REST) y empaquetarlo en un contenedor de Docker. Es una excelente forma de entender el concepto de encapsulamiento en un contenedor. Despliegue de un Servidor de Chat: Usar un stack de contenedores para un servidor de chat de código abierto (como Rocket.Chat). Esto te enseñaría a manejar servicios complejos con múltiples componentes y a configurarlos para que se comuniquen entre sí.

Con el objetivo de preparar un entorno de escritorio aislado para testeos y desarrollo, descartamos las versiones, Cinnamon y MATE a favor de XFCE por su bajo consumo de recursos. Después de descargar el ISO desde la página oficial y una vez configurada la máquina virtual asignándole los recursos necesarios, comenzamos la instalación: Configuración de la máquina virtual Al arrancar la máquina, VirtualBoxVM te vuelve a pedir la dirección del ISO. ...

Concepto de Funciones Una función es un bloque de código reutilizable que realiza una tarea específica. Pensá en una función como un “verbo” o una “acción” en tu programa. El propósito principal de las funciones es: Modularidad: Dividir un programa grande y complejo en partes más pequeñas y manejables. Reutilización de Código: Evitar la repetición de código. Si una tarea se realiza varias veces, la encapsulás en una función y la llamás cada vez que la necesitás, en lugar de reescribir el código. Abstracción: Ocultar los detalles internos de una operación. Por ejemplo, al usar la función print(), no necesitás saber cómo el sistema operativo muestra el texto en la pantalla; solo lo que la función lo hace. Tipos de Funciones En Python, hay dos tipos principales de funciones: ...