Se han propuesto y utilizado varios modelos de aprendizaje automático supervisado para detectar ransomware en Android. Estos modelos se entrenaron utilizando diferentes conjuntos de datos de diversas fuentes. Sin embargo, la antigüedad de los conjuntos de datos de ransomware no se tuvo en cuenta al entrenar y probar estos modelos. Por lo tanto, la precisión de detección de esos modelos es inexacta, ya que aprendieron utilizando características de ransomware específicas, ya sean ransomware antiguos o nuevos, y no aprendieron utilizando características diversas de ransomware de diferentes edades. Este artículo destaca la importancia de considerar la antigüedad de los conjuntos de datos de ransomware y sus efectos en la precisión de detección de los modelos de aprendizaje automático supervisado. Esto demuestra que los modelos de aprendizaje automático supervisado entrenados con conjuntos de datos de ransomware nuevos son ineficaces para detectar tipos antiguos de ransomware y viceversa. Además, este artículo recopiló un conjunto de datos grande y diverso de aplicaciones de ransomware que comprende ransomware nuevo y antiguo desarrollado durante el período 2008-2020. Además, el artículo propone un modelo de aprendizaje automático supervisado que se entrena y prueba utilizando el conjunto de datos diverso. Los experimentos muestran que el modelo propuesto es eficiente en la detección de ransomware en Android, independientemente de su antigüedad, logrando una precisión de aproximadamente 97.48%. Además, los resultados muestran que el modelo propuesto supera a los enfoques de vanguardia considerados en este trabajo.