Fuentes Sepúlveda, José SebastiánRojas Durán, Gonzalo EduardoBrito Alarcón, Oliver Diego Antonio2026-01-272026-01-272025https://repositorio.udec.cl/handle/11594/13670Tesis presentada para optar al título de Ingeniero/a Civil Informático/a.El creciente volumen de datos en aplicaciones modernas ha generado la necesidad de técnicas eficientes para su almacenamiento, análisis y visualización. Esta memoria explora el uso de estructuras de datos compactas —como enc vector, vlc vector y dac vector de la biblioteca SDSL— para representar series de tiempo de gran tamaño, combinándolas con algoritmos de downsampling que permiten visualizar grandes volúmenes de información sin perder interpretabilidad. Se implementa una biblioteca en Python, cv visualization, que actúa como capa de compatibilidad entre estas estructuras y librerías de visualización como Plotly, Altair y PyGal. Se diseñan experimentos para evaluar el impacto de estas técnicas en el uso de memoria durante la visualización (es decir, cuánta memoria RAM es necesaria asignar en tiempo de ejecución), el tiempo de renderizado y el espacio de almacenamiento ocupado por los datos una vez reducidos. El análisis teórico y empírico incluye explicaciones detalladas de los esquemas de codificación utilizados, su complejidad de acceso y la comparación entre representaciones tradicionales y compactas. Los resultados muestran que la combinación de downsampling y estructuras compactas constituye una estrategia viable para optimizar la visualización de grandes volúmenes de datos, al reducir de forma significativa el espacio ocupado en disco. Si bien el uso de estructuras compactas puede sacrificar parcialmente la velocidad de renderizado —aunque sigue siendo menor que la necesaria para visualizar los datos originales— y ciertas bibliotecas de visualización no son completamente compatibles al descomprimir los datos de forma interna, la fidelidad visual de las graficas se conserva y los beneficios en almacenamiento resultan sustanciales.The growing volume of data in modern applications has created the need for efficient techniques for storage, analysis, and visualization. This thesis explores the use of compact data structures —such as enc vector, vlc vector, and dac vector from the SDSL library— to represent large time series, combining them with downsampling algorithms that allow visualizing massive datasets without losing interpretability. A Python library, cv visualization, is implemented to act as a compatibility layer between these structures and visualization libraries such as Plotly, Altair, and PyGal. Experiments are designed to evaluate the impact of these techniques on memory usage during visualization (i.e., how much RAM needs to be allocated at runtime), rendering time, and the storage space occupied by the reduced datasets. Theoretical and empirical analysis includes detailed explanations of the encoding schemes used, their access complexity, and the comparison between traditional and compact representations. The results show that combining downsampling and compact structures is a viable strategy to optimize the visualization of large datasets, as it significantly reduces the disk space occupied. While compact structures may partially sacrifice rendering speed—though it still remains lower than rendering the original data—and some visualization libraries are not fully compatible when internally decompressing the data, visual fidelity is preserved and the storage savings are substantial.esCC BY-NC-ND 4.0 DEED Attribution-NonCommercial-NoDerivs 4.0 InternationalProcesamiento electrónico de datosVisualización de informaciónThesis