Implementación de códigos de Python obtenidos mediante google Gemini utilizado para ambos sitemas operativos

Comentarios

Publicar un comentario

Entradas populares de este blog

RIGOR ESTADÍSTICO Y VISUALIZACIÓN

Imagen
RIGOR ESTADÍSTICO Y VISUALIZACIÓN Resultados: tablas, cajas y bigotes y Speedup Procesamiento de imágenes para incrementar el brillo · 100 ejecuciones por configuración ① Metodología ② Tablas ③ Cajas y bigotes ④ Nativo vs. Virtual ⑤ Speedup ⑥ Síntesis ① Metodología estadística y de medición Para cada combinación de algoritmo × tamaño de imagen × número de hilos × entorno se registraron 100 tiempos de ejecución independientes . Sobre esa muestra se calcularon los estadísticos que sustentan tanto las tablas como los diagramas de cajas y bigotes. 4 entornos (Windows/Linux · nativo/VirtualBox) 5 implementaciones 3 tamaños de imagen 144 configuraciones 14 400 ejecuciones medidas Estadísticos calculados sobre cada muestra de n = 100 Media, mediana , desviación estándar, mínimo, máximo, cuartiles (Q1, Q3), rango intercuartílico (IQR = Q3−Q1) y coeficiente de variación (CV = desv./media). Se prioriza la medi...
Leer más

Metodología y Entorno de Pruebas

Para llevar a cabo los experimentos de paralelismo y vectorización, se estructuró un entorno de pruebas comparativo utilizando dos arquitecturas de hardware distintas y aislando el rendimiento entre ejecuciones nativas y virtualizadas. Entorno de Hardware y Software 1 (Host Nativo y Virtualización) Equipo: MSI Thin 15 B13VE. Procesador (CPU): 13th Gen Intel Core i5-13420H a 2.10 GHz (Cuenta con 12 hilos lógicos y una memoria Caché L3 de 12 MB). Memoria RAM: 16 GB instalada. Tarjeta Gráfica (GPU): NVIDIA GeForce RTX 4050 Laptop GPU (6 GB). Sistema Operativo Anfitrión (Nativo): Windows 11 (64-bit). Entorno Virtualizado: Oracle VirtualBox. Sistema Operativo Huésped: Ubuntu 25.04 (Plucky Puffin) (64-bit). Recursos Asignados a la VM: 8192 MB (8 GB) de RAM, 64 MB de memoria de video y 8 vCPUs (núcleos lógicos asignados de los 12 disponibles en el host). Entorno de Hardware y Software 2 (Nativo) Equipo: Dell Inspiron 15 7000 Gaming. Procesador (CPU): Intel Core i7-7700HQ a 2.80 GHz ...
Leer más

Confrontación e Interpretación de Hipótesis

Cuando optimizamos algoritmos de procesamiento de imágenes o cálculo numérico, solemos enfocarnos casi exclusivamente en la complejidad asintótica del algoritmo (O(n)). Sin embargo, al llevar las implementaciones a la práctica, nos topamos con una realidad ineludible: el hardware y el sistema operativo dictan el rendimiento real. Recientemente realizamos un benchmark exhaustivo procesando imágenes de diferentes tamaños (mediana.bmp, grande.bmp y muy_grande.bmp) utilizando cinco enfoques distintos: Secuencial (C/C++), OpenMP, SIMD (Vectorización), Python con NumPy y Python con Pillow . Todo esto fue probado en cuatro entornos: Linux Nativo, Linux Virtualizado (VM), Windows Nativo y Windows Virtualizado (VM) Los resultados revelan patrones interesantes que explicaremos a continuación desde una perspectiva física (arquitectura del procesador) y lógica (diseño del Sistema Operativo e intérpretes) 1. El Impacto Físico: SIMD y la Paralelización con OpenMP Explicación Arquitectónica (SIMD) En...
Leer más