Revista Sinapsis. ISSN 1390 – 9770  
Periodo. Julio – Diciembre 2026  
Vol. 28, Nro. 1, Publicado 2026-06-30  
Diseño, implementación y validación de un Laboratorio Universitario  
de Análisis de Datos basado en técnicas de modelamiento matemático y  
estadística aplicada.  
Design, Implementation, and Validation of a University Data Analysis Laboratory Based  
on Mathematical Modeling and Applied Statistics Techniques  
Macías Bravo Jefferson Agustín1  
Chávez Rodríguez Wilson Fabián2  
Yandri Francinet Guerrero Alcívar3  
1Universidad Técnica de Manabí, Facultad de Ciencias Básicas, Ecuador, Correo:  
jmacias5287@utm.edu.ec, CódigoOrcid: https://orcid.org/0009-0003-5616-408X  
2Universidad Técnica de Manabí, Facultad de Ciencias Básicas, Ecuador, Correo:  
wilson.chavez@utm.edu.ec, CódigoOrcid: https://orcid.org/0000-0002-0103-9623  
3Universidad Técnica de Manabí, Facultad de Ciencias Básicas, Ecuador, Correo:  
yandri.guerrero@utm.edu.ec, CódigoOrcid: https://orcid.org/0000-0003-1504-6135  
Contacto: jmacias5287@utm.edu.ec  
Recibido: 15 de noviembre de 2025  
Aprobado: 04 de febrero de 2026  
Resumen  
Se propone el diseño de un Laboratorio Universitario de Análisis de Datos orientado a fortalecer  
la formación en modelamiento matemático y estadística aplicada en carreras de Matemáticas  
Aplicadas. El modelo se basa en una infraestructura local de ocho estaciones de trabajo y un nodo  
maestro, interconectadas mediante un switch gestionable, y utiliza exclusivamente software de  
código abierto como Python, R, Hadoop, Spark, Hive y Power BI para simular un entorno de  
cómputo distribuido sin depender de servicios en la nube ni licencias comerciales. El diseño  
integra el ciclo completo del análisis de datos: desde la carga y limpieza hasta la visualización e  
interpretación de resultados, alineándose con las necesidades de formación en ciencia de datos en  
contextos universitarios con recursos limitados. Aunque el laboratorio no ha sido implementado  
ni evaluado empíricamente, su estructura responde a principios de accesibilidad, reproducibilidad  
y escalabilidad progresiva, ofreciendo un marco técnico-pedagógico viable para su futura  
implementación en instituciones de educación superior. El enfoque busca cerrar la brecha entre la  
teoría matemática y la práctica analítica, promoviendo competencias técnicas y cognitivas  
esenciales para el análisis cuantitativo contemporáneo.  
Palabras clave: Análisis de datos, Modelamiento matemático, Educación superior, Software de  
código abierto, Laboratorio universitario, Matemáticas aplicadas, Infraestructura educativa,  
Aprendizaje basado en proyectos.  
Abstract  
This paper proposes the design of a University Laboratory for Data Analysis aimed at  
strengthening training in mathematical modeling and applied statistics within Applied  
Mathematics programs. The model relies on a local infrastructure of eight student workstations  
and a master node, interconnected via a managed switch, and exclusively employs open-source  
software such as Python, R, Hadoop, Spark, Hive, and Power BI to simulate a distributed  
computing environment without reliance on cloud services or commercial licenses. The design  
integrates the complete data analysis cycle from data ingestion and cleaning to visualization and  
interpretation aligning with the educational needs of data science training in resource-constrained  
higher education settings. Although the laboratory has not yet been implemented or empirically  
https://www.itsup.edu.ec/sinapsis  
Revista Sinapsis. ISSN 1390 – 9770  
Periodo. Julio – Diciembre 2026  
Vol. 28, Nro. 1, Publicado 2026-06-30  
evaluated, its architecture adheres to principles of accessibility, reproducibility, and progressive  
scalability, offering a viable technical-pedagogical framework for future deployment in  
universities. The approach seeks to bridge the gap between mathematical theory and analytical  
practice, fostering essential technical and cognitive competencies for contemporary quantitative  
analysis.  
Keywords: Data analysis, Mathematical modeling, Higher education, Open-source software,  
University laboratory, Applied mathematics, Educational infrastructure, Project-based learning.  
Introducción  
La creciente producción de datos en sectores sociales, económicos, urbanos y sanitarios ha  
transformado la forma en que se abordan los problemas científicos y sociales. Esta realidad exige  
que las carreras universitarias, especialmente aquellas con base cuantitativa como las de  
Matemáticas Aplicadas, incorporen espacios formativos donde los estudiantes desarrollen  
competencias en análisis de datos, modelamiento estadístico y computación científica (Zhang,  
Cheng, & Boutaba, 2010). Frente a esta demanda, los laboratorios universitarios de análisis de  
datos emergen como entornos estratégicos para integrar la teoría matemática con herramientas  
prácticas de procesamiento y visualización de información.  
Sin embargo, muchas instituciones enfrentan barreras técnicas, económicas y pedagógicas para  
implementar estos espacios. La dependencia de servicios en la nube, licencias costosas o  
infraestructuras especializadas limita el acceso equitativo a la formación en ciencia de datos,  
particularmente en contextos con recursos moderados (White, 2015). En este escenario, el uso de  
software de código abierto y arquitecturas locales simuladas representa una alternativa viable para  
democratizar el aprendizaje de técnicas avanzadas sin comprometer la calidad formativa.  
Este trabajo presenta el diseño de un Laboratorio Universitario de Análisis de Datos (LAD)  
basado en herramientas libres y hardware accesible, orientado específicamente a fortalecer la  
formación en modelamiento matemático y estadística aplicada. El modelo propuesto combina una  
infraestructura física escalable compuesta por ocho estaciones de trabajo y un nodo maestro con  
un entorno de cómputo distribuido emulado mediante Apache Hadoop, gestionado a través de  
Apache Ambari, y herramientas de análisis como Python y R. A diferencia de laboratorios  
tradicionales centrados en programación general, este diseño prioriza el ciclo completo del  
análisis de datos: desde la adquisición y limpieza hasta la modelización y visualización.  
El propósito de esta propuesta es ofrecer un marco técnico-pedagógico replicable, sostenible y  
alineado con los objetivos curriculares de las carreras de Matemáticas Aplicadas. Al integrar  
conceptos de estadística, álgebra lineal y algoritmos en un entorno práctico y controlado, el LAD  
busca cerrar la brecha entre la teoría abstracta y la aplicación real, preparando a los estudiantes  
para desafíos actuales en investigación, educación y sector productivo.  
Materiales y Métodos  
Infraestructura tecnológica del laboratorio  
El Laboratorio Universitario de Análisis de Datos (LAD) se proyecta con una arquitectura híbrida  
que combinará hardware local y software de código abierto para facilitar la enseñanza y la  
experimentación en entornos controlados. En el diseño previsto, la infraestructura física estará  
conformada por ocho estaciones de trabajo idénticas como computadoras estudiantes y una  
computadora principal que funcionará como nodo maestro, todas interconectadas mediante una  
red local gestionada por un switch inteligente Cisco SG200-18 como se muestra en la Figura 1.  
Esta configuración propuesta permitirá emular un entorno de cómputo distribuido con fines  
pedagógicos sin requerir inversiones en infraestructura en la nube (Camacho Marín, Rivas  
Vallejo, Gaspar Castro, & Quiñonez Mendoza, 2020).  
https://www.itsup.edu.ec/sinapsis  
Revista Sinapsis. ISSN 1390 – 9770  
Periodo. Julio – Diciembre 2026  
Vol. 28, Nro. 1, Publicado 2026-06-30  
Figura 1: Arquitectura del sistema propuesto  
Cada estación de trabajo, según el diseño planteado, dispondrá de un procesador de cuatro  
núcleos, 16 GB de memoria RAM y 500 GB de almacenamiento SSD, especificaciones  
consideradas suficientes para ejecutar entornos integrados como Jupyter Notebook, RStudio y  
aplicaciones de visualización como Power BI y Tableau Public. El nodo maestro, planificado con  
capacidades superiores 32 GB de RAM, CPU octocore y 1 TB de almacenamiento asumirá las  
funciones de servidor de archivos, coordinador de tareas y punto de respaldo centralizado. Esta  
topología seguirá el modelo cliente-servidor clásico, adaptado a las necesidades de formación en  
ciencia de datos (Tanenbaum & Wetherall, 2011).  
Plataformas y herramientas de software  
El LAD empleará un stack de software basado exclusivamente en herramientas de código abierto  
y licencias académicas, con el fin de garantizar accesibilidad, transparencia y reproducibilidad.  
Está previsto instalar los siguientes entornos:  
Python 3.11 con bibliotecas especializadas: NumPy, pandas, scikit-learn, statsmodels,  
matplotlib y seaborn.  
R 4.3.2 con paquetes como tidyverse, ggplot2, caret y forecast.  
Apache Hadoop 3.3.6 en modo pseudo-distribuido para introducir conceptos de  
procesamiento distribuido de grandes volúmenes de datos.  
SQLite y PostgreSQL como motores de bases de datos relacionales para ejercicios de  
consulta y modelado.  
Power BI Desktop (licencia académica) para visualización interactiva orientada a toma  
de decisiones.  
Este conjunto de herramientas permite transitar desde el análisis descriptivo hasta técnicas de  
modelamiento predictivo (regresión, clasificación, series de tiempo), alineándose con los planes  
de estudio de Matemáticas Aplicadas en universidades latinoamericanas (Pinto Ayala, Castañeda  
Fuentes, & Sojos Tubay, 2024).  
https://www.itsup.edu.ec/sinapsis  
Revista Sinapsis. ISSN 1390 – 9770  
Periodo. Julio – Diciembre 2026  
Vol. 28, Nro. 1, Publicado 2026-06-30  
Figura 2: Procesos internos / Modelo funcional del sistema  
Como se observa en la Figura 2, el flujo de trabajo académico integra todas las herramientas y  
procesos del laboratorio.  
Metodología de implementación y validación  
La implementación del LAD se llevará a cabo en tres fases secuenciales: (1) diseño  
arquitectónico, (2) montaje físico y configuración de software, y (3) validación pedagógica  
mediante un piloto con estudiantes de último año. Para la fase de validación, se tiene previsto  
aplicar una metodología cualitativa de estudio de caso (Yin, 2014), en la que participarán 12  
estudiantes en un taller intensivo de 40 horas, dividido en módulos temáticos: limpieza de datos,  
análisis exploratorio, inferencia estadística y modelamiento supervisado.  
La recolección de datos se realizará mediante: (a) observación participante durante las sesiones  
prácticas, (b) registros de los scripts generados por los estudiantes, y (c) una encuesta post-taller  
con escala Likert (1–5) y preguntas abiertas sobre percepción de utilidad, dificultad y  
transferencia a sus proyectos de titulación. Los datos cualitativos se analizarán mediante  
codificación temática inductiva siguiendo los lineamientos de Braun y Clarke (2006), mientras  
que los cuantitativos se resumirán con estadística descriptiva básica (medias, desviaciones  
estándar) como se muestra en la Figura 3.  
https://www.itsup.edu.ec/sinapsis  
Revista Sinapsis. ISSN 1390 – 9770  
Periodo. Julio – Diciembre 2026  
Vol. 28, Nro. 1, Publicado 2026-06-30  
Figura 3: Flujo del funcionamiento del sistema (Workflow)  
La validez del diseño se evaluará según tres criterios: (i) funcionalidad técnica (todas las  
herramientas operativas sin fallos críticos), (ii) usabilidad pedagógica (capacidad de los  
estudiantes para completar las tareas sin asistencia constante), y (iii) pertinencia curricular  
(alineación con los objetivos de aprendizaje del plan de estudios). Este enfoque mixto permitirá  
una evaluación integral que va más allá del desempeño técnico del sistema (Márquez Silva &  
López Martínez2, 2025).  
Configuración del entorno distribuido  
La implementación del Laboratorio Universitario de Análisis de Datos se complementará con un  
entorno simulado de cómputo distribuido, configurado en el nodo maestro y replicado en las  
estaciones de trabajo para fines pedagógicos. Se utilizará Apache Hadoop 3.3.6 en modo pseudo-  
distribuido, lo cual permitirá emular un cluster de nodos en una única máquina física, ideal para  
laboratorios universitarios con recursos limitados (White, 2015). El sistema operativo base será  
Ubuntu 22.04 LTS, seleccionado por su estabilidad, soporte comunitario y compatibilidad con  
herramientas de código abierto.  
El cluster simulado constará de ocho nodos virtuales, representando cada computadora estudiante  
como un nodo esclavo y la computadora principal como nodo maestro. Cada nodo esclavo  
(DataNode) almacenará y procesará fragmentos de datos, mientras que el nodo maestro  
(NameNode) coordinará el sistema de archivos distribuido (HDFS) y la ejecución de tareas  
(MapReduce) (Dean & Ghemawat, 2008). Esta configuración permitirá a los estudiantes  
comprender la lógica de partición, replicación y tolerancia a fallos sin requerir hardware  
adicional.  
Servicios complementarios y administración del cluster  
Para ampliar la funcionalidad del entorno y ofrecer una experiencia más completa, se integrarán  
servicios adicionales como Apache Spark (procesamiento en memoria), Apache Hive (consultas  
tipo SQL) y Apache Pig (transformaciones de alto nivel). Estos servicios serán gestionados  
mediante Apache Ambari 2.7.7, una plataforma de código abierto que facilita la instalación,  
monitorización y administración de servicios Hadoop en un cluster (Hassin Alasadi & Nemer,  
2017). Ambari permitirá visualizar el estado de cada nodo, supervisar el uso de recursos y  
gestionar configuraciones, lo cual es clave para la formación de futuros analistas de datos y  
científicos computacionales.  
El servidor de Ambari se instalará en la computadora principal, mientras que en cada estación de  
trabajo se configurará un agente de Ambari. Esta arquitectura cliente-servidor permitirá a los  
docentes gestionar el entorno centralizado y a los estudiantes observar en tiempo real el impacto  
https://www.itsup.edu.ec/sinapsis  
Revista Sinapsis. ISSN 1390 – 9770  
Periodo. Julio – Diciembre 2026  
Vol. 28, Nro. 1, Publicado 2026-06-30  
de sus operaciones en el cluster, promoviendo una comprensión más profunda de los procesos de  
cómputo distribuido (Sumbaly, Kreps, & Wu, 2012).  
Validación técnica del entorno  
La validación del entorno se llevará a cabo mediante la ejecución de pruebas de rendimiento y  
estabilidad. Se simularán tareas de procesamiento de grandes volúmenes de datos (10 GB de  
archivos CSV estructurados) y se medirá el tiempo de respuesta, la distribución de carga entre  
nodos y el porcentaje de éxito de las operaciones. Se espera que los resultados indiquen que el  
entorno es funcional para fines académicos, con tiempos de respuesta aceptables y sin errores  
críticos durante la ejecución de scripts simples en Python y R sobre el cluster simulado.  
Resultados  
Arquitectura física y lógica del Laboratorio de Análisis de Datos  
El diseño del Laboratorio Universitario de Análisis de Datos (LAD) consta de una infraestructura  
local compuesta por ocho estaciones de trabajo para estudiantes y una computadora principal que  
actúa como nodo maestro y servidor central. Todas las máquinas están interconectadas mediante  
un switch Cisco SG200-18, que garantiza una comunicación estable y soporte para Quality of  
Service (QoS), PoE y gestión remota, elementos clave para la administración eficiente de redes  
locales en entornos educativos (CISCO, 2023).  
Cada estación de trabajo cuenta con un procesador de cuatro núcleos, 16 GB de RAM y 500 GB  
de almacenamiento SSD, especificaciones mínimas recomendadas para ejecutar herramientas de  
análisis de datos como Python, R y Power BI sin latencias significativas (Camacho Marín, Rivas  
Vallejo, Gaspar Castro, & Quiñonez Mendoza, 2020). La computadora principal dispone de 32  
GB de RAM, CPU octocore y 1 TB de almacenamiento, lo que le permite gestionar servicios  
compartidos como Hadoop, Ambari y respaldos temporales.  
Modelo de cluster distribuido simulado  
El LAD incorpora un entorno de cómputo distribuido emulado mediante Apache Hadoop en modo  
pseudo-distribuido, instalado en cada estación de trabajo y coordinado desde el nodo maestro.  
Este modelo permite simular un cluster real con roles definidos: el nodo maestro asume las  
funciones de NameNode y JobTracker, mientras que cada estación de trabajo opera como  
DataNode y TaskTracker, siguiendo la arquitectura clásica de Hadoop 2.x (White, 2015).  
La partición de datos se realiza mediante el sistema de archivos distribuido HDFS, con un tamaño  
de bloque configurado en 128 MB y un factor de replicación de 2, asegurando tolerancia básica a  
fallos. Cada nodo almacena fragmentos de los conjuntos de datos utilizados en prácticas  
académicas en tal caso, bases públicas de salud, educación o transporte, permitiendo a los  
estudiantes experimentar con técnicas de procesamiento paralelo sin requerir acceso a  
infraestructuras en la nube.  
Servicios de software integrados  
El stack de software del LAD incluye:  
Apache Spark, para procesamiento en memoria y tareas de aprendizaje automático.  
Apache Hive, que permite consultas SQL sobre datos almacenados en HDFS, facilitando  
la transición desde bases de datos tradicionales.  
Apache Pig, para transformaciones de alto nivel en flujos de datos.  
Power BI Desktop (versión gratuita para educación), utilizado en módulos de  
visualización interactiva.  
Jupyter Notebook y RStudio, como entornos interactivos para programación en Python y  
R.  
Todos estos servicios son gestionados centralmente mediante Apache Ambari 2.7.7, instalado en  
el nodo maestro. Ambari proporciona una interfaz web para la monitorización del estado del  
cluster, la gestión de usuarios, la activación/desactivación de servicios y la generación de alertas  
ante eventos críticos (Hassin Alasadi & Nemer, 2017). Los agentes de Ambari se instalan en cada  
estación de trabajo, permitiendo una visibilidad completa del entorno desde una única consola.  
https://www.itsup.edu.ec/sinapsis  
Revista Sinapsis. ISSN 1390 – 9770  
Periodo. Julio – Diciembre 2026  
Vol. 28, Nro. 1, Publicado 2026-06-30  
Flujo de trabajo esperado en escenarios académicos  
Se ha definido un flujo de trabajo estándar como se muestra en la Figura 4 para las prácticas del  
LAD:  
Figura 4: flujo de trabajo estándar  
Este flujo busca integrar competencias técnicas, analíticas y colaborativas en un entorno  
controlado, alineado con los objetivos de formación en Matemáticas Aplicadas (Márquez Silva &  
López Martínez2, 2025).  
Discusión  
El diseño propuesto del Laboratorio Universitario de Análisis de Datos (LAD) responde a una  
necesidad creciente en los programas de Matemáticas Aplicadas: integrar competencias en ciencia  
de datos sin depender de infraestructuras externas o servicios en la nube de costo elevado. Este  
enfoque local y autocontenido es coherente con la tendencia de promover la enseñanza de  
herramientas de análisis basadas en software de código abierto, especialmente en contextos con  
recursos limitados (Zhang, Cheng, & Boutaba, 2010).  
Una ventaja clave del diseño es su equilibrio entre fidelidad técnica y accesibilidad pedagógica.  
Al emular un cluster Hadoop mediante modo pseudo-distribuido, se expone a los estudiantes a  
conceptos fundamentales del cómputo distribuido como partición de datos, replicación y  
tolerancia a fallos sin requerir hardware especializado ni conocimientos avanzados de redes. Esta  
estrategia se alinea con lo planteado por White (2015), quien destaca que la comprensión de  
HDFS y MapReduce no requiere clusters físicos masivos, sino entornos controlados donde los  
estudiantes puedan observar el comportamiento de los componentes bajo cargas razonables.  
La elección de Apache Ambari como capa de gestión no solo simplifica la administración docente,  
sino que introduce a los estudiantes en prácticas profesionales de monitoreo y operación de  
infraestructuras de datos. Aunque Ambari no ha sido objeto de estudios empíricos específicos en  
educación, su adopción en entornos académicos y empresariales se fundamenta en su capacidad  
para reducir la complejidad operativa de Hadoop, lo cual ha sido ampliamente documentado en  
su propia documentación técnica y en guías de implementación de código abierto (Apache  
Software Foundation, 2020).  
El uso exclusivo de software de código abierto Python, R, Hadoop, Spark garantiza  
reproducibilidad, sostenibilidad y accesibilidad, principios esenciales en la educación científica  
moderna. Como señala McKinney (2010), la estandarización en torno a ecosistemas de código  
abierto ha transformado la enseñanza de la estadística computacional, permitiendo que los  
estudiantes construyan portafolios transferibles al mercado laboral. De igual forma, Pedregosa et  
al. (2011), demuestran cómo bibliotecas como scikit-learn han democratizado el acceso al  
aprendizaje automático en entornos educativos, incluso sin experiencia previa en programación.  
La arquitectura propuesta, con ocho estaciones de trabajo y un nodo maestro, está diseñada para  
manejar conjuntos de datos típicos en proyectos de pregrado generalmente entre 1 y 10 GB, lo  
https://www.itsup.edu.ec/sinapsis  
Revista Sinapsis. ISSN 1390 – 9770  
Periodo. Julio – Diciembre 2026  
Vol. 28, Nro. 1, Publicado 2026-06-30  
cual es consistente con la práctica real en cursos universitarios de análisis de datos (White, 2015).  
Aunque no escala a volúmenes de Big Data industrial, su propósito no es replicar centros de datos  
empresariales, sino formar en los fundamentos del análisis cuantitativo, un objetivo que no  
requiere infraestructura masiva (O’Neil & Schutt, 2013).  
Finalmente, el diseño se diferencia de laboratorios tradicionales al centrarse en el ciclo completo  
del análisis de datos: desde la adquisición y limpieza hasta la modelización y visualización. Este  
enfoque integral es coherente con las recomendaciones actuales para la formación en ciencia de  
datos en carreras cuantitativas, donde la capacidad de interpretar resultados y comunicarlos  
visualmente es tan importante como la implementación técnica (Wickham, 2016).  
Conclusiones  
Se propuso el diseño de un Laboratorio Universitario de Análisis de Datos orientado a fortalecer  
la formación en modelamiento matemático y estadística aplicada dentro de programas de  
Matemáticas Aplicadas. La arquitectura planteada contempló una infraestructura local compuesta  
por ocho estaciones de trabajo y un nodo maestro, interconectadas mediante un switch  
gestionable, configuradas para simular un entorno de cómputo distribuido usando herramientas  
de código abierto como Hadoop, Python y R. Este enfoque permitió estructurar un modelo técnico  
factible, centrado en la accesibilidad, sin dependencia de servicios en la nube ni licencias  
comerciales, y pensado para instituciones con recursos limitados.  
El diseño incorporó componentes tanto técnicos como pedagógicos, con el objetivo de integrar la  
teoría matemática con la práctica analítica. Se definió un flujo de trabajo secuencial desde la carga  
de datos hasta la visualización de resultados que podría guiar futuras actividades académicas,  
promoviendo competencias en limpieza, análisis exploratorio, modelamiento y comunicación de  
hallazgos. Aunque el modelo no ha sido implementado ni evaluado, su estructura responde a  
principios de simplicidad, reproducibilidad y escalabilidad progresiva, lo que lo convierte en una  
base viable para futuros desarrollos en contextos universitarios. En conjunto, esta propuesta  
constituye un marco inicial para la creación de espacios formativos especializados en ciencia de  
datos, alineados con las demandas actuales del entorno científico y social.  
Referencias Bibliográficas  
1. Apache Software Foundation. (2020). Apache Ambari Documentation. Obtenido de  
https://ambari.apache.org/  
2. Braun, V., & Clarke, V. (2006). Using thematic analysis in psychology. Qualitative  
Research  
in  
Psychology,  
3,  
77–101.  
Obtenido  
de  
https://doi.org/10.1191/1478088706qp063oa  
3. Camacho Marín, R., Rivas Vallejo, C., Gaspar Castro, M., & Quiñonez Mendoza, C.  
(2020). Innovación y tecnología educativa en el contexto actual latinoamericano. Revista  
de  
Ciencias  
Sociales,  
26,  
460-472.  
Obtenido  
de  
https://www.redalyc.org/journal/280/28064146030/html/  
4. CISCO. (2023). Cisco SG200-18 Smart Switch Data Sheet. Cisco. Obtenido de  
https://www.cisco.com/c/es_mx/obsolete/switches/cisco-small-business-200-series-  
smart-switches.html  
5. Dean, J., & Ghemawat, S. (2008). MapReduce: Simplified data processing on large  
clusters.  
Communications  
of  
the  
ACM,  
51,  
107–113.  
Obtenido  
de  
https://doi.org/10.1145/1327452.1327492  
6. Hassin Alasadi, A. H., & Nemer, Z. N. (2017). Finger Vein Verification System based on  
Three Methodologies of Feature Extraction. International Journal of Computer  
Applications, 172(5), 0975 – 8887. doi:https://doi.org/10.5120/ijca2017915144  
7. Kolokolov, A., & Zelensky, M. (2024). Data Visualization with Microsoft Power BI: How  
to Design Savvy Dashboards. Sebastopol, California: O'Reilly Media.  
https://www.itsup.edu.ec/sinapsis  
Revista Sinapsis. ISSN 1390 – 9770  
Periodo. Julio – Diciembre 2026  
Vol. 28, Nro. 1, Publicado 2026-06-30  
8. Márquez Silva, F., & López Martínez2, R. (2025). Competencias investigativas y su  
análisis en el campo de la tecnología educativa mediante e-learning. Revista Ensayos  
Pedagógicos, 20(1), 1-37. doi:http://doi.org/10.15359/rep.20-1.7  
9. McKinney, W. (2010). Data structures for statistical computing in Python. Proceedings of  
the  
9th  
Python  
in  
Science  
Conference,  
(págs.  
51–56).  
Obtenido  
de  
https://doi.org/10.25080/Majora-92bf1922-00a  
10. O’Neil, C., & Schutt, R. (2013). Doing data science: Straight talk from the frontline.  
O’Reilly Media.  
11. Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., & Thirion, B. (2011). Scikit-  
learn: Machine learning in Python. Journal of Machine Learning Research, 2825–2830.  
Obtenido de https://doi.org/10.48550/arXiv.1201.0490  
12. Pinto Ayala, B. E., Castañeda Fuentes, J. G., & Sojos Tubay, A. M. (2024). Competencias  
digitales en docentes latinoamericanos de educación primaria en los años del 2018-2022.  
Revista  
de  
Ciencias  
Humanísticas  
y
Sociales,  
49-59.  
doi:https://doi.org/10.33936/rehuso.v9i1.5773  
13. Sumbaly, R., Kreps, J., & Wu, L. (2012). The “big data” ecosystem at LinkedIn. ACM  
SIGMOD International Conference on Management of Data, (págs. 1125–1128).  
Obtenido de https://doi.org/10.1145/2213836.2213957  
14. Tanenbaum, A., & Wetherall, D. (2011). Computer networks (5th ed.). Pearson  
Education.  
15. White, T. (2015). Hadoop: The definitive guide (4th ed.). O’Reilly Media.  
16. Wickham, H. (2016). ggplot2: Elegant graphics for data analysis (2nd ed.). Springer.  
Obtenido de https://doi.org/10.1007/978-3-319-24277-4  
17. Yin, R. (2014). Case study research: Design and methods (5th ed.). SAGE Publications.  
18. Zhang, Q., Cheng, L., & Boutaba, R. (2010). Cloud computing: State-of-the-art and  
research challenges. Journal of Internet Services and Applications, 1, 7–18. Obtenido de  
https://doi.org/10.1007/s13174-010-0007-6  
https://www.itsup.edu.ec/sinapsis