Las aplicaciones de Android reempaquetadas representan una amenaza significativa para los ecosistemas móviles, actuando como vectores comunes para la distribución de malware y la infracción de propiedad intelectual. Abordando los desafíos de los métodos existentes de detección de reempaquetado, como la escalabilidad, la dependencia de pares de aplicaciones y los altos costos computacionales, este documento presenta un enfoque híbrido novedoso que combina el aprendizaje supervisado y el descubrimiento de síntomas. Desarrollamos un marco ligero de extracción y análisis de características que aprovecha solo 20 características discriminativas, incluyendo patrones de comunicación entre componentes (ICC), uso de API sensibles, perfiles de permisos y una métrica de anomalía estructural derivada del orden de desplazamiento de cadenas. Nuestros experimentos, realizados en 8441 aplicaciones de Android obtenidas del conjunto de datos RePack, demuestran la efectividad de nuestro enfoque, logrando una puntuación F1 máxima del 85.9% y un recall del 98.8% utilizando Máquinas de Soporte Vectorial, superando a modelos previos de última generación que utilizaron más de 500 características. También evaluamos el poder predictivo independiente de la característica de orden de desplazamiento de cadenas de AndroidSOO y destacamos su valor como un indicador de reempaquetado de bajo costo. Este trabajo ofrece una alternativa precisa, eficiente y escalable para la detección automatizada de aplicaciones móviles reempaquetadas en mercados de Android a gran escala.