En este trabajo se aborda el uso del Aprendizaje Federado (FL) como una solución emergente para el análisis de datos sensibles en escenarios donde la privacidad es una preocupación crítica. A diferencia de los enfoques tradicionales de Aprendizaje Automático (AA), FL permite entrenar modelos directamente en dispositivos o servidores locales, minimizando la necesidad de transferir datos a un servidor central. La investigación se enfoca en dos variantes principales de FL: el Aprendizaje Federado Horizontal (HFL) y el Aprendizaje Federado Vertical (VFL), que abordan diferentes formas de particionamiento de datos en entornos colaborativos. El objetivo principal de este proyecto es evaluar la factibilidad y eficacia de FL en comparación con el AA centralizado, utilizando herramientas como TensorFlow Federated y Flower. Para ello, se realizaron experimentos en escenarios controlados con datasets estándar como MNIST y CIFAR-10, y se aplicaron técnicas de FL en un caso de uso realista dentro del contexto de analíticas de aprendizaje (Learning Analytics o LA), específicamente para la predicción de abandono escolar y la clasificación no supervisada de alumnos. Los resultados indican que, bajo ciertas condiciones, el FL puede igualar al AA tradicional en términos de accuracy, especialmente cuando se configuran adecuadamente los hiperparámetros. Sin embargo, también se destacan las limitaciones del FL en escenarios del mundo real, como la latencia de red y la viabilidad de ejecutar múltiples rondas de entrenamiento en entornos con conectividad limitada. En conclusión, el Aprendizaje Federado se presenta como una técnica prometedora para la construcción de modelos de AA en contextos donde la privacidad de los datos es prioritaria. No obstante, su implementación práctica requiere una cuidadosa consideración de los desafíos técnicos y operacionales, así como pruebas adicionales en entornos no experimentales para validar su aplicabilidad en escenarios reales.