Busqueda-de-precedentes-en-acervos-legales-a-traves-de-los-nombres-de-las-partes

Vista previa del material en texto

UNIVERSIDAD NACIONAL 
AUTÓNOMA DE MÉXICO 
 
Facultad de Estudios Superiores 
Acatlán 
 
 
BÚSQUEDA DE PRECEDENTES EN ACERVOS 
LEGALES A TRAVÉS DE LOS NOMBRES DE 
LAS PARTES 
 
 
TESIS 
 
QUE PARA OBTENER EL TÍTULO DE: 
 
LIC. EN MATEMÁTICAS APLICADAS Y COMPUTACIÓN 
 
 
 
PRESENTA: 
 
SERGIO LEMUS LÓPEZ 
 
 
 
 
 
ASESOR: 
 
EFRÉN PABLO HÉCTOR GONZÁLEZ VIDEGARAY 
 
 
 
NOVIEMBRE DE 2010 
 
 
UNAM – Dirección General de Bibliotecas 
Tesis Digitales 
Restricciones de uso 
 
DERECHOS RESERVADOS © 
PROHIBIDA SU REPRODUCCIÓN TOTAL O PARCIAL 
 
Todo el material contenido en esta tesis esta protegido por la Ley Federal 
del Derecho de Autor (LFDA) de los Estados Unidos Mexicanos (México). 
El uso de imágenes, fragmentos de videos, y demás material que sea 
objeto de protección de los derechos de autor, será exclusivamente para 
fines educativos e informativos y deberá citar la fuente donde la obtuvo 
mencionando el autor o autores. Cualquier uso distinto como el lucro, 
reproducción, edición o modificación, será perseguido y sancionado por el 
respectivo titular de los Derechos de Autor. 
 
 
 
 
 
 
 
 
A la memoria de mi abuelita Toña, quien anheló un nieto licenciado. 
 
A mis padres, quienes no escatimaron esfuerzo para la educación de sus hijos. 
 
A mis tíos Leo y Pauli, quienes al regreso de mi primer día de clases, parafraseando a Lao -Tzu me 
alentaron con estas palabras: “las grandes carreras inician por el primer día de clas es”. 
 
A mis maestros: Margarita Becerril, Lucy Morales, Porfirio Ventura, Noé Gerson Bernal, 
Quintiliano Reyes, Antonio Matoso, Hugo Reyes, Felipe Fabián Herrera, Pablo González, 
Esperanza Valdés, José Luis Moreno y Hermosillo, Hanna Oktaba, Guadalupe Ibar güengoitia y 
Jesús Aguilar. 
 
 
 
 1 
CONTENIDO 
INTRODUCCIÓN .......................................................................................................................................................... VI 
CAPÍTULO I ................................................................................................................................................................... 8 
1 MARCO DE REFERENCIA ....................................................................................................................................... 8 
1.1 PRESENTACIÓN ............................................................................................................................................ 8 
1.2 PROBLEMÁTICA ............................................................................................................................................ 9 
1.3 RELEVANCIA ............................................................................................................................................... 11 
1.4 OBJETIVOS ................................................................................................................................................. 13 
1.5 PREGUNTAS DE INVESTIGACIÓN ................................................................................................................. 13 
1.6 MÉTODO .................................................................................................................................................... 14 
CAPÍTULO II ................................................................................................................................................................ 15 
2 ESTADO DEL ARTE .............................................................................................................................................. 15 
2.1 INDEXACIÓN COMPLETA DEL TEXTO ........................................................................................................... 17 
2.1.1 Motores de búsqueda basados en álgebra Boolena ................................................................................ 17 
2.1.2 Motores de búsqueda basados en vectores ............................................................................................. 19 
2.2 CODIFICACIÓN FONÉTICA ........................................................................................................................... 21 
2.2.1 Algoritmo de Russell ............................................................................................................................... 21 
2.2.2 Propuesta de codificación fonética para el idioma español de México ..................................................... 23 
2.3 SIMILITUD POR DISTANCIA EN UNIDADES DE EDICIÓN ................................................................................. 28 
2.4 SIMILITUD POR GRAMAS ............................................................................................................................ 31 
CAPÍTULO III ............................................................................................................................................................... 33 
3 MODELO PARA LA BÚSQUEDA DE PRECECEDENTES ........................................................................................... 33 
3.1 MODELO ESTÁNDAR PARA LA BÚSQUEDA DE INFORMACIÓN ...................................................................... 34 
3.2 ETAPAS DEL MODELO ................................................................................................................................. 35 
3.2.1 Preparación del corpus inicial ................................................................................................................. 36 
3.2.1.1 Dispersión de nombres de personas .............................................................................................................. 37 
3.2.1.2 Dispersión de términos del nombre ............................................................................................................... 37 
3.2.1.3 Diccionario de términos de nombres.............................................................................................................. 38 
3.2.1.4 Dispersión de gramas .................................................................................................................................... 38 
3.2.1.5 Abreviaturas, hipocorísticos y noisy words ..................................................................................................... 39 
3.2.1.6 Tablas de soporte al sistema de transacciones en tiempo real (OLTP) ............................................................. 39 
3.2.1.7 Algoritmo para la constitución del corpus inicial ............................................................................................. 41 
3.2.2 Actualización del modelo de datos.......................................................................................................... 41 
3.2.3 Evaluación del modelo ........................................................................................................................... 42 
3.2.3.1 Eficacia ......................................................................................................................................................... 42 
3.2.3.2 Eficiencia....................................................................................................................................................... 43 
3.2.3.3 Satisfacción ................................................................................................................................................... 43 
3.2.4 Optimización .......................................................................................................................................... 44 
CAPÍTULO IV ............................................................................................................................................................... 45 
4 IMPLEMENTACIÓN DEL MOTOR DE BÚSQUEDA ................................................................................................. 45 
 
 
 2 
4.1 ESTUDIO DE FACTIBILIDAD ..........................................................................................................................45 
4.1.1 Objetivo ................................................................................................................................................. 45 
4.1.2 Alternativas de solución ......................................................................................................................... 46 
4.1.3 Codificación de los algoritmos ................................................................................................................ 46 
4.1.4 Cálculo del costo en unidades de edición ................................................................................................ 47 
4.1.5 Recursos necesarios ............................................................................................................................... 47 
4.2 ANÁLISIS DE REQUISITOS ............................................................................................................................ 47 
4.2.1 ESCENARIOS DE CONSULTA .................................................................................................................... 47 
4.2.1.1 Consulta simple ............................................................................................................................................. 48 
4.2.1.2 Expresiones OR ............................................................................................................................................. 48 
4.2.1.3 Uso de letra inicial ......................................................................................................................................... 48 
4.2.1.4 Frases débiles ................................................................................................................................................ 48 
4.2.1.5 Frases fuertes ................................................................................................................................................ 48 
4.2.1.6 Bipartición de términos ................................................................................................................................. 49 
4.2.1.7 Abreviaturas e hipocorísticos ......................................................................................................................... 49 
4.2.2 PREMISAS DEL ALGORITMO DE COMPARACIÓN ...................................................................................... 49 
4.2.2.1 Premisa 1 ...................................................................................................................................................... 50 
4.2.2.2 Premisa 2 ...................................................................................................................................................... 50 
4.2.3 RESOLUCIÓN DE CONFLICTOS ................................................................................................................. 50 
4.2.4 REQUISITOS DE CALIDAD ........................................................................................................................ 50 
4.2.4.1 Exactitud ....................................................................................................................................................... 51 
4.2.4.2 Completitud .................................................................................................................................................. 51 
4.2.4.3 Espacio en disco ............................................................................................................................................ 51 
4.2.4.4 Tiempo de respuesta ..................................................................................................................................... 51 
4.3 DISEÑO ...................................................................................................................................................... 51 
4.3.1 Estructuras de datos............................................................................................................................... 51 
4.3.2 Arquitectura........................................................................................................................................... 52 
4.3.3 Normalización de la consulta .................................................................................................................. 54 
4.3.4 Formulación de la consulta en términos del algoritmo de búsqueda ........................................................ 54 
4.3.5 Ejecución ............................................................................................................................................... 55 
4.3.6 Resultados ............................................................................................................................................. 56 
4.4 CODIFICACIÓN Y PRUEBAS UNITARIAS ........................................................................................................ 57 
4.4.1 ALGORITMOS GENERALES ...................................................................................................................... 58 
4.4.1.1 Nombres abreviados con letra inicial ............................................................................................................. 58 
4.4.1.2 Frases fuertes ................................................................................................................................................ 59 
4.4.1.3 Bipartición de términos ................................................................................................................................. 60 
4.4.1.4 Abreviaturas e hipocorísticos ......................................................................................................................... 62 
4.4.2 INDEXADO DE TEXTO COMPLETO ........................................................................................................... 63 
4.4.2.1 Forma general ............................................................................................................................................... 63 
4.4.2.2 Términos simples .......................................................................................................................................... 64 
4.4.2.3 Expresiones OR ............................................................................................................................................. 64 
4.4.2.4 Frases ........................................................................................................................................................... 64 
4.4.3 CODIFICACIÓN FONÉTICA ....................................................................................................................... 65 
4.4.3.1 Términos simples .......................................................................................................................................... 66 
4.4.3.2 Expresiones OR ............................................................................................................................................. 67 
4.4.3.3 Frases débiles ................................................................................................................................................ 68 
4.4.3.4 Extensión para letra inicial en el corpus ......................................................................................................... 69 
4.4.4 ANALOGÍA POR GRAMAS ....................................................................................................................... 69 
4.4.4.1 Términos simples .......................................................................................................................................... 70 
 
 
 3 
4.4.4.2 Expresiones OR ............................................................................................................................................. 71 
4.4.4.3 Frases débiles ................................................................................................................................................73 
4.4.4.4 Extensión para letra inicial en el corpus .......................................................................................................... 75 
4.4.5 ANALOGÍA POR DISTANCIA EN UNIDADES DE EDICIÓN............................................................................ 75 
4.4.5.1 Términos simples .......................................................................................................................................... 77 
4.4.5.2 Expresiones OR ............................................................................................................................................. 77 
4.4.5.3 Frases débiles ................................................................................................................................................ 78 
4.4.5.4 Extensión para letra inicial en el corpus .......................................................................................................... 79 
4.4.6 CÁLCULO DEL VALOR DE RELEVANCIA..................................................................................................... 80 
4.4.6.1 Rank para Fulltext ......................................................................................................................................... 80 
4.4.6.2 Rank para codificación fonética ..................................................................................................................... 80 
4.4.6.3 Rank para distancia de edición y semejanza por gramas ................................................................................. 81 
4.4.6.4 Rank para términos abreviados ...................................................................................................................... 81 
4.4.6.5 Rank para uso de letra inicial ......................................................................................................................... 81 
4.4.6.6 Rank final ...................................................................................................................................................... 83 
4.5 PRUEBAS DE INTEGRACIÓN ......................................................................................................................... 86 
4.6 LIBERACIÓN Y MANTENIMIENTO ................................................................................................................ 86 
CAPÍTULO V ................................................................................................................................................................ 87 
5 PRUEBAS DE HIPÓTESIS ..................................................................................................................................... 87 
5.1 EVALUACIÓN DEL INDEXADO DE TEXTO COMPLETO (FULLTEXT) .................................................................. 88 
5.2 COMPARACIÓN DEL ALGORTIMO SOUNDEX DE RUSSELL Y LA PROPUESTA PARA EL IDIOMA ESPAÑOL DE 
MÉXICO. ................................................................................................................................................................. 90 
5.2.1 Pruebas de exactitud .............................................................................................................................. 94 
5.2.2 Pruebas de completitud .......................................................................................................................... 94 
5.2.3 Tiempo de respuesta .............................................................................................................................. 95 
5.3 EVALUACIÓN DE LA ANALOGÍA POR GRAMAS.............................................................................................. 95 
5.4 EVALUACIÓN DE LA ANALOGÍA POR DISTANCIA EN UNIDADES DE EDICIÓN ................................................ 100 
5.5 RESUMEN DE RESULTADOS ....................................................................................................................... 105 
5.5.1 AMBIGÜEDADES .................................................................................................................................. 105 
5.5.2 EFICACIA .............................................................................................................................................. 106 
5.5.3 EFICIENCIA ........................................................................................................................................... 107 
CONCLUSIONES ........................................................................................................................................................ 109 
APÉNDICES ............................................................................................................................................................... 111 
APÉNDICE A. CASOS DE PRUEBA ............................................................................................................................ 112 
APÉNDICE B. ABREVIATURAS E HIPOCORÍSTICOS.................................................................................................... 115 
APÉNDICE C. LISTA DE NOISY WORDS..................................................................................................................... 117 
APÉNDICE D. ESPECIFICACIÓN DEL SERVICIO WEB .................................................................................................. 118 
APÉNDICE E. CÓDIGO FUENTE DEL MOTOR DE BÚSQUEDA ..................................................................................... 121 
FUENTES DE INFORMACIÓN ..................................................................................................................................... 164 
 
 
 
 
 4 
FIGURAS 
FIGURA 1. NÚMERO DE REGISTROS DESTINADOS A LAS PARTES .................................................................................................... 19 
FIGURA 2. MODELO ESTÁNDAR PARA LA BÚSQUEDA DE PRECEDENTES ........................................................................................... 35 
FIGURA 3. MODELO ENTIDAD RELACIÓN PARA LA BÚSQUEDA DE PRECEDENTES ................................................................................ 52 
FIGURA 4. ARQUITECTURA DEL MOTOR DE BÚSQUEDA .............................................................................................................. 53 
FIGURA 5. ESTRUCTURA DEL MOTOR DE BÚSQUEDA ................................................................................................................. 54 
FIGURA 6. SECUENCIA DE MENSAJES DEL MOTOR DE BÚSQUEDA .................................................................................................. 57 
FIGURA 7. MODELO DE DATOS EN 3FN PARA EL ALGORITMO SOUNDEX......................................................................................... 66 
FIGURA 8. MODELO DE DATOS REDUNDANTE PARA GRAMAS ...................................................................................................... 70 
FIGURA 9. COEFICIENTE DE SEMEJANZA POR GRAMAS ............................................................................................................... 99 
FIGURA 10. TIEMPO DE RESPUESTA SEMEJANZA POR GRAMAS ................................................................................................... 100 
FIGURA 11. COEFICIENTE DE SEMEJANZA POR DISTANCIA DE EDICIÓN .......................................................................................... 104 
FIGURA 12. TIEMPO DE RESPUESTA DE SEMEJANZA POR UNIDADES DE EDICIÓN ............................................................................. 105 
 
 
 
 
 5 
TABLAS 
TABLA 1. ASUNTOS GESTIONADOS EN LA SCJN ENTRE 2005 Y 2009 ............................................................................................ 12 
TABLA 2. PROMOCIONES GESTIONADAS EN LA SCJN ENTRE 2005 Y 2009 ..................................................................................... 12 
TABLA 3. ACUERDOS ELABORADOSENTRE 2005 Y 2009 ........................................................................................................... 13 
TABLA 4. CODIFICACIÓN SOUNDEX ...................................................................................................................................... 22 
TABLA 5. CODIFICACIÓN SOUNDEX DE NOMBRES POPULARES ...................................................................................................... 23 
TABLA 6. FONÉTICA DEL ESPAÑOL ........................................................................................................................................ 23 
TABLA 7. FONEMAS DEL ESPAÑOL ........................................................................................................................................ 24 
TABLA 8. FONEMAS DE LA LENGUA NÁHUATL .......................................................................................................................... 25 
TABLA 9. CODIFICACIÓN SOUNDEX PARA EL ESPAÑOL DE MÉXICO ................................................................................................ 27 
TABLA 10. REPRESENTACIÓN GRÁFICA DE LA CODIFICACIÓN SOUNDEX DE RUSSELL Y LA ADAPTACIÓN AL ESPAÑOL DE MÉXICO ..................... 28 
TABLA 11. DISTRIBUCIÓN DE FRECUENCIAS PARA LAS CONSONANTES EN LOS NOMBRES ..................................................................... 28 
TABLA 12. DISPERSIÓN DE NOMBRES PARA UNA ENTIDAD .......................................................................................................... 37 
TABLA 13. DICCIONARIO DE NOMBRES .................................................................................................................................. 38 
TABLA 14. TRIGRAMAS DEL NOMBRE ÁNGELES MASTRETTA ....................................................................................................... 39 
TABLA 15. EVOLUCIÓN DEL ESTÁNDAR SQL ........................................................................................................................... 46 
TABLA 16. EXPRESIONES REGULARES PARA RECONOCER PATRONES DE CONSULTA ............................................................................ 55 
TABLA 17. BIPARTICIÓN DEL NOMBRE BLANCANIEVES ............................................................................................................... 60 
TABLA 18. TABLA DIC.NOMBREPARTICION PROPUESTA PARA ALMACENAR TÉRMINOS DE NOMBRES COMPUESTOS.................................... 62 
TABLA 19. COSTO-BENEFICIO 3FN VS REDUNDANCIA PARA ANALOGÍA POR SOUNDEX ....................................................................... 66 
TABLA 20. COSTO-BENEFICIO 3FN VS REDUNDANCIA PARA ANALOGÍA POR GRAMAS ........................................................................ 70 
TABLA 21. PONDERACIÓN DEL RANK EN ESCENARIOS CON LETRA INICIAL........................................................................................ 82 
TABLA 22. DISTRIBUCIÓN DE NOMBRES Y TÉRMINOS ABREVIADOS CON UNA LETRA ........................................................................... 82 
TABLA 23. RESULTADO DEL ALGORITMO DE SEMEJANZAS POR DISTANCIAS PARA LA CONSULTA JUAN HERNÁNDEZ HERNÁNDEZ ........... 84 
TABLA 24. EVALUACIÓN DEL MÉTODO FULLTEXT ..................................................................................................................... 90 
TABLA 25. COMPARACIÓN DEL ALGORITMO SOUNDEX DE RUSSELL Y SOUNDEXMX .......................................................................... 93 
TABLA 26. DISTRIBUCIÓN DE LA DISPERSIÓN DE GRAMAS ........................................................................................................... 95 
TABLA 27. EVALUACIÓN DEL COEFICIENTE DE SEMEJANZA PARA SEMEJANZA POR GRAMAS .................................................................. 98 
TABLA 28. EVALUACIÓN DEL ALGORITMO DE DISTANCIA EN UNIDADES DE EDICIÓN ......................................................................... 103 
TABLA 29. RESUMEN DE AMBIGÜEDADES ............................................................................................................................ 106 
TABLA 30. RESUMEN DE INDICADORES DE EFICACIA ................................................................................................................ 106 
TABLA 31. ESPACIO DE ALMACENAMIENTO POR ALGORITMO .................................................................................................... 107 
TABLA 32. RESUMEN DE INDICADORES DE EFICIENCIA ............................................................................................................. 108 
 
 
 
vi 
INTRODUCCIÓN 
 
Además del nombre propio de José, don José también tiene apellidos, de 
los más corrientes, sin extravagancias onomásticas, uno por parte de 
padre, otro por parte de madre, según la norma, legítimamente 
transmitidos, como podríamos comprobar en el registro de nacimiento 
existente en la Conservaduría si la sustancia del caso justificase el interés y 
si el resultado de la averiguación compensara el trabajo de confirmar lo 
que ya se sabe. 
José Saramago, Todos los nombres. 
 
Buscar información es parte de nuestras actividades cotidianas, ya sea para satisfacer necesidades 
laborales, escolares o de interés personal. Para hacerlo solemos utilizar motores de búsqueda; sobre todo 
cuando las fuentes de consulta se encuentran almacenadas en grandes acervos electrónicos. 
Al diseñar una herramienta de búsqueda para un acervo, deben tenerse en cuenta las características del 
mismo y la información que se requiere de éste; las estructuras de los datos, los medios de almacenamiento 
y la forma de presentar los resultados para satisfacer la necesidad del usuario. 
Por ejemplo, en los acervos de carácter legal, los especialistas en derecho requieren hacer consultas 
especializadas que disminuyan el riesgo de pasar por alto información crítica en ciertos escenarios; más allá 
de criterios de búsqueda generales, integrados en aplicaciones para obtener información legislativa, 
jurisprudencial, de sentencias y doctrina. 
En el caso de la localización de precedentes, la preocupación principal del usuario es que ligeros errores de 
transcripción en los nombres de las partes que intervienen en un juicio le impidan encontrar información 
crítica para el desarrollo de un proceso judicial. Cuando utiliza motores de búsqueda de propósito general, 
formula peticiones reiteradas y alternas para aumentar la probabilidad de éxito en su búsqueda. Sin 
embargo, prevalece la incertidumbre de que se hayan agotado las formas posibles en que pudiera 
encontrarse registrado el nombre de la persona en cuestión. 
Por ello, en esta investigación se aborda la problemática que enfrentan los órganos de administración de 
justicia de México para localizar precedentes cuando la información que se tiene a la mano es el nombre de 
alguna de las partes y no coincide cabalmente con los registros en las bases de datos, y se propone un 
motor de búsqueda especializado, capaz de recuperar la información que se esconde detrás de ligeras 
diferencias de transcripción. 
En el capítulo I se explica la problemática para hallar precedentes en el ámbito legal y el impacto en las 
tareas de gestión de los órganos encargados de la administración de justicia. Se describe el proceso jurídico 
INTRODUCCIÓN 
 
 vii 
y se cuantifica el volumen de juicios y promociones que se admiten en la Suprema Corte de Justicia de la 
Nación (SCJN). 
En el capítulo II se hace un recuento de los métodos existentes para resolver esta problemática, como el 
método tradicional de búsqueda en grandes volúmenes de datos, Fulltext. También se incluyen las variantes 
de los algoritmos de codificación fonética y una propuesta de adaptación del algoritmo Soundex para el 
idioma español de México, con el propósito de mejorar su exactitud. Por otro lado, se explica el principio del 
método de Levenshtein, basado en la distancia de unidadesde edición, y el camino de la programación 
dinámica para obtener esta métrica, así como el método de semejanza por descomposición de términos en 
gramas. A partir de este grupo de métodos representativos del estado del arte se propone un modelo capaz 
de sobreponerse a la problemática descrita. 
En el capítulo III se describe el modelo de búsqueda propuesto, el cual abarca el proceso cognitivo general 
para la búsqueda de información, las etapas por las que transcurre y los criterios para la evaluación de los 
resultados de las consultas. 
El capítulo IV contiene la implementación del motor de búsqueda con apego al ciclo en cascada del 
desarrollo de software. En la etapa de análisis se ratifican los escenarios en los que se producen los 
problemas de detección de precedentes. La arquitectura de soporte del motor de búsqueda, el modelo de 
datos que lo sostiene y el diagrama de secuencia de mensajes son las tareas principales en la fase de diseño. 
Como productos de la etapa de codificación se exponen las soluciones propuestas para cada algoritmo, 
enfatizando las formas canónicas de las expresiones SQL, necesarias para cada caso. Finaliza con la 
descripción breve de las tareas de mantenimiento posteriores a la implantación del producto. 
En el último capítulo se relatan los experimentos realizados para evaluar el desempeño de los algoritmos 
propuestos. La evaluación se realiza a través del diseño de un conjunto de casos de prueba con el que se 
medirá la eficacia y eficiencia de los algoritmos implementados. Se compara el método Soundex de Russell 
con la propuesta de adaptación para el idioma español de México. Con este mismo conjunto de casos de 
prueba se evalúan las implementaciones de los métodos de Fulltext, similitud por distancia de edición y 
gramas. En la evaluación se incluyen los recursos de cómputo empleados por cada algoritmo. Gracias a 
estos indicadores se obtiene la propuesta de solución que arrojó los mejores resultados para resolver el 
problema planteado. 
Al final del documento se anexan: los casos de prueba diseñados para evaluar a los algoritmos 
implementados, la especificación del servicio web para exponer al motor de búsqueda, los diccionarios de 
hipocorísticos y abreviaturas utilizados, y el código fuente del motor de búsqueda de nombres. 
 
 
 
8 
CAPÍTULO I 
 
Alguien debió haber calumniado a Josef K, porque una 
mañana, sin que hubiera hecho nada malo, lo detuvieron. 
Franz Kafka. El proceso. 
 
1 MARCO DE REFERENCIA 
1.1 PRESENTACIÓN 
En la informática jurídica, las herramientas de sistemas juegan un papel relevante para el control 
administrativo de los órganos que integran el poder judicial. La disponibilidad inmediata de información 
sistematizada de leyes, acuerdos, sentencias, jurisprudencia y doctrina es de gran apoyo para ministros, 
magistrados, jueces, secretarios de estudio y funcionarios públicos. Sobre todo al elaborar proyectos que 
promuevan la reducción de trámites y del tiempo necesario para la resolución de conflictos, la derogación 
de normas jurídicas obsoletas, contradictorias, reiterativas o ineficaces, y la eliminación de lagunas no 
contempladas en el marco legal. Por otra parte, la información que publican los órganos legislativos y 
judiciales en sus portales de Internet informa a los ciudadanos sobre aspectos legales, así como de sus 
derechos y obligaciones. 
Otras ramas de las ciencias de la computación, como la estadística y la probabilidad, están en camino de 
consolidar herramientas para la ciencia jurídica; por ejemplo, la construcción de indicadores de gestión que 
permitan medir la eficacia de los procesos jurídico-administrativos de los órganos de justicia. Otras 
vertientes de investigación en fase de prototipos, que esperan alcanzar la madurez necesaria para que 
especialistas en Derecho puedan valerse de ellas con toda confianza, son los sistemas para el 
descubrimiento de patrones a través de la minería de datos, los cuales ayudarían a tomar decisiones legales; 
los análisis de series de tiempo de procesos jurídicos, los sistemas autónomos de clasificación temática; los 
sistemas expertos, redes neuronales de argumentación y las pruebas en dominios de problemas específicos. 
Gracias a la riqueza de los acervos de contenido legal, disponibles en línea, el abogado se sirve de las 
herramientas automatizadas para buscar precedentes de un conflicto, con lo cual se aleja del arquetipo 
conservador del profesional ajeno a las tecnologías de la información. De aquí parte el motivo de 
emprender esta investigación y aportar un modelo que aumente la certidumbre de localizar antecedentes a 
través de los nombres de las partes que intervienen en un juicio. 
En el Diccionario Jurídico Mexicano, precedente es sinónimo de antecedente, y se define como 
una ocurrencia anterior de un hecho similar y designa un hecho o circunstancia relacionado, de 
alguna manera relevante, con un hecho presente. En un sentido más limitado señala una 
MARCO DE REFERENCIA 
 
 9 
instancia o acción que constituye parte de una práctica ya iniciada o, bien, modelo o patrón de 
una práctica subsecuente [1]. 
Para el propósito de esta investigación se refiere a expedientes en los que figura como parte del juicio 
el nombre de la persona que se busca. 
El Poder Judicial de nuestro país está integrado por órganos jurisdiccionales encabezados por la Suprema 
Corte de Justicia de la Nación (SCJN), los cuales se encargan de administrar justicia, vigilar el cumplimiento 
de la Constitución y de las leyes, así como de resolver conflictos entre particulares. 
Los juzgados y tribunales, administrados por el Consejo de la Judicatura Federal, operan a nivel nacional con 
un sistema centralizado en el que se registran los nombres de las partes en el contexto de los datos 
generales de un expediente. Los gobiernos estatales y el Distrito Federal se apoyan con sus propios sistemas 
de información. Las Juntas de Conciliación y Arbitraje se encargan de desahogar juicios en materia laboral 
que, por su naturaleza, dan lugar a estructuras de datos destinadas a la información de patrones y 
trabajadores. El Tribunal Electoral del Poder Judicial de la Federación aborda los asuntos de partidos 
políticos y procesos electorales. Y por último, la Suprema Corte de Justicia de la Nación tiene un sistema de 
gestión para los asuntos de orden constitucional y los que trascienden hasta ella, en el que se registra la 
información de las partes que intervienen en los asuntos de su competencia. 
En esta diversidad de sistemas creados para la administración de justicia, diseñados para atender propósitos 
particulares, según el órgano jurisdiccional y la materia, existe un común denominador: en todas las 
ventanillas de atención para ingresar un trámite, llámese demanda, amparo, reclamación, queja, denuncia, 
o simplemente, solicitud de información, existe un escrito del que se extraen los nombres de las partes que 
intervienen en el juicio y se registran en el sistema de gestión que corresponde, como parte de la 
información básica que identifica al expediente. 
Una de las funciones principales de las áreas de gestión jurídica es identificar de manera oportuna la 
existencia de precedentes de una promoción, presentada por alguna de las partes en un juicio, e iniciar el 
proceso jurídico correspondiente. A grandes rasgos, la gestión se canaliza al área jurídica que conoce el 
expediente o que emitió la sentencia, de otra manera, se iniciará un nuevo proceso judicial. 
De acuerdo con la definición del Diccionario de la Lengua Española, promoción es la acción y 
efecto de promover, que a su vez significa iniciar o impulsar una cosa o proceso, procurando su 
logro [2]. 
Las tecnologías de la información aplicadas a la gestión de expedientes en los tribunales de nuestro país 
tienen relativamente poco tiempo comparado con otros ámbitos. Si bien se conmemoraron los treinta años 
de haber incorporadola informática en la SCJN, el sistema que apoya esta tarea data de 1995, así que posee 
apenas 15 años de experiencia. 
1.2 PROBLEMÁTICA 
La mayor parte de la información de los sistemas de gestión jurídica está almacenada en estructuras que 
permiten al usuario redactar libremente algunos de sus contenidos, fuera de formatos preestablecidos. Hay 
MARCO DE REFERENCIA 
 
 10 
estructuras de datos específicas para capturar el carácter y los nombres de las partes que intervienen en un 
juicio, sin embargo, se presentan diversas situaciones por las que persisten ambigüedades entre la 
información que se encuentra almacenada en medios electrónicos y la que se busca: 
 Las reglas ortográficas no se aplican estrictamente para los nombres propios. A pesar de que 
actualmente el juez del registro civil tiene facultades para persuadir a los padres para designar un 
nombre reconocido por la onomástica, la decisión final será la que convenga a los progenitores. Así 
podemos encontrar: Selene o Celene; Jazmín o Yazmín; Jimena o Gimena; Giménez o Jiménez; 
Lemus o Lemuz; Bugambilia o Buganvilia, etcétera. 
 Es común que los escritos legales se transcriban en mayúsculas y que no se coloquen los acentos. 
 La dificultad para escribir correctamente los nombres de origen extranjero, además de las distintas 
formas adoptadas para designar nombres de pila como: Jonathan o Yonatan; Jessica o Yessica; 
Johnny o Jonny, entre otros. 
 La información que se ingresa al sistema proviene de documentos redactados libremente, de los 
que se extraen los datos relevantes del asunto y, a pesar de procesos de verificación, cabe la 
posibilidad de que en la transcripción se intercambien letras por descuido o por falta de 
mantenimiento a los teclados de las computadoras. Por ejemplo: farmacéuitca en lugar de 
farmacéutica. Si no se cuenta con un corrector ortográfico integrado al sistema de gestión, es difícil 
identificar estos errores al momento de la captura. 
 Aunque la mayoría de los escritos legales son redactados por especialistas en derecho, no siempre 
es posible cotejarlos con documentos oficiales como la credencial de elector. 
 Es común que las personas con más de un nombre de pila utilicen sólo uno de ellos, y que pongan 
abreviaturas o la inicial de uno de los nombres o de los apellidos. Por ejemplo: Fco. Javier, José J., 
etcétera. 
 Aun con políticas para mantener patrones válidos para nombres de personas, por ejemplo: nombre, 
apellido paterno y apellido materno, existen nombres que también figuran como apellidos, por 
ejemplo: Melchor, Andrés, Guadalupe, etcétera. En estos casos se presentan ambigüedades, dado 
que no es posible determinar con precisión si es un nombre o un apellido. 
 Tratándose de personas morales o instituciones, es común encontrar siglas, acrónimos o alias para 
referirse a la misma entidad, por ejemplo: IMSS y Seguro Social, en lugar del nombre oficial, 
Instituto Mexicano del Seguro Social. 
 No existen padrones en línea actualizados de órganos y autoridades, ni de ciudadanos ni empresas. 
Además, las políticas que obligan a escribir los nombres de las partes en los sistemas de gestión 
como se encontró en la fuente causan diversas formas para denominar la misma entidad. 
 La Clave Única del Registro de Población, CURP, no es requisito para que un ciudadano pueda 
promover un juicio ante un juzgado o tribunal. Tampoco lo es el Registro Federal de Contribuyentes, 
RFC, de las empresas para todos los juicios. Así, tampoco es posible aplicar reglas de validación 
estrictas. 
Con estas situaciones, y dado que no se trata de información estructurada, el problema se presenta cuando 
se realizan búsquedas en el acervo con ligeras variaciones en el nombre. Con sistemas tradicionales de 
MARCO DE REFERENCIA 
 
 11 
búsqueda es necesario que el usuario realice sus propias inferencias y realice algunas variantes de consulta 
para tratar de encontrar precedentes de un asunto en particular. 
Los sistemas de información que apoyan la administración de justicia de México fueron diseñados para 
propósitos distintos, de acuerdo con la materia y según la competencia del órgano jurisdiccional. Cada 
sistema hace un registro de las partes, y es común encontrar que en el cuerpo del asunto o promoción 
también se haga mención de las mismas. En esta investigación, los términos partes y asunto se referirán a lo 
siguiente: 
 Partes. Según el tipo de asunto, y el carácter que representa en el juicio, recibe denominaciones 
diferentes: promovente, quejoso, demandante, demandado, actor, tercero perjudicado, 
denunciante, apoderado legal, etcétera. Se refiere al nombre de una persona, una razón social o el 
nombre de un organismo o institución. 
 Asunto. De igual forma, según la materia, es común escuchar términos como: acto reclamado, 
normas impugnadas, voces, tema planteado, promoción, etcétera. Lo relevante para esta 
investigación es destacar que se trata de texto redactado en forma libre y que es una petición que 
cumple con los requisitos para iniciar el trámite en alguno de los órganos del poder judicial. 
Por las situaciones mencionadas en los sistemas en el ámbito legal, el objetivo de esta investigación es crear 
un modelo para la identificación de precedentes que se sobreponga a estas situaciones y localice aquéllos 
expedientes con los que se encuentre relación a través de los nombres de las partes en el propio tribunal o 
en el resto de los órganos encargados de la administración de justicia en nuestro país. 
Para el modelo de localización de precedentes a través de los nombres de las partes, he considerado las 
siguientes premisas: 
1. Que el remitente o remitentes se registran en una base de datos con estructuras normalizadas para 
facilitar el acceso a la información, o que están registrados en un solo campo, separados por comas. 
2. Que la base de datos cuenta con información adicional que identifica al expediente, además de sus 
llaves primarias correspondientes. 
3. Que hay la capacidad tecnológica y el interés de los órganos que integran el poder judicial para 
establecer acuerdos de colaboración en la identificación de precedentes. 
4. Que cada sistema tiene sus propias políticas para proteger los datos personales y preservar la 
identidad de las personas cuando no sea pertinente difundir esta información. 
1.3 RELEVANCIA 
La identificación oportuna de precedentes mejorará al sistema de administración de justicia por las 
siguientes razones: 
1. Ayudará a identificar precedentes en el mismo órgano jurisdiccional y eliminará el inicio de trámites 
paralelos innecesarios, si se logra determinar que el asunto corresponde a un expediente para el 
que ya se haya iniciado un proceso judicial. 
MARCO DE REFERENCIA 
 
 12 
2. Facilitará la localización de precedentes en otros tribunales. Si se logran identificar juicios 
interpuestos en otros tribunales, el juzgador podrá conocer los resolutivos adoptados por aquéllos y 
enriquecer su conocimiento en el estudio del asunto. 
3. Apoyará en la detección de expedientes relacionados con un mismo juicio, en proceso o fallado en 
un órgano de menor jerarquía. Es común que las partes recurran a tribunales de mayor jerarquía 
cuando la resolución de un juicio no satisface completamente su petición. Se requiere trabajo de 
búsqueda adicional, con consultas cruzadas, para identificar el vínculo entre asuntos derivados de 
un mismo juicio. 
De acuerdo con los informes anuales que publica la SCJN [3] en su portal, el número de asuntos gestionados 
en esta instancia en los últimos cinco años (Tabla 1) y las promociones del mismo periodo (Tabla 2), se 
traduce a un promedio de siete promociones por expediente que la oficialía de partes debe canalizar 
oportunamente. Las 48 972 promociones anuales en promedio representan el potencial número de 
situaciones que podrían necesitar de un proceso de búsqueda por el nombre de quien remite la petición. 
Asunto2005 2006 2007 2008 2009 
Amparos directos en revisión 2 130 2 125 2 219 2 139 2 296 
Amparos en revisión 2 159 2 111 1 185 1 232 2 214 
Incidentes de inejecución de sentencia 304 670 655 754 961 
Recursos de reclamación 350 381 361 345 386 
Incidentes de inconformidad 295 363 364 324 424 
Competencias 133 121 143 282 244 
Contradicciones de tesis 44 39 44 55 445 
Controversias constitucionales 79 154 97 166 109 
Acciones de inconstitucionalidad 40 56 166 128 95 
Solicitudes de ejercicio de la facultad de atracción 12 47 31 75 120 
Revisiones administrativas 6 28 13 67 128 
Asuntos diversos 93 76 1 963 1 967 1 270 
Total 5 645 6 171 7 241 7 534 8 692 
Tabla 1. Asuntos gestionados en la SCJN entre 2005 y 2009 
Por cada promoción que se recibe en la ventanilla de atención de la Corte, se inicia un proceso de gestión 
sujeto a una fecha límite en la que deberá darse repuesta a la petición. De aquí la importancia canalizar 
adecuadamente la promoción al área jurídica que tiene en sus manos el expediente o abrir uno nuevo 
cuando no exista ningún precedente. 
Promociones 2005 2006 2007 2008 2009 
Generales 40 540 40 032 42 305 35 578 29 572 
Varias 4 710 5 866 10 280 12 253 23 102 
Solicitudes relacionadas con la ley de transparencia 157 132 155 115 61 
Total 45 407 46 030 52 740 47 946 52 735 
Tabla 2. Promociones gestionadas en la SCJN entre 2005 y 2009 
MARCO DE REFERENCIA 
 
 13 
Una vez que la promoción está en manos del área responsable de atenderla, se responde a través de la 
figura judicial denominada acuerdo. El abogado encargado de elaborarlo comprueba que efectivamente 
corresponde al expediente antes de iniciar cualquier gestión y es común que se auxilie en su investigación, 
por segunda vez en el proceso, de los nombres de las partes. En la Tabla 3 se resumen los acuerdos que se 
elaboran durante el proceso de resolución de expedientes. 
Acuerdos 2005 2006 2007 2008 2009 
Avocamientos 350 381 361 345 386 
Acuerdos de admisión 5 949 6 841 7 896 8 288 9 653 
Desechamientos 2 359 2 389 2 368 2 351 2 391 
Incompetencias 133 121 143 282 244 
Acuerdos plenarios 4 754 5 905 10 324 12 308 23 547 
Acuerdos diversos 42 781 42 324 44 564 37 867 31 751 
Total 56 326 57 961 65 656 61 441 67 972 
Tabla 3. Acuerdos elaborados entre 2005 y 2009 
El 20% adicional de acuerdos en promedio respecto del trámite de promociones corresponde a las gestiones 
internas entre las Salas de la Corte y el Tribunal Pleno. 
1.4 OBJETIVOS 
El objetivo de esta investigación es definir un modelo para la búsqueda de precedentes a través de los 
nombres de las partes que intervienen en un juicio e implementar un motor de búsqueda para apoyar las 
tareas de gestión de los órganos que se encargan de la administración de justicia en México. 
El modelo debe abarcar la definición de estructuras de datos, tratamiento de la información, algoritmos 
para la localización, mecanismos de colaboración entre sistemas de información y la presentación de 
resultados al usuario. 
Buscará independencia de la plataforma tecnológica tanto de hardware como de software y equipos de 
comunicación, para que pueda implementarse en cualquiera de los sistemas de gestión existentes. Para 
ello, los requerimientos técnicos estarán apegados a estándares abiertos. 
El último punto se apega a las disposiciones del “Decreto de austeridad en materia de tecnologías de la 
información” del presente sexenio para la Administración Pública Federal. 
1.5 PREGUNTAS DE INVESTIGACIÓN 
Con base en la problemática expuesta, en esta investigación se responden las siguientes preguntas: 
 ¿Qué se puede hacer para localizar precedentes en trámites legales, a partir de los nombres de las 
partes en los sistemas de información de los órganos judiciales? 
 ¿Es posible implementar un algoritmo de búsqueda confiable que resuelva la problemática 
señalada? 
MARCO DE REFERENCIA 
 
 14 
 ¿Qué modelo de datos se puede utilizar para almacenar información de las partes en sistemas de 
gestión legal y así contribuir a la localización de precedentes? 
 ¿Cómo puede establecerse un canal de comunicación entre los órganos del poder judicial para la 
localización de precedentes? 
1.6 MÉTODO 
La solución al problema planteado a través de esta investigación se sustenta en los siguientes elementos: 
Primero, una inspección visual de la calidad de la información que se encuentra almacenada con una 
muestra aleatoria del 4% de la población, teniendo en cuenta aquéllos registros cuyo módulo veinticinco es 
cero respecto del identificador secuencial de cada registro. Dicha muestra es representativa tanto para la 
categoría que clasifica a expedientes por tipo de asunto, como a la categoría por materia. Dado que se 
utilizó un número secuencial para discriminar la muestra, sujeto a la dimensión cronológica, se asegura 
examinar el acervo histórico de manera uniforme. El 4% corresponde a 4 400 expedientes analizados. 
Segundo, un estudio del estado del arte de los algoritmos para la búsqueda de nombres basados en las 
semejanzas, y así superar ambigüedades gramaticales y de transcripción. De este análisis surgirá el método 
de búsqueda seleccionado por su eficacia, eficiencia y confiabilidad de acuerdo con el conjunto de pruebas y 
criterios de evaluación de los resultados. Del algoritmo que seleccione dependerá la preparación y 
estructura de datos para la implementación. 
Tercero, identificar los escenarios recurrentes de consulta en donde se presenta la problemática descrita 
para abordarlos de forma particular y proponer soluciones adecuadas para cada caso. 
Cuarto, evaluar el modelo de identificación de nombres con un conjunto de pruebas en las que se pueda 
medir la eficacia del algoritmo en términos de exactitud y completitud. La eficiencia se medirá en términos 
de los recursos de cómputo utilizados. 
Quinto, como ya se ha explicado, el poder judicial de nuestro país está integrado por órganos 
jurisdiccionales que atienden asuntos, según la materia y la jerarquía de la instancia. En la misma magnitud 
es la heterogeneidad de los sistemas de información. Por lo tanto, para implementar una solución de 
colaboración entre todos los órganos encargados de la administración de justicia es necesario tener un 
mecanismo que favorezca portabilidad e interoperabilidad del modelo. El alcance de la solución propuesta 
será para el ámbito del sistema de gestión de expedientes de la Suprema Corte de Justicia de la Nación, 
pero podrá extenderse con facilidad a las demás instituciones gracias a la utilización de estándares. 
 
 
15 
CAPÍTULO II 
 
A noir, E blanc, I rouge, U vert, O bleu: voyelles. 
Arthur Rimbaud. Voyelles. 
 
2 ESTADO DEL ARTE 
Las primeras computadoras de uso personal 8086 contaban con 29 mil transistores. Hoy, treinta años más 
tarde, los recursos de procesamiento, almacenamiento y memoria de un teléfono celular superan la 
capacidad de aquéllos equipos. Las computadoras personales que tenemos a nuestro alcance están 
equipadas con 291 millones de transistores. Esto equivale a un crecimiento de más de diez mil veces en 
cuanto al número de transistores y del orden de 586 veces en desempeño. 
La llamada Ley de Moore [4], formulada en 1965, acertó en la predicción de la tasa de crecimiento para la 
siguiente década, que duplicó anualmente el número de transistores de los circuitos integrados de las 
computadoras. Para 1975, volvió a estimar el mismo crecimiento para periodos de dos años. Esta última 
predicción del crecimiento geométrico se mantiene vigente, aunque por las limitaciones físicas para disipar 
el calor en un solo núcleo se ha optado por recurrir al procesamiento en paralelo. 
“Y, ¿qué ha pasado con el software?”, argumenta Nathan Myhrvold: el software se 
expande como un gas en su contenedor, crece tanto como se lo permiten los recursos de 
cómputo disponibles. En complicidad recíproca,la expansión del software motiva la 
tendencia creciente de transistores. Nunca es suficiente, las razones: nuevos algoritmos, 
nuevas aplicaciones, nuevos usuarios y nuevas nociones de lo que se considera cool [4]. 
La explicación del crecimiento de los recursos de la industria del software por la demanda para ejecutar 
aplicaciones sofisticadas de cómputo, tanto de programadores como de usuarios, merece reflexionar sobre 
el papel que tenemos los desarrolladores de software para aprovechar adecuadamente los recursos: tomar 
en cuenta que se trata de recursos limitados, que debemos utilizarlos de manera responsable cuando 
realmente representen un beneficio tangible para la vida de las personas. 
Los grandes volúmenes de información que administran los sistemas de búsqueda se asocian con el 
fenómeno del crecimiento que se mencionó anteriormente por el tiempo de respuesta al que nos tienen 
acostumbrados. La búsqueda de precedentes a través de la localización de nombres es esencialmente un 
problema de recuperación de información, y por tanto comparte las mismas exigencias. Mi reflexión viene 
justamente en esta dirección: implementar herramientas que saquen provecho de la gran cantidad de 
transistores y otros recursos a nuestro alcance, pero utilizados de la mejor manera posible. 
ESTADO DEL ARTE 
 
 16 
Con esta consideración se emprende el reto de acercar la información que requiere un usuario del ámbito 
legal para desempeñar sus funciones, a partir de automatizar tareas especializadas que entreguen registros 
con la suficiente cobertura para no omitir datos críticos en un proceso judicial. 
La indexación completa del texto es el método más popular para recuperar información y es empleada por 
los motores de búsqueda destinados a grandes colecciones de documentos. Estos métodos se han 
incorporado a las herramientas de administración de bases de datos relacionales, y sirven para indexar 
campos de tipo texto. 
Además del método general de búsqueda, existen dos grupos de algoritmos orientados a mitigar los 
problemas identificados en la localización de precedentes, aplicando medidas de semejanza a los registros 
almacenados. 
El primer grupo de algoritmos identificados afronta el problema a través de la codificación fonética. Entre 
éstos se cuentan el código pionero Soundex, propuesto por Odell y Russell en 1918; el propuesto por Taft en 
1970, denominado Sistema de Identificación e Inteligencia del Estado de Nueva York (NYSSIIS, por sus siglas 
en inglés), relacionado claramente con los propósitos de esta investigación; una variante del código 
Soundex, diseñada por Daitch y Mokotoff en 1985; la codificación Phonix de Gadd, en 1988, con reglas de 
codificación más especializadas; y el código Double Metaphone de Philips, en 1990, que propone un 
segundo código para cubrir las variantes de pronunciación de nombres. Este grupo de algoritmos conocidos 
como “de similitud fonética” tienen en común un código que permite hacer concordar nombres con 
mínimas diferencias. 
Con mayor o menor rigidez en las reglas de codificación, estos algoritmos logran encontrar coincidencias en 
aquéllos nombres que resultan con el mismo código fonético, como en el caso de Jiménez y Giménez. Sin 
embargo, también resultan imprecisiones al arrojar coincidencias entre Ruiz y Ríos. Asimismo, en los 
nombres propios en los que abundan las vocales, como Coahuila, Chihuahua y Cuauhtémoc, los códigos 
fonéticos resultantes presentan desviaciones mayores si no se da un tratamiento de acuerdo con la cultura. 
En nuestro caso, para el idioma español. 
Existe otro grupo de algoritmos que utilizan coeficientes de similitud. En el planteamiento de Levenshtein, 
en 1965, conocido como distancia de edición, el coeficiente de similitud está determinado por el número de 
operaciones de inserción, eliminación o sustitución de caracteres requeridas para hacer dos cadenas 
idénticas. 
En 1983, Angell, Freund y Willet proponen una medida de similitud a partir del número de n-gramas que 
tienen en común dos cadenas. Si hay una cantidad suficiente de coincidencias existe similitud. La 
característica principal de este segundo grupo de algoritmos es la independencia del idioma. En los dos 
algoritmos mencionados es necesario realizar la comparación de la cadena que se busca con cada elemento 
del acervo, según la medida de semejanza. 
Para el caso de la medida de unidades de edición, en cada comparación se requiere de programación 
dinámica para encontrar el costo de hacer coincidir dos cadenas. El factor mínimo de semejanza establecido 
determinará si hay o no semejanza entre los elementos comparados. 
ESTADO DEL ARTE 
 
 17 
Para el caso del coeficiente de similitud basado en gramas1, en cada comparación es necesario contabilizar 
el número de gramas que tienen en común las cadenas y el resultado dependerá también del factor de 
semejanza establecido como mínimo. 
2.1 INDEXACIÓN COMPLETA DEL TEXTO 
En un acervo legal, la información de las partes involucradas en un juicio entran en la categoría de “texto 
alimentado de forma libre”, por lo tanto, es posible aprovechar las características de indexado completo de 
texto para dar solución al problema planteado. 
La principal característica de los campos de texto en un modelo de datos es permitir que el usuario tenga la 
libertad de introducir información con políticas de validación, que van desde las más simples, que sólo 
impiden dejar entradas en blanco, hasta correctores ortográficos o sugerencias de autocompletado de 
textos que se repiten con frecuencia. 
Existen diversas técnicas empleadas por los motores de búsqueda para encontrar patrones en fuentes de 
información, desde técnicas tradicionales orientadas a colecciones estáticas, bien controladas, hasta las que 
soportan la fuente más grande de recursos publicados en Internet, no controlados y con una carga dinámica 
intensa. 
Los principios básicos detrás de los motores de búsqueda, de acuerdo con la clasificación que propone 
Langville [5], permiten conocer las características y, por tanto, la factibilidad para aplicar estos modelos a la 
solución del problema de localización de precedentes. En su artículo, agrupa los basados en el álgebra de 
Boole y los basados en vectores. 
2.1.1 MOTORES DE BÚSQUEDA BASADOS EN ÁLGEBRA BOOLENA 
Entre los primeros y más simples modelos de búsqueda está el basado en el álgebra de Boole, especializado 
en consultas exactas a partir de las peticiones del usuario. Devuelve como documentos “relevantes” 
aquéllos que contienen las palabras proporcionadas en la formulación de la consulta. Ya sea con ayuda de 
un formulario de consulta o a través del reconocimiento de los operadores: AND, OR y NOT, es posible 
establecer peticiones del estilo: Juan AND Pérez AND Hernández, Luis AND (Jiménez OR Giménez). 
En el contexto del problema planteado, la solución más simple es proveer una caja de texto en la que el 
usuario ingrese su petición de forma natural, por ejemplo: “Juan Pérez Hernández” y que el sistema la 
traduzca a: Juan AND Pérez AND Hernández, sin esperar que el usuario la formule en términos del álgebra 
booleana. Para consultas más especializadas es recomendable proveer de expresiones fáciles de 
comprender con interfaces apropiadas para ingresar criterios más elaborados. 
Los problemas de localización de nombres abreviados se solventan si la herramienta cuenta con 
características apropiadas para el manejo de sinónimos, o bien, procesando anticipadamente la consulta del 
usuario y formulando la correspondiente petición: Juan AND Pérez AND (Hernández OR Hdz.), con ayuda de 
un diccionario que contenga las abreviaturas e hipocorísticos de nombres de personas. 
 
1
 Formalmente se denomina n-gramas y es el conjunto de las subcadenas de longitud n de una cadena dada. 
ESTADO DEL ARTE 
 
 18 
El uso de acentos en el idioma español no representainconvenientes para la búsqueda, dado que 
generalmente se disponen de características para el empleo indistinto de vocales con acentos o sin ellos, 
aplicando las directivas adecuadas de cultura e idioma en la configuración del sistema de bases de datos. 
Así, la consulta: “Juan AND Perez AND Hernandez” se podrá ejecutar y mostrar los mismos documentos 
relevantes que si contuviera los acentos correspondientes. 
Sin embargo, este modelo arroja falsos positivos cuando los nombres de las partes se encuentran separadas 
por comas y no se destina un registro exclusivo para cada una de ellas. Una solución parcial, ofrecida por la 
mayoría de estas herramientas, es formular una petición del estilo: “Juan Pérez Hernández” OR “Juan Pérez 
Hdz.”, con lo que se logra mayor precisión en las respuestas, pero con el riesgo de omitir registros como: 
“Juan Pablo Pérez Hernández” (supuesto falso negativo). 
La escritura de nombres de personas no está sujeta a reglas ortográficas estrictas, por lo tanto, situaciones 
como “Xavier” en lugar de “Javier”, “Velasco” en lugar de “Velazco” escapan de la cobertura del resultado. 
Otro escenario en el que se presentan problemas es cuando en la fuente de información se intercambian 
letras por descuido; por ejemplo: Juan Pérez Henrández. Ocurre el mismo efecto si se omite una de las 
letras o si se encuentra una letra o signo adicional. Estos modelos no detectan este tipo de ambigüedades y 
las pasan por alto (falsos negativos). 
A pesar de las imprecisiones señaladas, estos métodos prevalecen como motores de búsqueda de propósito 
general por las siguientes razones: 
 El sistema de bases de datos se encarga de la administración y control de las estructuras e índices 
para soportar la característica de indexado completo de texto. 
 Permiten la recuperación de información de manera rápida. Sería impensable la aplicación de 
operadores LIKE, considerados como obsoletos para grandes volúmenes de información. 
 Son métodos escalables y es posible aprovechar capacidades de procesamiento paralelo. 
 El esfuerzo requerido para la implementación es de nivel medio y la complejidad se mantiene en la 
misma escala. 
Los problemas encontrados en el contexto del acervo legal, y por lo que no se considera una solución 
suficiente, son los siguientes: 
 Tratándose de un entorno legal, en la mayoría de los expedientes se destinan registros individuales 
para cada una de las partes, pero existen escenarios en los que se agrupan según la personalidad en 
el juicio y se capturan varios nombres de personas en un mismo registro, separadas por comas. 
 En la Figura 1 se observa que en 23% de los juicios las partes no se capturan en registros 
individuales. Esta situación representa un obstáculo para implementar el indexado de texto 
completo, pues a pesar de que estas herramientas ofrecen operadores NEAR, que procuran un 
factor de cercanía entre términos, no se logran erradicar los falsos positivos. La causa de estos 
falsos positivos es que las búsquedas arrojan registros como relevantes por la sencilla razón de que 
en él se encontraron todos los términos de la consulta sin la cercanía suficiente y sin la garantía de 
que los términos correspondan a la misma persona. Este fenómeno se presenta cuando se 
ESTADO DEL ARTE 
 
 19 
interpone una coma o la conjunción y entre términos. La condición de cercanía provista por Fulltext 
está enfocada a párrafos y resulta insuficiente para propósitos de localización de nombres. En las 
pruebas realizadas sólo se obtuvo ligera mejoría en la organización de resultados respecto del factor 
de relevancia (Rank). 
 Las características de inflexión de voces a partir de la raíz de las palabras no son aplicables para los 
nombres propios. 
 En el acervo se encuentran errores provocados por descuidos al intercambiar letras, omitirlas, 
repetirlas y, algunas veces, por agregar otras. 
 Por la propia naturaleza de los nombres propios, que no están sujetos a reglas ortográficas estrictas. 
 
Figura 1. Número de registros destinados a las partes 
2.1.2 MOTORES DE BÚSQUEDA BASADOS EN VECTORES 
El modelo de recuperación de información basado en vectores fue desarrollado por Gerard Salton a 
principios de 1960. Éste transforma textos en vectores numéricos, dispuestos en matrices, y emplea 
técnicas de análisis matricial para identificar conexiones en la fuente de datos. El modelo asigna a cada 
documento (registro) valores entre 0 y 1, que representan el parecido con cada uno de los términos 
(nombres) del acervo en la consulta del usuario. El resultado de la consulta puede organizarse de acuerdo 
con la relevancia. Así, el documento que ocupe el primer sitio será calificado como el de mayor relevancia 
de acuerdo con la petición del usuario. 
El acervo del sistema de gestión de la Suprema Corte de Justicia de la Nación consta de más de 100 mil 
documentos (juicios) y un diccionario inicial de más de 40 mil términos (palabras), como resultado de la 
dispersión de los nombres de las partes. La dimensión de la matriz resultante, denominada término-por-
documento (nombres-por-juicio) será del orden de 100 000 x 40 000. 
77%
17%
5%
1%
0
20 000
40 000
60 000
80 000
100 000
120 000
140 000
160 000
180 000
200 000
1 2 3 4+
Ju
ic
io
s
Número de registros destinados a las partes
ESTADO DEL ARTE 
 
 20 
 juicio1 juicio2 juicio3 … juiciom 
 
nombre1 0 0 1 … 0 
nombre2 1 0 0 … 0 
nombre3 0 1 0 … 0 
… … … … … ... 
nombren 0 0 1 … 0 
 
Donde los elementos (i, j) de la matriz tendrán el valor 1 si el i-ésimo nombre está contenido en el j-ésimo 
juicio, y 0 si no lo está. La primera columna de la matriz representa al primer juicio vector y así 
sucesivamente; n el número de nombres y m es el número de juicios. 
En esta representación vectorial escapa la frecuencia de aparición de términos por documento. Una 
variante que utiliza la frecuencia del i-ésimo término en el documento j-ésimo produce una matriz con 
elementos 0 <= a(i, j) <= fmax donde fmax es la frecuencia del término más recurrente del acervo. 
Otro esquema utilizado por los modelos vectoriales de búsqueda tiene en cuenta la participación 
(proporción) del término en el documento. Así cada vector Di de la matriz cumplirá la ecuación: 
 Di = 1
𝑛
𝑖=1
 
Independientemente del esquema de ponderación, ahora el problema de búsqueda está en el terreno del 
álgebra lineal, pasando por la geometría euclidiana. Esta matriz representa los documentos del acervo. La 
consulta del usuario, siguiendo el mismo principio, estará representada por el vector Q de términos. 
Esencialmente el problema consiste en determinar el conjunto de vectores de la matriz A más cercanos al 
vector Q. 
Si modelamos gráficamente la instancia del problema para una matriz A con vectores de tres elementos, la 
solución al problema estará dada por todos aquellos vectores del acervo comprendidos dentro de un cono 
circular cuyo ápice está en (0, 0, 0). La cobertura del cono corresponde al factor de precisión que deberán 
cumplir los documentos para considerarse como relevantes para el resultado de la consulta. 
La solución matemática se basa en la obtención del coseno del ángulo entre el vector de la consulta q y los 
vectores de cada documento d. 
cos 𝜃 =
𝑑𝑇𝑞
 𝑑 ∙ | 𝑞 | 
 
Donde d y q son los vectores del documento y de la consulta respectivamente, 𝑑 𝑦 𝑞 representan la 
longitud de los mismos. 
La longitud de un vector está determinada por: 
 𝑥 = 𝑥1
2 + 𝑥2
2 + ⋯ + 𝑥𝑛
2 
ESTADO DEL ARTE 
 
 21 
Cuando se obtiene el valor 1 para el coseno del ángulo, significa que el ángulo entre los vectores del 
documento y la consulta es de 0°; lo que en el terreno gráfico muestra que apuntan hacia la misma 
dirección. El valor 0 para el coseno del ángulo en el extremo opuesto significa que el documento no es 
relevante para la consulta. Por lo tanto, los vectores de interés para el modelo de búsqueda sonaquéllos 
cuya medida del coseno esté cercana a 1. El factor de cercanía estará determinado por la exactitud deseada 
en el conjunto de resultados. 
El elemento más importante a destacar del modelo de búsqueda basado en vectores es que se trata del 
sustento para los motores de búsqueda web. Los enfoques para obtener el conjunto de vectores cercanos a 
una consulta son diversos, y aunque se publican las cuestiones generales, los detalles se mantienen en 
reserva por las empresas con tanto éxito como Google, por lo que el problema se ha denominado como 
“el eigenvector de los 25 mil millones de dólares” [6]. 
Los modelos de indexado de texto completo están diseñados para soluciones de búsqueda de propósito 
general y en la mayoría la ponderación de la matriz está en función de técnicas para establecer la relevancia 
(Rank) de los documentos. El máximo acercamiento a la solución del problema de búsqueda de precedentes 
a través de los nombres de las partes, utilizando este tipo de herramientas, se logra a través de un 
tratamiento previo de la cadena de consulta con el que se buscan eliminar algunas situaciones 
problemáticas para este tipo de modelo, como las abreviaturas, sinónimos, noisy words e hipocorísticos. Las 
características lingüísticas, como revisión ortográfica e inflexiones, son de poca utilidad en el terreno de 
nombres, ya que no están sujetos a estas reglas gramaticales. 
2.2 CODIFICACIÓN FONÉTICA 
El principio de los algoritmos de codificación fonética es una función para transformar un código que 
representa la fonética de las consonantes, después de suprimir las letras h e y. Semejante al código 
lingüístico abreviado que se ha popularizado en el intercambio de mensajes cortos de texto entre usuarios 
de telefonía celular e Internet. En este tipo de mensajes las consonantes juegan un papel preponderante. 
Si bien, de acuerdo con Gil Fernández las vocales tienen un tono o frecuencia fundamental más alto que las 
consonantes, constituyen el núcleo de las sílabas, y por tanto aportan un valor acústico superior. Sin 
embargo, son las consonantes las que tiñen de modo peculiar un dialecto o acento determinado [7]. 
En el estudio de Carmen Gálvez [8] de los sistemas de codificación fonética se destacan algunas dificultades 
sobre la naturaleza de estos métodos: 
 Están construidos para la fonética de la lengua inglesa. 
 No se consideran formas abreviadas. 
 Están dirigidos a los elementos que forman los nombres personales y no tienen en cuenta las 
variantes por ordenación distinta de sus componentes. 
2.2.1 ALGORITMO DE RUSSELL 
La patente del método Soundex obtenida por Robert C. Russell para indexar nombres a partir de su 
pronunciación, en lugar de la forma escrita, data del 2 de abril de 1918. El método original consiste en la 
ESTADO DEL ARTE 
 
 22 
codificación de ocho grupos fonéticos con algunas reglas adicionales. Junto con Margaret K. Odell patentó 
en 1922 una variante que fue utilizada en 1930 por la Administración de Seguridad Social de Estados Unidos 
para extraer cierta información del censo e indexar sus registros. Más recientemente se ha empleado como 
apoyo en sistemas de inmigración, correctores ortográficos en procesadores de palabras y motores de 
búsqueda. Existe un gran número de variantes del modelo original cuyo propósito ha sido perfeccionar el 
algoritmo, equilibrando exactitud y completitud, así como agregar reglas de codificación específicas del 
idioma inglés. 
El método consiste en generar un código de cuatro caracteres (una letra y tres dígitos) que representan la 
pronunciación del nombre. De esta manera, los nombres que se pronuncian de forma semejante, aunque se 
escriban de distinta manera, ya sea por descuido o deliberadamente, comparten el mismo código. 
Algoritmo 
1. Mantiene la primera letra y elimina cualquiera de las ocurrencias de {a, e, i, o, u, h, w, y} en las 
demás posiciones. 
2. A partir de la segunda posición remplaza consonantes por dígitos según la Tabla 4: 
Código Grafía Grupo 
1 b, f, p, v Labiales y labiodentales 
2 c, g, j, k, q, s, x, z Guturales (g, j, k, q, a veces x) y sibilantes (c, s, z, a veces x) 
3 d, t Dentales 
4 l Lateral 
5 m, n Nasales 
6 r Dental-fricativa 
Tabla 4. Codificación Soundex 
3. Si dos o más letras adyacentes del nombre original (antes del paso 1) resultan con el mismo código, 
mantiene sólo el código de la primera. 
4. Completar cuatro posiciones agregando ceros para obtener la forma {letra, dígito, dígito, dígito}. 
Aplicando el algoritmo de Russell para algunos de los nombres más comunes en el corpus obtenemos el 
código J200 para JOSÉ y JOSUÉ. También se superan varios errores de escritura por descuido, como letras 
dobles o intercambiadas. Sin embargo, también aparecen situaciones como MARÍA, MURRAY, MORA y 
MIREYA con el mismo código M600 con diferencias muy notorias. En la Tabla 5 se listan los nombres más 
populares del corpus y términos con el mismo código. 
 
ESTADO DEL ARTE 
 
 23 
Nombre Soundex Otros nombres con el mismo código 
JOSÉ J200 JUEZ, JOSUÉ, JASSO, JUIC, JACK, JOYCE, JAGUEY, JAIK, JASQUI, JESSIE. 
HERNÁNDEZ H655 HERMANOS, HERNÁN, HERMENEGILDO, HERMINIO, HERMINIA, HERNANDO, HERMANN, 
HERMAN, HERMENEGILDA, HARMON, HERMANA, HERMINO. 
MARÍA M600 MARIO, MORA, MIER, MAURO, MAYOR, MIREYA, MAR, MAYRA, MURRA, MURO, MERY, 
MARY, MAURA, MARIE, MOORE, MORO, MAYER, MEYER, MURRAY. 
GONZÁLEZ G524 GONZALO, GONZALES, GONZÁLAEZ, GONZALVO, GUAMÚCHIL, GONZÁLESZ, GONZALEÑA, 
GENZLING, GENGIL, GONZALA, GONZÁELZ, GONCALVEZ. 
MARTÍNEZ M635 MARTÍN, MARÍTIMA, MARTINA, MARTINIANO, MARTENS, MARÍTIMOS, MARTINI, MARTINO, 
MARTINES, MARITANO, MARDONIO, MORTON, MARATON, MARTINICA, MARTIÍNEZ. 
SÁNCHEZ S522 SANGOCHIAN, SANCHIS, SUANCES, SUNOZAKI, SANGIACOMO. 
JUAN J500 JAIME, JUANA, JOHN, JEAN, JENNY, JOANNE, JAN, JIMMY, JOHAN, JAUME, JENA, JAME, JAEN, 
JOAN, JOANNA, JEANNE, JON, JUNE, JANE. 
PÉREZ P620 PORRAS, PRIEGO, PARQUE, PARAÍSO, PERAZA, PORCAYO, PRESA, PARGA, PARÍS, PÁRRAGA, 
PARK, PERRUSQUIA, PREZA, PARAS, PARRAS, PRICE, PAREJA. 
JIMÉNEZ J552 JIMÉNEZ, JIMENES, JIMÉMEZ, JINÉNEZ. 
PADILLA P340 PITOL, PITALUA, PADILLO, PITOLL, PADILLLA. 
Tabla 5. Codificación Soundex de nombres populares 
Es necesario realizar adecuaciones a las reglas de codificación fonética para que respondan a la estructura 
del idioma español. Además, por la influencia que tiene el náhuatl en los nombres de nuestra cultura, es 
conveniente considerar sus fonemas para afinar la exactitud del algoritmo. 
2.2.2 PROPUESTA DE CODIFICACIÓN FONÉTICA PARA EL IDIOMA ESPAÑOL DE MÉXICO 
Iniciaré por la estructura fonética del español que en el estudio de Gil Fernández J. [7] se sintetiza en la 
Tabla 6. 
Consonante Bilabial Labiodental Dental Interdental Alveolar Palatal Velar 
 Sorda Sonora Sorda Sonora Sorda Sonora Sorda Sonora Sorda Sonora Sorda Sonora Sorda Sonora 
Oclusiva p b t d k g 
Fricativa f  s J x 
Africada ʧ 
Nasal m n Ր 
Lateral l  
Vibrante Ր/r 
Tabla 6. Fonética del español 
Para cada uno de los fonemas del español, la Tabla 7 contiene ejemplos de nombres y apellidos que 
integran el corpus. 
ESTADO DEL ARTE 
 
 24 
Fonema Grafía 
/ p / p como en Pedro o Pérez. 
/ b / b como en Pablo; v como en Nava. 
/ m / m como en Emiliano o Méndez. 
/ f / f como en Felipe o Flores. 
/  / z como en Zapata; c como en Celia. 
/ t / t como en Teresa o Torres. 
/ d / d como en Dalia o Flandes. 
/ s / s como en Sergio o Sánchez. 
/ n / n como en Ana o Miranda. 
/ l / l como en Elena o González. 
/ r / r como en Enrique, Ríos o Torres. 
/ Ր / r como en Graciela o Hernández. 
/ ʧ / ch como en Chávez o Sánchez. 
/ J / J como en Soraya. 
/ ր / ñ como en Ocaña. 
/  / ll como en Guillermo o Jaramillo. 
/ k / k como en Quezada, Quiroz; c como en Castillo; k como en Karla. 
/ g / g como en Ángeles; gu como en Guillermina o Guelatao. 
/ x / j como en Jiménez;