Las matrices de precisión pueden mostrar eficientemente la correlación entre variables y han recibido mucha atención en los últimos años. Cuando uno se encuentra con conjuntos de datos grandes almacenados en diferentes ubicaciones y cuando no se permite compartir datos, la implementación de la estimación de matrices de precisión de alta dimensión puede ser numéricamente desafiante o incluso inviable. En este trabajo, estudiamos la estimación distribuida de matrices de precisión dispersas a través de un método de descenso de gradientes basado en bloques alternantes. Obtuvimos un modelo global agregando la información de cada máquina a través de una verosimilitud penalizada sustituta eficiente en comunicación. El procedimiento elige las coordenadas de bloque utilizando el gradiente local para guiar las actualizaciones del gradiente global, lo que puede acelerar eficientemente la estimación de precisión y disminuir las cargas de comunicación en los sensores. El método propuesto puede lograr eficientemente la selección correcta de elementos no nulos de una matriz de precisión dispersa. Bajo condiciones suaves, mostramos que el estimador propuesto logró una tasa de convergencia casi oráculo, como si la estimación se hubiera realizado con un conjunto de datos consolidado en una sola computadora. El rendimiento prometedor del método fue respaldado tanto por ejemplos de datos simulados como reales.