2026-05-05T21:11:03Zhttps://uvadoc.uva.es/oai/request

oai:uvadoc.uva.es:10324/742132025-01-22T20:03:13Zcom_10324_38col_10324_852

Estadística computacional y programación en paralelo Gutiérrez Martín, Susana Arenal Gutiérrez, Eusebio Universidad de Valladolid. Facultad de Ciencias Estadística Programación Paralelo La estadística computacional y la programación en paralelo son áreas importantes en el campo de la ciencia de datos y la informática. Dichas materias están vinculadas, y su interrelación permite el análisis eficiente de grandes conjuntos de datos. La estadística computacional está estrechamente relacionada con la ciencia de datos y la programación en paralelo es un concepto importante en el campo de la informática. La estadística computacional se refiere a la aplicación de métodos y técnicas estadísticas con el apoyo de algoritmos informáticos. Tradicionalmente, los métodos estadísticos se aplicaban manualmente, pero con el advenimiento de la computación, se han desarrollado algoritmos y herramientas que permiten automatizar estos procesos con objeto de su implementación informática. En una gran variedad de campos en los que se usa la estadística computacional (como la investigación científica, el análisis de datos empresariales, la bioinformática, la genómica, el aprendizaje automático y la Inteligencia Artificial) hay que analizar grandes conjuntos de datos. La programación en paralelo permite aplicar muchos de los algoritmos utilizados en la estadística computacional de una manera más rápida y eficiente. La programación en paralelo implica dividir una tarea en hilos más pequeños que se ejecutan simultáneamente en múltiples procesadores o núcleos de CPU. Las tarjetas gráficas son eficientes empleando esta técnica, ya que pueden ejecutar múltiples hilos en muchos núcleos al mismo tiempo. El objetivo es acelerar los cálculos dividiendo la tarea en hilos y ejecutándolos a la vez, a diferencia del enfoque de "divide y vencerás" de los algoritmos tradicionales que, aunque los divide, no los ejecuta simultáneamente, si no que los ejecuta uno a uno. Computational statistics and parallel programming are important areas in the field of data science and computer science. These materias are interconnected, combining statistics and computer science to analyze large datasets efficiently. Computational statistics is closely related to data science, and parallel programming is an important concept in the field of computer science. Computational statistics refers to the application of statistical methods and techniques with the support of computer algorithms. Traditionally, statistical methods were applied manually, but with the advent of computing, algorithms and tools have been developed to automate these processes for computer implementation. In a wide range of fields where computational statistics is used, such as scientific research, business data analysis, bioinformatics, genomics, machine learning, and artificial intelligence, large datasets need to be analyzed. Parallel programming enables the application of many algorithms used in computational statistics in a fast and efficient manner. Parallel programming involves dividing a task into smaller threads that are executed simultaneously on multiple processors or CPU cores. Graphics processing units (GPUs) are efficient in this technique as they can run multiple threads on many cores at the same time. The goal is to accelerate calculations by dividing the task into threads and executing them simultaneously, unlike the "divide and conquer" approach of traditional algorithms. Departamento de Estadística e Investigación Operativa Grado en Estadística 2025-01-22T09:08:24Z 2025-01-22T09:08:24Z 2024 info:eu-repo/semantics/bachelorThesis https://uvadoc.uva.es/handle/10324/74213 spa Attribution-NonCommercial-NoDerivatives 4.0 Internacional info:eu-repo/semantics/openAccess http://creativecommons.org/licenses/by-nc-nd/4.0/ application/pdf https://uvadoc.uva.es/bitstream/10324/74213/4/TFG-G7395.pdf.jpg Hispana TEXT http://creativecommons.org/licenses/by-nc-nd/4.0/ UVaDOC. Repositorio Documental de la Universidad de Valladolid https://uvadoc.uva.es/handle/10324/74213