Autor: admin

  • कैस्टिल समुद्र की ओर नहीं देखता था

    कैस्टिल समुद्र की ओर नहीं देखता था

    This translation was generated by artificial intelligence. The original Spanish content is the primary reference.

    13वीं शताब्दी में कैस्टिल एक शक्तिशाली साम्राज्य था लेकिन समुद्र की ओर नहीं देखता था। जब फर्डिनेंड तृतीय ने 1248 में सेविले पर कब्जा किया, तो उसे एक बंदरगाह मिला लेकिन कोई बेड़ा नहीं। अल्फोंसो दशम ने कैस्टिलियन एडमिरल्टी की स्थापना की और 1254 में पहला एडमिरल नियुक्त किया।

  • Castilla no miraba al mar: orígenes de la marina castellana (siglo XIII)

    Castilla no miraba al mar: orígenes de la marina castellana (siglo XIII)

    Castilla no miraba al mar: orígenes de la marina castellana (siglo XIII)

    _Este artículo forma parte de la serie «Castilla y el mar: 250 años que cambiaron el mundo»_

    El reino continental que se topó con el mar

    A principios del siglo XIII, el reino de Castilla era una máquina de guerra territorial imparable. En 1212, Alfonso VIII había destrozado a los almohades en Las Navas de Tolosa. Fernando III arrastraba la Reconquista hacia el sur a un ritmo que parecía imparable: Córdoba (1236), Jaén (1246), Sevilla (1248). Pero había un problema estructural: Castilla no miraba al mar. Sus intereses eran terrestres: la llanura castellana, los valles del Tajo y del Guadiana, la frontera con el Islam. Mientras la Corona de Aragón acumulaba experiencia naval en el Mediterráneo y las repúblicas italianas (Génova, Venecia, Pisa) dominaban las rutas comerciales, Castilla llegaba tarde y sin preparación al mar.

    No es que faltaran tradiciones marineras en la cornisa cantábrica. Vizcaya, Guipúzcoa, Santander, Asturias y Galicia tenían una larga experiencia pesquera y mercante, pero esas flotas no formaban parte de una armada real organizada. Como señala el historiador Eduardo Aznar Vallejo, durante los siglos XIII y XIV la Corona creó «poderosos medios para la guerra naval» que incluían atarazanas, especialistas y la figura del Almirante. Sin embargo, debido a su estructura feudal, la Corona de Castilla —como casi todas las entidades políticas de su tiempo— carecía de fuerzas armadas permanentes, y todo estaba aún por construir desde la iniciativa regia.

    El cerco de Sevilla (1247-1248): la lección de la necesidad

    Cuando Fernando III puso sitio a Sevilla, se encontró con un problema milenario: la ciudad era inexpugnable por tierra mientras recibiera suministros por el río Guadalquivir y desde el norte de África. Para aislarla hacía falta una flota, y Castilla no la tenía.

    La solución fue recurrir a los puertos cantábricos. En el verano de 1247, Ramón Bonifaz —un burgalés que algunos autores han supuesto de origen mediterráneo francés— trajo desde la costa norte una agrupación de 13 naves y galeras. Con ellas derrotó a más de 30 barcos musulmanes y, en un episodio decisivo, rompió el puente de barcas que unía Triana con Sevilla, cortando el suministro de la ciudad. Sin embargo, y pese a lo que afirmaron cronistas antiguos, Bonifaz no fue el primer almirante de Castilla. Como documenta Miguel Ángel Ladero Quesada, miembro de la Real Academia de la Historia, el título de almirante llegaría años después, en el reinado de Alfonso X.

    Los barcos que participaron en el cerco —naos del Cantábrico, pinazas y galeras— no eran propiedad del rey. Eran naves de particulares, de las villas marineras de la cornisa cantábrica, que ya tenían tradición marinera pero que actuaban como flota eventual, contratada para una campaña concreta. Esta fórmula —recurrir a navíos privados mediante contratos de flete y soldadas— se convertiría en seña de identidad de la organización naval castellana durante siglos, un sistema que perduraría hasta bien entrado el siglo XV.

    El «barrio de la mar» y el fuero de Sevilla (1251)

    Consciente de que la toma de Sevilla abría una ventana al mar, Fernando III dispuso la organización de la ciudad a fuero de Toledo el 15 de junio de 1251, pero con una innovación clave: la creación de un «barrio de la mar». Los vecinos de este barrio tendrían alcalde propio, nombrado por el rey, que juzgaría con ayuda de seis hombres buenos «sabidores del fuero de la mar». Las ordenanzas exigían que hubiese al menos 20 carpinteros, 3 herreros y 3 barberos-cirujanos entre los vecinos, y todos ellos estarían obligados a servir en actividades marítimas a su costa durante tres meses al año si eran movilizados. Era el embrión de una política naval, pero aún sin la estructura de un almirantazgo.

    Alfonso X el Sabio y la creación del almirantazgo (1252-1254)

    El verdadero arquitecto de la marina castellana fue Alfonso X el Sabio. En 1252, nada más subir al trono, reconstruyó las atarazanas almohades de Sevilla, convirtiéndolas en el primer arsenal real de Castilla. Las atarazanas hispalenses fueron el centro neurálgico de la construcción naval castellana durante toda la Baja Edad Media: según los padrones del siglo XV llegaron a tener 486 trabajadores francos adscritos (en 1422), y su capacidad máxima era de 20 galeras y 2 leños simultáneamente. Allí trabajaban carpinteros de ribera, calafates, tejedores de velas, herreros y todo un ecosistema de oficios vinculados a la industria naval.

    Alfonso X desarrolló una política naval ambiciosa desde los primeros años de su reinado. En junio de 1253 suscribió un acuerdo con el maestre de la Orden de Santiago, Pelayo Pérez Correa, para que este mantuviese aparejada una galera con 200 hombres y prestase servicio de tres meses anuales. A cambio, el maestre recibiría 1.600 aranzadas de olivar en el Aljarafe y 250 maravedís de oro el primer año, además de la mitad del botín obtenido en empresas navales.

    Poco después, entre agosto de 1253 y 1254, el rey firmó un contrato con diez cómitres —capitanes de galera—, en su mayoría franceses, catalanes, genoveses y cántabros. Cada uno se comprometía a sostener a su costa una galera, rehecha o sustituida cada nueve años, y mantenerla a punto para la navegación y el combate. A cambio, el rey otorgaba a cada cómitre un heredamiento cuyas rentas permitirían cubrir los gastos, sostener cinco hombres armados en la galera y repararla o reponerla en un plazo de siete años si se perdía. El botín se repartiría por mitad entre el rey y los cómitres. Fue en diciembre de 1254 cuando Ruy López de Mendoza, uno de los «tres árbitros del Repartimiento» de Sevilla, comenzó a ser titulado Almirante. Nacía así el almirantazgo de Castilla.

    Las Siete Partidas: la guerra por mar adquiere rango legal

    La gran contribución jurídica de Alfonso X fue la regulación de la guerra naval en las Siete Partidas, concretamente en la Partida II, título XXIV («De la guerra de la mar»). Allí se definió por primera vez la figura del almirante, sus competencias y la organización de la flota. El almirante era descrito como «adelantado en los maravillosos fechos» de la guerra por mar, con atribuciones que duraban «desque moviere la flota fasta que torne al lugar donde movió». Debía ser de buen linaje, cuidador de su honra, desprendido y leal al servicio del monarca, competente y valeroso. Al terminar la campaña, el almirante debía justificar ante «orne del rey» todas las armas y aparejos que llevó en la flota, y las que se hubiesen perdido en la acción.

    El texto alfonsí es extraordinariamente consciente de la especificidad del combate naval. Las Partidas afirman que «la guerra por mar es como cosa desamparada, e de mayor peligro que la de tierra», un reconocimiento explícito de los riesgos especiales que entrañaba navegar y combatir en el mar. La obra distingue dos formas de hacer la guerra en el mar: la flota —gran concentración de barcos, comparable a una «hueste grande» terrestre, con grandes preparativos— y la armada —un número menor de galeras y barcos armados en corso, a modo de «cabalgada». Las Partidas también enumeraban las cuatro condiciones necesarias para la guerra naval: tener conocimientos de la mar y los vientos, poseer navíos bien pertrechados de hombres y armas, disponer de un buen caudillo, y contar con osadía y ardimiento.

    Junto a la creación del almirantazgo, Alfonso X intentó establecer una fuerza naval permanente mediante acuerdos con la nobleza y con profesionales del mar. En 1260 lanzó la llamada «cruzada dallent mar», una expedición contra la ciudad norteafricana de Salé, dirigida por Juan García de Villamayor, mayordomo del rey, con el título de «adelantado mayor de la mar» y jurisdicción sobre todos los puertos de Castilla, León, Galicia y el Algarbe. Sin embargo, la operación fue un éxito aislado, y la actividad de la flota real con base en Sevilla fue escasa durante los veinte años siguientes.

    El desastre de Algeciras (1279): el precio de la inexperiencia

    Cuando Alfonso X decidió retomar la iniciativa naval en la lucha por el control del Estrecho de Gibraltar, el resultado fue catastrófico. La llamada «batalla del Estrecho» enfrentaba a castellanos y meriníes norteafricanos por el dominio del paso estratégico entre el Mediterráneo y el Atlántico. Durante el cerco de Algeciras, la flota castellana sufrió una derrota humillante el 25 de julio de 1279. El almirante Pedro Martínez de Fe —que ya había intervenido en el asalto a Salé— vio cómo los musulmanes deshicieron su flota de 80 navíos de vela y 24 galeras, además de barcos auxiliares. Martínez de Fe fue hecho prisionero y conducido a Tánger, donde permaneció dos años.

    El desastre de Algeciras fue un punto de inflexión. Alfonso X, sumido además en una grave crisis política en los últimos años de su vida, abandonó prácticamente sus proyectos de política naval. La lección estaba clara: sin una organización permanente, sin marinos experimentados y sin una infraestructura logística sólida, la guerra en el mar era un empeño ruinoso.

    Sancho IV y los almirantes mercenarios

    A la muerte de Alfonso X, el peligro meriní se hizo más acuciante. Sancho IV, ante la amenaza inminente de invasión desde el norte de África, recurrió a una solución pragmática: contratar almirantes extranjeros. En 1284 negoció los servicios de Micer Benedetto Zaccaría, un experimentado marino genovés que había actuado en Constantinopla —controlando el alumbre de la isla de Focea—, en Italia —derrotando a los pisanos en la batalla de Meloria en agosto de 1284— y al servicio del emperador bizantino Miguel Paleólogo.

    El contrato fue excepcional incluso para los estándares de la época: estipulaba 12 galeras armadas y equipadas por 6.000 doblas anuales cada una, más el señorío de El Puerto de Santa María. Zaccaría se comprometía a mantener siempre una galera defendiendo la boca del Guadalquivir. Paralelamente, Sancho IV reclamó barcos desde los puertos del Cantábrico: según su Crónica, vinieron más de cien, armados a costa de los concejos —Castro Urdiales envió dos naves, La Coruña y Pontevedra una galera cada una—, bajo el mando de Fernán Pérez Maimón.

    Zaccaría regresó a Génova en 1285 tras una tregua con los meriníes, pero volvió en 1291 con 7 galeras genovesas, a las que se unieron otras 5 construidas en Sevilla. El 6 de agosto de 1291 obtuvo una gran victoria sobre los meriníes, y su intervención fue decisiva en la conquista de Tarifa en octubre de 1292, donde además contó con 10 naves catalano-aragonesas al mando del vicealmirante Berenguer de Montoliú. Por entonces, Zaccaría cobraba un sueldo de 180.000 maravedís en seis meses por mantener tres galeras (unos 10.000 maravedís al mes por galera, equivalentes a unas 500 doblas). Pero en 1294, durante el asedio meriní de Tarifa, Zaccaría rompió sus relaciones con Sancho IV, regresó a Génova y acabó siendo almirante de Felipe IV de Francia entre 1297 y 1300. Murió en 1314.

    Durante el sitio de Tarifa de 1294, ante el fallo de las galeras de Zaccaría, intervinieron Juan Mathe de Luna —regidor sevillano— y Fernán Pérez Maimón, que ostentaron el almirantazgo entre 1295 y 1299, contratando 15 galeras del almirante catalán Guillen Escrivá y armando otras cuatro en Sevilla. La flota así formada consiguió que los musulmanes levantaran el cerco de Tarifa.

    El almirantazgo como institución en formación

    A lo largo del siglo XIII, la figura del almirante pasó de ser un título ocasional a convertirse en una institución reconocida, aunque distaba mucho de contar con una flota permanente. La nómina de almirantes del siglo XIII es elocuente: Fernán Gutiérrez (1272), Pedro Lasso de la Vega (1278), Pedro Martínez de Fe (1279), Payo Gómez Chariño (1284-1286) —que también fue conocido como poeta y había participado en las acciones navales del cerco de Sevilla en 1247-48—, Pedro y Ñuño Díaz de Castañeda (1286-1291), y luego el genovés Zaccaría (1291-1293). Todos ellos mandaban flotas eventuales, reunidas para campañas concretas y desarmadas al terminar la misión.

    Como señala el historiador Rafael Sánchez Saus, «remuneración de servicios, promesas cortesanas, parentesco y cercanía a la real persona son las motivaciones que impulsaban el nombramiento de determinados almirantes, lo que no difiere de las que se observan en otros muchos oficios de la administración central o territorial de la Corona». Pero la necesidad de especialistas hacía que a menudo se nombrase almirante a personas alejadas de los círculos cortesanos, e incluso a extranjeros. La tensión entre profesionalidad y linaje marcó toda la historia del almirantazgo medieval castellano.

    El legado de un siglo

    Cuando el siglo XIII llegaba a su fin, Castilla seguía sin tener una marina permanente. La guerra naval se organizaba mediante contratos —como demuestra el sistema de fletes y soldadas donde «sólo se computaban las soldadas, ya que los reyes no debían pagar fletes, bastimentos ni otros gastos»—, embargos de barcos y acuerdos con la marina mercante cantábrica. Pero se habían sentado las bases: unas atarazanas capaces de construir y reparar galeras, un cuerpo legal pionero que definía la guerra en el mar, y una institución —el almirantazgo— que, aunque frágil y dependiente de la iniciativa regia, perduraría durante siglos.

    Los proyectos navales de Alfonso X, pese a su fracaso parcial, marcaron un antes y un después. Por primera vez, un rey castellano había intentado crear una flota real con base en Sevilla, había legislado sobre la guerra naval y había establecido un marco institucional para el mando en el mar. Las Siete Partidas seguirían siendo el referente jurídico de la marina castellana durante toda la Baja Edad Media, y las atarazanas de Sevilla —con sus altibajos— continuarían siendo el arsenal del reino hasta bien entrado el siglo XVI.

    Castilla no miraba al mar. Pero en el siglo XIII, a base de necesidad, de ensayo y error, y de contratar a los mejores marinos del Mediterráneo —desde genoveses como Zaccaría hasta catalanes como Escrivá—, empezó a girar la cabeza. El camino hacia 1492 —y hacia un imperio oceánico— comenzó en aquellos astilleros improvisados de Sevilla, en los contratos con cómitres extranjeros y en las naos vizcaínas que rompieron el puente de Triana.

    📚 Fuentes y recursos

    – AZNAR VALLEJO, Eduardo. «La organización de la flota real de Castilla en el siglo XV». CEMYR, Universidad de La Laguna.

    – LADERO QUESADA, Miguel Ángel. «El almirantazgo de Castilla en la Baja Edad Media. Siglos XIII a XV». Real Academia de la Historia.

    – Instituto de Historia y Cultura Naval. «Cuaderno Monográfico n.º 72: La Marina de la Corona de Aragón». Madrid: Ministerio de Defensa, 2016.

    – RUIZ POVEDANO, José María. «La fuerza naval castellana en la costa del Reino de Granada (1482-1500)». Chronica Nova, 28, 2001, pp. 401-435.

    – ESPILEZ MURCIANO, Felipe. «La guerra en la mar en las Siete Partidas». Revista de Historia Naval, 2013.

  • Cómo leer un 10-K como un inversor

    Cómo leer un 10-K como un inversor

    Cómo leer un 10-K como un inversor

    1. Por qué el 10-K sigue siendo el documento más importante

    El 10-K es el informe anual que toda empresa cotizada en Estados Unidos presenta ante la SEC. A diferencia del informe a accionistas —un documento de marketing con gráficos bonitos—, el 10-K es un documento legal con consecuencias penales si contiene información falsa o engañosa. Para el inversor serio, es la fuente primaria de información.

    Sin embargo, la mayoría de los inversores minoristas nunca lo leen. Su extensión (entre 100 y 300 páginas) y su lenguaje jurídico disuaden incluso al más aplicado. Pero no es necesario leerlo entero: la clave está en saber qué secciones contienen la información que realmente importa y cómo interpretarla. Este artículo propone una metodología de lectura selectiva que permite extraer lo esencial en menos de una hora.

    2. Dónde encontrar el 10-K y cómo navegarlo

    Todos los 10-K están disponibles gratuitamente en EDGAR, el sistema de la SEC: https://www.sec.gov/cgi-bin/browse-edgar. Busca por ticker o nombre de empresa, selecciona «10-K» en el tipo de formulario, y elige el año más reciente.

    Dos consejos prácticos:

    Usa el índice HTML. La SEC exige un índice interactivo al principio. No descargues el PDF: el HTML indexado te permite saltar entre secciones con un clic.

    Busca por palabras clave. En lugar de leer, usa Ctrl+F con términos como «however», «although», «risk», «goodwill», «material weakness» — son los marcadores de problemas.

    XBRL es tu aliado. Desde 2009, los 10-K incluyen etiquetas XBRL que permiten extraer datos financieros estructurados. Herramientas como `sec-edgar-api` (Python) o `XBRLReader` descargan balances y cuentas de resultados directamente en una hoja de cálculo.

    La mayoría de las empresas publican el 10-K entre 60 y 90 días después del cierre fiscal. Para empresas con cierre en diciembre, eso significa que el 10-K suele estar disponible entre finales de febrero y finales de marzo.

    3. Las tres secciones imprescindibles

    De las 15 secciones (Items) que componen un 10-K, solo tres merecen una lectura atenta. El resto son plantillas legales repetitivas.

    Item 1 — Business (Descripción del negocio): Aquí la empresa explica cómo gana dinero. Lo relevante no es lo que dice, sino lo que omite. Si una compañía describe su negocio en términos vagos («somos líderes en soluciones integrales…») sin detallar fuentes de ingresos concretas, es una señal de alerta. Busque descripciones específicas de segmentos, clientes principales, canales de distribución y estacionalidad.

    Un ejemplo clásico: en el 10-K de 2019 de Kraft Heinz, el Item 1 describía su negocio como «uno de los mayores fabricantes de alimentos y bebidas del mundo» sin mencionar que el 40% de sus ingresos dependía de solo tres marcas en declive. Los inversores que leyeron esto antes de la caída del 70% en 2020 vieron las señales.

    Item 7 — Management Discussion & Analysis (MD&A): Es la sección donde la dirección explica los resultados financieros del año. Lo más valioso es la comparativa interanual: ¿el crecimiento es orgánico o por adquisiciones? ¿Los márgenes mejoran por eficiencia real o por trucos contables (como cambios en estimaciones de vida útil de activos)? Preste atención al lenguaje matizado: «although» y «however» suelen preceder a las malas noticias.

    Warren Buffett recomienda leer esta sección para hacerse una idea de cómo piensa y comunica la dirección. Si el CEO dedica tres párrafos a explicar por qué los resultados fueron malos «por factores externos», y un solo párrafo a los aciertos del año, tienes una pista sobre su estilo de gestión.

    Item 1A — Risk Factors: La lista de riesgos que la empresa declara formalmente. No se trata de leer los 50 riesgos genéricos (todo 10-K incluye «riesgo de recesión global» o «riesgo de ciberataque»), sino de identificar los riesgos específicos de ese negocio. Si una empresa menciona «dependencia de un solo proveedor» o «concentración en un mercado regulatorio cambiante», eso es un riesgo real.

    Lo más interesante del Item 1A es la evolución año a año. Compara los riesgos del 10-K actual con los del año anterior. Si aparece un riesgo nuevo que no estaba antes (por ejemplo, «investigación regulatoria en curso» o «deterioro de relaciones con cliente clave»), eso es una señal de alerta inmediata.

    4. Señales de alerta en las notas a los estados financieros

    Las notas contables (Notes to Financial Statements) son donde se esconden los problemas. Tres puntos críticos:

    Reconocimiento de ingresos (Revenue Recognition): Si una empresa reconoce ingresos antes de entregar el producto o servicio, puede estar inflando resultados. Compare el flujo de caja operativo con el beneficio neto: si el beneficio crece pero el flujo de caja no, hay algo que no cuadra. Esto fue exactamente lo que ocurrió con Wirecard antes de su colapso en 2020: beneficios récord, flujo de caja negativo.

    Goodwill y activos intangibles: Cuando una empresa paga más que el valor contable en una adquisición, la diferencia se registra como fondo de comercio (goodwill). Si el goodwill supone más del 50% del patrimonio neto, cualquier deterioro futuro golpeará el balance con dureza. La fusión AOL-Time Warner (2001) es el caso de libro: 44.000 millones de dólares en goodwill que se esfumaron en dos años.

    Contingencias legales: Muchas empresas ocultan en notas las disputas judiciales que podrían ser materiales. Busque referencias a «posible pérdida» o «razonablemente posible» en la sección de compromisos y contingencias. También revise el Item 3 (Legal Proceedings), que a menudo se pasa por alto. Si hay litigios por propiedad intelectual, responsabilidad de producto o prácticas anticompetitivas, el impacto puede ser devastador.

    5. Diferencias clave entre el 10-K y otros informes

    Aspecto 10-K (Anual) 10-Q (Trimestral) 8-K (Eventos) Frecuencia Anual Trimestral Cuando ocurre Auditoría Auditado No auditado No aplica Detalle Máximo Resumido Puntual Plazo entrega 60-90 días 40-45 días 4 días hábiles Secciones 15 Items 10 Items Variables

    El 10-Q no está auditado, así que los inversores serios basan sus decisiones en el 10-K y usan los 10-Q para seguimiento.

    6. La checklist del inversor en 10 pasos

    1. Buscar el Item 7 (MD&A) y leer las secciones de resultados y perspectivas.

    2. Comparar ingresos, beneficio operativo y flujo de caja libre de los últimos 3-5 años.

    3. Identificar la tendencia de márgenes brutos y netos.

    4. Revisar la deuda neta y la estructura de vencimientos.

    5. Calcular el ratio de apalancamiento (deuda total / EBITDA).

    6. Leer los riesgos específicos del Item 1A (saltándose los genéricos).

    7. Verificar si ha habido cambios en la política de reconocimiento de ingresos.

    8. Analizar la composición del goodwill y activos intangibles.

    9. Buscar contingencias legales materiales en las notas.

    10. Leer el informe del auditor (Item 9A): si hay «debilidad material» en controles internos, salir corriendo.

    7. Herramientas prácticas para acelerar el análisis

    No hace falta leer 300 páginas a mano. Estas herramientas extraen lo esencial en segundos:

    SEC EDGAR Full-Text Search — Busca cualquier palabra en todos los 10-K presentados en EE.UU.

    Dataroma — Extrae las carteras de los grandes inversores (Berkshire, Pershing Square, etc.) y enlaza directamente a sus 10-K.

    SimplyWallStreet — Visualiza los datos financieros clave de cualquier empresa cotizada.

    Python + sec-api — Scripts que descargan y analizan 10-K automáticamente. Puedes programar alertas cuando aparezcan palabras clave como «goodwill impairment» o «material weakness».

    8. Cómo usar un LLM para analizar el 10-K por ti

    Si no sabes interpretar algún dato del 10-K, o simplemente quieres ahorrar horas de lectura, puedes usar un asistente de IA (LLM) como DeepSeek, ChatGPT o Claude para que analice el documento por ti. La clave está en darle las instrucciones adecuadas — no vale pedirle «analiza este 10-K» sin más.

    He diseñado tres prompts que cubren los 10 puntos de la checklist. Cada uno se centra en un aspecto distinto del análisis, porque un solo prompt con todo mezclado satura al modelo y pierde precisión.

    Prompt 1: Análisis Cuantitativo, Márgenes y Tendencias Financieras

    Cubre los puntos 2, 3, 5 y 8 de la checklist (métricas, márgenes, apalancamiento y activos intangibles). Copia y pega esto en el LLM junto con los estados financieros del 10-K:

    Actúa como un Analista Financiero Senior y Consultor de Equity Research. Tu misión es extraer de forma milimétrica los datos cuantitativos clave del informe 10-K adjunto para evaluar la salud financiera, la trayectoria del negocio y la calidad de los activos de la compañía.

    Estás auditando los estados financieros consolidados de la empresa (Income Statement, Balance Sheet y Cash Flow Statement) correspondientes a los últimos 3 a 5 años fiscales. Necesitamos aislar las métricas operativas y de balance fundamentales para detectar anomalías o deterioros estructurales.

    Analiza el documento 10-K provisto y ejecuta los siguientes pasos de forma secuencial:

    1. Localiza los estados financieros principales y extrae los datos de los últimos 3-5 años para las siguientes variables: Ingresos totales (Revenue), Beneficio Operativo (Operating Income / EBIT), Flujo de Caja Libre (Free Cash Flow, calculado como Operating Cash Flow menos CapEx).

    2. Calcula y analiza la tendencia de los siguientes márgenes año a año:

    – Margen Bruto (Gross Margin = Gross Profit / Revenue)

    – Margen Neto (Net Margin = Net Income / Revenue)

    3. Identifica en el balance el valor del Fondo de Comercio (Goodwill) y los Activos Intangibles. Localiza las notas asociadas para comprobar si ha habido algún cargo por deterioro (Impairment charge) en los periodos analizados y explica brevemente a qué unidad de negocio afectó.

    4. Calcula el Ratio de Apalancamiento actual de la compañía. Sigue estrictamente este sub-paso de Chain of Thought:

    a. Identifica la Deuda Total (Deuda a corto plazo + Deuda a largo plazo + Porción corriente de la deuda a largo plazo).

    b. Calcula el EBITDA (EBIT + Depreciación y Amortización extraídas del Estado de Flujos de Cobre).

    c. Muestra explícitamente la fórmula: Deuda Total / EBITDA y ejecuta el cálculo aritmético.

    – Prohibido inventar o extrapolar datos. Si un dato de un año específico no está disponible en este reporte, indícalo explícitamente como «No reportado».

    – Toda cifra monetaria debe incluir su divisa y especificar si está expresada en miles, millones o miles de millones.

    – No omitas el paso de pensamiento aritmético del punto 4; muestra los números intermedios antes de dar el ratio final.

    Presenta la información estructurada estrictamente bajo los siguientes encabezados de Markdown:

    1. Evolución Histórica (Tabla comparativa de 3-5 años)

    2. Análisis de Márgenes y Tendencias

    3. Composición y Deterioro de Goodwill/Intangibles

    4. Cálculo del Ratio de Apalancamiento (paso a paso)

    [Pega aquí el texto de los Estados Financieros, Notas de Goodwill y Balance del 10-K]

    Prompt 2: Análisis Cualitativo, MD&A y Cambios Contables

    Cubre los puntos 1, 4, 7 y 9 (MD&A, perspectivas, estructura de deuda, reconocimiento de ingresos y contingencias):

    Actúa como un Auditor de Cuentas y Consultor Forense de Finanzas. Tu objetivo es leer entre líneas en las secciones narrativas del 10-K para identificar la verdadera narrativa del equipo directivo, los compromisos de deuda reales y posibles técnicas de manipulación contable.

    Las notas al pie y la discusión de la gerencia suelen ocultar los riesgos más severos de una empresa.

    Examina el documento e interpreta la información realizando las siguientes tareas:

    1. Analiza el Item 7 (MD&A). Sintetiza los factores principales que impulsaron los resultados del último año y detalla cuáles son las perspectivas operativas declaradas explícitamente por la dirección.

    2. Revisa la Nota de Deuda. Extrae y mapea la estructura de vencimientos de la deuda neta (cuánto vence en el Año 1, Año 2, Año 3-5 y más de 5 años) junto con los tipos de interés asociados.

    3. Examina la Nota 1 (Resumen de Políticas Contables). Determina si ha habido algún cambio reciente en la política de Reconocimiento de Ingresos.

    4. Rastrea la nota de Compromisos y Contingencias. Extrae cualquier litigio legal o contingencia material pendiente.

    INFORME DE AUDITORÍA CUALITATIVA

    A. Interpretación del MD&A y Perspectivas del Negocio

    B. Perfil de Vencimientos de la Deuda

    C. Política de Reconocimiento de Ingresos y Alertas Contables

    D. Contingencias Legales Materiales

    [Pega aquí el texto del Item 7 MD&A y las Notas de Deuda, Políticas e Ingresos]

    Prompt 3: Escudo de Riesgos, Controles Internos y Alertas Rojas

    Cubre los puntos 6 y 10 (riesgos del Item 1A y controles internos del Item 9A):

    Actúa como un Gestor de Riesgos de un Fondo de Cobertura especializado en Análisis Short. Tu único objetivo es encontrar razones de peso por las cuales deberíamos descartar la inversión en esta compañía.

    Buscamos el peor escenario posible. Evaluar si la viabilidad operativa o la integridad del reporte financiero están comprometidas.

    1. Analiza el Item 1A (Risk Factors). Filtra y descarta los riesgos genéricos de mercado. Identifica y extrae exclusivamente los 5 riesgos específicos, operativos, regulatorios o tecnológicos que sean únicos de esta empresa.

    2. Dirígete al Item 9A (Controls and Procedures). Determina si el auditor o la administración han identificado alguna «Debilidad Material» en los controles internos. Si se detecta, detalla en qué proceso se localiza y emite una recomendación explícita de «ALERTA CRÍTICA».

    REPORTE DE GESTIÓN DE RIESGOS

    > [🚨 ALERTA si hay debilidad material en Item 9A]

    1. Riesgos Específicos (Item 1A – Top 5)

    2. Evaluación de Controles Internos (Item 9A)

    [Pega aquí el texto del Item 1A y del Item 9A / Informe del Auditor]

    Por qué este enfoque funciona

    Modular: Dividir 10 puntos en 3 prompts evita que el modelo ignore instrucciones intermedias.

    Delimitadores claros: Las etiquetas \ separan las órdenes de los datos financieros.

    Chain of Thought: En el cálculo de apalancamiento, el prompt fuerza al modelo a desglosar cada paso, mitigando errores aritméticos.

    Filtros negativos: El Prompt 3 ordena ignorar riesgos genéricos, evitando respuestas llenas de tópicos.

    Pega cada prompt en el LLM de tu elección junto con el texto de la sección correspondiente del 10-K. En cinco minutos tendrás un análisis que te habría llevado tres horas hacer a mano.

    📚 Fuentes y recursos

    – SEC (2024). How to Read a 10-K. U.S. Securities and Exchange Commission. https://www.sec.gov/reportspubs/investor-publications/investorpubsinfo4a.htm

    – Dorsey, P. (2008). The Little Book That Builds Wealth. Wiley.

    – Greenblatt, J. (2010). The Little Book That Still Beats the Market. Wiley.

    – Damodaran, A. (2012). Investment Valuation. 3rd ed. Wiley.

    – Buffett, W. (1984). «The Superinvestors of Graham-and-Doddsville». Hermes (Columbia Business School Magazine).

    – SEC EDGAR: https://www.sec.gov/edgar/search/

    Sugerencia de imagen

    Infografía de una página con las secciones clave del 10-K representadas como iconos: un edificio (Item 1: negocio), una lupa (Item 7: MD&A), un escudo (Item 1A: riesgos) y un libro contable (notas financieras). Conectar los iconos con flechas en un flujo de lectura. Colores oscuros con acentos en dorado.

  • Cómo entrenar tu propio tokenizador BPE para español

    Cómo entrenar tu propio tokenizador BPE para español

    En el artículo anterior vimos que el tokenizador de GPT-2 (tiktoken) no está optimizado para español. «Aprendizaje automático» ocupaba 9 tokens y «procesamiento del lenguaje natural» 11. La solución no es aplicar reglas lingüísticas — BPE no entiende de diptongos — sino entrenar nuestro propio tokenizador con datos en español.

    Y funciona. Hemos entrenado un BPE con los 18 GB completos de la Wikipedia en español y el resultado es una reducción del 59% en el número de tokens respecto al tokenizador de GPT-2.

    Por qué entrenar tu propio tokenizador

    Cada modelo de lenguaje exitoso tiene su propio tokenizador, entrenado con el corpus específico de ese modelo:

    El proceso paso a paso

    1. Obtener el corpus

    Descargamos el dump completo de Wikipedia en español desde Wikimedia (~4.8 GB comprimido):

    curl -L -o eswiki-latest-pages-articles.xml.bz2 \
      "https://dumps.wikimedia.org/eswiki/latest/eswiki-latest-pages-articles.xml.bz2"
    

    Luego extraemos el texto de las páginas con un script Python que lee el XML comprimido directamente, procesando en fragmentos de 8 MB para no saturar la RAM.

    Resultado: ~18 GB de texto, ~270 millones de líneas, ~4.8 millones de páginas.

    2. Entrenar el BPE

    Con el corpus listo, entrenar el tokenizador es sorprendentemente simple gracias a la librería tokenizers de Hugging Face:

    from tokenizers import Tokenizer, models, trainers, pre_tokenizers
    
    tokenizer = Tokenizer(models.BPE(unk_token=""))
    tokenizer.pre_tokenizer = pre_tokenizers.ByteLevel(add_prefix_space=True)
    
    trainer = trainers.BpeTrainer(
        vocab_size=128000,
        special_tokens=["", "", "", "", ""],
        min_frequency=2,
    )
    
    # Alimentar línea por línea (18 GB, streaming)
    for line in open("wikipedia-es.txt", encoding="utf-8"):
        tokenizer.train_from_iterator([line.strip()], trainer)
    
    tokenizer.save("bpe-espanol-128k.json")
    

    El proceso tarda unos 21 minutos en CPU y consume ~3 GB de RAM. No necesita GPU.

    3. Los resultados

    Modelo Tokenizador Vocabulario Entrenado con
    GPT-2 BPE (tiktoken) 50.257 Texto inglés
    GPT-4 BPE (tiktoken) ~100.000 Multilingüe
    LLaMA 3 BPE (SentencePiece) 128.000 Multilingüe
    **Nuestro BPE Español** **BPE (HF tokenizers)** **128.000** **Wikipedia española (18 GB)**

    El tokenizador aprende «aprendizaje» como un solo token, «procesamiento» como uno solo, «desafortunadamente» como dos. Frases que antes necesitaban 11 tokens ahora caben en 4.

    El contraejemplo: «fine tuning» (inglés) necesita 3 tokens con nuestro BPE español frente a 2 con tiktoken. Esto confirma que el tokenizador aprende del idioma del corpus — no es mejor ni peor, es específico del idioma.

    El tokenizador está disponible

    Puedes descargarlo y usarlo desde nuestro repositorio en GitHub:

    https://github.com/Carlos-droid/bpe-espanol

    from tokenizers import Tokenizer
    
    tokenizer = Tokenizer.from_file("bpe-espanol-128k.json")
    
    texto = "Hola, ¿cómo estás? Bienvenido al mundo de los LLMs."
    encoded = tokenizer.encode(texto)
    print(f"Tokens: {encoded.tokens}")    # Solo 6 tokens
    print(f"IDs:    {encoded.ids}")
    

    Qué hemos aprendido

    1. BPE aprende del corpus, no de reglas. No necesita saber qué es un diptongo.

    2. La escala importa. Con 6.5 MB los resultados fueron mediocres; con 18 GB son excelentes.

    3. Cada idioma necesita su tokenizador. Usar el de GPT-2 para español duplica los tokens.

    4. Entrenar un tokenizador es barato. 21 minutos en cualquier CPU, sin GPU.

    Este tokenizador es el primer paso para construir nuestro propio modelo de lenguaje en español. En los próximos artículos lo usaremos para alimentar un transformer que entrenaremos desde cero en nuestra GTX 1070.

    📚 Fuentes y recursos

    – Repositorio del proyecto: https://github.com/Carlos-droid/bpe-espanol

    – Artículo principal de la serie: Tokenización y Embeddings

    – Hugging Face Tokenizers: https://github.com/huggingface/tokenizers

    – Wikipedia dump: https://dumps.wikimedia.org/eswiki/

    – Serie original de Giles Thomas (CC BY 4.0): https://www.gilesthomas.com/2024/12/llm-from-scratch-1

  • Tokenización y Embeddings: el primer paso para construir un LLM desde cero

    Tokenización y Embeddings: el primer paso para construir un LLM desde cero

    Introducción

    Antes de que un modelo de lenguaje pueda entender una palabra, tiene que convertirla en números. Ese proceso tiene dos pasos fundamentales: la tokenización (convertir texto en IDs numéricos) y los embeddings (convertir esos IDs en vectores densos que el modelo pueda procesar).

    En este artículo vamos a implementar ambos desde cero, ejecutar el código en nuestra GTX 1070, y ver resultados reales. Todo el código funciona en hardware asequible — no necesitas una GPU de última generación para entender cómo funcionan los LLMs por dentro.

    Este artículo abre la serie Construye tu LLM desde Cero en Español, que sigue paso a paso la serie Writing an LLM from scratch de Giles Thomas (licencia CC BY 4.0). Cada artículo replica los mismos experimentos del original, pero ejecutados con nuestro hardware (GTX 1070, 32 GB RAM) y explicados en español. No es una traducción: es el mismo viaje, con resultados reales y código que puedes ejecutar tú mismo.

    ¿Qué es la tokenización?

    Los LLMs no procesan texto directamente. Procesan números. La tokenización es el puente entre ambos mundos: convierte una secuencia de caracteres en una secuencia de enteros (token IDs).

    El sistema más usado hoy es Byte Pair Encoding (BPE). Funciona así:

    1. Empieza con tokens para cada letra, número y signo de puntuación

    2. Examina un corpus enorme de texto y encuentra pares de tokens que aparecen juntos con frecuencia

    3. Crea nuevos tokens para esos pares

    4. Repite hasta alcanzar el tamaño de vocabulario deseado

    OpenAI usa BPE en todos sus modelos. La librería tiktoken nos da acceso al mismo tokenizador que usa GPT-2 —50.257 tokens— y que usaremos como referencia para comparar.

    Vamos a probarlo con texto en español en nuestra máquina:

    import tiktoken
    tokenizer = tiktoken.get_encoding("gpt2")
    
    texto = "Hola, ¿cómo estás? Bienvenido al mundo de los LLMs."
    tokens = tokenizer.encode(texto)
    print(f"Tokens decodificados: {[tokenizer.decode([t]) for t in tokens]}")
    

    Resultado real:

    'H', 'ola', ',', ' �', '�', 'c', 'ó', 'mo', ' est', 'ás', '?', ...
    

    Observa algo interesante: el tokenizador de GPT-2 no está optimizado para español. La palabra «Hola» se parte en «H» + «ola», los caracteres acentuados se rompen en bytes (la ‘ó’ se parte en ‘ó’), y «cómo» necesita tres tokens. No es culpa del algoritmo BPE — es culpa de los datos de entrenamiento: GPT-2 se entrenó con texto casi exclusivamente en inglés.

    La pregunta del millón: ¿podemos mejorar la tokenización en español?

    Tuve la tentación de aplicar reglas de silabificación del español (consonantes, diptongos, hiatos…) para mejorar cómo se rompen las palabras. Pero resulta que BPE no funciona con reglas lingüísticas. Funciona con estadísticas. BPE no sabe qué es un diptongo ni le importa: lo único que hace es encontrar qué subcadenas aparecen juntas con más frecuencia y crear tokens para ellas.

    Para demostrarlo, hice un experimento en tres fases:

    Fase 1: Corpus literario clásico (fracaso didáctico)

    Descargué 11 obras completas de Galdós, Unamuno, Baroja, Juan Ramón Jiménez, Echegaray y Clarín desde Project Gutenberg (~6.5 MB) y entrené un BPE. El resultado fue decepcionante: el corpus era demasiado pequeño (6.5 MB frente a los terabytes que necesita un tokenizador de verdad) y los libros tenían restos de cabeceras en inglés que contaminaron el vocabulario. Lección aprendida: la calidad y cantidad del corpus importan más que el algoritmo.

    Fase 2: Wikipedia en español (donde la magia ocurre)

    Descargué el dump completo de la Wikipedia en español desde Wikimedia (~4.8 GB comprimido) y extraje el texto a un archivo de 18 GB con 4.876.114 páginas. Usando ~500 MB de ese corpus, entrené un BPE con vocabulario de 50.000 tokens — el mismo orden de magnitud que GPT-2.

    Fase 3: La comparativa definitiva

  • Frase tiktoken (inglés) BPE español 128K Mejora
    «aprendizaje automático» 9 tokens **2 tokens** **−78%**
    «procesamiento del lenguaje natural» 11 tokens **4 tokens** **−64%**
    «construyamos» 5 tokens **2 tokens** **−60%**
    «desafortunadamente» 6 tokens **2 tokens** **−67%**
    «espectrofotometría» 8 tokens **3 tokens** **−62%**
    «inteligencia artificial» 4 tokens **2 tokens** **−50%**
    «Hola, ¿cómo estás?» 11 tokens **6 tokens** **−45%**
    «tokenización» 4 tokens **3 tokens** **−25%**
    **Promedio** **7.3 tokens** **3.0 tokens** **−59%**
    Frase tiktoken (inglés) BPE Wikipedia ES Mejora
    «aprendizaje» 5 tokens 1 token −80%
    «procesamiento del lenguaje natural» 11 tokens 4 tokens −64%
    «inteligencia artificial» 4 tokens 2 tokens −50%
    «atención» 3 tokens 1 token −67%
    «construyamos» 5 tokens 3 tokens −40%
    «tokenización» 4 tokens 3 tokens −25%
    «Hola, ¿cómo estás?» 11 tokens 9 tokens −18%
    «fine tuning» 2 tokens 5 tokens +150% (el inglés es mejor para inglés)

    El BPE entrenado con Wikipedia aprende la palabra «aprendizaje» como un solo token, «procesamiento» como uno solo, «atención» como uno solo. Con 500 MB de texto español, el BPE descubre naturalmente que las palabras largas del español merecen su propio token.

    El contraejemplo perfecto: «fine tuning» sale mejor con tiktoken (2 tokens) que con el BPE español (5 tokens). ¿Por qué? Porque «fine» y «tuning» son palabras inglesas muy frecuentes en el corpus inglés de GPT-2, pero apenas aparecen en la Wikipedia española. Esto confirma que BPE aprende del idioma de su corpus, no de reglas universales.

    La lección: si quisieras construir un LLM para español, entrenarías tu propio tokenizador BPE con cientos de GB de texto en español. El algoritmo descubre por sí solo que sufijos como «ción», «miento», «amiento», «mente», «ando» son unidades frecuentes que merecen su propio token. No necesita reglas — necesita datos.

    Embeddings: de números a significado

    Una vez que tenemos token IDs, necesitamos convertirlos en vectores que el modelo pueda procesar. Aquí entran los embeddings.

    Un embedding es simplemente un vector de números reales que representa el significado de un token en un espacio de alta dimensionalidad. La capa de embedding no es más que una tabla lookup: para cada token ID, devuelve su vector correspondiente.

    En GPT-2 small, cada token se convierte en un vector de 768 dimensiones. En GPT-3, son 12.288 dimensiones.

    import torch
    
    embedding_layer = torch.nn.Embedding(tokenizer.n_vocab, 768)
    
    texto = "Hola mundo, construyamos un LLM desde cero"
    tokens_tensor = torch.tensor(tokenizer.encode(texto))
    embeddings = embedding_layer(tokens_tensor)
    
    print(embeddings.shape)  # (17 tokens, 768 dimensiones)
    

    Resultado real:

    Embeddings forma: torch.Size([17, 768])
    Token 'H': [0.13, -0.40, 0.47, -0.45, ...] (28.23 de norma)
    

    Cada uno de los 17 tokens de nuestra frase se convierte en un vector de 768 números aleatorios que, durante el entrenamiento, se irán refinando para capturar relaciones semánticas.

    Codificación posicional: el orden importa

    Los transformers (a diferencia de las RNNs) no tienen un sentido inherente del orden de las palabras. Necesitamos añadir explícitamente información sobre la posición de cada token. La implementación más simple suma la posición a una dimensión del embedding:

    def positional_encoding(seq_len, d_model):
        pos = torch.arange(seq_len).unsqueeze(1)
        pe = torch.zeros(seq_len, d_model)
        pe[:, 0] = pos.squeeze()
        return pe
    
    input_final = embeddings + positional_encoding(17, 768)
    

    Resultado: el vector resultante tiene media ~0 y desviación estándar ~1 — exactamente lo que el transformer espera recibir.

    Rendimiento en GTX 1070

    Probemos qué tal se comporta nuestra GPU con una carga de trabajo realista de embeddings:

    Operación Resultado
    Batch 1024 secuencias de 512 tokens
    50 iteraciones 1.41 segundos
    Tokens/segundo 18.5 millones
    VRAM usado 1.688 MB (de 8.000)

    Conclusión: para la capa de embeddings, la GTX 1070 es más que suficiente. 18.5 millones de tokens por segundo y apenas 1.7 GB de VRAM. Esto significa que podemos trabajar con lotes grandes sin saturar la GPU — buena señal para cuando entrenemos nuestro propio modelo en artículos posteriores.

    Resumen

    Concepto Qué es Dónde se usa
    Tokenización Texto → IDs numéricos Entrada de cualquier LLM
    BPE Algoritmo de tokenización sub-palabra GPT, LLaMA, Mistral
    Embeddings IDs → Vectores densos Capa inicial del transformer
    Codificación posicional Añade información de orden Se suma a los embeddings

    Punto clave: el tokenizador de GPT-2 no maneja bien el español — pero el problema son los datos de entrenamiento, no el algoritmo. Hemos demostrado que entrenando un BPE con 500 MB de Wikipedia en español, las palabras españolas se tokenizan mucho mejor (hasta un 80% menos de tokens).

    En el próximo artículo implementaremos self-attention desde cero y veremos cómo el transformer empieza a «entender» las relaciones entre palabras ejecutando código real en nuestra GTX 1070.

    📚 Fuentes y recursos

    – Giles Thomas, Writing an LLM from scratch, parts 1–4 (CC BY 4.0) — https://www.gilesthomas.com/2024/12/llm-from-scratch-1

    – Sebastian Raschka, Build a Large Language Model (from Scratch), Manning Publications

    – OpenAI, tiktoken — https://github.com/openai/tiktoken

    – Wikipedia en español, dump de Wikimedia — https://dumps.wikimedia.org/eswiki/

    – Hugging Face, tokenizers — https://github.com/huggingface/tokenizers

    – Código fuente de este artículo: /home/ia/projects/llm-from-scratch-lab/es01_tokenization_embeddings.py

    – Tokenizador BPE español entrenado: /home/ia/projects/llm-from-scratch-lab/tokenizer_wiki_espanol.json

  • एंटोनियो डे गज़तानेता और नौसैनिक निर्माण प्रणाली जिसने स्पेनिश आर्मडा का आधुनिकीकरण किया

    एंटोनियो डे गज़तानेता और नौसैनिक निर्माण प्रणाली जिसने स्पेनिश आर्मडा का आधुनिकीकरण किया

    एंटोनियो डे गज़तानेता ई इटुर्रीबालज़ागा (1656–1728): ब्लूप्रिंट के पीछे का व्यक्ति

    एंटोनियो डे गज़तानेता ई इटुर्रीबालज़ागा (1656–1728) एक नाविक, एडमिरल, नौसैनिक निर्माता और शाही शिपयार्ड के अधीक्षक थे। उनके करियर में आर्मडा जहाजों पर वर्षों की नौकायन के साथ-साथ सैद्धांतिक प्रशिक्षण भी शामिल था जिसे उन्होंने नौसैनिक इंजीनियरिंग में लागू किया। फिलिप V ने बोर्बन नौसैनिक पुनर्प्राप्ति योजना को मूर्त रूप देने के लिए उन्हें शिपयार्ड का अधीक्षक नियुक्त किया। 1720 में उन्होंने Proporciones de las medidas más essempciales para la fábrica de navíos de guerra y mercantes प्रकाशित किया, जो लगभग आधी सदी तक स्पेनिश शिपयार्ड के लिए संदर्भ मैनुअल बना रहा।

    पृष्ठभूमि: गज़तानेता से पहले नौसैनिक निर्माण

    गज़तानेता से पहले, स्पेनिश नौसैनिक निर्माण माएस्त्रोस डे रिबेरा (शिपराइट्स) की अनुभवजन्य परंपरा द्वारा शासित था। प्रत्येक शिपयार्ड अपने स्वयं के अनुपात और विधियों का उपयोग करता था, और जहाज बेहद भिन्न विशेषताओं के साथ तैयार होते थे। स्पेनिश उत्तराधिकार के युद्ध (1701–1714) की हार ने फ्रांसीसी और अंग्रेजी जहाजों की तुलना में स्पेनिश जहाजों की तकनीकी हीनता को स्पष्ट कर दिया। बोर्बन को नौसेना का आधुनिकीकरण करने की आवश्यकता थी, और गज़तानेता वह व्यक्ति थे जिसे यह कार्य सौंपा गया। Revista de Historia Naval इसे इस प्रकार समझाती है: जहाज बढ़ईगीरी अनुभवजन्य कला से नौसैनिक निर्माण के विज्ञान में विकसित हुई।

    गज़तानेता प्रणाली: अनुपात और माप

    प्रणाली ने लंबाई, चौड़ाई और गहराई के आधार पर पतवार के सभी घटकों के लिए निर्धारित अनुपात स्थापित किए। गज़तानेता ने लंबाई को चौड़ाई से तीन गुना निर्धारित किया — एक ऐसा अनुपात जो गति, स्थिरता और कार्गो क्षमता के बीच सर्वोत्तम समझौता चाहता था। उन्होंने स्टर्नपोस्ट, स्टेम और जहाज के पूरे कंकाल के आकार को भी परिभाषित किया। उन्होंने जहाजों को तोपों की संख्या के आधार पर वर्गीकृत किया। प्रणाली में प्रत्येक तत्व के लिए सटीक निर्देश शामिल थे। गज़तानेता ने बास्क और कैंटाब्रियन परंपरा के ज्ञान पर आधारित होकर, इसे एक गणितीय कठोरता के साथ व्यवस्थित किया जो स्पेन में पहले कभी नहीं देखी गई थी।

    शिपयार्ड में कार्यान्वयन

    1716 की शुरुआत में ही, सैंटोन्या में 60 तोपों वाला एक जहाज बनाया गया था। पहला महान जहाज Real Felipe था, जिसमें 114 तोपें और 2,163 टन वजन था, जो ग्वारनिज़ो (सैंटेंडर) में बनाया गया और 1732 में लॉन्च किया गया। इसने 1744 में टूलॉन की लड़ाई में भाग लिया। Princesa, 70 तोपों वाला, 1730 में ग्वारनिज़ो में बनाया गया, अप्रैल 1740 में तीन अंग्रेजी जहाजों के खिलाफ छह घंटे के युद्ध को सहन किया। शिपयार्ड को 1721 के अध्यादेशों के अनुसार व्यवस्थित किया गया था। हवाना भी एक प्रमुख शिपयार्ड था।

    समस्याएं और प्रतिरोध

    माएस्त्रोस डे रिबेरा ने नई प्रणाली का प्रतिरोध किया। कुछ जहाज अत्यधिक भारी स्टर्न के साथ तैयार हुए। स्पेनिश युद्धपोत अपने अंग्रेजी समकक्षों की तुलना में भारी और धीमे होते थे।

    विरासत

    गज़तानेता पहले व्यक्ति थे जिन्होंने नौसैनिक निर्माण में वैज्ञानिक पद्धति लागू की। सिप्रियानो ऑत्रान और पेड्रो बोयेर ने उनका काम जारी रखा। जॉर्जे हुआन ने बाद में इसे परिपूर्ण किया। मैड्रिड का Museo Naval de Madrid उनकी पांडुलिपियों को संरक्षित करता है।

    स्रोत

    Revista de Historia Naval, Castanedo Galán, Todoavante, Museo Naval de Madrid, Archivo General de Indias.

  • La construcción naval según Gaztañeta: el primer sistema

    La construcción naval según Gaztañeta: el primer sistema

    Introducción

    Antonio de Gaztañeta e Iturribalzaga (1656-1728) fue marino, almirante, constructor naval y superintendente de los arsenales. Su carrera combinó años de navegación en los buques de la Armada con una formación teórica que aplicó a la ingeniería naval. Felipe V lo nombró superintendente de los arsenales para materializar el plan de recuperación naval de los Borbones. En 1720 publicó Proporciones de las medidas más essempciales para la fábrica de navíos de guerra y mercantes, el manual de referencia de los astilleros hispanos durante casi medio siglo.

    Combate de Tolón (1744): el navío Real Felipe destruye un brulote inglés
    Combate de Tolón (1744). El navío Real Felipe, construido según el sistema Gaztañeta, destruye un brulote inglés. Museo Naval de Madrid.

    Los antecedentes: la construcción naval antes de Gaztañeta

    Antes de Gaztañeta, la construcción naval española se regía por la tradición empírica de los maestros de ribera. Cada astillero usaba sus propias proporciones y métodos, y los navíos salían con características muy dispares. Las derrotas de la Guerra de la Sucesión Española (1701-1714) dejaron clara la inferioridad técnica de los barcos españoles frente a los franceses e ingleses. Los Borbones necesitaban modernizar la Armada, y Gaztañeta fue el hombre encargado de hacerlo.

    La RHN lo explica así: la carpintería de ribera pasó del arte empírico a la ciencia de la construcción naval. Antes del sistema Gaztañeta no existían planos normalizados, no había proporciones fijas entre eslora, manga y puntal. Cada astillero producía buques distintos, y eso hacía casi imposible mantenerlos o repararlos con piezas intercambiables.

    El sistema Gaztañeta: proporciones y medidas

    El sistema establecía proporciones fijas para todos los componentes del casco, basadas en la eslora, la manga y el puntal. Gaztañeta fijó la eslora en tres veces la manga, una proporción que buscaba el mejor compromiso entre velocidad, estabilidad y capacidad de carga. También definió las formas del codaste, la roda y todo el esqueleto del barco.

    Clasificó los navíos por número de cañones: desde los de 60 hasta los de 74 y 80 cañones. El sistema incluía instrucciones precisas para cada elemento: el grosor de las cuadernas, la curvatura de la amura, la altura del puntal, la forma de la popa. Todo en planos y tablas que cualquier maestro de ribera podía seguir.

    Gaztañeta se apoyó en los conocimientos de la tradición vasca y cántabra, pero los sistematizó con un rigor matemático que no se había visto antes en España. Según la RHN, sus trabajos resolvieron «las ambigüedades de métodos anteriores, dando a la Construcción Naval una uniformidad, hasta entonces inimaginable».

    Todoavante añade que el sistema permitió por primera vez que astilleros de distintas provincias —de Guipúzcoa a La Habana— construyeran series homogéneas de buques. Un navío averiado en Cartagena podía repararse con piezas fabricadas en Ferrol, porque los planos eran los mismos.

    La implementación en los astilleros

    La aplicación empezó pronto. Según Todoavante, ya en 1716 se construyó en Santoña un navío de 60 cañones por Lorenzo de Arzueta siguiendo las trazas de Gaztañeta.

    El primer gran navío de la nueva generación fue el Real Felipe, de 114 cañones y 2.163 toneladas, construido en los astilleros reales de Guarnizo (Santander) y botado en 1732. Fue el primer navío español de tres puentes, el mayor de su época. Participó en el combate de Tolón en 1744 y lo desguazaron en Cartagena en 1750.

    Luego vinieron otros. El Princesa, de 70 cañones, construido en Guarnizo en 1730, protagonizó una de esas historias que merecen contarse. En abril de 1740 fue avistado por tres navíos ingleses: el Oxford, el Lennox y el Kent, también de 70 cañones. Con un navío contra tres y habiendo perdido un mastelero, el Princesa aguantó seis horas de combate antes de rendirse. Los oficiales ingleses se quedaron admirados de la solidez de su casco. Un capitán británico escribió que «sus baos y su tablazón lucían tan frescos como cuando fueron construidos». La Royal Navy estudió con atención sus cualidades: estabilidad, fortaleza estructural, buen comportamiento en la mar.

    Los arsenales se organizaron según las Ordenanzas de 1721, que Gaztañeta ayudó a redactar. Se pusieron en marcha los de los tres Departamentos Marítimos: Ferrol (La Grana, desde 1726), Cádiz (La Carraca, 1724, por indicación de Gaztañeta y Patiño) y Cartagena, que se modernizó.

    La Habana también fue clave. Allí se construyeron navíos del sistema Gaztañeta como el San Felipe (1745) y varios de los nueve encargados por el marqués de la Ensenada a partir de 1748. La madera americana —cedro y caoba— daba más durabilidad que los robles europeos, y los astilleros cubanos demostraron que el sistema valía tanto en el Caribe como en Cantabria.

    Problemas y resistencias

    No todo fue fácil. Los maestros de ribera se resistían a dejar sus métodos. El sistema Gaztañeta exigía saber leer planos y manejar números, y muchos maestros no tenían esa formación. La transición fue lenta y a veces conflictiva.

    Además, el sistema no era perfecto. Algunos navíos salían con la popa demasiado pesada, lo que les restaba estabilidad y velocidad. La proporción de tres veces la manga no siempre daba los mejores resultados. Los barcos españoles tendían a ser más pesados y lentos que los ingleses o franceses, aunque también más robustos y duraderos.

    Legado

    Con todo, Gaztañeta fue el primero en aplicar un método racional y científico a la construcción naval española. Su sistema duró hasta bien entrado el siglo XVIII. Cipriano Autrán y Pedro Boyer continuaron su obra y publicaron sus propias reglas y proporciones en 1742. Jorge Juan lo perfeccionaría más tarde, después de estudiar la construcción naval inglesa durante su misión en Londres.

    La RHN lo resume así: «Los buques construidos supusieron la consolidación de un método propio, basado en profundos conocimientos teóricos reducidos luego a soluciones puramente prácticas, que resuelven las ambigüedades de métodos anteriores».

    El Museo Naval de Madrid conserva varios manuscritos y planos originales de Gaztañeta, además de una maqueta de uno de sus galeones realizada por Jesús María Perona. En la iglesia de la Asunción de Arcenillas (Zamora) hay un óleo de Martín Amigo que representa uno de sus galeones visto de babor y de popa. Gaztañeta no solo creó un sistema de construcción: creó una forma de pensar la ingeniería naval que duró generaciones.

    📚 Fuentes y recursos

    • Revista de Historia Naval, núm. 12, 1986: «Antonio de Gaztañeta y la construcción naval en el siglo XVIII», por José María Blanco Núñez.
    • Revista de Historia Naval, núm. 45, 1994: «Los sistemas de construcción naval españoles del siglo XVIII», por José Antonio Ocampo Aneiros.
    • CASTANEDO GALÁN, Juan M.: *Guarnizo, un astillero de la Corona*, Editorial Naval, Madrid, 1993.
    • Todoavante: artículos sobre los navíos *Real Felipe*, *Princesa* y la serie de 60 cañones construidos con el sistema Gaztañeta.
    • Museo Naval de Madrid: fondos documentales sobre construcción naval del siglo XVIII.
    • Archivo General de Indias: expedientes de construcción naval en astilleros americanos.
  • Glosario de Inteligencia Artificial

    Glosario de Inteligencia Artificial

    Definiciones de los términos utilizados en los artículos de la sección de IA de Vientos de Poniente.

    LLM (Large Language Model)

    Modelo de lenguaje de gran escala. Red neuronal entrenada con enormes cantidades de texto que puede generar, resumir y transformar lenguaje humano. Ejemplos: GPT-4, Claude, Gemini, Llama. Es el «cerebro» de los agentes de IA.

    AI Agent

    Sistema autónomo que utiliza un LLM para razonar, planificar y ejecutar acciones utilizando herramientas, con capacidad de memoria y aprendizaje.

    Skills (Habilidades)

    Capacidades específicas que un agente de IA puede ejecutar, normalmente implementadas como funciones o llamadas a API. Ejemplos: buscar en web, calcular, leer archivos.

    Workflow (Flujo de trabajo)

    Secuencia de pasos orquestados que un agente o sistema multi-agente sigue para completar una tarea. Puede incluir bifurcaciones, bucles y ejecución paralela.

    Rules (Reglas)

    Condiciones y restricciones programáticas que determinan el comportamiento de un agente: límites de seguridad, políticas de acceso, formatos de salida obligatorios.

    API (Application Programming Interface)

    Interfaz de programación que permite a un agente de IA comunicarse con servicios externos: bases de datos, modelos de IA, herramientas de terceros.

    MCP (Model Context Protocol)

    Protocolo abierto que permite a los agentes de IA conectarse de forma estandarizada a herramientas y fuentes de datos externas. Desarrollado por Anthropic. Más información en modelcontextprotocol.io.

    LangGraph

    Framework de orquestación de agentes basado en grafos de estado. Permite construir sistemas multi-agente con ciclos, bifurcaciones y memoria compartida. Desarrollado por LangChain. Documentación oficial.

    CrewAI

    Framework para orquestar agentes de IA colaborativos. Permite definir roles, tareas y equipos de agentes que trabajan juntos en secuencia. crewai.com.

    OpenAI Agents SDK

    Kit de desarrollo de OpenAI para construir agentes de IA. Incluye herramientas para function calling, gestión de contexto y encadenamiento de tareas. Documentación.

    Fine-Tuning

    Proceso de entrenamiento adicional de un modelo pre-entrenado con datos específicos para mejorar su rendimiento en una tarea concreta.

    RAG (Retrieval-Augmented Generation)

    Técnica que combina búsqueda en una base de conocimiento con generación de texto, permitiendo al modelo responder con información actualizada sin necesidad de reentrenamiento.

    Tokenización

    Proceso de convertir texto en una secuencia de números enteros (token IDs) que un modelo de lenguaje puede procesar. El método más común es Byte Pair Encoding (BPE), que aprende qué sub-palabras son las más frecuentes en un corpus y las asigna a IDs únicos. La calidad de la tokenización depende del corpus de entrenamiento: un tokenizador entrenado con texto en inglés rompe mal las palabras en español.

    Token

    Unidad básica de procesamiento en un modelo de lenguaje. Un token puede ser una palabra completa («house»), una sub-palabra («aprender» → «ap» + «render»), o incluso un solo carácter. Los modelos actuales usan vocabularios de 16.000 a 200.000 tokens. GPT-2 tiene 50.257 tokens; LLaMA 3 tiene 128.000. Los tokens con espacio al inicio (representados como «Ġ») son distintos de los tokens sin espacio.

    Embeddings

    Vectores densos de números reales que representan el significado de un token en un espacio de alta dimensionalidad. En GPT-2 small, cada token se mapea a un vector de 768 dimensiones; en GPT-3, a 12.288 dimensiones. Los embeddings se aprenden durante el entrenamiento del modelo: empiezan aleatorios y se van refinando para capturar relaciones semánticas. La capa de embedding es simplemente una tabla lookup —para cada token ID, devuelve su vector correspondiente— y es la primera capa de cualquier transformer.

  • नौसेना इतिहास शब्दावली

    विएंटोस डी पोनिएंटे के नौसेना इतिहास अनुभाग में प्रयुक्त शब्दों की परिभाषाएँ।

    युद्धपोत (नावियो डे लिनिया)

    बड़ा युद्धपोत जो दो या तीन डेक पर 60 से 120 तोपें रखता था। 18वीं सदी की नौसेनाओं की रीढ़।

  • La Guerra del Asiento (1739-1748): el conflicto que obligó a España a renovar su Armada

    La Guerra del Asiento (1739-1748): el conflicto que obligó a España a renovar su Armada

    El origen del conflicto: del Tratado de Utrecht a la oreja de Jenkins

    La Guerra del Asiento (1739-1748), también conocida como Guerra de la Oreja de Jenkins, tuvo su origen en el enfrentamiento de dos conceptos económicos irreconciliables: el monopolio comercial español frente al libre comercio que reclamaba Gran Bretaña. Así lo resume el Cuaderno Monográfico 44 del Instituto de Historia y Cultura Naval: «La guerra de la Oreja de Jenkins (1739-1748) tuvo su origen en el enfrentamiento de dos conceptos económicos: monopolio español vs libre comercio británico».

    Por el Tratado de Utrecht (1713), España concedió a Inglaterra el asiento de negros —el monopolio para introducir esclavos en las Indias durante treinta años— y el navío de permiso anual, un barco de 500 toneladas autorizado a comerciar directamente con los puertos americanos. Los británicos explotaron ambos privilegios como tapadera de un contrabando masivo. La Revista de Historia Naval explica que «España deseaba mantener el monopolio comercial con América, mientras que los ingleses abogaban por el libre comercio. Al margen de estas concesiones, los británicos mercadeaban cuanto podían en acciones consideradas contrabando por los españoles».

    En 1731, el guardacostas español La Isabela interceptó al bergantín británico Rebecca. Durante el registro, el capitán Robert Jenkins perdió una oreja. Siete años después, Jenkins exhibió la oreja conservada en alcohol ante la Cámara de los Comunes, y el partido belicista del duque de Newcastle aprovechó la indignación popular para forzar al primer ministro Robert Walpole a declarar la guerra. Como recoge la RHN, «el primer ministro, sir Robert Walpole, tuvo que declarar a España la Guerra del Asiento el 23 de octubre de 1739». Walpole, que se oponía al conflicto, profetizó: «Ahora suenan las campanas; pronto se retorcerán las manos».

    La gigantesca flota de Vernon contra Cartagena de Indias

    El escenario principal del conflicto fue el Caribe. El vicealmirante Edward Vernon, que ya había tomado Portobelo en 1739, puso sus ojos en Cartagena de Indias, el puerto más fortificado del imperio español en América y punto de partida de los galeones cargados de plata. La flota británica era la mayor fuerza anfibia reunida hasta entonces: entre 180 y 200 embarcaciones, incluidos 30 a 35 navíos de línea, 130 a 140 transportes de tropas, y una fuerza combinada de más de 23.000 soldados y marinos.

    La RHN describe los preparativos ingleses con precisión: «La flota inglesa apareció al norte de Cartagena entre el 13 y el 15 de marzo, aunque los españoles ya estaban prevenidos». «El número de navíos ingleses de línea oscila según las fuentes entre 30 y 35. El de los de transporte de tropas, entre 130 y 140, y el de otros barcos auxiliares de combate, entre 20 y 25. El total de embarcaciones británicas que arribaron a Cartagena bascula entre 180 y 200».

    Frente a este gigante, la defensa española disponía de tan solo seis navíos de línea —Galicia, San Felipe, San Carlos, África, Conquistador y Dragón— y unos 3.000 hombres entre tropas regulares, milicianos e indios flecheros. El mando lo compartían dos personalidades enfrentadas: el virrey Sebastián de Eslava, teniente general del Ejército, y el teniente general de la Armada Blas de Lezo y Olavarrieta, comandante del apostadero de Cartagena.

    Blas de Lezo: «Mediohombre» contra la Royal Navy

    Blas de Lezo, apodado «Mediohombre» por las heridas sufridas en cuarenta años de servicio —perdió un ojo, un brazo y una pierna—, conocía mejor que nadie las limitaciones de sus fuerzas. La RHN documenta que Lezo envió al marqués de Villanas la Carta del general D. Blas de Lezo remitiendo al marqués de Villanas el Diario del sitio de Cartagena de Indias, año de 1741, un testimonio de primera mano sobre la batalla.

    La pugna entre Eslava y Lezo fue constante. Según la RHN, «Lezo llega a acusar a Desnaux de haber sido sobornado por Eslava para falsear la historia». En un consejo de guerra celebrado el 25 de marzo, «Lezo favorable al abandono de las posiciones en Bocachica y al hundimiento de sus barcos, y a un Desnaux en franco desacuerdo con ello». Dos días después, otro consejo presidido por Eslava ordenó resistir en Bocachica.

    Lezo desplegó una estrategia ingeniosa: bloqueó los canales de acceso hundiendo sus propios barcos. La RHN narra: «Tres barcos de línea se hundieron intentando bloquear Bocachica, pero en esta operación también cundió el desorden; de hecho, el cuarto barco, el Galicia, cayó con parte de la tripulación en poder de los ingleses». «La noche del 10 al 11 se decidió hundir al Dragón y al Conquistador entre Santa Cruz y el Manzanillo». Lezo sacrificó toda su escuadra para negar el paso a la flota británica.

    El castillo de San Felipe y el asalto final

    El principal bastión de la defensa era el castillo de San Lázaro (también llamado San Felipe de Baraja), que dominaba el istmo que conectaba la ciudad con tierra firme. La RHN describe que «el castillo de San Felipe, que el almirante Vernon trató infructuosamente de conquistar en dos ocasiones» fue el punto donde se decidió la batalla.

    El asalto inglés a San Lázaro se produjo la noche del 19 al 20 de abril. La RHN relata: «El ataque de mayor importancia fue el de la noche del 19 al 20 contra el castillo de San Lázaro. Las fuentes difieren respecto a las cifras de bajas, pero todas suben de 600 entre muertos, heridos y prisioneros de ambos bandos. Existen varias historias relacionadas con escaleras, sobre las que unos dicen que eran muy cortas y otros que los americanos que las transportaban las tiraron por el camino».

    El desastre británico fue completo. Las pérdidas inglesas por enfermedad pudieron acercarse a los 10.000 hombres, mientras que las bajas españolas rondaron los 500. La RHN recoge: «En consejo de guerra de 25 de abril, los ingleses ya han decidido reembarcar». «Del 1 al 20 de mayo las embarcaciones inglesas estuvieron saliendo por Bocachica rumbo a Jamaica».

    Uno de los episodios más controvertidos del asedio, según la RHN, fue la defensa del fuerte Manzanillo: «El 24 de abril supuestamente se produce la hazaña defensiva del fuerte Manzanillo… La hipótesis más probable es que la acción sí que se verificó, por esos hombres y ese mismo día, pero en otro lugar, en San Felipe del Boquerón, el cual sí que pudo tener influencia para los ataques en curso. La cacofonía Manzanillo-Pastelillo pudo favorecer la confusión».

    La dimensión global del conflicto

    Aunque Cartagena fue el teatro principal, la guerra se extendió por todo el imperio. En Florida, el gobernador Manuel de Montiano repelió el ataque británico a San Agustín en 1740. En el Pacífico, el comodoro George Anson capturó el galeón de Manila Nuestra Señora de Covadonga en 1743. La RHN menciona la acción de Anson en la costa del Pacífico durante la Guerra del Asiento, donde los buques del almirante inglés atacaron las posesiones españolas.

    En Europa, la guerra se integró en la Guerra de Sucesión Austriaca (1740-1748). España intentó recuperar posiciones en Italia, mientras que las operaciones navales en el Mediterráneo incluyeron la batalla de Tolón (1744), donde una escuadra hispano-francesa hizo frente a la Royal Navy. La RHN señala que «la Guerra de la Oreja entró en fase de estancamiento» a partir de 1742, prolongándose hasta el Tratado de Aquisgrán de 1748.

    El legado: la renovación de la Armada

    La Guerra del Asiento terminó con el Tratado de Aquisgrán (1748), que restableció el statu quo ante bellum. España revalidó con Inglaterra las condiciones del asiento de negros y el navío de permiso, pero la lección más importante fue interna. La guerra había evidenciado la inferioridad técnica de la Armada española. La RHN lo confirma: «la superioridad naval británica, que fue indiscutible en la Guerra del Asiento –por más que no fuera suficiente para que Vernon conquistara Cartagena de Indias–, parece haber estado fundada en el número de sus navíos, más que en su diseño, armamento o dotación».

    El marqués de la Ensenada, ministro de Marina, comprendió que sin una transformación profunda el imperio americano sería indefendible. Su respuesta fue la misión de Jorge Juan en Inglaterra (1749), una operación de inteligencia técnica para aprender los secretos de la construcción naval británica. De esta misión nació el sistema Jorge Juan, cuyos navíos como el Oriente (1753), el Firme y el Príncipe devolvieron a España la capacidad de competir en el Atlántico.

    La RHN concluye que «los éxitos de Lezo, Navarro y Córdova» demostraron la valía de la Armada española, pero la guerra también reveló carencias estructurales que Ensenada abordó con la modernización de los arsenales de Ferrol, Cartagena y La Carraca, la profesionalización de los oficiales y la renovación de los métodos constructivos.

    Conclusión: la guerra que España convirtió en oportunidad

    La Guerra del Asiento ocupa un lugar singular en la historia naval. Fue un conflicto que España no ganó en los tratados de paz —Aquisgrán devolvió las cosas a su estado anterior— pero cuyas lecciones supo aprovechar mejor que su adversario. La derrota británica en Cartagena de Indias, el mayor desastre naval de la Royal Navy en el siglo XVIII, fue el síntoma de una guerra mal concebida; la renovación de la Armada española, en cambio, fue la consecuencia estratégica de un conflicto que obligó a España a mirar hacia el futuro.

    Para profundizar en los términos navales de esta época, consulta el Glosario de Historia Naval de Vientos de Poniente. Y para conocer los detalles de la misión que transformó la construcción naval española, lee el artículo dedicado a Jorge Juan y su misión reservada en Inglaterra.

    Referencias

    • Guerra del Asiento — Wikipedia
    • Blas de Lezo — Wikipedia
    • Revista de Historia Naval (RHN), núm. 120 (2013): «El sitio de Cartagena de Indias (1741)», por Gonzalo Lorén García
    • RHN, núm. 125: artículos sobre Blas de Lezo y la Guerra del Asiento
    • RHN, núm. 145: «Barcos auxiliares de la Real Armada en la Guerra del Asiento»
    • RHN, núm. 151: biografía de Luis de Córdova, participante en Cartagena de Indias
    • Cuaderno Monográfico IHCN núm. 44: «La guerra de la Oreja de Jenkins (1739-1748)»
    • Carta del general D. Blas de Lezo remitiendo al marqués de Villanas el Diario del sitio de Cartagena de Indias, año de 1741 (Apéndice RHN núm. 120)