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.

El presente estudio explora la implementación de estrategias educativas innovadoras para el mantenimiento y optimización de dispositivos electrónicos, tomando como eje central el "Manual de Mantenimientos Preventivos y Correctivos de Dispositivos Electrónicos (computadores)". Este manual, diseñado como herramienta pedagógica, estructuró actividades prácticas que permitieron a los estudiantes desarrollar competencias técnicas esenciales, como el manejo de herramientas especializadas y la ejecución de procedimientos técnicos complejos, incluyendo diagnóstico, desarme y ensamblaje de dispositivos.La integración de tecnologías avanzadas, como simuladores y laboratorios virtuales, fue clave para garantizar prácticas técnicas seguras y accesibles, especialmente en instituciones con recursos limitados. Estas herramientas incrementaron la motivación y confianza de los estudiantes, fortaleciendo su preparación para el entorno laboral. Además, el enfoque en sostenibilidad tecnológica, mediante el mantenimiento preventivo y la reutilización de componentes, contribuyó a reducir residuos electrónicos y a promover una cultura de responsabilidad ambiental.A pesar de los resultados positivos, se identificaron desafíos como la necesidad de mejorar la capacitación docente en tecnologías avanzadas y la insuficiencia de infraestructura. En conclusión, la combinación de metodologías innovadoras, tecnologías avanzadas y prácticas sostenibles fortaleció la formación técnica de los estudiantes, promoviendo una educación inclusiva y orientada a la sostenibilidad.

Debido a la creciente demanda de datos a través de las redes móviles, se están considerando nuevas técnicas que incrementen la eficiencia espectral. El acceso múltiple no-ortogonal (Non-Orthogonal Multiple Access, NOMA) es una de las técnicas que están siendo evaluadas dentro del 3GPP (Third Generation Partnership Project). NOMA, también conocida como LDM (Layered-Division-Multiplexing), proporciona servicios a múltiples usuarios mediante multiplexación en potencia. Debido la utilización del 100% del tiempo y ancho de banda del sistema mediante el uso de esta técnica, se espera conseguir una mayor eficiencia espectral que las tecnologías de acceso múltiple ortogonales convencionales TDM (Time Division Multiplexing) o FDM (Frequency Division Multiplexing). Esta ganancia ya ha sido demostrada en el nuevo estándar de televisión digital terrestre ATSC (Advanced Television Systems Committee), ATSC 3.0. En este trabajo se evaluará la utilización de NOMA en sistemas LTE (Long Term Evolution) mediante simulaciones de capa física, y se compararán las ganancias obtenidas con las publicadas en la bibliografía de ATSC 3.0. Así también se hace una revisión de las aplicaciones de la telefonía celular, principalmente de LTE en la seguridad industrial.