• 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
      • Ajuste de Curvas
      • Calculadora de Matrices
    • 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)
    • Negocios
      • CLV
      • Scoring
    • 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

linespace y el operador dos puntos en Matlab

abril 10, 2019 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 3 minutos

En Matlab posiblemente el operador más utilizado es dos puntos. Con él es posible crear vectores espaciados que se pueden utilizar para seleccionar subíndices en arrays e iterar sobre los bucles for. Pero en muchas ocasiones puede carecer de suficiente flexibilidad. Para ello existen funciones como linspace y logspace con las que es posible disponer de mayor control para generar vectores con valores espaciados. En esta entrada se va a comparar la función linespace y el operador dos puntos en Matlab.

El operador dos puntos

El funcionamiento del operador dos puntos es bastante simple. Se escribe el primer valor de la serie, dos puntos y el último valor. Inmediatamente Matlab creará un vector que comienza en el primero y termina en el último, ambos incluidos, en paso de uno. Por ejemplo, el vector [1, 2, 3] se puede generar mediante 1:3.

En el caso de que se desee que el paso de la serie no sea la unidad se puede indicar utilizando tres números separados por dos puntos. En este caso el primer número será el valor inicial, el segundo el paso y el tercero el final. Por ejemplo, el vector [1, 3, 5] se puede conseguir con 1:2:5. También se puede generar con 1:2:6, ya que la serie nunca superará el segundo valor. El paso no tiene porque ser positivo ni entero. En el caso de que sea negativo la serie se generará en orden inverso. Así se puede conseguir el vector [3, 2, 1] con 3:-1:1.

Lanzamos el video de ScoreFlow: crea scorecards de crédito de forma ágil y sin IT
En Analytics Lane
Lanzamos el video de ScoreFlow: crea scorecards de crédito de forma ágil y sin IT

Finalmente, si el valor inicial es mayor que el final y no se indica un paso negativo se obtendrá un vector vacío.

La función linespace

La función linespace de Matlab también genera un vector que comienza en un valor y termina en otro. A diferencia del operador dos puntos en necesario indicar el número de pasos. Por ejemplo, el vector [1, 2, 3] se generaría con linspace(1, 3, 3), mientras que [1, 3, 5] con linspace(1,5,3). Si no se indica el número de pasos en linspace generará siempre 100 valores.

Al generar la serie equiespaciada entre dos valores esta función es más útil cuando no se conoce el paso necesario. Siendo más adecuado para muestrear que el operador dos puntos.

Publicidad


La función logspace

Por otro lado, la función logspace es una versión de linspace en la que el espaciado de los puntos es logaritmo, en lugar de lineal. Para ello crea una serie de vectores desde diez elevado al primer valor hasta diez elevado al último. Por ejemplo, logspace(0, 1, 3) produce el vector [1, 3.1623, 10].

Para crear un vector entre dos valores, en lugar de sus potencia, se puede utilizar logspace(log10(a), log10(b), n). En donde a es el primer valor de la serie, b el segundo y n es el número de puntos.

Ejemplo de la función linespace y el operador dos puntos en Matlab

A continuación se muestran algunos ejemplo del operador dos puntos y su equivalente con linespace.

% Operador dos puntos
1:3:7   % [1 4 7]
7:-3:1  % [7 4 1]
1:1/2:2 % [1 1.5 2]
3:1     % []

% Equivalencias con linspace
linspace(1, 7, 3) % [1 4 7]
linspace(7, 1, 3) % [1 4 7]
linspace(1, 2, 3) % [1 1.5 2]

Conclusiones

En esta entrada se ha visto la función linespace y el operador dos puntos en Matlab. Ambas permiten generar vectores con series de valores, una en base a la separación u otro en base al número de puntos.

Imágenes: Pixabay (Pexels)

¿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

  • Lanzamos el video de ScoreFlow: crea scorecards de crédito de forma ágil y sin IT
  • El bestiario de los indicadores económicos absurdos: El zoo patrio
  • Las fórmulas con DNI, o cómo dividir cualquier cosa entre cualquier otra cosa puede acabar publicado en un titular serio – El bestiario de los indicadores económicos absurdos (parte 5)
  • Data Leakage en Credit Scoring: El Error que Invalida tu Modelo
  • La liga internacional, o cuando Harvard y Johns Hopkins suman peras con manzanas – El bestiario de los indicadores económicos absurdos (parte 6)
  • Los indicadores que se autocumplen, o cuando medir es modificar – El bestiario de los indicadores económicos absurdos (parte 7)
  • Customer Lifetime Value: la fórmula clásica que todo analista debería dominar
  • PSI: Cómo Saber Cuándo tu Modelo de Credit Scoring se ha Degradado
  • DBSCAN y la selección de ε: teoría, intuición y aplicación práctica

Publicado en: Matlab

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

PSI: Cómo Saber Cuándo tu Modelo de Credit Scoring se ha Degradado

julio 21, 2026 Por Daniel Rodríguez

Los indicadores que se autocumplen, o cuando medir es modificar – El bestiario de los indicadores económicos absurdos (parte 7)

julio 16, 2026 Por Daniel Rodríguez

Customer Lifetime Value: la fórmula clásica que todo analista debería dominar

julio 14, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • PSI: Cómo Saber Cuándo tu Modelo de Credit Scoring se ha Degradado publicado el julio 21, 2026 | en Ciencia de datos
  • Método del codo (Elbow method) para seleccionar el número óptimo de clústeres en K-means publicado el junio 9, 2023 | en Ciencia de datos
  • Nuevo simulador del problema de Monty Hall en el laboratorio de aplicaciones de Analytics Lane publicado el abril 8, 2026 | en Noticias
  • ¿Por qué recibo ‘NameError: name X is not defined’ en Python? Aprende cómo solucionarlo publicado el marzo 17, 2025 | en Python
  • Libros de Machine Learning en castellano publicado el diciembre 18, 2020 | en Ciencia de datos, Reseñas

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

4.1 (11)

Aplicar el método D’Hondt en Excel

Comentarios recientes

  • bif en JSON en bases de datos: cuándo es buena idea y cuándo no
  • bif en Cómo desinstalar Oracle Database 19c en Windows
  • 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

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