• 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

Modificar los elementos de una ventana desde otra en Matlab

GUI, GUIDE

febrero 7, 2020 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 4 minutos

A medida que crecen las aplicaciones creadas con Guide o App Designer en Matlab puede ser necesario usar más de una venta. Siendo en estos casos puede ser necesario modificar los elementos de una ventana desde otra. En este tutorial se va a explicar como modificar los elementos de una ventana desde otra con Guide en Matlab.

Creación de dos ventanas

A modo de ejemplo vamos a crear dos ventanas con GUIDE. En la primera solamente situaremos y un botón con el que llamar a los controles. Esta es la ventana, a la que nombraremos como `guide_1, es la que se muestra a continuación.

Para facilitar el trabajo usaremos los nombres por defecto de los elementos. Por lo que tendremos unos ejes con nombre axes1 y un botón llamado pushbutton1. La enviar un gráfico diferente a los ejes desde una segunda venta. Ahora crearemos una segunda ventana en la que se situarán dos botones.

A la que llamaremos guide_2 y también usaremos los valores por defecto de los elementos.

Envío de información de la primera ventana a la segunda

Una vez creadas las ventanas necesitamos desde la primer llamar a la segunda y enviar el identificador de los ejes. Esto se hace desde el callback del botón de la primera figura. En el que se escribirá el código:

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)

function pushbutton1_Callback(hObject, eventdata, handles)

guide_2(handles.axes1);

Lo que hace este es llamar a la segunda ventana y pasarle los handles del eje. En caso de que tengamos más objetos sobre los que deseemos actuar desde la segunda venta también deberíamos ponerlos en la llamada. Este es realmente el punto importante, para poder dibujar desde la segunda ventana esta ha de poder los elementos de la primera sobre los que trabajar.

Publicidad


Recepción de los datos en la segunda venta

En la segunda venta es necesario recoger los datos para enviados y guardarlos para su uso. Los datos se encuentran en la variable varargin de la función guide_2_OpeningFcn, la función que se llama cuando se abre una aplicación de GUIDE. varargin es una celda con longitud igual a los parámetros pasados en la llamada a la ventana. En este caso los handles de los ejes. Así solamente es necesario guardarlos en la variable handles de la ventana para tenerlos disponibles más adelante.

function guide_2_OpeningFcn(hObject, eventdata, handles, varargin)

handles.output = hObject;
handles.axes = varargin{1};
guidata(hObject, handles);

Es importante hacer esto antes de la línea guidata(hObject, handles);, ya que es cuando se guardan los datos.

Funciones en la segunda ventana

Ahora se puede agregar funciones en los callbacks de la segunda ventana que pueden dibujar en la primera. Ejemplos básicos puede ser dibujar una función seno o coseno.

function pushbutton1_Callback(hObject, eventdata, handles)

x = 0:0.01:10;
plot(handles.axes, x, sin(x));


function pushbutton2_Callback(hObject, eventdata, handles)

x = 0:0.01:10;
plot(handles.axes, x, cos(x));

Dibujar en la primera ventana desde la segunda.

En este punto si se lanza guide_1

y desde este el segundo.

Es posible dibujar en la primera ventana pulsando sobre cualquiera de los botones.

Publicidad


Conclusiones

En esta entrada se ha visto una técnica para modificar los elementos de una ventana desde otra con Guide en Matlab. Algo que puede ser útil cuando las aplicaciones creadas con esta herramienta crecen. Aunque hoy en día puede ser más interesante migrar las aplicaciones a App Desginer, ya que este soporta ventanas más complejas.

Imagen de William Iven 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

  • 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: Matlab Etiquetado como: GUI, GUIDE

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
  • Mejores extensiones de VS Code para científicos de datos publicado el octubre 9, 2024 | en Ciencia de datos, Herramientas
  • Cómo crear gráficos con ejes secundarios en MATLAB publicado el octubre 2, 2024 | en Matlab
  • BG/NBD + Gamma/Gamma: el modelo probabilístico para CLV en compras continuas publicado el agosto 11, 2026 | en Ciencia de datos
  • Introducción a la metodología GitFlow publicado el noviembre 27, 2024 | 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 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