Two technologies of great interest in recent years—Artificial Intelligence (AI) and massive wireless communication networks—have found a significant point of convergence through Federated Learning (FL). Federated Learning is a Machine Learning (ML) technique that enables multiple participants to collaboratively train a model while keeping their data local. Several studies indicate that while improving performance metrics—such as accuracy, loss reduction, or computation time—is a primary goal, achieving this in real-world scenarios remains challenging. This difficulty arises due to various heterogeneity characteristics inherent to the wireless devices participating in the Federation. Heterogeneity in Federated Learning arises when participants contribute differently, leading to challenges in the model training process. Heterogeneity in Federated Learning may appear in architecture, statistics, and behavior. System heterogeneity arises from differences in device capabilities, including processing power, transmission speeds, availability, energy constraints, and network limitations, among others. Statistical heterogeneity occurs when participants contribute non-independent and non-identically distributed (non-IID) data. This situation can harm the global model instead of improving it, especially when the data are of poor quality or too scarce. The third type, behavioral heterogeneity, refers to cases where participants are unwilling to engage or expect rewards despite minimal effort. Given the growing research in this area, we present a summary of heterogeneity characteristics in Federated Learning to provide a broader perspective on this emerging technology. We also outline key challenges, opportunities, and future directions for Federated Learning. Finally, we conduct a simulation using the LEAF framework to illustrate the impact of heterogeneity in Federated Learning.

Este libro surge con el objetivo de brindar una introducción clara y estructurada a los conceptos esenciales de la estadística descriptiva, combinando el rigor académico con un enfoque eminentemente práctico, está dirigido a estudiantes universitarios, docentes y profesionales de distintas áreas que deseen adquirir o reforzar competencias para manejar datos de forma sistemática y fundamentar sus decisiones en evidencias cuantitativas.

La gestión sostenible de residuos sólidos urbanos enfrenta desafíos importantes debido a la escasa eficiencia de los procesos de clasificación manual y la baja tasa de recuperación de materiales reciclables. Este estudio tuvo como objetivo evaluar la efectividad de un modelo de visión artificial basado en la arquitectura You Only Look Once (YOLOv8) para la identificación y clasificación automatizada de residuos. La metodología comprendió el procesamiento de una versión optimizada del conjunto de datos TrashNet, conformada por 2.390 imágenes tras un riguroso proceso de depuración y balanceo. El dataset se categorizó en cinco clases fundamentales: cartón, papel, plástico, metal y vidrio. Se emplearon técnicas de transferencia de aprendizaje (transfer learning) y segmentación estratificada para garantizar la robustez del entrenamiento en un entorno de computación de alto rendimiento. Los resultados experimentales demostraron un desempeño superior, alcanzando una exactitud global de 0,94 en el conjunto de validación. Las métricas de precisión, sensibilidad y F1-score evidenciaron una alta consistencia interclase, manteniendo la estabilidad operativa frente a variaciones de iluminación y ruido visual. En la fase de discusión e impacto, se validó la aplicabilidad tecnológica mediante el despliegue del modelo en aplicaciones funcionales de escritorio y entorno web. Estas herramientas permitieron el procesamiento en tiempo real sin dependencia de servidores externos, lo que facilitó la descentralización del monitoreo ambiental. Se concluye que la integración de redes neuronales convolucionales de una sola etapa representa una solución escalable y de bajo costo computacional, con un potencial significativo para transformar los sistemas de economía circular y optimizar la recuperación de recursos en contextos urbanos e industriales.