Las señales de vibración llevan información importante sobre el estado de salud de un cojinete y han demostrado su eficacia en el entrenamiento de modelos de aprendizaje automático para el diagnóstico de fallos. Sin embargo, la tasa de muestreo y la resolución de frecuencia de estas señales adquiridas juegan un papel clave en el análisis de detección. Las organizaciones industriales a menudo buscan mediciones rentables y cualitativas, mientras reducen la resolución del sensor para optimizar su asignación de recursos. Este artículo compara el rendimiento de los clasificadores de aprendizaje supervisado para la detección de fallos en rodamientos en máquinas de inducción utilizando señales de vibración muestreadas a varias frecuencias. Se prueban tres clases de algoritmos: modelos lineales, modelos basados en árboles y redes neuronales. Estos algoritmos se entrenan y evalúan con datos de vibración recopilados experimentalmente y luego se muestrean a varios niveles intermedios de muestreo, desde 48 kHz hasta 1 kHz, utilizando un método de muestreo fraccionario. El estudio destaca la compensación entre la precisión de detección de fallos y la frecuencia de muestreo. Muestra que, dependiendo del algoritmo de aprendizaje automático utilizado, no se logran sistemáticamente mejores precisiones de entrenamiento al entrenar con señales de vibración muestreadas a una frecuencia relativamente alta.