La presencia de software malicioso (malware), por ejemplo, en aplicaciones de Android (apps), tiene consecuencias perjudiciales o irreparables para el usuario y/o el dispositivo. A pesar de las protecciones que ofrecen las tiendas de aplicaciones para evitar el malware, este sigue creciendo en sofisticación y difusión. En este documento, exploramos el uso de técnicas de aprendizaje automático (ML) para detectar malware en aplicaciones de Android. El enfoque está en el estudio de diferentes técnicas de preprocesamiento de datos, reducción de dimensionalidad y clasificación, evaluando la capacidad de generalización de los modelos aprendidos utilizando conjuntos de datos de dominio público y aplicaciones desarrolladas específicamente. Encontramos que los clasificadores que logran un mejor rendimiento para esta tarea son las máquinas de soporte vectorial (SVM) y los bosques aleatorios (RF). Enfatizamos el uso de técnicas de selección de características (FS) para reducir la dimensionalidad de los datos e identificar las características más relevantes en la clasificación de malware en Android, lo que lleva a la explicabilidad en esta tarea. Nuestro enfoque puede identificar las características más relevantes para clasificar una aplicación como malware. En particular, concluimos que los permisos juegan un papel destacado en la detección de malware en Android. El enfoque propuesto reduce la dimensionalidad de los datos mientras logra una alta precisión en la identificación de malware en aplicaciones de Android.