La intersección entre las matemáticas y la programación constituye un área de estudio en constante evolución y expansión. Esta investigación examinó la relación entre las matemáticas aplicadas y la solución de algoritmos complejos en programación, destacando los enfoques teóricos y prácticos más relevantes en la literatura. La metodología se basó en una revisión bibliográfica en la que se recopilaron y analizaron estudios sobre la aplicación de las matemáticas en la solución de algoritmos complejos, utilizando bases de datos académicos como IEEE Xplore, ACM Digital Library, ScienceDirect, SpringerLink y Google Scholar. Se revisaron aproximadamente 63 publicaciones relevantes, organizadas en tres categorías principales: teoría de algoritmos, aplicaciones matemáticas en programación y áreas de intersección. Como resultado, se encontró que las matemáticas proporcionan una base teórica para formular problemas computables, mientras que la programación traduce estos conceptos en instrucciones ejecutables. Esta colaboración es crucial en áreas como el aprendizaje automático, la optimización y la criptografía, donde modelos matemáticos avanzados mejoran la precisión y eficacia de los algoritmos. La revisión enfatiza que, sin un sólido conocimiento matemático, los programadores enfrentan limitaciones para crear algoritmos, lo que resalta la necesidad de esta interdependencia en la industria y la academia. Concluyendo que las matemáticas aplicadas son esenciales para la programación de algoritmos complejos, ya que proporcionan las bases teóricas y las herramientas necesarias para resolver problemas avanzados en campos como el aprendizaje automático, la criptografía y la visión por computadora.

En el campo del aprendizaje automático, el álgebra lineal se ha consolidado como una herramienta matemática fundamental para el desarrollo y la optimización de algoritmos, permitiendo modelar y manipular grandes cantidades de datos de manera eficaz. Para abordar este objetivo, se realizó una revisión exhaustiva de la literatura relevante, centrada en estudios recientes y experimentos empíricos que demuestran la aplicación y el impacto de estas operaciones en modelos de machine learning. A través de un análisis detallado de los conceptos clave y su relación con algoritmos específicos, se examinaron las principales operaciones de álgebra lineal y cómo estas sustentan tareas críticas en machine learning, como la propagación hacia adelante y la retropropagación en redes neuronales y la reducción de dimensionalidad en PCA. Los resultados de la revisión confirman que el álgebra lineal no solo es fundamental para el funcionamiento de los algoritmos, sino que su comprensión profunda puede conducir a mejoras significativas en términos de eficiencia y precisión. La implementación eficiente de estas operaciones permite optimizar los recursos computacionales y mejorar la capacidad de generalización de los modelos, aspectos críticos para el tratamiento de datos complejos y de gran volumen. En conclusión, el dominio del álgebra lineal es indispensable para quienes buscan optimizar y entender mejor los modelos de machine learning. Además, la investigación futura en esta área puede abrir nuevas posibilidades para desarrollar algoritmos más rápidos y precisos, así como soluciones innovadoras para los desafíos de escalabilidad y estabilidad numérica que enfrenta el campo actualmente.

El aprendizaje de la Matemática desarrolla el pensamiento lógico y habilidades para la resolución de problemas y toma de decisiones. Gracias a este tipo de aprendizaje se puede tener mayor claridad de ideas y del uso del lenguaje, en especial el que demanda la ciencia actual.

Real-time road accident prediction under dynamic climatic conditions remains a critical challenge for intelligent transportation systems, especially in peripheral and rural regions with limited communication infrastructure. This study proposes and evaluates a comprehensive five-layer cyber–physical architecture based on Federated Edge Intelligence to enable climate-aware spatiotemporal road accident prediction across the 24 provinces of Ecuador. The framework integrates low-power IoT sensing nodes equipped with TinyML capabilities (ESP32-S3), long-range LoRaWAN (Long-Range Wide-Area Network) communication networks, containerized edge–cloud orchestration via OpenNebula and K3s, a decentralized Federated Learning ecosystem using the FedAvg algorithm, and a geospatial decision intelligence backend. Leveraging a nationwide multi-source dataset spanning the 2014–2025 period with 27,620 processed records, the architecture successfully handles highly skewed historical accident profiles optimized through a Box–Cox transformation. Empirical results demonstrate that the centralized Stacking ensemble achieves the highest overall baseline performance ($R^2=0.2460,\mathrm{MAE}=0.4748$) in the Box–Cox transformed space. In the decentralized environment, the federated Gradient Boosting implementation establishes a resilient and viable accuracy trade-off ($14.51\%$ increase in MAE) while strictly maintaining localized data sovereignty and compliance with personal data protection legislation. Operationally, the edge nodes achieve a localized inference latency of only $78\mathrm{ms}$, well below the critical $200\mathrm{ms}$ safety threshold, while the global aggregation engine exhibits rapid convergence within just three communication rounds. This cyber–physical ecosystem proves that combining localized TinyML inference with federated aggregation provides a scalable, low-latency, and privacy-preserving foundation for next-generation climate-aware road safety infrastructures in connectivity-constrained environments.

Actualmente, los diseños asistidos por ordenador (CAD, por sus siglas en inglés) permiten crear, diseñar, simular y analizar equipos mecánicos en el sector industrial. A pesar de estas tecnologías, faltan equipos para procesar biomasas forestales en los laboratorios de las universidades Ecuatorianas. Esta investigación tuvo como objetivo desarrollar un modelo de simulación digital usando herramientas informáticas para la obtención de un triturador de biomasa forestal para laboratorios. Para ello, se empleó la metodología del software Autodesk Inventor, integrando los datos del diseño mecánico, así como la modelación y simulación para el análisis computacional de la estructura. Los resultados mostraron que el factor de seguridad del rodamiento, las cuchillas cortantes en un ángulo de 45º, una tolva de 90º y una malla de 2 mm arrojaron 0.9 microlitros y 15 microlitros requeridos mínimo y máximo, respectivamente, para lubricar y evitar el endurecimiento de la masa del eje de trabajo de las cuchillas. Se obtuvieron partículas tipo serrín de 75-300 μm, alcanzando una eficiencia del 95 % del corte de rodamiento, con una elasticidad máxima del eje de 230.90 MPa y un voltaje de 1-3 V. En conclusión, el análisis computacional brinda una confiabilidad del 99 %, con variación del 6.59 %, obteniendo dos modelos matemáticos que analizan la eficiencia y el triturado de biomasa forestal con un rendimiento del 62 % y una producción de 240 g/min, asegurando que el equipo procese biomasa para la producción de energía renovable en la Amazonía ecuatoriana.

El incremento de infraestructuras tecnológicas, de ciberamenazas y del volumen de tráfico de red, ha convertido a la detección de intrusiones como un componente crítico en ciberseguridad. Por lo anterior mencionado, el presente estudio realizó una evaluación comparativa del desempeño de los algoritmos Random Forest, Support Vector Machine y Naive Bayes, con respecto a la clasificación de tráfico. Como marco experimental, se empleó el dataset CIC-IDS2017, bajo un enfoque cuantitativo de tipo experimental, analizando tráfico BENIGN y ataques DDoS y PortScan, se trabajó con más de un millón de registros, los cuales siguieron los procesos de limpieza transformación numérica e imputación de datos faltantes. Posteriormente se seleccionaron 300 000 registros para entrenar los modelos y poder evaluarlos con las métricas de exactitud, precisión, recall y F1-score. Además, se evaluó la interacción e importancia de las variables, matrices de confusión y la correlación entre características del tráfico de red. Los resultados obtenidos evidenciaron que Random Forest presentó el mejor desempeño, alcanzando una exactitud cercana al 99.98 % y mostrando una alta capacidad para diferenciar tráfico. Por otro lado, Support Vector Machine obtuvo una exactitud aproximada del 80.74 %, con limitaciones para identificar ataques PortScan. En contraste, Naive Bayes registró el rendimiento más bajo con una exactitud de 44.62 %, evidenciando dificultades para trabajar con datasets complejos y con variables correlacionadas. El análisis de importancia de características permitió determinar que variables vinculadas al volumen de tráfico, al tamaño de los paquetes y al comportamiento estadístico de las transmisiones son determinantes para distinguir el tipo de tráfico. Estos hallazgos, evidencia que Random Forest es la opción más equilibrada: combina alta capacidad de generalización, resistencia al sobreajuste y eficiencia computacional, lo que lo hace adecuado para desplegar sistemas IDS basados en aprendizaje automático en redes reales, entornos donde la correlación entre variables es alta.