• 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

Inclusión de barras de error en Matplotlib

Matplotlib

octubre 17, 2022 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 4 minutos

A la hora de la presentación de resultados experimentales la inclusión de barras de error en las gráficas es clave para comunicar la confianza que se tiene en los valores presentados. Por eso, en la mayoría de las bibliotecas para la generación de gráficos existen funciones para ello. La función con la que se pueden crear gráficas con barras de barras de error en Matplotlib es errorbar().

Crear una gráfica con barras de error en Matplotlib

A diferencia de la mayoría de las gráficas que se pueden crear con Matplotlib en las que solamente son necesarios los valores de x e y. Para crear una gráfica con barras de error es necesario además un valor para el error. Con estos datos se puede crear fácilmente una gráfica mediante la función errorbar().

En este caso a la función se le pasa los valores de x, los valores de y y el error en el eje y. Produciendo en este caso la siguiente gráfica.

Gráfica básica con barras de error en Matplotlib
Gráfica básica con barras de error en Matplotlib

Posiblemente este no es el resultado esperado. Normalmente las barras de error se suelen usar en gráficos de dispersión. Además, generalmente se suele dibujar una línea que limite la barra. Para solucionar esto se puede usar dos opciones de la función fmt y capsize. Mediante la primera se puede indicar la forma de los puntos y la línea que los une. Por defecto la gráfica es una línea que une puntos sin marca, pero con la opción 'o' se mostrarían marcas sin líneas. Por otro lado, la segunda permite fijar el tamaño de las líneas que delimitan las barras, valor que por defecto es 0. Así una manera de obtener un gráfico de dispersión con barras de error sería algo como lo que muestra a continuación.

Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
En Analytics Lane
Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)

Gráfica de dispersión básica con barras de error en Matplotlib
Gráfica de dispersión básica con barras de error en Matplotlib

Con lo que se obtiene como resultado la siguiente gráfica.

Barras de error en el eje x

También es posible incluir barras de error en el eje x de la gráfica. Usando para ello la propiedad xerr de la función. Esta propiedad, al igual que xerr con la que se indica el error para el eje y, también admite valores escalares cuando el tamaño de la barra es siempre igual. Así, se puede agregar un error de 0.1 a cada uno de los puntos de la gráfica anterior con el siguiente código.

Lo que tiene como resultado la siguiente gráfica.

Gráfica de dispersión básica con barras de error tanto para el eje x como para el y
Gráfica de dispersión básica con barras de error tanto para el eje x como para el y

Publicidad


Barras de error en gráficas de barras

Dado que en Matplotlib es posible crear gráficas combinando más de una función, al usar bar() y errorbar() conjuntamente se puede obtener una gráfica de barras con barras de error. Lo que se puede hacer como se muestra en la siguiente línea.

En este caso se ha usado los mismos datos para las gráficas de barra y las barras de error. Para evitar destacar la barra se ha cambiado el color de esta con el parámetro ecolor. Además, también se ha eliminado tanto las líneas como las marcas ya que no son necesarias mediante el parámetro fmt.

Obteniendo como resultado la siguiente figura.

Gráfica de barras con barras de error
Gráfica de barras con barras de error

Conclusiones

En esta publicación se ha visto cómo se puede crear gráficos con barras de error en Matplotlib mediante el uso de la función errorbar(). Una herramienta necesaria para comunicar cuál es el nivel de confianza que tiene los resultados presentados.

¿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?

Publicaciones relacionadas

  • Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
  • Segmentación RFM: cómo clasificar tu cartera de clientes antes de calcular el CLV
  • PSI: Cómo Saber Cuándo tu Modelo de Credit Scoring se ha Degradado
  • Champion vs Challenger: Cómo los Bancos Validan Modelos Nuevos antes de Ponerlos en Producción
  • Gini, KS y AUC: Cómo Medir la Calidad de un Modelo de Credit Scoring
  • Errores habituales al trabajar con DataFrames grandes en Pandas (y cómo evitarlos)
  • BG/NBD + Gamma/Gamma: el modelo probabilístico para CLV en compras continuas
  • Curiosidad: De dónde vienen foo, bar y foobar
  • Cómo Comparar Dos Hipotecas con Todos los Gastos Incluidos

Publicado en: Python Etiquetado como: Matplotlib

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

Gini, KS y AUC: Cómo Medir la Calidad de un Modelo de Credit Scoring

agosto 18, 2026 Por Daniel Rodríguez

Curiosidad: De dónde vienen foo, bar y foobar

agosto 13, 2026 Por Daniel Rodríguez

BG/NBD + Gamma/Gamma: el modelo probabilístico para CLV en compras continuas

agosto 11, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Gini, KS y AUC: Cómo Medir la Calidad de un Modelo de Credit Scoring publicado el agosto 18, 2026 | en Ciencia de datos
  • Utilizar R desde Python con rpy2 publicado el enero 11, 2019 | en Python, R
  • Ecuaciones multilínea en Markdown publicado el septiembre 14, 2022 | en Herramientas
  • Cómo validar nombres de hojas (sanitizar) y archivos Excel con Python publicado el noviembre 4, 2024 | en Herramientas, Python
  • Champion vs Challenger: Cómo los Bancos Validan Modelos Nuevos antes de Ponerlos en Producción publicado el agosto 4, 2026 | en Ciencia de datos

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 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
  • bif en Cómo desinstalar Oracle Database 19c en Windows
  • M. Pilar en Cómo eliminar las noticias en Windows 11 y recuperar tu concentración

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