Modelo de correlación QoS/QoE en entornos universitarios

MODELO DE CORRELACIÓN QoS/QoE EN ENTORNOS
UNIVERSITARIOS
Es udian e: Ba ghu hi Ba ena, Sa a
Di ec o a: Iba ola A menda iz, E a
Cu so: 2022-2023
MÁSTER UNIVERSITARIO EN INGENIERÍA DE TELECOMUNICACIÓN
TRABAJO DE FIN DE MÁSTER
ii
Resumen
El Machine Lea ning es una ama de la in eligencia a i icial que ha cob ado g an
impo ancia en los úl imos años debido a su capacidad pa a ap ende pa ones y oma
decisiones en base a da os. En la ac ualidad, es a ecnología se u iliza en una amplia a iedad de
aplicaciones, desde el p ocesamien o de imágenes y el econocimien o de oz has a la
p edicción del compo amien o del consumido y la oma de decisiones emp esa iales.
El obje i o especí ico del p esen e abajo de inal de más e es desa olla un modelo
de co elación en e la QoE y la QoS u ilizando écnicas de Machine Lea ning. Pa a ello, se lle a á
a cabo un es udio en en o nos uni e si a ios de di e en es pe iles, en conc e o en la ESI de
Bilbao y en la Facul ad de Educación de Bilbao. El p opósi o es de e mina si exis e una
co elación en e la calidad expe imen ada y la calidad del se icio obje i o en es os en o nos
median e el uso de écnicas de Machine Lea ning, que pe mi i á desa olla un modelo p eciso
y e icien e pa a es e p opósi o.
Labu pena
Machine Lea ning, adimen a i iziala en ada ba da, azken u ee an oso ga an zi su
bihu u da, da uen pa onak ikas eko e a e abakiak ha zeko gai asuna dela e a. Gau egun,
eknologia ho i aplikazio ani ze an e abil zen da, i udiak p ozesa zeko e a aho sa en ezagu za
lo zeko, beze oa en jokabidea e a enp esa ako e abakiak ha zea ba ne.
TFM hone ako helbu u espezi ikoena Machine Lea ning eknikak e abiliz QoE e a QoS
a eko ko elazio-me odo ba ga a zea da. Ho e a ako, pe ila ezbe din du en unibe si a e
ingu ue an az e ke a ba bu u uko da, bai e a Bilboko ESI e a Hezkun za Fakul a ean e e.
Helbu ua da e abil zaileen bizi emandako kali a ea e a objek ibo du en ze bi zua en kali a ea
a ean ko elazio ba exis i zen den edo ez jaki ea e a ze bi zua en kali a ea hobe zeko zein
ja dun ahal den e abil zaileen bizi emandako kali a ea hobe zeko. Machine Lea ning eknikak
e abiliz, helbu u hau lo zeko e edu zeha za e a e aginko a ga a uko da.
Abs ac
Machine Lea ning is a b anch o A i icial In elligence ha has gained signi ican
impo ance in ecen yea s due o i s abili y o lea n pa e ns and make decisions based on da a.
Cu en ly, his echnology is used in a wide a ie y o applica ions, om image p ocessing and
oice ecogni ion o p edic ing consume beha io and making business decisions.
The speci ic objec i e o his Mas e ’s Thesis is o de elop a model o co ela ing QoE
(expe ienced quali y) and QoS (objec i e se ice quali y) using Machine Lea ning echniques. To
achie e his, a s udy will be conduc ed in uni e si y en i onmen s o di e en p o iles,
speci ically a he ESI o Bilbao and he Facul y o Educa ion o Bilbao. The pu pose is o
de e mine i he e is a co ela ion be ween he expe ienced quali y and objec i e se ice quali y
in hese en i onmen s. The use o Machine Lea ning echniques will allow o he de elopmen
o an accu a e and e icien model o his pu pose.
Palab as cla e: Machine Lea ning, QoS, QoE, co elación.
i
Tabla de con enido
1. INTRODUCCIÓN .................................................................................................1
2. CONTEXTO .........................................................................................................2
3. OBJETIVOS .........................................................................................................3
4. BENEFICIOS ........................................................................................................4
4.1. Bene icios écnicos................................................................................................ 4
4.2. Bene icios económicos .......................................................................................... 4
4.3. Bene icios sociales ................................................................................................ 4
5. ESTADO DEL ARTE ..............................................................................................6
5.1. His o ia y e olución .............................................................................................. 6
5.2. Análisis de algo i mos de ML ................................................................................. 6
5.2.1. Ap endizaje supe isado .................................................................................................... 7
5.2.2. Ap endizaje no supe isado ............................................................................................... 7
5.2.3. Ap endizaje po e ue zo.................................................................................................... 9
5.2.4. Ap endizaje p o undo ....................................................................................................... 10
5.3. Análisis de en o nos de desa ollo y lenguajes de p og amación pa a el ML ......... 11
5.3.1. En o nos de desa ollo ..................................................................................................... 11
5.3.1. Lenguajes de p og amación ............................................................................................. 14
5.4. Análisis de pa áme os QoS en en o nos WiFi ...................................................... 16
5.4.1. Ancho de banda ................................................................................................................ 17
5.4.2. Th oughpu ....................................................................................................................... 18
5.4.3. La encia............................................................................................................................. 18
5.4.4. Ji e .................................................................................................................................. 19
5.4.5. Pé dida de paque es ......................................................................................................... 20
5.4.6. SNR.................................................................................................................................... 21
5.4.7. P io ización de á ico....................................................................................................... 22
5.5. Análisis ac o es de in luencia pa a la QoE en en o nos WiFi ................................ 22
5.5.1. Fac o es de in luencia humana ........................................................................................ 24
5.5.2. Fac o es de in luencia del sis ema ................................................................................... 25
5.5.3. Fac o de in luencia del con ex o ..................................................................................... 25
5.6. Análisis de me odologías de alo ación ............................................................... 26
6. ANÁLISIS DE ALTERNATIVAS ............................................................................. 30
6.1. Iden i icación del pa áme o QoS ........................................................................ 30
6.1.1. Th oughpu ....................................................................................................................... 31
6.1.2. SNR.................................................................................................................................... 31
6.1.3. C i e ios de selección........................................................................................................ 32
6.2. Iden i icación del algo i mo de ML ...................................................................... 33
6.2.1. Reg esión lineal ................................................................................................................ 34
6.2.2. Reg esión Logís ica ........................................................................................................... 34
6.2.3. C i e ios de selección........................................................................................................ 35
6.2.4. Redes neu onales eed o wa d ........................................................................................ 36
ii
6.2.5. Redes neu onales con olucionales .................................................................................. 38
6.2.6. Redes neu onales ecu en es ......................................................................................... 38
6.2.7. C i e ios de selección........................................................................................................ 39
6.3. Fac o es de in luencia ......................................................................................... 40
6.3.1. Fac o es humanos ............................................................................................................ 41
6.3.2. Fac o es del sis ema ......................................................................................................... 43
6.3.3. Fac o es de con ex o ........................................................................................................ 44
6.3.4. C i e ios de selección........................................................................................................ 46
6.4. En o no de desa ollo ......................................................................................... 48
6.4.1. Jupy e No ebooks............................................................................................................ 49
6.4.2. Google Colab..................................................................................................................... 49
6.4.3. Da aSpell ........................................................................................................................... 50
6.4.4. C i e ios de selección........................................................................................................ 50
6.5. Lenguaje de p og amación .................................................................................. 51
6.5.1. Py hon ............................................................................................................................... 51
6.5.2. R ........................................................................................................................................ 52
6.5.3. C i e ios de selección........................................................................................................ 52
6.6. Me odología de alo ación .................................................................................. 53
7. METODOLOGÍA ................................................................................................ 55
7.1. Desc ipción de la solución ................................................................................... 55
7.1.1. Desa ollo del modelo de co elación QoS/QoE .............................................................. 55
7.2. Análisis de esul ados ......................................................................................... 81
7.3. Desc ipción de a eas .......................................................................................... 84
7.4. Diag ama de Gan .............................................................................................. 86
8. ASPECTOS ECONÓMICOS .................................................................................. 87
8.1. Ho as in e nas .................................................................................................... 87
8.2. Amo izaciones ................................................................................................... 87
8.3. Gas os ................................................................................................................ 87
8.4. Resumen del cos e del p oyec o .......................................................................... 87
9. ANÁLISIS DE RIESGOS ....................................................................................... 89
9.1. Demo as (A)........................................................................................................ 89
9.2. Fallo ecnológico (B) ............................................................................................ 89
9.3. Demo as en la ap obación de encues as (C) ......................................................... 89
9.4. Fal a de da os su icien es (D)............................................................................... 90
9.5. Ma iz p obabilidad – impac o ............................................................................ 90
10. CONCLUSIONES ............................................................................................ 91
11. BIBLIOGRAFÍA............................................................................................... 92
iii
Índice de ilus aciones
ILUSTRACIÓN 1: EJEMPLO DE UN ALGORITMO DE "CLUSTERING" .............................................................. 8
ILUSTRACIÓN 2: EJEMPLO DE REDUCCIÓN DE DIMENSIONALIDAD ............................................................. 8
ILUSTRACIÓN 3: APRENDIZAJE POR REFUERZO ............................................................................................ 9
ILUSTRACIÓN 4: RED NEURONAL ................................................................................................................ 10
ILUSTRACIÓN 5: ARQUITECTURA JERÁRQUICA QUE CLASIFICA LOS FI ...................................................... 23
ILUSTRACIÓN 6: MOS .................................................................................................................................. 27
ILUSTRACIÓN 7: DIAGRAMA DE LA ESTRUCTURA TÍPICA DE UNA RNAF .................................................... 37
ILUSTRACIÓN 8: RED NEURONAL RECURRENTE ......................................................................................... 39
ILUSTRACIÓN 9: EJEMPLO DE DATOS OBJETIVOS DE LA RED WIFI EN LA ESCUELA DE INGENIERÍA.......... 56
ILUSTRACIÓN 10: MAPA DE CALOR DE LA CORRELACIÓN ENTRE EL THROUGHPUT Y EL MOS EN LA
FACULTAD DE INGENIERÍA ................................................................................................................. 65
ILUSTRACIÓN 11: MAPA DE CALOR DE LA CORRELACION ENTRE EL THROUGHPUT Y EL MOS EN LA
FACULTAD DE EDUCACIÓN ................................................................................................................ 65
ILUSTRACIÓN 12: THROUGHPUT VS MOS: PREDICCIONES......................................................................... 71
ILUSTRACIÓN 13: THROUGHPUT VS. MOS: REALES.................................................................................... 71
ILUSTRACIÓN 14: THRPUGHPUT VS. MOS: PREDICCIONES ........................................................................ 71
ILUSTRACIÓN 15: THROPUGHPUT VS. MOS: REALES.................................................................................. 72
ILUSTRACIÓN 16: DIFERENCIAS ENTRE LAS DOS FACULTADES: VALORES REALES Y PREDICHOS .............. 73
ILUSTRACIÓN 17 THROUGHPUT VS. MOS: PREDICCIONES......................................................................... 78
ILUSTRACIÓN 18: THROUGHPUT VS. MOS: VALORES REALES .................................................................... 79
ILUSTRACIÓN 19: THROUGHPUT VS. MOS: PREDICCIONES........................................................................ 79
ILUSTRACIÓN 20: THRPUGHPUT VS. MOS: VALORES REALES .................................................................... 79
ILUSTRACIÓN 21: DIFERENCIAS ENTRE LAS DOS FACULTADES: VALORES REALES Y PREDICHOS .............. 81
ILUSTRACIÓN 22: DIAGRAMA DE GANTT .................................................................................................... 86

i
Índice de ablas
TABLA 1: MATRIZ DE ALTERNATIVAS DE LOS PARÁMETROS QOS .............................................................. 32
TABLA 2: MATRIZ DE ALTERNATIVAS DE ALGORITMOS DE REGRESIÓN .................................................... 36
TABLA 3: MATRIZ DE ALTERNATIVAS DE LOS ALGORITMOS DE ML ........................................................... 40
TABLA 4: MATRIZ DE ALTERNATIVAS DE FACTORES HUMANOS ................................................................ 47
TABLA 5: MATRIZ DE ALTERNATIVAS DE FACTORES DE SISTEMA .............................................................. 47
TABLA 6: MATRIZ DE ALTERNATIVAS DE LOS FACTORES DE CONTEXTO.................................................... 48
TABLA 7: MATRIZ DE ALTERNATIVAS DE LOS ENTORNOS DE DESARROLLO .............................................. 51
TABLA 8: MATRIZ DE ALTERNATIVAS DE LOS LENGUAJES DE PROGRAMACIÓN ........................................ 53
TABLA 9: ESTADÍSTICAS DESCRIPTIVAS ....................................................................................................... 63
TABLA 10: MÉTRICAS DE EVALUACIÓN DEL MODELO ................................................................................ 69
TABLA 11: VALORES DE COEFICIENTE E INTERCEPTO ................................................................................. 70
TABLA 12: MÉTRICAS PARA LA EVALUACIÓN DEL MODELO ....................................................................... 78
TABLA 13: PRESUPUESTO CORRESPONDIENTE A LAS HORAS INTERNAS ................................................... 87
TABLA 14: PRESUPUESTO CORRESPONDIENTE A LAS AMORTIZACIONES .................................................. 87
TABLA 15: PRESUPUESTO CORRESPONDIENTE A LOS GASTOS .................................................................. 87
TABLA 16: RESUMEN DE LOS COSTES DEL PROYECTO ................................................................................ 87
TABLA 17: MATRIZ PROBABILIDAD-IMPACTO ............................................................................................ 90
LISTA DE ACRÓNIMOS
TFM: T abajo de Fin de Más e
ML: Machine Lea ning
QoS: Quali y o Se ice
QoE: Quali y o Expe ience
KPI: Key Pe o mance Indica o
KQI: Key Quali y Indica o
SNR: signal- o-noise a io
FNN: Feed Fo wa d Neu al Ne wo k
CNN: Con olu ional Neu al Ne wo k
RNN: Recu en Neu al Ne wo k
1
1. INTRODUCCIÓN
En la ac ualidad, la calidad de los se icios de ed se ha con e ido en un aspec o
undamen al pa a las o ganizaciones que desean o ece un se icio de calidad a sus usua ios.
En es e sen ido, la calidad de expe iencia (QoE) es imp escindible pa a medi la sa is acción del
usua io inal. La QoE se e ie e a la pe cepción subje i a del usua io sob e la calidad del se icio
p es ado po la ed, mien as que la calidad de se icio (QoS) se e ie e a los pa áme os
obje i os de endimien o de la ed.
Po o o lado, la aplicación de écnicas de Machine Lea ning (ML) es á e olucionando
muchos campos, incluido el de las edes y los se icios de comunicación. Con la c ecien e
complejidad de las edes y la c ecien e can idad de da os que se gene an, el ML se ha con e ido
en una he amien a esencial pa a el análisis y la op imización de los se icios de ed.
En es e con ex o, el obje i o de es e T abajo de in de Más e es desa olla un modelo
de co elación de la QoS/QoE u ilizando écnicas de ML en en o nos uni e si a ios de di e en es
pe iles. Se ealiza á un es udio en los en o nos uni e si a ios de ciencias y humanidades de la
Uni e sidad del País Vasco (UPV/EHU), con el in de analiza los pa áme os de QoS obje i os
que pueden in lui en las edes 802.11, así como los aspec os de in luencia en la pe cepción de
los usua ios de las edes WiFi. Se iden i ica án los indicado es de calidad (KQI) más in e esan es
pa a cada ipología y pe il de usua io y se analiza án me odologías de alo ación óp imas pa a
la e aluación de la QoE. Finalmen e, se iden i ica án las écnicas de ML más adecuadas pa a la
co elación de la QoS/QoE y se alida án median e la compa ación de los dos escena ios
plan eados pa a el caso de es udio.
Es e abajo con ibui á al desa ollo de un modelo de co elación de la QoS/QoE que
pe mi a mejo a la calidad de los se icios de ed en los en o nos plan eados, así como en o os
ámbi os en los que la calidad de la ed es undamen al pa a la sa is acción del usua io.
El p esen e T abajo Fin de Más e se ha ealizado en el g upo de in es igación NQaS, un
g upo de in es igación de la UPV/EHU, que se especializa en el es udio de las ecnologías
u ilizadas en las edes de da os en aspec os elacionados con la QoS y la segu idad.
2
2. CONTEXTO
Pa a en ende mejo la na u aleza de es e p oyec o, es esencial si ua lo den o de su
con ex o ap opiado y analiza las ci cuns ancias especí icas bajo las cuales se es á lle ando a
cabo. Es a con ex ualización pe mi i á una comp ensión más p o unda y comple a de los
obje i os, alcance y desa íos pa icula es de es e abajo.
Es e p oyec o se enma ca en el abajo del g upo de in es igación QoX e a, cen ado en
la co elación en e la QoE y la QoS en edes inalámb icas 802.11, especí icamen e en en o nos
uni e si a ios. Es e es udio se basa en desa olla un modelo u ilizando écnicas de Machine
Lea ning pa a es a co elación.
Pa a ealiza el modelo, se dispone de da os e ique ados de i ados de encues as de
sa is acción, los cuales o ecen una pe spec i a di ec a sob e la QoE pe cibida po los usua ios.
Po o o lado, se cuen a con da os ecolec ados di ec amen e de las mediciones de ed en
en o nos uni e si a ios, que suminis an in o mación aliosa en o no a los pa áme os écnicos
que ca ac e izan la QoS.
No obs an e, es c ucial menciona que se han expe imen ado e asos en la ecepción
del pe miso eque ido po pa e de la Comisión de É ica de In es igación del País Vasco (CEISH).
Como consecuencia, la ealización de las encues as no ha sido posible den o del iempo
inicialmen e es imado. An e es a si uación, se ha op ado po iden i ica y aplica un mé odo
al e na i o pa a ecopila los da os de QoE.
La u ilidad y aplicabilidad de es e modelo puede ene un impac o signi ica i o en la
op imización de edes WiFi en uni e sidades, en é minos de p opo ciona una mejo
expe iencia de usua io y una ges ión más e icien e del se icio.
Po úl imo, es impo an e des aca que odos los da os u ilizados en es e p oyec o han
sido ap obados po el Comi é de É ica de la Uni e sidad del País Vasco (UPV/EHU), en el ma co
de la línea de in es igación de la memo ia p esen ada M10/2023/184, i ulada "Análisis pa a la
ges ión global de la QoS en ed WiFi en en o no uni e si a io".
9
El ap endizaje no supe isado iene a ias en ajas en compa ación con el ap endizaje
supe isado. En p ime luga , no equie e un conjun o de da os e ique ados, lo que puede se
una en aja en si uaciones en las que las e ique as no es án disponibles o son cos osas de
ob ene . En segundo luga , el ap endizaje no supe isado pe mi e explo a los da os y descub i
pa ones y es uc u as que de o a o ma pod ían pasa desape cibidos. También es ú il pa a la
comp esión y el esumen de da os, como la educción de dimensionalidad y la gene ación de
ca ac e ís icas.
Sin emba go, el ap endizaje no supe isado ambién iene algunas des en ajas. En p ime
luga , el endimien o del modelo puede se di ícil de e alua ya que no hay una espues a
co ec a o e ique a. En segundo luga , puede se di ícil in e p e a los esul ados ob enidos,
especialmen e en a eas complejas. Po úl imo, algunos algo i mos de ap endizaje no
supe isado son sensibles a la calidad y la can idad de los da os.
5.2.3. Ap endizaje po e ue zo
El ap endizaje po e ue zo [4] es una écnica de ap endizaje au omá ico en la cual un
agen e in e ac úa con su en o no y ap ende a oma acciones pa a maximiza una ecompensa.
El agen e ecibe una ecompensa o un cas igo en unción de las acciones que oma, y u iliza es a
in o mación pa a mejo a su compo amien o en el u u o (Ilus ación 3).
Ilus ación 3: Ap endizaje po e ue zo
En el ap endizaje po e ue zo, el agen e ap ende a a és de la expe imen ación y la
e oalimen ación. El agen e se encuen a en un es ado y oma una acción, lo que esul a en un
nue o es ado y una ecompensa. El agen e u iliza es a in o mación pa a ac ualiza sus
conocimien os sob e cómo debe ac ua en el u u o.
La polí ica es el conjun o de eglas que el agen e sigue pa a oma acciones. El obje i o
del ap endizaje po e ue zo es encon a la polí ica óp ima que maximiza la ecompensa a la go
plazo. Una polí ica óp ima es aquella que oma las acciones que maximizan la espe anza de la
ecompensa u u a.
Exis en a ios algo i mos de ap endizaje po e ue zo, como el algo i mo Q-lea ning,
SARSA, y el algo i mo de polí ica g adien e. El algo i mo Q-lea ning es uno de los más u ilizados,
y se basa en la idea de ap ende una unción de alo Q, que es la espe anza de la ecompensa
u u a si el agen e oma una acción en un es ado dado. El algo i mo Q-lea ning ac ualiza la
unción Q u ilizando la ecuación de Bellman, que es una ecuación ecu si a que desc ibe cómo
la unción Q debe ac ualiza se en unción de la ecompensa y la unción Q de los es ados u u os.

10
El algo i mo SARSA es simila al algo i mo Q-lea ning, pe o u iliza la unción Q pa a
oma acciones en luga de la polí ica óp ima. El algo i mo de polí ica g adien e es o o algo i mo
de ap endizaje po e ue zo u ilizado pa a encon a polí icas óp imas. Es e algo i mo u iliza
g adien es pa a ac ualiza la polí ica, y se basa en la idea de que la polí ica óp ima se encuen a
en la di ección del g adien e de la espe anza de la ecompensa.
5.2.4. Ap endizaje p o undo
El ap endizaje p o undo [5] es una écnica de ap endizaje au omá ico que u iliza edes
neu onales de a ias capas pa a ap ende ep esen aciones de los da os. Una ed neu onal es
un modelo ma emá ico inspi ado en el ce eb o humano que se compone de capas de nodos o
neu onas in e conec adas. Cada neu ona ecibe una en ada y p oduce una salida median e una
unción de ac i ación.
Las edes neu onales p o undas se componen de a ias capas de neu onas (E o !
Re e ence sou ce no ound.), y se u ilizan pa a ap ende ep esen aciones de los da os a
medida que se p ocesan a a és de las capas. Cada capa de una ed neu onal p o unda ap ende
una ep esen ación más abs ac a de los da os, y las ep esen aciones ap endidas se u ilizan
pa a ealiza a eas como la clasi icación, la gene ación de imágenes y el p ocesamien o del
lenguaje na u al.
Las edes neu onales p o undas se componen de a ios ipos de capas, como las capas
de en ada, las capas ocul as y las capas de salida. La capa de en ada ecibe los da os de en ada
y los alimen a a a és de la ed neu onal. Cada capa ocul a ap ende una ep esen ación más
abs ac a de los da os a medida que se p ocesan a a és de ella. La capa de salida p oduce la
salida inal de la ed neu onal. En la Ilus ación 4, se puede obse a la ep esen ación de una
ed neu onal.
Ilus ación 4: Red neu onal
Exis en a ios ipos de edes neu onales p o undas, cada una con sus p opias ca ac e ís icas
y aplicaciones. Algunos de los más comunes incluyen:
• Redes neu onales eed o wa d: son las edes neu onales más simples y u ilizadas. Son
aquellas en las que las conexiones en e las neu onas solo an de una capa hacia la
siguien e, sin e oalimen ación.
11
• Redes neu onales ecu en es: son aquellas en las que las conexiones en e las
neu onas an de una capa hacia la siguien e y ambién de una capa hacia una capa
an e io . Es o pe mi e que las edes neu onales ecu en es p ocesen secuencias de
da os.
• Redes neu onales con olucionales: son un ipo especial de edes neu onales
eed o wa d que se u ilizan pa a p ocesa imágenes. Es as edes neu onales ap enden
pa ones en las imágenes median e el uso de il os y capas de pooling.
• Redes neu onales au oencode : son un ipo de ed neu onal eed o wa d que se
u ilizan pa a ap ende una ep esen ación comp imida de los da os. Es as edes
neu onales se componen de dos pa es: un codi icado que comp ime los da os y un
decodi icado que los econs uye.
5.3. Análisis de en o nos de desa ollo y lenguajes de p og amación pa a el ML
Los en o nos de desa ollo son so wa e que p opo cionan he amien as y uncionalidades
pa a acili a la esc i u a, p ueba y depu ación de código. Es os en o nos de desa ollo son
esenciales pa a los desa ollado es de ML, ya que pe mi en aumen a la e iciencia y
p oduc i idad en el desa ollo de aplicaciones.
Asimismo, los lenguajes de p og amación son la base undamen al pa a el desa ollo de
aplicaciones de ML. Exis en a ios lenguajes de p og amación popula es pa a ML, como Py hon,
R, Ja a, en e o os. Cada uno de es os lenguajes de p og amación iene sus p opias
ca ac e ís icas y en ajas, lo que los hace más adecuados pa a di e en es a eas y aplicaciones.
En es e apa ado, se p o undiza á en cada uno de es os aspec os pa a en ende mejo las
ca ac e ís icas y en ajas de las di e en es he amien as y ecnologías disponibles pa a el
desa ollo de aplicaciones de ML.
5.3.1. En o nos de desa ollo
En la ac ualidad, exis en a ios en o nos de desa ollo que se u ilizan comúnmen e en
el desa ollo de p oyec os de ML. Es os en o nos o ecen una a iedad de ca ac e ís icas y
he amien as diseñadas especí icamen e pa a ayuda a abaja con biblio ecas y ma cos de ML.
A con inuación, se p esen a un análisis de los en o nos de desa ollo más u ilizados pa a el ML.
5.3.1.1. Jupy e No ebooks
Jupy e [6] es una pla a o ma de código abie o que pe mi e abaja con código en una
amplia gama de lenguajes de p og amación, incluyendo Py hon, R, Julia, y o os. La pla a o ma
se u iliza comúnmen e en p oyec os de ML, ya que o ece una in e az de usua io ácil de usa
pa a abaja con modelos de ML, y cuen a con una amplia gama de he amien as y
ca ac e ís icas pa a cons ui modelos de al a calidad.
Una de las ca ac e ís icas más des acadas de Jupy e es su capacidad pa a abaja con
no ebooks in e ac i os. Es os no ebooks pe mi en esc ibi y ejecu a código en iempo eal, lo
que pe mi e explo a da os, expe imen a con di e en es modelos de ML, y isualiza los
12
esul ados de sus análisis. Los no ebooks ambién pe mi en documen a el abajo en línea, lo
que hace que sea más ácil compa i y colabo a en p oyec os de ML.
O a ca ac e ís ica ú il de Jupy e es su capacidad pa a in eg a se con una amplia gama
de biblio ecas y amewo ks de ML. Po ejemplo, la pla a o ma es compa ible con Tenso Flow,
PyTo ch, Sciki -lea n, Ke as, y muchos o os. Es o signi ica se puede abaja con una a iedad
de he amien as y amewo ks de ML den o de un en o no cohe en e y ácil de usa .
Jupy e ambién cuen a con una amplia gama de he amien as y unciones pa a la
explo ación y isualización de da os. Cuen a con he amien as in eg adas de isualización de
da os, que pe mi en c ea g á icos y isualizaciones pa a ayuda a en ende mejo los pa ones
y endencias en los da os. Jupy e ambién es compa ible con una amplia gama de biblio ecas
de análisis de da os, lo que posibili a ealiza modelos con da os de una a iedad de uen es.
En é minos de colabo ación, Jupy e es una pla a o ma ideal pa a p oyec os de ML. Los
no ebooks pueden se compa idos y colabo ados en iempo eal, lo que hace que sea ácil
abaja con o os desa ollado es y compa i el abajo con colegas y colabo ado es. Además,
los no ebooks son compa ibles con Gi y o os sis emas de con ol de e siones, que acili a la
colabo ación en p oyec os de código abie o y ayuda a asegu a que los cambios en el código
sean as eados y documen ados adecuadamen e.
5.3.1.2. Google Colab
Google Colab [7], ab e iación de Google Colabo a o y, es una pla a o ma de código
abie o basada en la nube que pe mi e a los usua ios esc ibi y ejecu a código en Py hon. Colab
se ejecu a en el en o no de Google D i e y p opo ciona un en o no de desa ollo in e ac i o
simila a Jupy e No ebook.
Una de las en ajas cla e de Google Colab es que se ejecu a comple amen e en la nube,
lo que signi ica que no equie e una con igu ación local. Los usua ios pueden accede a Colab a
a és de un na egado web, lo que les pe mi e abaja en p oyec os de ML sin necesidad de
ins ala so wa e adicional en su o denado . Es o hace que Colab sea especialmen e con enien e
pa a aquellos que no ienen acceso a ecu sos de ha dwa e po en es o que desean colabo a y
compa i su abajo ácilmen e.
Google Colab o ece muchas ca ac e ís icas simila es a Jupy e No ebook. Los usua ios
pueden c ea y ejecu a celdas de código en iempo eal, lo que acili a la expe imen ación y la
i e ación ápida. Colab ambién es compa ible con a ios lenguajes de p og amación, pe o se
cen a p incipalmen e en Py hon.
Una de las ca ac e ís icas más des acadas de Google Colab es su in eg ación con Google
D i e y o as he amien as de Google. Es o pe mi e a los usua ios impo a y expo a da os
di ec amen e desde y hacia su Google D i e, lo que acili a el acceso a conjun os de da os y
a chi os de p oyec o. Además, Colab o ece una amplia gama de biblio ecas y amewo ks
popula es de ML p eins alados, como Tenso Flow, Ke as y PyTo ch, lo que acili a comenza a
abaja en p oyec os de ML sin ene que p eocupa se po la ins alación y con igu ación de las
biblio ecas.
13
Al igual que Jupy e , Google Colab o ece he amien as y unciones de isualización de
da os pa a explo a y isualiza los esul ados de los análisis de da os. Los usua ios pueden c ea
g á icos y isualizaciones in e ac i as di ec amen e en las celdas de código, lo que acili a la
comp ensión y la p esen ación de los esul ados.
En é minos de colabo ación, Google Colab ambién es una pla a o ma ideal. Los
usua ios pueden compa i sus no ebooks de Colab con o os usua ios, pe mi iendo la
colabo ación en iempo eal y la e isión conjun a del código y los esul ados. Además, Colab es
compa ible con Gi Hub, lo que acili a la in eg ación con sis emas de con ol de e siones y
pe mi e a los usua ios ealiza un seguimien o de los cambios y colabo a en p oyec os de o ma
e ec i a.
5.3.1.3. Da aSpell
Je B ains Da aSpell [8] es un en o no de desa ollo in eg ado (IDE) diseñado pa a
acili a el abajo en p oyec os de ML. Es á especí icamen e diseñado pa a abaja con
lenguajes de p og amación popula es pa a ML, como Py hon, y iene equipado con una amplia
gama de he amien as y ca ac e ís icas ú iles pa a la cons ucción de modelos de ML e ec i os.
En é minos gene ales, Da aSpell o ece una in e az de usua io in ui i a y ácil de usa
que pe mi e abaja de mane a más e icien e. Asimismo, la pla a o ma iene equipada con una
se ie de he amien as y unciones pa a au oma iza muchas de las a eas epe i i as asociadas
con el desa ollo de modelos de ML.
Una de las ca ac e ís icas más des acadas de Da aSpell es su in eg ación con los
amewo ks de ML más popula es, incluyendo Tenso Flow, PyTo ch, Sciki -lea n y MXNe . Es o
signi ica que se pueden ealiza p oyec os que u ilizan es os amewo ks de mane a más
e icien e, lo que puede ayuda a educi el iempo de desa ollo y acele a el p oceso de
i e ación del modelo.
O a ca ac e ís ica ú il de Da aSpell es su capacidad pa a ejecu a modelos de ML en la
pla a o ma de nube de Je B ains. Es o implica que se pueden ejecu a modelos en un en o no
de nube segu o y escalable sin ene que p eocupa se po con igu a su p opia in aes uc u a
de nube. Es o puede se especialmen e ú il pa a p oyec os que equie en ecu sos de
compu ación escalables, como el en enamien o de modelos de g an amaño.
Po úl imo, Da aSpell ambién iene con una se ie de he amien as de isualización y
análisis de da os in eg adas pa a la explo ación y isualización de da os. Es o puede ayuda a
iden i ica pa ones y endencias en los da os, lo que a su ez puede mejo a la calidad del
modelo de ML esul an e.
5.3.1.4. PyCha m
PyCha m [9] es un en o no de desa ollo in eg ado (IDE) desa ollado po Je B ains que
es á diseñado pa a abaja con p oyec os de Py hon. Aunque PyCha m se usa comúnmen e
pa a p oyec os de desa ollo de so wa e, ambién es una opción popula pa a p oyec os de ML
debido a su conjun o de he amien as y ca ac e ís icas diseñadas especí icamen e pa a ese
p opósi o.
14
PyCha m iene capacidad pa a in eg a se con una amplia gama de biblio ecas de ML. La
pla a o ma es compa ible con Tenso Flow, PyTo ch, Sciki -lea n, Ke as y o as biblio ecas de ML,
así pues, se puede abaja con una a iedad de he amien as y amewo ks de ML den o de un
en o no cohe en e y ácil de usa .
Además, PyCha m cuen a con una amplia gama de he amien as y unciones pa a el
desa ollo de modelos de ML. Po ejemplo, la pla a o ma cuen a con he amien as de
depu ación y análisis de da os in eg adas, po lo que acili a la iden i icación de e o es en el
código y la de ección de pa ones en los da os.
O a ca ac e ís ica ú il de PyCha m es su capacidad pa a abaja con no ebooks de
Jupy e . Se pueden c ea y ejecu a no ebooks de Jupy e den o de PyCha m, en consecuencia,
se pueden explo a da os, expe imen a con di e en es modelos de ML y documen a su abajo
en línea.
En é minos de colabo ación, PyCha m es una buena pla a o ma pa a p oyec os de ML.
La pla a o ma es compa ible con Gi y o os sis emas de con ol de e siones, lo que acili a la
colabo ación en p oyec os de código abie o y ayuda a asegu a que los cambios en el código
sean as eados y documen ados adecuadamen e. Además, PyCha m iene la posibilidad de
abaja en equipos de mane a e ec i a median e la asignación de a eas y el seguimien o del
p og eso del p oyec o.
5.3.1. Lenguajes de p og amación
Además de la necesidad de u iliza un en o no de desa ollo óp imo pa a ealiza
p oyec os de ML, es indispensable hace uso de un lenguaje de p og amación que sea e icien e
y adecuado pa a los mismos. Exis en a ios lenguajes de p og amación que se u ilizan
comúnmen e en el desa ollo de p oyec os de ML. A con inuación, se p esen a un análisis de los
lenguajes de p og amación más u ilizados.
5.3.1.5. Py hon
Py hon [10] es un lenguaje de p og amación de al o ni el que se ha con e ido en uno
de los lenguajes más popula es pa a el desa ollo de aplicaciones de ML. A con inuación, se
desc iben sus ca ac e ís icas p incipales:
• Lenguaje de p og amación de al o ni el: ácil de lee y esc ibi , lo que acele a el p oceso
de desa ollo.
• Lenguaje de código abie o: acceso al código uen e y modi icaciones posibles.
• Facilidad de uso: ácil de ap ende y u iliza , ideal pa a los que se es án iniciando en el
desa ollo de aplicaciones.
• Po abilidad: mul ipla a o ma y se puede ejecu a en una amplia a iedad de sis emas
ope a i os y a qui ec u as.
• Mul ipa adigma: admi e a ios pa adigmas de p og amación, incluidos p og amación
o ien ada a obje os, p og amación uncional y p og amación impe a i a, pe mi iendo
elegi el pa adigma que mejo se adap e a sus necesidades.
• Lib e ías de ML: g an can idad de lib e ías de ML disponibles en Py hon, lo que acili a
el desa ollo de modelos y educe el iempo de desa ollo.

15
• Flexibilidad: Py hon es un lenguaje lexible y mul ipa adigma, lo que pe mi e elegi el
pa adigma que mejo se adap e a las necesidades.
• Comunidad ac i a: Py hon iene una comunidad de desa ollado es muy ac i a, po
an o, signi ica que hay una g an can idad de ecu sos disponibles en línea y una g an
can idad de pe sonas dispues as a ayuda .
• Facilidad de in eg ación: Py hon se in eg a ácilmen e con o as ecnologías y
he amien as, po lo que acili a la in eg ación de aplicaciones de ML en o os sis emas.
5.3.1.6. R
R [11] es un lenguaje de p og amación y un en o no de so wa e de código abie o
u ilizado en análisis es adís icos y ML. R es un lenguaje que se en oca en el análisis de da os y,
po lo an o, iene una g an can idad de lib e ías especí icas pa a el análisis de da os y la c eación
de modelos de ML. A con inuación, se desc iben sus ca ac e ís icas p incipales:
• Lenguaje de p og amación de al o ni el: R es un lenguaje de p og amación de al o ni el
que es ácil de lee y esc ibi . Es o hace que el p oceso de desa ollo sea más ápido y
e icien e.
• Lenguaje de código abie o: R es un lenguaje de código abie o, lo que signi ica que se
puede accede al código uen e y modi ica lo según sea necesa io.
• Facilidad de uso: R es un lenguaje ácil de ap ende y u iliza , lo que lo hace ideal pa a
aquellos que se es án iniciando en el desa ollo de aplicaciones.
• Las lib e ías de ML: R iene una g an can idad de lib e ías de ML, lo que acili a el
desa ollo de modelos y educe el iempo de desa ollo.
• Amplias capacidades es adís icas: R es un lenguaje especialmen e diseñado pa a
análisis es adís ico, lo que signi ica que iene una amplia gama de capacidades
es adís icas inco po adas.
• Flexibilidad: R es un lenguaje lexible y mul ipa adigma, lo que pe mi e elegi el
pa adigma que mejo se adap e a sus necesidades.
• Visualización de da os: R iene capacidades inco po adas de isualización de da os, lo
que acili a la explo ación y análisis de g andes conjun os de da os.
• Comunidad ac i a: R iene una comunidad de desa ollado es muy ac i a, lo que
signi ica que hay una g an can idad de ecu sos disponibles en línea y una g an can idad
de pe sonas dispues as a ayuda .
5.3.1.7. Ja a
Ja a [12] es un lenguaje de p og amación o ien ado a obje os de al o ni el u ilizado en
una amplia gama de aplicaciones de so wa e. Ja a ambién se ha u ilizado cada ez más en el
campo del ML. A con inuación, se desc iben sus ca ac e ís icas p incipales:
• O ien ación a obje os: Ja a es un lenguaje o ien ado a obje os, lo que signi ica que las
aplicaciones de ML pueden se p og amadas en una es uc u a de clases y obje os, que
acili a la comp ensión y el man enimien o del código.
• Pla a o ma independien e: Ja a se ejecu a en una máquina i ual, es deci , que el
código Ja a puede se ejecu ado en cualquie pla a o ma que enga una máquina i ual
de Ja a ins alada.
• Segu idad: Ja a iene un modelo de segu idad sólido que lo hace in e esan e pa a el
desa ollo de aplicaciones que manejan da os sensibles.
16
• Escalabilidad: Ja a es un lenguaje escalable y se puede u iliza pa a desa olla
aplicaciones de cualquie amaño.
• Lenguaje de p og amación sólido: Ja a es un lenguaje de p og amación sólido y
con iable que se ha u ilizado en una amplia gama de aplicaciones de so wa e.
• Lib e ías y ma cos de abajo de ML: Ja a iene una amplia gama de lib e ías y ma cos
de abajo de ML, lo que pe mi e el desa ollo de modelos de ML so is icados.
• Rendimien o: Ja a es conocido po ene un buen endimien o y puede maneja
g andes conjun os de da os y modelos de ML complejos.
• Facilidad de in eg ación: Ja a se in eg a ácilmen e con o as ecnologías y
he amien as, lo que acili a la in eg ación de aplicaciones de ML en o os sis emas.
• Comunidad ac i a: Ja a iene una comunidad de desa ollado es muy ac i a, lo que
signi ica que hay una g an can idad de ecu sos disponibles en línea y una g an can idad
de pe sonas dispues as a ayuda .
5.3.1.8. C++
C++ [13] es un lenguaje de p og amación de al o ni el u ilizado en una amplia a iedad
de aplicaciones de so wa e, incluyendo el campo del ML. A con inuación, se desc iben sus
ca ac e ís icas p incipales:
• Velocidad y e iciencia: C++ es un lenguaje de p og amación conocido po su al a
elocidad y e iciencia. Es o lo hace ideal pa a aplicaciones de ML que in oluc an g andes
conjun os de da os y modelos de ML complejos.
• O ien ación a obje os: C++ es un lenguaje de p og amación o ien ado a obje os, lo que
signi ica que las aplicaciones de ML pueden se p og amadas en una es uc u a de clases
y obje os, lo que acili a la comp ensión y el man enimien o del código.
• Po abilidad: C++ es un lenguaje de p og amación al amen e po á il y puede se
u ilizado en una a iedad de pla a o mas y sis emas ope a i os.
• Rendimien o: C++ es conocido po ene un excelen e endimien o y puede maneja
g andes conjun os de da os y modelos de ML complejos.
• Lib e ías y ma cos de abajo de ML: C++ iene una amplia gama de lib e ías y ma cos
de abajo de ML, lo que pe mi e el desa ollo de modelos de ML so is icados.
• Acceso a ha dwa e de bajo ni el: C++ pe mi e un acceso di ec o al ha dwa e de la
compu ado a, lo que lo hace ideal pa a aplicaciones de ML que equie en el uso de
ha dwa e de bajo ni el, como acele ado es de ha dwa e de GPU.
• Flexibilidad: C++ es un lenguaje de p og amación al amen e lexible que puede se
u ilizado pa a una a iedad de aplicaciones de ML, incluyendo el desa ollo de sis emas
de ap endizaje p o undo, edes neu onales y algo i mos de clasi icación.
5.4. Análisis de pa áme os QoS en en o nos WiFi
La calidad de se icio (QoS) es un conjun o de pa áme os que de e minan el endimien o y
la calidad de las edes. Los pa áme os de QoS son especialmen e impo an es en edes WiFi,
donde se en en an a muchos desa íos en é minos de capacidad, alcance y segu idad. Es e
análisis se cen a á en los p incipales pa áme os de QoS en edes WiFi y su impac o en el
endimien o de la ed.
17
5.4.1. Ancho de banda
El ancho de banda es uno de los pa áme os más impo an es en la QoS de los en o nos
WiFi. Según la Recomendación UIT-T Y.1540 el ancho de banda se de ine como la can idad de
da os que se pueden ansmi i en una unidad de iempo, medido en bi s po segundo (bps), y
es esencial pa a la capacidad de una ed pa a sopo a aplicaciones de al a elocidad como el
s eaming de ideo y audio, la desca ga de a chi os g andes, y la na egación web ápida.
El ancho de banda disponible en una ed WiFi depende de a ios ac o es, incluyendo la
ecnología u ilizada (po ejemplo, WiFi 4, 5 o 6), la ecuencia de ope ación (2,4 GHz o 5 GHz), el
núme o de an enas, la calidad de la señal, el núme o de usua ios conec ados, y la can idad de
da os que se es án ansmi iendo en ese momen o.
A con inuación, se de allan algunos aspec os impo an es que condicionan el ancho de
banda en la QoS en en o nos WiFi:
• Tecnología WiFi: El ancho de banda en una ed WiFi es á limi ado po la ecnología
u ilizada. Po ejemplo, WiFi 4 (802.11n) o ece una elocidad máxima de has a 600
Mbps, mien as que WiFi 5 (802.11ac) puede alcanza elocidades de has a 1,3 Gbps y
WiFi 6 (802.11ax) puede llega a elocidades de has a 9,6 Gbps. Po lo an o, la elección
de la ecnología WiFi es c ucial pa a de e mina el ancho de banda disponible y la QoS
que se puede espe a de una ed.
• F ecuencia de ope ación: La ecuencia de ope ación ambién in luye en el ancho de
banda disponible. El espec o de 2,4 GHz iene menos ancho de banda disponible en
compa ación con el espec o de 5 GHz. Po lo an o, las edes que ope an en el espec o
de 5 GHz pueden p opo ciona una mayo capacidad y, po an o, una mejo QoS.
• Núme o de an enas: La can idad de an enas en un pun o de acceso WiFi ambién puede
a ec a el ancho de banda disponible. Cuan as más an enas enga el pun o de acceso,
más capacidad end á pa a ansmi i y ecibi da os. Po lo an o, un pun o de acceso
con múl iples an enas puede p opo ciona una mayo QoS que un pun o de acceso con
una sola an ena.
• Calidad de la señal: La calidad de la señal es un ac o impo an e en la de e minación
del ancho de banda disponible. Una señal débil o in e e encias pueden disminui la
calidad de la señal y limi a la can idad de da os que se pueden ansmi i . Po lo an o,
es impo an e que la señal WiFi sea lo más ue e y cla a posible pa a ob ene el máximo
ancho de banda disponible.
• Núme o de usua ios conec ados: El núme o de usua ios conec ados a una ed WiFi
puede a ec a la QoS y el ancho de banda disponible. Cuan os más usua ios se conec en
a la ed, mayo se á la ca ga de la ed y meno se á el ancho de banda disponible pa a
cada usua io. Po lo an o, es impo an e limi a el núme o de usua ios conec ados y
dis ibui los en di e en es canales y ecuencias pa a mejo a la QoS.
• Can idad de da os que se es án ansmi iendo: La can idad de da os que se es án
ansmi iendo en la ed ambién a ec a el ancho de banda disponible.
18
5.4.2. Th oughpu
El h oughpu un pa áme o muy impo an e en la QoS de los en o nos WiFi, y se de ine
como la can idad de da os que se pueden ansmi i con éxi o en una unidad de iempo
de e minada. El h oughpu se mide ípicamen e en bi s po segundo (bps).
Según la Recomendación ITU-T Y.1540, el h oughpu es uno de los pa áme os cla e
pa a e alua la calidad de una ed, se de ine como la can idad de da os que se pueden ansmi i
en una unidad de iempo, medido en bi s po segundo (bps). Además, se es ablece que el
h oughpu se e a ec ado po a ios ac o es, como la capacidad de la ed, la conges ión de la
ed y los equisi os de ancho de banda de las aplicaciones.
A con inuación, se de allan algunos aspec os impo an es que condicionan el h oughpu en la
QoS en en o nos WiFi:
• Tecnología WiFi: Al igual que con el ancho de banda, la ecnología WiFi u ilizada es un
ac o cla e en la de e minación del h oughpu disponible en una ed. Las edes WiFi
más nue as, como WiFi 6 (802.11ax), o ecen elocidades más al as y mayo e iciencia
espec al, lo que puede conduci a un mayo h oughpu .
• F ecuencia de ope ación: La ecuencia de ope ación ambién puede in lui en el
h oughpu disponible. En gene al, las edes WiFi que ope an en el espec o de 5 GHz
ienen un mayo h oughpu que las que ope an en el espec o de 2,4 GHz. Es o se debe
a que el espec o de 5 GHz iene más canales disponibles y es menos suscep ible a
in e e encias.
• Núme o de an enas: Al igual que con el ancho de banda, la can idad de an enas en un
pun o de acceso WiFi ambién puede a ec a el h oughpu disponible. Los pun os de
acceso con múl iples an enas pueden p opo ciona un mayo h oughpu que los pun os
de acceso con una sola an ena, ya que ienen más capacidad pa a ansmi i y ecibi
da os.
• Calidad de la señal: La calidad de la señal es un ac o impo an e en la de e minación
del h oughpu disponible. Una señal débil o in e e encias pueden disminui el
h oughpu y limi a la can idad de da os que se pueden ansmi i con éxi o. Po lo
an o, es impo an e que la señal WiFi sea lo más ue e y cla a posible pa a ob ene el
máximo h oughpu disponible.
• Núme o de usua ios conec ados: El núme o de usua ios conec ados a una ed WiFi
ambién puede a ec a el h oughpu disponible. Cuan os más usua ios se conec en a la
ed, mayo se á la ca ga de la ed y meno se á el h oughpu disponible pa a cada
usua io. Po lo an o, es impo an e limi a el núme o de usua ios conec ados y
dis ibui los en di e en es canales y ecuencias pa a mejo a la QoS.
• Can idad de da os que se es án ansmi iendo: La can idad de da os que se es án
ansmi iendo en la ed ambién a ec a el h oughpu disponible. Cuan o más al o sea
el á ico de ed, meno se á el h oughpu disponible pa a cada usua io.
5.4.3. La encia
La la encia es un pa áme o cla e en la QoS de los en o nos WiFi. Según la
ecomendación ITU-T Y.1541 la la encia es el iempo de e aso que anscu e desde que se
en ía un paque e de da os desde un o igen has a que se ecibe en su des ino. La la encia iene
25
Es impo an e ene en cuen a que es os ac o es humanos pueden in e ac ua en e sí
pa a in lui en la pe cepción de los usua ios. Po lo an o, es impo an e ene en cuen a es as
a iables al momen o de diseña encues as pa a e alua la QoE en edes WiFi.
5.5.2. Fac o es de in luencia del sis ema
El ac o de in luencia del sis ema es una de las ca ego ías más es udiadas en elación con
la QoE en edes WiFi. Es e ac o hace e e encia a odas las ca ac e ís icas écnicas del sis ema
que in luyen en la calidad pe cibida po el usua io, es deci , iene una es echa elación con la
QoS de la ed, ya que, la QoS in luye di ec amen e en la expe iencia del usua io. A con inuación,
se analiza án los p incipales sub ac o es que in luyen al sis ema:
• Relacionados con el con enido: los aspec os écnicos elacionados con el con enido
ansmi ido son undamen ales pa a ga an iza una buena QoE en edes wi i. En e ellos
se incluyen la codi icación de los da os, la esolución de la imagen o el sonido, la
ecuencia de mues eo y la asa de bi s. Si es os ac o es no se ajus an adecuadamen e,
se pueden p oduci allos en la ansmisión, e asos, co es en la señal, e c.
• Relacionados con la ed: la calidad de la ed wi i es o o aspec o écnico cla e pa a
ga an iza una buena QoE. En es e sen ido, la elocidad de conexión, el ancho de banda
disponible, el e a do de la señal y la luc uación de ase son algunos de los aspec os
écnicos que in luyen en la calidad pe cibida po el usua io.
• Disposi i os: los disposi i os u ilizados pa a conec a se a la ed wi i ambién ienen un
impac o en la QoE. La esolución de la pan alla, el amaño y la calidad de los al a oces
o au icula es son algunos de los aspec os que in luyen en la calidad pe cibida po el
usua io.
Es ele an e des aca que es os ac o es écnicos es án es echamen e in e elacionados
en e sí y, po lo an o, cualquie p oblema écnico en uno de ellos puede a ec a nega i amen e
a los demás.
5.5.3. Fac o de in luencia del con ex o
El ac o de in luencia del con ex o en la QoE en edes wi i se e ie e a cómo el en o no
en el que se u iliza el se icio o sis ema de WiFi puede a ec a la calidad de la expe iencia del
usua io. Es e ac o se di ide en a ios sub ac o es:
• Con ex o ísico: el con ex o ísico se e ie e a la ubicación y al espacio en el que se u iliza
el se icio o sis ema de wi i. Po ejemplo, si un usua io es á en un á ea con una mala
señal wi i debido a una mala cobe u a, es o a ec a á su QoE. Además, la p esencia de
in e e encias, uido, obs áculos o una al a concen ación de disposi i os que u ilizan
wi i ambién puede in lui en la QoE del usua io.
• Con ex o empo al: el con ex o empo al se e ie e a la ho a del día, la ecuencia de
uso y o os ac o es empo ales que pueden in lui en la QoE del usua io. Po ejemplo,
si hay un mayo núme o de usua ios u ilizando la ed WiFi en cie os momen os del día,
la QoE puede disminui debido a una sob eca ga de la ed.
• Con ex o social: el con ex o social se e ie e a las elaciones in e pe sonales que
pueden in lui en la QoE del usua io. Po ejemplo, si hay una g an can idad de usua ios

26
que u ilizan la misma ed wi i en un espacio compa ido, es posible que algunos usua ios
expe imen en una QoE de icien e debido a la compe encia po el ancho de banda.
• Con ex o económico: el con ex o económico se e ie e al pode adquisi i o de los
usua ios y a cómo es o puede in lui en la QoE. Po ejemplo, un usua io con una
conexión de in e ne de al a elocidad puede ene una mejo QoE en compa ación con
un usua io que u iliza una conexión de baja elocidad.
• Con ex o de a ea: el con ex o de la a ea se e ie e al ipo de a ea que se es á
ealizando en el sis ema o se icio de wi i y cómo es o puede in lui en la QoE del
usua io. Po ejemplo, si un usua io es á ealizando una a ea que equie e una conexión
de al a elocidad, como desca ga o ca ga a chi os g andes, es posible que
expe imen e una QoE de icien e si la elocidad de la ed es baja.
• Con ex o écnico: El con ex o écnico se e ie e a la elación en e sis emas en la ed
wi i, como el en u ado , los disposi i os de acceso, la in aes uc u a de ed y los
p o ocolos u ilizados. Es os ac o es pueden in lui en la QoE del usua io, po ejemplo,
una ed WiFi con un ou e de baja calidad o una in aes uc u a de ed obsole a puede
ene una mala QoS, lo que puede a ec a nega i amen e la expe iencia del usua io.
5.6. Análisis de me odologías de alo ación
Pa a medi la QoE de los usua ios, se pueden u iliza di e sas me odologías de
alo ación. Es as me odologías pueden se obje i as o subje i as. Los mé odos obje i os se
basan en medidas écnicas y es adís icas pa a e alua la calidad de la ed. Los mé odos obje i os
son especialmen e ú iles pa a iden i ica p oblemas en la ed y pe mi en la moni o ización
cons an e de la calidad de la ed. Sin emba go, Los mé odos subje i os se basan en la pe cepción
del usua io y su expe iencia de uso. Los mé odos subje i os se u ilizan gene almen e pa a
e alua la QoE pe cibida po el usua io inal.
Es e p oyec o se en oca á exclusi amen e en analiza los mé odos subje i os pa a medi
la QoE. Es o se debe a que pa a es e p oyec o es undamen al ob ene in o mación
di ec amen e de los usua ios, comp ende su pe spec i a y oma medidas e ec i as pa a
mejo a su expe iencia en la ed. A con inuación, se p ocede á a explica en de alle las dis in as
me odologías exis en es pa a la alo ación de la QoE de los usua ios median e mé odos
subje i os.
La ecomendación ITU-T P.800, p esen a el Mé odo de la Escala de Opinión Media
(MOS) [20]. Es uno de los mé odos más u ilizados pa a e alua la calidad subje i a de los
se icios mul imedia, como la oz y el ideo. Es e mé odo se basa en la idea de que la QoE puede
se medida median e la ecopilación de opiniones de los usua ios en una escala subje i a.
La P.800 es ablece una escala de opinión subje i a que se u iliza pa a medi la calidad
de los se icios mul imedia en unción de la pe cepción de los usua ios. Es a escala es una escala
o dinal de 1 a 5, donde 1 es la peo calidad y 5 es la mejo calidad. Cada alo de la escala se
asigna a una desc ipción de calidad, que se u iliza pa a o ien a a los usua ios a la ho a de ealiza
su alo ación subje i a. La escala se di ide en cinco ca ego ías: pob e, jus a, buena, muy buena
y excelen e, al y como se puede e en la Ilus ación 6.
27
MOS
Quali y
5
Excellen
4
Good
3
Fai
2
Poo
1
Bad
Ilus ación 6: MOS
El mé odo MOS se basa en la idea de que, a pesa de que las opiniones de los usua ios
pueden se subje i as, exis e un cie o g ado de consenso en cuan o a lo que se conside a una
expe iencia de calidad. Po lo an o, el MOS u iliza la opinión media de un g upo de usua ios
pa a de e mina la calidad de la expe iencia del usua io.
El MOS se u iliza ampliamen e en la indus ia de las elecomunicaciones pa a e alua la
calidad de los se icios mul imedia y pa a compa a di e en es soluciones ecnológicas. La
en aja del MOS es que es una medida ácil de usa y de en ende , y que se puede aplica a
di e en es ipos de se icios mul imedia. Además, los esul ados ob enidos con MOS son áciles
de compa a en e di e en es se icios y soluciones.
Sin emba go, el sis ema MOS iene algunas limi aciones. Una de las p incipales
limi aciones es que no iene en cuen a las ca ac e ís icas especí icas del se icio mul imedia
e aluado. Además, los esul ados del MOS pueden es a sesgados po ac o es como el amaño
de la mues a, la o ma en que se selecciona a los usua ios pa a la e aluación, y la expe iencia
p e ia de los usua ios con el se icio mul imedia e aluado.
Po o o lado, la ecomendación ITU-T P.910, p opo ciona un en oque más amplio y
comple o pa a e alua la calidad de la expe iencia del usua io de se icios mul imedia. Se basa
en la iden i icación de las ca ac e ís icas cla e de la expe iencia del usua io y en la ecopilación
de in o mación a a és de mé odos cuali a i os y cuan i a i os, incluyendo en e is as y
encues as.
Den o de es a ecomendación, se encuen an di e sos mé odos de e aluación
subje i a, en e ellos el mé odo ACR (Absolu e Ca ego y Ra ing), ACR-H (ACR wi h Hidden
Re e ence) y DCR (Deg ada ion Ca ego y Ra ing) y el mé odo de pa es.
El mé odo ACR [21] es el mé odo más u ilizado en la e aluación subje i a de la calidad.
Es e mé odo implica que los usua ios cali iquen la calidad de un se icio en una escala de
ca ego ías absolu as, como excelen e, bueno, egula , pob e o malo. Los usua ios deben elegi
una sola ca ego ía que mejo desc iba la calidad pe cibida del se icio.
En es e mé odo, se p esen an secuencias a los espec ado es uno a uno y se les pide que
cali iquen la calidad de cada secuencia en una escala de ca ego ía. Después de cada
p esen ación, los espec ado es e alúan la calidad de la secuencia mos ada en unción de la
escala de ca ego ía. La p esen ación del es ímulo en el mé odo ACR puede se cons an e o
a iable.
Una mejo a en el mé odo ACR es el mé odo ACR con e e encia ocul a (ACR-HR) [21].
En es e mé odo, se incluye una e sión de e e encia de cada secuencia de p ueba que se
28
mues a como cualquie o o es ímulo de p ueba, pe o de o ma ocul a. Du an e el análisis de
los da os, se calcula una pun uación di e encial de opinión media (DMOS) de calidad en e cada
secuencia de p ueba y su co espondien e (ocul a) e e encia. Es e p ocedimien o se conoce
como " e e encia ocul a". El cálculo de la DMOS iene en cuen a la calidad de la secuencia de
p ueba en elación con la calidad de la e e encia ocul a.
El mé odo ACR-HR iene la en aja de elimina el sesgo del espec ado hacia la e e encia
al calcula la DMOS, lo que ayuda a ob ene una medida más p ecisa de la calidad de la secuencia
de p ueba. El mé odo ACR-HR es ú il en expe imen os a g an escala, siemp e y cuando odas las
e e encias sean de al menos "buena" calidad.
Po o o lado, el mé odo de Ca ego ía de Deg adación (DCR) [21] es una écnica
subje i a u ilizada pa a e alua la calidad de la imagen en sis emas de ideo. Es un mé odo que
implica la p esen ación de dos secuencias de ideo, siendo la p ime a una secuencia de
e e encia y la segunda una secuencia p ocesada po el sis ema bajo e aluación. El e aluado
debe de e mina el g ado de deg adación de la segunda secuencia en elación con la p ime a.
El mé odo DCR u iliza una escala de cinco ni eles pa a cali ica el g ado de deg adación
de la segunda secuencia: 5 impe cep ible, 4 pe cep ible pe o no moles o, 3 lige amen e moles o,
2 moles o, 1 muy moles o. El e aluado debe cali ica cada pa de secuencias p esen adas
du an e el expe imen o en es a escala.
La en aja del mé odo DCR es que pe mi e e alua la idelidad de la ansmisión con
espec o a la señal de o igen. Po lo an o, es adecuado pa a e alua la calidad de imagen de
sis emas de al a calidad en ideocon e encia.
El mé odo DCR puede p esen a algunas limi aciones, po ejemplo, puede se di ícil de
aplica en sis emas que ienen múl iples uen es de deg adación simul áneas o que p esen an
deg adaciones no uni o mes. Además, el mé odo DCR no iene la misma disc iminación que
o os mé odos, como el ACR-HR, ya que solo se e alúa la deg adación en elación con una
e e encia y no se ealiza una e aluación compa a i a di ec a.
Po úl imo, el mé odo de compa ación po pa es (PC) implica que las secuencias de
p ueba se p esen an en pa es, consis iendo en que la misma secuencia se p esen e p ime o a
a és de un sis ema de p ueba y luego a a és de o o sis ema. Los sis emas de p ueba (A, B,
C, e c.) se combinan gene almen e en odas las posibles combinaciones n(n - 1) como AB, BA,
CA, e c. Po lo an o, odos los pa es de secuencias se deben mos a en ambos los ó denes
posibles (po ejemplo, AB, BA). Es e mé odo puede se más di ícil de implemen a en
compa ación con o os mé odos de e aluación, ya que equie e una compa ación di ec a de
pa es de secuencias y puede eque i una mayo can idad de iempo de e aluación po pa e de
los usua ios.
Es impo an e sabe cuándo implemen a cada uno de es os mé odos pa a ob ene el
esul ado más p eciso posible. Es a ecomendación comen a que el mé odo DCR es
ecomendado cuando se desea e alua la idelidad de la ansmisión con espec o a la señal de
o igen, especialmen e en sis emas de al a calidad. Es a me odología ha sido ampliamen e
u ilizada en la e aluación de calidad de imágenes de ele isión en el con ex o de la
29
ideo ele onia y ideocon e encia. El uso de la escala DCR es pa icula men e alioso cuando se
equie e disc imina en e la pe cepción de una deg adación impe cep ible o pe cep ible.
Po o o lado, el mé odo ACR es ácil y ápido de implemen a , y la p esen ación de
es ímulos es simila a la de uso común en los sis emas mul imedia. Es o lo hace adecuado pa a
ealiza p uebas de cali icación.
ACR-HR iene odas las en ajas de ACR en cuan o a la p esen ación y elocidad, y
además iene la capacidad de elimina el impac o pe cep ual del ideo de e e encia en las
pun uaciones subje i as. Es o educe el impac o del sesgo del escena io (po ejemplo, los
espec ado es que les gus an o no les gus an un ideo de e e encia), la calidad del ideo de
e e encia (po ejemplo, pequeñas di e encias en la calidad de la cáma a) y el moni o (po
ejemplo, calidad p o esional e sus g ado de consumido ) en las pun uaciones inales. ACR-HR
es adecuado pa a ealiza expe imen os con un g an núme o de obse ado es, siemp e y cuando
odos los ideos de e e encia sean de al menos "buena" calidad. Sin emba go, ACR-HR puede
se insensible a algunas deg adaciones que son ácilmen e de ec adas po mé odos di e enciales
di ec os, como DCR.
Po úl imo, el mé odo PC se des aca po su al a capacidad disc imina i a, lo que es
pa icula men e alioso cuando a ios elemen os de p ueba son de calidad simila . Sin emba go,
es e mé odo iende a se más la go cuando se desean e alua un g an núme o de elemen os de
p ueba.
30
6. ANÁLISIS DE ALTERNATIVAS
Después de habe ealizado una exhaus i a e isión de las ecnologías exis en es en el
es ado del a e, es impo an e lle a a cabo un análisis de al e na i as pa a de ini la selección
de la solución en cuan o a: la iden i icación del pa áme o QoS, la iden i icación del algo i mo
de ML, los ac o es de in luencia ele an es a ene en cuen a, la me odología de alo ación a
ealiza y el en o no de desa ollo y el lenguaje de p og amación pa a el desa ollo del modelo
de ML.
Pa a ello, eniendo en cuen a el con ex o del p oyec o (apa ado 2), se puede
de e mina cuáles de las opciones e isadas en el es ado del a e son compa ables pa a su
ealización. Después, se pod á lle a a cabo una e aluación igu osa de las di e en es
al e na i as y selecciona aquellas que mejo se adap en a las necesidades y obje i os del
p oyec o. En es e sen ido, se es ablecen una se ie de c i e ios de selección que se adap en de
mane a e ec i a al obje i o en cues ión. Cada c i e io debe á ene un po cen aje asociado en
unción de su impo ancia ela i a. Pa a e alua cada al e na i a, se cali ica á cada c i e io del 1
al 5, y se selecciona á la opción u opciones que ob engan la mayo pun uación global en base a
los c i e ios es ablecidos.
6.1. Iden i icación del pa áme o QoS
En la sección 5.4 del es ado del a e, se ha lle ado a cabo un análisis exhaus i o de los
di e sos pa áme os obje i os que in luyen en la calidad de se icio de las edes WiFi. Sin
emba go, pa a es e caso de es udio en pa icula , se ha decidido selecciona un único pa áme o
obje i o que se u iliza á pa a en ena el modelo y es ablece una co elación con la QoE. Es a
decisión se ha omado en base a a ias azones:
• Simplicidad del Modelo: Comenza con un único pa áme o pe mi e simpli ica el
modelo y acili a su in e p e ación. Es más sencillo en ende y comunica los e ec os de
un único pa áme o en la QoE que lidia con múl iples pa áme os y las posibles
in e acciones en e ellos.
• En oque en el Pa áme o más Impo an e: Algunos pa áme os pueden ene un
impac o más signi ica i o en la QoE que o os. El oco en un único pa áme o pe mi e
cen a se en aquel que se conside a más in luyen e pa a el caso de es udio.
Pa a log a es o, hay que ealiza un análisis de pa áme os obje i os que in luyan en la
ed wi i y que sean óp imas pa a ealiza el modelo de co elación QoS/QoE. En el apa ado 5.4,
se han analizado di e sos pa áme os ele an es en elación con la QoS, sin emba go, es e
análisis se cen a á en el h oughpu y el SNR ( elación señal- uido). La selección de es os
pa áme os se debe a dos azones: p ime o, son ca ac e ís icas que es án disponibles en el
conjun o de da os exis en e; segundo, poseen una ele ancia indiscu ible en el es udio de la
QoS.
El h oughpu es esencial po que ep esen a la can idad de da os que pueden se
ansmi idos desde un pun o a o o en un pe iodo de iempo de e minado. Su impo ancia
adica en el hecho de que un mayo h oughpu a menudo se aduce en una ed más ápida y
e icaz, lo que con ibuye a una mejo QoE.

31
La elación señal- uido (SNR), po o o lado, es un pa áme o que puede o ece
in o mación aliosa sob e la in eg idad de la señal de la ed. La SNR puede se pa icula men e
ú il pa a en ende cómo los obs áculos ísicos, como pa edes y mobilia io, o la densidad de
usua ios en cie os espacios, como aulas o audi o ios, pueden a ec a la calidad de la conexión
WiFi. Un SNR bajo puede indica una señal débil o mucha in e e encia, lo que se aduce en una
peo expe iencia pa a el usua io.
Con el obje i o de elegi el pa áme o más ele an e pa a ealiza la compa ación en e
los dos en o nos uni e si a ios, se aplica án a ios c i e ios y en base a ellos, se selecciona á el
pa áme o que mejo se ajus e a la na u aleza del p oyec o.
6.1.1. Th oughpu
Como se ha explicado ya en el apa ado 5.4.2, el h oughpu hace e e encia a la
can idad de da os que se pueden ansmi i o ecibi a a és de una ed en un de e minado
pe íodo de iempo. Es una medida de la elocidad de ans e encia de da os y se exp esa
ípicamen e en bi s po segundo (bps) o en unidades más g andes como kilobi s po segundo
(Kbps).
En es e caso de es udio, el conjun o de da os con el que se a a abaja con iene el
h oughpu medio de una sesión de un usua io especí ico. Po lo an o, el h oughpu se
p esen a como un pa áme o impo an e a se co elacionado con la expe iencia de los usua ios.
Es o se debe a que el h oughpu p opo ciona una indicación gene al de la elocidad de la ed
WiFi, que a su ez in luye en la calidad de la ed expe imen ada po los usua ios du an e una
sesión de e minada.
Un al o h oughpu implica una mayo elocidad de ans e encia de da os, lo que
gene almen e se asocia con una mejo calidad de la ed WiFi y una expe iencia de usua io más
sa is ac o ia. Po o o lado, un bajo h oughpu indica una elocidad de ans e encia de da os
más len a, lo que puede esul a en una meno calidad de la ed y una expe iencia de usua io
menos óp ima.
Dado que el h oughpu es una medida di ec a de la elocidad de la ed WiFi, iene un
impac o signi ica i o en la calidad pe cibida po los usua ios. Po lo an o, co elaciona el
h oughpu medio de una sesión con la expe iencia de los usua ios puede p opo ciona
in o mación aliosa sob e cómo la elocidad de la ed in luye en su sa is acción y pe cepción de
la calidad del se icio.
6.1.2. SNR
La SNR, como analizado en el apa ado 5.4.6, ep esen a la elación en e la po encia de
la señal ecibida y el ni el de uido p esen e en el en o no de la ed WiFi. P opo ciona
in o mación sob e la calidad de la señal ansmi ida y ecibida.
La SNR al a indica que la señal ecibida es ue e en compa ación con el uido, lo que se
aduce en una mejo calidad de la señal y menos in e e encias. Es o conduce a una mayo
32
capacidad de ans e encia de da os y una meno p obabilidad de e o es en la comunicación.
En consecuencia, una al a SNR es á asociada con una mejo calidad de la ed WiFi.
Po o o lado, una SNR baja indica que la señal ecibida es débil en compa ación con el
uido. Es o puede esul a en una calidad de señal de icien e, pé dida de paque es de da os y
una mayo p obabilidad de e o es de ansmisión. Una baja SNR puede a ec a nega i amen e
la calidad de la ed WiFi y la expe iencia del usua io al educi la elocidad de conexión y gene a
in e upciones en la comunicación.
Al co elaciona la SNR con la expe iencia de los usua ios, se ob iene in o mación aliosa
sob e cómo la calidad de la señal ansmi ida y ecibida in luye en su sa is acción y pe cepción
de la calidad del se icio.
6.1.3. C i e ios de selección
1. Impo ancia eó ica (35%): La impo ancia eó ica es un c i e io c ucial ya que espalda
la elación en e el pa áme o y la QoE, po lo que se asigna un 25% a es e c i e io.
2. Disponibilidad de da os (25%): La disponibilidad de da os es un ac o cla e ya que se
necesi a con a con un conjun o de da os comple o y con iable pa a ealiza la
co elación, po an o, se le asigna un 20%.
3. Signi icado p ác ico (25%) El signi icado p ác ico conside a la u ilidad y aplicabilidad de
los esul ados ob enidos al co elaciona cada pa áme o con la QoE.
4. Facilidad de medición (15%): La acilidad de medición se e ie e a la acilidad y p ecisión
con la que se puede medi cada pa áme o en el en o no uni e si a io.
C i e ios
Th oughpu
SNR
Peso (%)
Impo ancia eó ica
5
4
35
Disponibilidad de los
da os
5
5
25
Signi icado p ác ico
5
4
25
Facilidad de medición
4
4
15
TOTAL
4,85
4,25
Tabla 1: Ma iz de al e na i as de los pa áme os QoS
Obse ando la Tabla 1, el h oughpu ha ob enido una pun uación o al más al a. Es o
se debe a su impo ancia eó ica, ya que mide di ec amen e la elocidad de ans e encia de
da os en la ed WiFi, lo cual es á elacionado con la calidad de se icio. Además, el h oughpu
es más ele an e en é minos p ác icos pa a ep esen a la QoS, ya que p opo ciona una
indicación cla a de la capacidad de la ed pa a en ega da os de mane a e icien e. También
iene un signi icado p ác ico más di ec o, ya que una co elación signi ica i a con la QoE indica
que una mayo elocidad de ans e encia de da os se asocia con una mejo expe iencia del
usua io.
En consecuencia, el h oughpu se selecciona como el pa áme o más adecuado pa a
co elaciona con la QoE en es e es udio. Su medición di ec a de la elocidad de ans e encia
de da os y su signi icado p ác ico en é minos de la QoE lo con ie en en la mejo opción en
compa ación con el SNR.
33
6.2. Iden i icación del algo i mo de ML
En es e p oyec o, se busca desa olla un modelo de co elación en e la calidad
expe imen ada po los usua ios (QoE) y la calidad de se icio obje i a (QoS) en edes WiFi. Pa a
log a es e obje i o, es necesa io aplica écnicas de ML que pe mi an analiza g andes
can idades de da os y es ablece elaciones complejas en e ellos.
En pa icula , se han conside ado algo i mos supe isados de ML ya que se cuen a con
un conjun o de da os p e iamen e e ique ados (encues as que e alúan la sa is acción de los
usua ios con el se icio) y se desea en ena un modelo pa a que pueda co elaciona la calidad
expe imen ada po los usua ios a pa i de cie o indicado obje i o de calidad de se icio (KPI).
El KPI seleccionado pa a es e es udio es el h oughpu , como se ha es ablecido an e io men e.
Al ene da os e ique ados de las encues as de sa is acción, se u ilizan écnicas de ML
supe isado pa a en ena un modelo capaz de p edeci la calidad expe imen ada po los
usua ios a pa i del alo del h oughpu .
En es e p oyec o se ha op ado po analiza dos ipos de algo i mos supe isados
(conc e amen e de eg esión): la eg esión lineal y la eg esión logís ica. La elección de es os
dos se debe a a ias azones:
• Reg esión lineal: Es e algo i mo es uno de los más básicos y undamen ales en el
ap endizaje supe isado. Se ha elegido po su simplicidad y e iciencia, lo que lo con ie e
en un buen pun o de pa ida pa a en ende y modela la co elación en e los da os de
en ada (las medidas de QoS) y los de salida (la QoE pe cibida po los usua ios).
• Reg esión logís ica: Aunque la eg esión logís ica se u iliza comúnmen e pa a
p oblemas de clasi icación bina ia, ambién puede se aplicada a p oblemas de
eg esión mul iclase al conside a la QoE como un alo disc e o den o de un conjun o
de clases (po ejemplo, mala, acep able, buena). Se ha escogido la eg esión logís ica
po su capacidad pa a maneja es e ipo de p oblemas y po que puede p opo ciona
p obabilidades asociadas a las p edicciones, lo que puede se ú il pa a en ende la
con ianza del modelo en sus p edicciones.
Además, se explo a án los es ipos de algo i mos p incipales supe isados den o de
las edes neu onales: Redes neu onales eed o wa d Redes Neu onales Con olucionales y
Redes Neu onales Recu en es. T as ealiza un análisis de allado de los di e en es algo i mos,
se selecciona án aquellos que esul en más in e esan es y adecuados pa a el p oyec o en
cues ión, en base a di e sos c i e ios es ablecidos. Es o implica  elegi el algo i mo de eg esión
óp imo en e la eg esión lineal y la eg esión logís ica, así como el ipo de ed neu onal
( eed o wa d, con olucional o ecu en e) que mejo se ajus e a los da os y obje i os del
es udio.
Se desa olla án dos modelos dis in os: uno basado en el algo i mo de eg esión
seleccionado, que p opo ciona una ap oximación más sencilla y ácilmen e in e p e able de la
elación en e el h oughpu y la expe iencia de usua io; y o o basado en una ed neu onal
seleccionada, que pe mi e una modelización más p o unda y la cap u a de elaciones más
complejas y no lineales.
34
6.2.1. Reg esión lineal
La eg esión lineal [22] es un modelo de eg esión en el que se es ablece una elación
lineal en e una única a iable independien e (p edic o ) y una a iable dependien e
( espues a). Se u iliza cuando que emos p edeci o e alua la in luencia de una sola a iable en
la a iable de espues a. La o ma ma emá ica de un modelo de eg esión lineal simple se puede
exp esa como:
𝑌𝑖 =𝛽0+𝛽1𝑋𝑖+𝜀𝑖
Donde:
• Yi es el alo de la a iable dependien e en la obse ación i.
• β0 es el e mino de in e cepcin, que ep esen a el alo de Y cuando la a iable
independien e Xi es igual a ce o.
• β1 es el coe icien e de eg esin, que indica cómo in luye la a iable independien e Xi
en la a iable dependien e Y.
• Xi es el alo de la a iable independien e en la obse ación i.
• εi es el e mino de e o , que ep esen a la a iabilidad no explicada po el modelo.
Du an e el en enamien o del modelo de eg esión lineal simple, el algo i mo ajus a los
coe icien es de eg esin (β0 y β1) pa a minimiza el e o cuad  ico medio en e las
p edicciones del modelo y los alo es eales de Y en el conjun o de en enamien o.
Una ez en enado el modelo, se puede u iliza pa a p edeci el alo de Y en unción de
nue os alo es de Xi. La eg esión lineal simple es un modelo sencillo y cil de in e p e a , ya
que p opo ciona una es imación di ec a de la elación lineal en e la a iable independien e y la
a iable dependien e. El coe icien e de eg esión β1 indica como cambia Y en p omedio cuando
Xi aumen a en una unidad.
Sin emba go, es impo an e ene en cuen a que la eg esión lineal simple asume una
elación lineal y adi i a en e la a iable independien e y la a iable dependien e. Es o implica
que la elación en e las a iables es cons an e en odo el ango de alo es. Si la elación no es
lineal o si hay o as a iables que in luyen en la a iable dependien e, el modelo de eg esión
lineal simple puede no se ap opiado.
6.2.2. Reg esión Logís ica
La eg esión logís ica [23] es un modelo es adís ico u ilizado en el ML pa a analiza la
elación en e una a iable dependien e bina ia (Y) y un conjun o de a iables independien es
con inuas o ca egó icas (X1, X2, X3, e c.). El obje i o de la eg esión logís ica es es ima la
p obabilidad de que Y sea igual a 1 en unción de los alo es de las a iables independien es.
En la eg esión logís ica, se u iliza una unción logís ica ( ambién conocida como
sigmoide) pa a modela la elación en e las a iables independien es y la p obabilidad de que
41
Pa a lle a a cabo es e análisis, esul a imp escindible cen aliza lo en el en o no
inalámb ico IEEE 802.11 (WiFi), además de ene en cuen a que la encues a se a a lanza en dos
en o nos uni e si a ios muy dis in os: acul ad de ciencias y acul ad de educación.
6.3.1. Fac o es humanos
Pa a comenza , se an a analiza los di e sos ac o es humanos ele an es que pueden
in lui en la expe iencia de calidad de los usua ios, pe o en es e caso, se cen a á el análisis en
el es udio de es e p oyec o en pa icula .
6.3.1.1. Pe il de usua io
El pe il de usua io puede inclui di e en es a iables, como la edad, el sexo, el á ea de
es udio, el géne o, en e o os.
En es e caso de es udio, es impo an e ene en cuen a el pe il de usua io, ya que las
di e en es ipologías de usua ios pueden ene necesidades y expec a i as di e en es con
espec o al se icio de ed inalámb ica. Po ejemplo, los es udian es de ciencias pueden ene
necesidades más exigen es en cuan o a la elocidad de conexión y la disponibilidad de ancho de
banda debido a que necesi an accede a ecu sos pesados como so wa e de simulación, bases
de da os o bibliog a ías digi ales. En cambio, los es udian es de humanidades pueden ene una
meno exigencia en é minos de ancho de banda, pe o pueden se más sensibles a la
disponibilidad de la ed y a la calidad de la señal debido a que pueden necesi a accede a la ed
en zonas con meno cobe u a como biblio ecas, salas de lec u a, en e o os.
Po lo an o, es necesa io iden i ica las di e en es ipologías de usua ios y sus
necesidades especí icas pa a pode ges iona de o ma e icien e la QoE. Es o puede pe mi i
oma decisiones in o madas y adap a el se icio a las necesidades y expec a i as de los
usua ios, lo que puede mejo a la pe cepción de calidad del se icio y, po lo an o, la QoE.
6.3.1.2. Conocimien os écnicos
El conocimien o écnico de los usua ios es o o de los ac o es de in luencia cla e que
puede a ec a a la QoE. El conocimien o écnico de los usua ios se e ie e a la habilidad que
ienen los usua ios pa a u iliza disposi i os ecnológicos y comp ende el uncionamien o de
las edes inalámb icas.
En es e caso, es impo an e ene en cuen a el conocimien o écnico de los usua ios ya
que es o puede in lui en la pe cepción de la QoS de ed inalámb ica. Po ejemplo, si los usua ios
ienen un bajo conocimien o écnico, pueden expe imen a p oblemas al conec a se a la ed,
con igu a la conexión, soluciona p oblemas écnicos, en e o os. Es o puede gene a una
pe cepción nega i a de la calidad del se icio y, po lo an o, educi la QoE.
Po ello, es necesa io iden i ica el ni el de conocimien o écnico de los usua ios y
o ece soluciones y ecu sos adecuados pa a ayuda a los usua ios a supe a las di icul ades
écnicas que puedan expe imen a . Es o puede inclui la p o isión de manuales de uso, guías de
solución de p oblemas y asis encia écnica. De es a mane a, los usua ios pueden sen i se más

42
segu os y con iados en el uso de la ed inalámb ica, lo que puede mejo a su pe cepción de
calidad del se icio y, po lo an o, la QoE.
Además, o ece ecu sos y soluciones adecuados puede se especialmen e ele an e
pa a aquellos usua ios con meno conocimien o écnico, como pueden se los es udian es de
humanidades que pueden ene menos amilia idad con las ecnologías inalámb icas.
6.3.1.3. Expec a i as p e ias
Las expec a i as p e ias de los usua ios se e ie en a las pe cepciones que ienen los
usua ios sob e el se icio de ed inalámb ica an es de u iliza lo, ya sea po expe iencias p e ias
o po in o mación ecibida de o os usua ios o uen es.
Es impo an e ene en cuen a las expec a i as p e ias de los usua ios ya que es o puede
in lui en su pe cepción de la QoS. Si los usua ios ienen expec a i as muy al as sob e el se icio,
pueden expe imen a una pe cepción nega i a si la calidad del se icio no cumple con sus
expec a i as. Po o o lado, si los usua ios ienen expec a i as bajas, pueden expe imen a una
pe cepción posi i a si la calidad del se icio supe a sus expec a i as.
Po ello, es necesa io iden i ica las expec a i as p e ias de los usua ios pa a pode
es ablece es a egias pa a sa is ace las. Es o puede inclui la comunicación cla a de los ni eles
de QoS o ecidos, el es ablecimien o de comp omisos y ga an ías de calidad, y la p o isión de
in o mación cla a y de allada sob e el se icio de ed inalámb ica. Así, los usua ios pueden ene
una pe cepción más ealis a del se icio y ajus a sus expec a i as en consecuencia, lo que
puede mejo a su pe cepción de calidad del se icio.
6.3.1.4. Expe iencias p e ias
Las expe iencias p e ias de los usua ios hacen e e encia a las in e acciones que han
enido los usua ios con el se icio de ed inalámb ica an e io men e. Es as expe iencias pueden
moldea la pe cepción de la QoS que los usua ios ienen en in e acciones u u as con la ed.
Es undamen al conside a las expe iencias p e ias de los usua ios, ya que és as pueden
in lui en su e aluación de la QoS. Si las expe iencias p e ias con el se icio ue on sa is ac o ias,
los usua ios pueden se más comp ensi os si la calidad del se icio disminuye empo almen e.
Sin emba go, si las expe iencias p e ias ue on nega i as, los usua ios pueden se más c í icos
con la calidad del se icio, incluso si és a mejo a.
Po ello, es impo an e econoce y en ende las expe iencias p e ias de los usua ios
pa a pode desa olla es a egias que mejo en su pe cepción de la calidad del se icio. Es o
puede implica ap ende de e o es y p oblemas pasados, implemen a mejo as en la ed
basadas en el eedback de los usua ios, y p opo ciona un se icio consis en e y con iable que
e ue ce expe iencias posi i as.
43
6.3.1.5. Uso p e is o
El uso p e is o se e ie e al ipo de ac i idad que los usua ios ienen p e is o ealiza en
la ed inalámb ica, así como a la can idad de iempo que es a án u ilizando la ed.
En es e caso de es udio, es impo an e ene en cuen a el uso p e is o de los usua ios
dado que puede in lui en la pe cepción de la QoS de la ed. Si los usua ios ienen p e is o
ealiza ac i idades que equie en un al o consumo de da os, como la desca ga o el s eaming
de ídeos, pueden expe imen a una pe cepción nega i a de la calidad del se icio si no se les
p opo ciona su icien e ancho de banda. De igual o ma, si los usua ios an a u iliza la ed
du an e la gos pe iodos de iempo, pueden expe imen a una pe cepción nega i a si se
p oducen in e upciones o p oblemas de conec i idad.
Po an o, se debe iden i ica el uso p e is o de los usua ios y adap a el se icio de ed
inalámb ica a sus necesidades especí icas. Po ejemplo, se puede asigna los ecu sos de ancho
de banda en unción del ipo de ac i idad que se a a ealiza , la p o isión de soluciones pa a
ga an iza la disponibilidad y la calidad del se icio du an e la gos pe iodos de iempo, e c. De
es a mane a, los usua ios pueden ealiza sus ac i idades de o ma sa is ac o ia y expe imen a
una pe cepción posi i a de la calidad del se icio.
6.3.2. Fac o es del sis ema
A con inuación, se a a ealiza el análisis de los ac o es de sis ema ele an es que
pueden in lui en la expe iencia de calidad de los usua ios, pe o en es e caso, se cen a á el
análisis en el es udio de es e p oyec o en pa icula .
6.3.2.1. Fac o es elacionados con la ed
Los ac o es elacionados con la ed son un aspec o cla e a conside a al iden i ica los
ac o es de in luencia en es e caso de es udio. Es os ac o es pueden inclui aspec os écnicos
(obje i os) elacionados con la calidad de la conexión, como la elocidad de ans e encia de
da os, la disponibilidad de ancho de banda y la es abilidad de la señal, así como o os aspec os
elacionados con la in aes uc u a de ed, como el núme o de disposi i os conec ados a la ed
y la conges ión de la ed.
Es uno de los aspec os más impo an es a ene en, ya que la calidad de la conexión es
un aspec o c í ico pa a la pe cepción de QoS, y a su ez pa a la QoE. Si la conexión es len a o
ines able, los usua ios pueden expe imen a una pe cepción nega i a de la calidad del se icio
y, po lo an o, educi su QoE. Po o o lado, si la conexión es ápida y es able, los usua ios
pueden expe imen a una pe cepción posi i a de la calidad del se icio y, po lo an o, aumen a
su QoE.
Es un aspec o c í ico a ene en cuen a pa a iden i ica los p oblemas elacionados y así
pode mejo a los. Es o puede inclui la op imización de la in aes uc u a de ed o la
implemen ación de medidas de ges ión de á ico. Asimismo, es impo an e moni o ea de
o ma egula la calidad de la conexión y adop a medidas p e en i as pa a e i a conges iones
y o os p oblemas écnicos que puedan a ec a a la calidad del se icio.
44
6.3.2.2. Fac o es elacionados con el disposi i o
Uno de los ac o es de in luencia ele an es a conside a es el disposi i o u ilizado po
pa e de los usua ios. Depende del disposi i o u ilizado, puede habe di e encias espec o al
p ocesamien o de los da os o la compa ibilidad con los p o ocolos de la ed.
La calidad del disposi i o u ilizado puede ene un impac o signi ica i o en la pe cepción
de calidad del se icio de la ed po pa e de los usua ios. Si el disposi i o no iene su icien es
ecu sos pa a maneja la in o mación y los da os, los usua ios pueden expe imen a una
pe cepción nega i a de la calidad del se icio, lo que puede educi su QoE.
Po ende, es impo an e iden i ica los ac o es écnicos elacionados con el disposi i o
u ilizado y oma medidas pa a op imiza su endimien o. Es o puede inclui ac ualiza el
so wa e y el ha dwa e del disposi i o, adminis a las aplicaciones que se ejecu an en el
disposi i o y adop a medidas de segu idad pa a p o ege la in o mación ansmi ida a a és
de la ed inalámb ica.
6.3.2.3. Fac o es elacionados con el con enido
Los ac o es elacionados con el con enido ienen un impac o signi ica i o en la
pe cepción de calidad del se icio de ed po pa e de los usua ios.
Es os ac o es e e ie en al ipo de acción ealizada a a és de la ed (desca ga/subida
de a chi os, na egacin web…). Si el con enido es muy complejo o equie e una g an can idad
de ecu sos de la ed, los usua ios pueden expe imen a una pe cepción nega i a de la calidad
del se icio, lo que puede educi su QoE. Po o o lado, si el con enido es ácil de maneja y no
equie e g andes can idades de ancho de banda, los usua ios pueden expe imen a una
pe cepción posi i a de la calidad del se icio, lo que puede aumen a su QoE.
Es esencial iden i ica los ac o es elacionados con el con enido u ilizado en la ed. Al
iden i ica las ac i idades más ealizadas den o de la ed, se pueden asigna los ecu sos de
mane a óp ima y e icien e, lo que puede mejo a la pe cepción de calidad del se icio de ed
inalámb ica po pa e de los usua ios.
6.3.3. Fac o es de con ex o
Pa a inaliza , se a a ealiza el análisis de los ac o es de con ex o de mayo
impo ancia que pueden in lui en la expe iencia de calidad de los usua ios, pe o de nue o, se
cen a á el análisis en el es udio de es e p oyec o en pa icula .
6.3.3.1. Con ex o ísico
Un ac o impo an e elacionado con el con ex o especi ico, es el con ex o ísico en el
que se u iliza la ed WiFi. Es e ac o se e ie e al luga donde se encuen a el usua io y cómo
puede a ec a la pe cepción de calidad del se icio.
El con ex o ísico puede in lui en la QoE de los usua ios de di e en es mane as. Po
ejemplo, si el luga donde se u iliza la ed inalámb ica iene una al a densidad de usua ios o es á
45
odeado de obje os que in e ie en con la señal inalámb ica, puede habe una disminución en
la calidad del se icio. De igual mane a, si el luga cuen a con una buena in aes uc u a de ed
y es á lib e de in e e encias, puede habe una pe cepción posi i a de la calidad del se icio.
Es impo an e conside a el con ex o ísico al iden i ica los ac o es de in luencia en el
caso de es udio, ya que es o puede ayuda a iden i ica los luga es con más o menos señal den o
del campus uni e si a io. Po an o, en los luga es donde no haya buena cobe u a, se pueden
ealiza una se ie de mejo as, ales como, la ins alación de equipos adicionales pa a mejo a la
cobe u a de la señal y la iden i icación de in e e encias en la señal pa a mi iga su impac o en
la calidad del se icio, en e o os.
6.3.3.2. Con ex o empo al
En e los ac o es de con ex o, se encuen a el con ex o empo al, es deci , el momen o
del día en el que se u iliza la ed inalámb ica.
El con ex o empo al puede a ec a la calidad del se icio de ed WiFi de di e sas
mane as. Po ejemplo, du an e las ho as pico, cuando hay una g an can idad de usua ios
conec ados a la ed, puede habe una meno disponibilidad de ancho de banda, lo que puede
a ec a nega i amen e la calidad del se icio. Po o o lado, du an e las ho as de meno uso, la
calidad del se icio puede mejo a debido a una meno can idad de usua ios conec ados a la
ed.
Pa a comp ende mejo la pe cepción de calidad del se icio po pa e de los usua ios,
es esencial ene en cuen a el con ex o empo al en el que se u iliza la ed. Al conoce la ho a
del día en la que se u iliza la ed inalámb ica, se pueden oma medidas pa a mejo a la calidad
del se icio y aumen a la sa is acción de los usua ios.
Po lo an o, se pueden iden i ica las ho as pico en el que se u iliza la ed inalámb ica y
oma medidas pa a op imiza su endimien o. Po ejemplo, se puede lle a a cabo la
implemen ación de medidas de ges ión de á ico pa a ga an iza una dis ibución equi a i a de
los ecu sos de la ed.
6.3.3.3. Con ex o social
O o ac o de in luencia a conside a es el con ex o social en el que se u iliza la ed
inalámb ica. Es e ac o se e ie e a cómo las in e acciones sociales pueden a ec a la pe cepción
de calidad del se icio de ed inalámb ica.
El con ex o social puede in lui en la QoE de los usua ios de di e en es mane as. Po
ejemplo, si el luga donde se u iliza la ed inalámb ica es un espacio público, como una biblio eca
o un ca é, la p esencia de o os usua ios puede a ec a la calidad del se icio debido a la
sob eca ga de la ed. Po o o lado, en un con ex o social más ce ado, como una o icina o un
aula, es posible que haya menos usua ios conec ados a la ed, lo que puede mejo a la calidad
del se icio.
Es impo an e conside a el con ex o social al iden i ica los ac o es de in luencia en el
caso de es udio, ya que es o puede ayuda a comp ende mejo la pe cepción de calidad del
se icio po pa e de los usua ios. Al conoce el con ex o social en el que se u iliza la ed
46
inalámb ica, se pueden oma medidas pa a mejo a la QoS y, po lo an o, aumen a la
sa is acción de los usua ios.
6.3.3.4. Con ex o écnico
El con ex o écnico es o o de los ac o es impo an es a conside a en la e aluación de
la calidad del se icio en una ed WiFi. Es e ac o se e ie e a la elación en e los dis in os
sis emas que componen la ed, como el en u ado , los disposi i os de acceso, la in aes uc u a
de ed y los p o ocolos u ilizados.
Es impo an e ene en cuen a que es os ac o es pueden in lui en la QoE del usua io
de di e en es mane as. Po ejemplo, una ed WiFi con un ou e de baja calidad o una
in aes uc u a de ed obsole a puede ene una mala QoS, lo que puede a ec a nega i amen e
la expe iencia del usua io al educi la elocidad de conexión o causa in e upciones en la
conexión.
Po lo an o, es necesa io e alua el con ex o écnico de la ed WiFi pa a iden i ica
posibles p oblemas que puedan a ec a la calidad del se icio y oma medidas pa a
soluciona los. Es o puede inclui la ac ualización de la in aes uc u a de ed, la implemen ación
de nue os p o ocolos o la op imización de la con igu ación del en u ado y o os disposi i os de
acceso.
6.3.4. C i e ios de selección
1. Impac o en la QoE (25 %): se deben selecciona los ac o es de in luencia que engan
un impac o di ec o en la QoE de los usua ios al u iliza la conexión WiFi en los campus
uni e si a ios.
2. Rele ancia pa a los usua ios (20 %): es impo an e selecciona los ac o es de in luencia
que más a ec an la calidad de la conexión WiFi desde la pe spec i a de los usua ios en
cada uno de los campus uni e si a ios.
3. Di e encias signi ica i as en e los campus uni e si a ios (20 %): se deben selecciona
los ac o es de in luencia que mues en di e encias signi ica i as en e los dos campus
uni e si a ios pa a pode compa a la calidad de la conexión WiFi de mane a e ec i a.
4. Facilidad de medición (20 %): se deben selecciona los ac o es de in luencia que sean
medibles de mane a ácil y p ecisa pa a pode ealiza el es udio de mane a e ec i a y
ob ene esul ados con iables.
5. Posibilidad de mejo a (15 %): se deben selecciona los ac o es de in luencia que engan
un mayo po encial pa a se mejo ados y, po lo an o, pa a mejo a la calidad de la
conexión WiFi en los campus uni e si a ios.

47
En es e caso, se ha de e minado que odos los ac o es humanos analizados ob ienen la
misma pun uación, concluyendo que odos ienen la misma impo ancia en el caso de es udio.
Es o sugie e que odos ellos deben se conside ados cuidadosamen e du an e la plani icación y
ejecución de la encues a pa a ob ene un esul ado más p eciso de la QoE de los usua ios.
C i e ios
Pe il de
usua io
Conocimien os
écnicos
Expec a i as
p e ias
Uso p e is o
Po cen aje
(%)
Rele ancia
pa a los
usua ios
3
3
3
3
20
Di e encia
en e los
campus
uni e si a ios
5
5
5
4
20
Facilidad de
medición
4
4
4
5
20
Impac o en la
QoE
4
4
4
4
25
Posibilidad
de mejo a
2
2
2
2
15
TOTAL
3,7
3,7
3,7
3,7
Tabla 4: Ma iz de al e na i as de ac o es humanos
C i e ios
Fac o es
elacionados
con la ed
Fac o es
elacionados con
el con enido
Fac o es
elacionados
con el
disposi i o
Po cen aje (%)
Rele ancia pa a
los usua ios
5
5
4
20
Di e encia en e
los campus
uni e si a ios
3
4
3
20
Facilidad de
medición
4
3
5
20
Impac o en la
QoE
5
5
5
25
Posibilidad de
mejo a
3
3
3
15
TOTAL
4,1
4,1
4,1
Tabla 5: Ma iz de al e na i as de ac o es de sis ema
48
De la misma mane a, se ha de e minado que odos los ac o es de sis ema analizados
ob ienen la misma pun uación, lo que sugie e que cada uno de ellos es esencial pa a ga an iza
una ealización óp ima de la encues a y ob ene conclusiones igu osas sob e la pe cepción de
los usua ios en cuan o a los ac o es del sis ema de la ed.
En es e caso, se ha obse ado que los ac o es con mayo pun uación son el con ex o
ísico y empo al. Es os ac o es son especialmen e impo an es debido a su acilidad de
medición y su impac o en la QoE de los usua ios. Aunque el con ex o social ambién es un
aspec o ele an e, en es e caso pod ía se edundan e, ya que algunos de sus pa áme os, como
los luga es con mayo o meno cobe u a y la can idad de usua ios conec ados, pueden medi se
con los ac o es mencionados: con ex o empo al y ísico.
En cuan o al con ex o écnico, aunque es un ac o impo an e, su medición puede
esul a un poco complicada. En es e caso, se ha decidido que es p escindible pa a la elabo ación
de la encues a, ya que o os ac o es ienen una mayo ele ancia en es e p oyec o.
6.4. En o no de desa ollo
En la sección 5.3.1, se han analizado a ios en o nos de desa ollo pa a la c eación de
modelos de ML, incluyendo Jupy e No ebooks, Google Colab, Da a Spell, PyCha m y Visual
S udio Code. Sin emba go, en es e análisis se ha decidido en oca se en los es p ime os
en o nos, ya que son los que mejo se adap an a las necesidades especí icas del caso de es udio.
Jupy e No ebooks, Google Colab y Da a Spell son especialmen e adecuados pa a el análisis de
da os y la c eación de modelos de ML. Son en o nos lexibles y e sá iles que pe mi en la
colabo ación y la expe imen ación con di e en es en oques de análisis y modelos. Además,
o ecen he amien as ú iles pa a la isualización de da os y la comunicación de esul ados.
C i e ios
Con ex o
ísico
Con ex o
empo al
Con ex o
social
Con ex o
écnico
Po cen aje
(%)
Rele ancia
pa a los
usua ios
4
4
4
4
20
Di e encia
en e los
campus
uni e si a ios
3
3
3
3
20
Facilidad de
medición
4
4
3
2
20
Impac o en la
QoE
4
4
4
4
25
Posibilidad
de mejo a
3
3
3
2
15
TOTAL
3,65
3,65
3,45
3,25
Tabla 6: Ma iz de al e na i as de los ac o es de con ex o
49
6.4.1. Jupy e No ebooks
Jupy e No ebooks, como analizado an e io men e, es una pla a o ma de código abie o
y g a ui a que pe mi e la in eg ación de di e en es lenguajes de p og amación como Py hon, R
y Julia. Se a a de un en o no de desa ollo in e ac i o que pe mi e la explo ación y p o o ipado
de modelos de ML y análisis de da os.
En e las en ajas de Jupy e No ebooks, des aca su ca ác e de código abie o y
g a ui o, lo que la hace accesible a cualquie usua io in e esado en la ciencia de da os. Además,
Jupy e No ebooks es al amen e pe sonalizable y pe mi e la in eg ación de di e en es lenguajes
de p og amación, lo que la con ie e en una he amien a e sá il y lexible. O a en aja es que
los no ebooks pueden se compa idos ácilmen e a a és de pla a o mas como Gi Hub o
Google Collab.
En e las des en ajas de Jupy e No ebooks, des aca su complejidad pa a usua ios
nue os o que no es én amilia izados con el lenguaje de p og amación. Además, la ges ión de
e siones de los no ebooks puede se complicada y puede lle a a p oblemas de compa ibilidad
en e di e en es e siones. O a des en aja impo an e de Jupy e No ebooks es que, aunque
es un en o no de desa ollo in e ac i o, no es un IDE comple o y no cuen a con opciones
a anzadas de “debbuging”. Es o puede hace que la iden i icación y co ección de e o es en el
código sea más complicada en compa ación con o as he amien as de p og amación.
6.4.2. Google Colab
Google Colab, como explicaco en el apa ado 5.3.1.2, es una pla a o ma de código
abie o y g a ui a que pe mi e el desa ollo de p oyec os de ciencia de da os y ML. Sin emba go,
Google Colab se ejecu a en la nube y o ece algunas ca ac e ís icas adicionales debido a su
in eg ación con los se icios de Google.
Una de las en ajas más des acadas de Google Colab es su acilidad de acceso. Al se una
he amien a basada en la nube, no equie e ninguna ins alación o con igu ación local, lo que la
hace muy con enien e pa a usua ios que no deseen lidia con la con igu ación de un en o no de
desa ollo en sus p opias máquinas. Además, Google Colab es á es echamen e in eg ado con
o os se icios de Google, como Google D i e, lo que acili a el almacenamien o y acceso a los
da os y no ebooks.
Google Colab ambién o ece una amplia gama de ecu sos compu acionales,
incluyendo unidades de p ocesamien o g á ico (GPU) y unidades de p ocesamien o enso ial
(TPU). Es os ecu sos son especialmen e ú iles pa a acele a el en enamien o de modelos de
ML y p ocesamien o de da os a g an escala.
Google Colab es compa ible con múl iples lenguajes de p og amación, con un en oque
p incipal en Py hon. Es o pe mi e a los usua ios abaja con biblio ecas popula es de ML como
Tenso Flow, PyTo ch y sciki -lea n.
50
6.4.3. Da aSpell
Tal y como se ha is o en 13, Da aSpell es un en o no de desa ollo in eg ado (IDE)
especí ico pa a la ciencia de da os, que pe mi e el abajo con di e en es lenguajes de
p og amación como Py hon, R y SQL, en e o os. Es una he amien a de pago que o ece una
amplia gama de ca ac e ís icas y he amien as pa a la explo ación y análisis de da os, y pa a la
c eación de modelos de ap endizaje au omá ico.
En e las en ajas de Da aSpell, des aca su amplio conjun o de he amien as de análisis
de da os y modelado, que incluyen biblio ecas de ap endizaje au omá ico in eg adas y
he amien as de isualización a anzadas. Además, o ece una in e az de usua io in ui i a y ácil
de usa , lo que la hace accesible pa a usua ios con di e en es ni eles de expe iencia. También
o ece opciones a anzadas de “debugging” y un sis ema de ges ión de e siones in eg ado, lo
que acili a la colabo ación en p oyec os de ciencia de da os en equipo.
En e las des en ajas de Da aSpell, des aca su ca ác e de pago, lo que puede limi a su
accesibilidad a usua ios con menos ecu sos o p esupues os más educidos. Además, al se una
he amien a de p opósi o especí ico, puede eque i una cu a de ap endizaje mayo en
compa ación con o as he amien as de p og amación.
6.4.4. C i e ios de selección
1. Capacidad de p ocesamien o (25 %): es uno de los aspec os más impo an es a ene
en cuen a. Se debe selecciona un en o no de desa ollo que enga una al a capacidad
de p ocesamien o pa a maneja la g an can idad de da os y ejecu a los algo i mos de
ML de mane a e icien e.
2. Flexibilidad de la pla a o ma (25 %): ambién es uno de los aspec os más impo an es
ya que, pa a abaja de o ma e icien e es impo an e selecciona una pla a o ma que
sea lexible y pe mi a la implemen ación de di e en es algo i mos de ML pa a analiza y
co elaciona los da os.
3. In e az de usua io amigable (20 %): es un aspec o con un poco de menos peso, pe o
ambién es ele an e selecciona una pla a o ma que enga una in e az de usua io
amigable y ácil de usa pa a acili a la manipulación y análisis de da os.
4. Compa ibilidad con las he amien as exis en es (20 %): es e aspec o iene el mismo
peso que el an e io , ya que es igual de impo an e selecciona un en o no de desa ollo
que sea compa ible con las he amien as de análisis y isualización de da os exis en es
pa a pode in eg a las ácilmen e en el p oceso de análisis.
5. Cos e (10 %): es e es el aspec o con el meno peso, ya que, aunque es impo an e
selecciona un en o no de desa ollo que se adap e al p esupues o disponible, es más
impo an e que sea una pla a o ma óp imo en los aspec os mencionados.
57
en las sesiones de cada usua io. A con inuación, se ealiza una b e e desc ipción de la
in o mación p esen e en los conjun os de da os:
1. Clien IP Add ess: La di ección IP asignada al clien e (disposi i o) que se conec a a la ed
WiFi. Es e da o es impo an e pa a iden i ica cada disposi i o en la ed.
2. Clien MAC Add ess: La di ección MAC (Media Access Con ol) del clien e, que es un
iden i icado único asignado a la a je a de ed del disposi i o. Es a in o mación es
esencial pa a iden i ica de mane a p ecisa y uní oca cada disposi i o conec ado a la
ed.
3. id: Iden i icado único del clien e. Es a columna p opo ciona un iden i icado único pa a
cada clien e en los conjun os de da os, lo cual acili a su seguimien o y análisis
indi idual.
4. Associa ion Time: El momen o en que el clien e se ha asociado (conec ado) a la ed
WiFi. Es e da o pe mi e analiza la du ación de las conexiones y comp ende el
compo amien o de los clien es en elación con el iempo.
5. Global Unique: Iden i icado único global. Es a columna puede con ene iden i icado es
únicos adicionales asociados a los clien es, los cuales pueden se ú iles pa a ealiza
análisis más de allados.
6. Local Unique: Iden i icado único local. Al igual que el campo an e io , es a columna
puede con ene iden i icado es únicos adicionales pa a los clien es.
7. Link Local: Di ección IP de enlace local asignada al clien e. Es a di ección IP se u iliza
pa a la comunicación den o de la ed local y es ele an e pa a el en u amien o de
da os.
8. Endpoin Type: Tipo de pun o inal del clien e (po ejemplo, clien e mó il, clien e ijo,
e c.). Es a in o mación pe mi e di e encia los di e en es ipos de disposi i os que se
conec an a la ed WiFi.
9. CCX: Cisco Compa ible Ex ensions, una especi icación de Cisco pa a mejo a las
capacidades de los disposi i os inalámb icos. Es a columna indica si los clien es son
compa ibles con las ex ensiones de Cisco y puede se ele an e pa a análisis especí icos
elacionados con la compa ibilidad de disposi i os.
10. Mobili y O acle: O acle de mo ilidad. Es a columna puede con ene in o mación
adicional elacionada con la mo ilidad de los disposi i os en la ed, p opo cionada po
un sis ema de mo ilidad especí ico.
11. Mobili y Con olle : Con olado de mo ilidad. Es a columna indica el con olado de
mo ilidad u ilizado pa a ges iona los mo imien os de los disposi i os en la ed.
12. Ancho Mobili y Con olle : Con olado de mo ilidad ancla. Es a columna indica el
con olado de mo ilidad u ilizado como pun o de e e encia pa a ges iona la
mo ilidad de los disposi i os en la ed.
13. Swi ch Pee G oup: G upo de pa es de conmu ado es. Es a columna puede con ene
in o mación sob e los g upos de pa es de conmu ado es u ilizados en la ed pa a
mejo a la e iciencia y la edundancia.
14. Ancho Swi ch Pee G oup: G upo de pa es de conmu ado es ancla. Es a columna indica
el g upo de pa es de conmu ado es u ilizado como pun o de e e encia pa a mejo a la
e iciencia y la edundancia en la ed.
15. E2E: End- o-End (ex emo a ex emo), que indica que se e ie e a un pa áme o o es ado
que aba ca odo el ayec o de comunicación. Es a columna puede indica la medición
de pa áme os de ex emo a ex emo elacionados con la calidad de se icio.

58
16. PMIP S a e: Es ado de PMIP (P o ocolo de mo ilidad de IP). Es a columna puede
con ene in o mación sob e el es ado del P o ocolo de Mo ilidad de IP, que se u iliza
pa a adminis a la mo ilidad de los disposi i os en edes IP.
17. PMIP Connec ed In e ace: In e az conec ada PMIP. Es a columna indica la in e az de
ed u ilizada pa a es ablece la conexión PMIP, lo cual es ele an e pa a el en u amien o
y la comunicación de los disposi i os.
18. Home Add ess: Di ección IP de inicio del clien e. Es a columna mues a la di ección IP
asignada como "hoga " pa a cada clien e en la ed, lo cual puede se ú il pa a as ea y
adminis a las conexiones de los disposi i os.
19. Access Technology Type: Tipo de ecnología de acceso u ilizada po el clien e (po
ejemplo, 802.11a, 802.11n, e c.). Es a columna indica la ecnología inalámb ica u ilizada
po los disposi i os pa a accede a la ed WiFi.
20. Local Link Iden i ie : Iden i icado de enlace local. Es e campo puede con ene un
iden i icado único asignado a cada enlace local en la ed, lo cual puede se ele an e
pa a el en u amien o y la ges ión de la conec i idad.
21. LMA: Local Mobili y Ancho (ancla local de mo ilidad). Es a columna indica el ancla local
de mo ilidad u ilizado en la ed, que es un pun o de e e encia pa a el manejo de la
mo ilidad de los disposi i os.
22. Vendo : Fab ican e o p o eedo del clien e o disposi i o. Es a columna mues a el
nomb e del ab ican e o p o eedo del disposi i o clien e, lo cual puede se ú il pa a
iden i ica las ca ac e ís icas y especi icaciones de los disposi i os u ilizados en la ed.
23. AP Name: Nomb e del pun o de acceso (Access Poin ). Es a columna indica el nomb e
asignado a cada pun o de acceso en la ed WiFi.
24. Radio Type: Tipo de adio del pun o de acceso (po ejemplo, 2.4 GHz, 5 GHz). Es a
columna mues a el ipo de adio u ilizado po cada pun o de acceso, lo cual es ele an e
pa a comp ende las ca ac e ís icas de la ed inalámb ica.
25. De ice Name: Nomb e del disposi i o. Es a columna mues a el nomb e asignado a cada
disposi i o clien e en la ed.
26. Map Loca ion: Ubicación en un mapa. Es a columna puede con ene in o mación
geog á ica o de ubicación asociada a cada disposi i o o pun o de acceso en la ed.
27. SSID: Se ice Se Iden i ie , el nomb e de la ed WiFi a la que el clien e se es á
conec ando. Es a columna mues a el nomb e de la ed inalámb ica a la que cada clien e
se ha conec ado.
28. P o ile: Pe il asociado al clien e. Es a columna indica el pe il de con igu ación o ajus es
especí icos aplicados a cada clien e en la ed.
29. VLAN ID: ID de VLAN (Vi ual LAN) asociada al clien e. Es a columna mues a el
iden i icado único de la VLAN a la que cada clien e es á asignado, lo cual es ele an e
pa a la segmen ación y el en u amien o de la ed.
30. P o ocol: P o ocolo u ilizado (po ejemplo, TCP, UDP). Es a columna indica el p o ocolo
de comunicación u ilizado en cada conexión de ed.
31. Session Du a ion: Du ación de la sesión del clien e. Es a columna mues a el iempo de
du ación de la sesión de cada clien e en la ed WiFi.
32. Policy Type: Tipo de polí ica aplicada al clien e. Es a columna indica el ipo de polí ica
de ed o conjun o de eglas aplicadas a cada clien e.
33. A g. Session Th oughpu (Kbps): P omedio del endimien o de la sesión en kilobi s po
segundo. Es a columna mues a el endimien o p omedio de la sesión de cada clien e,
es deci , la elocidad de ans e encia de da os p omedio du an e el iempo de
conexión.
59
34. Hos Name: Nomb e del hos o disposi i o. Es a columna mues a el nomb e asignado
al hos o disposi i o clien e en la ed.
35. Clien Type: Tipo de clien e (po ejemplo, clien e co po a i o, clien e de in i ado). Es a
columna indica el ipo de clien e conec ado a la ed WiFi, lo cual puede se ele an e
pa a analiza di e en es pe iles de usua ios.
36. Speed: Velocidad de conexión del clien e. Es a columna mues a la elocidad de
conexión de cada clien e en la ed, es deci , la capacidad de ans e encia de da os que
se puede alcanza .
37. AP MAC Add ess: Di ección MAC del pun o de acceso al que se conec a el clien e. Es a
columna mues a la di ección MAC del pun o de acceso WiFi al que cada clien e es á
conec ado.
38. AP IP Add ess: Di ección IP del pun o de acceso al que se conec a el clien e. Es a
columna mues a la di ección IP asignada al pun o de acceso WiFi al que cada clien e
es á conec ado.
39. De ice IP: Di ección IP del disposi i o clien e. Es a columna mues a la di ección IP
asignada a cada disposi i o clien e en la ed.
40. Con olle Po : Pue o del con olado u ilizado. Es a columna indica el pue o del
con olado u ilizado pa a ges iona la conexión del clien e.
41. Ancho Con olle : Con olado de anclaje. Es a columna indica el con olado de
anclaje u ilizado en la ed, que se enca ga de la ges ión de la mo ilidad de los
disposi i os.
42. Associa ion ID: ID de asociación. Es a columna mues a el iden i icado único asociado
a la asociación en e el clien e y el pun o de acceso WiFi.
Los conjun os de da os analizados con ienen una amplia a iedad de pa áme os que
p opo cionan in o mación de allada sob e cada sesión de usua io en la ed WiFi. Es esencial
des aca la impo ancia de maneja es os da os de mane a cuidadosa y espe uosa, siguiendo
los p incipios de p o ección de da os es ablecidos en la Ley O gánica de P o ección de Da os
(GDPR). En es e con ex o, es undamen al la pseudoanonimización (enmasca a o sus i ui los
da os pe sonales con pseudónimos pa a p e eni la iden i icación di ec a o indi ec a de los
indi iduos) de da os pe sonales, como los iden i icado es de usua io y las di ecciones IP, lo que
ga an iza la p i acidad de los usua ios. A pesa de es a ans o mación, la es uc u a de los da os
se man iene in ac a, lo que pe mi e la ealización de análisis y modelizaciones. Es c ucial
eco da que el manejo de da os pe sonales debe ealiza se siemp e con espe o y de acue do
con las leyes y egulaciones igen es, ga an izando la con idencialidad y la in eg idad de los
da os de los usua ios.
Además, es impo an e menciona que se encuen a en p oceso de ap obación la
memo ia M10/2023/184. Es e documen o es á enma cado den o de nues o p oyec o ac ual y
espe amos ob ene su ap obación en b e e. Es a memo ia aba ca y consolida la isión y las
es a egias que se siguen en el a amien o de los da os.
Po o o lado, si bien odos los pa áme os son impo an es pa a ene una isión
comple a y con ex ualizada de cada sesión de usua io, en es e caso de es udio se ha decidido
cen a se en un pa áme o especí ico, como ya se ha es ablecido en el apa ado 6: el h oughpu
medio de las sesiones. Es a elección se debe a que el h oughpu es un indicado cla e de la QoS
en una ed WiFi. El h oughpu medio se de ine como la elocidad p omedio de ans e encia de
da os du an e el iempo de conexión de cada usua io a la ed WiFi. Es un indicado di ec o de la
60
capacidad de la ed pa a sa is ace las demandas de ansmisión de da os de los usua ios. Un
al o h oughpu indica una mayo capacidad de ansmisión de da os y, po lo an o, una mejo
calidad de se icio.
Es e en oque se jus i ica po a ias azones. La no ma IEEE 802.11, que ige las edes
WiFi, menciona que el h oughpu es una mé ica esencial pa a medi la capacidad de la ed. Las
ac ualizaciones sucesi as de es a no ma, como la IEEE 802.11n y la IEEE 802.11ac, se han
cen ado en g an medida en mejo a el h oughpu . Además, un in o me de Cisco, líde en el
sec o de la ecnología de edes, i ulado "Unde s anding QoS in Wi eless LANs" [28], iden i ica
el h oughpu como una de las es mé icas cla es de la QoS, jun o con la la encia y el ji e .
En el caso de los conjun os de da os, el "a g. h oughpu " ( al y como se denomina la
columna) de una sesión se e ie e al p omedio de la asa de ans e encia de da os du an e la
du ación de una sesión de conexión a la ed WiFi. Rep esen a la elocidad media a la que se
ansmi en los da os en e el usua io (disposi i o conec ado a la ed WiFi) y el pun o de acceso
(AP) du an e el iempo en que se man iene la conexión.
El “a g. h oughpu ” se exp esa en kilobi s po segundo (Kbps) y se calcula di idiendo la
can idad o al de da os en iados y ecibidos du an e la sesión po la du ación de la sesión. Es e
alo p opo ciona una medida p omedio del endimien o de la conexión du an e el iempo en
que el usua io es u o conec ado a la ed WiFi.
El h oughpu desempeña un papel c ucial en la calidad de la expe iencia del usua io en
una ed WiFi. Una conexión de al a elocidad, ep esen ada po un al o h oughpu , pe mi e
una ans e encia ápida y e icien e de da os, lo que se pod ía aduci en una expe iencia de
usua io mejo ada. Los usua ios pueden dis u a de una na egación web luida, una
ep oducción de ideo sin in e upciones, desca gas ápidas y una mayo capacidad pa a ealiza
múl iples a eas en línea. Po o o lado, una conexión len a con un bajo h oughpu puede
esul a en e asos en la ca ga de páginas web, in e upciones en la ansmisión de ideo y una
expe iencia gene al insa is ac o ia.
Al co elaciona el h oughpu con las pun uaciones MOS, se ob end á una comp ensión
más p o unda de cómo la calidad de la ed WiFi, ep esen ada po el h oughpu , a ec a la
pe cepción y sa is acción de los usua ios. Es a in o mación puede se in aluable pa a la ges ión
de la ed, pe mi iendo iden i ica á eas de mejo a y oma medidas pa a op imiza el
endimien o de la ed y mejo a la calidad de la expe iencia del usua io.
Recopilación de da os subje i os
Como se ha comen ado an e io men e, debido a p oblemas de plazo con la comisión
é ica, se ha omado la decisión de simula los esul ados de las alo aciones MOS. Es a elección
se ha omado as una cuidadosa conside ación de los posibles iesgos y bene icios. Los es udios
de in es igación en es e ámbi o no malmen e dependen de las espues as de los usua ios pa a
ob ene es os da os. Sin emba go, es os p oblemas é icos pueden gene a complicaciones
signi ica i as.
Po lo an o, pa a ga an iza la con inuidad de la in es igación y la ob ención de da os
ele an es, se op ó po la simulación de los esul ados MOS. Es a decisión ue in o mada y
61
espaldada po di e sos es udios p e ios en es e campo. Un es udio pa icula men e ele an e
es "E ec o quali y o se ice pa ame e s on quali y o expe ience o YouTube se ice in mobile
ne wo ks" [29]. En es e a ículo, los in es igado es lle a on a cabo un análisis exhaus i o de
cómo las a iaciones en los pa áme os de la QoS, como el h oughpu , a ec an la QoE (Quali y
o Expe ience), medida a a és de los esul ados MOS. La simulación de los esul ados MOS se
u ilizó en es e es udio pa a p e e y e alua el impac o de los pa áme os de QoS en la QoE del
usua io.
Aunque es a es a egia no eemplaza comple amen e los da os ecopilados a a és de
encues as di ec as a los usua ios, o ece una solución iable y é icamen e esponsable en la
si uación donde la ecopilación de da os p ima ios no es ac ible.
Sin emba go, es impo an e señala que, aunque los esul ados ob enidos a a és de la
simulación p opo cionan in o mación aliosa, no pueden cap u a odas las complejidades y
ac o es con ex uales que pod ían su gi de los da os ecopilados di ec amen e de los usua ios.
Como al, los esul ados deben in e p e a se con cie a cau ela, y es esencial conside a la
ealización de in es igaciones adicionales una ez que se esuel an los p oblemas é icos
elacionados con la encues a a los usua ios.
Pa a simula los da os de las pun uaciones MOS, se ha comenzado con el análisis de los
da os de h oughpu disponibles en los conjun os de da os exis en es. A pa i de es os, se ha
asignado una pun uación MOS pa a cada alo de h oughpu . Pa a in oduci un elemen o de
a iabilidad y simula el ac o de con ex o que se expe imen a en si uaciones eales, se ha
añadido una cie a alea o iedad a la asignación de las pun uaciones MOS.
Teniendo en cuen a las posibles di e encias en e las necesidades y expec a i as de los
usua ios en di e en es acul ades, se ha ajus ado la simulación de los da os MOS pa a los
conjun os de da os co espondien es a las acul ades de Educación e Ingenie ía. Pa a e leja las
necesidades de la Facul ad de Educación, que p esumiblemen e son menos exigen es en
é minos de calidad de ed que la Facul ad de Ingenie ía, se han gene ado los da os MOS de al
mane a que e lejen es a di e encia. Es e ajus e ha sido el esul ado de una in es igación
adicional sob e las necesidades especí icas y expec a i as de los usua ios en es as dos
acul ades. Además, se espe a que se á alidado una ez se cuen e con la ap obación del comi é
de é ica y se lle en a cabo las encues as plani icadas.
De es a mane a, se han gene ado los da os MOS simulados, que, aunque no son un
sus i u o di ec o de las encues as de usua io, ep esen an una es imación in o mada y basada
en la in es igación de las pun uaciones MOS que se pod ían habe ob enido a a és de dichas
encues as.
Una ez que se han ecopilado odos los da os de h oughpu co espondien es a cada
sesión de usua io jun o con sus espec i as pun uaciones MOS simuladas, se puede p ocede a
desa olla el modelo. De nue o des aca que las pun uaciones MOS son simuladas, y en
consecuencia, una ez que se puedan lanza las encues as a los usua ios, el modelo se en ena á
con las MOS ob enidas di ec amen e de los usua ios pa a ob ene un modelo aún más p eciso
y ep esen a i o de la expe iencia eal del usua io. No obs an e, pa a los p opósi os de es e
es udio, las pun uaciones MOS simuladas pe mi en ex ae conclusiones bas an e signi ica i as.
62
7.1.1.2. P epa ación del en o no de ejecución
Como ya se ha es ablecido en el apa ado 5.3.1, se a a u iliza la pla a o ma Google
Colab pa a la ealización del modelo. Google Colab es una pla a o ma basada en la nube que
o ece un en o no de desa ollo g a ui o y colabo a i o pa a ejecu a código Py hon, incluyendo
la implemen ación y e aluación de modelos de ML. Pa a ello, se han seguido los siguien es
pasos:
1. Acceso a Google Colab: Pa a comenza , se accede a la pla a o ma Google Colab a a és
de un na egado web. El si io web o icial de Google Colab se encuen a en
h ps://colab. esea ch.google.com/. Es e acceso pe mi e c ea y ab i cuade nos de
Colab, que son documen os in e ac i os donde se desa olla y ejecu a el código.
2. C eación de un nue o cuade no: En Google Colab, se ha c eado un nue o cuade no
seleccionando la opción "Nue o cuade no" en la página de inicio o a a és del menú
"A chi o". También exis e la opción de ab i cuade nos exis en es desde Google D i e o
desde eposi o ios en Gi Hub.
3. Con igu ación del en o no de ejecución: Una ez den o del cuade no, se ha
con igu ado el en o no de ejecución. En la ba a de he amien as supe io , se encuen a
un menú desplegable llamado "En o no de ejecución". En es a sección, se han ealizado
ajus es como la selección de la e sión de Py hon, la asignación de ecu sos de
p ocesamien o (CPU o GPU) y la can idad de memo ia RAM des inada al en o no.
o En pa icula , se ha seleccionado una CPU pa a el en enamien o del modelo de
ML, ya que el conjun o de da os es ela i amen e pequeño y no equie e una
g an can idad de ecu sos de compu ación pa a su en enamien o.
4. Impo ación de biblio ecas: En un p incipio, se han impo ado las biblio ecas de Py hon
que más se an a u iliza pa a el p oyec o:
o sciki -lea n: sciki -lea n es una biblio eca de que o ece una amplia gama de
algo i mos y he amien as pa a a eas de clasi icación, eg esión, ag upación,
educción de dimensionalidad y más. En es e caso, sciki -lea n p opo ciona una
implemen ación obus a y op imizada del algo i mo de eg esión lineal, lo que
pe mi e ealiza ácilmen e el en enamien o y la p edicción u ilizando modelos
de eg esión lineal.
o numpy: numpy es una biblio eca undamen al pa a el cálculo numé ico en
Py hon. P opo ciona un sopo e e icien e pa a ma ices mul idimensionales y
unciones ma emá icas que pe mi en ealiza ope aciones numé icas de
mane a ápida y e icien e. En es e caso, numpy se u iliza pa a manipula y
p ocesa los da os necesa ios pa a el en enamien o del modelo.
o pandas: pandas es una biblio eca de análisis de da os que p opo ciona
es uc u as de da os lexibles y he amien as pa a la manipulación y análisis de
conjun os de da os. O ece es uc u as de da os como Da aF ame, que es una
abla bidimensional con e ique as en columnas y ilas, simila a una hoja de
cálculo. En es e caso, pandas se u iliza pa a ca ga y manipula los da os de
en ada. Se u iliza pa a lee los da os desde a chi os.
o ma plo lib: ma plo lib es una biblio eca de isualización de da os en Py hon que
p opo ciona una in e az lexible pa a la gene ación de una amplia a iedad de
g á icos y diag amas. ma plo lib se in eg a bien con o as biblio ecas de la pila
cien í ica de Py hon, como numpy y pandas, lo que la con ie e en la opción

63
na u al pa a la isualización de da os en muchos análisis y lujos de abajo de
ML.
7.1.1.3. P epa ación de los da os
En es e paso, se lle a a cabo un conjun o de a eas pa a ga an iza la calidad, cohe encia
y adecuación de los da os ecopilados an es de u iliza los en el análisis y en enamien o del
modelo.
La p epa ación de los da os implica a ios p ocesos, que incluyen la limpieza,
ans o mación y p ocesamien o de los da os ecopilados. El obje i o p incipal es asegu a se de
que los da os sean consis en es, comple os y es én en el o ma o adecuado pa a su uso en el
modelo de co elación.
En es e caso, el modelo se en ena á u ilizando los da os del h oughpu medio de cada
sesión jun o con su alo ación MOS co espondien e. An es de comenza a desa olla el
modelo, es c ucial ob ene in o mación ele an e sob e los da os disponibles pa a de e mina
su consis encia y ca ac e ís icas. Con ese in, se han ecopilado una se ie de es adís icas
desc ip i as, que incluyen el alo más común, el alo máximo, la media y la des iación es ánda
pa a ambos conjun os de da os.
Es os da os p opo cionan in o mación aliosa sob e la dis ibución y endencia cen al
de los alo es de h oughpu . El alo más común nos indica cuál es el alo dominan e o más
ecuen e en los conjun os de da os. La media da una idea del alo p omedio o cen al, mien as
que la des iación es ánda indica la dispe sión o a iabilidad de los da os al ededo de la media.
A con inuación, se indican los alo es ob enidos en ambos conjun os de da os:
Valo más
común
Valo máximo
Media
Des iación
es ánda
Facul ad de
Ingenie ía
0,1
2.9413,4
134,286
811,543
Facul ad de
Educación
0,1
10.269,7
199,980
591,388
Tabla 9: Es adís icas desc ip i as
Al analiza los da os p opo cionados, se obse a que an o en la Facul ad de Ingenie ía
como en la Facul ad de Educación exis en alo es ex emos con una des iación es ánda
conside ablemen e g ande. Es a al a a iabilidad en los da os puede plan ea desa íos al
desa olla el modelo, ya que los da os aba can un ango muy amplio. Pa a ob ene esul ados
más p ecisos al en ena el modelo, es impo an e ealiza una limpieza de los da os. Es o implica
iden i ica y a a los alo es a ípicos o ex emos. Pa a ello, se implemen a un mé odo de
eliminación de ou lie s
1
basado en la des iación es ánda . Es e mé odo cons a de los siguien es
pasos:
• Calcula la media y la des iación es ánda de la columna que con iene los da os.
1
Un ou lie es un alo a ípico que di ie e signi ica i amen e de la endencia gene al de los da os y puede
a ec a la p ecisión de los modelos de Machine Lea ning.
64
• De ini un umb al mul iplicando la des iación es ánda po un ac o pa a de e mina el
ango den o del cual los alo es se conside a án no ou lie s.
• Fil a los da os del Da aSe man eniendo solo aquellos alo es que es én den o del
ango de inido.
A con inuación, se de alla el código u ilizado pa a la ealización de es e p oceso:
Como se puede obse a en el agmen o de código, se de ine un umb al pa a
de e mina el ango den o del cual los alo es se conside a án no ou lie s. A con inuación, se
ealiza un p oceso de il ado en el Da aF ame o iginal seleccionando únicamen e aquellos
alo es de la columna "A g. Session Th oughpu (Kbps)" que caen den o del ango de e minado
po la media más/menos el umb al mul iplicado po la des iación es ánda . Es o implica elimina
los alo es a ípicos del conjun o de da os, lo que esul a en un Da aF ame il ado y más
consis en e pa a su pos e io en enamien o.
7.1.1.4. Análisis explo a o io
El análisis explo a o io de da os es una e apa undamen al en el p oceso de ML. Consis e
en examina y comp ende los da os an es de aplica cualquie modelo o algo i mo. Su obje i o
p incipal es ob ene in o mación y conocimien os cla e sob e los da os, iden i ica pa ones,
elaciones y ca ac e ís icas ele an es. Como se ha mencionado an e io men e, las columnas
que se u ilizan pa a la ealización del modelo son: "A g. Session Th oughpu (Kbps)" y “MOS” en
ambos conjun os de da os. Po lo an o, es c ucial comp ende la elación en e es as dos
a iables pa a ob ene una comp ensión más p o unda de su na u aleza y log a un modelo más
p eciso.
Pa a es ablece la elación en e es as dos a iables, se emplean di e en es mé odos. En
p ime luga , se ealiza un mapa de calo que mues a la co elación en e "A g. Session
Th oughpu (Kbps)" y "MOS". Pos e io men e, se u iliza un g á ico de dispe sión pa a isualiza
la elación en e ambas a iables.
A con inuación, se mues an los mapas de calo ob enidos de la Facul ad de Ingenie ía
y Educación, espec i amen e, que indican la co elación en e las dos a iables:
media = da a['A g. Session Th oughpu (Kbps)'].mean()
des iacion_es anda = da a ['A g. Session Th oughpu (Kbps)'].s d()
umb al = 3
da a_ il = da a[(da a ['A g. Session Th oughpu (Kbps)'] >= media -
umb al * des iacion_es anda ) & (da a_ingenie ia['A g. Session
Th oughpu (Kbps)'] <= media
65
Ilus ación 10: Mapa de calo de la co elación en e el h oughpu y el MOS en la Facul ad de Ingenie ía
Tal y como se puede e en la Ilus ación 10 y Ilus ación 11, se ob iene un coe icien e
de co elación de 0.67 y 0.62 en el conjun o de da os de la Facul ad de Ingenie ía y Educación,
espec i amen e, que indican en los dos casos una co elación posi i a mode ada en e el
h oughpu y el MOS. Es o signi ica que exis e una endencia gene al de que a medida que el
h oughpu p omedio de una sesión aumen a, la alo ación MOS ambién iende a se mayo .
Sin emba go, es impo an e des aca que la co elación no implica causalidad, es deci , no se
puede a i ma que el aumen o del h oughpu sea la causa di ec a de una mayo alo ación
MOS.
Ilus ación 11: Mapa de calo de la co elacion en e el h oughpu y el MOS en la Facul ad de Educación
66
Además, es ele an e ene en cuen a que una co elación de es a magni ud indica que
la elación en e es as dos a iables no es pe ec a y puede exis i cie a a iabilidad en los da os.
O os ac o es ambién pueden in lui en la alo ación MOS ( ac o es de in luencia) y es posible
que haya casos en los que el h oughpu sea al o pe o la alo ación MOS sea baja, o ice e sa.
7.1.1.5. Desa ollo del modelo: eg esión lineal
Una ez se ha adqui ido un mayo conocimien o sob e las elaciones en e las a iables
en las dos acul ades y se han obse ado las di e encias exis en es, se puede cons ui un modelo
de ML que cap u e de mane a óp ima la elación en e es as a iables. El obje i o es u iliza es e
modelo pa a p edeci la pun uación de los usua ios en unción del h oughpu de una ed WiFi.
En o as palab as, el modelo pe mi i á ene una es imación de la expe iencia de los usua ios
basada en los da os obje i os de la ed ( h oughpu en es e caso).
Es e en oque b inda la en aja de u iliza da os his ó icos ecopilados de las alo aciones
de los usua ios y el endimien o del h oughpu pa a en ena el modelo. Una ez en enado, el
modelo pod á gene aliza y hace p edicciones p ecisas sob e la calidad de la expe iencia de los
usua ios en unción del h oughpu medido. Es o esul a ú il pa a la ges ión y mejo a de edes
WiFi, ya que pe mi e oma decisiones in o madas pa a op imiza el endimien o y sa is ace las
necesidades de los usua ios.
Siguiendo la decisión omada en el análisis de al e na i as, se ha op ado po u iliza la
eg esión lineal como modelo pa a es e p opósi o. La eg esión lineal busca es ablece una
elación lineal en e las a iables independien es y la a iable dependien e, en es e caso, la
pun uación MOS que puede oma con inuos del 1 al 5. El obje i o es en ena es e modelo pa a
iden i ica las elaciones en e las a iables y p edeci la pun uación MOS co espondien e a
cada alo de h oughpu . A a és del análisis de la elación lineal, se busca á encon a una
ecuación que pe mi a es ima la pun uación MOS en unción del h oughpu .
La eg esión lineal es una opción adecuada debido a su capacidad pa a modela
elaciones lineales en e a iables y ealiza p edicciones basadas en esas elaciones. Al en ena
es e modelo con los da os disponibles, se espe a que ap enda los pa ones y las ca ac e ís icas
que elacionan el h oughpu con la pun uación MOS. La eg esión lineal pe mi e es ablece una
ecuación que es ima la pun uación MOS en unción del h oughpu , lo que p opo ciona una
o ma de en ende la elación en e es as a iables y p edeci los esul ados en base a nue os
alo es de h oughpu . En compa ación con écnicas de clasi icación, que usa clases
p ede inidas, los modelos de eg esión p opo cionan una mayo g anula idad del esul ado
p e is o y, po lo an o, pe mi en cub i una gama más amplia de posibles casos de uso.
Una ez que el modelo de eg esión lineal haya sido en enado y alidado, es a á
p epa ado pa a p edeci nue as pun uaciones MOS en unción de los alo es de h oughpu .
Es o p opo ciona á una he amien a ú il pa a es ima la sa is acción de los usua ios en unción
de las mediciones de h oughpu , lo que pe mi i á oma decisiones in o madas y ealiza
mejo as pe inen es pa a b inda una expe iencia óp ima a los usua ios. A con inuación, se
desc iben los pasos lle ados a cabo pa a la cons ucción del modelo de eg esión lineal.
73
Dicho es o, lo c ucial es la iden i icación de es a elación posi i a en e el h oughpu y
el MOS, donde se e idencia que a medida que el h oughpu mejo a, las pun uaciones MOS
ienden a inc emen a se. Es e pa ón espalda una lógica in ui i a: a medida que la calidad de
la ed se mejo a, la sa is acción de los usua ios iende a inc emen a se.
Además, es ele an e esal a las di e encias signi ica i as que eme gen en e las dos
acul ades en es udio. A con inuación, se mues an dos g á icos de dispe sión que compa an las
dos acul ades, an o pa a los alo es eales y los p edichos.
Ilus ación 16: Di e encias en e las dos acul ades: alo es eales y p edichos
Como se explo ó an e io men e, exis en múl iples ac o es que in luyen en cómo los
usua ios cali ican su expe iencia con la ed. Es o se puede obse a en la Ilus ación 16, donde
se obse a que las cali icaciones asignadas po los usua ios de la Facul ad de Educación ienden
a se un poco supe io es, a pesa de ene ni eles de h oughpu meno es, en compa ación con
la Facul ad de Ingenie ía. Es a dis inción ambién se e leja en las p edicciones gene adas po el
modelo, lo que sugie e que el modelo ha cap u ado e icazmen e es as di e encias. Como se
indicó an e io men e, es as a iaciones pueden debe se a una a iedad de azones. No

74
obs an e, una de las más con incen es pod ía se que los es udian es de ingenie ía equie en
una mayo calidad de ed debido a la na u aleza especí ica de las ac i idades que desa ollan.
Po o o lado, al analiza y p edeci las cali icaciones de los usua ios en ambas
acul ades, el modelo puede demos a su capacidad pa a cap u a las di e encias en las
expe iencias de ed y p opo ciona p edicciones y elaciones p ecisas. La ealización del modelo
en di e en es con ex os, como dis in as acul ades uni e si a ias, ayuda a e alua su
gene alización y capacidad pa a adap a se a di e sas si uaciones.
En conclusión, en é minos gene ales, de los esul ados ob enidos en la e aluación del
modelo de eg esión lineal, se pod ía deci que el modelo iene un endimien o mode ado en la
p edicción. A pesa de ello, es cie o que se ha log ado iden i ica una co elación bas an e
p onunciada en e ambas a iables en cada una de las acul ades. No obs an e, la limi ada
p ecisión del modelo puede a ibui se a una a iedad de ac o es:
1. Insu icien e can idad de da os: el conjun o de da os u ilizado pa a en ena y e alua
el modelo no es lo su icien emen e g ande o ep esen a i o de odas las clases
exis en es. Si hay una al a de di e sidad en los da os o una can idad limi ada de
mues as, el modelo puede ene di icul ades pa a cap u a la a iabilidad y gene aliza
co ec amen e.
2. Ca ac e ís icas insu icien es: Es impo an e conside a si las ca ac e ís icas u ilizadas
pa a en ena el modelo (en es e caso, el h oughpu ) son su icien es pa a cap u a oda
la in o mación ele an e que in luye en las pun uaciones MOS. Puede habe o as
a iables o ca ac e ís icas que sean impo an es y que no se es én eniendo en cuen a
en el modelo ac ual.
3. Relación no lineal: El modelo de Reg esión Lineal asume elaciones lineales en e las
ca ac e ís icas y las e ique as. Sin emba go, en el caso de la co elación en e el
h oughpu y las pun uaciones MOS, es posible que exis an elaciones no lineales o
complejas que el modelo no pueda cap u a adecuadamen e. En es e caso, pod ía se
necesa io explo a modelos más so is icados como las edes neu onales.
Po lo an o, pa a mejo a la p ecisión del modelo de eg esión lineal y abo da posibles
p oblemas de baja p ecisión, se pueden conside a a ias es a egias. En p ime luga , ecopila
más da os de di e en es uen es o con ex os puede en iquece el conjun o de en enamien o y
pe mi i al modelo cap u a mejo la a iabilidad. Además, explo a ca ac e ís icas adicionales
elacionadas con la calidad de la ed puede p opo ciona in o mación adicional pa a mejo a las
p edicciones. También se pueden p oba di e en es modelos y écnicas más complejas, que
pod ían se más adecuados pa a cap u a elaciones complejas en los da os.
7.1.1.7. Desa ollo del modelo: Red neu onal eed o wa d
En base a las deducciones ob enidas a a és de la implemen ación del modelo de
eg esión lineal, se ha de e minado que, a pesa de su simplicidad, es e modelo puede p esen a
limi aciones al explo a elaciones y e ec ua p edicciones complejas. Po lo an o, siguiendo la
decisión que se adop ó en la sección 6.2, se p ocede á con la implemen ación del algo i mo de
ed neu onal eed o wa d. Es a écnica, debido a su inhe en e complejidad, es no ablemen e
más compe en e en disce ni y modela elaciones in incadas de mane a p ecisa y e icaz.
75
En consecuencia, se p ocede á a la implemen ación de es e modelo pa a de e mina la
elación en e el h oughpu y el MOS en los dos escena ios de ed p opues os. A pa i de los
esul ados ob enidos, se ealiza á una compa ación con el modelo de eg esión lineal
p e iamen e desa ollado. Dicha compa a i a pe mi i á ilus a las po enciales en ajas y
des en ajas que ambos modelos pod ían p esen a en es e con ex o en pa icula .
Es Impo an e des aca que, en es e caso, a di e encia de la eg esión lineal, se ha
decidido no elimina los alo es ex emos o a ípicos du an e la implemen ación del modelo. La
in ención es e leja una co elación lo más ealis a posible, la cual se ha obse ado que iene
una endencia loga í mica en la ealidad. Se p e ende en ena el modelo con odos los alo es
exis en es, pe mi iéndole así ap ende que el MOS iende a es abiliza se con alo es de
h oughpu muy al os. Es a decisión se undamen a en la necesidad de cap u a comple amen e
las dinámicas inhe en es a los da os y de pe mi i que el modelo ap enda y se adap e a es as
dinámicas de la o ma más p ecisa posible.
Es a decisión se oma en el caso de la ed neu onal debido a su habilidad pa a ap ende
y modela elaciones no lineales y complejas, a di e encia de los modelos más simples como la
eg esión lineal. Es a capacidad de las edes neu onales las hace más adecuadas pa a maneja
da os en los que exis en elaciones no lineales y complejas, como es el caso en es a si uación.
A con inuación, se desc iben los pasos lle ados a cabo pa a la cons ucción del modelo
de la ed neu onal eed o wa d.
Di isión de da os
E i ando la edundancia en la desc ipción de los p ocesos, la di isión de los da os se
lle a á a cabo de la misma mane a que se e ec uó pa a el modelo de eg esión lineal, lo cual se
puede e isa en el apa ado 7.1.1.5.
Cons ucción del modelo
La cons ucción de un modelo en edes neu onales se basa en la es uc u a y el
uncionamien o del ce eb o humano, especí icamen e en las neu onas y las conexiones que se
encuen an en él. Una ed neu onal a i icial es un modelo compu acional inspi ado en es e
sis ema biológico, diseñado pa a p ocesa in o mación y ealiza a eas de ap endizaje y
p edicción. Se elige una es uc u a de ed neu onal bas an e sencilla, ya que los da os
disponibles son de amaño educido y el p oblema a soluciona es bas an e di ec o. Es a elección
a o ece la e iciencia y la op imización del p oceso de ap endizaje de la ed. A con inuación, se
de alla el p oceso de cons ucción del modelo:
modelo = Sequen ial()
modelo.add(Dense(64, inpu _dim=1, ac i a ion=' elu'))
modelo.add(Dense(32, ac i a ion=' elu'))
modelo.add(Dense(1))
1. Sequen ial(): Es a línea de código c ea un modelo secuencial ( eed o wa d), que es
la o ma más común de cons ui una ed neu onal. Un modelo secuencial es una pila
76
lineal de capas donde la salida de una capa se con ie e en la en ada de la siguien e
capa.
2. modelo.add(Dense(64, inpu _dim=1, ac i a ion=' elu')): Aquí se añade
a la ed neu onal una capa densa ( ully-connec ed) con 64 neu onas. Es a capa se
conec a a la capa de en ada, la cual espe a una única dimensión de en ada. Se u iliza
la unción de ac i ación ' elu' (Rec i ied Linea Uni ), la cual es muy usada en edes
neu onales debido a sus p opiedades de in oduci no linealidades y su e iciencia
compu acional.
3. modelo1.add(Dense(32, ac i a ion=' elu')): Es a línea de código añade
o a capa densa con 32 neu onas a la ed neu onal. Se sigue u ilizando la unción de
ac i ación ' elu'. Al no especi ica inpu _dim, es a capa se conec a au omá icamen e
a la capa an e io , ecibiendo como en ada sus 64 salidas.
4. modelo.add(Dense(1)): se añade la capa de salida con una sola neu ona. Es a capa
no iene unción de ac i ación ya que se a a de un p oblema de eg esión donde se
busca p edeci un alo numé ico con inuo (MOS).
Compilación del modelo
La compilación en edes neu onales se e ie e al paso en el que se con igu an los
aspec os adicionales del modelo an es de inicia el p oceso de en enamien o. En es e paso, se
especi ica el op imizado , la unción de pé dida y las mé icas de e aluación que se u iliza án
du an e el en enamien o y la e aluación del modelo.
1. Op imizado : El op imizado es un algo i mo que se enca ga de ajus a los pesos y los
biases de las neu onas du an e el en enamien o de la ed neu onal. El obje i o del
op imizado es minimiza la unción de pé dida o de e o , que cuan i ica la di e encia
en e las p edicciones del modelo y los alo es eales del obje i o. En es e caso, se u iliza
el op imizado Adam, que es un op imizado popula y e icien e que se adap a
dinámicamen e a la asa de ap endizaje du an e el en enamien o.
2. Función de pé dida: La unción de pé dida o de e o es una medida que cuan i ica la
disc epancia en e las p edicciones del modelo y los alo es eales del obje i o. En es e
caso, se u iliza la unción de pé dida 'mean_squa ed_e o ', que calcula el e o
cuad á ico medio en e las p edicciones y los alo es eales. El obje i o es minimiza
es a unción de pé dida du an e el en enamien o pa a que las p edicciones del modelo
se ace quen lo más posible a los alo es eales.
3. Mé icas de e aluación: Las mé icas de e aluación son medidas adicionales que se
u ilizan pa a e alua el endimien o del modelo du an e el en enamien o y la
e aluación. En es e caso, se u iliza la mé ica 'accu acy' o p ecisión pa a e alua la
p ecisión del modelo en la clasi icación de da os. Sin emba go, en el caso de la eg esión,
la p ecisión no es ele an e, po lo que es a mé ica puede no se signi ica i a en el
con ex o especí ico de la eg esión.
A con inuación, se p esen a el código u ilizado pa a la compilación del modelo:
modelo.compile(op imize =Adam(lea ning_ a e=0.001), loss=
'mean_squa ed_e o ',me ics = 'MAE')
77
En es a línea de código, se lle a a cabo la compilación del modelo neu onal. Se especi ica
el op imizado u ilizando el algo i mo Adam con una asa de ap endizaje de 0.001. La unción de
pé dida se es ablece como 'mean_squa ed_e o ', que es una medida comúnmen e
u ilizada pa a p oblemas de eg esión donde se busca minimiza el e o cuad á ico medio en e
las p edicciones del modelo y los alo es eales. Además, se elige la mé ica MAE como una
medida adicional pa a e alua el modelo y complemen a la e aluación basada en la pé dida de
e o cuad á ico medio.
En enamien o del modelo
El en enamien o en un modelo de ed neu onal consis e en ajus a los pesos y los
“biases” de las neu onas pa a que el modelo ap enda a ealiza p edicciones p ecisas. Du an e
el en enamien o, pa a cada lo e de da os, se ealiza una pasada hacia adelan e en la ed
neu onal pa a ob ene las p edicciones, se calcula la unción de pé dida pa a medi la
disc epancia en e las p edicciones y los alo es obje i o, y luego se ealiza una pasada hacia
a ás u ilizando el algo i mo de e op opagación (backp opaga ion) del e o pa a ac ualiza los
pesos y los “biases” de las neu onas. Es e p oceso se epi e pa a cada época has a que se alcanza
el núme o especi icado de épocas.
El obje i o del en enamien o es encon a los mejo es alo es pa a los pesos y los
“biases” de la ed neu onal que minimicen la unción de pé dida y pe mi an hace p edicciones
p ecisas sob e da os no is os. A medida que el modelo se en ena, se espe a que aya
mejo ando su endimien o y su capacidad pa a gene aliza a pa i de los da os de
en enamien o hacia da os nue os.
A con inuación, se mues a el código u ilizado pa a es e p opósi o:
modelo. i (X_en enamien o, y_en enamien o, epochs=100,
ba ch_size=32)
Du an e es e p oceso, el pa áme o epochs se es ablece en 100, lo que signi ica que el
modelo ealiza á 100 pasadas comple as a a és de odo el conjun o de da os de
en enamien o. Cada pasada cons a de una ase de p opagación hacia adelan e ( o wa d pass)
y una ase de e op opagación del e o (backwa d pass), en la que se ajus an los pesos y los
sesgos de las neu onas.
El pa áme o ba ch_size se u iliza pa a di idi el conjun o de da os de en enamien o
en lo es más pequeños. En luga de p ocesa odo el conjun o de da os de en enamien o en
una sola ez, los lo es pe mi en que el modelo ajus e sus pa áme os de mane a más e icien e.
En es e caso, se ha es ablecido un amaño de lo e de 32, lo que signi ica que se oman 32
ejemplos de en enamien o a la ez pa a calcula las ac ualizaciones de los pesos.
Pos e io men e, los pesos se ac ualizan después de cada lo e, en luga de después de cada
ejemplo indi idual, lo que agiliza el p oceso de en enamien o.
Po úl imo, una ez que el modelo ha sido en enado, se puede u iliza pa a hace
p edicciones en nue os da os.
78
7.1.1.8. E aluación del modelo: Red neu onal eed o wa d
Pa a e alua la p ecisión del modelo de ed neu onal, se han u ilizado dos mé icas de
e o comúnmen e adop adas en el campo del ML pa a p oblemas de eg esión: el E o
Cuad á ico Medio y el E o Absolu o Medio. Así, pod á compa a se con mayo acilidad con el
modelo de eg esión lineal.
Los esul ados de las mé icas del modelo ealizado son los siguien es:
Loss (MSE)
MAE
Facul ad de Ingenie ía
0,210
0,318
Facul ad de educación
0.226
0.370
Tabla 12: Mé icas pa a la e aluación del modelo
Pa a la Facul ad de Ingenie ía, los alo es ob enidos ue on un MSE de 0,210 y un MAE
de 0,318, mien as que, pa a la Facul ad de Educación, el MSE y el MAE ue on de 0,226 y 0,370
espec i amen e. Es os esul ados son mejo es a los ob enidos con el modelo de eg esión
lineal. Es o es espe able ya que las edes neu onales ienen a ap ende mejo las elaciones
complejas en e las a iables.
Aho a, al igual que el caso an e io , se cons uyen una se ie de g á icos de dispe sión,
los cuales o ecen una ep esen ación isual de las elaciones en e las a iables es udiadas
( h oughpu y MOS) en ambas acul ades ( eales y p edichas), así como de las disc epancias
iden i icadas en e ellas. Es os g á icos p opo cionan una pe spec i a in ui i a y accesible de los
esul ados analí icos ob enidos. A con inuación, se mues an los g á icos gene ados.
• Facul ad de Ingenie ía:
Ilus ación 17 Th oughpu s. MOS: p edicciones

79
Ilus ación 18: Th oughpu s. MOS: alo es eales
• Facul ad de educación:
Ilus ación 19: Th oughpu s. MOS: p edicciones
Ilus ación 20: Th pughpu s. MOS: alo es eales
Compa ando es os g á icos con los ob enidos pa a el modelo de eg esión lineal, sí que
se obse an di e encias en los g á icos ob enidos.
80
Rei e ando algunas obse aciones ealizadas en el caso del modelo an e io , aquí
ambién se obse a una co elación posi i a en e es as dos a iables. Sin emba go, es
impo an e ene en cuen a que una ed neu onal ha enido la capacidad de iden i ica y
ap ende pa ones más complejos en los da os. En es e caso especí ico, la ed neu onal ha
podido cap u a pa ones loga í micos, como se puede ap ecia en la Ilus ación 17 y Ilus ación
19. Es o signi ica que el modelo ha ap endido una elación no lineal en e las a iables de
h oughpu y MOS. A medida que el alo de h oughpu sigue subiendo, a pa i de cie os
alo es, el alo de MOS se es anca en el alo máximo. Es o es una ca ac e ís ica lógica y
ep esen a un compo amien o deseado, ya que indica que incluso cuando el endimien o sigue
mejo ando, el pun aje de calidad pe cibida ya ha alcanzado su lími e máximo.
La capacidad de cap u a pa ones loga í micos es una de las en ajas de las edes
neu onales en compa ación con modelos lineales más simples. Es as edes son capaces de
ap ende elaciones no lineales en los da os y cap u a e ec os más complejos. Al en ena el
modelo con alo es ex emos, se le pe mi e ap ende y gene aliza es os pa ones loga í micos
en el conjun o de da os.
En es e caso, ambién es con enien e analiza las disc epancias en e las dos acul ades.
A con inuación, se mues an dos g á icos de dispe sión que compa an las dos acul ades, an o
pa a los alo es eales y los p edichos.
81
Ilus ación 21: Di e encias en e las dos acul ades: alo es eales y p edichos
Como se puede ap ecia en los g á icos, se de ec an las mismas disc epancias en las
pun uaciones del MOS en e las dos acul ades. Es a di e encia se a ibuye p incipalmen e a las
expec a i as más ele adas de los es udian es de ingenie ía espec o a la calidad de la ed, las
cuales es án inculadas a la na u aleza de sus ac i idades dia ias.
7.2. Análisis de esul ados
Po úl imo, se ealiza un análisis de los esul ados ob enidos a pa i de la co elación de
QoS/QoE y de las pun uaciones MOS. Se p esen an los hallazgos signi ica i os y se ex aen
conclusiones ele an es en elación con la sa is acción de los usua ios y los indicado es de
calidad iden i icados. Se discu en posibles implicaciones y se esal an los aspec os más
ele an es pa a la ges ión de la QoE en los en o nos uni e si a ios es udiados.
El p opósi o p incipal de es e p oyec o e a es ablece una co elación en e un
pa áme o obje i o y las cali icaciones MOS de i adas de encues as a usua ios. Sin emba go,
debido a cie as complicaciones en elación con emas é icos en la ealización de es as
encues as, no se pudie on lle a a cabo. Po lo an o, como se explicó p e iamen e, con base en
82
a ios es udios que p esen aban da os de h oughpu y MOS, se omó la decisión de simula los
da os MOS de la o ma más ealis a posible. Es e en oque pe mi ió desa olla el modelo al
como se ha desc i o. Es impo an e ene en cuen a la alea o iedad inhe en e debido a los
di e sos ac o es de in luencia (de allados en la sección 5.5) que pueden a ec a la expe iencia
de los usua ios. Incluso si la calidad de la ed en é minos de h oughpu es al a, la expe iencia
del usua io puede no se necesa iamen e sa is ac o ia, sub ayando la complejidad y la
na u aleza de las pe cepciones de los usua ios espec o a la calidad de la ed.
No obs an e, se ha es ablecido una co elación bas an e sólida en ambos escena ios de
ed en e el h oughpu y las pun uaciones MOS simuladas. Es o concluye que, en gene al, a
medida que el h oughpu aumen a, las pun uaciones MOS ienden a mejo a . Es e pa ón se
modeló inicialmen e u ilizando el algo i mo de eg esión lineal, que pe mi e iden i ica de o ma
e ec i a elaciones lineales en e la a iable independien e ( h oughpu ) y la a iable obje i o
(MOS). Pos e io men e, es e pa ón ue eplicado con el algo i mo de ed neu onal eed o wa d.
A di e encia de la eg esión lineal, las edes neu onales eed o wa d ienen la capacidad de
cap u a y modela elaciones más complejas, g acias a su es uc u a de múl iples capas y nodos
in e conec ados. La ealización de es e modelo pe mi e p edeci la expe iencia de los usua ios
únicamen e a pa i del da o obje i o, el h oughpu . De es a o ma, se pueden oma decisiones
más in o madas y adecuadas pa a mejo a la calidad de la ed.
Como se mencionó an e io men e, en el caso de la eg esión lineal se cap u a una
elación lineal en e el MOSy el h oughpu . Es o no es o almen e inco ec o, ya que, den o de
un ango de alo es, se puede conside a que la elación es lineal, es deci , a medida que el
h oughpu aumen a, el MOS ambién aumen a de mane a p opo cional. Sin emba go, al u iliza
una ed neu onal eed o wa d, se ha log ado ob ene una elación más loga í mica en e las
a iables.
La u ilización de una ed neu onal eed o wa d ha pe mi ido ob ene un modelo con un
en enamien o más p eciso y una mayo capacidad pa a ap ende elaciones complejas. Es o se
debe a que las edes neu onales ienen la capacidad de cap u a pa ones más allá de las
elaciones lineales simples. El en enamien o de la ed neu onal con alo es ex emos ha sido
cla e pa a cap u a es a elación loga í mica. Al p opo ciona al modelo da os con alo es más
al os de h oughpu , se le ha pe mi ido ap ende y gene aliza los pa ones loga í micos
p esen es en el conjun o de da os.
Sin emba go, es e iden e que siemp e hay ma gen pa a mejo a la p ecisión del modelo
y educi los e o es. Una o ma p ome edo a de alida y mejo a el modelo en el u u o se á
median e la implemen ación de encues as di ec as a los usua ios.
La ecopilación de da os pe sonales y de alles especí icos sob e la ed u ilizada a a és
de encues as pe mi i á ob ene una comp ensión más p o unda de la ipología de usua ios en
cada acul ad y e ela di e encias en sus expec a i as, usos y o os ac o es ele an es. Es o
se á undamen al pa a in e p e a de o ma más p ecisa la co elación en e la QoS y la QoE. Al
ene acceso a un conjun o de da os elacionados con la ipología de usua ios y su pun uación
espec i a en cuan o a la calidad de la ed, se á posible elabo a soluciones más especí icas y
o ien adas a mejo a la expe iencia del usua io.
89
9. ANÁLISIS DE RIESGOS
El análisis de iesgos iene como obje i o aumen a la p obabilidad y el impac o de los
e en os posi i os y disminui la p obabilidad e impac o de los e en os nega i os que puedan
a ec a el desa ollo y los esul ados del p oyec o. A con inuación, se p esen an los posibles
iesgos pa a es e p oyec o jun o con las es a egias de mi igación pa a cada uno.
9.1. Demo as (A)
En el desa ollo de cualquie p oyec o, pueden su gi e asos imp e is os que
amenacen la inalización del mismo en los plazos es ablecidos inicialmen e. Po ende, es
undamen al implemen a una plani icación es a égica donde se delineen de mane a p ecisa
las a eas a lle a a cabo, así como las echas es imadas de inalización pa a cada una de ellas.
La p obabilidad de que su jan ales e asos en es e p oyec o es ela i amen e baja, g acias a la
guía con inúa p opo cionada po la di ec o a del p oyec o. Es a supe isión cons an e asegu a
que las a eas se iden i iquen y se sigan co ec amen e, pe mi iendo un seguimien o egula de
su p og eso.
Además, es impo an e señala que el alcance de es e TFM no es pa icula men e
ex enso, lo que disminuye aún más la posibilidad de que su jan imp e is os signi ica i os que
puedan impac a el p og eso del p oyec o de mane a conside able.
9.2. Fallo ecnológico (B)
El o denado es una he amien a esencial en la elabo ación de la solución p opues a
pa a es e TFM. Todo el desa ollo del modelo, desde su concepción has a su implemen ación y
p uebas, se ealiza u ilizando es a he amien a ecnológica. A pesa de que los o denado es
gene almen e pasan po igu osos con oles de calidad y cumplen con es ánda es ele ados, la
p obabilidad de una alla o mal uncionamien o del ha dwa e no puede desca a se
comple amen e, ca alogándola como de iesgo medio.
Sin emba go, el impac o de una po encial alla del o denado se e signi ica i amen e
mi igado g acias al uso de he amien as basadas en la nube, como Google Colabo a o y (Colab).
Es e en oque de abajo en la nube o ece un ni el adicional de segu idad y con eniencia.
Cualquie abajo ealizado se gua da au omá icamen e en la nube, y, en caso de un allo del
o denado , se puede accede a él y con inua abajando desde cualquie o o disposi i o con
acceso a In e ne . Es o no solo educe el iesgo de pé dida de da os, sino que ambién minimiza
la in e upción del lujo de abajo, ya que se puede e oma ápidamen e en o o disposi i o.
9.3. Demo as en la ap obación de encues as (C)
En cualquie p oyec o que in oluc e la ecopilación de da os median e encues as, exis e
el iesgo de demo as causadas po la necesidad de ob ene ap obación de comi és é icos u o as
en idades de supe isión. Es as demo as pueden al e a el c onog ama del p oyec o, causando
e asos signi ica i os en la ejecución y inalización del mismo.

90
En el con ex o de es e TFM es e iesgo se ma e ializó en la ase de ecopilación de da os.
Como se ha comen ado a lo la go del documen o, la ap obación necesa ia pa a lle a a cabo las
encues as pa a e alua la QoE no se ob u o a iempo. El impac o es medio, ya que se log ó
implemen a el modelo ealizando una simulación de los esul ados del MOS.
Pa a mi iga es e ipo de iesgo, es undamen al an icipa y plani ica po enciales
demo as en la ase de plani icación del p oyec o. Es o puede inclui inicia el p oceso de solici ud
de ap obación con su icien e an elación, ene un plan B pa a la ecopilación y análisis de da os
en caso de e asos, y man ene una comunicación luida con odas las pa es ex e nas
in oluc adas en el p oyec o.
Además, en el caso de que se p oduzcan e asos inespe ados, es ú il con a con
es a egias de con ingencia, como la simulación de da os, pa a ga an iza que el p oyec o pueda
con inua a anzando a pesa de es os obs áculos.
9.4. Fal a de da os su icien es (D)
El iesgo de al a de da os su icien es se e ie e a la posibilidad de no pode ecopila
una can idad adecuada de da os de QoS y QoE que se ían necesa ios pa a en ena de mane a
e ec i a los modelos de ML. Es e iesgo es pa icula men e ele an e en p oyec os basados en
ML, ya que la calidad y can idad de da os disponibles pa a el en enamien o puede ene un
impac o di ec o en la p ecisión y e icacia del modelo esul an e.
La p obabilidad de ocu encia de es e iesgo puede se mode ada, ya que a menudo
depende de ac o es que pueden es a ue a del con ol del equipo del p oyec o, como la
disponibilidad de uen es de da os o la disposición de los usua ios a pa icipa en las encues as.
El impac o de la al a de da os su icien es puede se signi ica i o. Puede e asa el
desa ollo del p oyec o, ya que se end ía que busca y ecopila da os adicionales, y puede
comp ome e la calidad de los esul ados, ya que un modelo de ML en enado con da os
insu icien es puede ene una p ecisión y e icacia más baja.
9.5. Ma iz p obabilidad – impac o
La ges ión e ec i a de los iesgos se lle a a cabo a a és de una he amien a es a égica
conocida como la ma iz de p obabilidad-impac o. En es a ma iz, se ca alogan y isualizan de
mane a cla a odos los iesgos p e iamen e mencionados. Es a ma iz acili a la comp ensión de
los iesgos, pe mi e e alua su po encial e ec o en el p oyec o, y p opo ciona una base sólida
pa a es ablece p io idades en la mi igación de iesgos.
IMPACTO
PROBABILIDAD
BAJO 0,2
MEDIO 0,5
ALTO 0,8
BAJO 0,2
Bajo 0,04
Bajo 0,1 (B)
Mode ado 0,16
MEDIO 0,5
Bajo 0,1
Mode ado 0,25
(A) (D)
Al o 0,4
ALTO 0,8
Mode ado 0,16
Al o 0,4 (C)
Al o 0,64
Tabla 17: Ma iz p obabilidad-impac o
91
10. CONCLUSIONES
El obje i o p incipal de es e p oyec o ue desa olla un modelo que co elacione la QoS
y QoE u ilizando écnicas de ML en en o nos uni e si a ios especí icos. Es e obje i o no solo ha
sido alcanzado, sino que ha apo ado una se ie de bene icios y a ances signi ica i os en el campo
de es udio.
En p ime luga , a a és de es e TFM, se ha lle ado a cabo un es udio de allado y
exhaus i o de los pa áme os de QoS y los indicado es de calidad (KQI) que in luyen en la
pe cepción de los usua ios de las edes WiFi, especí icamen e en edes 802.11. La clasi icación
de es os aspec os y la iden i icación de los KQI más ele an es ep esen an un a ance
impo an e en la comp ensión y la ges ión de la QoE.
Además, la implemen ación de écnicas de ML pa a co elaciona la QoS y la QoE ha
demos ado se una he amien a e icaz y pode osa. Es a aplicación inno ado a de ML en la
ges ión de la QoE pod ía ene un impac o signi ica i o en la mejo a de la sa is acción del usua io
en en o nos uni e si a ios y más allá.
Se iene p e is o ealiza encues as di ec as a los usua ios en un u u o p óximo pa a
ecopila da os eales y alida los esul ados de la simulación. Es as encues as pe mi i án
ob ene in o mación más p ecisa y de allada sob e las expe iencias de los usua ios y su
pe cepción de la calidad de la ed. La alidación de los esul ados de la simulación con da os
eales se á undamen al pa a mejo a y ajus a el modelo, asegu ando así su p ecisión y u ilidad
en la e aluación y mejo a de la calidad de la ed.
En conclusión, es e TFM no solo ha alcanzado sus obje i os, sino que ambién ha
con ibuido a a ances signi ica i os en la co elación de la QoS y la QoE en edes 802.11
u ilizando écnicas de ML. Los esul ados ob enidos pueden se i como base pa a u u as
in es igaciones y como ecu so alioso pa a mejo a la QoE en en o nos uni e si a ios u o os
en o nos.
Aunque se han ob enido esul ados p ome edo es, se econoce la necesidad de
con inua con la in es igación y el desa ollo en es e campo. Es o incluye la explo ación de más
écnicas de ML, la ecopilación y análisis de más da os y la conside ación de más ac o es que
pueden in lui en la QoS y la QoE. Con es os es ue zos con inuos, es posible que se pueda
mejo a aún más la p ecisión y la e icacia del modelo y p o undiza la comp ensión de la
co elación en e la QoS y la QoE.
92
11. BIBLIOGRAFÍA
[1] «Machine lea ning. Tipos, modelos, écnicas y usos - IAT».
h ps://ia .es/ ecnologias/in eligencia-a i icial/machine-lea ning/ (accedido 18 de ab il de
2023).
[2] «Supe ised Machine lea ning - Ja a poin ». h ps://www.ja a poin .com/supe ised-
machine-lea ning (accedido 18 de ab il de 2023).
[3] «Unsupe ised Machine lea ning - Ja a poin ».
h ps://www.ja a poin .com/unsupe ised-machine-lea ning (accedido 18 de ab il de 2023).
[4] S. Bha , «Rein o cemen Lea ning 101», Medium, 19 de ab il de 2019.
h ps:// owa dsda ascience.com/ ein o cemen -lea ning-101-e24b50e1d292 (accedido 18 de
ab il de 2023).
[5] «Wha is Deep Lea ning and How Does I Wo ks [Upda ed]», Simplilea n.com.
h ps://www.simplilea n.com/ u o ials/deep-lea ning- u o ial/wha -is-deep-lea ning (accedido
18 de ab il de 2023).
[6] R. Py hon, «Jupy e No ebook: An In oduc ion – Real Py hon».
h ps:// ealpy hon.com/jupy e -no ebook-in oduc ion/ (accedido 14 de ab il de 2023).
[7] «Google Colabo a o y». h ps://colab. esea ch.google.com/?hl=es (accedido 26 de
mayo de 2023).
[8] «Je B ains Da aSpell: el IDE pa a ingenie os de da os», Je B ains.
h ps://www.je b ains.com/es-es/da aspell/ (accedido 14 de ab il de 2023).
[9] «PyCha m: el IDE de Py hon pa a desa ollado es p o esionales, po Je B ains»,
Je B ains. h ps://www.je b ains.com/es-es/pycha m/ (accedido 14 de ab il de 2023).
[10] «The Py hon Tu o ial», Py hon documen a ion.
h ps://docs.py hon.o g/3/ u o ial/index.h ml (accedido 14 de ab il de 2023).
[11] «R: Wha is R?» h ps://www. -p ojec .o g/abou .h ml (accedido 14 de ab il de 2023).
[12] «Wha is Ja a? | IBM». h ps://www.ibm.com/ opics/ja a (accedido 14 de ab il de
2023).
[13] «C++ Tu o ial | Lea n C++ P og amming - ja a poin », www.ja a poin .com.
h ps://www.ja a poin .com/cpp- u o ial (accedido 14 de ab il de 2023).
[14] «Fac o s in luencing quali y o expe ience o commonly used mobile applica ions | IEEE
Jou nals & Magazine | IEEE Xplo e». h ps://ieeexplo e.ieee.o g/documen /6178833 (accedido
3 de mayo de 2023).
[15] R. S ankiewicz y A. Jajszczyk, «A su ey o QoE assu ance in con e ged ne wo ks»,
Compu . Ne w., ol. 55, n.o 7, pp. 1459-1473, may 2011, doi: 10.1016/j.comne .2011.02.004.
[16] M. Ma ulin y Š. M elj, «S a e-o - he-P ac ice in E alua ion o Quali y o Expe ience in
Real-Li e En i onmen s», P ome - T a icT anspo a ion, ol. 25, n.o 3, pp. 255-263, jun. 2013,
doi: 10.7307/p . 25i3.1195. (accedido el 30 de ab il de 2023)
[17] «documen .pd ». Accedido: 3 de junio de 2023. [En línea]. Disponible en:
h ps://hal.science/hal-00977812/documen
[18] D. Tjond onego o, Mobile Mul imedia: Use and Technology Pe spec i es. BoD – Books
on Demand, 2012. (accedido el 15 de mayo de 2023)
[19] «A Hie a chical Classi ica ion Model o QoE In luence Fac o s | Sp inge Link».
h ps://link.sp inge .com/chap e /10.1007/978-3-319-22572-2_16#Sec5 (accedido 3 de junio
de 2023).
[20] «P.800 : Me hods o subjec i e de e mina ion o ansmission quali y».
h ps://www.i u.in / ec/T-REC-P.800-199608-I/en (accedido 24 de ab il de 2023).
[21] «P.910 : Subjec i e ideo quali y assessmen me hods o mul imedia applica ions».
93
h ps://www.i u.in / ec/T-REC-P.910/en (accedido 24 de ab il de 2023).
[22] K. MALI, «E e y hing you need o Know abou Linea Reg ession!», Analy ics Vidhya, 4
de oc ub e de 2021. h ps://www.analy ics idhya.com/blog/2021/10/e e y hing-you-need- o-
know-abou -linea - eg ession/ (accedido 25 de mayo de 2023).
[23] S. Swamina han, «Logis ic Reg ession — De ailed O e iew», Medium, 18 de ene o de
2019. h ps:// owa dsda ascience.com/logis ic- eg ession-de ailed-o e iew-46c4da4303bc
(accedido 30 de mayo de 2023).
[24] «Qué es Red neu onal eed o wa d Concep o y de inición. Glosa io».
h ps://gamco.es/glosa io/ ed-neu onal- eed o wa d/ (accedido 2 de mayo de 2023).
[25] «p 406.pd ». Accedido: 2 de mayo de 2023. [En línea]. Disponible en:
h ps://www.im .mx/a chi os/Publicaciones/PublicacionTecnica/p 406.pd
[26] M. J. M. Ayo a, «Clasi icación de imágenes usando edes neu onales con olucionales en
Py hon».
[27] « g_Pau_Agus in_memo ia.pd ». Accedido: 2 de mayo de 2023. [En línea]. Disponible
en: h ps://diposi .ub.edu/dspace/bi s eam/2445/124249/1/ g_Pau_Agus in_memo ia.pd
[28] «Quali y o Se ice in a Wi eless En i onmen - Cisco».
h ps://www.cisco.com/c/en/us/ d/docs/ ou e s/access/wi eless/so wa e/guide/Quali yO Se
ice.h ml#wp1062496 (accedido 5 de junio de 2023).
[29] A. Vilaik uad, P. Anchuen, P. U hansakul, y M. U hansakul, «E ec o quali y o se ice
pa ame e s on quali y o expe ience o YouTube se ice in mobile ne wo ks», jun. 2017, pp.
568-571. doi: 10.1109/ECTICon.2017.8096301. (accedido el 10 de mayo de 2023)