Apuntes · Tecnología e IngenieríaES · 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 examScope del 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.

4seccionesca. 19min de lectura2competenciasNivelEstándar 4Revisado · 06/2026

T·101010 / 11

Perfil de examen

Describir y valorar tecnologías informáticas emergentes (IA, big data, bases de datos distribuidas y ciberseguridad) y sus aplicaciones tecnológicas. (Ampliación — fuera del examen de Selectividad)Analizar críticamente las implicaciones éticas, de privacidad y de seguridad de estas tecnologías, justificando posiciones razonadas. (Ampliación — fuera del examen de Selectividad)

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

Schrift

Inhalt · 4 secciones

Sistemas informáticos emergentes

Inteligencia artificial y aprendizaje automático#

StandardBOE-A-2022-5521 · tecnologia-e-ingenieria · Sistemas informáticos emergentes — IA: fundamentos, aprendizaje automático y aplicaciones tecnológicas

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

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.

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.

Errores frecuentes

Confundir la IA estrecha real con la IA general de la ciencia ficción y atribuir a los sistemas actuales una «conciencia» o «comprensión» que no tienen.
Creer que el aprendizaje automático elimina la programación: en realidad sustituye reglas escritas a mano por un modelo entrenado, pero sigue exigiendo ingeniería de datos, elección del modelo y validación.
Pensar que más datos siempre mejoran el modelo, olvidando que datos sesgados o de mala calidad producen modelos sesgados o poco fiables.

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.

Recuerdo activo

Recuerda los puntos clave — luego revela.

Fuentes: Real Decreto 243/2022 — enseñanzas mínimas del Bachillerato (saberes básicos, Anexo II) (Gobierno de España — Boletín Oficial del Estado (BOE))

Big data y análisis masivo de datos#

StandardBOE-A-2022-5521 · tecnologia-e-ingenieria · Sistemas informáticos emergentes — Big data: captura, almacenamiento y análisis masivo de datos

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

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.

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 x 4 sensores = 2000 sensores. A 1 lectura/s -> 2000 lecturas por segundo.
Lecturas por día
Un día tiene 86 400 s. Lecturas/día = 2000 x 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 y la variedad son tan determinantes como el volumen.
Ignorar la fase de limpieza y la veracidad: trabajar con datos sucios o sesgados produce análisis falsos por muy grande que sea el conjunto.
Confundir un dato con información: el valor no está en almacenar datos, sino en el análisis que los convierte en conocimiento útil.

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.

Recuerdo activo

Recuerda los puntos clave — luego revela.

Fuentes: Currículo de Bachillerato (LOMLOE) — materias y saberes básicos (Ministerio de Educación, Formación Profesional y Deportes — educagob)

Bases de datos distribuidas y computación en la nube#

StandardBOE-A-2022-5521 · tecnologia-e-ingenieria · Sistemas informáticos emergentes — 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

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.

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

Tiempo de inactividad anual

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) x 365 x 24 x 60.
Minutos de un año
365 x 24 x 60 = 525 600 minutos al año.
Caso 99.9 %
1 - 0.999 = 0.001. D = 0.001 x 525 600 = 525.6 minutos ≈ 8.76 horas al año.
Caso 99.99 %
1 - 0.9999 = 0.0001. D = 0.0001 x 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

Pensar que «la nube» es un lugar etéreo: en realidad son centros de datos físicos con miles de servidores propiedad de un proveedor.
Confundir los modelos de servicio: usar correo web es SaaS, no IaaS; alquilar máquinas virtuales es IaaS, no SaaS.
Suponer que distribuir y replicar datos es gratis en complejidad: garantizar la coherencia entre copias es uno de los problemas técnicos más difíciles de estos sistemas.

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.

Recuerdo activo

Recuerda los puntos clave — luego revela.

Fuentes: Real Decreto 243/2022 — enseñanzas mínimas del Bachillerato (saberes básicos, Anexo II) (Gobierno de España — Boletín Oficial del Estado (BOE))

Ciberseguridad y dimensión ética#

StandardBOE-A-2022-5521 · tecnologia-e-ingenieria · Sistemas informáticos emergentes — Ciberseguridad: amenazas, protección de datos y buenas prácticas; impacto y dimensión ética

La tríada de la ciberseguridad (CIA)

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. 6).

Amenazas frente a pilares de la tríada CIA

Las amenazas son variadas y conviene conocer las principales. El «malware» (software malicioso) incluye virus, gusanos, troyanos y el «ransomware», que cifra los datos y exige un rescate. La «phishing» o suplantación 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.

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.

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

Creer que un antivirus, por sí solo, garantiza la seguridad: la protección exige varias capas técnicas y, sobre todo, un comportamiento prudente del usuario.
Confundir las amenazas: el phishing es engaño para robar credenciales, mientras que un DoS busca dejar el servicio inaccesible; cada uno ataca pilares distintos.
Tratar la ética y la privacidad como un añadido opcional, cuando son exigencias legales (RGPD) y criterios técnicos de diseño («privacidad desde el diseño»).

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.

Recuerdo activo

Recuerda los puntos clave — luego revela.

Fuentes: Real Decreto 243/2022 — enseñanzas mínimas del Bachillerato (saberes básicos, Anexo II) (Gobierno de España — Boletín Oficial del Estado (BOE))

Referencias y fuentes

Fuentes

Gobierno de España — Boletín Oficial del Estado (BOE)

Real Decreto 243/2022 — enseñanzas mínimas del Bachillerato (saberes básicos, Anexo II)

Ministerio de Educación, Formación Profesional y Deportes — educagob

Currículo de Bachillerato (LOMLOE) — materias y saberes básicos

Sistemas informáticos emergentes

Puntos clave

Lectura de una matriz de confusión

Puntos clave

Estimación del volumen de una flota de sensores

Puntos clave

Disponibilidad y tiempo de inactividad

Puntos clave

Diagnóstico de un incidente de seguridad

Fuentes

Sistemas informáticos emergentes

Puntos clave

Lectura de una matriz de confusión

Puntos clave

Estimación del volumen de una flota de sensores

Puntos clave

Disponibilidad y tiempo de inactividad

Puntos clave

Diagnóstico de un incidente de seguridad

Fuentes