ES · Selectividad

Sistemas informáticos emergentes

Este tema reúne las cuatro tecnologías informáticas que están transformando la ingeniería actual: la inteligencia artificial y el aprendizaje automático, el «big data», las bases de datos distribuidas y la computación en la nube, y la ciberseguridad. El objetivo no es solo conocer cómo funcionan, sino valorar críticamente sus aplicaciones tecnológicas y sus implicaciones éticas, de privacidad y de seguridad. Ampliación — fuera del examen de Selectividad: según el alcance de examen previsto en el currículo, este saber básico de Tecnología e Ingeniería no se evalúa habitualmente en la fase de acceso de la PAU; se estudia por su valor formativo y como cultura tecnológica imprescindible, de modo que aquí se presenta de forma conceptual y no como contenido cuantitativo evaluable.

4 secciones~22 min de lectura2 competenciasRevisado · 07/2026

T·101010 / 11

Perfil de examen

CE5 · Diseñar, crear y evaluar sistemas tecnológicos, aplicando conocimientos de programación informática, regulación automática y control, así como las posibilidades que ofrecen las tecnologías emergentes, para estudiar, controlar y automatizar tareas.II.5.2 · Conocer y evaluar sistemas informáticos emergentes y sus implicaciones en la seguridad de los datos, analizando modelos existentes.

Operadores:describeexplicaanalizajustificarelacionavalorarazonainterpreta

nivel básico

Como materia de modalidad y contenido marcado «fuera del examen», basta con saber describir cada tecnología, reconocer un caso de uso real y enunciar su principal riesgo ético o de seguridad.

nivel avanzado

La profundización propia de Tecnología e Ingeniería pide relacionar las cuatro tecnologías entre sí (la IA se alimenta del big data, que vive en bases distribuidas en la nube, todo ello protegido por la ciberseguridad) y argumentar dilemas éticos con criterios técnicos y legales (RGPD).

Profundidad

Texto

Contenido · 4 secciones

Sistemas informáticos emergentes

4 secciones16 puntos clave1 fórmula16 errores típicos

Inteligencia artificial y aprendizaje automático#

~6 min de lecturaEstándarBOE-A-2022-5521 · Anexo II · Tecnología e Ingeniería II (2.º de Bachillerato) · Saberes básicos, bloque E (Sistemas informáticos emergentes): «Inteligencia artificial, big data, bases de datos distribuidas y ciberseguridad.»BOE-A-2022-5521 · Anexo II · Tecnología e Ingeniería II (2.º de Bachillerato) · Criterio de evaluación 5.2: «Conocer y evaluar sistemas informáticos emergentes y sus implicaciones en la seguridad de los datos, analizando modelos existentes.»

La inteligencia artificial (IA) es el campo de la informática que estudia cómo construir máquinas capaces de realizar tareas que, hechas por personas, exigirían inteligencia: percibir, razonar, decidir, aprender o comunicarse en lenguaje natural. Conviene distinguir desde el principio entre la IA «débil» o estrecha —sistemas especializados en una sola tarea, como reconocer una matrícula o traducir un texto, que es la que existe hoy de forma generalizada— y la IA «general», una hipotética máquina con capacidad humana en cualquier dominio, que todavía no se ha logrado. Casi toda la IA que usamos a diario es estrecha, y entender esa frontera evita expectativas y temores desmedidos.

El motor de la IA actual es el aprendizaje automático («machine learning»): en lugar de programar reglas explícitas para cada situación, se entrena un modelo con muchos datos para que descubra por sí mismo los patrones que relacionan las entradas con las salidas. Se distinguen tres grandes paradigmas. En el aprendizaje supervisado el modelo aprende de ejemplos etiquetados (imágenes marcadas como «gato» o «perro») y luego clasifica o predice sobre datos nuevos. En el no supervisado no hay etiquetas y el sistema agrupa o estructura los datos buscando regularidades (segmentar clientes por su comportamiento). En el aprendizaje por refuerzo un agente aprende por ensayo y error, recibiendo recompensas o penalizaciones, como ocurre al entrenar un robot para que camine o un programa para que juegue.

Una rama especialmente potente es el aprendizaje profundo («deep learning»), basado en redes neuronales artificiales: capas sucesivas de unidades de cálculo, inspiradas de forma muy simplificada en las neuronas, que transforman la entrada paso a paso hasta producir la salida. Cada conexión tiene un «peso» numérico que el entrenamiento va ajustando para reducir el error entre lo que el modelo predice y lo que debería predecir. Con muchas capas (de ahí «profundo») y enormes cantidades de datos, estas redes alcanzan resultados notables en visión por computador, reconocimiento de voz, traducción automática y los modelos de lenguaje. El flujo completo —datos, entrenamiento, modelo, predicción y, finalmente, realimentación— se resume en la figura principal del apartado (Fig. 1).

Flujo de un sistema de aprendizaje automático

Fig. 1 ↓

Es esencial comprender que un modelo de IA no «sabe» en sentido humano: reproduce los patrones de los datos con los que se entrenó. De ahí dos consecuencias directas. Si los datos están sesgados, el modelo hereda y amplifica ese sesgo; y como su funcionamiento interno puede ser opaco (la llamada «caja negra»), no siempre es fácil explicar por qué decidió lo que decidió. Por eso, en ingeniería, la calidad y representatividad de los datos y la verificación del comportamiento del sistema importan tanto como el algoritmo. Las aplicaciones tecnológicas son ya muy amplias: diagnóstico asistido en medicina, mantenimiento predictivo en la industria, conducción asistida, control de calidad por visión artificial o asistentes virtuales.

Vocabulario

→ Tarjetas

Inteligencia artificialCampo de la informática que construye máquinas capaces de realizar tareas que en una persona exigirían inteligencia: percibir, razonar, decidir, aprender o usar el lenguaje.
Aprendizaje automáticoEnfoque en el que no se programan reglas explícitas, sino que se ajusta un modelo con muchos datos hasta que descubre por sí mismo los patrones que unen entradas y salidas.
Aprendizaje supervisadoEntrenamiento con ejemplos etiquetados, en el que el modelo aprende a reproducir la etiqueta correcta y después clasifica o predice sobre datos nuevos.
Aprendizaje por refuerzoEntrenamiento en el que un agente aprende por ensayo y error a partir de recompensas y penalizaciones, sin disponer de ejemplos etiquetados de la respuesta correcta.
Red neuronal artificialModelo formado por capas sucesivas de unidades de cálculo unidas por pesos numéricos que el entrenamiento va ajustando para reducir el error de predicción.
Sesgo algorítmicoDistorsión sistemática que el modelo hereda de unos datos de entrenamiento poco representativos y que puede amplificar al aplicarse a casos reales.
Caja negraSituación en la que el funcionamiento interno del modelo resulta tan complejo que no puede explicarse por qué llegó a una decisión concreta.

La reproducción carga contenido de YouTube (Google).Abrir en YouTube ↗

Ejemplo resuelto

Lectura de una matriz de confusión

Un modelo de aprendizaje supervisado clasifica 200 piezas como «correcta» o «defectuosa». De las realmente defectuosas detecta 80 (verdaderos positivos) y falla 30 (falsos negativos); de las correctas acierta 70 (verdaderos negativos) y marca 20 como defectuosas siendo buenas (falsos positivos). Calcula la exactitud («accuracy»), la precisión y la sensibilidad («recall») del modelo.

Organizar los datos
Verdaderos positivos VP = 80; verdaderos negativos VN = 70; falsos positivos FP = 20; falsos negativos FN = 30. Total = 80 + 70 + 20 + 30 = 200.
Exactitud (aciertos sobre el total)
Exactitud = (VP + VN) / total = (80 + 70) / 200 = 150 / 200 = 0,75, es decir, un 75 %.
Precisión (de lo marcado como defectuoso, cuánto lo era)
Precisión = VP / (VP + FP) = 80 / (80 + 20) = 80 / 100 = 0,80, un 80 %.
Sensibilidad o recall (de lo defectuoso real, cuánto se detectó)
Recall = VP / (VP + FN) = 80 / (80 + 30) = 80 / 110 ≈ 0,727, un 72,7 %.

Resultado: Exactitud 75 %, precisión 80 % y sensibilidad ≈ 72,7 %. El modelo es razonablemente preciso pero deja escapar casi 3 de cada 10 piezas defectuosas; en control de calidad interesaría subir la sensibilidad aunque baje algo la precisión.

Explicación paso a paso7 pasos

1
Un clasificador de piezas no dice «defectuosa». Dice un número. La etiqueta la pone otra cosa, y esa otra cosa la elige el ingeniero, no el entrenamiento.
La salida real del modelo es una puntuación
$p = f(\text{imagen}) \in [0,\,1]$
p es la puntuación que el modelo asigna a la fotografía de una pieza: un número sin unidades entre 0 y 1 que crece cuanto mayor es su confianza en que la pieza está defectuosa. Todavía no es una decisión.
2
La decisión aparece al comparar esa puntuación con un umbral. Cambiar el umbral no reentrena nada: cambia solo dónde se corta.
El umbral convierte la puntuación en predicción
$\hat{y} = \begin{cases} \text{defectuosa} & \text{si } p \ge u \\ \text{correcta} & \text{si } p < u \end{cases}$
u es el umbral de decisión, un número entre 0 y 1 fijado por quien despliega el sistema. La etiqueta emitida se representa aquí con la ye acentuada circunflejo, y es la única salida que ve la línea de montaje.
3
Con el umbral en la mitad, sobre un lote de 200 piezas, el reparto de aciertos y errores queda así.
Matriz de confusión con el umbral en 0,50
$\begin{array}{l|cc} & \text{predice defectuosa} & \text{predice correcta} \\ \hline \text{es defectuosa} & \mathrm{VP}=80 & \mathrm{FN}=30 \\ \text{es correcta} & \mathrm{FP}=20 & \mathrm{VN}=70 \end{array}$
VP y VN son los aciertos: piezas defectuosas detectadas y piezas buenas aceptadas. FP es una pieza buena rechazada por error y FN una pieza defectuosa que se cuela. Las cuatro casillas suman las 200 piezas del lote.
4
De esas cuatro casillas salen las tres medidas que se piden en el examen. Fíjate en que cada una divide por un total distinto.
Las tres medidas con el umbral en 0,50
$\text{exactitud}=\frac{80+70}{200}=0{,}75, \quad \text{precisión}=\frac{80}{80+20}=0{,}80, \quad \text{sensibilidad}=\frac{80}{80+30}\approx 0{,}727$
La exactitud divide entre las 200 piezas del lote; la precisión, entre las 100 que el sistema marcó como defectuosas; la sensibilidad, entre las 110 que lo eran de verdad. Son fracciones sin unidades: 75 %, 80 % y 72,7 %.
5
En control de calidad, dejar escapar un defecto suele costar más que revisar de más una pieza buena. Así que bajamos el umbral.
Se baja el umbral a 0,30
$u:\ 0{,}50 \longrightarrow 0{,}30 \quad \Longrightarrow \quad 20 \text{ piezas cambian de etiqueta}$
Al exigir menos confianza para marcar una pieza, 20 piezas que antes quedaban por debajo del corte pasan ahora a clasificarse como defectuosas. De ellas, 10 lo eran realmente y 10 no. El modelo no ha cambiado: solo el corte.
6
La matriz se redibuja con esas 20 piezas movidas de columna. Ni una sola pieza entra o sale del lote.
Matriz de confusión con el umbral en 0,30
$\begin{array}{l|cc} & \text{predice defectuosa} & \text{predice correcta} \\ \hline \text{es defectuosa} & \mathrm{VP}=90 & \mathrm{FN}=20 \\ \text{es correcta} & \mathrm{FP}=30 & \mathrm{VN}=60 \end{array}$
Los 10 defectos recuperados pasan de FN a VP, y las 10 piezas buenas sacrificadas pasan de VN a FP. La suma sigue siendo 200, y las 110 piezas realmente defectuosas siguen siendo 110.
7
Y aquí está la lección. La exactitud no se ha movido ni una décima, mientras que el comportamiento del sistema ha cambiado por completo.
El umbral desplaza los errores, no los elimina
$\text{sensibilidad}: 0{,}727 \to 0{,}818, \quad \text{precisión}: 0{,}80 \to 0{,}75, \quad \text{exactitud}: 0{,}75 \to 0{,}75$
La sensibilidad sube del 72,7 % al 81,8 %: se escapan menos defectos. La precisión baja del 80 % al 75 %: se rechazan más piezas buenas. La exactitud vale 0,75 en los dos casos, de modo que esa cifra global esconde la decisión. El umbral se elige comparando el coste de un defecto que llega al cliente con el de una pieza buena descartada.

Errores frecuentes

Confundir la IA estrecha que existe hoy con la IA general de la ficción y atribuir a los sistemas actuales una comprensión o una conciencia que no tienen.
Creer que el aprendizaje automático suprime la programación: sustituye reglas escritas a mano por un modelo entrenado, pero sigue exigiendo ingeniería de datos, elección del modelo y validación.
Dar por hecho que más datos siempre mejoran el modelo, cuando unos datos sesgados o de mala calidad producen un modelo sesgado por muchos que se acumulen.
Llamar modelo a los datos de entrenamiento: los datos son la materia prima y el modelo es el resultado del entrenamiento, el conjunto de parámetros ajustados que después predice sobre casos nuevos.

Repaso activo

Una empresa quiere un sistema que detecte automáticamente piezas defectuosas en una cadena de montaje a partir de fotografías. Indica qué paradigma de aprendizaje automático emplearías, qué datos necesitarías para entrenarlo, y enuncia un riesgo (técnico o ético) asociado a su despliegue.

Practicar con ejercicios afines8 preguntas de este tema

Recuerdo activo

Recuerda los puntos clave — luego revela.

Fuentes: Real Decreto 243/2022, de 5 de abril, por el que se establecen la ordenación y las enseñanzas mínimas del Bachillerato (Gobierno de España — Boletín Oficial del Estado (BOE)) · Aprendizaje Automático (Universidad Carlos III de Madrid — OpenCourseWare (OCW)) · K-vecinos (Universitat Politècnica de València — RiuNet)

Big data y análisis masivo de datos#

~5 min de lecturaEstándarBOE-A-2022-5521 · Anexo II · Tecnología e Ingeniería II (2.º de Bachillerato) · Saberes básicos, bloque E (Sistemas informáticos emergentes): «Inteligencia artificial, big data, bases de datos distribuidas y ciberseguridad.»BOE-A-2022-5521 · Anexo II · Tecnología e Ingeniería II (2.º de Bachillerato) · Criterio de evaluación 5.2: «Conocer y evaluar sistemas informáticos emergentes y sus implicaciones en la seguridad de los datos, analizando modelos existentes.»

Crecimiento del volumen de datos (modelo exponencial relativo)

El término «big data» («datos masivos») designa conjuntos de datos tan grandes, rápidos y variados que los métodos y las herramientas tradicionales de bases de datos no bastan para capturarlos, almacenarlos y analizarlos en un tiempo útil. No es solo «muchos datos»: es una forma distinta de trabajar con la información, pensada para escalar. Su importancia ha crecido porque hoy generan datos sin parar los sensores industriales, los teléfonos, las redes sociales, las transacciones bancarias o el internet de las cosas.

El big data se caracteriza clásicamente por sus «V». Las tres fundamentales son el Volumen (la enorme cantidad de datos, de terabytes a petabytes), la Velocidad (el ritmo, a menudo en tiempo real, al que llegan y deben procesarse) y la Variedad (datos estructurados como tablas, semiestructurados como registros, y no estructurados como texto, imágenes o vídeo). A menudo se añaden la Veracidad (la fiabilidad y calidad de los datos, pues datos erróneos llevan a conclusiones erróneas) y el Valor (la utilidad real que se extrae). La figura principal (Fig. 2) organiza estas «V» como ejes del fenómeno.

Las «V» del big data

Fig. 2 ↓

El proceso de trabajo con datos masivos sigue una cadena reconocible: captura o ingesta de datos desde múltiples fuentes; almacenamiento en sistemas capaces de crecer (a menudo distribuidos y en la nube); procesamiento y limpieza para depurar errores, duplicados y datos faltantes; análisis mediante estadística, minería de datos o aprendizaje automático; y, por último, visualización y comunicación de los resultados para que las personas puedan decidir. La depuración y la calidad son etapas críticas y consumen buena parte del esfuerzo real.

Las aplicaciones tecnológicas del big data son transversales: mantenimiento predictivo a partir de sensores en máquinas, optimización de rutas y logística, detección de fraude por patrones anómalos, medicina personalizada, gestión inteligente de ciudades y energía, o recomendación de contenidos. El big data y la IA son complementarios: el aprendizaje automático necesita grandes volúmenes de datos para entrenarse, y el big data necesita la IA para extraer patrones de cantidades de información que ninguna persona podría revisar. Esta combinación, sin embargo, intensifica las preocupaciones sobre privacidad y uso responsable que se tratan más adelante.

Vocabulario

→ Tarjetas

Big dataConjuntos de datos tan grandes, rápidos y variados que las herramientas tradicionales de bases de datos no bastan para capturarlos, almacenarlos y analizarlos en un tiempo útil.
VolumenPrimera uve: la cantidad de datos que hay que manejar, medida habitualmente en terabytes o petabytes.
VelocidadSegunda uve: el ritmo al que llegan los datos y con el que deben procesarse, a menudo en tiempo real.
VariedadTercera uve: la convivencia de datos estructurados como tablas, semiestructurados como registros y no estructurados como texto, imágenes o vídeo.
VeracidadUve de calidad: la fiabilidad de los datos, porque un conjunto enorme de datos erróneos solo produce conclusiones erróneas con más rapidez.
ValorUve final: la utilidad que realmente se extrae del conjunto; acumular datos no aporta nada si el análisis no los convierte en decisiones.
Minería de datosConjunto de técnicas que buscan patrones y relaciones útiles dentro de grandes volúmenes de datos ya almacenados.

Ejemplo resuelto

Estimación del volumen de una flota de sensores

Una flota de 500 vehículos lleva cada uno 4 sensores que emiten una lectura por segundo, y cada lectura ocupa 100 bytes. Estima cuántos datos se generan en un día y razona si el problema entra en el ámbito del «big data».

Lecturas por segundo
500 vehículos · 4 sensores = 2000 sensores. A 1 lectura/s → 2000 lecturas por segundo.
Lecturas por día
Un día tiene 86 400 s. Lecturas/día = 2000 · 86 400 = 172 800 000 lecturas.
Volumen diario en bytes
172 800 000 lecturas x 100 bytes = 17 280 000 000 bytes.
Conversión a unidades legibles
17 280 000 000 bytes ÷ 1 000 000 000 ≈ 17,3 GB al día, es decir, del orden de 6,3 TB al año.

Resultado: Unos 17,3 GB diarios solo de telemetría. El alto volumen, la velocidad (datos en tiempo real) y la variedad de sensores justifican tratarlo con técnicas de big data y almacenamiento distribuido.

Errores frecuentes

Reducir el big data a tener muchos datos, olvidando que la velocidad a la que llegan y la variedad de sus formatos son tan determinantes como el volumen.
Saltarse la limpieza y la veracidad: trabajar con datos sucios o sesgados produce análisis falsos por muy grande que sea el conjunto.
Confundir dato con información: el valor no está en almacenar registros, sino en el análisis que los convierte en conocimiento útil para decidir.
Presentar como causa una correlación hallada en los datos: que dos variables suban juntas en millones de registros no prueba que una provoque la otra, y el tamaño del conjunto no sustituye a un contraste diseñado para demostrarlo.

Repaso activo

Una red de autobuses urbanos instala sensores de ocupación, posición GPS y consumo en cada vehículo, generando registros cada pocos segundos. Identifica qué «V» del big data están presentes y describe las etapas que seguirías para convertir esos datos en una mejora real del servicio.

Practicar con ejercicios afines8 preguntas de este tema

Recuerdo activo

Recuerda los puntos clave — luego revela.

Fuentes: Análisis de Datos (Universidad Carlos III de Madrid — OpenCourseWare (OCW)) · Tecnologías de Almacenamiento de Datos No Relacionales (2017) (Universidad de Cantabria — OpenCourseWare (OCW))

Bases de datos distribuidas y computación en la nube#

Una base de datos es un conjunto organizado de información gestionado por un sistema (SGBD) que permite almacenar, consultar y mantener datos de forma fiable. Una base de datos distribuida es aquella cuyos datos no residen en un único ordenador, sino que están repartidos (y a menudo replicados) entre varios servidores conectados en red, aunque el usuario los vea como un sistema único. Esta arquitectura responde a la necesidad de manejar volúmenes enormes y de dar servicio a usuarios repartidos por todo el mundo.

Distribuir los datos aporta ventajas decisivas. La escalabilidad permite crecer añadiendo más servidores en lugar de sustituir uno por otro más grande (escalado horizontal). La disponibilidad y la tolerancia a fallos se logran replicando los datos: si un nodo cae, otro con una copia sigue respondiendo. Y el rendimiento mejora al acercar los datos a quien los pide y al repartir la carga de trabajo. A cambio, aparece un reto difícil: mantener la coherencia, es decir, que todas las copias muestren la misma información pese a las actualizaciones, las latencias de red y los posibles cortes de comunicación.

La computación en la nube («cloud computing») consiste en ofrecer recursos informáticos —almacenamiento, capacidad de cálculo, bases de datos o aplicaciones— como un servicio a través de internet, de modo que el usuario los consume bajo demanda y paga por lo que utiliza, sin tener que comprar y mantener su propia infraestructura. Se distinguen tres modelos clásicos: IaaS (infraestructura como servicio: máquinas y almacenamiento virtuales), PaaS (plataforma como servicio: entorno listo para desarrollar y desplegar) y SaaS (software como servicio: aplicaciones ya hechas que se usan desde el navegador, como el correo o las suites ofimáticas en línea). La arquitectura típica cliente-nube con bases distribuidas se muestra en la figura principal (Fig. 4).

Arquitectura cliente-nube con base de datos distribuida

Fig. 4 ↓

Las bases de datos distribuidas y la nube se sostienen mutuamente: la nube proporciona el conjunto de servidores donde la base distribuida se reparte y replica, y la base distribuida es la que permite a un servicio en la nube atender a millones de usuarios con disponibilidad continua. Las ventajas son la flexibilidad, el coste ajustado al uso y el acceso desde cualquier lugar; los inconvenientes incluyen la dependencia de la conexión y del proveedor, y, sobre todo, las cuestiones de privacidad y seguridad de unos datos que se confían a terceros, que enlazan directamente con el último apartado.

Vocabulario

→ Tarjetas

Base de datos distribuidaBase de datos cuyos datos residen repartidos, y a menudo replicados, en varios servidores conectados en red, aunque el usuario los perciba como un sistema único.
RéplicaCopia de un mismo conjunto de datos guardada en otro nodo, de modo que si uno cae otro con la copia sigue atendiendo las peticiones.
CoherenciaPropiedad de que todas las copias de un dato muestren la misma información pese a las actualizaciones y a los retardos de la red; es el reto principal de un sistema distribuido.
Escalado horizontalCrecer añadiendo más servidores al conjunto en lugar de sustituir uno por otro más potente, que sería el escalado vertical.
Computación en la nubePrestación de recursos informáticos, como almacenamiento, cálculo, bases de datos o aplicaciones, en forma de servicio a través de internet, bajo demanda y pagando por uso.
IaaS, PaaS y SaaSLos tres modelos de servicio en la nube: infraestructura virtual, plataforma lista para desarrollar y desplegar, y aplicación ya hecha que se usa desde el navegador.
DisponibilidadFracción del tiempo durante la cual un servicio está operativo; una disponibilidad del 99,9 % anual equivale a unos 526 minutos de inactividad al año.

Tiempo de inactividad anual

D = (1 - A) \cdot 365 \cdot 24 \cdot 60

Minutos de indisponibilidad al año D en función de la disponibilidad A (fracción del tiempo en servicio). Para A = 0,999 (99,9 %), D ≈ 525,6 minutos al año.

Ejemplo resuelto

Disponibilidad y tiempo de inactividad

Un servicio en la nube garantiza una disponibilidad del 99,9 % anual. ¿Cuántos minutos de inactividad al año supone? Si se replicara para alcanzar el 99,99 %, ¿cuánto se reduciría?

Planteamiento
El tiempo de inactividad es la fracción de tiempo fuera de servicio multiplicada por la duración de un año en minutos: D = (1 - A) · 365 · 24 · 60.
Minutos de un año
365 · 24 · 60 = 525 600 minutos al año.
Caso 99,9 %
1 - 0,999 = 0,001. D = 0,001 · 525 600 = 525,6 minutos ≈ 8,76 horas al año.
Caso 99,99 %
1 - 0,9999 = 0,0001. D = 0,0001 · 525 600 = 52,56 minutos al año.

Resultado: Pasar del 99,9 % al 99,99 % reduce la inactividad de unos 525,6 a unos 52,56 minutos al año (diez veces menos). Esa mejora se logra, sobre todo, replicando los datos en varios nodos para tolerar fallos.

Errores frecuentes

Imaginar la nube como un lugar etéreo sin servidores: son centros de datos físicos, con miles de máquinas, un consumo eléctrico real y un propietario concreto.
Confundir los modelos de servicio: usar el correo web es SaaS y no IaaS, y alquilar máquinas virtuales es IaaS y no SaaS.
Suponer que distribuir y replicar no cuesta complejidad: mantener coherentes todas las copias es uno de los problemas técnicos más difíciles de estos sistemas.
Confundir repartir con replicar: repartir coloca datos distintos en nodos distintos para poder escalar, mientras que replicar guarda copias del mismo dato, y solo la réplica mantiene el servicio si un nodo cae.

Repaso activo

Una plataforma de comercio electrónico atiende clientes en varios países y no puede permitirse caídas. Explica por qué le conviene una base de datos distribuida y replicada en la nube, qué modelo de servicio (IaaS/PaaS/SaaS) elegirías para alojar su aplicación y qué inconveniente deberías vigilar.

Practicar con ejercicios afines8 preguntas de este tema

Recuerdo activo

Recuerda los puntos clave — luego revela.

Fuentes: Sistemas Distribuidos (Universidad Carlos III de Madrid — OpenCourseWare (OCW)) · Bases de Datos (2011) (Universidad de Cantabria — OpenCourseWare (OCW)) · TemáTICas Cloud (INCIBE — Instituto Nacional de Ciberseguridad)

Ciberseguridad y dimensión ética#

La ciberseguridad es el conjunto de prácticas, técnicas y herramientas destinadas a proteger los sistemas informáticos, las redes y los datos frente a accesos no autorizados, daños o robos. Su objetivo se resume en la llamada tríada CIA, por sus iniciales en inglés: Confidencialidad (que solo accedan a la información quienes están autorizados), Integridad (que los datos no se alteren de forma indebida y sean exactos) y Disponibilidad (que el sistema y los datos estén accesibles cuando se necesitan). Toda medida de seguridad busca sostener al menos uno de estos tres pilares, recogidos en la figura principal (Fig. 5).

La tríada de la ciberseguridad (CIA)

Fig. 5 ↓

Las amenazas son variadas y conviene conocer las principales (Fig. 6). El «malware» (software malicioso) incluye virus, gusanos, troyanos y el «ransomware», que cifra los datos y exige un rescate. El «phishing» o suplantación de identidad engaña al usuario para que entregue sus credenciales mediante mensajes falsos. Los ataques de denegación de servicio (DoS/DDoS) saturan un sistema para dejarlo fuera de servicio (atacan la disponibilidad). La ingeniería social manipula a las personas, recordando que el eslabón más débil suele ser el factor humano, no la máquina.

Amenazas frente a pilares de la tríada CIA

Fig. 6 ↓

Frente a estas amenazas existen buenas prácticas y mecanismos de protección. En el plano técnico: contraseñas robustas y distintas para cada servicio, autenticación de doble factor, cifrado de la información (transformarla para que solo sea legible con una clave), cortafuegos y antivirus actualizados, copias de seguridad periódicas y actualización constante del software para tapar vulnerabilidades. En el plano humano: desconfianza ante mensajes sospechosos, formación y políticas de seguridad. La seguridad nunca es absoluta ni un producto que se compra una vez: es un proceso continuo de prevención, detección y respuesta.

Estas tecnologías emergentes tienen, además, una dimensión ética y legal ineludible. La recogida masiva de datos personales obliga a proteger la privacidad: en la Unión Europea, el Reglamento General de Protección de Datos (RGPD) consagra principios como el consentimiento, la minimización de datos (recoger solo lo necesario), la finalidad limitada y derechos como el de acceso, rectificación o supresión. A ello se suman dilemas propios de la IA y el big data: los sesgos algorítmicos que pueden discriminar, la opacidad de las decisiones automáticas, la vigilancia y el perfilado de las personas, o la brecha digital. Analizar críticamente estas tecnologías significa valorar no solo si algo es técnicamente posible, sino si es justo, seguro y respetuoso con los derechos de las personas.

Vocabulario

→ Tarjetas

CiberseguridadConjunto de prácticas, técnicas y herramientas que protegen los sistemas informáticos, las redes y los datos frente a accesos no autorizados, daños o robos.
Tríada CIALos tres pilares de la seguridad de la información: confidencialidad, integridad y disponibilidad; las siglas proceden de sus nombres en inglés.
MalwareSoftware malicioso en cualquiera de sus formas: virus, gusano, troyano o ransomware.
RansomwareMalware que cifra los archivos de la víctima y exige un rescate para devolver la clave; priva del acceso a los datos y, si además los roba para extorsionar, vulnera también su confidencialidad.
PhishingSuplantación de identidad mediante mensajes falsos que engañan al usuario para que entregue sus credenciales; ataca la confidencialidad a través del factor humano.
Denegación de servicio (DoS y DDoS)Saturación deliberada de un sistema con peticiones hasta dejarlo inaccesible para los usuarios legítimos; es el ataque característico contra la disponibilidad.
RGPDReglamento General de Protección de Datos de la Unión Europea, que impone el consentimiento, la minimización y la finalidad limitada y reconoce los derechos de acceso, rectificación y supresión.

Ejemplo resuelto

Diagnóstico de un incidente de seguridad

Una empresa detecta que un atacante ha conseguido entrar con la contraseña de un empleado, ha descargado una copia de la base de datos de clientes y, además, ha dejado el servidor web saturado e inaccesible durante horas. Identifica qué pilares de la tríada CIA se han vulnerado y propón una medida concreta para cada uno.

Acceso con credenciales robadas
El atacante usa la contraseña de un empleado: probablemente phishing o credenciales débiles. Pilar vulnerado: Confidencialidad. Medida: autenticación de doble factor (2FA), que exige un segundo código además de la contraseña.
Descarga de la base de datos de clientes
La información sensible queda expuesta: vulnera la Confidencialidad y obliga a notificar la brecha conforme al RGPD. Medida: cifrado de los datos en reposo, de modo que una copia robada sea ilegible sin la clave.
Servidor saturado e inaccesible
Es un ataque de denegación de servicio (DoS/DDoS). Pilar vulnerado: Disponibilidad. Medida: cortafuegos/filtrado y replicación del servicio para repartir y absorber la carga.

Resultado: Se han vulnerado la Confidencialidad (acceso y fuga de datos) y la Disponibilidad (caída del servicio); la Integridad podría comprometerse si además se alteraran datos. Las medidas combinan defensa técnica (2FA, cifrado, cortafuegos) con la obligación legal de proteger los datos personales según el RGPD.

Errores frecuentes

Confiar en que un antivirus por sí solo garantiza la seguridad: la protección exige varias capas técnicas y, sobre todo, un comportamiento prudente por parte del usuario.
Confundir las amenazas entre sí: el phishing engaña a una persona para robarle sus credenciales, mientras que una denegación de servicio satura el sistema para dejarlo inaccesible.
Tratar la ética y la privacidad como un añadido opcional, cuando son una exigencia legal recogida en el RGPD y un criterio técnico de diseño desde el primer boceto.
Llamar virus a todo el software malicioso: el virus necesita un archivo anfitrión, el gusano se propaga solo por la red y el ransomware cifra los datos para exigir un rescate.

Repaso activo

Un instituto sufre un ataque en el que los archivos de sus servidores aparecen cifrados y un mensaje exige dinero para recuperarlos. Identifica el tipo de amenaza, indica qué pilar de la tríada CIA se ha vulnerado y propón tres medidas de prevención que habrían reducido el daño, incluyendo una consideración de protección de datos personales.

Practicar con ejercicios afines8 preguntas de este tema

Recuerdo activo

Recuerda los puntos clave — luego revela.

Fuentes: Criptografía y Seguridad Informática (Universidad Carlos III de Madrid — OpenCourseWare (OCW)) · Ley Orgánica 3/2018, de 5 de diciembre, de Protección de Datos Personales y garantía de los derechos digitales (Gobierno de España — Boletín Oficial del Estado (BOE)) · Garantizando una IA ética y responsable (AESIA — Agencia Española de Supervisión de la Inteligencia Artificial)

Revisado · 07/2026Versión completa con el regulador de profundidad — mismo lugar, mismas anclas

Planificar un repaso

Referencias y fuentes

Fuentes

Gobierno de España — Boletín Oficial del Estado (BOE)

Universidad Carlos III de Madrid — OpenCourseWare (OCW)

Universitat Politècnica de València — RiuNet

K-vecinos

Universidad de Cantabria — OpenCourseWare (OCW)

INCIBE — Instituto Nacional de Ciberseguridad

TemáTICas Cloud

AESIA — Agencia Española de Supervisión de la Inteligencia Artificial

Garantizando una IA ética y responsable

Véase también

Sistemas informáticos emergentes

4 secciones~22 min de lectura2 competenciasRevisado · 07/2026

Inteligencia artificial y aprendizaje automático#

Big data y análisis masivo de datos#

Bases de datos distribuidas y computación en la nube#

Ciberseguridad y dimensión ética#

Sistemas informáticos emergentes