Volver a tu curso / CR1-S05
Computación y Robótica · 1.º ESO · Con pictos
Datos e inteligencia artificial
Trabajarás en pareja durante nueve sesiones.
Formularás una pregunta y crearás tabla y gráfico.
Investigarás un clasificador.
Reservarás ejemplos nuevos y explicarás errores.
Las conclusiones deben indicar muestra, condiciones y límites.
Tu misión
Crea «Un clasificador que reconoce objetos del aula».
Usa veinte lecturas sin datos personales: cinco por zona A, B, C y D.
Añade tabla, gráfico y clasificador de dos clases.
Prepara veinte imágenes diferentes por clase para entrenar.
Reserva diez pruebas nuevas: cinco por clase.
Calcula aciertos sobre total.
Mejora y usa otra serie nueva.
Explica dos límites y un uso responsable.
Lee una explicación cada vez. Mira el esquema. Después haz la actividad. Puedes cambiar de versión cuando quieras.
Qué herramientas vas a usar
Escribe los textos en Documentos de Google. Haz los diagramas en diagrams.net. Guarda el archivo que puedas editar. Mira qué debes entregar en cada tarea.
5.1. Decide qué quieres investigar
Aprende y practica
Un dato es un valor registrado.
Puede ser categoría, fecha o lectura.
Necesita contexto y pregunta para aportar información útil.
La pregunta decide qué recoger y qué dejar fuera.
Comparar zonas necesita zona, lectura y condiciones.
No necesita nombres de participantes.
Una muestra reúne los casos utilizados.
Sus resultados no describen automáticamente todo el centro.
Distingue datos didácticos y mediciones reales.
La tarea usa veinte lecturas y cinco por zona A, B, C y D.
Indica el origen y usa escala 0–255 sin llamarla lux si mides luz con micro:bit.
Mantén orientación y procedimiento comparables para no mezclar causas.
- Pregunta
- Qué observar
- Datos necesarios
- Muestra
- Conclusión con límites
Mira este ejemplo
Una tabla muestra 40 sin sensor, escala ni condiciones.
No permite interpretar una comparación.
El equipo añade la procedencia.
Descubre una serie didáctica y otra medida en clase.
Ambas sirven para aprender.
Debe identificarlas antes de concluir sobre la maqueta real.
Ahora hazlo tú
- En Google Docs escribe una pregunta. Define observación, características y datos personales que no necesitas.
- En Google Sheets prepara veinte filas y cinco por zona. Documenta origen y condiciones.
- Si mides con micro:bit, sigue el procedimiento y escribe escala 0–255. Si usas muestra didáctica, indícalo.
Comprueba qué has aprendido¿Qué contexto necesita el número? ¿Por qué la muestra no demuestra lo que ocurre en todo el centro?
5.2. Organiza y revisa la tabla
Aprende y practica
Cada fila representa una observación.
Cada columna representa una característica con significado estable.
Zona es una categoría para agrupar.
Lectura es una cantidad dentro de una escala.
Id identifica un registro y no es una medida para sumar.
Un diccionario explica columnas, valores y unidades o escalas.
Busca duplicados, incoherencias y datos ausentes.
Una lectura ausente no equivale a cero.
No elimines un dato raro sin investigar su causa.
Anota si hubo error de escritura o condición diferente.
En Sheets comprueba números y escalas y conserva la muestra original.
Una tabla ordenada no garantiza que responda a la pregunta.
- Original
- Tipo y significado
- Revisar
- Anotar decisión
- Tabla clara
Mira este ejemplo
Una copia tiene dos filas con el mismo id y un hueco.
La pareja investiga si duplicó un registro o identificó mal dos observaciones.
No pone cero para rellenar.
Anota la ausencia y explica su efecto.
Así se puede seguir qué decisiones tomó al revisar los datos.
Ahora hazlo tú
- En Google Sheets organiza id, zona y lectura. Añade diccionario con escala, origen y condiciones.
- Revisa números, duplicados, ausencias y datos raros. Conserva el original. Explica correcciones en Google Docs.
- En una copia añade un hueco y un duplicado marcados como ensayo. Explica cómo detectarlos sin inventar medidas.
Comprueba qué has aprendido¿Por qué no calculas la media de id? ¿Por qué un hueco no es cero?
5.3. Calcula y representa
Aprende y practica
La media aritmética resume una serie con un valor.
Se suman las cantidades y se divide entre las observaciones utilizadas.
La media permite comparar grupos.
No muestra por sí sola cómo varían sus datos.
Dos series pueden tener la misma media y valores individuales muy distintos.
La tabla permite observar mínimos, máximos y distribución.
Esa información ayuda a interpretar el resumen.
Necesitamos saber de qué observaciones procede y qué pregunta responde.
Google Sheets usa PROMEDIO o AVERAGE según la configuración de idioma.
La fórmula calcula con las celdas del intervalo seleccionado.
Hay que comprobar qué celdas incluye y si reconoce las lecturas como números.
El texto puede quedar fuera del cálculo.
La tarea prevé cinco valores por zona.
Revisar el intervalo comprueba qué datos se resumen.
Una suma y una división manuales permiten contrastar un grupo.
Un gráfico de barras o columnas compara categorías de forma visual.
El título debe explicar si cada barra representa la media de una zona.
Los ejes identifican categorías y escala numérica.
La luz de micro:bit conserva la escala de lectura 0–255.
Comenzar en cero ayuda a no exagerar diferencias al comparar longitudes.
La representación indica si los datos son didácticos o medidos.
También incluye una explicación escrita.
El gráfico compara la muestra estudiada.
No demuestra causas que no se hayan investigado.
Tampoco convierte esos casos en una descripción de todo el centro.
- Lecturas
- Suma y cantidad
- Media
- Barra con nombre
- Comparación
Mira este ejemplo
Dos series ficticias son 4, 6, 8 y 6, 6, 6.
Ambas tienen media 6.
Sus barras medirían lo mismo.
La primera varía y la segunda no.
El equipo conserva los valores originales.
Así puede explicar información que una barra de media oculta.
Ahora hazlo tú
- En Sheets calcula la media de cada zona con cinco valores. Comprueba una con suma y división manual.
- Crea barras o columnas con título, categorías, eje y escala. Indica muestra y origen.
- En Google Docs escribe una comparación demostrada y otra que necesita investigar. Explica qué oculta la media.
Comprueba qué has aprendidoDos medias son iguales. ¿Qué más debes mirar en los datos?
5.4. Distingue regla y aprendizaje
Aprende y practica
El aviso de luz usa una comparación escrita por personas.
Un clasificador ajusta un modelo con ejemplos y clases.
Entrenar es ajustar esa relación.
Predecir es responder a una entrada.
No escribimos a mano todas las características visuales.
Por eso importan los ejemplos y las pistas asociadas.
Una clase es una categoría definida para la tarea.
Acuerda su significado antes de recoger imágenes.
Decide qué hacer con objetos que mezclan ambas clases.
Una etiqueta del modelo no demuestra comprensión humana.
Puede usar fondo, forma u orientación.
Usa dos clases de objetos sin personas para comprender el proceso y sus límites.
- Ejemplos con clase
- Entrenar
- Modelo
- Entrada nueva
- Predicción
Mira este ejemplo
Cada clase aparece sobre un fondo distinto.
El modelo puede usar el fondo y no solo el objeto.
Prueba el mismo tipo de objeto en otro fondo.
Si cambia la respuesta, hay una pista para investigar.
Una observación no explica todo lo que ha aprendido.
teachable machine
Puedes ver el vídeo poco a poco. Puedes pararlo. Busca una idea que hayas leído en este apartado. Después prueba el ejemplo.
El vídeo tiene el idioma de su autor. Puedes usar los subtítulos disponibles. También puedes seguir la explicación escrita.
Ahora hazlo tú
- En Google Docs compara entrada, regla y respuesta de micro:bit con ejemplos, entrenamiento y predicción.
- Define dos clases de objetos en Teachable Machine. Explica qué entra y qué queda fuera sin datos personales.
- Dibuja ejemplos, etiquetas, entrenamiento, modelo y predicción en diagrams.net. Propón una pista visual para investigar.
Comprueba qué has aprendido¿Por qué acertar una etiqueta no demuestra comprender el objeto ni saber qué pista usó?
5.5. Reserva ejemplos para comprobar
Aprende y practica
Entrenar y probar responden a preguntas distintas.
Los ejemplos de entrenamiento ajustan el modelo.
Los de prueba comprueban después imágenes que no se usaron para ajustarlo.
Reservarlos antes de entrenar mantiene esa separación.
Generalizar significa responder a casos nuevos dentro de la tarea definida.
Una fotografía conocida puede ocultar dificultades para generalizar.
Esto puede ocurrir aunque aparezca la etiqueta esperada.
La prueba necesita información distinta de la usada para construir el modelo.
El proyecto usa veinte imágenes diferentes de entrenamiento por clase.
También reserva diez pruebas nuevas, cinco por clase.
La variedad importa además de la cantidad.
Fotos casi idénticas de una ráfaga repiten una situación y aportan poca independencia.
Variar tomas, orientación y fondo en ambas clases evita pistas exclusivas de una categoría.
Los archivos se identifican por objeto y finalidad, sin nombres de personas.
La definición acordada determina la clase real antes de consultar la predicción.
Los errores pueden orientar una mejora.
Esa revisión cambia el papel de la información utilizada.
Una imagen de prueba deja de ser nueva si entra en el entrenamiento.
Por sí sola no demuestra que la reparación funcione con otros casos.
Necesitamos otra serie reservada con cinco pruebas por clase.
Las condiciones deben ser comparables.
Registrar los conjuntos de cada versión distingue aprender del fallo y comprobar después.
La separación depende del contenido real de las imágenes y no solo de sus carpetas.
- Reservar pruebas
- Entrenar aparte
- Modelo
- Prueba nueva
- Registro
Mira este ejemplo
Un equipo separa carpetas pero copia la misma foto en ambas.
Los nombres no garantizan separación.
Revisa miniaturas y descubre la coincidencia.
Reserva otra toma.
Así comprueba una entrada que no ajustó el modelo.
La organización debe corresponder al contenido real y no solo a etiquetas.
Ahora hazlo tú
- Separa imágenes autorizadas en entrenamiento y prueba. Usa veinte por clase y reserva diez nuevas. Comprueba que no repites archivos.
- Anota clases, cantidades, variedad y finalidad en Google Docs. Dibuja separación en diagrams.net.
- Entrena en Teachable Machine y después usa las pruebas reservadas. Anota clase real antes de predicción.
Comprueba qué has aprendidoSi entrenas con una foto que falló, ¿por qué necesitas otras fotos para comprobar la mejora?
5.6. Explica aciertos y errores
Aprende y practica
Registra clase real y predicción en cada prueba.
Compara ambas con la definición acordada.
Un acierto es una coincidencia correcta.
Divide aciertos entre pruebas y multiplica por cien.
Indica el denominador y las condiciones.
Siete de diez no es lo mismo que siete de veinte.
Compara también resultados por clase.
Conserva errores para orientar mejoras.
El porcentaje describe tu muestra y no garantiza cualquier situación.
Una confianza alta puede acompañar una respuesta errónea.
Un objeto fuera de las clases puede recibir una etiqueta sin decir no lo sé.
Usa referencia humana e investiga condiciones difíciles sin inventar ni ocultar fallos.
- Real y predicción
- Acierto o error
- Aciertos / total
- Cada clase
- Conclusión limitada
Mira este ejemplo
Una serie ficticia acierta tres de cinco en una clase.
En otra acierta cuatro de cinco.
Son siete de diez y un 70 % en ese ensayo.
El total oculta la diferencia entre clases.
Una respuesta errónea sigue siendo error aunque tenga puntuación alta.
No cambies la clase real para hacerla coincidir.
Ahora hazlo tú
- En Sheets registra diez pruebas nuevas y cinco por clase. Incluye id, clase real, predicción, resultado y condición.
- Calcula aciertos sobre total y por clase. Comprueba una cuenta manual. Explica sus límites en Google Docs.
- Prueba un objeto fuera de clases y sepáralo del porcentaje principal. Anota su etiqueta. Investiga una condición difícil aunque no hayas visto fallos.
Comprueba qué has aprendido¿Qué muestra y condiciones faltan en «acierta el 90 %»? ¿Por qué no cambias la clase real según la confianza?
5.7. Mejora los ejemplos con pruebas
Aprende y practica
Los ejemplos pueden contener desequilibrios y pistas poco representativas.
Un sesgo puede favorecer unas situaciones y dejar otras mal representadas.
Tener cantidades parecidas por clase no garantiza variedad.
Fotos casi iguales cubren pocas situaciones.
Propón una hipótesis sobre fondo u orientación.
Una hipótesis no es una causa demostrada.
Cambia una condición y mantén otras para investigarla.
Añade variedad relacionada con el problema observado.
No elimines las pruebas difíciles para mejorar el porcentaje.
Entrena otra versión y usa una serie nueva comparable.
Anota qué cambió, qué mantuviste y qué ocurrió.
Una mejora parcial o ausente también debe explicarse con evidencia.
- Error
- Posible pista
- Revisar ejemplos
- Prueba nueva
- Conclusión
Mira este ejemplo
El modelo falla con un objeto girado.
La pareja añade esa orientación en ambas clases.
Reserva otras tomas nuevas.
Mantiene cámara y fondo al comparar.
Si mejora, apoya ese cambio en esas condiciones.
No demuestra que cualquier foto añadida ayude siempre ni que funcionen todos los giros.
Ahora hazlo tú
- En Google Docs elige un fallo o condición difícil. Escribe una hipótesis sobre fondo, orientación o variedad.
- Revisa y cambia una parte de los ejemplos en Teachable Machine. Justifica la versión y conserva el registro anterior.
- En Sheets usa otra serie nueva con cinco pruebas por clase. Mantén condiciones comparables. Explica mejora, falta de mejora o límite.
Comprueba qué has aprendido¿Por qué más fotos iguales o menos casos difíciles no demuestran responder mejor a casos nuevos?
5.8. Explica para qué puede servir
Aprende y practica
La utilidad depende de finalidad y consecuencias del error.
Ordenar objetos permite revisar la sugerencia mirando el material.
Decidir sobre personas requiere garantías que este ensayo no ofrece.
Explica beneficiarios, posibles daños y revisión humana.
No añadas nombres, caras ni voces para decorar la demostración.
Los objetos autorizados permiten aprender sin datos personales innecesarios.
Documenta pregunta, tabla, gráfico, clases y conjuntos separados.
Incluye resultados y dos limitaciones.
Separa lo realizado, lo observado y lo propuesto.
Entrenar en navegador no garantiza trabajar sin Internet ni tener exportaciones privadas.
Guardar o compartir puede cambiar dónde quedan los archivos y usa la configuración del centro.
Conserva lo necesario y permite revisar el proceso sin prometer certificación ni publicación abierta.
- Finalidad
- Efecto del error
- Pruebas disponibles
- Revisión humana
- Uso limitado
Mira este ejemplo
Una pareja propone sugerir una caja para dos tipos de objetos.
Una persona confirma la etiqueta.
Otros materiales quedan fuera.
El ensayo no permite clasificar capacidades de compañeros.
Cambian finalidad, consecuencias y garantías necesarias.
La recomendación explica esa frontera y utiliza los resultados observados.
Ahora hazlo tú
- En Google Docs escribe dos límites de tus pruebas. Recomienda un uso con finalidad, revisión humana y consecuencia del error.
- Con el docente guarda proyecto o registro y ejemplos autorizados en el espacio previsto. No necesitas publicar.
- Reúne tabla y gráfico editables, procedimiento y registros. Cada integrante explica predicción, mejora y conclusión que sus datos no permiten.
Comprueba qué has aprendido¿Por qué este ensayo de objetos no justifica decidir sobre personas?
Tu proyecto y tus entregas
A01 · Diseña la solución
- Crea CR1-S05_datos_A01_Apellidos en Google Docs. Incluye pregunta, finalidad, variables, clases y datos no personales necesarios.
- Prepara tabla y gráfico inicial en Sheets. Etiqueta y explica números, categorías, origen y escala.
- Separa veinte imágenes diferentes por clase para entrenar y diez nuevas para probar. Usa cinco pruebas por clase. Ejecuta un primer ensayo y registra real y predicción.
- Añade diagrama, plan de aciertos sobre total, protección y conservación, fuentes, aportación y uso limitado.
Qué debes entregar
- Dossier, tabla y gráfico inicial editables con comparación.
- Entrenamiento y prueba separados, clases definidas y primer ensayo con casos nuevos.
- Plan de registro y conservación, uso limitado, fuentes y explicación individual.
Haz tu copia en Documentos de Google · Ver la plantilla vacía
A02 · Un clasificador que reconoce objetos del aula
- Completa veinte lecturas en Sheets y cinco por zona A–D. Añade gráfico, origen, escala y comparación con límites.
- Entrena dos clases. Registra diez pruebas nuevas y cinco por clase. Anota real, predicción, acierto o error y condiciones. Calcula total y por clase.
- Investiga fondo u orientación. Mejora ejemplos de una clase y comprueba otra serie nueva comparable. No ocultes casos difíciles ni inventes fallos.
- En CR1-S05_datos_A02_Apellidos explica dos límites y uso responsable. Guarda tabla, gráfico y modelo o registro recuperable con fuentes. Cada integrante explica y modifica una parte.
Qué debes entregar
- Tabla y gráfico editables con veinte lecturas y comparación explicada.
- Modelo o registro, dos series nuevas, aciertos con total y análisis de una condición cambiada.
- Mejora comprobada, dos límites, uso responsable y aportaciones. Consulta las rúbricas publicadas.
Haz tu copia en Documentos de Google · Ver la plantilla vacía
Revisa antes de entregar
- Explico columnas y distingo categoría, medida, id, ausencia y cero.
- Compruebo media y gráfico con origen y escala.
- Distingo regla, entrenamiento y predicción. Separo pruebas nuevas.
- Calculo aciertos sobre total y por clase. Confianza no significa verdad.
- Investigo una pista, comparo mejora y explico límites y finalidad. Son ayudas de revisión y no criterios oficiales nuevos.
Plantillas y archivos
Abre la plantilla vacía de A01 o A02. Haz tu copia en Documentos de Google. Guarda también tu programa o proyecto editable.
La plantilla sirve para organizar tu trabajo. Mira qué pide esta unidad. Puedes quitar un campo si no lo necesitas. Haz una copia. No escribas sobre el modelo. No publiques tus respuestas. Compártelas como indique tu docente.
A01 · Diseña la solución
Haz tu copia en Documentos de Google · Ver la plantilla vacía
- Dossier, tabla y gráfico inicial editables con comparación.
- Entrenamiento y prueba separados, clases definidas y primer ensayo con casos nuevos.
- Plan de registro y conservación, uso limitado, fuentes y explicación individual.
A02 · Un clasificador que reconoce objetos del aula
Haz tu copia en Documentos de Google · Ver la plantilla vacía
- Tabla y gráfico editables con veinte lecturas y comparación explicada.
- Modelo o registro, dos series nuevas, aciertos con total y análisis de una condición cambiada.
- Mejora comprobada, dos límites, uso responsable y aportaciones. Consulta las rúbricas publicadas.
Rúbricas de clase
Aquí están las rúbricas de clase. Cada rúbrica explica cómo se valora una entrega. Puedes pedir ayuda para entender una palabra.
Consultar la rúbrica de A01
Diseño y microprueba
CYR.1.4.1 Tabla y representación de datos
Conocer la naturaleza de los distintos tipos de datos generados hoy en día, siendo capaces de analizarlos, visualizarlos y compararlos, empleando a su vez un espíritu crítico y científico.
Evidencia. Pregunta, variables, pequeña tabla y gráfico inicial realizados en el taller.
| Banda | Desempeño observable |
|---|---|
| 1–2,9 | Confunde identificadores y medidas y la tabla no permite responder a la pregunta. |
| 3–4,9 | Identifica una variable, pero mezcla unidades o el gráfico no coincide con sus datos. |
| 5–6,9 | Distingue número y categoría, organiza una muestra en tabla y gráfico con etiquetas y explica una comparación vinculada a la pregunta. |
| 7–8,9 | Revisa un duplicado, ausencia o escala y explica cómo cambia la interpretación. |
| 9–10,0 | Compara dos representaciones adecuadas y justifica cuál comunica mejor la misma información sin exagerarla. |
CYR.1.4.2 Entrenamiento, prueba y uso responsable de IA
Comprender los principios básicos de funcionamiento de los agentes inteligentes y de las técnicas de aprendizaje automático, con objeto de aplicarlos para la resolución de situaciones mediante la Inteligencia Artificial de forma ética y responsable.
Evidencia. Clases, datos de entrenamiento y prueba separados y primer ensayo de clasificador.
| Banda | Desempeño observable |
|---|---|
| 1–2,9 | Confunde entrenar con comprobar y atribuye comprensión humana al modelo sin evidencia. |
| 3–4,9 | Define clases, pero reutiliza los mismos ejemplos para afirmar que funciona o no prevé un riesgo de uso. |
| 5–6,9 | Explica ejemplos, entrenamiento y predicción, ejecuta una primera prueba con ejemplos nuevos y propone un uso limitado sin datos personales. |
| 7–8,9 | Detecta una pista de fondo o desequilibrio y propone una mejora concreta de los ejemplos. |
| 9–10,0 | Diseña una prueba que cambie una condición para investigar esa pista y explica qué resultado apoyaría su hipótesis. |
Consultar la rúbrica de A02
Producto pruebas y mejora
CYR.1.4.1 Tabla y representación de datos
Conocer la naturaleza de los distintos tipos de datos generados hoy en día, siendo capaces de analizarlos, visualizarlos y compararlos, empleando a su vez un espíritu crítico y científico.
Evidencia. Tabla y gráfico editables, comparación y cálculo de aciertos con denominador.
| Banda | Desempeño observable |
|---|---|
| 1–2,9 | Los resultados no se corresponden con la tabla o se presenta un porcentaje sin base identificable. |
| 3–4,9 | Hay tabla y gráfico, pero faltan etiquetas o el porcentaje usa un total incorrecto. |
| 5–6,9 | Organiza y visualiza datos, calcula aciertos sobre total y explica una comparación con sus límites. |
| 7–8,9 | Compara resultados por clase y detecta lo que oculta el porcentaje global. |
| 9–10,0 | Revisa una conclusión ante una muestra nueva y justifica por qué no permite generalizar a todo el centro. |
CYR.1.4.2 Entrenamiento, prueba y uso responsable de IA
Comprender los principios básicos de funcionamiento de los agentes inteligentes y de las técnicas de aprendizaje automático, con objeto de aplicarlos para la resolución de situaciones mediante la Inteligencia Artificial de forma ética y responsable.
Evidencia. Modelo o registro de entrenamiento, prueba nueva, mejora y dos limitaciones.
| Banda | Desempeño observable |
|---|---|
| 1–2,9 | No distingue ejemplo aprendido y caso nuevo ni puede interpretar una predicción errónea. |
| 3–4,9 | Entrena y obtiene respuestas, pero usa el entrenamiento como prueba o considera infalible una confianza alta. |
| 5–6,9 | Entrena y prueba con datos separados, interpreta aciertos y errores y explica dos limitaciones y una condición de uso responsable. |
| 7–8,9 | Mejora los ejemplos y contrasta el cambio con nuevas pruebas manteniendo los casos difíciles. |
| 9–10,0 | Investiga un cambio de fondo o contexto, explica sus resultados y justifica cuándo el modelo debería pedir revisión humana. |
Vídeos y fuentes
Tutorial LibreOffice Calc – 30/34 Gráficos (II): Diferentes tipos de gráfico y su personalización.
Este vídeo usa LibreOffice Calc. Explica tipos de gráficos. Sus menús son distintos. Haz las tareas de esta unidad en Google Sheets.
Puedes ver el vídeo poco a poco. Puedes pararlo. Busca una idea que hayas leído en este apartado. Después prueba el ejemplo.
El vídeo tiene el idioma de su autor. Puedes usar los subtítulos disponibles. También puedes seguir la explicación escrita.
Teachable Machine: tutorial en español
Puedes ver el vídeo poco a poco. Puedes pararlo. Busca una idea que hayas leído en este apartado. Después prueba el ejemplo.
El vídeo tiene el idioma de su autor. Puedes usar los subtítulos disponibles. También puedes seguir la explicación escrita.
Puedes aprender más
- Google Sheets · PROMEDIO (AVERAGE)
- Google Sheets · Tipos de gráfico
- Google Creative Lab · Teachable Machine 2.0
- Google for Developers · Dividing the original dataset
- Google for Developers · Accuracy, recall, precision, and related metrics
- Google Creative Lab · Teachable Machine community
- Microsoft MakeCode · Light Level
Pictogramas: Sergio Palao · ARASAAC · Propiedad del Gobierno de Aragón. Esta adaptación con pictogramas se comparte para uso no comercial bajo CC BY-NC-SA 4.0. Los recursos externos conservan sus respectivas licencias.
Contenido revisado en octubre de 2026.