Documente Academic
Documente Profesional
Documente Cultură
INTELIGENCIA ARTIFICIAL
En la actualidad son muchas las reas en las cuales tiene influencia la inteligencia
artificial.
SIMULACIN
DE
LA
CAPACIDAD
SENSORIAL
HUMANA.
La simulacin de la capacidad sensorial humana es rea de estudio de la
inteligencia artificial, que a travs de las computadoras persigue la imitacin de las
capacidades o habilidades sensoriales humanas tales como vista, odo, habla y
tacto.
ROBOTICA.
La robtica es el rea de la inteligencia artificial que estudia la imitacin del
movimiento humano a travs de robots, los cuales son creados con el fin de
apoyar procesos mecnicos repetitivos que requieren gran precisin.
LENGUAJES NATURALES.
Esta rama del estudio de la inteligencia artificial se enfoca en el diseo y desarrollo
de software capaz de aceptar, interpretar y ejecutar instrucciones dadas por los
usuarios en su lenguaje nativo.
SISTEMAS EXPERTOS. Los sistemas expertos constituyen el rea de la
inteligencia artificial que quiz en este momento tiene ms relacin con el apoyo al
proceso de la toma de decisiones en las organizaciones. Estos sistemas,
denominados tambin sistemas basados en el conocimiento, permiten cargar
bases de conocimientos integradas por una serie de reglas de sentido comn o
conocimiento heurstico; es decir, conocimiento basados u obtenidos a travs de la
experiencia de un especialista o experto.
REDES NEURALES.
Las redes neurales permiten que las mquinas aprendan, el nombre de redes
neurales proviene de la similitud con la forma de operar del cerebro humano en
donde las neuronas forman enlaces unas con otras con bases en pulsos
elctricos.
LGICA DIFUSA.
La lgica difusa es una tcnica matemtica para el tratamiento de datos
imprecisos y problemas que tienen ms de una solucin. La lgica difusa puede
tratar con valores entre 0 y 1, es ms parecido a la lgica humana que la lgica
binaria tradicional de las computadoras digitales.
AGENTES INTELIGENTES.
Programa diseado con conocimiento para realizar ciertas tareas especficas,
normalmente repetitivas. Un agente inteligente puede ser programado para tomar
decisiones con base en las preferencias de una persona. El propsito principal es
poder asignar tareas al agente inteligente, las cuales harn ms rpido, ms
frecuentemente y con mayor eficacia que el ser humano, tal como lo haran los
asistentes de ayuda que hoy tienen algunos paquetes para ensear al usuario a
realizar una actividad especfica. Los agentes se clasifican en dos tipos:
Lavadoras
Hornos microondas
Cmaras de videos
Televisores
Traductores
Sistemas:
Ascensores
Trenes
Gras
Automocin (motores, transmisin, frenos...)
Control de trfico
Software:
Diagnstico mdico
Seguridad
Comprensin de datos
3. SISTEMAS EXPERTOS
DEFINICIN
Un Sistema Experto se puede definir como un sistema computacional interactivo
que permite la creacin de bases de conocimiento, las cuales una vez cargadas
responden a preguntas, despejan dudas y sugieren cursos de accin
emulando/simulando el proceso de razonamiento de un experto para resolver
problemas en un rea especfica del conocimiento humano. De esta definicin se
desprenden las dos habilidades fundamentales que poseen los Sistemas
Expertos:
Habilidad de aprendizaje.
Habilidad para simular el proceso de razonamiento humano.
COMPONENTES:
EL GENERADOR DE SISTEMAS EXPERTOS O SHELL.
7
MOTOR DE INFERENCIA.
Es la parte del Shell que se encarga de razonar, es decir a partir de un problema o
hecho real aplica las reglas y llega a su solucin. Este motor es el vehculo a
travs del cual las reglas que estn en la base del conocimiento se utilizan y
aplican para la solucin de un problema particular. El motor de inferencia puede
operar de dos formas diferentes, de acuerdo con el razonamiento que se emplee:
INTERFASE DE USUARIO.
Es la parte del Shell que permite al usuario interactuar con el sistema para
resolver sus problemas cotidianos. En este contexto, el usuario tiene un problema,
TENDENCIAS FUTURAS.
El Modelo Biolgico
Se estima que en cada milmetro del cerebro hay cerca de 50.000 neuronas,
conteniendo en total ms de cien mil millones de neuronas y sinapsis en el
sistema nervioso humano.
La teora y modelado de redes neuronales est inspirada en la estructura y
funcionamiento de los sistemas nerviosos, donde la neurona es el elemento
fundamental.
En general, una neurona consta de un cuerpo celular ms o menos esfrico, de 5
a 10 micras de dimetro, del que salen una rama principal, el axn, y varias ramas
ms cortas, llamadas dendritas.
10
11
Funcin Escaln
Funcin Lineal y Mixta
Sigmoidal
Funcin Gaussiana
Aunque su estructura vara segn el tipo de red, lo ms usual es que haya tres
capas de neuronas, una de entrada, que recoge los estmulos, otra oculta, que
procesa la informacin, y otra de salida, que ejecuta la respuesta.
12
13
14
Ejemplo: la figura 8 muestra una red neuronal que, a partir de dos entradas
activadas entre los elementos A1,A2,A3, B1,B2,B3 (los tres primeros de la clase A
y los tres ltimos de la clase B), reconoce si stos son de igual o distinta clase.
o
o
La interpretacin de las salidas nos indica que las entradas A1 y A3 son de igual
clase. Queda como ejercicio pendiente el probar con entradas de distinta clase,
por ejemplo A1 y B1.
MODELOS DE RNA
Existe una serie de modelos que aparecen en la mayora de estudios acadmicos
y la bibliografa especializada.
Perceptrn simple
Adaline
Perceptrn multicapa
Memorias asociativas
Mquina de Bolzman
Mquina de Cauchy
Redes de Elman
Redes de Hopfield
Redes de neuronas de base radial
Redes de neuronas de aprendizaje competitivo
Redes de Kohonen o mapas autoorganizados
Redes ART (Adaptative Resonance Theory)
16
5. ALGORITMOS GENTICOS
INTRODUCCION
De vez en cuando, los creacionistas acusan a la evolucin de que carece de
utilidad como teora cientfica porque no produce beneficios prcticos y no tiene
relevancia en la vida diaria. Sin embargo, tan slo la evidencia de la biologa
demuestra que esta afirmacin es falsa. Hay numerosos fenmenos naturales
para los que la evolucin nos ofrece un slido fundamento terico. Por nombrar
uno, el desarrollo observado de la resistencia -a los insecticidas en las plagas de
cultivos, a los antibiticos en las bacterias, a la quimioterapia en las clulas
cancerosas, y a los frmacos antiretrovirales en virus como el VIH- es una
consecuencia abierta de las leyes de la mutacin y la seleccin, y comprender que
estos principios nos ha ayudado a desarrollar estrategias para enfrentarnos a
estos nocivos organismos. El postulado evolutivo de la descendencia comn ha
ayudado al desarrollo de nuevos medicamentos y tcnicas, al proporcionar a los
investigadores una buena idea de con qu organismos deben experimentar para
obtener resultados que probablemente sern relevantes para los seres humanos.
Finalmente, el hombre ha utilizado con grandes resultados el principio de cra
selectiva para crear organismos personalizados, distintos a cualquiera que se
pueda encontrar en la naturaleza, para beneficio propio. El ejemplo cannico, por
supuesto, es la diversidad de variedades de perros domsticos (razas tan diversas
como los bulldogs, chihuahuas y dachshunds han sido producidas a partir de lobos
en slo unos pocos miles de aos), pero ejemplos menos conocidos incluyen al
maz cultivado (muy diferente de sus parientes salvajes, que carecen de las
familiares ``orejas'' del maz cultivado), a los peces de colores (como los perros,
hemos criado variedades cuyo aspecto es drsticamente distinto al del tipo
salvaje), y a las vacas lecheras (con ubres inmensas, mucho mayores que las
necesarias para alimentar a una cra).
Los crticos pueden argumentar que los creacionistas pueden explicar estas cosas
sin recurrir a la evolucin. Por ejemplo, a menudo los creacionistas explican el
desarrollo de la resistencia a los agentes antibiticos en las bacterias, o los
cambios forjados en los animales domsticos por seleccin artificial, asumiendo
que Dios decidi crear a los organismos en grupos fijos, llamados ``tipos'' o
baramins. Aunque la microevolucin natural o la seleccin artificial dirigida por
humanos pueden producir diferentes variedades dentro de los ``tipo-perro'', ``tipovaca'' o ``tipo-bacteria'', creados originalmente.
17
los abordados por los diseadores humanos. Adems, las soluciones que
consiguen son a menudo ms eficientes, ms elegantes o ms complejas que
nada que un ingeniero humano producira.
MTODOS DE REPRESENTACIN
Antes de que un algoritmo gentico pueda ponerse a trabajar en un problema, se
necesita un mtodo para codificar las soluciones potenciales del problema de
forma que una computadora pueda procesarlas. Un enfoque comn es codificar
las soluciones como cadenas binarias: secuencias de 1s y 0s, donde el dgito de
cada posicin representa el valor de algn aspecto de la solucin. Otro mtodo
similar consiste en codificar las soluciones como cadenas de enteros o nmeros
decimales, donde cada posicin, de nuevo, representa algn aspecto particular de
la solucin. Este mtodo permite una mayor precisin y complejidad que el mtodo
comparativamente restringido de utilizar slo nmeros binarios.
Un tercer mtodo consiste en representar a los individuos de un AG como
cadenas de letras, donde cada letra, de nuevo, representa un aspecto especfico
de la solucin. Un ejemplo de esta tcnica es el mtodo basado en ``codificacin
gramatical'' de Hiroaki Kitano, en el que a un AG se le encarg la tarea de
evolucionar un sencillo conjunto de reglas llamadas gramtica libre de contexto,
que a su vez se utilizaban para generar redes neuronales para una variedad de
problemas.
La virtud de estos tres mtodos es que facilitan la definicin de operadores que
causen los cambios aleatorios en las candidatas seleccionadas: cambiar un 0 por
un 1 o viceversa, sumar o restar al valor de un nmero una cantidad elegida al
azar, o cambiar una letra por otra.
Otra estrategia para representar a los programas son las estructuras de datos
ramificadas llamadas rboles. En este mtodo, los cambios aleatorios pueden
generarse cambiado el operador o alterando el valor de un cierto nodo del rbol, o
sustituyendo un subrbol por otro.
19
MTODOS DE SELECCIN
Un algoritmo gentico puede utilizar muchas tcnicas diferentes para seleccionar a
los individuos que deben copiarse hacia la siguiente generacin. Algunos de estos
mtodos son mutuamente exclusivos, pero otros pueden utilizarse en
combinacin, algo que se hace a menudo.
MTODOS DE CAMBIO
Una vez que la seleccin ha elegido a los individuos aptos, stos deben ser
alterados aleatoriamente con la esperanza de mejorar su aptitud para la siguiente
generacin. Existen dos estrategias bsicas para llevar esto a cabo. La primera y
ms sencilla se llama mutacin. Al igual que una mutacin en los seres vivos
cambia un gen por otro, una mutacin en un algoritmo gentico tambin causa
pequeas alteraciones en puntos concretos del cdigo de un individuo.
El segundo mtodo se llama cruzamiento, e implica elegir a dos individuos para
que intercambien segmentos de su cdigo, produciendo una ``descendencia''
artificial cuyos individuos son combinaciones de sus padres. Este proceso
pretende simular el proceso anlogo de la recombinacin que se da en los
cromosomas durante la reproduccin sexual. Las formas comunes de cruzamiento
incluyen al cruzamiento de un punto, en el que se establece un punto de
intercambio en un lugar aleatorio del genoma de los dos individuos, y uno de los
individuos contribuye todo su cdigo anterior a ese punto y el otro individuo
contribuye todo su cdigo a partir de ese punto para producir una descendencia, y
21
t :=0;
Inicializar P(t);
Evaluar P(t)
While no se termine do
begin
22
SISTEMAS DE INFORMACION
24
Qu es Data Warehousing?
Es un proceso, no un producto. Es una tcnica para consolidar y administrar datos
de variadas fuentes con el propsito de responder preguntas de negocios y tomar
decisiones, de una forma que no era posible hasta ahora.
Consolidar datos desde una variedad de fuentes, dentro del marco conceptual de
Data Warehousing es el proceso de Transformacin de Datos.
Manejar grandes volmenes de datos de una forma que no era posible, o no era
costo efectiva, a estos medios se agrupan en Procesamiento y Administracin de
Datos.
Acceder a los datos de una forma ms directa, en "el lenguaje del negocio", y
analizarlos para obtener relaciones complejas entre los mismos. Estos procesos
se engloban en dos categoras: Acceso a los Datos y Descubrimiento o Data
Mining.
Estos desarrollos tecnolgicos, correctamente organizados e interrelacionados,
constituyen lo que se ha dado en llamar un Data Warehouse o Bodega de Datos.
La definicin ms conocida para el DW, fue propuesta por Inmon [MicroSt96]
(considerado el padre de las Bases de Datos) en 1992: Un DW es una coleccin
25
Caractersticas
Segn, Bill Inmon, existen generalmente cuatro caractersticas que describen un
almacn de datos:
1. orientado al sujeto: los datos se organizan de acuerdo al sujeto en vez de la
aplicacin, por ejemplo, una compaa de seguros usando un almacn de datos
podra organizar sus datos por cliente, premios, y reclamaciones, en lugar de por
diferentes productos (automviles, vida, etc.). Los datos organizados por sujetos
contienen solo la informacin necesaria para los procesos de soporte para la toma
de decisiones.
Las diferencias entre la orientacin de procesos y aplicaciones; y la orientacin a
temas, radican en el contenido de la data a nivel detallado. En el data warehouse
se excluye la informacin que no ser usada por el proceso de sistemas de
soporte de decisiones, mientras que la informacin de las orientadas a las
aplicaciones, contiene datos para satisfacer de inmediato los requerimientos
funcionales y de proceso, que pueden ser usados o no por el analista de soporte
de decisiones. Otra diferencia importante est en la interrelacin de la informacin.
Los datos operacionales mantienen una relacin continua entre dos o ms tablas
basadas en una regla comercial que est vigente. Las del data warehouse miden
un espectro de tiempo y las relaciones encontradas en el data warehouse son
muchas.
26
28
Data Warehouse
Es el sistema para el almacenamiento y distribucin de cantidades masivas de
datos. El Data Warehouse analtico resultante puede ser aplicado para mejorar
procesos de negocios en toda la organizacin, en reas tales como manejo de
campaas promocionales, deteccin de fraudes, lanzamiento de nuevos
productos, etc.
Los procesos que conforma el datawarehouse son:
1-Extraccin
2-Elaboracin
3-Carga
4-Explotacin
Aumentar la productividad
En qu se lo puede usar?
Anlisis de rentabilidad.
Reduccin de costos.
30
tablas, cada una con pocas columnas, mientras que en un Data Warehouse el
nmero de tablas es menor, pero cada una de stas tiende a ser mayor en nmero
de columnas.
Los OLTP son continuamente actualizados por los sistemas operacionales del da
con da, mientras que los Data Warehouse son actualizados en batch de manera
peridica.
Las estructuras de los OLTP son muy estables, rara vez cambian, mientras las de
los Data Warehouses sufren cambios constantes derivados de su evolucin. Esto
se debe a que los tipos de consultas a los cuales estn sujetos son muy variados y
es imposible preverlos todos de antemano.
Mejorar la Entrega de Informacin: informacin completa, correcta, consistente,
oportuna y accesible. Informacin que la gente necesita, en el tiempo que la
necesita y en el formato que la necesita.
Metas de KDD
procesar automticamente grandes cantidades de datos crudos,
identificar los patrones ms significativos y relevantes, y
presentarlos como conocimiento apropiado para satisfacer las metas del
usuario.
33
Tcnicas de KDD
Los algoritmos de aprendizaje son una parte integral de KDD. Las tcnicas de
aprendizaje pueden ser supervisadas o no supervisadas.
El descubrimiento de la mquina es uno de los campos ms recientes que han
contribuido para KDD. Mientras el descubrimiento de la mquina confa solamente
en mtodos autnomos para el descubrimiento de la informacin, KDD
tpicamente combina mtodos automatizados con la interaccin humana para
asegurar resultados exactos, tiles, y entendibles.
Hay muchos mtodos diferentes que son clasificados como las tcnicas de KDD.
Hay mtodos cuantitativos, como los probabilsticos y los estadsticos. Hay
mtodos que utilizan las tcnicas de visualizacin. Hay mtodos de clasificacin
como la clasificacin de Bayesian, lgica inductiva, descubrimiento de modelado
de datos y anlisis de decisin. Otros mtodos incluyen la desviacin y tendencia
al anlisis, algoritmos genticos, redes neuronales y los mtodos hbridos que
combinan dos o ms tcnicas.
Debido a las maneras en que estas tcnicas pueden usarse y combinarse, hay
una falta de acuerdos de cmo estas tcnicas deben categorizarse. Por ejemplo,
el mtodo de Bayesian puede agruparse lgicamente con los mtodos
probabilsticos, de clasificacin o de visualizacin. Por causa de la organizacin,
cada mtodo descrito aqu es incluido en el grupo que mejor encaje. Sin embargo,
esta seleccin no implica una categorizacin estricta.
Mtodo Probabilstico. Esta familia de tcnicas KDD utiliza modelos de
representacin grfica para comparar las diferentes representaciones del
conocimiento. Estos modelos estn basados en las probabilidades e
independencias de los datos. Las tcnicas probabilsticas pueden usarse en los
sistemas de diagnstico, planeacin y sistemas de control.
Mtodo estadstico. El mtodo estadstico usa la regla del descubrimiento y se
basa en las relaciones de los datos. El algoritmo de aprendizaje inductivo puede
seleccionar automticamente trayectorias tiles y atributos para construir las
reglas de una base de datos con muchas relaciones''. El proceso analtico en lnea
(OLAP) es un ejemplo de un mtodo orientado a la estadstica.
Mtodo de clasificacin. La clasificacin es probablemente el mtodo ms viejo
y mayormente usado de todos los mtodos de KDD. Este mtodo agrupa los datos
de acuerdo a similitudes o clases. Hay muchos tipos de clasificacin de tcnicas y
numerosas herramientas disponible que son automatizadas.
Mtodo Bayesian de KDD "es un modelo grfico que usa directamente los arcos
exclusivamente para formar una grfica acclica". Aunque el mtodo Bayesian usa
34
Data Marts
Es un pequeo Data Warehouse, para un determinado nmero de usuarios, para
un arrea funcional, especifica de la compaa. Tambin podemos definir que un
Data Marts es un subconjunto de una bodega de datos para un propsito
especfico. Su funcin es apoyar a otros sistemas para la toma de decisiones.
Se puede concluir que los Data marts son subconjuntos de datos de un data
warehouse para reas especficas.
Entre las caractersticas de una data mart destacan:
Usuarios limitados.
rea especfica.
Tiene un propsito especfico.
Tiene una funcin de apoyo.
Cubos de informacin
Los cubos de informacin o cubos OLAP (online analitical processing) funcionan
como los cubos de rompecabezas en los juegos, en el juego se trata de armar los
colores y en el data warehouse se trata de organizar los datos por tablas o
relaciones; los primeros (el juego) tienen 3 dimensiones, los cubos OLAP tienen
un nmero indefinido de dimensiones, razn por la cual tambin reciben el nombre
de hipercubos.
Dimensiones
Las dimensiones de un cubo son atributos relativos a las variables, son las
perspectivas de anlisis de las variables (forman parte de la tabla de
dimensiones). Son catlogos de informacin complementaria necesaria para la
presentacin de los datos a los usuarios, como por ejemplo: descripciones,
nombres, zonas, rangos de tiempo, etc.
35
Variables
Tambin llamadas indicadores de gestin, son los datos que estn siendo
analizados. Forman parte de la tabla de hechos. Ms formalmente, las variables
representan algn aspecto cuantificable o medible de los objetos o eventos a
analizar. Normalmente, las variables son representadas por valores detallados y
numricos para cada instancia del objeto o evento medido. En forma contraria, las
dimensiones son atributos relativos a las variables, y son utilizadas para indexar,
ordenar, agrupar o abreviar los valores de las mismas. Ejemplos de dimensiones
podran ser: productos, localidades (o zonas), el tiempo (medido en das,
horas, semanas, etc.),
Ejemplos de variables podran ser:
Beneficios
Gastos
Ventas
etc.
Metadatos
Uno de los componentes ms importantes de la arquitectura de un almacn de
datos son los metadatos. Se define comnmente como "datos acerca de los
datos", en el sentido de que se trata de datos que describen cul es la estructura
de los datos que se van a almacenar y cmo se relacionan.
36
MINERA DE DATOS
minera
de
datos
predictiva
(mdp):
usa
primordialmente
tcnicas
estadsticas.
37
Aplicaciones de MD
En la actualidad, existe una gran cantidad de aplicaciones, en reas tales como:
* Astronoma: clasificacin de cuerpos celestes.
38
39
40
como
aprendizaje
supervisado
se
desarrolla
en
dos
fases:
que exista una reaccin del pblico por el uso indiscriminado de datos
Text mining: dado que el ochenta por ciento de la informacin de una compaa
est almacenada en forma de documentos, las tcnicas como la categorizacin de
texto, el procesamiento de lenguaje natural, la extraccin y recuperacin de la
informacin o el aprendizaje automtico, entre otras, apoyan al text mining
(minera de texto). En ocasiones se confunde el text mining con la recuperacin de
la informacin (Information Retrieval o IR) (Hearst, 1999). Esta ltima consiste en
la recuperacin automtica de documentos relevantes mediante indexaciones de
textos, clasificacin, categorizacin, etc. Generalmente se utilizan palabras clave
para encontrar una pgina relevante. En cambio, el text mining se refiere a
examinar una coleccin de documentos y descubrir informacin no contenida en
ningn documento individual de la coleccin; en otras palabras, trata de obtener
informacin sin haber partido de algo (Nasukawa y otros, 2001).
sentido
automatizado
clave
desde
de
comunicarse
formatos
tradicionales
(presentaciones,
informes,
Conclusiones
El desarrollo de la tecnologa de Minera de Datos est en un momento crtico.
Existe una serie de elementos que la hacen operable, sin embargo, existen
algunos factores que pueden crear un descrdito a la Minera de Datos, como ser:
44
Breve historia
A partir de 1990 aproximadamente, los almacenes de datos y el procesamiento
analtico en lnea (OLAP) comenzaron a ampliar el mbito de los DSS. Como el
cambio de milenio, se introdujeron nuevas aplicaciones analticas basadas en la
web.
Es evidente que los DSS pertenecen a un entorno con fundamentos
multidisciplinarios, incluyendo (pero no exclusivamente) la investigacin en base
de datos, inteligencia artificial, Interaccin hombre-mquina, mtodos de
simulacin, ingeniera de software y telecomunicaciones. Los DSS tambin tienen
una dbil conexin con el paradigma de la interfaz de usuario de hipertexto. Tanto
el sistema PROMIS (para la toma de decisiones mdicas) de la Universidad de
Vermont, como el sistema ZOG/KMS (para la toma de decisiones militares y de
negocios) de la Universidad Carnegie Mellon fueron dos sistemas de apoyo a las
decisiones que constituyeron grandes avances en la investigacin de interfaz de
usuario.
45
Funcin y caractersticas
Los DSS son herramientas de mucha utilidad en Inteligencia empresarial
(Business Intelligence), permiten realizar el anlisis de las diferentes variables de
negocio para apoyar el proceso de toma de decisiones de los directivos:
46
DSS para la gran empresa.- Este DSS estar enlazado con un almacn de
datos de gran tamao y dar servicio a muchos gerentes, directores y/p
ejecutivos de la compaa.
DSS de escritorio.- Es un sistema pequeo que puede correr en el
ordenador personal de un gerente al que da servicio (un solo usuario).
Arquitectura
La interfaz de usuario.
Los usuarios.
Entornos de desarrollo
Los sistemas DSS no son totalmente diferentes de otros sistemas y requieren un
enfoque estructurado.
1. Los niveles de tecnologa.- Se propone una divisin en 3 niveles de
hardware y software para los DSS:
1. DSS especfico.- Aplicacin real que ser utilizada por el usuario.
sta es la parte de la aplicacin que permite la toma decisiones en
un problema particular. El usuario podr actuar sobre este problema
en particular.
2. Generador de DSS.- Este nivel contiene hardware y software de
entorno que permite a las personas desarrollar fcilmente
aplicaciones especficas de DSS. Este nivel hace uso de
herramientas case. Tambin incluye lenguajes de programacin
especiales, libreras de funciones y mdulos enlazados.
3. Herramientas de DSS.- Contiene hardware y software de bajo nivel.
deber ser muy iterativo. Esto permitir que la aplicacin sea cambiada y
rediseada en diversos intervalos. El problema inicial se utiliza para disear
el sistema y a continuacin, ste es probado y revisado para garantizar que
se alcanza el resultado deseado.
48