Los modelos de aprendizaje automático dependen cada vez más de datos de sensores generados continuamente para la toma de decisiones automatizada en entornos de Internet de las Cosas (IoT). La naturaleza distribuida y a menudo insegura de las infraestructuras de IoT introduce riesgos relacionados con la manipulación de datos, la falta de trazabilidad y la evolución del modelo no verificable. Las soluciones existentes abordan típicamente aspectos aislados como la seguridad de los datos o el control de acceso, pero no proporcionan una trazabilidad de extremo a extremo a lo largo del ciclo de vida del aprendizaje automático. Este documento propone un marco de referencia de datos y procedencia de modelos a prueba de manipulaciones para el aprendizaje automático basado en IoT que integra blockchain con almacenamiento fuera de la cadena. El marco registra hashes criptográficos y metadatos de datos, salidas de preprocesamiento y modelos entrenados en la cadena, mientras mantiene grandes artefactos fuera de la cadena para garantizar la escalabilidad. Los contratos inteligentes establecen vínculos verificables entre los artefactos del ciclo de vida y automatizan el registro de la procedencia. El marco se evalúa en un pipeline simulado de IoT-ML bajo escenarios de ataque a la integridad, incluyendo manipulación de datos, alteración de modelos y modificación de metadatos. Los resultados experimentales demuestran una detección confiable de modificaciones no autorizadas con baja latencia de verificación y almacenamiento constante en la cadena por registro bajo condiciones controladas. Estos hallazgos indican la viabilidad de arquitecturas de blockchain híbridas para la procedencia a prueba de manipulaciones en sistemas de aprendizaje automático basados en IoT, al tiempo que destacan la necesidad de una validación adicional en implementaciones del mundo real.