• 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
    • Encuestas: Tamaño de Muestra
    • Lotería: Probabilidad de Ganar
    • Reparto de Escaños (D’Hondt)
    • Tres en Raya con IA
  • Noticias
  • Boletín
  • Contacto
  • Tienda
    • Libros
    • Equipamiento de oficina
    • Equipamiento en movilidad
    • Tiendas afiliadas
      • AliExpress
      • Amazon
      • Banggood
      • GeekBuying
      • Lenovo

Analytics Lane

Ciencia e ingeniería de datos aplicada

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

Sumar todos los dígitos de un número

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

Recientemente me plantearon una tarea relativamente sencilla: dado un número entero sumar todos los dígitos de este. Además, si el resultado tiene más de un dígito repetir la operación hasta que solamente quede uno. Este problema se puede plantear de varias maneras: iterando sobre los dígitos, sumando los restos de dividir el número por 10 o utilizando la división entera por 9. A continuación vamos a comparar las cuatro aproximaciones para sumar todos los dígitos de un número, utilizando Matlab, y comparar el rendimiento de cada uno de ellos.

Iterar sobre los números

Posiblemente forma más directa de resolver este problema es iterar sobre los dígitos, sumándolos uno a uno. En Matlab esto se puede hacer convirtiendo el número en una cadena de caracteres, lo que da un vector de caracteres, y iterar sobre ellos para obtener la suma. Esto se puede conseguir con el siguiente código:

str = num2str(numero);
resultado = 0;

for i = 1:length(str)
    resultado = resultado + str2double(str(i));
end

En el que al final del proceso en resultado se encuentra la suma de los dígitos del valor de numero. Lo que no garantiza obtener un resultado por debajo de como se pide en el problema. Para ello solamente hay que iterar sobre este código hasta que el resultado sea menor de 10. Algo que se puede conseguir con

Faker en Python: qué es, para qué sirve y cómo generar datos sintéticos realistas
En Analytics Lane
Faker en Python: qué es, para qué sirve y cómo generar datos sintéticos realistas

while numero > 9
    str = num2str(numero);
    numero = 0;

    for i = 1:length(str)
        numero = numero + str2double(str(i));
    end
end

Donde se ha renombrado resultado como numero y puesto el código dentro de un bucle while que se ejecutará hasta que numero sea menor de 10. Así, en cada iteración se reducirá el número de dígitos del resultado. Hasta que al final se consigue un número entre 1 y 9.

A este método lo llamaremos 1.

Publicidad


Utilizar el resto de la división entera

Otra idea para resolver el problema es utilizar la división entera y los restos. Aquí lo que se puede hacer es sumar los restos de dividir por 10 el valor y el resultado de las divisiones hasta que sea cero. Lo que se puede ver mejor con un ejemplo. Tomemos 123, la división entera por 10 es 12 con 3 de resto. Una vez hecho esto la división si se divide 12 entre 10 se tiene 1 con 2 de resto. Así el resultado final sería 3 + 2 + 1 = 4. Un programa que implementa este proceso se muestra a continuación:

while numero > 9
    resultado = 0;
    
    while numero > 0
        resultado = resultado + rem(numero, 10);
        numero = idivide(numero, int32(10));
    end
    
    numero = resultado;
end

Este método lo llamaremos 2. La función idivide no es muy eficiente, algo que comprobaremos más adelante, por lo que se puede buscar una forma de mejorar. Para ello se puede calcular la división entera sustrayendo el resto al número. Así, este método también se puede implementar como:

while numero > 9
    resultado = 0;
    
    while numero > 0
        resultado = resultado + rem(numero, 10);
        numero = (numero - rem(numero, 10)) / 10;
    end
    
    numero = resultado;
end

Esta solución del problema lo llamaremos método 3

El resto de la división por 9

Si prestamos un poco de atención al problema veremos que el resultado no es más que el resto de la división entera del número por 9. Con la única peculiaridad de que si sale 0 el resultado es 9. En este caso el código necesario es bastante compacto:

numero = rem(numero, 9);

if numero == 0
    numero = 9;
end

Finalmente, a esta solución del problema lo llamaremos método 4.

Publicidad


Comparación de los métodos para sumar todos los dígitos de un número

A la hora de decantarnos por una solución u otra un factor, además del resultado que, en este caso, es el mismo en todos los casos, importante es el tiempo. Ahora lo que se puede hacer es comprar el tiempo de ejecución de 100.000 números aleatorios y ver cual de los métodos es más rápido. Lo que se puede hacer con el profiler de Matlab, con el que se han obtenido los siguientes resultados:

MétodoTiempo (s)Frente a más rápido
1 (string)13,49670,7
2 (idivide)6,29833,0
3 (división)0,3671,9
4 (resto 9)0,1911,0

El método más rápido es el 4. Solamente se le acerca el método 3 casi tarda el doble de tiempo, 1,9 veces más lento. El método 2 es 33 veces más lento y el 1 lo es 70 veces. En caso de que sea necesario usar este método muy a menudo la mejor opción es el método 4.

Conclusiones

En esta entrada se han comparado cuatro métodos para sumar todos los dígitos de un número. Comprobado que los tiempos de las diferentes implementaciones pueden ser muy diferentes. Por lo que siempre es importante evaluar el rendimiento de las soluciones. Algo que ya hemos visto otra veces como al iterar en JavaScript sobre vectores.

Imágenes: Pixabay (Herm)

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 5 / 5. Votos emitidos: 1

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

  • Faker en Python: qué es, para qué sirve y cómo generar datos sintéticos realistas
  • Probabilidades y tests: por qué un resultado positivo no significa lo que crees
  • JSON en bases de datos: cuándo es buena idea y cuándo no
  • Roles en ciencia de datos: Guía completa de perfiles técnicos
  • Exactitud, precisión, recall… qué mide realmente cada métrica (y qué no)
  • Hardening de SSH en Rocky Linux 9: cómo desactivar KEX débiles y reforzar la seguridad
  • Nueva herramienta en Analytics Lane: generador de contraseñas seguras y frases de contraseña
  • Hardening de NGINX en 2026: configuración segura básica paso a paso

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

Hardening de NGINX en 2026: configuración segura básica paso a paso

marzo 12, 2026 Por Daniel Rodríguez

Nueva herramienta en Analytics Lane: generador de contraseñas seguras y frases de contraseña

marzo 10, 2026 Por Daniel Rodríguez

Hardening de SSH en Rocky Linux 9: cómo desactivar KEX débiles y reforzar la seguridad

marzo 5, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Diferencias entre CPU, GPU, TPU y NPU publicado el abril 19, 2023 | en Herramientas
  • Método de Brent e implementación en Python publicado el abril 28, 2023 | en Ciencia de datos
  • Poe: ChatGPT y otros modelos generativos en el móvil publicado el abril 12, 2023 | en Herramientas
  • Histograma generado para el conjunto de datos con la selección automática del número de bins Seleccionar el número de bins en un histograma publicado el mayo 26, 2023 | en Ciencia de datos
  • NumPy NumPy: Insertar valores en matrices de NumPy publicado el agosto 24, 2021 | en Python

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

4.5 (10)

Diferencias entre var y let en JavaScript

Publicidad

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