• Saltar al contenido principal
  • Skip to secondary menu
  • Saltar a la barra lateral principal
  • Saltar al pie de página
  • Inicio
  • Secciones
    • Ciencia de datos
    • Criptografía
    • Herramientas
    • Machine Learning
    • Noticias
    • Opinión
    • Productividad
    • Programación
      • JavaScript
      • Julia
      • Matlab
      • Python
      • R
  • Programación
    • JavaScript
    • Julia
    • Matlab
    • Python
    • R
  • Laboratorio
    • Estadística
      • Calculadora del Tamaño Muestral en Encuestas
      • Calculadora de estadísticos descriptivos
      • Test de normalidad
      • Calculadora de contrastes de hipotesis
      • Calculadora de tamano del efecto
      • Simulador de Regresión Lineal con Ruido
      • Visualizador de PCA
      • Visualizador de Series Temporales
      • Simulador de Regresión Logística
      • Simulador de K-Means
      • Simulador de DBSCAN
      • Detector de la Ley de Benford
    • Probabilidad
      • Calculadora de Probabilidad de Distribuciones
      • Calculadora de Probabilidades de Lotería
      • Simulador del Problema de Monty Hall
      • Simulador de la Estrategia Martingala
    • Finanzas
      • Calculadora de Préstamos e Hipotecas
      • Conversor TIN ↔ TAE
      • Calculadora DCA con ajuste por inflación
      • Calculadora XIRR con Flujos Irregulares
      • Simulador FIRE (Financial Independence, Retire Early)
    • Riesgo
      • Constructor de Scorecards de Crédito
      • Aplicar Scorecard de Crédito
    • Herramientas
      • Formateador / Minificador de JSON
      • Conversor CSV ↔ JSON
      • Comparador y Formateador de Texto y JSON
      • Formateador y Tester de Expresiones Regulares
      • Inspector de JWT
      • Generador y verificador de hashes
      • Codificador / Decodificador Base64 y URL
      • Conversor de bases numericas
      • Conversor de Timestamp Unix
      • Conversor de colores
      • Generador de UUIDs
    • Juegos
      • Tres en Raya
      • Nim con Q-Learning
    • Más
      • Método D’Hondt
      • Generador de Contraseñas Seguras
  • Noticias
  • Boletín
  • Contacto
  • Tienda
    • Libros
    • Equipamiento de oficina
    • Equipamiento en movilidad

Analytics Lane

Ciencia e ingeniería de datos aplicada

  • Ciencia de datos
  • Machine Learning
  • IA Generativa
  • Python
  • Pandas
  • NumPy
  • R
  • Excel

Significado de las medidas de la cobertura de pruebas unitarias

abril 8, 2019 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 4 minutos

En una entrada reciente se ha explicado cómo medir la cobertura de las pruebas unitarias en un proyecto JavaScript. Para lo que se utilizaron los informes creados con Istanbul. Los informes contenían cuatro valores que generalmente son diferentes: líneas, funciones, sentencias y ramas. Así es normal preguntarse qué mide concretamente cada uno de estos valores, ya medidas diferentes para las mismas pruebas. En esta entrada se explicarán estas cuatro medidas de cobertura de pruebas unitarias.

Tabla de contenidos

  • 1 Definición de las medidas de cobertura de pruebas unitarias
    • 1.1 Funciones (“functions”)
    • 1.2 Líneas (“lines”)
    • 1.3 Sentencias (“statements”)
    • 1.4 Ramas (“branches”)
  • 2 Ejemplos de las métricas de cobertura
  • 3 ¿Qué medida de la cobertura de pruebas unitarias utilizar?
  • 4 Conclusiones

Definición de las medidas de cobertura de pruebas unitarias

En primer lugar, es necesario definir lo qué mide cada una de las medias de cobertura que se obtienen con Istanbul.

Funciones (“functions”)

Esta es la medida más simple de las cuatro. Simplemente mide el porcentaje de funciones que son testeadas al ejecutarse las pruebas unitarias. En esta métrica se contará como evaluada la función solamente si se ejecuta, sin tener en cuenta su tamaño o complejidad.

Publicidad


Líneas (“lines”)

Las líneas es otra métrica fácil de interpretar. Esta medida cuenta el porcentaje de líneas del total que son ejecutadas en las pruebas unitarias. Para lo que no se tienen en cuenta ni comentarios ni líneas en blanco. A diferencia de la medida anterior, en esta se tiene en cuenta el tamaño del código, por lo que es un valor más fiable.

Nuevo conversor de timestamp Unix en el laboratorio de Analytics Lane
En Analytics Lane
Nuevo conversor de timestamp Unix en el laboratorio de Analytics Lane

Sentencias (“statements”)

Este valor de cobertura indica el porcentaje de sentencias que son testeadas al ejecutarse las pruebas unitarias. En la mayoría de las ocasiones una sentencia es una línea, pero no siempre es así ya que se pueden dividir sentencias en varias líneas y escribir más de una sentencia en una línea.

Ramas (“branches”)

Finalmente la última medida del grado de cobertura se basa en el porcentaje de ramas que se ejecutan del código. Una rama es cualquier bifurcación que se puede producir durante la ejecución. Por lo que el objetivo de esta métrica es garantizar que se cubre todas las rutas posibles.

Publicidad


Ejemplos de las métricas de cobertura

La mejor forma de comprender lo que mide cada uno de los valores definidos anteriormente es mediante un ejemplo. Para lo que se puede utilizar el siguiente código, que no tiene ninguna utilidad en particular.

const index = exports;

index.test = function (a, b) {
    if (a > 1 && b > 1) {
        var c = a + b; return c;
    } else if (a > 0) {
        return a;
    } else {
        return -a;
    }
};

Ahora se pueden escribir dos pruebas.

var expect = require('chai').expect;
var index = require('../index.js');

suite('Basic suite', function () {
    test('Basic test', function (done) {
        expect(index.test(2, 0)).to.be.equal(2);
        expect(index.test(0, 0)).to.be.equal(0);

        done();
    });
});

Obteniéndose los siguientes resultados.

----------|----------|----------|----------|----------|-------------------|
File      |  % Stmts | % Branch |  % Funcs |  % Lines | Uncovered Line #s |
----------|----------|----------|----------|----------|-------------------|
All files |       75 |    83.33 |      100 |    85.71 |                   |
 index.js |       75 |    83.33 |      100 |    85.71 |                 5 |
----------|----------|----------|----------|----------|-------------------|

En donde se puede ver que cada una de las métricas mide un valor diferente. El grado de cobertura en base a las funciones es del 100%, se ha ejecutado la única función. En cuanto al grado de cobertura en base a las líneas es de 85,71%, se han ejecutado 6 de 7 líneas. Tal como se indica en el informe no se ha ejecutado la línea 5. El nivel de cobertura en base a sentencias es menor, solamente del 75%, se han ejecutado 6 de las 8 sentencias. La diferencia aparece porque la línea 5 contiene dos sentencias, una asignación y el retorno del valor.

Finalmente, el grado de cobertura de las ramas es del 83,33%, al evaluarse 5 de las seis. En este caso, al igual que en la anteriores, el problema aparece por escribir una prueba que ejecute la línea 5.

¿Qué medida de la cobertura de pruebas unitarias utilizar?

El objetivo debería ser tener una cobertura de las pruebas unitarias del 100% por los cuatro valores. Por lo que al alcanzar este hito es importante diferenciar los valores. Pero en el caso de no llegar al 100%, el más problemático es cobertura de funciones. Ya que indicaría que ni siquiera se ha escrito una prueba para algún método. Los valores de cobertura de líneas y sentencias son bastante similares. Por otro lado, la cobertura por ramas es un buen indicador del número de pruebas que quedan por escribir.

Conclusiones

En esta entrada se ha visto el significado de los diferentes medidas de la cobertura de pruebas unitarias que ofrece Istanbul. Los cuales son importante conocer para saber que indica un informe de estos. A pesar de utilizar el ejemplo de Istanbul, lo aquí aprendido se puede utilizar con otros programas.

¿Qué valores de la cobertura de las pruebas unitarias os parece más importante? ¿En cual os fijáis más? Podéis dejar las respuestas en los comentarios de la entrada.

Imágenes: Pixabay (Peggy Choucair)

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 0 / 5. Votos emitidos: 0

Ya que has encontrado útil este contenido...

¡Síguenos en redes sociales!

¡Siento que este contenido no te haya sido útil!

¡Déjame mejorar este contenido!

Dime, ¿cómo puedo mejorar este contenido?

Publicidad


Publicaciones relacionadas

  • Analytics Lane lanza su Conversor de Bases Numéricas: entiende cómo trabajan los ordenadores a nivel de bits
  • Analytics Lane lanza su Visualizador de Series Temporales: entiende tendencia, estacionalidad y ruido de forma visual e interactiva
  • Por qué los chatbots de inteligencia artificial parecen estar siempre de acuerdo contigo – Conversar con una inteligencia artificial – Parte I
  • Nuevo simulador del problema de Monty Hall en el laboratorio de aplicaciones de Analytics Lane
  • Nuevo simulador interactivo de K-Means en el laboratorio de aplicaciones de Analytics Lane
  • Nuevo detector de la Ley de Benford en el laboratorio de aplicaciones de Analytics Lane
  • Nuevo simulador de regresión lineal con ruido en el laboratorio de aplicaciones de Analytics Lane
  • Nuevo simulador de regresión logística en el laboratorio de aplicaciones de Analytics Lane
  • Nuevo Inspector de JWT en el laboratorio de aplicaciones de Analytics Lane

Publicado en: JavaScript Etiquetado como: Unit testing

Interacciones con los lectores

Deja una respuesta Cancelar la respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

I accept the Terms and Conditions and the Privacy Policy

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.

Barra lateral principal

Suscríbete a nuestro boletín

Suscríbete al boletín semanal para estar al día de todas las publicaciones.

Política de Privacidad

Analytics Lane en redes sociales

  • Amazon
  • Bluesky
  • Facebook
  • GitHub
  • Instagram
  • Mastodon
  • Pinterest
  • RSS
  • Telegram
  • Tumblr
  • Twitter
  • YouTube

Publicidad

Entradas recientes

WOE e IV: La Base Matemática del Credit Scoring

mayo 5, 2026 Por Daniel Rodríguez

Noticias

Lanzamiento de la versión 1.0 del laboratorio de Analytics Lane con nuevas herramientas de scoring

mayo 2, 2026 Por Daniel Rodríguez

Analytics Lane

¡Analytics Lane cumple ocho años!

mayo 2, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Noticias Mejores mensajes de error en Python 3.10 publicado el octubre 11, 2021 | en Python
  • Codificación JSON Archivos JSON con Python: lectura y escritura publicado el julio 16, 2018 | en Python
  • pandas Creación de variables dummies con Pandas (variables binarias para aprendizaje automático) publicado el junio 26, 2023 | en Python
  • Programador de tareas de Windows: Guía definitiva para automatizar tu trabajo (BAT, PowerShell y Python) publicado el octubre 7, 2025 | en Herramientas, Productividad
  • Copiar y pegar Activar copiar y pegar en VirtualBox publicado el mayo 1, 2019 | en Herramientas

Publicidad

Lo mejor valorado

4.9 (24)

Seleccionar filas y columnas en Pandas con iloc y loc

4.6 (16)

Archivos JSON con Python: lectura y escritura

4.4 (14)

Ordenación de diccionarios en Python mediante clave o valor

4.7 (13)

Operaciones de filtrado de DataFrame con Pandas en base a los valores de las columnas

4.9 (11)

Pandas: Cambiar los tipos de datos en los DataFrames

Comentarios recientes

  • M. Pilar en Cómo eliminar las noticias en Windows 11 y recuperar tu concentración
  • Daniel Rodríguez en Probabilidad básica: cómo entender el azar en nuestra vida diaria
  • Pepe en Probabilidad básica: cómo entender el azar en nuestra vida diaria
  • CARLOS ARETURO BELLO CACERES en Justicio: La herramienta gratuita de IA para consultas legales
  • Piera en Ecuaciones multilínea en Markdown

Publicidad


Footer

Analytics Lane

  • Acerca de Analytics Lane
  • Boletín de noticias
  • Contacto
  • Libros
  • Lo más popular
  • Noticias
  • Tienda
  • Tiendas afiliadas

Secciones

  • Ciencia de datos
  • Criptografía
  • Herramientas
  • Machine Learning
  • Opinión
  • Productividad
  • Programación
  • Reseñas

Sobre de Analytics Lane

En Analytics Lane tratamos de explicar los principales conceptos de la ciencia e ingeniería de datos con un enfoque práctico. Los principales temas tratados son ciencia de datos, ingeniería de datos, inteligencia artificial, machine learning, deep learning y criptografía. Además, también se habla de los principales lenguajes de programación y herramientas utilizadas por los científicos e ingenieros de datos.

Copyright © 2018-2026 Analytics Lane ·Términos y condiciones ·Política de Cookies ·Política de Privacidad ·Herramientas de privacidad ·Contacto