El estudio utilizó Regresión Lineal Múltiple junto con algoritmos de clasificación avanzados como Regresión Logística, K-Vecinos Más Cercanos (KNN), Máquina de Vectores de Soporte (SVM), Árbol de Decisión y Bosque Aleatorio, para detectar fraudes en estados financieros. El rendimiento del modelo se evaluó utilizando métricas clave, incluyendo precisión, exhaustividad, exactitud y puntuación F1. El análisis también identificó indicadores significativos de fraude, como Rotación de Cuentas por Cobrar, Días Pendientes de Cuentas por Cobrar, Días Pendientes de Cuentas por Pagar, Logaritmo del Margen Bruto, Margen Bruto, Relación Inventario a Ventas y Rotación de Activos Totales. Entre los modelos, el Bosque Aleatorio surgió como el algoritmo más efectivo, superando consistentemente a otros en ambos conjuntos de datos de entrenamiento y pruebas. La Regresión Logística y SVM demostraron una fuerte confiabilidad, mientras que KNN y Árbol de Decisión enfrentaron desafíos de sobreajuste, limitando su aplicación práctica. Estos hallazgos enfatizan la necesidad crítica de marcos mejorados de detección de fraudes, aprovechando algoritmos de aprendizaje automático como el Bosque Aleatorio para identificar patrones de fraude de manera efectiva. El estudio destaca la importancia de fortalecer los controles internos, implementar medidas de detección de fraudes específicas y promover mejoras regulatorias para mejorar la transparencia y la rendición de cuentas financieras.