# Computación Distribuida para Datos Masivos

> Sistemas y frameworks para procesamiento distribuido de big data, incluyendo Hadoop, MapReduce y computación paralela

- **Canonical URL:** https://flashcards.world/flashcards/sets/20628343-e292-448c-944d-b4871ef890d8/
- **Markdown URL:** https://flashcards.world/flashcards/sets/20628343-e292-448c-944d-b4871ef890d8.md
- **Level:** advanced
- **Languages:** es → es
- **Total Cards:** 54

## Flashcards (54 Cards)

| # | Front (Term / Prompt) | Back (Definition / Answer) | Example | Multiple-Choice Options |
| :--- | :--- | :--- | :--- | :--- |
| 1 | ¿Cuál es la diferencia principal entre Hadoop y Spark? | Hadoop utiliza almacenamiento en disco, mientras que Spark realiza procesamiento en memoria, lo que lo hace más rápido. |  |  |
| 2 | ¿Qué es un DataFrame en Spark? | Es una estructura de datos que permite manipular datos distribuidos de manera similar a las tablas en bases de datos. |  |  |
| 3 | ¿Qué es un 'output format' en MapReduce? | Es la clase que define cómo se escriben los resultados de salida de un job de MapReduce. |  |  |
| 4 | ¿Qué es Hive? | Es un sistema de data warehouse que permite realizar consultas SQL sobre datos almacenados en Hadoop. |  |  |
| 5 | ¿Qué es la 'seguridad de datos'? | Es el conjunto de medidas y prácticas destinadas a proteger los datos contra accesos no autorizados y pérdidas. |  |  |
| 6 | ¿Qué es un 'API' en el contexto de big data? | Es una interfaz de programación que permite a los desarrolladores interactuar con sistemas y servicios de datos. |  |  |
| 7 | ¿Qué es la 'escalabilidad' en sistemas distribuidos? | Es la capacidad de un sistema para manejar un aumento en la carga de trabajo añadiendo más recursos. |  |  |
| 8 | ¿Qué es un 'mapper' en MapReduce? | Es un componente que realiza la fase de mapeo, procesando los datos de entrada y generando pares clave-valor. |  |  |
| 9 | ¿Qué es un 'data warehouse'? | Es un sistema utilizado para almacenar y analizar grandes volúmenes de datos estructurados. |  |  |
| 10 | ¿Qué es el 'data locality' en Hadoop? | Es la estrategia de ejecutar tareas de procesamiento en el nodo donde se almacenan los datos para mejorar la eficiencia. |  |  |
| 11 | ¿Qué es la 'consistencia eventual'? | Es un modelo de consistencia en sistemas distribuidos donde los datos eventualmente se sincronizan, pero no de inmediato. |  |  |
| 12 | ¿Qué es un 'worker node' en un clúster de Hadoop? | Es un nodo que ejecuta tareas de procesamiento y almacena datos en el sistema HDFS. |  |  |
| 13 | ¿Qué es un 'master node' en un clúster de Hadoop? | Es el nodo que gestiona el clúster y coordina la ejecución de tareas entre los nodos trabajadores. |  |  |
| 14 | ¿Qué es un 'reducer' en MapReduce? | Es un componente que realiza la fase de reducción, combinando los pares clave-valor generados por los mappers. |  |  |
| 15 | ¿Qué es un 'data lake'? | Es un repositorio centralizado que permite almacenar grandes volúmenes de datos en su formato nativo. |  |  |
| 16 | ¿Qué es un 'checkpoint' en Hadoop? | Es un mecanismo para guardar el estado de un job en ejecución, permitiendo la recuperación en caso de fallo. |  |  |
| 17 | ¿Qué es la tolerancia a fallos en computación distribuida? | Es la capacidad de un sistema para continuar operando correctamente en caso de fallos de hardware o software. |  |  |
| 18 | ¿Qué es un 'job tracker' en Hadoop? | Es un proceso que coordina la ejecución de los jobs y gestiona los task trackers. |  |  |
| 19 | ¿Qué es la replicación de datos en HDFS? | Es el proceso de almacenar múltiples copias de los mismos datos en diferentes nodos para garantizar la disponibilidad y la tolerancia a fallos. |  |  |
| 20 | ¿Qué es un nodo esclavo en un clúster de Hadoop? | Es el nodo que ejecuta las tareas de procesamiento y almacena los datos. |  |  |
| 21 | ¿Qué es un 'input format' en MapReduce? | Es la clase que define cómo se leen los datos de entrada en un job de MapReduce. |  |  |
| 22 | ¿Qué es un 'batch processing'? | Es el procesamiento de grandes volúmenes de datos en lotes, en lugar de en tiempo real. |  |  |
| 23 | ¿Qué es un clúster en el contexto de Hadoop? | Es un conjunto de computadoras interconectadas que trabajan juntas para procesar datos. |  |  |
| 24 | ¿Qué es el 'big data'? | Se refiere a conjuntos de datos tan grandes y complejos que requieren tecnologías avanzadas para su procesamiento y análisis. |  |  |
| 25 | ¿Qué hace la fase 'Map' en MapReduce? | Transforma y filtra los datos de entrada, generando pares clave-valor intermedios. |  |  |
| 26 | ¿Qué es un 'modelo predictivo'? | Es un modelo que utiliza datos históricos para predecir resultados futuros. |  |  |
| 27 | ¿Qué es HDFS? | El Sistema de Archivos Distribuido de Hadoop, que permite almacenar grandes volúmenes de datos de manera distribuida. |  |  |
| 28 | ¿Qué es Apache Flink? | Es un framework de procesamiento de datos en tiempo real que permite el análisis de datos en streaming. |  |  |
| 29 | ¿Qué es un nodo maestro en un clúster de Hadoop? | Es el nodo que gestiona el clúster y coordina las tareas de procesamiento. |  |  |
| 30 | ¿Cuál es la principal ventaja de la computación distribuida? | Permite el procesamiento de grandes volúmenes de datos de manera eficiente y escalable. |  |  |
| 31 | ¿Qué es un RDD en Spark? | Es un Resilient Distributed Dataset, una colección de objetos distribuidos que pueden ser procesados en paralelo. |  |  |
| 32 | ¿Cuál es la función de YARN en Hadoop? | Es el gestor de recursos que coordina y gestiona el uso de recursos en un clúster de Hadoop. |  |  |
| 33 | ¿Qué es la 'inteligencia artificial' en el contexto de big data? | Es el uso de algoritmos y modelos para analizar datos y tomar decisiones automatizadas. |  |  |
| 34 | ¿Qué es el 'machine learning'? | Es una rama de la inteligencia artificial que permite a los sistemas aprender de los datos y mejorar su rendimiento con el tiempo. |  |  |
| 35 | ¿Qué es la computación distribuida? | Es un modelo de computación en el que los recursos de procesamiento están distribuidos en múltiples nodos que trabajan juntos para resolver problemas. |  |  |
| 36 | ¿Qué es Apache Spark? | Es un framework de procesamiento de datos en memoria que permite realizar análisis de datos a gran escala de manera más rápida que Hadoop. |  |  |
| 37 | ¿Qué hace la fase 'Reduce' en MapReduce? | Agrupa los pares clave-valor generados en la fase Map y produce el resultado final. |  |  |
| 38 | ¿Qué es un 'data mart'? | Es una versión más pequeña y específica de un data warehouse, enfocada en un área particular de negocio. |  |  |
| 39 | ¿Qué es un job en el contexto de Hadoop? | Es una tarea de procesamiento que se envía al clúster para ser ejecutada. |  |  |
| 40 | ¿Qué es la computación paralela? | Es un tipo de computación en la que múltiples procesos se ejecutan simultáneamente para resolver un problema. |  |  |
| 41 | ¿Qué es la 'visualización de datos'? | Es la representación gráfica de datos para facilitar su comprensión y análisis. |  |  |
| 42 | ¿Qué es la 'privacidad de datos'? | Es la protección de la información personal y sensible de los usuarios en el contexto del manejo de datos. |  |  |
| 43 | ¿Qué es Pig? | Es un lenguaje de alto nivel para el procesamiento de datos en Hadoop, que permite escribir scripts para MapReduce. |  |  |
| 44 | ¿Qué es un 'task tracker' en Hadoop? | Es un proceso que ejecuta las tareas de mapeo y reducción en los nodos esclavos. |  |  |
| 45 | ¿Qué es Hadoop? | Es un framework de software que permite el procesamiento distribuido de grandes conjuntos de datos a través de clústeres de computadoras. |  |  |
| 46 | ¿Qué es un 'dashboard'? | Es una herramienta de visualización que muestra métricas y datos clave en un formato fácil de entender. |  |  |
| 47 | ¿Qué es un 'streaming data'? | Es un flujo continuo de datos que se genera en tiempo real y se procesa de manera continua. |  |  |
| 48 | ¿Qué es la 'minería de datos'? | Es el proceso de descubrir patrones y conocimientos a partir de grandes conjuntos de datos. |  |  |
| 49 | ¿Qué es la 'latencia' en computación distribuida? | Es el tiempo que tarda un sistema en responder a una solicitud, afectando el rendimiento del procesamiento. |  |  |
| 50 | ¿Qué es MapReduce? | Es un modelo de programación que permite el procesamiento paralelo de datos en Hadoop, dividiendo tareas en dos fases: Map y Reduce. |  |  |
| 51 | ¿Qué es el 'Hadoop ecosystem'? | Es un conjunto de herramientas y tecnologías que complementan Hadoop, como Hive, Pig, HBase, entre otros. |  |  |
| 52 | ¿Qué es HBase? | Es una base de datos NoSQL que se integra con Hadoop y permite el almacenamiento de datos en tiempo real. |  |  |
| 53 | ¿Qué es el 'shuffle' en MapReduce? | Es el proceso de redistribución de los datos entre los nodos para que cada reducer reciba los datos correspondientes a su clave. |  |  |
| 54 | ¿Qué es la 'analítica de datos'? | Es el proceso de examinar datos para extraer información útil y tomar decisiones informadas. |  |  |

---
Study this deck interactively with FSRS-6 spaced repetition, audio review, and multiple-choice mode at [Flashcards World](https://flashcards.world/flashcards/sets/20628343-e292-448c-944d-b4871ef890d8/).
