• 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
      • Descenso de gradiente
      • Visualizador de PCA
      • Visualizador de Series Temporales
      • Simulador de Regresión Logística
      • Matriz de confusión e informe de clasificación
      • Visualizador de fronteras de decisión
      • Simulador de K-Means
      • Número Óptimo de Clusters
      • Simulador de DBSCAN
      • Detector de la Ley de Benford
      • Ajuste de Curvas
      • Calculadora de Matrices
    • Probabilidad
      • Calculadora de Probabilidad de Distribuciones
      • Problema del cumpleaños
      • Calculadora de Probabilidades de Lotería
      • Simulador del Problema de Monty Hall
      • La aguja de Buffon
      • Simulador de la Estrategia Martingala
      • Simulador de Cadenas de Markov
    • Finanzas
      • Calculadora de Préstamos e Hipotecas
      • Conversor TIN ↔ TAE
      • Calculadora DCA con ajuste por inflación
      • Comparador de tarifas de luz 2.0TD
      • Calculadora XIRR con Flujos Irregulares
      • Simulador FIRE (Financial Independence, Retire Early)
      • Frontera Eficiente
    • Negocios
      • CLV
      • Scoring
    • Herramientas
      • Formateador / Minificador de JSON
      • Conversor CSV ↔ JSON
      • Consultar CSV con SQL en el navegador
      • Extractor de tickets (OCR)
      • Comparador y Formateador de Texto y JSON
      • Formateador y Tester de Expresiones Regulares
      • Inspector de JWT
      • Generador y verificador de hashes
      • Calculadora HMAC
      • Codificador / Decodificador Base64 y URL
      • Conversor de bases numericas
      • Conversor de Timestamp Unix
      • Conversor de colores
      • Generador de UUIDs
      • Editor de expresiones cron
      • Conversor de unidades
    • 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

Validación de argumentos en Matlab

septiembre 21, 2022 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 3 minutos

Hasta hace poco no existía en Matlab una forma automatizada para comprobar que los parámetros de una función son los correctos. La única manera de hacer esto era mediante la inclusión de código con comprobaciones específicas para ello, como puede ser el tipo de dato, las dimensiones de la matriz o los valores. Tampoco existía una manera de definir un valor por defecto para los parámetros. Esto cambió con la versión 2019b donde se introdujo el entorno arguments para configurar estas tareas. Dentro de este entorno se puede saber cuáles son los tipos de datos válidos, el tamaño de las matrices, validar los valores y asignar un valor por defecto. Todo esto facilita la validación de argumentos en Matlab, permitiendo esto se puede hacer definiendo los tipos de datos como en otros lenguajes.

Uso de arguments en una función de Matlab

A partir de la versión 2019b en el cuerpo de las funciones de Matlab se puede incluir un nuevo bloque usando la palabra reservada arguments. Al igual que el resto de los bloques, este finalizará al encontrarse con el primer end.

La sintaxis del bloque arguments es algo diferente a los utilizados habitualmente. En este bloque se debe incluir en cada línea el nombre de los parámetros de la función seguido del tipo de dato. Además, opcionalmente se puede incluir las dimensiones permitidas para la entrada (antes de la definición del tipo), un conjunto de validadores (entre corchetes depuesto del tipo de dato) y el valor por defecto al final de la línea. Siendo la sintaxis básica la siguiente.

Shallow copy vs Deep copy en Python: la mutación inesperada
En Analytics Lane
Shallow copy vs Deep copy en Python: la mutación inesperada

arguments
    par1 (dimensions) dataType {validators} = defaultValue
    ...
    parN
end

Ejemplo de validación de argumentos en Matlab

Posiblemente la mejor forma para comprender cómo es la validación de argumentos en Matlab con arguments sea estudiando un ejemplo. Uno como la siguiente función.

function [out, par3] = testFunction(par1, par2, par3)

arguments
    par1 (1, 1) double {mustBeNonnegative}
    par2 (1, 2) double
    par3 string = 'No value'
end

out = par1 .* par2;

fprintf('La clase de %i es %s\n', par1, class(par1));
fprintf('La clase de (%d, %d) es %s\n', par2, class(par2));
fprintf('La clase de "%s" es %s\n', par3, class(par3));

end

En este código se ha definido una función testFunction() que únicamente multiplica los dos primeros parámetros. El primero, ‘par1’ es necesariamente un escalar real positivo, mientras que el segundo es un vector de 1 por 2 también real. Adicionalmente la función también puede recibir un tercer parámetro que solamente puede ser una cadena de texto y tiene como valor por defecto 'No value'.

Ahora si los valores son correctos, la función trabaja correctamente tal cómo se muestra a continuación.

>> [out, par3] = testFunction(3, [1, 2])
La clase de 3 es double
La clase de (1, 2) es double
La clase de "No value" es string

out =

     3     6


par3 = 

    "No value"

En donde se puede ver que el segundo parámetro devuelve la cadena por defecto.

Pero, en el caso de que no sean correctos se producirá se producirá un fallo al llamarla. Por ejemplo, si el primer parámetro es negativo.

>> [out, par3] = testFunction(-3, [1, 2])
Error using testFunction
Invalid argument at position 1. Value must be nonnegative.

Este error se produce porque mediante la opción {mustBeNonnegative} obliga a que este parámetro sea solamente positivo. Lo que no sucede en el ejemplo anterior. Existen diferentes tipos de validadores que se pueden ver en la documentación

Otra posible causa de fallo sería pasar como segundo parámetro vector que no sea de 1 por 2.

>> [out, par3] = testFunction(3, [1, 2, 3])
Error using testFunction
Invalid argument at position 2. Value must be a vector with 2 elements.

Conclusiones

La validación de los argumentos en las funciones de Matlab era algo bastante tedioso debido a que no existía una opción para su configuración. Afortunadamente con la introducción de arguments en la versión 2019b esto se ha vuelto mucho más fácil debido a que ahora es simplemente una opción, como sucede en otros lenguajes.

Imagen de ThePixelman en Pixabay

¿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?

Publicaciones relacionadas

  • Shallow copy vs Deep copy en Python: la mutación inesperada
  • Cómo Proyectar Cuándo Alcanzarás la Independencia Financiera
  • Analytics Lane lanza la versión 1.5 del laboratorio con un extractor de tickets por OCR y consultas SQL sobre CSV en el navegador
  • Cómo Saber si una Diferencia Significativa es Importante
  • Curiosidad: “Wi-Fi” no significa “Wireless Fidelity”
  • Cómo Explorar un Dataset antes de Modelar
  • Cómo Elegir el Test de Hipótesis Correcto para tus Datos
  • Tuplas vs Listas en Python: parecen lo mismo, pero no
  • == vs is en Python: la diferencia que causa bugs misteriosos

Publicidad

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

Noticias

Analytics Lane lanza la versión 1.5 del laboratorio con un extractor de tickets por OCR y consultas SQL sobre CSV en el navegador

noviembre 18, 2026 Por Daniel Rodríguez

Cómo Explorar un Dataset antes de Modelar

noviembre 17, 2026 Por Daniel Rodríguez

Curiosidad: “Wi-Fi” no significa “Wireless Fidelity”

noviembre 12, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Cómo Explorar un Dataset antes de Modelar publicado el noviembre 17, 2026 | en Ciencia de datos
  • Gráficos de barras en Matplotlib publicado el julio 5, 2022 | en Python
  • Operaciones de filtrado de DataFrame con Pandas en base a los valores de las columnas publicado el mayo 10, 2019 | en Python
  • Hoja de cálculo para repartir los escaños en base al método D’Hont Aplicar el método D’Hondt en Excel publicado el abril 14, 2021 | en Herramientas
  • La tabla de la web finalmente importada en Excel Importar tablas desde la web en Excel publicado el octubre 21, 2020 | 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

4.1 (11)

Aplicar el método D’Hondt en Excel

Comentarios recientes

  • Daniel Rodríguez en Curiosidad: La Paradoja de Simpson, o por qué no siempre debes fiarte de los promedios
  • Hatepi en Curiosidad: La Paradoja de Simpson, o por qué no siempre debes fiarte de los promedios
  • Daniel Rodríguez en Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
  • Juan en Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
  • bif en JSON en bases de datos: cuándo es buena idea y cuándo no

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