En aerodinámica, caracterizar el comportamiento aerodinámico de las aeronaves típicamente requiere una gran cantidad de puntos de datos de observación. Los experimentos reales pueden generar miles de puntos de datos con la precisión adecuada, pero son costosos en tiempo y recursos. En consecuencia, realizar experimentos reales con nuevas configuraciones de entrada podría ser poco práctico. Para abordar este desafío, han surgido modelos sustitutos impulsados por datos como una alternativa rentable y eficiente en tiempo. Proporcionan representaciones matemáticas simplificadas que aproximan la salida de interés. Los modelos basados en Procesos Gaussianos (PGs) han ganado popularidad en aerodinámica debido a su capacidad para proporcionar predicciones precisas y cuantificar la incertidumbre mientras mantienen tiempos de ejecución manejables. Para manejar grandes conjuntos de datos, se han investigado aproximaciones dispersas de PGs para reducir la complejidad computacional de la inferencia exacta. En este artículo, revisamos y adaptamos dos métodos clásicos dispersos para PGs para abordar los requisitos específicos que se encuentran con frecuencia en aplicaciones aerodinámicas. Comparamos diferentes estrategias para elegir las entradas inducidas, que impactan significativamente en la reducción de la complejidad. Integramos formalmente nuestras implementaciones en la caja de herramientas de Python de código abierto SMT, lo que permite el uso de métodos dispersos a lo largo de la tubería de regresión de PG. Demostramos el rendimiento de nuestros desarrollos de GP Disperso (SGP) en un ejemplo analítico 1D completo, así como en una aplicación real de túnel de viento con miles de puntos de datos de entrenamiento.